劉怡晨, 馬 驛, 仝春艷, 段 博, 蔣 琦

?

基于偏角光譜檢索算法的油菜和水稻LAI反演研究*

劉怡晨, 馬 驛**, 仝春艷, 段 博, 蔣 琦

(武漢大學遙感信息工程學院 武漢 430079)

葉面積指數(shù)(LAI)是評價植被長勢及產(chǎn)量預測的重要指標, 對其進行精準快速估測有助于植被的生長狀態(tài)診斷和管理。本研究以不同施氮水平、不同栽種方式下的油菜和不同品種水稻為試驗對象, 基于冠層高光譜曲線形態(tài), 引入偏角光譜檢索算法(DABSR)提取光譜偏角, 同時采用植被指數(shù)法和主成分分析法進行對比分析, 探索適用于水稻、油菜LAI估算的統(tǒng)一模型構建方法。研究結果表明, 估算油菜LAI時, DABSR反演精度較高, 預測2、RMSEP分別為0.74、0.47, 偏移量MNB為0.16; 主成分分析法反演精度次之, 預測2、RMSEP、MNB分別為0.73、0.48、-0.04; 而植被指數(shù)法受不同生育期油菜株型、覆蓋度影響反演精度普遍較低, 精度較高模型的預測2、RMSEP、MNB分別為0.61、0.57、0.17。在估算水稻LAI時, DABSR反演精度最優(yōu), 預測2、RMSEP、MNB可達0.70、0.80、0.05。綜合考慮模型的驗證精度、特征選擇的合理性以及模型計算效率, DABSR偏角光譜檢索法估算油菜和水稻LAI具有較高精度, 且受施肥水平、栽種方式、生長期等因素影響較小, 為構建精確的植被LAI統(tǒng)一估算模型提供了新思路。

油菜; 水稻; 葉面積指數(shù); 高光譜; 偏角光譜檢索

葉面積指數(shù)(leaf area index, LAI)是指單位地表面積上植物葉單面面積的總和[1], 是表征作物群體光合作用、蒸騰作用、凈初級生產(chǎn)力等的重要參數(shù)[2-4], 也是對作物進行長勢判斷及產(chǎn)量估測的重要農(nóng)學指標之一[5-6]。傳統(tǒng)的作物LAI測定法以地面直接測量為主, 如長寬系數(shù)法、激光葉面積法、數(shù)碼圖像處理法等[7], 雖然能夠直接準確地測定小范圍內(nèi)作物的LAI, 但對植株具有一定損傷性且耗費時力。隨著遙感技術的日益發(fā)展, 高光譜遙感監(jiān)測LAI進而評估農(nóng)作物長勢已經(jīng)成為精準農(nóng)業(yè)研究的熱點問題之一[8]。

近年來, 國內(nèi)外許多學者已經(jīng)開展了針對植被LAI反演模型的研究, 主要分為物理模型法、改進型光譜特征參數(shù)法、植被指數(shù)法等。黃敬峰等[9]通過研究油菜(L.)葉面積指數(shù)與紅邊參數(shù)的相關性, 發(fā)現(xiàn)利用開花前的紅邊參數(shù)可以估算油菜的LAI; 王李娟等[10]構建了一個新型高光譜多角度植被指數(shù)HDVI, 并成功地將其應用于CHRIS/PR0BA衛(wèi)星數(shù)據(jù)對LAI的估算; Duan等[11]利用基于查找表的PROSAIL模型進行3種作物[玉米(L.)、土豆(L.)、太陽花(L.)]的LAI反演, 并取得較優(yōu)精度; 楊峰等[12]利用高光譜植被指數(shù)估測水稻(L.)與小麥(L.)LAI與葉綠素密度的關系, 并分別確定了適合兩種植被的最佳植被指數(shù)。物理模型雖然具有較強的機理性和通用性, 但存在病態(tài)反演問題, 同時計算量大[13]; 而植被指數(shù)法需要首先對高光譜信息進行特征波段選擇, 許多研究通常直接根據(jù)經(jīng)驗或利用相關分析法提取特征波段, 這一方法過于依賴數(shù)學原理, 未將植被本身的光譜曲線特征考慮全面。相關研究[14-15]發(fā)現(xiàn), 在保證數(shù)據(jù)質(zhì)量的條件下, 通過增加角度信息可以提高LAI反演精度。李飛等[16]提出基于Douglas-Peucke算法的光譜曲線及影像檢索(DPSR)方法, 其效果優(yōu)于光譜角匹配(SAM)及光譜信息散度(SID); 戴曉愛等[17]比較了偏角光譜檢索(DABSR)、十六叉樹狀變換(SFT)等基于規(guī)則樹分組和曲線特征的檢索算子與常規(guī)SAM、SID對光譜數(shù)據(jù)降維的識別效率, 發(fā)現(xiàn)DABSR等新型檢索算子能夠有效識別光譜特征并減少計算量; Huang等[18]利用主成分分析(PCA)對高光譜數(shù)據(jù)進行降維并選取有效波長對玉米籽胚進行正確分割; Palacios-Orueta等[19-21]提出角度指數(shù)進行土壤與植被的含水量估算并比植被指數(shù)取得更優(yōu)精度。諸多檢索算子及角度測度能夠有效提取出光譜曲線特征信息, 但這些方法多應用于地物識別分類[17,22], 涉及植被LAI反演的研究甚少;同時, 針對植被LAI的估算模型多只適用于一類植被或植被的某一生長階段, 對于適用于不同類型植被LAI統(tǒng)一估測算法的研究鮮見報道[5,23-24]。

