劉暢，楊貴軍，李振海，湯伏全，王建雯，張春蘭，張麗妍

?

融合無(wú)人機(jī)光譜信息與紋理信息的冬小麥生物量估測(cè)

劉暢1,2,3,4，楊貴軍2,3,4，李振海2,3,4，湯伏全1，王建雯2,3,4，張春蘭1,2,3,4，張麗妍2,3,4

（1西安科技大學(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院，西安 710054；2國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；3農(nóng)業(yè)部農(nóng)業(yè)遙感機(jī)理與定量遙感 重點(diǎn)實(shí)驗(yàn)室，北京 100097；4北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心，北京 100097）

【目的】生物量是表征植被生命活動(dòng)的重要參數(shù)，對(duì)植被長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量預(yù)測(cè)有重要意義。以無(wú)人機(jī)為平臺(tái)的高光譜遙感技術(shù)，具有機(jī)動(dòng)靈活、成本低、空間覆蓋廣的優(yōu)勢(shì)，能夠及時(shí)準(zhǔn)確地估測(cè)植被生物量，已成為遙感估算研究的熱點(diǎn)之一。由于光譜特征反演生物量存在飽和問(wèn)題，因此，本研究嘗試結(jié)合紋理特征與植被指數(shù)構(gòu)建一種“圖-譜”融合指標(biāo)，探究“圖-譜”融合指標(biāo)的抗飽和能力及生物量估測(cè)能力。【方法】首先，利用無(wú)人機(jī)高光譜影像，提取其光譜信息和紋理信息，分別基于植被指數(shù)和紋理特征構(gòu)建生物量模型。其次，針對(duì)光譜特征存在的飽和問(wèn)題，將植被指數(shù)與對(duì)生物量敏感的紋理指標(biāo)相乘或相除兩種形式構(gòu)建“圖-譜”融合指標(biāo)，分析“圖-譜”融合指標(biāo)的飽和性，并基于“圖-譜”融合指標(biāo)構(gòu)建生物量估算模型。最后，對(duì)比不同指標(biāo)構(gòu)建的生物量模型的估測(cè)效果，來(lái)分析“圖-譜”融合指標(biāo)估測(cè)生物量的能力?！窘Y(jié)果】（1）植被指數(shù)多在LAI=5時(shí)出現(xiàn)飽和現(xiàn)象，而“圖-譜”融合指標(biāo)VI×658, VI/658, VI/658, VI/658, VI/514, VI/514, VI/514, VI×802, VI×802均在LAI＞5時(shí)才出現(xiàn)飽和現(xiàn)象，相比之下，這些“圖-譜”融合指標(biāo)一定程度上改善了飽和問(wèn)題；（2）與植被指數(shù)相比（除了GNDVI、NDVI之外），抗飽和能力提高的“圖-譜”融合指標(biāo)VI×658、VI/658、VI/658、VI/658、VI/514、VI/514、VI/514、VI×802、VI×802，其與生物量的相關(guān)性也相對(duì)提高，所構(gòu)建的生物量模型精度較高（R=0.81，=826.02 kg·hm-2）。（3）對(duì)比單一植被指數(shù)、紋理特征，將紋理特征與光譜特征相結(jié)合的“圖-譜”融合指標(biāo)估算小麥生物量的能力相對(duì)最強(qiáng)，模型精度明顯高于單一植被指數(shù)（R=0.69）和單一紋理特征（R=0.71）構(gòu)建的生物量模型?！窘Y(jié)論】“圖-譜”融合指標(biāo)的抗飽和能力明顯提高，其構(gòu)建的生物量模型精度也有效提高，實(shí)現(xiàn)了結(jié)合光譜信息和紋理信息的冬小麥生物量遙感估測(cè)，為生物量定量反演提供一種新思路。

生物量；“圖-譜”融合指標(biāo)；紋理特征；飽和性；冬小麥

0 引言

【研究意義】生物量是生態(tài)系統(tǒng)中重要的理化參數(shù)之一[1]，是評(píng)估植被生命活動(dòng)的一個(gè)重要指標(biāo)[2]，并且對(duì)長(zhǎng)勢(shì)監(jiān)測(cè)和作物估產(chǎn)有重要意義[3]。傳統(tǒng)的生物量估算方法不僅費(fèi)時(shí)費(fèi)力、破壞性大，且難以實(shí)現(xiàn)生物量的大范圍監(jiān)測(cè)[4]。近年來(lái)，隨著遙感技術(shù)的發(fā)展，高光譜遙感技術(shù)以其準(zhǔn)確、快速、大尺度、非破壞性等優(yōu)勢(shì)已廣泛應(yīng)用于植被生物量的遙感估測(cè)中[2]。【前人研究進(jìn)展】已有許多研究者[5-7]基于植被光譜特征，利用植被指數(shù)及其衍生光譜指數(shù)等對(duì)植株生物量進(jìn)行了估測(cè)[8]，并取得了一定的進(jìn)展。SHIBAYAMA等[9]利用差值和比值植被指數(shù)構(gòu)建了水稻生物量的估算模型，精度R高達(dá)0.93。侯學(xué)會(huì)等[10]基于多種植被指數(shù)構(gòu)建了生物量估算模型，研究發(fā)現(xiàn)，基于紅邊位置的指數(shù)模型估算冬小麥生物量的精度最高，決定系數(shù)R=0.83。劉瓊閣等[11]以TM遙感影像為數(shù)據(jù)源，基于波段及波段組合構(gòu)建了森林生物量的偏最小二乘回歸模型，估算精度較高，決定系數(shù)為0.72。然而，僅利用光譜特征進(jìn)行生物量估測(cè)，在高植被密度條件下，植被指數(shù)會(huì)表現(xiàn)出對(duì)冠層生物量變化不敏感，即出現(xiàn)所謂的“飽和”現(xiàn)象[12]，在識(shí)別地物及理化參數(shù)反演中容易出現(xiàn)偏差，影響反演的精度和效果。除光譜信息外，紋理信息作為另一重要遙感信息，是物體的一種固有屬性，不容易受到外界環(huán)境的影響，反映的是圖像灰度性質(zhì)及其空間關(guān)系，能夠提供地物的幾何信息，擴(kuò)大了基于原始影像亮度的空間信息辨識(shí)度，能夠改善單一光譜信息源反演時(shí)存在的飽和問(wèn)題，一定程度上提升理化參數(shù)反演的潛力[13]。對(duì)于紋理特征在定量反演中的應(yīng)用，許多學(xué)者進(jìn)行了相關(guān)研究。GU等[14]對(duì)于植被覆蓋度進(jìn)行了研究，發(fā)現(xiàn)植被指數(shù)和紋理特征的結(jié)合可以有效的反演植被覆蓋度。SARKER等[15]對(duì)森林生物量進(jìn)行了研究，發(fā)現(xiàn)植被指數(shù)和紋理特征共同反演生物量的效果較好。曹慶先等[16]基于TM影像的紋理和光譜特征構(gòu)建的生物量多元回歸模型，可以高效的進(jìn)行紅樹林生物量的估算，為紅樹林濕地生物量的估算提供了一種新方法。牧其爾等[17]以RapidEye多光譜影像為數(shù)據(jù)源，選取4種典型植被指數(shù)，并提取了不同植被指數(shù)的灰度共生矩陣紋理特征值，構(gòu)建了植被指數(shù)、紋理特征各自與生物量的多元回歸模型，研究發(fā)現(xiàn)，紋理特征估測(cè)生物量的能力高于單一的植被指數(shù)。【本研究切入點(diǎn)】目前，研究者多基于紋理特征與光譜特征的多元回歸模型進(jìn)行生物量估算研究，并發(fā)現(xiàn)結(jié)合紋理與光譜信息進(jìn)行生物量反演的效果更好。然而，從飽和問(wèn)題出發(fā)，聯(lián)系飽和現(xiàn)象與估算生物量的能力之間的關(guān)系，將光譜信息與紋理信息有機(jī)結(jié)合進(jìn)行生物量反演的研究較為少見(jiàn)。【擬解決的關(guān)鍵問(wèn)題】為進(jìn)一步探究植被指數(shù)的飽和問(wèn)題，本文嘗試將對(duì)生物量敏感的紋理特征加入到植被指數(shù)當(dāng)中，考慮各紋理指標(biāo)隨著葉面積指數(shù)（LAI）增大的變化情況不同，采用將植被指數(shù)與紋理指標(biāo)相乘或相除兩種形式構(gòu)建一種“圖-譜”融合指標(biāo)，探究“圖-譜”融合指標(biāo)的抗飽和能力及估測(cè)生物量的能力，以實(shí)現(xiàn)結(jié)合光譜信息和紋理信息的冬小麥生物量遙感估測(cè)，同時(shí)發(fā)揮光譜信息與紋理信息的優(yōu)勢(shì)，從而更好的反演植被生物量，為生物量定量反演提供一種新思路。

