潘海珠，陳仲新※

(1.農(nóng)業(yè)部農(nóng)業(yè)遙感重點實驗室，北京 100081；2.中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081)

0 引言

葉面積指數(shù)是表征植被冠層結(jié)構(gòu)特征的關(guān)鍵參數(shù)，被定義為單位面積上單面葉片面積的總和[1]。高效地獲取農(nóng)作物葉面積指數(shù)，對作物長勢監(jiān)測、病蟲害監(jiān)測和產(chǎn)量預測以及田間管理具有重要意義。傳統(tǒng)的衛(wèi)星遙感技術(shù)被廣泛用于農(nóng)作物葉面積指數(shù)反演并形成了成熟的算法和產(chǎn)品。國內(nèi)外學者利用光譜儀和衛(wèi)星高光譜數(shù)據(jù)開展了大量的LAI反演研究[2-3]，如Gilabert和Merzlyak[4]通過比較歸一化植被指數(shù)NDVI和紅邊位置參數(shù)與LAI的相關(guān)性，發(fā)現(xiàn)紅邊位置更能反映LAI；梁亮等[5]對18種植被指數(shù)進行比較分析，從中篩選出了對小麥LAI敏感的光譜指數(shù)OSAVI。無人機高光譜遙感數(shù)據(jù)也被開始應用于農(nóng)業(yè)研究，如高林等[6]利用UHD185數(shù)據(jù)分析了12種比值光譜指數(shù)對小麥LAI的敏感差異。

近年來，無人機遙感技術(shù)發(fā)展迅速，相比于衛(wèi)星遙感數(shù)據(jù)，無人機遙感數(shù)據(jù)適合小范圍內(nèi)數(shù)據(jù)采集，在田間尺度的精細農(nóng)業(yè)方面具有明顯的應用優(yōu)勢，有效地彌補了衛(wèi)星遙感在農(nóng)業(yè)應用上的缺陷[7-8]。無人機具有體積小、成本低和操作簡單的優(yōu)點，與高光譜傳感器結(jié)合，能夠高效準確地進行地表動態(tài)監(jiān)測，但目前農(nóng)業(yè)無人機高光譜遙感應用相對較少。研究以河北省衡水市冬小麥為研究對象，使用無人機平臺搭載高光譜成像傳感器獲取冬小麥高光譜影像，利用植被輻射傳輸模型PROSAIL和獲取的高光譜影像構(gòu)建冬小麥LAI的遙感估算模型，為作物參數(shù)監(jiān)測提供新的研究方法。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)概況

研究選擇的研究區(qū)為河北省衡水市(東經(jīng)115°10′～116°34′，北緯37°03′～38°23′)，地處黃淮海平原區(qū)，是我國典型的冬小麥種植區(qū)和糧食生產(chǎn)基地。衡水市屬溫帶半濕潤大陸季風氣候，為溫暖半干旱型，區(qū)域內(nèi)氣候差異不大，年平均氣溫12～13℃，大于0℃年積溫4 200～5 500℃，年累積輻射量500萬～520萬kJ/m2，無霜期170～220d； 年均降水量500～900mm[9]。研究區(qū)冬小麥生育期，從每年的10月上旬持續(xù)至次年的6月上旬或中旬， 11月下旬至2月中、下旬為越冬期， 2月底至3月上旬進入返青期，冬小麥開始旺盛生長，起身、拔節(jié)期從3月中、下旬至4月中旬， 4月下旬至5月上旬為孕穗、抽穗期，開花、乳熟期開始于5月中旬， 6月初至6月中旬冬小麥收獲。

1.2 數(shù)據(jù)獲取

冬小麥無人機高光譜飛行試驗于2017年5月23日11時在衡水市榆科鎮(zhèn)開展，該時期處于冬小麥生長的乳熟期，飛行作業(yè)期間天空晴朗無云。實驗采用八旋翼無人機搭載Cubert UHD185高光譜成像光譜儀，其成像參數(shù)如表1。UHD185機載高速成像光譜儀一款全畫幅、非掃描、實時成像的機載高光譜成像系統(tǒng)，可在1/1 000s內(nèi)得到450～950nm范圍內(nèi)125個通道的數(shù)據(jù)立方體[10-12]。無人機飛行作業(yè)與地面觀測同步開展，在飛行試驗區(qū)內(nèi)取25個樣點，利用LAI-2200冠層分析儀測量冬小麥LAI，飛行試驗研究區(qū)及無人機高光譜數(shù)據(jù)如圖1。