油菜和水稻是我國廣泛種植的作物, 基于這兩種作物的輪作模式在長江中下游地區(qū)十分普遍, 因此快速準確地估測其LAI有利于作物生長狀況的診斷及管理。作物LAI的估測通常會受植被類型、冠層特征、栽種方式、生育期等多種因素的影響, 因此研究兩種作物并對其LAI進行統(tǒng)一估測算法探究具有重要意義。在生長期間, 水稻的冠層主要由綠葉構成, 而油菜在生殖期出現(xiàn)的花和莢果會影響其冠層反射率[25], 導致兩種植被的冠層反射特性不盡相同, 同時會影響LAI反演精度。本文以不同施氮水平、不同栽種方式下的油菜和不同品種的水稻為研究對象, 從高光譜曲線形態(tài)入手, 采用具有高識別精度和高檢索效率的偏角光譜檢索算法(DABSR)提取光譜特征波長, 利用特征波長間的光譜偏角反演LAI, 通過綜合對比分析植被指數(shù)、PCA和DABSR 3種方法反演兩種作物LAI的建模效果和檢驗精度, 探索能同時適應監(jiān)測估算油菜和水稻LAI的統(tǒng)一算法, 為實現(xiàn)油菜和水稻長勢精確監(jiān)測和診斷提供理論依據(jù)和技術支撐。

1 研究區(qū)概況與測量方法

1.1 研究區(qū)概況

2014—2015年度在湖北省武穴市梅川鎮(zhèn)(30.11°N, 115.59°E)分別設置24個直播油菜小區(qū)和24個移栽油菜小區(qū), 各小區(qū)面積均為20 m2, 小區(qū)間溝距0.5 m, 小區(qū)播種量為4.5 kg×hm-2, 供試品種為雙低甘藍型油菜‘華油雜9號’。氮肥處理設置8個水平, 為0 kg×hm-2、45 kg×hm-2、90 kg×hm-2、135 kg×hm-2、180 kg×hm-2、225 kg×hm-2、270 kg×hm-2和360 kg×hm-2。同時, 各處理磷、鉀、硼肥用量相等, 按P2O590 kg×hm-2、K2O 120 kg×hm-2、硼砂15 kg×hm-2施入。每個處理均3次重復, 隨機區(qū)組排列。氮、磷、鉀和硼肥品種分別為尿素(含N 46%)、過磷酸鈣(含P2O512%)、氯化鉀(含K2O 60%)和十水硼砂(含B 10.7%), 全部氮、磷、鉀、硼肥均一次性基施。

2017年度在海南省陵水市文官村(18.53°N, 110.05°E)設置45個小區(qū)(含45個水稻品種)進行水稻種植, 各小區(qū)面積為400 m2, 小區(qū)間距20 cm, 土壤為水稻土, 各小區(qū)氮、磷、鉀肥用量均相等, 按純氮165 kg×hm-2、P2O560 kg×hm-2、K2O 135 kg×hm-2一次性基施。

1.2 冠層光譜反射率觀測

在油菜苗期(6葉期、8葉期、10葉期)、花期、角果期和水稻孕穗期、抽穗期、乳熟期采用美國ASD FieldSpec Pro FRTM光譜儀(350~2 500 nm、視場角25°)獲取距離作物冠層頂部垂直高度約1.0 m處的漫反射光譜, 測量選擇在晴朗無云的天氣進行, 測量時間為10:00—14:00。每個小區(qū)重復觀測5次, 取平均值作為該小區(qū)的冠層光譜反射率, 并及時根據(jù)天氣進行標準白板校正。油菜的5次測量時間分別為2014年11月9日和12月8日、2015年1月15日、3月12日和4月14日; 水稻的3次測量時間分別為2017年3月21日、3月31日和4月10日。為減弱儀器噪聲對實際光譜數(shù)據(jù)的影響, 對1 301~2 500 nm范圍內(nèi)信噪比較低的波段進行剔除。

1.3 葉面積指數(shù)(LAI)測量

2014—2015年期間, 油菜LAI采用英國Delta公司生產(chǎn)的SunScan冠層分析系統(tǒng)進行測量, 其工作原理是通過測量冠層頂部的入射輻射和到達冠層底部的透射福射來反推作物LAI。選取的監(jiān)測點與冠層光譜測量時選取的5個點位一致, 且測量時間同步, 取其平均值作為小區(qū)LAI。

2017年, 水稻LAI采用LI-3100C臺式葉面積儀進行測量。各時期每個品種剪取3株代表性水稻樣本植株各層葉片, 裝入保鮮袋冷藏并迅速帶回實驗室, 葉面積儀的壓迫式滾筒能使卷曲的葉片變平, 將葉片充分展開放入滾筒中掃描得到葉面積, 面積測量分辨率為0.1 mm2。LI-3100C 臺式葉面積儀通過掃描獲取葉面積, 其測量準確性較SunScan冠層分析系統(tǒng)更高。

1.4 數(shù)據(jù)處理與分析

本次試驗共采集216組油菜樣本數(shù)據(jù)和135組水稻樣本數(shù)據(jù), 針對兩種植被, 均隨機選取2/3作為建模集, 剩余1/3作為驗證集。分別采用植被指數(shù)法(VI)、主成分分析法與逐步回歸分析法結合的估算方法(PCA-STEPWISE)、DABSR偏角光譜檢索與逐步回歸分析結合的估算方法(DABSR-STEPWISE)3種研究方法對油菜LAI和水稻LAI進行預測及估計, 并利用驗證數(shù)據(jù)集對LAI反演模型進行精度評定。利用MATLAB 2016 a及SPSS 22.0軟件對數(shù)據(jù)進行分析處理, Origin 2016進行制圖, 采用決定系數(shù)2、均方根誤差RMSE及偏移量MNB對建模和預測精度進行評價。