1 材料與方法

1.1 試驗(yàn)區(qū)概況

試驗(yàn)于2014—2015年冬小麥生長(zhǎng)季，在北京市昌平區(qū)小湯山國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地（40°00′—40°21′N，116°34′—117°00′E，海拔高度36 m）進(jìn)行。試驗(yàn)區(qū)氣候溫和，四季分明，屬于典型的暖溫帶半濕潤(rùn)大陸季風(fēng)氣候。前茬作物為玉米，試驗(yàn)土壤類型為潮土，土壤中0—30 cm土層中硝態(tài)氮含量為3.16—14.82 mg·kg-1，全氮含量為1.0—1.2 g·kg-1，有機(jī)質(zhì)含量為15.8—20.0 g·kg-1，有效磷含量為3.14—21.18 mg·kg-1，速效鉀含量為86.83—120.62 mg·kg-1。

試驗(yàn)設(shè)計(jì)為品種、氮肥、水分的正交試驗(yàn)（圖1）。冬小麥品種分別為京9843（J9843）和中麥175（ZM175）；氮肥（尿素）施用量包括0（N1）、195 kg·hm-2（N2）、390 kg·hm-2（N3）和585 kg·hm-2（N4）4個(gè)水平；水分包括雨養(yǎng)（W1，0）、正常灌水（W2，192 mm）和2倍正常灌水（W3，384 mm）3個(gè)水平。試驗(yàn)共有48個(gè)小區(qū)，16個(gè)小區(qū)為一組，重復(fù)3次。

圖1 研究區(qū)概況及試驗(yàn)小區(qū)分布

1.2 數(shù)據(jù)獲取

1.2.1 地面數(shù)據(jù)獲取 試驗(yàn)于冬小麥挑旗期（2015年4月26日）進(jìn)行，試驗(yàn)數(shù)據(jù)主要為地上部生物量數(shù)據(jù)和葉面積指數(shù)。

在室外調(diào)查固定樣方2行×1m（行距15 cm），進(jìn)行群體密度調(diào)查，并在各小區(qū)選取具有代表性的20個(gè)小麥植株作為樣本。獲取的樣本分器官處理，測(cè)定鮮重后放入紙袋中，置于烘箱105℃殺青30 min，然后設(shè)置溫度到75℃烘干至恒重（約24—48 h），測(cè)定各器官干重，最終通過(guò)群體密度和樣本干重，計(jì)算得到單位面積上的冬小麥生物量。

總生物量=（葉干重+莖干重+穗干重）/取樣莖數(shù)×畝莖數(shù) （1）

在試驗(yàn)小區(qū)樣方內(nèi)選取20個(gè)具有代表性的小麥作為樣本，將獲取的樣本莖葉分離，選取樣本中具有代表性的葉片，采用手持式葉面積激光儀CI-203（CID Inc.，USA）測(cè)定其葉片面積，求和計(jì)算出樣本葉片總面積，最后通過(guò)測(cè)定的群體密度，計(jì)算出冬小麥的葉面積指數(shù)。

葉面積指數(shù)（LAI）= 樣方葉片總面積/樣方面積 （2）

1.2.2 高光譜數(shù)據(jù)獲取 本研究以八旋翼電動(dòng)無(wú)人機(jī)為近地飛行平臺(tái)搭載UHD185成像光譜儀（Cubert，德國(guó)）（圖2），選擇晴朗無(wú)云天氣，在中午12：00—13：00對(duì)小麥試驗(yàn)田進(jìn)行航拍，飛行高度為50 m。獲取空間分辨率為0.012 m的小湯山冬小麥挑旗期（2015年4月26日）一景高光譜影像。