表1 UHD 185高光譜成像參數(shù)

參數(shù)取值光譜范圍450～950nm波段數(shù)125光譜分辨率4nm空間分辨率4cm

表2 PROSAIL模型參數(shù)設(shè)置

2 研究方法

2.1 PROSAIL模擬

PROSAIL輻射傳輸模型通過PROSPECT葉片模型[13]和SAILH冠層模型[14]耦合得到，PROSPECT模型模擬得到的葉片光譜信息作為SAILH模型的輸入?yún)?shù)。SAILH模型將植被當做混合介質(zhì)，假設(shè)葉片方位分布均勻，考慮任意的葉片傾角，模擬冠層的雙向反射率[15]。該研究以PROSAIL模型參數(shù)LAI為變量，根據(jù)地面冬小麥觀測數(shù)據(jù)確定其他參數(shù)，然后模擬冬小麥反射率的變化，最后利用模擬的反射率計算得到植被指數(shù)。PROSAIL模型參數(shù)如表2。

圖1 試驗區(qū)及無人機高光譜遙感影像

2.2 LAI反演模型的構(gòu)建

在已有的研究基礎(chǔ)上，該研究選取9種植被指數(shù)建立無人機成像高光譜數(shù)據(jù)反演冬小麥LAI的模型，如表3。利用模型模擬的各植被指數(shù)與模型參數(shù)LAI的關(guān)系構(gòu)建LAI反演模型，然后使用獨立模擬的一組數(shù)據(jù)分別驗證LAI反演結(jié)果，根據(jù)驗證指標選擇最優(yōu)的反演模型。模型的篩選指標包括決定系數(shù)R2、均方根誤差RMSE和標準均方根誤差NRMSE?；诤Y選出的最優(yōu)LAI反演模型利用無人機高光譜數(shù)據(jù)反演冬小麥LAI，最后利用地面實測數(shù)據(jù)對反演結(jié)果進行驗證。

表3 用于估算LAI的植被指數(shù)

植被指數(shù)公式參考文獻RVIR842/R665Gitelsonetal．(1996)[4]NDVI(R842-R665)/(R842+R665)CarlsonandRipley．(1974)[16]EVI225×(R842-R665)/(R842+24×R665+1)Freitasetal．(2008)[17]OSAVI116×(R842-R665)/(R842+R665+016)Steven(1998)[18]MSAVI2(R842+1)+05× (2×R842-1)2+8×R665LaosuwanandUttaruk(2014)[19]TCARI/OSAVI3[(R700-R670)-02(R700-R550)(R700/R670)](1+016)(R800-R670)/(R800+R670+016)Haboudaneetal．(2002)[20]RNDVI(R842-R740)/(R812+R740)CleversandGitelson (2013)[21]MSIR1610/R842Wolf(2010)[22]S2REP705+35×[05×(R783+R665)-R705]/(R740-R705)Framptonetal．(2013)[23]

3 結(jié)果與分析

3.1 冬小麥LAI反演模型

將LAI在0.5～8范圍內(nèi)的隨機1 000組數(shù)據(jù)作為PROSAIL模型輸入變量，然后將模擬的冬小麥冠層高光譜反射率重采樣成Cubert UHD185波段，并計算各植被指數(shù)，通過指數(shù)函數(shù)形式構(gòu)建LAI與不同植被指數(shù)的關(guān)系模型，如圖2。從圖2可以看出包含紅邊波段的植被指數(shù)RNDVI與S2REP和LAI有較強的指數(shù)關(guān)系，決定系數(shù)R2均大于0.97。在冬小麥出苗期LAI較低(小于2)，不包含紅邊的植被指數(shù)(RVI、NDVI、EVI2、OSAVI、MSAVI2、TCARI/OSAVI、MSI)與LAI間相關(guān)性較高，而冬小麥抽穗開花期、灌漿期等后期生長階段，這些植被指數(shù)并不適合用于反演冬小麥LAI。

