張楠楠，張 曉，姚 娜，喻彩麗，白鐵成

（1.塔里木大學(xué)信息工程學(xué)院，新疆阿拉爾843300；2.中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所新疆南疆農(nóng)業(yè)信息化研究中心，新疆阿拉爾843300）

胡楊為楊柳科楊屬的高大落葉喬木、稀灌木［1］，是楊屬中最古老、最原始的荒漠河岸林樹種，為我國首批確定的388種珍稀瀕臨滅絕植物中的漸危種［2］，具有防風(fēng)固沙、穩(wěn)定河道、保護(hù)綠洲、維持荒漠區(qū)脆弱環(huán)境生態(tài)平衡的功能。全國91.1%的胡楊林面積集中在新疆，新疆的胡楊林主要分布在南疆，塔里木河流域的天然胡楊林總面積為14.06萬hm2，是全國最大的一片胡楊林，占全國胡楊林面積的37.28%［1］。

葉面積指數(shù)（LAI）是指單位地表面積上方植物葉單面面積的總和［3］。目前，常用的測量LAI的方法有2種：一種為傳統(tǒng)地面測量法，存在大面積獲取LAI效率低和成本高的缺點(diǎn)；二是運(yùn)用遙感技術(shù)，相對于傳統(tǒng)方法有快速、高效地實現(xiàn)大范圍LAI監(jiān)測的優(yōu)點(diǎn)，可為及時掌握農(nóng)作物的生長狀態(tài)、預(yù)測糧食產(chǎn)量等提供強(qiáng)有力的技術(shù)手段［4－5］，被越來越多的專家學(xué)者所關(guān)注。林卉等利用遙感影像建立了小麥LAI值反演模型，反演模型的校正集和預(yù)測集均可達(dá)到84%［6］；謝巧云等運(yùn)用支持向量機(jī)等4種算法，發(fā)現(xiàn)支持向量機(jī)非線性回歸模型使冬小麥LAI反演精度達(dá)到82.3%［7］；李鑫川等為提高LAI預(yù)測精度，提出分段選擇敏感植被指數(shù)［8］；姚付啟等通過改進(jìn)植被指數(shù)來提高小麥估算模型LAI的精度［9］；夏天等利用神經(jīng)網(wǎng)絡(luò)來構(gòu)建反演模型，篩選敏感光譜波段作為模型輸入，LAI作為模型模擬輸出進(jìn)行反演研究［10］。葉面積指數(shù)反演方法的研究已成為精準(zhǔn)農(nóng)業(yè)的研究熱點(diǎn)［11－13］，不同地區(qū)和環(huán)境中的植被LAI對光譜反射率的敏感波段各不相同，植被指數(shù)在不同環(huán)境的適應(yīng)性也不同，同時基于胡楊LAI方面的研究還較少見?；诖?，本試驗選取新疆維吾爾自治區(qū)塔里木河流域上游為研究區(qū)域，以胡楊葉片作為研究對象，獲取胡楊葉片的高光譜和LAI數(shù)據(jù)，運(yùn)用傳統(tǒng)的回歸模型法和BP神經(jīng)網(wǎng)絡(luò)法構(gòu)建研究區(qū)胡楊LAI估算模型，比對2種不同反演方法的精度，研究結(jié)果可為新疆地區(qū)胡楊長勢和病蟲害遙感監(jiān)測提供理論和技術(shù)上的支持，并為大尺度傳感器監(jiān)測胡楊長勢和病蟲害提供參考。

1 材料與方法

1.1 研究區(qū)概況

本研究選取新疆維吾爾自治區(qū)塔里木河流域上游為研究區(qū)域，該地區(qū)最高氣溫35℃，最低氣溫－28℃。研究區(qū)太陽輻射平均每年 575～612 kJ／cm2，年均日照 2 556.3～2 991.8 h，日照率為58.69%。研究區(qū)雨雪稀少，地表蒸發(fā)強(qiáng)烈，年均降水量為40.1～82.5 mm，年均蒸發(fā)量為1 876.6～2 558.9 mm。在試驗樣區(qū)內(nèi)選取胡楊的葉片作為試驗對象。