為消除成像過(guò)程中傳感器性能、大氣傳輸?shù)纫蛩氐挠绊?，集成高光譜分辨率和高空間分辨率為一體的遙感影像，本文對(duì)原始影像進(jìn)行數(shù)據(jù)預(yù)處理。主要包括：利用無(wú)人機(jī)自帶Cubert-Pilot軟件（Cubert，德國(guó)）進(jìn)行影像融合，利用Agisoft PhotoScan軟件（Agisoft LLC，俄羅斯）對(duì)融合后影像進(jìn)行圖像拼接[18]，利用ENVI軟件（Exelis Visual Information Solutions，美國(guó)）進(jìn)行輻射校正，大氣校正、裁剪[19]。

圖2 搭載高光譜傳感器（UHD185）的無(wú)人機(jī)平臺(tái)

1.3 高光譜影像光譜分析

根據(jù)前人研究及相關(guān)參考文獻(xiàn)，選取了10個(gè)與生物量相關(guān)的植被指數(shù)對(duì)冬小麥生物量進(jìn)行估算（表1）。

表1 本文用到的植被指數(shù)

公式中i代表波段i處的反射率i denotes reflectance at band i

1.4 高光譜影像紋理分析

1.4.1 波段篩選 通過(guò)原始波段反射率與生物量的相關(guān)性分析，篩選出3個(gè)與生物量相關(guān)性較大的波段，并將其作為紋理特征分析波段。

1.4.2 紋理特征提取 灰度共生矩陣法[20]是1973 年由HARALICK提出的目前應(yīng)用最廣的紋理提取方法之一，因其具有旋轉(zhuǎn)不變性和多尺度特性，且計(jì)算復(fù)雜度小，受到了較多的關(guān)注[21]。在ENVI 5.3中，利用灰度共生矩陣方法（GLCM）對(duì)所篩選的3個(gè)波段，進(jìn)行0°、45°、90°、135° 4個(gè)方向的8個(gè)紋理特征的提?。ū?），對(duì)不同方向的紋理特征進(jìn)行平均，得到各波段的8個(gè)紋理特征。然后在ArcGIS 10.3.1（Esri，美國(guó)）中，對(duì)于各波段的紋理特征影像分別進(jìn)行感興趣區(qū)域劃定，提取出所劃區(qū)域的紋理值，并將該值作為這個(gè)小區(qū)的紋理特征值。

1.4.3 紋理特征與生物量的相關(guān)性分析 利用SPSS 22.0軟件（IBM，USA），采用皮爾遜相關(guān)分析法分析紋理特征與冬小麥地上生物量之間的相關(guān)性，篩選出與生物量相關(guān)性較大的紋理特征構(gòu)建生物量估算模型。采用多元逐步回歸法，基于所篩選紋理特征構(gòu)建生物量估算模型。

1.5 飽和性分析及“圖-譜”融合指標(biāo)的建立

植被指數(shù)在植被覆蓋度較大時(shí)易過(guò)早飽和，嘗試將與生物量相關(guān)的紋理特征加入到植被指數(shù)當(dāng)中，考慮各紋理指標(biāo)隨著LAI增大的變化情況不同，采用將植被指數(shù)與紋理指標(biāo)相乘或相除兩種形式，構(gòu)建“圖-譜”融合指標(biāo)（表3），并通過(guò)飽和點(diǎn)位置的變化來(lái)探究“圖-譜”融合指標(biāo)的抗飽和能力。

表2 研究用到的紋理特征及其計(jì)算公式

表3 本研究用到的“圖-譜”融合指標(biāo)

表中658代表波段658 nm的紋理特征；其他指標(biāo)代表的含義類似。VI分別代表植被指數(shù)RVI、MTVI2、MSAVI、EVI、DVI、SAVI、RDVI、OSAVI、NDVI、GNDVI，將它們分別與紋理特征相乘或相除，構(gòu)成“圖-譜”融合指標(biāo)。例如，表中VI/658分別代表“圖-譜”融合指標(biāo)RVI/658，MTVI2/658，MSAVI/658，EVI/658，DVI/658，SAVI/658，RDVI/658，OSAVI/658，NDVI/658，GNDVI/658，其他指標(biāo)代表的含義類似

658denotes textureat band 658 nm, and the same as the others index; VI denotes vegetation index of RVI, MTVI2, MSAVI, EVI, DVI, SAVI, RDVI, OSAVI, NDVI, GNDVI, and establishing 'image and spectrum' fusion index by multiplying or dividing each of vegetation index with the texture features. For example, VI/658denotes RVI/658, MTVI2/658, MSAVI/658, EVI/658, DVI/658, SAVI/658, RDVI/658, OSAVI/658, NDVI/658, GNDVI/658, and the same as the other index

1.6 模型構(gòu)建及數(shù)據(jù)分析

本研究中，選取挑旗期2個(gè)重復(fù)試驗(yàn)的數(shù)據(jù)進(jìn)行模型構(gòu)建（樣本量n=32），該生育期的另一重復(fù)試驗(yàn)數(shù)據(jù)進(jìn)行模型驗(yàn)證（n=16）。最后根據(jù)建模精度（R作為評(píng)判標(biāo)準(zhǔn)）和驗(yàn)證精度（作為評(píng)判標(biāo)準(zhǔn)）來(lái)評(píng)判模型的擬合效果。一般來(lái)說(shuō)，R越高，越低，建模與驗(yàn)證精度越高，依此選出最佳生物量模型。

2 結(jié)果

2.1 基于光譜指數(shù)的生物量估算

2.1.1 植被指數(shù)與生物量的相關(guān)性分析 對(duì)選取的10個(gè)植被指數(shù)和生物量的相關(guān)性進(jìn)行分析（表4）。由表中可以得到，植被指數(shù)與生物量之間的相關(guān)性均達(dá)到極顯著水平（＜0.01），其中與生物量相關(guān)性最大的是GNDVI，相關(guān)系數(shù)為0.776，最小是DVI，相關(guān)系數(shù)為0.547；相關(guān)性由大到小依次為：GNDVI、NDVI、RVI、OSAVI、MTVI2、MSAVI、RDVI、SAVI、EVI、DVI。

