張矞勛 齊拓野 孫 源 璩向寧 曹 媛 吳夢瑤 劉春虹 王 磊,*

1 寧夏大學西北土地退化與生態(tài)系統(tǒng)恢復省部共建國家重點實驗室培育基地, 寧夏銀川 750021; 2 寧夏大學西北退化生態(tài)系統(tǒng)恢復與重建教育部重點實驗室, 寧夏銀川 750021; 3 中國科學院遙感與數字地球研究所, 北京 100101; 4 寧夏大學生態(tài)環(huán)境學院, 寧夏銀川750021

冬小麥的種植面積和產量對我國糧食安全、經濟發(fā)展有重要影響。苗期是冬小麥生長的關鍵時期, 及時管理有利于冬小麥最終產量的提高[1]。因此, 冬小麥苗期長勢信息的實時快速獲取, 可以為冬小麥苗期管理措施的實施提供有效的數據支撐[2]。葉面積指數(LAI)是作物長勢的重要參數之一[3-4], 其大小與分布對光能利用產生重要的影響, 可作為冬小麥苗期長勢信息評估的有效指標[5-6]。

隨著光譜技術的發(fā)展, 通過地面、無人機和衛(wèi)星平臺搭載的各類光譜測定設備來獲取冠層光譜成為LAI測量的主要方法之一[7-14]。由于衛(wèi)星具有大范圍成像的優(yōu)勢,被廣泛用于植物LAI反演中, 作為與在軌高分一號(GF-1)組網運行的高分六號(GF-6), 具有窄幅(PMS)和寬幅(WFV) 2種不同空間分辨率影像, 但GF-6寬幅影像除具有更大的幅寬(800 km)的成像優(yōu)勢外, 還在原有4個波段基礎上新增了紅邊I、紅邊II、紫和黃4個波段。光譜的紅邊波段(Red Edge, RE)對植被的營養(yǎng)情況、生物量、冠層含水量及物候期變化的響應顯著[15-18], 農業(yè)生產方面有極高的應用價值[19-21]。因此, 紅邊波段的加入理論上可以有效提高傳感器對作物分類、葉面積指數反演、生理參數估算的應用精度。但目前有關GF-6 WFV影像植被波段特征及其在作物參數反演方面的的研究仍較少。應用遙感方式對LAI進行反演主要分為物理模型與經驗模型兩種[22], 而人工神經網絡可以通過建立對應的非線性模型對非線性參數進行反演[23], 目前已經被廣泛用于多種領域的研究。在現有的神經網絡模型中, BP神經網絡(Back Propagation-Neural Network)是一種基于反向傳播的學習算法[24-25], 非線性轉化能力強, 還具有學習能力高等特點, 是目前應用最廣泛的神經網絡模型[26-27]。

本研究以冬小麥為研究對象, 以實測冬小麥冠層光譜作為冠層真實反射率, 通過將實測光譜進行光譜響應函數重采樣后的寬波段光譜來分析GF-6影像的植被波段特征; 基于GF-6 WFV遙感影像反射率信息, 構建不同的植被指數, 以GF-6兩個紅邊波段構建的植被指數NDVI710和NDVI750為控制變量, 將所有植被指數作為輸入參數建立神經網絡算法反演模型, 之后對建立的模型進行精度驗證, 來探究GF-6紅邊波段在反演冬小麥苗期LAI反演中的應用能力。

1 材料與方法

1.1 研究區(qū)概況

選取地處黃河三角洲地區(qū), 以冬小麥為主要糧食作物的山東省東營市東北部中國科學院黃河三角洲研究中心附近為研究區(qū), 該區(qū)域也是中國科學院空天信息創(chuàng)新研究院確定的遙感產品真實性檢驗場, 如圖1所示。試驗區(qū)中心經度118.84°, 緯度37.70°, 平均海拔3.66 m, 屬于暖溫帶大陸性季風氣候氣候, 四季分明, 全年日照時數2657.5 h, 年不小于10℃積溫4300℃, 年均溫12.8℃, 年降水量555.9 mm, 全年無霜期206 d[28], 本研究中采樣時間設置在2019年11月22日至25日, 此階段研究區(qū)內冬小麥均處于苗期, 并且除冬小麥外并未種植其他農作物,所選取的農田樣地內幾乎無雜草生長, 采樣的結果更接近真實結果。