圖2 不同植被指數(shù)與LAI的關(guān)系曲線

圖3 基于不同植被指數(shù)的LAI反演模型模擬效果

植被指數(shù)對LAI的飽和現(xiàn)象，即在LAI高值區(qū)植被指數(shù)不再隨著LAI的變化而變化，是利用統(tǒng)計模型進行估算LAI時一直存在的問題。利用不同植被指數(shù)構(gòu)建的LAI反演模型反演結(jié)果與模型LAI對比結(jié)果如圖3。以NDVI、OSAVI和TCARI/OSAVI為指標的反演模型在LAI達到3時出現(xiàn)了飽和現(xiàn)象，以RVI、MASVI2和 EVI2和MSI為指標的反演模型在LAI達到5時出現(xiàn)了飽和現(xiàn)在，而以RNDVI、S2REP為指標的LAI反演模型較大程度上緩解了這種飽和現(xiàn)象。從圖3中看出，以RNDVI為指標反演的LAI的RMSE為0.51，反演精度相對最高。因此研究選擇RNDVI作為無人機高光譜遙感數(shù)據(jù)反演冬小麥LAI的指標。利用冠層RNDVI，根據(jù)Beer定律，建立無人機高光譜遙感數(shù)據(jù)反演冬小麥LAI的反演模型：

LAI=0.4003×exp(10.437×RNDVI)

3.2 無人機高光譜遙感數(shù)據(jù)冬小麥LAI估算結(jié)果

基于LAI反演模型，利用獲取的無人機高光譜遙感影像得到試驗地塊的冬小麥LAI反演估算結(jié)果如圖4。為了對LAI反演結(jié)果進度進行驗證，在試驗地選擇25個樣點，利用LAI實測值對反演結(jié)果進行驗證。驗證結(jié)果表明，研究選擇相關(guān)性最高的紅邊歸一化植被指數(shù)RNDVI作為LAI反演因子，其預測的LAI與實測值具有較好擬合性(R2=0.83，RMSE=0.16，NRMSE=10%，n=25，P<0.001)。研究的試驗數(shù)據(jù)處于冬小麥乳熟后期，成熟較早的冬小麥葉片出現(xiàn)枯黃凋落，LAI值降低，而成熟相對晚一些的小麥仍為綠葉，LAI相對高一些。圖4反演結(jié)果較好地反映飛行試驗區(qū)內(nèi)冬小麥LAI的空間分布，也在一定程度上反映了小麥成熟情況的空間分布差異。

圖4 無人機高光譜數(shù)據(jù)反演冬小麥LAI值及驗證

4 討論與結(jié)論

傳感器的光譜分辨率和光譜范圍決定了可用于LAI反演的光譜信息，因此基于高光譜遙感數(shù)據(jù)為植被生理生態(tài)參數(shù)反演開辟了一種新途徑。目前，高光譜遙感數(shù)據(jù)在作物監(jiān)測已經(jīng)得到了成熟的應用，但多以光譜儀數(shù)據(jù)為主，針對作物的成像高光譜數(shù)據(jù)和應用相對較少。無人機以其自身方便、高效的優(yōu)勢搭載高光譜成像儀，可在田間尺度上獲取高時空分辨率和高光譜分辨率的農(nóng)作物影像數(shù)據(jù)，為作物長勢監(jiān)測提供了新的數(shù)據(jù)來源和技術(shù)手段。研究以無人機UHD185高光譜成像系統(tǒng)獲取田間冬小麥高光譜影像，用于反演葉面積指數(shù)(LAI)，并取得了較好的結(jié)果，為開展作物葉綠素含量、葉片含水量等理化參數(shù)反演研究提供了新的思路。

植被LAI反演目前尚沒有統(tǒng)一的方法，而且存在很多不確定性因素。研究利用無人機高光譜影像和植被輻射傳輸模型PROSAIL以及地面實測數(shù)據(jù)，通過PROSAIL模型分析比較了9種不同植被指數(shù)對LAI的敏感性，構(gòu)建了基于無人機高光譜數(shù)據(jù)的LAI反演模型。研究結(jié)果表明紅邊波段在LAI反演中起到關(guān)鍵作用，兩種含有紅邊波段的植被指數(shù)RNDVI和S2REP比其他7種植被指數(shù)更適合與冬小麥生長后期LAI的反演； 其中RNDVI與LAI的相關(guān)性最高，LAI預測值與實測值總體上表現(xiàn)較為一致。由于受到天氣、設(shè)備等因素限制，研究沒有能夠獲取更多冬小麥關(guān)鍵生育期的無人機高光譜影像，使得研究的LAI反演模型只得到該次試驗數(shù)據(jù)的驗證，時間序列上的作物監(jiān)測則是下一步的研究重點。

[1] Zheng G，Moskal L M.Retrieving Leaf Area Index(LAI)using remote sensing：Theories，methods and sensors.Sensors,2009，(9)： 2719～2745