表4 植被指數(shù)和生物量的相關(guān)性分析

** 表示相關(guān)性在0.01水平下達(dá)到顯著。下同

** means the correlation is significant at 0.01 level. The same as below

2.1.2 基于植被指數(shù)的生物量估算模型 采用多元逐步回歸法，基于10個(gè)植被指數(shù)建立生物量回歸模型（圖3），同時(shí)基于植被指數(shù)的回歸模型得到冬小麥生物量的結(jié)果分布（圖4）。圖3中可以看出，生物量模型精度為R=0.69，=874.25 kg·hm-2，擬合效果較好，表明利用植被指數(shù)估算冬小麥生物量是可行的。同時(shí)發(fā)現(xiàn)，在生物量大于7 000 kg·hm-2時(shí)，部分預(yù)測(cè)值略低于實(shí)測(cè)值，可能是植被初期生長(zhǎng)的過(guò)程中，隨著葉片逐漸增大，出現(xiàn)了輕微的飽和現(xiàn)象。由圖4中可以看出，不施氮處理（N1）和0.5倍常規(guī)施氮處理（N2）的冬小麥生物量較小，多分布在5 100 kg·hm-2以下，部分小區(qū)的冬小麥生物量分布在5 100—6 300 kg·hm-2，分布范圍較大；而常規(guī)施氮處理（N3）和1.5倍常規(guī)施氮處理（N4）的冬小麥生物量相對(duì)較大，多分布在5 100—7 500 kg·hm-2。雨養(yǎng)處理下（W1），冬小麥生物量分布在5 100 kg·hm-2以下；在正常水（W2）及2倍正常水（W3）處理下，冬小麥的生物量較大，生物量多集中在5 100—7 500 kg·hm-2；但是W2與W3處理之間的生物量差異并不很明顯。能夠看出，冬小麥生物量隨著施氮水平的提高，以及水分處理水平的提升，整體呈逐步增加的趨勢(shì)，但是，生物量的分布范圍較大，具備的規(guī)律性較差，可能是植被指數(shù)進(jìn)行生物量反演的過(guò)程中受到了飽和現(xiàn)象的影響，因此，僅利用光譜特征進(jìn)行生物量反演并不能十分準(zhǔn)確的反映出實(shí)際生物量的分布情況，存在一定的局限。

圖3 多個(gè)植被指數(shù)的生物量模型預(yù)測(cè)值與實(shí)際值對(duì)比

2.2 基于紋理特征的生物量估算

2.2.1 紋理特征波段篩選 原始波段反射率與生物量的相關(guān)性分析如圖5所示，由圖中看出，454—726 nm波段光譜反射率與生物量呈負(fù)相關(guān)，730—882 nm波段區(qū)間呈正相關(guān)，其中分別在514 nm（= -0.697），658 nm（= -0.775）處形成兩個(gè)波谷，在802 nm（=0.565）波段處形成高反射平臺(tái)，因此最終選擇與生物量相關(guān)性較大的3個(gè)波段，綠波段（514 nm）、紅波段（658 nm）以及近紅外波段 （802 nm）作為紋理特征分析波段。

2.2.2 基于紋理特征的生物量估算模型 經(jīng)過(guò)對(duì)比不同窗口的紋理特征后發(fā)現(xiàn)，本文所采用的高光譜影像在3×3窗口下的分辨率最適合進(jìn)行紋理特征分析，因此，選取3×3窗口下，與生物量相關(guān)性較好的紋理特征，即514（514 nm波段處的特征）、514、514、514、514、658、658、658、658、658、658、802、802、802這些紋理特征作為生物量的估測(cè)指標(biāo)，對(duì)于冬小麥生物量的估算有積極意義。

圖4 基于植被指數(shù)的冬小麥生物量反演結(jié)果

圖5 光譜反射率與生物量的相關(guān)性曲線圖

采用多元逐步回歸法，考慮前文所篩選的全部紋理特征（514、514、514、514、514、658、658、658、658、658、658、802、802、802），構(gòu)建生物量回歸模型（圖6），同時(shí)基于紋理特征的回歸模型得到冬小麥生物量的結(jié)果分布（圖7）。圖6中可以看出，生物量模型精度為R=0.71，=828.87 kg·hm-2，與光譜特征構(gòu)建的生物量模型（R=0.69，=874.25 kg·hm-2）相比，估算模型精度R有所提高，均方根誤差減小，擬合效果較好，可能原因是紋理特征的模型中含有豐富的紋理信息，一定程度上彌補(bǔ)了光譜信息的不足，緩解了光譜特征反演時(shí)存在的飽和以及“同物異譜，同譜異物”現(xiàn)象，從而提高了模型的擬合精度。由圖7中可以看出，不施氮處理（N1）和0.5倍常規(guī)施氮處理（N2）的冬小麥生物量較小，多分布在3 900—6 300 kg·hm-2，部分小區(qū)的冬小麥生物量分布在3 900 kg·hm-2以下；而常規(guī)施氮處理（N3）和1.5倍常規(guī)施氮處理（N4）的冬小麥生物量相對(duì)較大，多分布在5 100—7 500 kg·hm-2。雨養(yǎng)處理下（W1），冬小麥生物量分布在5 100 kg·hm-2以下；在正常水（W2）及2倍正常水（W3）處理下，冬小麥的生物量較大，生物量多集中在5 100— 7 500 kg·hm-2，相比之下，W3處理比W2處理下的生物量更大，冬小麥長(zhǎng)勢(shì)更好一些。整體上，不同處理之間的生物量差異及規(guī)律能夠較好的呈現(xiàn)出來(lái)，相比基于植被指數(shù)的冬小麥生物量反演結(jié)果要更加具有規(guī)律性，更加貼近實(shí)際情況。因此，基于紋理特征的生物量模型的擬合效果較好，能較準(zhǔn)確地反演冬小麥地上生物量，具有一定的應(yīng)用價(jià)值。

2.3 基于“圖-譜”融合指標(biāo)的生物量估算

2.3.1“圖-譜”融合指標(biāo)的飽和性分析 在利用植被指數(shù)估測(cè)生物量時(shí)，發(fā)現(xiàn)當(dāng)生物量超過(guò)一定量時(shí)，出現(xiàn)部分預(yù)測(cè)值低于實(shí)測(cè)值的現(xiàn)象。主要原因可能是隨著植被生長(zhǎng)，葉片逐漸增大，植被覆蓋度逐漸增加，使得植被指數(shù)對(duì)于生物量變化不再敏感，造成了光譜的飽和現(xiàn)象。因此，可通過(guò)分析光譜指標(biāo)隨LAI增大的變化情況來(lái)分析各光譜指標(biāo)的飽和性。不同光譜指數(shù)隨LAI的變化情況如圖所示（圖8—圖11）。本研究對(duì)14種“圖-譜”融合指標(biāo)都進(jìn)行了飽和性探究，圖8—圖11僅列出了部分“圖-譜”融合指標(biāo)（VI，VI×658，VI×802，VI×802）隨著LAI 的變化情況，但是分析時(shí)仍對(duì)其他的“圖-譜”融合指標(biāo)飽和性進(jìn)行分析，最終的結(jié)果分析包括所有的“圖-譜”融合指標(biāo)。