式中:為樣本總數(shù),obs, i和model, i分別代表處的實測值與反演值。

2 研究方法

2.1 植被指數(shù)

結合研究區(qū)作物光譜反射率變化特征, 選用表1中9種常見的植被指數(shù)反演LAI。對冠層光譜反射率與LAI進行Pearson相關分析, 選取相關性較強的波段構建植被指數(shù)反演LAI, 利用驗證集對反演模型進行精度檢驗。

2.2 基于主成分分析的波段回歸

主成分分析(principle component analysis, PCA)是多元統(tǒng)計分析中的一種數(shù)據(jù)分析方法, 本質(zhì)是利用較少數(shù)量的特征對樣本進行描述以達到降低特征空間維數(shù)的目的[33]。由于高光譜數(shù)據(jù)相鄰波段間具有強相關性, 數(shù)據(jù)冗余現(xiàn)象較為嚴重, 因此以一定采樣間隔對冠層高光譜數(shù)據(jù)進行波長提取并進行主成分分析, 根據(jù)累積貢獻率和載荷矩陣的權重系數(shù)大小確定特征波段, 構建回歸模型。

表1 植被指數(shù)計算方法及參考文獻

NIB、red、green分別表示近紅波段、紅波段和綠波段處的冠層光譜反射率。NIR,red,greenare canopy reflectance of NIR band, red band and green band, respectively.

2.3 基于偏角光譜檢索法的角度回歸

偏角光譜檢索(deflection angle based spectral retrieval, DABSR)[17]將光譜數(shù)據(jù)視為多維空間矢量, 通過計算光譜特征點間構成的偏角大小以確定光譜間的特征相似程度, 根據(jù)數(shù)據(jù)選取限差范圍以選取符合的特征點, 達到降維目的(圖1)。

圖1 偏角光譜檢索法(DABSR)基本流程

點1、2、3、4為4個特征波長,表示角度閾值,1、2為光譜偏角。Points 1, 2, 3, 4 represent 4 sensitive bands,denotes the threshold set for angles,1and2refer to the angle calculated.

該方法能夠有效消除眾多波長變量間的共線性影響, 降低模型的復雜度, 提高運行效率。具體步驟如下:

1)針對光譜曲線, 按一定的波段寬度選取波段反射率特征點。從光譜曲線一端開始, 每次順次選取曲線上的3個點, 計算第-1、點連線與第-1、+1點連線間的夾角α–1。

式中:λ表示第點處的波長,ρ表示第點的光譜反射率值,α–1為第-1、點連線與第-1、+1點連線間的光譜夾角。

2)根據(jù)光譜數(shù)據(jù)確定閾值, 對閾值與進行比較。為便于對樣本數(shù)據(jù)進行統(tǒng)一回歸模型的建立, 將建模數(shù)據(jù)集視作一個整體, 計算其在某一波段處的平均偏角mean, 比較mean與閾值的大小。若mean<, 則刪除第點, 遞歸調(diào)用該算法。

3)當無特征點可剔除時, 對特征點集進行重新編碼, 并以線段連接各特征點, 近似表示原光譜曲線。

4)構造用于LAI估算模型的光譜偏角(圖2)。針對重編碼后的特征點集, 以相鄰3個特征點間的連線所構成的光譜偏角作為特征角度, 進行LAI估算模型構建。

圖2 基于特征波長的光譜偏角變量構成

3 結果與分析

3.1 油菜與水稻LAI多因素方差分析

表2表明, 栽種方式、生育期、施氮水平均對油菜LAI具有顯著影響且交互作用達極顯著水平; 不同品種、不同生育期水稻LAI差異也達到極顯著水平。上述諸多因素(栽種方式、生育期、施氮水平)對LAI有顯著影響, 增加了采用統(tǒng)一算法構建油菜和水稻LAI估算模型的難度[34-35], 但有助于探討構建模型算法的普適性。鑒于此, 本文暫不對以上因素逐一分開建模分析。

表2 油菜與水稻LAI樣本數(shù)據(jù)方差分析

**表示在5%水平下顯著。** represents the significance at 5% level.

3.2 不同時期油菜與水稻冠層光譜特性及與LAI相關性分析

圖3A和圖3B分別為油菜和水稻各時期的冠層光譜反射率, 其變化趨勢大致相同。在生長期間, 水稻冠層主要由綠葉構成, 因此其冠層反射特性具有一般綠色植物高光譜的反射特征, 即在可見光波段處有兩個吸收谷(490 nm左右的藍谷和690 nm左右的紅谷)和1個反射峰(550 nm左右的綠峰), 主要由葉片中的葉綠素造成[36]; 而油菜在生殖期間, 冠層會出現(xiàn)明顯的花和莢果, 這些非葉成分的光譜會混入油菜冠層光譜, 從而造成一定影響。對比圖中油菜和水稻的冠層光譜曲線發(fā)現(xiàn), 在可見光波段550~720 nm處, 油菜受到花和角果的影響, 其冠層反射率相比水稻顯著增加, 而在近紅外波段范圍受到的影響則相對較小, 這是由于近紅外波段主要受植被葉的細胞結構與水分的共同影響, 呈現(xiàn)出綠色植被的高反射特性。