1.2 光譜數(shù)據(jù)采集和葉面積測定

2016年6—7月，采集研究區(qū)域內(nèi)的胡楊葉片，進(jìn)行胡楊葉片的光譜掃描，并計算LAI。選用ASD Fieldspec4便攜式地物光譜儀（表1）測量胡楊葉片光譜反射率，監(jiān)測均在天氣晴朗、光線較好的室內(nèi)進(jìn)行，測定時間為13：00—16：00（北京時間）。儀器放置于距地面1.3 m處，視場角為25°。每個采樣點(diǎn)重復(fù)測量20次，且每次測量前進(jìn)行白板校正。每個采樣點(diǎn)進(jìn)行平均化處理，共得到155組胡楊葉片光譜反射率數(shù)據(jù)。

LAI的測量：將胡楊葉片放在相同大小的玻璃皿上，通過Matlab 2010b計算胡楊葉片面積與玻璃皿面積的比值，從而得到LAI的值，最終獲取與光譜相對應(yīng)的155組LAI數(shù)據(jù)。

1.3 數(shù)據(jù)預(yù)處理

為減弱噪聲對實際光譜數(shù)據(jù)的影響，用Matlab 2010b工具對原始的高光譜數(shù)據(jù)進(jìn)行噪聲去除處理，采用移動窗口中位數(shù)平滑的方法，波段區(qū)間為350～1 750 nm和1 900～2 500 nm，最終使光譜數(shù)據(jù)利于數(shù)學(xué)建模分析。

表1 ASD Fieldspec4便攜式地物光譜儀的主要性能指標(biāo)

1.4 研究方法

1.4.1 回歸分析法 本研究以胡楊葉面積指數(shù)為因變量，以獲取的胡楊葉片高光譜數(shù)據(jù)為自變量，進(jìn)行回歸分析，構(gòu)建胡楊葉面積指數(shù)反演的回歸模型。本研究采用SPSS 19軟件進(jìn)行胡楊葉片光譜反射率與LAI相關(guān)性分析，計算出光譜敏感區(qū)域并計算植被指數(shù)，然后將植被指數(shù)與胡楊LAI建立回歸模型。作物L(fēng)AI與近紅外波段的反射率組合有良好的相關(guān)性［14］，結(jié)合研究區(qū)域胡楊光譜反射率變化特征，選取以下4種植被指數(shù)（表2）來構(gòu)建胡楊LAI的回歸模型。

表2 本研究采用的高光譜植被指數(shù)

1.4.2 BP神經(jīng)網(wǎng)絡(luò)法 通過對高光譜反射率與胡楊LAI進(jìn)行相關(guān)性分析，之后將胡楊LAI變化敏感光譜波段的反射率作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入層，通過調(diào)試隱層的神經(jīng)元數(shù)目來構(gòu)建LAI反演模型，最后將預(yù)測數(shù)據(jù)與真實數(shù)據(jù)對比進(jìn)行檢驗。采用回歸分析法和BP神經(jīng)網(wǎng)絡(luò)法構(gòu)建胡楊LAI反演模型，把2種反演模型的胡楊LAI與實測值進(jìn)行擬合。

1.5 模型驗證

本研究選取決定系數(shù)、均方根誤差、殘差平方和進(jìn)行模型分析檢驗，其計算公式如表3。其中，r2取值在0～1，選用模型的擬合度越好，其值越接近1；RMSE用于模型驗證，反映了預(yù)測值與真實值的偏離度，值越小模型精度越高；RSS的值越小，模型穩(wěn)定性越高。