對(duì)比植被指數(shù)與“圖-譜”融合指標(biāo)的飽和點(diǎn)位置可以發(fā)現(xiàn)（圖8—圖11），大部分植被指數(shù)在LAI=5的時(shí)候出現(xiàn)飽和現(xiàn)象；“圖-譜”融合指標(biāo)VI×658、VI/658、VI/658、VI/658、VI/514、VI/514、VI/514、VI×802、VI×802隨LAI增大幾乎呈線性趨勢(shì)遞增，或是先逐步增大后趨于穩(wěn)定，均在LAI＞5后出現(xiàn)飽和現(xiàn)象，延后了飽和點(diǎn)位置，其抗飽和能力有所提高；但是“圖-譜”融合指標(biāo)VI/514、VI×514、VI/658、VI×658、VI×802隨著LAI的增大，先逐步增大后略微下降，LAI在5以內(nèi)或大約等于5 時(shí)出現(xiàn)了飽和點(diǎn)，其飽和現(xiàn)象并沒(méi)有得到改善。

2.3.2“圖-譜”融合指標(biāo)與生物量的相關(guān)性分析 將植被指數(shù)、“圖-譜”融合指標(biāo)分別與生物量進(jìn)行相關(guān)性分析（表5）。結(jié)果表明，所有指標(biāo)與生物量的相關(guān)性都達(dá)到了極顯著水平（＜0.01），與生物量相關(guān)性相對(duì)較大的2種“圖-譜”融合指標(biāo)為VI×802和VI×802，其中，相關(guān)性最大的“圖-譜”融合指標(biāo)是RVI×802（=0.815）。對(duì)比植被指數(shù)和生物量之間的相關(guān)性，VI×658，VI/658，VI×658，VI/658，VI/658，VI/514，VI×514，VI/514，VI/514，VI×802，VI×802中大部分指標(biāo)與生物量的相關(guān)性都有所提高；而VI/658，VI/514，VI×802中大多指標(biāo)的相關(guān)性沒(méi)有提高，反而有所下降。

圖6 多個(gè)紋理特征的生物量模型預(yù)測(cè)值與實(shí)際值對(duì)比

圖7 基于紋理特征的冬小麥生物量反演結(jié)果

圖8 各植被指數(shù)隨LAI的變化情況

圖9 “圖-譜”融合指標(biāo)VI×sm658隨LAI的變化情況

圖10 “圖-譜”融合指標(biāo)VI×con802隨LAI的變化情況

圖11 “圖-譜”融合指標(biāo)VI×mean802隨LAI的變化情況

因此，最終篩選抗飽和能力強(qiáng)，且與生物量相關(guān)性相對(duì)較大的“圖-譜”融合指標(biāo)作為生物量的估測(cè)指標(biāo)，即VI×658，VI/658， VI/658， VI/658，VI/514， VI/514，VI/514，VI×802，VI×802。

表5 植被指數(shù)和“圖-譜”融合指標(biāo)與生物量的相關(guān)性分析

2.3.3 基于“圖-譜”融合指標(biāo)的生物量估算模型 采用多元逐步回歸法，基于所篩選的“圖-譜”融合指標(biāo)構(gòu)建生物量估算模型（圖12），同時(shí)基于“圖-譜”融合指標(biāo)的回歸模型得到冬小麥生物量的結(jié)果分布（圖13）。圖12可以看出，生物量模型精度為R=0.81，=826.02 kg·hm-2，與紋理特征構(gòu)建的生物量估算模型（R=0.71，=828.87 kg·hm-2）和植被指數(shù)構(gòu)建的生物量估算模型（R=0.69，=874.25 kg·hm-2）相比，“圖-譜”融合指標(biāo)構(gòu)建的生物量估算模型精度R明顯提高，均方根誤差較小，擬合效果最好。由圖13中可以看出，不施氮處理（N1）和0.5倍常規(guī)施氮處理（N2）的冬小麥生物量較小，多分布在2 000—5 900 kg·hm-2；而常規(guī)施氮處理（N3）和1.5倍常規(guī)施氮處理（N4）的冬小麥生物量相對(duì)較大，多分布在4 600—7 200 kg·hm-2。雨養(yǎng)處理下（W1），冬小麥生物量分布在5 900 kg·hm-2以下；在正常水（W2）及2倍正常水（W3）處理下，冬小麥的生物量較大，生物量多集中在4 600—7 200 kg·hm-2。不同水氮處理間的冬小麥生物量值分布存在明顯的階梯性，而每個(gè)處理水平內(nèi)的冬小麥生物量分布較集中，能夠很好的表征冬小麥生物量。

結(jié)果表明，融合光譜信息與紋理信息的“圖-譜”融合指標(biāo)，綜合考慮了紋理特征及光譜特征對(duì)生物量的貢獻(xiàn)性。敏感的植被指數(shù)對(duì)于不同生物量下的光譜特征有很好的表征，而豐富的紋理信息減弱了光譜特征存在的飽和問(wèn)題，抗飽和能力得到明顯改善，因此，其生物量回歸模型估算精度提高，相比單一紋理特征、單一光譜特征的生物量模型，紋理與光譜共同反演冬小麥地上生物量的效果最好。