圖3C和圖3D為水稻和油菜各時期冠層光譜反射率與LAI的相關系數(shù), 兩種植被在可見光范圍內(nèi)550 nm左右均出現(xiàn)波峰, 在500 nm及690 nm左右出現(xiàn)波谷, 并在730~1 100 nm范圍內(nèi)呈現(xiàn)相對穩(wěn)定的正相關性。由于水稻的冠層特性, 其各時期的相關系數(shù)變化趨同, 而油菜在生殖期的冠層光譜受花和角果影響較大, 因此在可見光范圍的反射率與LAI相關性會產(chǎn)生較大波動[9]。同時受含水量影響, 兩種植被各時期近紅外波段970 nm左右及1 180 nm左右呈現(xiàn)明顯的吸收谷。綜合考慮以上因素, 最終篩選出綠光550 nm、紅光690 nm及近紅外波段800 nm進行植被指數(shù)計算。

3.3 基于主成分分析的特征波長選擇

由于冠層高光譜數(shù)據(jù)冗余度高, 相鄰波段間有很強的相關性, 參考PCA相關文獻[37], 設定采樣間隔為5 nm, 對油菜與水稻高光譜數(shù)據(jù)進行采樣及主成分分析。表3是油菜和水稻冠層光譜分別選出的前4個主成分及其對應的解釋總方差, 能夠解釋的有效信息累計貢獻率達98%~99%, 故選取這些主成分的前10個最大權重系數(shù)的波段作為表征光譜信息的最優(yōu)波段?？梢钥闯? 各主成分選取出的特征波段基本包含在同一光譜區(qū)域內(nèi), 表示每個主成分主要受1個光譜區(qū)域影響。油菜選取的特征波段分別集中在990~1 020 nm、550 nm左右、400~450 nm及1 200 nm左右, 而水稻則分布在780~820 nm、1 180~1 215 nm、360~390 nm、720~740 nm, 表明油菜在綠光、藍光及部分近紅區(qū)域包含有較多信息, 而水稻的有效信息則分布在紅光、紅邊及部分近紅區(qū)域。相關研究表明, 紅吸收谷蘊含較多與水稻葉片色素含量相關的信息[38], 藍綠光區(qū)域包含有較多油菜的葉色素信息, 而部分近紅區(qū)域?qū)煞N植被的葉片細胞結構變化及葉片水含量均較為敏感[39]。

圖3 不同生育期作物冠層光譜反射率(A: 水稻; B: 油菜)及與LAI值的相關性(C: 水稻; D:油菜)

表3 油菜與水稻冠層高光譜數(shù)據(jù)PCA篩選后的最優(yōu)波段排序及其貢獻率

3.4 基于DABSR的特征角度選擇

為探究DABSR算法在不同采樣間隔和閾值條件下對數(shù)據(jù)處理的影響, 本文將采樣間隔分為3個水平(5 nm、10 nm、20 nm), 同時設定閾值為最小值與最大值間的500個等距點。以水稻為例, 圖4表示水稻冠層光譜數(shù)據(jù)經(jīng)DABSR算法處理后篩選得到的波長。相關研究表明, 用于實際建模的特征波長數(shù)量應以3~5個為佳, 這樣既能準確反映待測組分信息, 也能避免過擬合現(xiàn)象[40]。為利于后期進行逐步回歸建模, 基于DABSR的角度選擇旨在選出20~40個特征波長, 本文選取特征波長數(shù)量為22、26、34和40的4種情況進行分析。

研究表明, 當采樣間隔為5 nm時, 由于波段間距離過近, 構造的光譜偏角過小, 在可見光350~ 700 nm間基本沒有特征波段被選出。而當采樣間隔擴大為10 nm及20 nm時, 可見光波段有明顯起伏的波長能夠被選出。在紅邊至近紅反射高臺的陡升區(qū)域(690~800 nm), 由于斜率較大, 5 nm和10 nm的采樣間隔均在此區(qū)域選取了較多特征波長, 而實際這些點基本處于共線位置, 相較之下, 20 nm采樣間隔選出的特征波長數(shù)量則比較適當。故在690~800 nm區(qū)域內(nèi), 5 nm和10 nm的采樣間隔篩選效果不如20 nm。根據(jù)算法設定比較發(fā)現(xiàn), 當采樣間隔固定時, 隨著閾值的增大, 選出的特征波長數(shù)量減少; 當閾值相同時, 特征波段的數(shù)量會隨采樣間隔的增大而減少。綜合分析, 當采樣間隔為20 nm、閾值為0.008 9°時, 篩選效果最優(yōu), 選出的28個特征波長在波長范圍內(nèi)分布有疏有密, 信息較平緩的區(qū)域基本沒有波長被選取, 較好地消除了波長變量間的共線性影響。因此, 在后續(xù)建模時, 選取20 nm作為采樣間隔, 水稻和油菜的閾值經(jīng)DABSR計算后確定為0.008 9°和0.007 1°, 篩選出的特征波長數(shù)量分別為28與27, 故用于建模的特征角度分別為26與25個。

圖4 DABSR在不同采樣間隔及不同波長數(shù)量設定下篩選出的特征波長(以水稻為例, Nλ表示特征波長的個數(shù))

3.5 油菜LAI反演模型及精度驗證

油菜在整個生育期內(nèi)植株形態(tài)及葉形變化較大[34], 一定程度上增加了準確估測油菜LAI的難度。表4顯示不同施氮水平、不同栽種方式、不同生育期下油菜LAI統(tǒng)一估算模型的建模效果與檢驗精度。植被指數(shù)估算油菜LAI的建模和預測精度較差, 建模集2(cal2)和預測集的2(val2)相對較小, 表明所建模型難以用于油菜LAI的統(tǒng)一估算。原因可能是植被指數(shù)對油菜花較為敏感, 受到花的干擾較大[41], 難以準確估計LAI; 在角果期時, 油菜葉片基本脫落, 植被覆蓋度明顯降低, 所測冠層光譜受土壤背景影響較大, LAI估算精度較低。

表4 油菜葉面積指數(shù)(Y)估計模型及檢驗

PAC-STEPWISE: 主成分分析法與逐步回歸分析法結合; DABSR-STEPWISE: DABSR偏角光譜檢索與逐步回歸分析結合。PAC-STEPWISE: combination of principle component analysis and stepwise regression analysis; DABSR-STEPWISE: combination of deflection angle based spectral retrieval and stepwise regression analysis.