2 結(jié)果與分析

2.1 LAI與光譜波段的相關(guān)性及多元回歸模型

如圖1所示，整體來看，在350～720 nm波段，胡楊葉片高光譜反射率與LAI呈負(fù)相關(guān)：在500～580 nm波段，出現(xiàn)1個小波峰是由于葉綠素強(qiáng)吸收帶的影響，在620～720 nm波段達(dá)到最低（－0.68左右）；在720 nm左右，相關(guān)系數(shù)變?yōu)?；在720～760 nm波段，胡楊葉片反射率與LAI呈正相關(guān)，且相關(guān)系數(shù)隨光譜波長持續(xù)增加，最高達(dá)到0.60，原因是在720～760 nm波段色素對光能的吸收逐漸減小，細(xì)胞結(jié)構(gòu)對光線的反射慢慢增強(qiáng)。在760～1 000 nm的近紅外區(qū)域，胡楊葉片表現(xiàn)最為敏感，高光譜反射率與LAI相關(guān)性穩(wěn)定在0.60左右。根據(jù)冠層光譜與LAI相關(guān)性分析，本研究選取對光譜變化較為敏感的4個光譜反射率（450、550、680、800 nm波段）進(jìn)行多元回歸模型的建立。

表3 2類模型的檢驗指標(biāo)

2.2 基于植被指數(shù)構(gòu)建回歸模型的胡楊LAI估算

本研究從試驗樣點(diǎn)中選44組樣點(diǎn)數(shù)據(jù)進(jìn)行模型的構(gòu)建，擬合結(jié)果如圖2。r2為0.574 19～0.888 71，其中 NDVI估算模型的r2最大，SAVI估算模型的r2次之，DVI估算模型的r2最小。RMSE的值在0.428 53～0.838 20之間，其中 DVI估算模型的RMSE最大，EVI估算模型的RMSE次之，NDVI估算模型的RMSE最小。RSS如圖3所示，其值在7.712 7～29.508 5，其中 DVI估算模型的 RSS最大，EVI估算模型的RSS次之，NDVI估算模型的RSS最小。

由模型驗證的3個指標(biāo)進(jìn)行綜合分析得出，EVI、NDVI、SAVI 3種擬合模型都能較好地反映胡楊LAI與植被指數(shù)之間的變化關(guān)系，構(gòu)建的胡楊LAI估算模型精度均較好，3種擬合模型擬合度較高，均方根誤差相對較小，誤差也較小。研究發(fā)現(xiàn)NDVI相對其他3種模型，r2、RMSE和RSS均相對較優(yōu)。因在實驗室條件下LAI與植被指數(shù)之間呈線性變化，故4種植被指數(shù)構(gòu)建的反演模型均為線性模型。NDVI能夠反映出植物的植被覆蓋度和消除一些輻射誤差等，且對土壤背景的變化較為敏感。DVI、EVI和SAVI這3種植被指數(shù)考慮到土壤、溫度、濕度等周圍環(huán)境因素的影響，但模型的效果不好，估算誤差相對較大。

2.3 基于BP神經(jīng)網(wǎng)絡(luò)的胡楊LAI估算

本研究所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)共有3層結(jié)構(gòu)，即輸入層、隱含層、輸出層；采用前向BP網(wǎng)絡(luò)，隱含層使用神經(jīng)元傳遞函數(shù)tansig，輸出層使用神經(jīng)元傳遞函數(shù)purelin，訓(xùn)練函數(shù)使用trainlm，權(quán)值和閾值使用learngdm，性能函數(shù)為msereg。研究選用對胡楊LAI變化較為敏感的450、550、680、800 nm的反射率作為模型輸入矢量P，輸出矢量T即為胡楊LAI；確定隱含層為1層，隱含層的神經(jīng)元數(shù)目初始設(shè)置為5，經(jīng)過多次試驗，得出6個神經(jīng)元為最佳。初始權(quán)重和閥值為默認(rèn)值。迭代次數(shù)為100次，學(xué)習(xí)率為0.1，目標(biāo)為0.000 04。通過BP神經(jīng)網(wǎng)絡(luò)得到預(yù)測LAI數(shù)據(jù)，并利用實測值與模擬值進(jìn)行線性擬合（圖4），擬合度達(dá)到0.99，說明構(gòu)建的模型精度較高。

