吾木提·艾山江 買買提·沙吾提 陳水森 李 丹

基于GF-1/2衛(wèi)星數(shù)據(jù)的冬小麥葉面積指數(shù)反演

吾木提·艾山江1,2,4買買提·沙吾提1,2,3,*陳水森4李 丹4

1新疆大學資源與環(huán)境科學學院, 新疆烏魯木齊 830046;2新疆綠洲生態(tài)教育部重點實驗室, 新疆烏魯木齊 830046;3新疆智慧城市與環(huán)境建模普通高校重點實驗室, 新疆烏魯木齊 830046;4廣州地理研究所, 廣東廣州 510070

葉面積指數(shù)(leaf area index, LAI)是監(jiān)測作物生長狀況的重要參數(shù), 準確、快速、大面積估算LAI不僅有助于更好地監(jiān)測農(nóng)作物, 而且也有助于其在建模、總體作物管理及精準農(nóng)業(yè)中的應用。本研究為了利用國產(chǎn)遙感影像快速、大面積反演冬小麥LAI, 以GF-1/2影像作為數(shù)據(jù)源, 提取常用植被指數(shù), 結(jié)合不同生育期(起身期、拔節(jié)期、開花期)實測LAI數(shù)據(jù), 建立反演冬小麥LAI的單變量和多變量經(jīng)驗模型, 并對其進行驗證。結(jié)果表明, GF-1起身期、GF-1拔節(jié)期以及GF-1開花期提取的植被指數(shù)中, MSR (modified simple ratio)、GNDVI (green normalized difference vegetation index)、EVI (enhanced vegetation index)與LAI間的相關(guān)系數(shù)最大, 分別為0.708、0.671和0.743, 說明這些植被指數(shù)與冬小麥LAI間的相關(guān)性較顯著; GF-1不同生育期的反演模型相比, 基于拔節(jié)期GNDVIGF-1建立的二次多項式模型和基于開花期EVIGF-1、GSRGF-1(green simple ratio)、NDVIGF-1(normalized difference vegetation index)建立的PLSR (partial least squares regression)模型2最大, 均為0.783, PLSR模型的RMSE小于二次多項式模型, 說明該多變量模型的穩(wěn)定性優(yōu)于單變量模型; 同一個生育期不同影像相比, 基于GF-2的NDVIGF-2建立的二次多項式模型和基于NDVIGF-2、MSRGF-2、SAVIGF-2(soil-adjusted vegetation index)建立的PLSR模型精度高于基于GF-1的2種模型,2分別為0.768和0.809; 不同生育期反演的LAI分布圖表明, LAI反演值與實測LAI值基本吻合。以上研究結(jié)果說明國產(chǎn)高分辨率遙感影像在農(nóng)作物生理參數(shù)反演中有一定的應用價值, 可以為以后的相關(guān)研究提供一定的參考。

GF-1/2影像; 植被指數(shù); 葉面積指數(shù); 灰色關(guān)聯(lián)度分析; 遙感反演

葉面積指數(shù)(leaf area index, LAI)是一個控制植被冠層生理過程的重要參數(shù)[1], 與生物量和作物產(chǎn)量等有著密切的關(guān)系。它定義為單位地表面積上的單面總?cè)~面積[2], 葉片投影面積[3]或單位地表面積上總截留面積的一半[1]。在農(nóng)作物研究方面, LAI可以有效表征冠層的生長狀況, 其大小或波動能有效反映作物的長勢、水情、病害等狀況, 根據(jù)LAI生長期的變化還可以被長期應用于作物生長模型、冠層反射模型等。因此, 準確、快速地估測農(nóng)作物LAI, 對不同尺度上準確、及時地掌握農(nóng)作物生長狀態(tài)和預測農(nóng)作物生長趨勢及估算產(chǎn)量具有重要意義[4]。