PCA-STEPWISE反演LAI模型:

=60.981-590.652-8.693+1 425.444-1 058.995-

55.496+246.747+1.37 (5)

式中:1、2、3、4、5、6和7分別代表1 030 nm、450 nm、1 295 nm、425 nm、415 nm、1 000 nm和400 nm處的波長反射率。

DABSR-STEPWISE反演LAI模型:

= 38.101-10.012-4.453-189.414+35.245+16.086+

0.71(6)

式中:1、2、3、4、5和6分別代表730-750-770 nm、710-730-750 nm、690-710-730 nm、1 170-1 190-1 210 nm、970-990-1 050 nm和1 090-1 110-1 130 nm 3個波段處組成的偏角。

3.6 水稻LAI反演模型及精度驗證

表5 水稻葉面積指數(shù)(Y)估計模型及檢驗

PAC-STEPWISE: 主成分分析法與逐步回歸分析法結合; DABSR-STEPWISE: DABSR偏角光譜檢索與逐步回歸分析結合。PAC-STEPWISE: combination of principle component analysis and stepwise regression analysis; DABSR-STEPWISE: combination of deflection angle based spectral retrieval and stepwise regression analysis.

PCA-STEPWISE反演LAI模型:

=105.721+22.122-139.683+106.274+3.90 (7)

式中:1、2、3、4分別代表720 nm、780 nm、725 nm和380 nm處的波長反射率。

DABSR-STEPWISE反演LAI模型:

=22.561-232.952+44.703+3.53(8)

式中:1、2、3分別代表750-770-910 nm、1 170- 1 190-1 210 nm、970-990-1 050 nm 3個波段處組成的偏角。

4 結論

本文針對植被冠層高光譜數(shù)據(jù)相鄰波段相似性高、信息冗余量大的問題, 在光譜波長關系的基礎上, 將光譜曲線形態(tài)納入考量, 把空間數(shù)據(jù)壓縮的方法應用于LAI反演模型中, 提出了一種基于DABSR的光譜偏角回歸分析方法(DABSR-STEPWISE), 對油菜和水稻兩種植被進行實驗, 同時將此模型與植被指數(shù)(VIs)及主成分分析(PCA-STEPWISE)進行對比, 主要結論如下:

2)在光譜特征信息的選擇上, DABSR算法定量化地對光譜波長關系與反射率進行描述, 提取出的特征波長具有一定合理性[39]。同時, 較之傳統(tǒng)的利用光譜反射率進行反演, 光譜偏角所構建的LAI反演模型具有較優(yōu)精度, 在保證光譜信息識別精度的同時, 提高了模型計算效率, 具有一定創(chuàng)新性。

3)基于油菜和水稻兩種作物不同的生長特點, 其冠層光譜特性具有較大差異。針對油菜LAI反演模型的研究[41,44]大多致力于尋找敏感波段構建植被指數(shù), 通過區(qū)分油菜不同器官(花、葉、角果)和不同生育期[9,41,44]來進行估測LAI以提高精度, 故研究適應于估算水稻和油菜LAI的統(tǒng)一算法具有一定難度。試驗結果表明, 盡管不同品種、生育期、施氮水平和栽種方式等影響因子對水稻和油菜LAI造成極顯著差異, DABSR-STEPWISE算法仍然能夠在此復雜情況下對油菜和水稻LAI進行統(tǒng)一估算并具有較高精度, 充分體現(xiàn)此算法的有效性與普適性, 也為實現(xiàn)不同植被LAI統(tǒng)一估測模型的構建提供了新思路。

本文提出的DABSR-STEPWISE主要是針對實測的油菜和水稻冠層高光譜數(shù)據(jù)進行處理, 之后可以進一步研究其在高光譜遙感影像中的應用效果。同時, 本文研究數(shù)據(jù)只涉及油菜和水稻的關鍵生長期, 在后續(xù)試驗中嘗試采集全生育期數(shù)據(jù)進行模型反演, 以進一步提高模型估算的準確性和適用性。

致謝:感謝華中農(nóng)業(yè)大學資源與環(huán)境學院汪善勤、魯劍巍、李嵐?jié)兔鹘鹪谔镩g試驗布置、田間樣品采集和試驗生活中給予的幫助。

[1] 劉洋, 劉榮高, 陳鏡明, 等. 葉面積指數(shù)遙感反演研究進展與展望[J]. 地球信息科學學報, 2013, 15(5): 734–743 LIU Y, LIU R G, CHEN J M, et al. Current status and perspectives of leaf area index retrieval from optical remote sensing data[J]. Journal of Geo-Information Science, 2013, 15(5): 734–743

[2] VI?A A, GITELSON A A, NGUY-ROBERTSON A L, et al. Comparison of different vegetation indices for the remote assessment of green leaf area index of crops[J]. Remote Sensing of Environment, 2011, 115(12): 3468–3478