圖12 多個(gè)“圖-譜”融合指標(biāo)的生物量模型預(yù)測(cè)值與實(shí)際值對(duì)比

3 討論

前人多利用光譜信息對(duì)生物量進(jìn)行估算，取得了一定的進(jìn)展，但是基于光譜信息進(jìn)行生物量反演，在植被覆蓋度較大時(shí)易出現(xiàn)飽和問(wèn)題。紋理特征應(yīng)用于分類研究中，研究者[22-24]發(fā)現(xiàn)加入紋理特征后分類精度有了明顯的提升；而在森林結(jié)構(gòu)參數(shù)反演的研究中[25-27]，紋理特征能夠反映樹木的冠層結(jié)構(gòu)及異質(zhì)性，引入紋理特征估算結(jié)構(gòu)參數(shù)，能夠取得較好的估算效果?；诩y理特征進(jìn)行生物量反演的研究，李明詩(shī)等[28]發(fā)現(xiàn)，少數(shù)紋理特征ME（均值）、VA（方差）在森林生物量估算中是有效的。前人多是直接選取對(duì)生物量敏感的紋理及光譜特征，同時(shí)基于所選紋理和光譜特征構(gòu)建多元回歸模型進(jìn)行生物量估算，而本研究從飽和問(wèn)題出發(fā)，利用無(wú)人機(jī)獲取的高光譜影像，提取其光譜特征與紋理特征，主要探究了光譜與紋理信息相結(jié)合的“圖-譜”融合指標(biāo)的抗飽和能力和估測(cè)生物量的能力。研究發(fā)現(xiàn)，相比植被指數(shù)，本文所構(gòu)建的“圖-譜”融合指標(biāo)VI×658，VI/658，VI/658，VI/658，VI/514，VI/514，VI/514，VI×802，VI×802延后了對(duì)LAI響應(yīng)的飽和點(diǎn)位置，其抗飽和能力有所提升，同時(shí)，對(duì)比植被指數(shù)與生物量的相關(guān)性發(fā)現(xiàn)，這些指標(biāo)與生物量的相關(guān)性也有所提高，因此選取具有抗飽和特性并且對(duì)生物量敏感的指標(biāo)，探究其反演生物量的效果。最終結(jié)果表明，基于“圖-譜”融合指標(biāo)構(gòu)建的生物量估算模型精度明顯提高，主要是因?yàn)椤皥D-譜”融合指標(biāo)考慮了光譜特征與紋理特征兩者共同對(duì)生物量的貢獻(xiàn)性，敏感的植被指數(shù)對(duì)于不同生物量下的光譜特征有了很好的表征，而豐富的紋理信息提供了作物的空間特征，減弱了單一植被指數(shù)反演時(shí)存在的飽和現(xiàn)象，一定程度上彌補(bǔ)了光譜信息的不足，“圖-譜”融合指標(biāo)結(jié)合了兩者的優(yōu)勢(shì)，提高了模型的擬合精度。本文的研究結(jié)果發(fā)現(xiàn)，相比單一光譜特征、單一紋理特征，紋理與光譜共同反演冬小麥地上生物量的效果最佳，與前人[16-17, 28]的相關(guān)研究結(jié)果一致。然而，前人基于紋理特征的生物量反演，主要應(yīng)用在紅樹林[14]、綠洲沙漠植被[15]、森林[29-30]等方面，對(duì)于冬小麥的生物量反演研究較為少見(jiàn)。同時(shí)，本研究對(duì)于飽和問(wèn)題具有一定的針對(duì)性。本文嘗試從提升光譜特征的抗飽和能力出發(fā)，聯(lián)系抗飽和能力與估算生物量能力之間的關(guān)系，探究了不同指標(biāo)的生物量估算能力，為冬小麥生物量反演提供了一種新思路。同時(shí)，拓寬了紋理特征在長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量估測(cè)等方面的應(yīng)用前景。

圖13 基于“圖-譜”融合指標(biāo)的冬小麥生物量反演結(jié)果

本研究基于“圖-譜”融合指標(biāo)構(gòu)建的生物量模型精度提高，但是均方根誤差并沒(méi)有明顯改善，可能的原因是，研究?jī)H利用了冬小麥挑旗期的高光譜影像及地面實(shí)測(cè)數(shù)據(jù)，所使用的樣本量較少，對(duì)所構(gòu)建模型的通用性可能會(huì)有一定影響，未來(lái)的相關(guān)研究應(yīng)增加試驗(yàn)生育期、品種，拓展模型應(yīng)用范圍，從而提高結(jié)果的普適性和穩(wěn)定性。另外，目前存在的紋理特征提取方法多是針對(duì)單波段影像，不適用于包含多波段的高光譜影像，而本文是通過(guò)原始波段反射率與生物量的相關(guān)性分析，篩選得到紋理特征分析波段，考慮因素不夠全面，對(duì)于最終估算模型的構(gòu)建可能會(huì)產(chǎn)生一定的影響，因此，還需要進(jìn)一步的研究，探究出一種更適用高光譜影像波段篩選的方法，從而更加合理有效地利用高光譜影像的波段信息。

4 結(jié)論

本文基于無(wú)人機(jī)高光譜影像，對(duì)光譜信息和紋理信息估測(cè)冬小麥地上部生物量的能力及其飽和性進(jìn)行了分析，主要獲得以下結(jié)論：

（1）相比植被指數(shù)，“圖-譜”融合指標(biāo)VI×658，VI/658， VI/658， VI/658，VI/514， VI/514，VI/514，VI×802，VI×802延后了LAI的飽和點(diǎn)位置，其抗飽和能力明顯提高，而“圖-譜”融合指標(biāo)VI/658，VI/514，VI×802，VI×658，VI×514的抗飽和性并沒(méi)有得到提升。

（2）對(duì)比植被指數(shù)與生物量的相關(guān)性（除NDVI，GNDVI外）發(fā)現(xiàn)，“圖-譜”融合指標(biāo)VI×658，VI/658，VI×658，VI/658， VI/658，VI/514，VI×514，VI/514，VI/514，VI×802，VI×802中大部分指標(biāo)與生物量的相關(guān)性都明顯提高，而VI/658，VI/514，VI×802中大多指標(biāo)與生物量的相關(guān)性沒(méi)有提高，反而有所下降。

（3）與植被指數(shù)相比，所有抗飽和能力提高的“圖-譜”融合指標(biāo)，其與生物量的相關(guān)性也明顯增強(qiáng)；抗飽和性沒(méi)有得到改善的“圖-譜”融合指標(biāo)（除VI×658，VI×514外），其與生物量的相關(guān)性并沒(méi)有增大，反而有所減小。同時(shí)，各指標(biāo)與生物量的相關(guān)性大小和抗飽和能力的高低是成正比的。

（4）相比單一光譜特征、紋理特征，將紋理特征與光譜特征相結(jié)合的“圖-譜”融合指標(biāo)估算小麥生物量的能力最強(qiáng)，模型精度（R=0.81）明顯高于植被指數(shù)（R=0.69）、紋理特征（R=0.71）構(gòu)建的生物量模型，表明融合光譜與紋理信息共同反演生物量的效果較好，具有一定的優(yōu)勢(shì)。

[1] 李佳佳. 小麥生物物理與生物化學(xué)參數(shù)的高光譜遙感監(jiān)測(cè)[D]. 南京: 南京信息工程大學(xué), 2015.