目前, 國內(nèi)外利用遙感手段反演LAI的方法主要有兩種, 一種是基于植被指數(shù)的經(jīng)驗模型法, 另一種是基于植被輻射傳輸特性的物理模型法。經(jīng)驗模型和物理模型有較明顯的區(qū)別但又有一定的互補性[5], 經(jīng)驗模型可及時有效、無損地監(jiān)測農(nóng)作物長勢,可以作為耦合遙感數(shù)據(jù)和地面數(shù)據(jù)的有效手段, 但其機理性較弱[6]; 物理模型雖然機理性強、使用的植被類型和空間范圍更廣, 但其輸入?yún)?shù)較多且難以獲取, 存在遙感反演的病態(tài)問題[7]。國內(nèi)外很多學者針對不同模型, 從不同角度、不同方法出發(fā), 進行了農(nóng)作物LAI的遙感反演研究。劉明等[8]利用MODIS影像提取10種植被指數(shù), 建立玉米LAI反演的經(jīng)驗模型, 發(fā)現(xiàn)基于優(yōu)化土壤調(diào)整植被指數(shù)(OSAVI)和歸一化植被指數(shù)(NDVI)的回歸模型反演LAI的精度最佳; Masayasu等[9]利用植物結(jié)構(gòu)時間序列指數(shù)(TIPS)與LAI之間的關(guān)系建立估算水稻LAI模型, 發(fā)現(xiàn)TIPS具有提高水稻LAI估算精度的潛力; Mairaj等[10]在水稻不同物候期不同氮水平下, 利用9種高光譜植被指數(shù)進行LAI的估算, 發(fā)現(xiàn)整體上增強植被指數(shù)(EVI)表現(xiàn)最佳, 不同物候期、不同氮水平對最佳高光譜植被指數(shù)的選擇有較顯著的影響; 蘇偉等[11]利用Sentinel-2遙感影像構(gòu)建歸一化差異光譜指數(shù)(NDSI)和比值光譜指數(shù)(RSI), 發(fā)現(xiàn)基于NDSI(783,705)建立的單變量反演模型效果最佳; Propastin等[12]用ETM+幾種多光譜植被指數(shù)建立反演LAI的普通最小二乘回歸(OLS)模型和地理加權(quán)回歸(GWR)模型, 發(fā)現(xiàn)LAI與遙感數(shù)據(jù)之間的空間非穩(wěn)定性和尺度依賴性對LAI估計具有重要意義; 高林等[13]利用無人機高光譜影像數(shù)據(jù)構(gòu)建12種植被指數(shù), 發(fā)現(xiàn)比值型光譜指數(shù)RSI(494,610)與冬小麥LAI 具有較高的正相關(guān), 可以作為估測LAI的最佳指數(shù); 杜鶴娟等[14]以玉米為例, 做了光學與微波植被指數(shù)協(xié)同反演農(nóng)作物LAI的可行性分析, 發(fā)現(xiàn)光學植被指數(shù)MNDVI (modified normalized difference vegetation index)在LAI為0~3時敏感, 微波植被指數(shù)SARSRVI在LAI為3~6時敏感, 說明可利用分段敏感的植被指數(shù)協(xié)同反演玉米LAI; Liang等[15]基于PROSAIL模擬的高光譜數(shù)據(jù)和43種高光譜植被指數(shù), 采用混合反演方法對農(nóng)作物LAI進行估測, 表明選擇合適的植被指數(shù)對提高反演精度的重要性, 并發(fā)現(xiàn)OSVAI和MTVI2對LAI比較敏感; 李亞妮等[16]在PROSAIL模型基礎上, 建立水稻田纓帽三角-葉面積指數(shù)(TCT-LAI)等值線模型, 用于Landsat 8和World View-3影像上反演水稻LAI, 發(fā)現(xiàn)TCT-LAI等值線模型反演的LAI與實測LAI間具有良好的擬合效果。以上研究成果不僅為農(nóng)作物LAI的反演提供更準確的數(shù)據(jù)來源, 而且能夠有效地提高農(nóng)作物LAI的反演精度, 進一步為精準農(nóng)業(yè)研究提供更可靠、準確的信息。

以往的研究主要以MODIS、Landsat、Sentinel等國外遙感影像作為數(shù)據(jù)源進行農(nóng)作物LAI的研究, 國產(chǎn)衛(wèi)星影像利用率較低。目前, 國產(chǎn)遙感衛(wèi)星空間分辨率已達到亞米級, 能夠為農(nóng)作物的參數(shù)反演研究提供更多地面細節(jié)信息。因此, 本文以高分1號(GF-1)WFV、高分2號(GF-2)影像作為數(shù)據(jù)源, 結(jié)合冬小麥主要生育期地面實測LAI數(shù)據(jù), 分析基于GF-1/2的多光譜植被指數(shù)與不同生育期冬小麥LAI間的相關(guān)性和灰色關(guān)聯(lián)性, 建立反演冬小麥LAI的單變量和多變量回歸模型, 并對其進行驗證, 以期評價GF-1/2影像數(shù)據(jù)反演不同生育期冬小麥LAI的可行性, 為利用國產(chǎn)高空間分辨率影像定量反演農(nóng)作物參數(shù)提供一定的參考。

1 材料與方法

1.1 研究區(qū)概況

野外觀測區(qū)位于新疆維吾爾自治區(qū)昌吉回族自治州奇臺縣(89°13′E~91°22′E, 42°25′N~45°29′N)境內(nèi); 地形地貌復雜多變, 南依天山, 北部是荒漠, 中部是天山?jīng)_積層平原, 屬于中溫帶大陸性半荒漠干旱性氣候, 年平均氣溫5.5℃, 年平均無霜期153 d, 年平均降水量269.4 mm[17]; 該地區(qū)主要農(nóng)作物有小麥、玉米、亞麻、豆類, 其中冬小麥通常于每年9月中下旬播種, 次年3月末開始返青, 7月初成熟。本研究選擇奇臺縣五馬場鄉(xiāng)半截泉村牧業(yè)三隊農(nóng)田(圖1), 小麥種植方式為機械種植, 灌溉方式為滴灌, 品種為新冬18, 于2017年9月25日播種。

1.2 影像數(shù)據(jù)與預處理

獲取GF-1/2影像數(shù)據(jù)(表1), 多光譜空間分辨率分別為16 m和4 m, 影像幅寬分別為800 km和45 km, 影像獲取時間與地面實測LAI的時間基本保持一致。