[3] SELLERS P J, DICKINSON R E, RANDALL D A, et al. Modeling the exchanges of energy, water, and carbon between continents and the atmosphere[J]. Science, 1997, 275(5299): 502–509

[4] ABOU-ISMAIL O. Rice yield estimation by integrating remote sensing with rice growth simulation model[J]. Pedosphere, 2004, 14(4): 519–526

[5] GITELSON A A, PENG Y, ARKEBAUER T J, et al. Relationships between gross primary production, green LAI, and canopy chlorophyll content in maize: Implications for remote sensing of primary production[J]. Remote Sensing of Environment, 2014, 144: 65–72

[6] GITELSON A A, GRITZ Y, MERZLYAK M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. Journal of Plant Physiology, 2003, 160(3): 271–282

[7] 石劍飛, 殷璀艷, 冷鎖虎, 等. 采用數(shù)碼圖像處理法測定油菜葉面積的方法探討[J]. 中國油料作物學報, 2010, 32(3): 379–382 SHI J F, YIN C Y, LENG S H, et al. Digital image method for rapeseed leaf area measure[J]. Chinese Journal of Oil Crop Sciences, 2010, 32(3): 379–382

[8] TANG H, BROLLY M, ZHAO F, et al. Deriving and validating leaf area index (LAI) at multiple spatial scales through lidar remote sensing: A case study in sierra national forest, CA[J]. Remote Sensing of Environment, 2014, 143: 131–141

[9] 黃敬峰, 王淵, 王福民, 等. 油菜紅邊特征及其葉面積指數(shù)的高光譜估算模型[J]. 農(nóng)業(yè)工程學報, 2006, 22(8): 22–26 HUANG J F, WANG Y, WANG F M, et al. Red edge characteristics and leaf area index estimation model using hyperspectral data for rape[J]. Transactions of the CSAE, 2006, 22(8): 22–26

[10] 王李娟, 牛錚, 侯學會, 等. 基于CHRIS數(shù)據(jù)的新型植被指數(shù)的LAI估算研究[J]. 光譜學與光譜分析, 2013, 33(4): 1082–1086 WANG L J, NIU Z, HOU X H, et al. The study of LAI estimation using a new vegetation index based on CHRIS data[J]. Spectroscopy and Spectral Analysis, 2013, 33(4): 1082–1086

[11] DUAN S B, LI Z L, WU H, et al. Inversion of the PROSAIL model to estimate leaf area index of maize, potato, and sunflower fields from unmanned aerial vehicle hyperspectral data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 26: 12–20

[12] 楊峰, 范亞民, 李建龍, 等. 高光譜數(shù)據(jù)估測稻麥葉面積指數(shù)和葉綠素密度[J]. 農(nóng)業(yè)工程學報, 2010, 26(2): 237–243 YANG F, FAN Y M, LI J L, et al. Estimating LAI and CCD of rice and wheat using hyperspectral remote sensing data[J]. Transactions of the CSAE, 2010, 26(2): 237–243

[13] 趙娟, 黃文江, 張耀鴻, 等. 冬小麥不同生育時期葉面積指數(shù)反演方法[J]. 光譜學與光譜分析, 2013, 33(9): 2546–2552 ZHAO J, HUANG W J, ZHANG Y H, et al. Inversion of leaf area index during different growth stages in winter wheat[J]. Spectroscopy and Spectral Analysis, 2013, 33(9): 2546–2552

[14] 楊貴軍, 黃文江, 王紀華, 等. 多源多角度遙感數(shù)據(jù)反演森林葉面積指數(shù)方法[J]. 植物學報, 2010, 45(5): 566–578 YANG G J, HUANG W J, WANG J H, et al. Inversion of forest leaf area index calculated from multi-source and multi-angle remote sensing data[J]. Chinese Bulletin of Botany, 2010, 45(5): 566–578

[15] 廖欽洪, 張東彥, 王紀華, 等. 基于多角度成像數(shù)據(jù)的新型植被指數(shù)構建與葉綠素含量估算[J]. 光譜學與光譜分析, 2014, 34(6): 1599–1604LIAO Q H, ZHANG D Y, WANG J H, et al. Assessment of chlorophyll content using a new vegetation index based on multi-angular hyperspectral image data[J]. Spectroscopy and Spectral Analysis, 2014, 34(6): 1599–1604

[16] 李飛, 周成虎, 陳榮國. 基于光譜曲線形態(tài)的高光譜影像檢索方法研究[J]. 光譜學與光譜分析, 2008, 28(11): 2482–2486 LI F, ZHOU C H, CHEN R G. Spectral curve shape feature- based hyperspectral remote sensing image retrieval[J]. Spectroscopy and Spectral Analysis, 2008, 28(11): 2482–2486

[17] 戴曉愛, 賈虎軍, 吳芬芳, 等. 空間數(shù)據(jù)壓縮的高光譜降維技術比較[J]. 遙感信息, 2017, 32(2): 107–112 DAI X A, JIA H J, WU F F, et al. Comparative analysis of hyperspectral dimensionality reduction technology on spatial data compression[J]. Remote Sensing Information, 2017, 32(2): 107–112

[18] HUANG W Q, LI J B, ZHANG C, et al. Identification of maize kernel embryo based on hyperspectral imaging technology and PCA[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(S2): 243–247

[19] Palacios-Orueta A, Khanna S, Litago J, et al. Assessment of NDVI and NDWI spectral indices using MODIS time series analysis and development of a new spectral index based on MODIS shortwave infrared bands[C]//International Conference on Remote Sensing and Geoinformation Processing in the Assessment and Monitoring of Land Degradation and Desertification. Trier, Germany. 2005