LI J J. Monitoring bio-physical and bio-chemical parameters of wheat by hyper-spectral remote sensing[D]. Nanjing: Nanjing University of Information Science and Technology, 2015. (in Chinese)

[2] 張凱, 王潤(rùn)元, 王小平, 趙鴻, 韓海濤. 黃土高原春小麥地上鮮生物量高光譜遙感估算模型. 生態(tài)學(xué)雜志, 2009, 28(6): 1155-1161.

ZHANG K, WANG R Y, WANG X P, ZHAO H, HAN H T. Hyperspectral remote sensing estimation models for aboveground fresh biomass of spring wheat on Loess Plateau., 2009, 28(6): 1155-1161. (in Chinese)

[3] 尚艷. 不同氮水平下小麥冠層光譜特征及其與農(nóng)學(xué)參數(shù)關(guān)系研究[D]. 楊凌: 西北農(nóng)林科技大學(xué), 2015.

SHANG Y. Wheat canopy spectral features and its research relationship with agronomy parameter under different nitrogen levels[D]. Yangling: Northwest Agriculture and Forestry University, 2015. (in Chinese)

[4] 范云豹, 宮兆寧, 趙文吉, 張敏. 基于高光譜遙感的植被生物量反演方法研究. 河北師范大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 40(3): 267-271.

FAN Y B, GONG Z N, ZHAO W J, ZHANG M. Study on vegetation biomass inversion method based on hyperspectral remote sensing., 2016, 40(3): 267-271. (in Chinese)

[5] 譚昌偉, 楊昕, 羅明, 馬昌, 嚴(yán)翔, 陳亭亭. 以HJ-CCD影像為基礎(chǔ)的冬小麥孕穗期關(guān)鍵苗情參數(shù)遙感定量反演. 中國(guó)農(nóng)業(yè)科學(xué), 2015, 48(13): 2518-2527.

TAN C W, YANG X, LUO M, MA C, YAN X, CHEN T T. Quantitative inversion of key seedling condition parameters in winter wheat at booting stage using remote sensing based on HJ-CCD images.

, 2015, 48(13): 2518-2527. (in Chinese)

[6] 陳鵬飛, 王卷樂(lè), 廖秀英, 尹芳, 陳寶瑞, 劉睿. 基于環(huán)境減災(zāi)衛(wèi)星遙感數(shù)據(jù)的呼倫貝爾草地地上生物量反演研究. 自然資源學(xué)報(bào), 2010, 25(7): 1122-1131.

CHEN P F, WANG J L, LIAO X Y, YIN F, CHEN B R, LIU R. Using data of HJ-1A/B for hulunbeier grassland aboveground biomass estimation., 2010, 25(7): 1122-1131. (in Chinese)

[7] 高明亮, 宮兆寧, 趙文吉, 高陽(yáng), 胡東. 基于植被指數(shù)的北京軍都山荊條灌叢生物量反演研究. 生態(tài)學(xué)報(bào), 2014, 34(5): 1178-1188.

GAO M L, GONG Z N, ZHAO W J, GAO Y, HU D. The study ofshrubs canopy biomass inversion in Beijing Jundu mountains area based on vegetation indices.2014, 34(5): 1178-1188. (in Chinese)

[8] 趙天舸, 于瑞宏, 張志磊, 白雪松, 曾慶奧. 濕地植被地上生物量遙感估算方法研究進(jìn)展. 生態(tài)學(xué)雜志, 2016, 35(7): 1936-1946.

ZHAO T G, YU R H, ZHANG Z L, BAI X S, ZENG Q A. Estimation of wetland vegetation aboveground biomass based on remote sensing data: A review., 2016, 35(7): 1936-1946. (in Chinese)

[9] SHIBAYAMA M, AKIYAMA T. Seasonal visible, near-infrared and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry phytomass., 1989, 27(2): 119-127.

[10] 侯學(xué)會(huì), 牛錚, 黃妮, 許時(shí)光. 小麥生物量和真實(shí)葉面積指數(shù)的高光譜遙感估算模型. 國(guó)土資源遙感, 2012, 24(4): 30-35.

HOU X H, NIU Z, HUANG N, XU S G. The hyperspectral remote sensing estimation models of total biomass and true LAI of wheat., 2012, 24(4): 30-35. (in Chinese)

[11] 劉瓊閣, 彭道黎, 涂云燕, 李艷麗, 高東啟. 基于偏最小二乘的森林生物量遙感估測(cè). 東北林業(yè)大學(xué)學(xué)報(bào), 2014, 42(7): 44-47.

LIU Q G, PENG D L, TU Y Y, LI Y Y, GAO D Q. Estimating forest biomass by partial least squares regression., 2014, 42(7): 44-47. (in Chinese)

[12] 陳鵬飛, Nicolas T, 王紀(jì)華, PHILIPPE V, 黃文江, 李保國(guó). 估測(cè)作物冠層生物量的新植被指數(shù)的研究. 光譜學(xué)與光譜分析, 2010, 30(2): 512-517.

CHEN P F, NICOLAS T, WANG J H, PHILIPPE V, HUANG W J, LI B G. New index for crop canopy fresh biomass estimation., 2010, 30(2): 512-517. (in Chinese)

[13] 劉俊, 畢華興, 朱沛林, 孫菁, 朱金兆, 陳濤. 基于 ALOS 遙感數(shù)據(jù)紋理及紋理指數(shù)的柞樹蓄積量估測(cè). 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(7): 245-254.

LIU J, BI H X, ZHU P L, SUN J, ZHU J Z, CHEN T. Estimating stand volume offorest based on texture parameters and derivative texture indices of ALOS imagery., 2014, 45(7): 245-254. (in Chinese)

[14] GU Z J, JU W M, LI L, LI D Q, LIU Y B, FAN W L. Using vegetation indices and texture measures to estimate vegetation fractional coverage (VFC) of planted and natural forests in Nanjing city, China., 2013, 51(7): 1186-1194.

[15] SARKER L R, NICHOL J E. Improved forest biomass estimates using ALOS AVNIR-2 texture indices., 2011, 115(4): 968-977.

[16] 曹慶先, 徐大平, 鞠洪波. 基于TM影像紋理與光譜特征的紅樹林生物量估算. 林業(yè)資源管理, 2010, 12(6): 102-107.

CAO Q X, XU D P, JU H B. The biomass estimation of mangrove community based on the textural features and spectral information of TM images., 2010, 12(6): 102-107. (in Chinese)

[17] 牧其爾, 高志海, 包玉海, 王琫瑜, 白黎娜. 植被指數(shù)紋理特征信息估測(cè)稀疏植被生物量. 遙感信息, 2016, 31(1): 58-63.