1.2 樣地布設

研究區(qū)設置冬小麥地面觀測樣地20個, 并在每個觀測樣地內設置4個大小為16 m×16 m (對應GF-6 WFV傳感器影像1個像元大小)的樣方, 總計80觀測樣方, 每個樣方內延對角線設置數據采集點17個。冠層數據的采集時間為2019年11月22日至25日, 使用GPS記錄每一個采集點坐標。

1.3 遙感影像獲取與預處理

本次觀測試驗為中國科學院空天信息創(chuàng)新研究院2019年度華北遙感產品真實性檢驗綜合地面觀測試驗的一部分,在開展野外觀測試驗前, 根據衛(wèi)星星歷和天氣預報, 編程了衛(wèi)星數據的采集時間, 保證了與衛(wèi)星數據采集的同步性,GF-6 WFV傳感器影像成像時間為2019年11月22日。

通過ENVI 5.3對遙感數據進行處理, 以2019年11月22日Sentinel-2A的L2A級影像產品對GF-6影像進行幾何精校正, 校正時誤差在0.5個像元內。對幾何精校正后的GF-6影像進行輻射定標和大氣校正處理, 處理后獲得研究區(qū)地表反射率數據。大氣校正所使用ENVI 5.3的FLAASH模塊, 該模塊基于MODTRAN 4+輻射傳輸計算方法, 校正所需參數通過影像產品頭文件及中國資源衛(wèi)星應用中心網站獲取, 其余參數大氣模型設置為Mid-Latitude Winter (中緯度冬季), 氣溶膠模型設置為Rural (鄉(xiāng)村)。最后根據坐標提取每個樣方對應的GF-6 WFV傳感器B1~B6共計6個波段反射率數據, 6個波段范圍依次對應藍、綠、紅、近紅外、紅邊I (RE I)及紅邊II (RE II)波段。

1.4 葉面積指數觀測與預處理

使用LI-COR公司的LAI-2200植物冠層分析儀對葉面積指數進行測量, 受儀器測量過程中太陽直射的限制,使用180°視角蓋, 選取陰天、日出、日落等時段對每一個觀測樣方進行測量, 避免因太陽光過強影響儀器測量結果。分別在80個樣方內設置的數據采集點進行測量, 每個數據測量時先在冠層上無遮擋處測量一次天空光A值,之后在冠層底部行間測量5次B值。測量B值時在冠層下植物根部附近及行間1/4和1/2位置挖開小坑, 使得探頭可以水平放入并保持鏡頭與地面平齊, 以此確保儀器可以觀測數據采集點位置地表上所有冠層, 葉面積指數的采集時間在11月22日至25日之間。

使用FV-2200軟件計算每個點位的LAI數據, 以每個樣方內所有數據采集點的平均值代表該樣方的葉面積指數。根據計算得到實際測得到的苗期冬小麥LAI的大小,將地面觀測的80組LAI數據分為高(LAI>1.5)、中(0.5

1.5 冠層光譜觀測與預處理

冬小麥實測冠層光譜測量采用Spectral Evolution公司的SR-8800光譜儀進行。光譜范圍350~2500 nm, 光譜分辨率在波長350~700 nm為2.5 nm, 700~1500 nm為8 nm。選擇每天10:30—14:30天氣晴朗時段進行測量, 測量時探頭豎直向下, 維持在冬小麥冠層以上1.5 m處, 分別對80個樣方中設置的數據采集點進行測量, 每個數據采集點測量5條光譜曲線。每塊樣方測量前均先通過觀測標準白板進行校正, 根據研究需要及GF-6 WFV光譜響應函數光譜覆蓋范圍, 選擇400~1000 nm波段范圍內數據, 數據間隔為1 nm。

將每個數據采集點的5條光譜剔除明顯異常數據后作平均處理, 代表該采集點的光譜反射率, 通過ENVI 5.3,按照GF-6 WFV光譜響應函數對光譜儀獲取的地表冠層光譜進行光譜響應函數重采樣, 得到對應的GF-6 WFV模擬反射率數據。光譜響應重采樣公式如下:

式中,ρs是待擬合波段的光譜反射率,φ(λ)是待擬合波段的光譜響應函數,ρs(λ)是實測光譜各波長處的反射率,λmax和λmin分別是光譜波段取值范圍的上下界,i為測量光譜的第i波長。