[20] KHANNA S, PALACIOS-ORUETA A, WHITING M L, et al. Development of angle indexes for soil moisture estimation, dry matter detection and land-cover discrimination[J]. Remote Sensing of Environment, 2007, 109(2): 154–165

[21] 鄧兵, 楊武年, 慕楠, 等. 基于光譜分析與角度斜率指數(shù)的植被含水量研究[J]. 光譜學與光譜分析, 2016, 36(8): 2546–2552 DENG B, YANG W N, MU N, et al. The research of vegetation water content based on spectrum analysis and angle slope index[J]. Spectroscopy and Spectral Analysis, 2016, 36(8): 2546–2552

[22] 衛(wèi)俊霞, 相里斌, 高曉惠, 等. 基于-均值聚類與夾角余弦法的多光譜分類算法[J]. 光譜學與光譜分析, 2011, 31(5): 1357–1360 WEI J X, XIANG L B, GAO X H, et al. The multi-spectra classification algorithm based on-means clustering and spectral angle cosine[J]. Spectroscopy and Spectral Analysis, 2011, 31(5): 1357–1360

[23] KIRA O, NGUY-ROBERTSON A L, ARKEBAUER T J, et al. Informative spectral bands for remote green LAI estimation in C3 and C4 crops[J]. Agricultural and Forest Meteorology, 2016, (218/219): 243–249

[24] VERRELST J, CAMPS-VALLS G, MU?OZ-MARí J, et al. Optical remote sensing and the retrieval of terrestrial vegetation bio-geophysical properties — A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108: 273–290

[25] GE S, EVERITT J, CARRUTHERS R, et al. Hyperspectral characteristics of canopy components and structure for phenological assessment of an invasive weed[J]. Environmental Monitoring and Assessment, 2006, 120(1/3): 109–126

[26] ROUSE J W, HAAS R H, SCHELL J A, et al. Monitoring vegetation systems in the great plains with ERTS[C]// Proceedings of the 3rd ERTS Symposium. Washington, DC: NASA, 1973: 309–317

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

[28] TUCKER C J. A spectral method for determining the percentage of green herbage material in clipped samples[J]. Remote Sensing of Environment, 1980, 9(2): 175–181

[29] GOEL N S, QIN W H. Influences of canopy architecture on relationships between various vegetation indices and LAI and FPAR: A computer simulation[J]. Remote Sensing Reviews, 1994, 10(4): 309–347

[30] HUETE A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295–309

[31] ROUJEAN J L, BREON F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375–384

[32] CHEN J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian Journal of Remote Sensing, 1996, 22(3): 229–242

[33] 霍雷剛, 馮象初. 基于主成分分析和字典學習的高光譜遙感圖像去噪方法[J]. 電子與信息學報, 2014, 36(11): 2723–2729 HUO L G, FENG X C. Denoising of hyperspectral remote sensing image based on principal component analysis and dictionary learning[J]. Journal of Electronics & Information Technology, 2014, 36(11): 2723–2729

[34] 左青松, 蒯婕, 楊士芬, 等. 不同氮肥和密度對直播油菜冠層結構及群體特征的影響[J]. 作物學報, 2015, 41(5): 758–765 ZUO Q S, KUAI J, YANG S F, et al. Effects of nitrogen fertilizer and planting density on canopy structure and population characteristic of rapeseed with direct seeding treatment[J]. Acta Agronomica Sinica, 2015, 41(5): 758–765

[35] LIU T J, XU T, YAO J, et al. Quantitative relationship between leaf area index and canopy reflectance spectra of rice under different nitrogen levels[J]. Agricultural Basic Science and Technology, 2016, 17(11): 2446–2448

[36] 王福民, 王淵, 黃敬峰. 不同氮素水平油菜冠層反射光譜特征研究[J]. 遙感技術與應用, 2004, 19(2): 80–84 WANG F M, WANG Y, HUANG J F. Spectra characteristics of rape canopy at different nitrogen levels[J]. Remote Sensing Technology and Application, 2004, 19(2): 80–84

[37] 李志花, 馮美臣, 王超, 等. 冬小麥高光譜信息提取方法的研究[J]. 山西農(nóng)業(yè)大學學報: 自然科學版, 2015, 35(5): 467–473 LI Z H, FENG M C, WANG C, et al. The study of winter wheat hyperspectral information extraction method[J]. Journal of Shanxi Agricultural University: Natural Science Edition, 2015, 35(5): 467–473

[38] 鄭雯, 明金, 楊孟克, 等. 基于波段深度分析和BP神經(jīng)網(wǎng)絡的水稻色素含量高光譜估算[J]. 中國生態(tài)農(nóng)業(yè)學報, 2017, 25(8): 1224–1235 ZHENG W, MING J, YANG M K, et al. Hyperspectral estimation of rice pigment content based on band depth analysis and BP neural network[J]. Chinese Journal of Eco-Agriculture, 2017, 25(8): 1224–1235

[39] 梁順林, 李小文, 王錦地, 等. 定量遙感[M]. 北京: 科學出版社, 2013: 54–70 LIANG S L, LI X W, WANG J D, et al. Quantitative Remote Sensing [M]. Beijing: China Science Publishing, 2013: 54–70

[40] 高洪智, 盧啟鵬, 丁海泉, 等. 基于連續(xù)投影算法的土壤總氮近紅外特征波長的選取[J]. 光譜學與光譜分析, 2009, 29(11): 2951–2954 GAO H Z, LU Q P, DING H Q, et al. Choice of characteristic near-infrared wavelengths for soil total nitrogen based on successive projection algorithm[J]. Spectroscopy and Spectral Analysis, 2009, 29(11): 2951–2954