影像預處理過程主要包括輻射定標和大氣校正。首先, 根據(jù)中國資源衛(wèi)星應用中心(http://218. 247.138.119/CN/Downloads/dbcs/index.shtml)提供的傳感器輻射定標參數(shù)進行輻射定標; 然后, 利用ENVI5.3的FLAASH模型分別對GF-1、GF-2影像進行大氣校正, 并使用原數(shù)據(jù)自帶的RPC文件進行正射校正; 最后, 將GF-2影像的全色波段與多光譜波段融合, 得到空間分辨率為1 m的影像數(shù)據(jù), 并利用研究區(qū)矢量邊界對所有影像進行裁剪。

圖1 研究區(qū)示意圖

表1 奇臺縣冬小麥遙感影像獲取時間

1.3 地面實驗及數(shù)據(jù)采集

1.3.1 田間觀測實驗設計 2018年4月至6月對研究區(qū)冬小麥進行田間觀測以及樣品的采集。在130 m × 420 m地塊內(nèi), 東西方向上20 m, 南北方向上30 m為間隔進行地面觀測, 采樣點78個, 取4行× 50 cm小區(qū)域, 利用五點采樣法取樣, 取樣后用皮尺測量取樣寬度, 并用GPS給出樣點坐標, 其空間分布如圖1所示。

1.3.2 LAI的計算 采用基于數(shù)字圖像處理的掃描法, 計算掃描的數(shù)字圖像上綠葉與已知參考物的像素值比, 結(jié)合小麥群體密度來推算葉面積指數(shù)。

式中,為取樣面積,為取樣面積內(nèi)的總株數(shù),為掃描圖像中的總株數(shù),為已知的參考物面積,為掃描圖像中綠葉與已知參考物的像素之比。

1.4 植被指數(shù)的選擇

根據(jù)前人的研究結(jié)果和LAI與寬波段植被指數(shù)間的相關(guān)性, 利用文獻統(tǒng)計的方法統(tǒng)計選取17種對冬小麥LAI較敏感的兩波段和三波段植被指數(shù)(表2)。

表2 常用寬波段植被指數(shù)

1.5 灰色關(guān)聯(lián)度分析

對2個系統(tǒng)或2個因素之間關(guān)聯(lián)性大小的量度稱為關(guān)聯(lián)度。它描述系統(tǒng)發(fā)展過程中因素之間相對變化的情況, 如果兩者在系統(tǒng)發(fā)展過程中相對變化基本一致, 則認為兩者的關(guān)聯(lián)度大; 反之, 兩者的關(guān)聯(lián)度就小?？梢? 灰色關(guān)聯(lián)度分析是對一個系統(tǒng)發(fā)展變化態(tài)勢的定量描述和比較。灰色關(guān)聯(lián)分析是衡量反映系統(tǒng)行為特征的參考數(shù)列與影響因素數(shù)列之間關(guān)聯(lián)程度的一種方法[32-33]。本研究以小麥LAI作為參考數(shù)列, 常用植被指數(shù)作為比較數(shù)列進行灰色關(guān)聯(lián)度分析。

(1)對小麥LAI數(shù)據(jù)無量綱化處理。

(2)關(guān)聯(lián)系數(shù)的計算

利用參考數(shù)列和比較數(shù)列, 根據(jù)式(2)計算二者的灰色關(guān)聯(lián)系數(shù)。

(3)灰色關(guān)聯(lián)度計算

根據(jù)式(3)計算灰色關(guān)聯(lián)度。

(4)關(guān)聯(lián)度排序

按照關(guān)聯(lián)度γ的大小, 對植被指數(shù)排序。

1.6 建立模型與驗證

利用經(jīng)驗模型法, 建立反演冬小麥LAI的單變量(線性、指數(shù)、冪、二次多項式)和多變量(偏最小二乘回歸, PLSR)模型, 總樣本的一半用于建模, 一半用于驗證, 選取決定系數(shù)(coefficient of determination,2)、均方根誤差(root mean square error, RMSE)、相對預測偏差(residual prediction deviation, RPD)進行模型精度的檢驗。

2 結(jié)果與分析

2.1 LAI與GF-1/2影像寬波段植被指數(shù)的相關(guān)性

從圖2中可知, 不同生育期內(nèi), TVI與LAI之間都是負相關(guān), 而且沒通過0.01顯著性檢驗(臨界值為±0.29), 其他植被指數(shù)與LAI間都為正相關(guān), 除了GF-2起身期外, GF-1影像中提取的不同生育期的植被指數(shù)都通過了0.01顯著性檢驗, GF-1起身期、GF-1拔節(jié)期以及GF-1開花期提取的植被指數(shù)中, MSR、GNDVI、EVI與LAI間的相關(guān)系數(shù)達到了最大值, 分別為0.708、0.671、0.743, 說明這些植被指數(shù)與LAI間有較好的相關(guān)性。

同一生育期內(nèi), 即起身期內(nèi)GF-1和GF-2影像中提取的寬波段植被指數(shù)與LAI間的相關(guān)性存在一定的差異, GF-2影像中提取的NDVI與LAI間的相關(guān)系數(shù)明顯大于GF-1影像中提取的NDVI與LAI間的相關(guān)系數(shù), 達到了0.612, GF-2影像中提取的其他植被指數(shù)與LAI間的相關(guān)系數(shù)都低于GF-1影像中提取的植被指數(shù)與LAI間的相關(guān)系數(shù), 而且GF-2影像中提取的植被指數(shù)中只有9個通過了0.01顯著性檢驗。