1.6 植被指數

植被指數是由多個波段數據經過線性或非線性組合而成, 可用于植被LAI、覆蓋度、生物量等一系列植被參數進行估算與反演的遙感參數[11]。首先根據相關研究文獻,選取4種常見植被指數用于構建冬小麥LAI反演模型。此外, 紅邊光譜的變化可提供比紅綠波段和短波紅外更豐富的紅邊區(qū)域波譜信息[30], 因此將GF-6衛(wèi)星紅邊波段紅邊I(中心波長710 nm)和紅邊II (中心波長750 nm)波段分別代替近紅外波段, 分別構建紅邊歸一化植被指數NDVI710和NDVI750。植被指數及其表達式如表1中所示。

表1 植被指數及計算公式Table 1 Vegetation indices and equations

1.7 組合方式

以NDVI、ARVI、SAVI及CIgreen共4種植被指數為基礎, 根據有無紅邊植被指數, 分別不使用紅邊植被指數、單獨使用NDVI710、NDVI750以及同時使用紅邊Ⅰ和紅邊Ⅱ波段植被指數劃分為不同的組合方式。參數之間的組合方式為組合1: NDVI、ARVI、SAVI、CIgreen; 組合2: NDVI、ARVI、SAVI、CIgreen、NDVI710; 組合3: NDVI、ARVI、SAVI、CIgreen、NDVI750; 組合4: NDVI、ARVI、SAVI、CIgreen、NDVI710、NDVI750。通過植被指數紅邊波段不同的組合方式, 探究紅邊波段在冬小麥LAI反演的應用能力。

1.8 模型構建與評價方法

經過輻射定標與大氣校正后的GF-6 WFV影像后, 構建成表1中的6種植被指數, 并按照表2中的分組與實測LAI數據建立BP神經網絡模型, 經過多次測試, 設置隱含層包含12個神經元構建神經網絡, 激勵函數均選擇單極性sigmod函數。將已經獲取的80組LAI數據, 分別從高、中、低LAI分組中按照3∶1比例劃分出模型建立及反演數據, 通過Matlab 2018軟件建立BP-LAI神經網絡反演模型。建立模型時, 將劃分為模型建立的實測60組數據, 按照4∶1比例劃分為模型訓練樣本與測試樣本。

反演模型的優(yōu)劣會對反演結果產生重要影響, 通過對反演模型精度的分析, 評價所構建模型的反演能力。反演冬小麥LAI后, 提取影像中對應位置LAI反演結果, 使用實測LAI數據與反演結果分析, 評價反演結果的優(yōu)劣。使用決定系數R2、均方根誤差RMSE反演模型模型及反演結果的精度, 其中R2可以表征真實LAI與反演LAI之間的相關程度, RMSE可以放映真實LAI與反演LAI之間的偏差程度。R2越大且RMSE越小表明模型精度及反演結果擬合效果越好,R2越小且RMSE越大表明模型精度及反演結果擬合效果越差。計算公式如下:

式中,xi和xj分別表示實測LAI與預測LAI,n表示參與反演的樣本量。

2 結果與分析

2.1 高分六號WFV傳感器波段設置

傳感器及影像參數如表2所示。與Landsat8-OLI傳感器相比, GF-6與GF-1的WFV傳感器具有更高的空間分辨率, 并且GF-6 WFV傳感器與Landsat8-OLI相同, 比GF-1 WFV有更高的輻射分辨率, 可以對地物反射或發(fā)射能量的微小變化有更強的探測能力。在紅、綠、藍、近紅外4個波段內GF-1與GF-6的WFV傳感器較Landsat8-OLI覆蓋更多的范圍, 可以提供更多的地物反射率信息但也會增加諸如水氣等更多的影響因素[33]。

表2 GF-1 WFV、GF-6 WFV、Landsat8-OLI影像對應波段參數對比Table 2 Key property of GF-1 WFV, GF-6 WFV, and Landsat8-OLI

2.2 高分六號紅邊波段特征及冬小麥監(jiān)測能力分析

在地面使用便攜式光譜儀對冬小麥觀測測量時, 由于儀器與目標距離較近, 受到氣溶膠、水汽等影響較小,測量結果可以真實的反映植被真實的反射率特征, 在使用GF-6 WFV傳感器光譜響應函數對實測光譜進行光譜經過光譜響應函數重采樣后, 可反映出GF-6遙感產品對冬小麥冠層特征的響應。觀察重采樣后得到的模擬光譜可以發(fā)現, 在紅光、紅邊及近紅外波段范圍內的反射率, 不同大小LAI之間有著較大的差異。紅光到近紅外波段內,冬小麥冠層反射率快速提高。進行光譜重采樣后的得到的模擬光譜中, 兩個紅邊波段連線斜率在不同LAI分組之間的大小分別為2.18×10?3、5.69×10?3、7.06×10?3, 相比紅光、近紅外波段反射率之間的斜率8.5×10?4、1.92×10?3、2.35×10?3有明顯變化, 冬小麥冠層光譜在紅光-近紅外與紅邊波段內顯示出了對植被不同的特征響應。GF-6遙感產品的紅邊波段, 可以較紅、綠、藍、近紅外4個波段提供更多植被特征信息。