[41] FANG S H, TANG W C, PENG Y, et al. Remote estimation of vegetation fraction and flower fraction in oilseed rape with unmanned aerial vehicle data[J]. Remote Sensing, 2016, 8(5): 416

[42] 佘寶, 黃敬峰, 石晶晶, 等. 基于紅邊位置變化特征的油菜種植區(qū)域提取[J]. 農(nóng)業(yè)工程學報, 2013, 29(15): 145–152 SHE B, HUANG J F, SHI J J, et al. Extracting oilseed rape growing regions based on variation characteristics of red edge position[J]. Transactions of the CSAE, 2013, 29(15): 145–152

[43] 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, 2012, 45(17): 3486–3496LI X C, XU X G, BAO Y S, et al. Retrieving LAI of winter wheat based on sensitive vegetation index by the segmentation method[J]. Scientia Agricultura Sinica, 2012, 45(17): 3486–3496

[44] 馬驛, 汪善勤, 李嵐?jié)? 等. 基于高光譜的油菜葉面積指數(shù)估計[J]. 華中農(nóng)業(yè)大學學報, 2017, 36(2): 69–77 MA Y, WANG S Q, LI L T, et al. Prediction of rapeseed leaf area index based on hyperspectal data[J]. Journal of Huazhong Agricultural University, 2017, 36(2): 69–77

Estimation of leaf area index of rapeseed and rice based on deflection angle and spectral retrieval algorithm*

LIU Yichen, MA Yi**, TONG Chunyan, DUAN Bo, JIANG Qi

(School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China)

Leaf area index (LAI) provides insight into productivity, physiological and phenological status of vegetation. The quick and accurate estimation of LAI contributes to growth status diagnosis and yield prediction. A variety of methods have been used for the estimation of LAI, however, the specific spectral bands applied differ widely among the methods and data used. Based on the general shape of the canopy reflectance curve, the spectral angles are found to be of great importance for the LAI estimation. The general objectives of this study were (i) to find informative spectral angles extracted by deflection angle based spectral retrieval (DABSR) and spectral bands retained in the other two common methods, vegetation indices (VI) and principle component analysis (PCA), for estimating LAI in rapeseed and rice; (ii) to compare the accuracy of the three methods as well as determine whether a robust algorithm for LAI estimation of two various crops can be devised. As the two main crops in China, rapeseed and rice, with different leaf structures as well as canopy architecture, were taken as the experimental subjects. Different nitrogen application rates (0, 45, 90, 135, 180, 225, 270, 360 kg×hm-2) and planting treatments (directed sowing and transplanting) were set for rapeseed, while 45 varieties of rice under the same growing environment were employed in the experiment. It was revealed that, for LAI estimation of rapeseed, the model built with DABSR performed the best as the coefficient of determination (2), root mean square error (RMSEP) and mean normalized bias (MNB) of the predictive model were 0.74, 0.47 and 0.16 respectively; the model built with PCA was of medium accuracy with 0.73, 0.48 and-0.04 for2, RMSEP and MNB, respectively. The selected VI models were of significantly poorer accuracy with 0.61, 0.57 and 0.17 for2, RMSEP and MNB respectively, as a result of the effect induced by flowers and pods on canopy reflectance spectrum. From the perspective of rice, the relationship model based on DABSR-STEPWISE was of the best accuracy, as the2, RMSEP and MNB could reach up to 0.70, 0.80 and 0.05. The models built with VIs performed the worst among three methods (2≤ 0.61, RMSEP ≤ 0.92 and MNB ≤ 0.04), while the PCA model performed in between with 0.63, 0.88 and 0.04 for2, RMSEP and MNB individually. The red edge and the NIR bands were selected in most models and considered the most informative. Among the three methods, DABSR-STEPWISE, proposed on the basis of spectral angle, was the most suitable for estimating LAI of two kinds of crops under different growing environments. The analysis allowed development of universal algorithms for LAI estimation in various crops. Being of high accuracy and high computational efficiency, these findings have significant implications on the development of uniform and robust algorithms, which is crucial for LAI estimation of specie-specific crops.

Rapeseed; Rice; Leaf area index; Hyperspectral remote sensing; Deflection angle based spectral retrieval

, E-mail: mayi@whu.edu.cn

Sep. 15, 2017;

Jan. 15, 2018

S127

A

1671-3990(2018)07-0999-12

10.13930/j.cnki.cjea.170846

* 國家高技術研究發(fā)展計劃(863計劃)項目(2013AA102401)資助

馬驛, 主要研究方向為植被高光譜遙感。E-mail: mayi@whu.edu.cn 劉怡晨, 主要研究方向為高光譜農(nóng)業(yè)遙感。E-mail: grace_liu@whu.edu.cn

2017-09-15

2018-01-15

* This study was supported by the National High-tech R&D Program of China (863 Program) (2013AA102401).

劉怡晨, 馬驛, 仝春艷, 段博, 蔣琦. 基于偏角光譜檢索算法的油菜和水稻LAI反演研究[J]. 中國生態(tài)農(nóng)業(yè)學報, 2018, 26(7): 999-1010

LIU Y C, MA Y, TONG C Y, DUAN B, JIANG Q. Estimation of leaf area index of rapeseed and rice based on deflection angle and spectral retrieval algorithm[J]. Chinese Journal of Eco-Agriculture, 2018, 26(7): 999-1010