圖2 LAI與GF-1/2寬波段植被指數(shù)間的相關(guān)系數(shù)圖

2.2 LAI與GF-1/2影像寬波段植被指數(shù)的灰色關(guān)聯(lián)度分析

在相關(guān)性分析的基礎上, 對LAI與GF-1/2影像寬波段植被指數(shù)之間進行了灰色關(guān)聯(lián)度的計算, 并對其排序, 作為下一步建立模型的依據(jù), 結(jié)果如表3所示。

2.3 LAI單變量估算模型

從建模數(shù)據(jù)集中, 選擇與LAI的灰色關(guān)聯(lián)度最穩(wěn)定的寬波段植被指數(shù)作為自變量, LAI值作為因變量, 建立4種單變量回歸模型估算冬小麥LAI。

由表4可知, 針對GF-1起身期、GF-2起身期、GF-1拔節(jié)期建立的4種單變量回歸模型中, 二次多項式模型的2均高于其他3種模型, 分別達到了0.724、0.768和0.783; 根據(jù)GF-1開花期EVI建立的4種單變量回歸模型的2、RMSE都很接近, 其中冪函數(shù)模型的2略高于其他3種模型。

表3 LAI與GF-1/2寬波段植被指數(shù)間的灰色關(guān)聯(lián)度及排序

表4 基于GF-1/2影像寬波段植被指數(shù)的LAI單變量估算模型

2.4 LAI多變量估算模型

從建模數(shù)據(jù)集中, 根據(jù)與LAI的灰色關(guān)聯(lián)度順序選取GF-1/2影像寬波段植被指數(shù)作為自變量, LAI值作為因變量, 建立反演冬小麥LAI的PLSR模型(表5), 篩選出建模效果最佳的寬波段植被指數(shù)組合, 并對模型進行比較分析。

表5 基于GF-1/2影像寬波段植被指數(shù)的LAI多變量估算模型

冬小麥起身期內(nèi), 根據(jù)與LAI的灰色關(guān)聯(lián)度最高的前3個GF-1植被指數(shù)(MSR、EVI2、OSAVI)和前3個GF-2植被指數(shù)(NDVI、MSR、SAVI)建立的PLSR模型的效果最佳, 與單變量估算模型相比2有所增大, 分別達到了0.751、0.809, RMSE分別為0.451、0.395。

冬小麥拔節(jié)期內(nèi), 根據(jù)與LAI的灰色關(guān)聯(lián)度最高的前4個GF-1植被指數(shù)(GNDVI、NDVI、SAVI、GSR)建立的PLSR模型的效果最佳, 與單變量估算模型相比2有所減小, 減小到了0.760, RMSE增大到了0.554, 說明該PLSR模型的效果不如單變量二次多項式模型。

冬小麥開花期內(nèi), 根據(jù)與LAI的灰色關(guān)聯(lián)度最高的前3個GF-1植被指數(shù)(EVI、GSR、NDVI)建立的PLSR模型的效果最佳, 與單變量估算模型相比2有所增加, 增加到了0.783, RMSE減小到了0.365。

2.5 LAI反演模型精度驗證

將驗證數(shù)據(jù)集代入基于GF-1/2影像寬波段植被指數(shù)建立的最佳LAI估算模型中, 包括單變量模型和多變量模型, 對算得的LAI預測值與實測值進行線性擬合分析(圖3), 利用2、RMSE和RPD來驗證各模型的預測精度。

圖3中, (a)、(b)為對基于冬小麥起身期GF-1植被指數(shù)建立的二次多項式模型和最佳PLSR模型驗證后LAI預測值與實測值間的擬合圖, (c)、(d)為對基于冬小麥起身期GF-2植被指數(shù)建立的二次多項式模型和最佳PLSR模型驗證后LAI預測值與實測值間的擬合圖, (e)、(f)為對基于冬小麥拔節(jié)期GF-1植被指數(shù)建立的二次多項式模型和最佳PLSR模型驗證后LAI預測值與實測值間的擬合圖, (g)、(h)為對基于冬小麥開花期GF-1植被指數(shù)建立的冪函數(shù)模型和最佳PLSR模型驗證后LAI預測值與實測值間的擬合圖。

(圖3)

分析圖3可知, 冬小麥起身期內(nèi), 根據(jù)GF-2植被指數(shù)建立的PLSR模型具有最高的2、RPD和最低的RMSE, 分別為0.780、1.867和0.499, 預測精度最高, 說明該模型穩(wěn)定性較好, 預測能力一般。

冬小麥拔節(jié)期內(nèi), 根據(jù)GF-1植被指數(shù)GNDVI建立的二次多項式模型具有最高的2、RPD和最低的RMSE, 分別為0.767、1.955和0.508, 說明該模型具有較好的穩(wěn)定性, 預測能力一般, 能較好地對冬小麥LAI進行預測。