MU Q E, GAO Z H, BAO Y H, WANG B Y, BAI L N. Estimation of sparse vegetation biomass based on grey-level co-occurrence matrix of vegetation indices., 2016, 31(1): 58-63. (in Chinese)

[18] YUE J B, YANG G J, LI C C, LI Z H, WANG Y J, FENG H K, XU B. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models., 2017, 9(70): 801-819.

[19] 鄧書斌. ENVI遙感圖像處理方法. 北京: 科學(xué)出版社, 2010.

DENG S B.Beijing: Science Press, 2010. (in Chinese)

[20] HARALICK R M, SHANMUGAM K, DINSTEIN I. Textural features for image classification.1973, 3(6): 768-780.

[21] 劉廣東. 基于TM影像植被指數(shù)和紋理特征的對(duì)比關(guān)系研究[D]. 重慶: 重慶師范大學(xué), 2010.

LIU G D. Study on the contrast relationships between NDVI and texture features based on TM image [D]. Chongqing:Chongqing Normal University, 2010. (in Chinese)

[22] FRANKLIN S E, HALL R J, MOSKAL L M. Incorporating texture into classification of forest species composition from airborne multispectral images., 2000, 21(1): 61-79.

[23] TREITZ P, HOWARTH P. Integrating spectral, spatial, and terrain variables for forest ecosystem classification., 2000, 66(3): 305-318.

[24] JOHANSEN K, COOPS N C, GERGEL S E. Application of high spatial resolution satellite imagery for riparian and forest ecosystem classification., 2007, 110(1): 29-44.

[25] FRANKLIN S E, WULDER M A, GERYLO G R. Texture analysis of IKONOS panchromatic data for Douglas-fir forest age class separability in British Columbia., 2001, 22(13): 2627-2632.

[26] KAYITAKIRE F, HAMEL C, DEFOURNY P. Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery., 2006, 102(3/4): 390-401.

[27] OZDEMIR I, KARNIELI A. Predicting forest structural parameters using the image texture derived from WorldView-2 multispectral imagery in a dryland forest, Israel., 2011, 13(5): 701-710.

[28] 李明詩(shī), 譚瑩, 潘潔, 彭世揆. 結(jié)合光譜、紋理及地形特征的森林生物量建模研究. 遙感信息, 2006(6): 6-9.

LI M S, TAN Y, PAN J, PENG S K. Modeling forest aboveground biomass by combining the spectrum, textures with topographic features., 2006, 2006(6): 6-9. (in Chinese)

[29] SARKER M L, NICHOL J, IZ H B, AHMAD B B, RAHMAN A A. Forest biomass estimation using texture measurements of high- resolution dual-polarization C-band SAR data., 2013, 51(6): 3371-3384.

[30] MIGUEL A C, MARTIN R, BERNARDUS H J. Estimation of tropical forest structure from SPOT-5 satellite images., 2010, 31(10): 2767-2782.

（責(zé)任編輯 楊鑫浩）

Biomass Estimation in Winter Wheat by UAV Spectral Information and Texture Information Fusion

LIU Chang1,2,3,4, YANG GuiJun2,3,4, LI ZhenHai2,3,4, TANG FuQuan1, WANG JianWen2,3,4, ZHANG ChunLan1,2,3,4, ZHANG LiYan2,3,4

(1College of Geomatics, Xi’an University of Science and Technology, Xi’an 710054;2National Engineering Research Center for Information Technology in Agriculture, Beijing 100097;3Key Laboratory of Quantitative Remote Sensing in Agriculture, Ministry of Agriculture, Beijing 100097;4Beijing Engineering Research Center for Agriculture Internet of Things, Beijing 100097)

【Objective】Biomass, an important parameter to characterize vegetation activities, is of great significance for plant growth monitoring and yield forecasting. Hyperspectral remote sensing technology based on the unmanned aerial vehicle (UAV) has the advantages of flexibility, non-destructive and wide coverage, and could also timely and accurately estimate vegetation biomass, so it has become one attention topic in remote sensing application. Since saturation problem existed in the inversion of biomass by spectral features, the objective of this study was to propose a 'image and spectrum' fusion index by integrating the biomass-related texture feature into vegetation index.【Method】In this study, the extracted spectral indices and texture features from UAV hyperspectral imagery were used to first construct biomass models, respectively. Secondly, the 'image and spectrum' fusion indices by combining (multiplying or dividing) the biomass-sensitive vegetation index and texture feature were established to solve the saturation problem by spectral information and texture information fusion and to construct biomass model. Finally, the estimation effect of the biomass model constructed by different indices was compared, and then analyze the ability of the 'image and spectrum' fusion indices to estimate biomass.【Result】(1) The vegetation index was almost saturated when LAI was no larger than 5, while these 'image and spectrum' fusion indices, VI×658, VI/658, VI/658, VI/658, VI/514, VI/514, VI/514, VI×802, VI×802, began to perform saturation when at LAI was larger than 5. Compared with the vegetation index, the anti-saturation ability of the 'image and spectrum' fusion index was improved obviously. (2) Compared with the vegetation index (excepting for GNDVI、NDVI), the anti-saturation ability of the 'image and spectrum' fusion indices (VI×658, VI/658, VI/658, VI/658, VI/514, VI/514, VI/514, VI×802, VI×802) improved effectively, and their correlations with biomass improved as well. Meanwhile the biomass model based on the 'image and spectrum' fusion indices performed well, withRandvalues of 0.81 and 826.02 kg·hm-2, respectively. (3) Compared with spectral index and texture feature, biomass model accuracy by 'image and spectrum' fusion index (R=0.81) was significantly higher than that of the vegetation index (R= 0.69) and texture feature (R= 0.71).【Conclusion】Results showed that both the anti-saturation ability and the accuracy of biomass model constructed by the 'image and spectrum' fusion index were effectively improved, which indicated that spectral information and texture information fusion could achieve a great estimation of winter wheat biomass. The research provided a new way for quantitative inversion of biomass.

biomass; 'image and spectrum' fusion index; texture feature; saturation; winter wheat

2018-02-05；

2018-05-29

國(guó)家自然科學(xué)基金（61661136003，41471285）、國(guó)家重點(diǎn)研究計(jì)劃（2016YFD0300602-04，2016YFD0300603-05）

劉暢，Tel：18292488506；E-mail：1224129134@qq.com。

李振海，E-mail：lizh323@126.com