2.4 LAI反演精度比對

為比較以上2種方法預(yù)測LAI的反演精度，選取采集的20組數(shù)據(jù)進(jìn)行回歸模型的精度測試，將真實數(shù)據(jù)代入回歸模型，采用r2、RMSE、RSS對預(yù)測值和實測值的預(yù)測度進(jìn)行檢驗。由圖5、圖6可知，r2為 0.673 49～0.733 38，其中 NDVI預(yù)測模型的r2最大，DVI預(yù)測模型的r2次之，SAVI預(yù)測模型的r2最小。RMSE的值在0.305 48～0.338 05之間，其中SAVI預(yù)測模型的RMSE最大，EVI預(yù)測模型的RMSE次之，NDVI預(yù)測模型的 RMSE最小。RSS值在 1.679 70～2.057 02，其中SAVI預(yù)測模型的RSS最大，EVI預(yù)測模型的RSS次之，NDVI預(yù)測模型的RSS最小。4種植被指數(shù)預(yù)測模型都能較好地進(jìn)行預(yù)測且RMSE和RSS均較小。綜合分析可知，NDVI預(yù)測模型在預(yù)測擬合度、精度、穩(wěn)定性好于其他3種植被指數(shù)估算模型。

在回歸模型選取的44組數(shù)據(jù)中，新增了26組樣區(qū)其他樣點(diǎn)數(shù)據(jù)作為檢驗樣本數(shù)據(jù)，即在70組胡楊LAI數(shù)據(jù)中選取50組作為學(xué)習(xí)目標(biāo)P－test，剩余樣本作為檢驗數(shù)據(jù)t－test。用神經(jīng)網(wǎng)絡(luò)法構(gòu)建胡楊葉面積指數(shù)的反演模型。由圖7可得出，胡楊LAI反演的誤差（MSE）為0.092 4，MSE開根號即為RMSE，則 RMSE為0.304 0。由8可知，RSS為 0.000 4，預(yù)測值與實測值之間誤差極小，可近似為0。由此可見BP神經(jīng)網(wǎng)絡(luò)法與傳統(tǒng)回歸法相比，預(yù)測模型精度有很大的提高。

3 結(jié)論

DVI、NDVI、EVI和 SAVI這4種植被指數(shù)與胡楊 LAI建立回歸估算模型，模型擬合度在0.574 19～0.888 71，RMSE在0.428 53～0.838 20，RSS在 7.7127～29.5085，其中NDVI、EVI和DVI擬合度較高，擬合誤差較小，殘差平方和較小。模型精度檢驗，r2為 0.673 49～0.733 38，RMSE為0305 48～0.338 05，RSS值在1.679 7～2.057 02，NDVI預(yù)測模型在預(yù)測擬合度、精度、穩(wěn)定性好于其他3種植被指數(shù)估算模型。綜合分析4種模型的模擬及驗證情況，無論是模型擬合度還是驗證精度和穩(wěn)定性方面，NDVI估算模型都較好，適合進(jìn)行該地區(qū)胡楊LAI反演。另用胡楊葉片高光譜反射率與LAI進(jìn)行相關(guān)性分析，得到4個敏感波段，與LAI進(jìn)行多元線性回歸建模，得到回歸方程，其 r2＝0.862 72，RMSE＝0.212 16，RSS＝1.755 42。與 NDVI模型相比較，模型精度都有所下降。

利用 BP神經(jīng)網(wǎng)絡(luò)輸入4個敏感波段（450、550、680、800 nm）反射率進(jìn)行胡楊LAI估算，在一定程度上提高了反演的精度。經(jīng)檢驗，預(yù)測值與真實值擬合度高達(dá)0.99，RMSE為0.304，RSS為0.004。與傳統(tǒng)的回歸模型相比較，利用BP神經(jīng)網(wǎng)絡(luò)法估測胡楊LAI精度有較大提高。