冬小麥開花期內(nèi), 根據(jù)GF-1植被指數(shù)建立的PLSR模型具有最高的2、RPD和最低的RMSE, 分別為0.761、1.819和0.386, 說明該模型的穩(wěn)定性較好, 能較好地對冬小麥LAI進行預測。

冬小麥3個不同生育期內(nèi)選擇精度最高的模型反演LAI, 并制作LAI空間分布圖, 如圖4所示。圖中, (a)、(b)、(c)分別為根據(jù)冬小麥起身期GF-2影像、拔節(jié)期和開花期GF-1影像反演的LAI空間分布圖。從圖中可以看出, 冬小麥起身期(a)估算的農(nóng)田LAI值基本上小于4, 大于4的地方相對較少, 與實測的LAI值較接近; 冬小麥拔節(jié)期(b)估算的農(nóng)田LAI值大部分在5.5~6.5之間, 部分區(qū)域超過了6.5, 與實測的LAI值基本一致; 冬小麥開花期(c)估算的農(nóng)田LAI值大部分在6~8之間, 局部區(qū)域出現(xiàn)了大于8的情況, 與實測的LAI值基本吻合。

3 討論

已有不少研究利用遙感影像反演農(nóng)作物生理參數(shù), 然而借助我國高空間分辨率遙感衛(wèi)星數(shù)據(jù)進行的相關(guān)研究還較少。本文為了利用國產(chǎn)遙感影像快速、大面積反演冬小麥LAI, 以GF-1/2影像作為數(shù)據(jù)源, 在區(qū)域尺度上獲取新疆昌吉州奇臺縣高空間分辨率的冬小麥光譜信息, 構(gòu)建17種植被指數(shù), 結(jié)合地面田間同步實測的LAI數(shù)據(jù), 分析不同空間分辨率的遙感影像在冬小麥不同生育期反演LAI的可行性, 結(jié)果發(fā)現(xiàn)不同空間分辨率、不同生育期對最佳植被指數(shù)的選擇有一定的影響, 這與Mairaj等[10]的研究結(jié)果一致, 這說明在農(nóng)作物生理參數(shù)定量反演中, 分生育期進行研究是有必要的。

圖4 不同生育期LAI空間分布圖

建模方法的選擇對農(nóng)作物生理參數(shù)的遙感定量反演的精度具有一定的影響, 定量比較評價不同模型的反演精度對農(nóng)業(yè)遙感監(jiān)測具有重要意義。本文利用四種單變量回歸模型和PLSR多變量回歸模型反演冬小麥不同生育期的LAI。近年來, 國內(nèi)外學者開始利用機器學習算法進行農(nóng)作物生理參數(shù)的反演,與應用較廣泛的PLSR模型相比, 機器學習回歸模型具有更佳的穩(wěn)健性[34], Maitiniyazi等[35]利用極限學習機回歸(ELR)方法提高了大豆LAI的反演精度, 此方法不僅能達到最小的訓練誤差、最小的權(quán)重范數(shù), 保證ELR具有較好的泛化性能, 而且可以通過隨機分配輸入權(quán)重和隱藏層偏差來實現(xiàn)快速學習, 使得它更適合于實時培訓[36-37], 因此, 需要進一步研究建模算法對農(nóng)作物生理參數(shù)定量反演的影響。

葉面積指數(shù)的反演是比較復雜的過程, 可能受葉片水分、葉綠素含量、養(yǎng)分等其他參數(shù)的影響。束美艷等[38]利用高光譜數(shù)據(jù)構(gòu)建新型紅邊抗水植被指數(shù)(red-edge resistance water vegetable index, RRWVI), 降低葉片水分對LAI的影響, 從而提高了反演冬小麥LAI的精度。本文暫未考慮其他因素的影響, 在今后的相關(guān)研究中有必要對LAI、葉片水分、葉片葉綠素進行相關(guān)分析, 消除它們對農(nóng)作物冠層光譜的耦合影響, 進一步提高農(nóng)作物 LAI的反演精度。此外, 不同生育期內(nèi), GF-1影像中獲取的植被指數(shù)與LAI間的相關(guān)性有所差別。本文中, GF-1起身期中MSR與LAI間的相關(guān)性最佳, 可能是因為藍光、紅光和近紅外波段的組合大大消除大氣中氣溶膠對植被指數(shù)的干擾; GF-1拔節(jié)期中, GNDVI與LAI間的相關(guān)性最佳, 可能是因為在拔節(jié)期冬小麥覆蓋度增加, LAI出現(xiàn)較多中高值, 導致影像紅波段反射率達到飽和狀態(tài), GNDVI將NDVI中的紅波段用綠波段代替以后, 與LAI間的相關(guān)性有了較明顯的提高。

近些年, 隨著無人機遙感技術(shù)作為新型遙感技術(shù)的中堅力量異軍突起, 受到農(nóng)業(yè)工作者的青睞。相比于近地、航空以及衛(wèi)星等傳統(tǒng)遙感平臺, 無人機遙感平臺機動靈活、輕便主動、自動智能程度高, 更適用于農(nóng)田環(huán)境[39], 可以攜帶多光譜和高光譜成像儀, 且具有更高的空間分辨率, 在農(nóng)田尺度上監(jiān)測農(nóng)作物具備更大的潛力。我們將在今后的相關(guān)研究中進一步驗證植被指數(shù)在無人機影像上的實際應用能力。