[2] 蒙繼華， 吳炳方，李強子.全國農(nóng)作物葉面積指數(shù)遙感估算方法.農(nóng)業(yè)工程學報,2007, 23(2): 160～167

[3] Liu H，Zhu H，Wang P.Quantitative modelling for leaf nitrogen content of winter wheat using UAV-based hyperspectral data.International Journal of Remote Sensing,2017, 38(10): 2117～2134

[4] Gitelson A A，Merzlyak M N.Signature analysis of leaf reflectance spectra：algorithm development for remote sensing of chlorophyll.Journal of Plant Physiology,1996, 148(3): 494～500

[5] 梁亮， 楊敏華，張連蓬，等.小麥葉面積指數(shù)的高光譜反演.光譜學與光譜分析,2011, 31(6): 1658～1662

[6] 高林， 楊貴軍，李長春，等.基于光譜特征與PLSR結(jié)合的葉面積指數(shù)擬合方法的無人機畫幅高光譜遙感應用.作物學報,2017, 43(4): 549～557

[7] 王利民， 劉佳，楊玲波，等.基于無人機影像的農(nóng)情遙感監(jiān)測應用.農(nóng)業(yè)工程學報,2013, 29(18): 136～145

[8] 楊貴軍， 李長春，于海洋，等.農(nóng)用無人機多傳感器遙感輔助小麥育種信息獲取.農(nóng)業(yè)工程學報,2015, 31(21): 184～190

[9] 任建強， 陳仲新，周清波，等.基于葉面積指數(shù)反演的區(qū)域冬小麥單產(chǎn)遙感估測.應用生態(tài)學報,2010, 21(11): 2883～2888

[10]秦占飛， 常慶瑞，謝寶妮，等.基于無人機高光譜影像的引黃灌區(qū)水稻葉片全氮含量估測.農(nóng)業(yè)工程學報,2016, 32(23): 77～85

[11]趙曉慶， 楊貴軍，劉建剛，等.基于無人機載高光譜空間尺度優(yōu)化的大豆育種產(chǎn)量估算.農(nóng)業(yè)工程學報,2017, 33(1): 110～116

[12]田明璐， 班松濤，常慶瑞，等.基于無人機成像光譜儀數(shù)據(jù)的棉花葉綠素含量反演.農(nóng)業(yè)機械學報,2016,(11)： 285～293

[13]Jacquemoud S，Baret F.PROSPECT：A model of leaf optical properties spectra.Remote sensing of environment,1990， 34(2)：75～91

[14]Cho M，Skidmore A，Atzberger C.Towards red-edge positions less sensitive to canopy biophysical parameters for leaf chlorophyll estimation using properties optique spectrales des feuilles(PROSPECT)and scattering by arbitrarily inclined leaves(SAILH)simulated data.International Journal of Remote Sensing,2008， 29(8) ：2241～2255

[15]Atzberger C，Jarmer T，Schlerf M，et al.Retrieval of wheat bio-physical attributes from hyperspectral data and SAILH+PROSPECT radiative transfer model.In Proceedings of the 3rd EARSeL Workshop on imaging spectroscopy,2003， 473～482

[16]Carlson T N，Ripley D A.On the relation between NDVI，fractional vegetation cover，and leaf area index.Remote sensing of Environment,1997， 62(3) ：241～252

[17]Freitas R D，Arai E，Adami M，F(xiàn)erreira A S，et al.Virtual laboratory of remote sensing time series：visualization of MODIS EVI2 data set over South America.Journal of Computational Interdisciplinary Sciences,2011, 2(1): 57～68

[18]Steven M D.The sensitivity of the OSAVI vegetation index to observational parameters.Remote Sensing of Environment,1998, 63(1): 49～60

[19]Laosuwan T，Uttaruk P.Estimating Tree Biomass via Remote Sensing，MSAVI 2，and Fractional Cover Model.IETE Technical Review,2014， 31(5) 362～368

[20]Haboudan，D，Miller J R，Tremblay N，et al.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture.Remote Sensing of Environment,2002， 81(2)：416～426

[21]Clevers J G，Gitelson A A.Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and-3.International Journal of Applied Earth Observation and Geoinformation,2013， 23： 344～351

[22]Wolf A.Using WorldView 2 Vis-NIR MSI imagery to support land mapping and feature extraction using normalized difference index ratios.SPIE,2010:8390

[23]Frampton W J，Dash J，Watmough G，et al.Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation.ISPRS Journal of Photogrammetry and Remote Sensing,2013：82， 83～92