本研究運(yùn)用高光譜技術(shù)對胡楊LAI估算進(jìn)行了嘗試，為胡楊LAI的高精度估算提供了科學(xué)依據(jù)。研究表明，BP神經(jīng)網(wǎng)絡(luò)方法較適合運(yùn)用于胡楊LAI反演研究，提高了模型的反演精度。另外本試驗在實驗室環(huán)境下測量，下一步將在野外進(jìn)行測量以使結(jié)果更加接近真實值，模型是否適合其他更廣闊的區(qū)域有待進(jìn)一步驗證。

參考文獻(xiàn)：

［1］蘇培璽，張立新，杜明武，等.胡楊不同葉形光合特性、水分利用效率及其對加富CO2的響應(yīng)［J］.植物生態(tài)學(xué)報，2003，27（1）：34－40.

［2］王世績.全球胡楊林的現(xiàn)狀及保護(hù)和恢復(fù)對策［J］.世界林業(yè)研究，1996（6）：37－43.

［3］陳 拉，黃敬峰，王秀珍.不同傳感器的模擬植被指數(shù)對水稻葉面積指數(shù)的估測精度和敏感性分析［J］.遙感學(xué)報，2008，12（1）：143－151.

［4］王 偉，彭彥昆，馬 偉，等.冬小麥葉綠素含量高光譜檢測技術(shù)［J］.農(nóng)業(yè)機(jī)械學(xué)報，2010，41（5）：172－177.

［5］陳仲新，任建強(qiáng)，唐華俊，等.農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望［J］.遙感學(xué)報，2016，20（5）：748－766.

［6］林 卉，梁 亮，張連蓬，等.基于支持向量機(jī)回歸算法的小麥葉面積指數(shù)高光譜遙感反演［J］.農(nóng)業(yè)工程學(xué)報，2013，29（11）：139－146.

［7］謝巧云，黃文江，蔡淑紅，等.冬小麥葉面積指數(shù)遙感反演方法比較研究［J］.光譜學(xué)與光譜分析，2014，34（5）：1352－1356.

［8］李鑫川，徐新剛，鮑艷松，等.基于分段方式選擇敏感植被指數(shù)的冬小麥葉面積指數(shù)遙感反演［J］.中國農(nóng)業(yè)科學(xué)，2012，45（17）：3486－3496.

［9］姚付啟，蔡煥杰，王海江，等.基于平穩(wěn)小波變換的冬小麥覆蓋度高光譜監(jiān)測［J］.農(nóng)業(yè)機(jī)械學(xué)報，2012，43（3）：173－180.

［10］夏 天，吳文斌，周清波，等.冬小麥葉面積指數(shù)高光譜遙感反演方法對比［J］.農(nóng)業(yè)工程學(xué)報，2013，29（3）：139－147.

［11］Kuusk A，Lang M，Nilson T.Simulation of the reflectance of ground vegetation in sub－boreal forests［J］.Agricultural and Forest Meteorology，2004，126（1／2）：33－46.

［12］Fang H L，Liang S L.A hybrid inversion method for mapping leaf area index from MODIS data：experiments and application to broad leaf and needleleaf canopies［J］.Remote Sensing of Environment，2005，94（3）：405－424.

［13］梁 棟，楊勤英，黃文江，等.基于小波變換與支持向量機(jī)回歸的冬小麥葉面積指數(shù)估算［J］.紅外與激光工程，2015，44（1）：335－340.

［14］王紀(jì)華，趙春江，黃文江，等.農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用［M］.北京：科學(xué)出版社，2008：130－180.

［15］Jordan C F.Derivation of leaf－area index from quality of light on the forest floor［J］.Ecology，1969，50（4）：663－666.

［16］Miura T，Huete A，Yoshioka H.An empirical investigation of crosssensor relationships of NDVI and red／near－infrared reflectance using EO－1 Hyperion data［J］.Remote Sensing of Environment，2006，100（2）：223－236.

［17］Huete A，Justice C，Liu H.Development of vegetation and soil indices for MODIS－EOS［J］.Remote Sensing of Environment，1994，49（3）：224－234.

［18］Gong P，Pu R L，Biging G S，et al.Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41（6）：1355－1362.