4 結(jié)論

冬小麥不同生育期對篩選LAI敏感植被指數(shù)有一定的影響, GF-1起身期、GF-1拔節(jié)期以及GF-1開花期中, MSR、GNDVI、EVI與LAI間的相關(guān)性最佳; 同一生育期不同空間分辨率影像中獲取的植被指數(shù)對冬小麥LAI的響應有所區(qū)別, GF-2影像中提取的NDVI與LAI間的相關(guān)系數(shù)明顯大于GF-1影像中提取的NDVI與LAI間的相關(guān)系數(shù), GF-2影像中提取的植被指數(shù)中通過0.01顯著性檢驗的只有9個, 明顯少于GF-1影像, 可能是空間分辨率高而受到土壤等其他因素影響所致; 反演冬小麥LAI的單變量回歸模型中, 不同生育期相比, 基于GF-1拔節(jié)期GNDVI建立的二次多項式回歸模型效果最佳, 同一生育期相比, 基于GF-2起身期NDVI建立的二次多項式回歸模型效果最佳, 多變量回歸模型中, 不同生育期最佳植被指數(shù)組合有所區(qū)別, 基于GF-2起身期NDVI、MSR、SAVI組合建立的反演模型效果最佳。

致謝: 非常感謝《遙感學報》提供本研究的GF-2影像數(shù)據(jù)。

[1] Chen J M, Black T A. Defining leaf area index for non-flat leaves., 2010, 15: 421–429.

[2] 張顯峰, 廖春華. 生態(tài)環(huán)境參數(shù)遙感協(xié)同反演與同化模擬. 北京: 科學出版社, 2014. pp 22–23. Zhang X F, Liao C H. Synergistic Inversion and Assimilation Simulation of Ecological Environment Parameters by Remote sensing. Beijing: Science Press, 2014. pp 22–23 (in Chinese).

[3] Barclay H J. Conversion of total leaf area to projected leaf area in lodgepole pine and Douglas-fir., 1998, 18: 185–193.

[4] 孫濤. 農(nóng)作物葉面積指數(shù)反演方法研究——以水稻和小麥為例. 南京信息工程大學碩士學位論文, 江蘇南京, 2013. Sun T. Study on Inversion Method of Crop Leaf Area Index: A Case Study of Rice and Wheat. MS Thesis of Nanjing University of Information Science & Technology, Nanjing, China, 2013 (in Chinese with English abstract).

[5] Pinty B, Lavergne T, Widlowski J L, Gobrona N, Verstraetea M M. On the need to observe vegetation canopies in the near-infrared to estimate visible light absorption., 2009, 113: 10–23.

[6] 李鑫川, 徐新剛, 鮑艷松, 黃文江, 羅菊花, 董瑩瑩, 宋曉宇, 王紀華. 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. 中國農(nóng)業(yè)科學, 2012, 45: 3486–3496． Li X C, Xu X G, Bao Y S, Huang W J, Luo J H, Dong Y Y, Song X Y, Wang J H. Retrieving LAI of winter wheat based on sensitive vegetation index by the segmentation method., 2012, 45: 3486–3496 (in Chinese with English abstract).

[7] 陳艷華, 張萬昌, 雍斌. 基于分類知識利用神經(jīng)網(wǎng)絡反演葉面積指數(shù). 生態(tài)學報, 2007, 27: 2785–2793. Chen Y H, Zhang W C, Yong B. Retrieving leaf area index using a neural network based on classification knowledge., 2007, 27: 2785–2793 (in Chinese with English abstract).

[8] 劉明, 馮銳, 紀瑞鵬, 武晉雯, 王宏博, 于文穎. 基于MODIS-NDVI的春玉米葉面積指數(shù)和地上生物量估算. 中國農(nóng)學通報, 2014, 31(6): 80–87. Liu M, Feng R, Ji R P, Wu J W, Wang H B, Yu W Y. Estimation of leaf area index and aboveground biomass of spring maize by MODIS-NDVI., 2014, 31(6): 80–87 (in Chinese with English abstract).

[9] Masayasu M, Koki H. Empirical regression models for estimating multiyear leaf area index of rice from several vegetation indices at the field scale., 2014, 6: 4764–4779.

[10] Mairaj D, Wen Z, Muhammad R, Wang S Q, Shi Z H. Evaluating hyperspectral vegetation indices for leaf area index estimation ofL. at diverse phenological stages., 2017, 8: 820–837.

[11] 蘇偉, 侯寧, 李琪, 張明政, 趙曉鳳, 蔣坤萍. 基于Sentinel-2遙感影像的玉米冠層葉面積指數(shù)反演. 農(nóng)業(yè)機械學報, 2018, 49(1): 151–156. Su W, Hou N, Li Q, Zhang M Z, Zhao X F, Jiang K P. Retrieving leaf area index of corn canopy based on sentinel-2 remote sensing image., 2018, 49(1): 151–156 (in Chinese with English abstract).

[12] Propastin P A. Spatial non-stationarity and scale-dependency of prediction accuracy in the remote estimation of LAI over a tropical rainforest in Sulawesi, Indonesia., 2009, 113: 2234–2242.

[13] 高林, 楊貴軍, 于海洋, 徐波, 趙曉慶, 董錦繪, 馬亞斌. 基于無人機高光譜遙感的冬小麥葉面積指數(shù)反演. 農(nóng)業(yè)工程學報, 2016, 32(22): 113–120. Gao L, Yang G J, Yu H Y, Xu B, Zhao X Q, Dong J H, Ma Y B. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remoter sensing., 2016, 32(22): 113–120 (in Chinese with English abstract).

[14] 杜鶴娟, 柳欽火, 李靜, 楊樂. 光學與微波植被指數(shù)協(xié)同反演農(nóng)作物葉面積指數(shù)的可行性分析. 遙感學報, 2013, 17: 1587–1611. Du H J, Liu Q H, Li J, Yang L. Retrieving crop leaf area index by combining optical and microwave vegetation indices: a feasibility analysis., 2013, 17: 1587–1611 (in Chinese with English abstract).

[15] Liang L, Di L P, Zhang L P, Deng M X, Qin Z H, Zhao S H, Lin H. Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method., 2015, 165: 123–134.

[16] 李亞妮, 魯蕾, 劉勇. 基于PROSAIL模型的水稻田纓帽三角-葉面積指數(shù)模型及其應用. 應用生態(tài)學報, 2017, 28: 3976–3984. Li Y N, Lu L, Liu Y. Tasseled cap triangle (TCT)-leaf area index (LAI) model of rice fields based on PROSAIL model and its application., 2017, 28: 3976–3984 (in Chinese with English abstract).

[17] 魏海鵬, 賈永紅, 孔建平, 曾雪華, 邢玉萍. 適宜新疆奇臺生態(tài)區(qū)種植的春小麥品種探究. 農(nóng)業(yè)科技通訊, 2017, (5): 88–90. Wei H P, Jia Y H, Kong J P, Zeng X H, Xing Y P. Study on spring wheat varieties suitable for planting in Qitai eco-region of Xinjiang., 2017, (5): 88–90 (in Chinese with English abstract).

[18] Schell J A. Monitoring vegetation systems in the great plains with ERTS., 1973, 351: 309.

[19] Gitelson A A, Merzlyak M N. Remote sensing of chlorophyll concentration in higher plant leaves., 1998, 22: 689–692.

[20] Haboudane D, Miller J R, Pattey E, Zarco-Tejadad P J, Strachane I B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture., 2004, 90: 337–352.

[21] 黃文江, 孔維平, 謝巧云. 作物理化參數(shù)遙感定量反演. 北京: 科學出版社, 2017. pp 51–76. Huang W J, Kong W P, Xie Q Y. Quantitative Retrieval of Crop Physical and Chemical Parameters by Remote Sensing. Beijing: Science Press, 2017. pp 51–76 (in Chinese).

[22] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages., 2002, 81: 337–354.

[23] Huete A R. A soil-adjusted vegetation index (SAVI)., 1988, 25: 295–309.

[24] Huete A, Didan K, Miura T, Rodrigueza E P, Gao X, Ferreirab L G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices., 2002, 83: 195–213.

[25] Jiang Z, Huete A R, Didan K, Miurab T. Development of a two-band enhanced vegetation index without a blue band., 2008, 112: 3833–3845.

[26] Sripada R P, Heiniger R W, White J G, Meijer A D. Aerial color infrared photography for determining in-season nitrogen requirements for corn., 2006, 98: 968–977.

[27] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation., 1979, 8: 127–150.

[28] Gitelson A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation., 2004, 161: 165–173.

[29] 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., 2003, 160: 271–282.

[30] Gitelson A A, Stark R, Grits U, Rundquist D, Kaufman Y, Derry D. Vegetation and soil lines in visible spectral space: A concept and technique for remote estimation of vegetation fraction., 2002, 23: 2537–2562.

[31] Gong P, Pu R, Biging G S, Larrieu M R. Estimation of forest leaf area index using vegetation indices derived from hyperion hyperspectral data., 2003, 41: 1355–1362.

[32] Xia X, Sun Y, Wu K, Jiang Q. Optimization of a straw ring-die briquetting process combined analytic hierarchy process and grey correlation analysis method., 2016, 152: 303–309.

[33] Fang S S, Yao X S, Zhang J Q, Han M. Grey Correlation Analysis on Travel Modes and their Influence Factors., 2017, 174: 347–352.

[34] Elarab M, Ticlavilca A M, Torres-Rua A F, Maslovac I, McKeeab M. Estimating chlorophyll with thermal and broadband multispectral high resolution imagery from an unmanned aerial system using relevance vector machines for precision agriculture., 2015, 140: 32–42.

[35] Maitiniyazi M, Abduwasit G, Paheding S, Sean H, Matthew M, Kyle P, Ethan S, Jack F, Jim P, Suhas K, Joel B, Felix F. Unmanned Aerial System (UAS)-based phenotyping of soybean using multi-sensor data fusion and extreme learning machine., 2017, 134: 43–58.

[36] Ding S, Zhao H, Zhang Y, Xu X, Nie R. Extreme learning machine: algorithm, theory and applications., 2015, 44: 103–115.

[37] Huang G B, Zhou H, Ding X, Zhang R. Extreme learning machine for regression and multiclass classification.(Cybernetics), 2012, 42: 513–529.

[38] 束美艷, 顧曉鶴, 孫林, 朱金山, 楊貴軍, 王延倉, 張麗妍. 基于新型植被指數(shù)的冬小麥LAI高光譜反演. 中國農(nóng)業(yè)科學, 2018, 51: 3486–3496. Shu M Y, Gu X H, Sun L, Zhu J S, Yang G J, Wang Y C, Zhang L Y. High spectral inversion of winter wheat LAI based on new vegetation index., 2018, 51: 3486–3496 (in Chinese with English abstract).

[39] 高林, 楊貴軍, 李長春, 馮海寬, 徐波, 王磊, 董錦繪, 付奎. 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: 549–557.Gao L, Yang G J, Li C C, Feng H K, Xu B, Wang L, Dong J H, Fu K. Application of an improved method in retrieving leaf area index combined spectral index with PLSR in hyperspectral data generated by unmanned aerial vehicle snapshot camera., 2017, 43: 549–557 (in Chinese with English abstract).

Inversion of leaf area index of winter wheat based on GF-1/2 image

Umut HASAN1,2,4, Mamat SAWUT1,2,3,*, CHEN Shui-Sen4, and LI Dan4

1College of Resources and Environmental Science, Xinjiang University, Urumqi 830046, Xinjiang, China;2Key Laboratory of Oasis Ecology of Ministry of Education, Urumqi 830046, Xinjiang, China;3Key Laboratory for Wisdom City and Environmental Modeling, Xinjiang University, Urumqi 830046, China;4Guangzhou Institute of Geography, Guangzhou 510070, Guangdong, China

Leaf area index (LAI) is an important parameter for monitoring crop growth, and an important input parameter for crop yield prediction model, hydrological and climatic models. LAI can be used in field crop growth monitoring and verification of remote sensing products. Therefore, accurate, rapid and large-scale estimation of LAI is not only conducive to better monitoring crops, but also conducive to its application in modeling, crop management and precision agriculture. Remote sensing technique has become a promising method to detect and monitor the crop LAI due to its many advantages. In this paper, Banjiequan Village, Wumachang Township, Qitai County, Xinjiang, China was selected as the study area. In order to rapidly and extensively retrieve LAI of winter wheat using domestic remote sensing images, 17 common vegetation indices were extracted from the GF-1/2 images, which was synchronized with field sampling, and observation at intervals of 20 m in the east-west direction and 30 m in the north-south direction in a 130 m × 420 m block. A total of 78 sampling points were taken from a small area of 4 rows × 50 cm. Sampling width was measured by tape ruler and coordinates of sampling points were given by GPS. Based on the vegetation indices extracted from GF-1/2 image and LAI data measured at erecting stage, jointing stage and flowering stage, we established univariate (linear, exponential, power, quadratic polynomials) and multivariate (partial least squares regression, PLSR) empirical models for inversion of winter wheat LAI, and validated them. The correlation coefficients of LAI with MSR (modified simple ratio), GNDVI (green normalized difference vegetation index), EVI (enhanced vegetation index) extracted from the erecting, jointing and flowering stages of GF-1 were the maximum, which were 0.708, 0.671, and 0.743, respectively, indicating that the correlation between these vegetation indices and LAI of winter wheat was significant. The univariate model2based on MSRGF-1, NDVIGF-2(normalized difference vegetation index), GNDVIGF-1at jointing stage and EVIGF-1at flowering stage were all greater than 0.7. Compared with different image data at the same growth stage, the quadratic polynomial model based on NDVIGF-2and PLSR model based on NDVIGF-2, MSRGF-2, and SAVIGF-2(soil-adjusted vegetation index) were more precise than those based on GF-1, with2of 0.768 and 0.809 respectively. Compared with the models with the same data (GF-1) at different growth stages, the quadratic polynomial model based on GNDVIGF-1at jointing stage and the PLSR model based on EVIGF-1, GSRGF-1(green simple ratio) and NDVIGF-1at flowering stage had the maximum value of2, which was 0.783. The RMSE of the PLSR model was smaller than that of the quadratic polynomial model, indicating the stability of the multivariate model was better than univariate model. Analyzing the LAI distribution maps inverted from different growth stages, it was found that the LAI inversion values basically coincided with the measured LAI values. The above results show that the domestic high-resolution remote sensing image has certain application value in crop physiological parameter inversion, and provides some references for related researches in the future.

GF-1/2 image; vegetation index; leaf area index; grey correlation analysis; remote sensing inversion

10.3724/SP.J.1006.2020.91049

本研究由國家自然科學基金項目(41361016)資助。

This study was supported by the National Natural Science Foundation of China (41361016).

買買提·沙吾提, E-mail: korxat@xju.edu.cn

E-mail: umut710@163.com

2019-07-28;

2019-12-26;

2020-01-15.

URL: http://kns.cnki.net/kcms/detail/11.1809.S.20200115.1125.016.html