將實測光譜經光譜響應函數重采樣后得到的模擬光譜構建成為植被指數NDVI、NDVI710、NDVI750, 植被指數及冬小麥LAI交互對比后, 結果如圖3所示。

如圖3-a~c所示, 當使用地面測量LAI數據分別與地面測量光譜構建的NDVI、NDVI710與NDVI750進行對比后可發(fā)現, LAI與NDVI、NDVI750的最優(yōu)擬合函數類型為指數函數, 而與NDVI710的之間最優(yōu)擬合函數類型為線性關系。這主要是由于在冬小麥當前生長階段, 采集得到的地表光譜經光譜響應函數重采樣后, 紅邊II與近紅外波段放射率數據較為接近, 并且由于植被指數NDVI與NDVI750之間有較好的線性關系(圖3-d), 導致LAI隨著NDVI與NDVI750的變化而有相近的變化趨勢。構建的紅邊植被指數NDVI710與NDVI及NDVI750有不同的變化趨勢(圖3-e, f), 并且隨著LAI的增大, NDVI710并未出現明顯的飽和現象, 因此在應用植被指數對冬小麥LAI進行反演時, 相比于NDVI及NDVI750, NDVI710對冬小麥LAI的變化可以提供更多植被特征信息。

2.3 冬小麥苗期LAI反演

基于不同參數組合, 分別建立不同組合的BP-LAI神經網絡反演模型。對比不同分組建立的BP-LAI反演模型結果可以發(fā)現, 各組合對LAI建立的模型相關系數R2均大于0.7, 其中使用組合2和組合4建立的模型R2可達到0.75以上, 模型精度較高。從組合之間的差異來看, 組合3與相比于組合1建立的反演模型, 其R2變化較小, 組合2與組合4建立的反演模型相比于組合1的R2分別提高7.84%和9.80%, 提高較為明顯。即在建立反演模型時, 使用4種植被指數的基礎上, 單獨增加使用NDVI750對反演模型精度影響較小, 而單獨使用NDVI710的反演模型精度有一定的提高, 當同時使用兩個紅邊指數數據建立冬小麥苗期LAI反演模型時, 反演模型的精度的提升最大(表3)。

表3 BP神經網絡反演模型精度Table 3 Accuracy of BP neural network inversion model

反演模型中訓練樣本與測試樣本不同組合間模型的精度有相同變化趨勢。使用從GF-6 WFV遙感影像中提取的B1~B6波段反射率數據, 構建成對應的NDVI、ARVI、SAVI、CIgreen、NDVI710及NDVI750, 按照不同組合方式對冬小麥苗期LAI進行反演, 反演結果如圖4所示。提取除反演結果中對應樣方點位的LAI, 不同參數組合反演精度如圖5所示。

使用BP神經網絡進行建模時, 使用不包含紅邊植被指數的參數組合1進行LAI反演, 反演精度R2>0.70。使用組合2和組合3對冬小麥LAI進行反演之后, 以未使用紅邊植被指數的組合1為參考, 可以觀察到相比于組合1,組合3反演的精度變化不明顯,R2與RMSE變化均較小,組合2反演精度有一定提升,R2提高9.53%, RMSE下降10.30%。當使用組合4方式對冬小麥苗期LAI進行反演時, 反演精度有較大提升,R2提高12.48%, RMSE降低14.75%。即在反演冬小麥LAI時, 使用NDVI、ARVI、SAVI、CIgreen等4種植被指數的前提下, 僅增加NDVI750后對反演影響較小; 而僅增加NDVI710后, 對冬小麥LAI反演效果有一定提升; 當同時增加NDVI710和NDVI750時,對反演結果精度的提升能力最好。

3 討論

近年來, 使用不同衛(wèi)星傳感器數據結合經驗模型或物理模型進行作物LAI反演或估算的研究方面開展了大量工作尤其在使用近紅外與可見光波段的反演已經產出了大量成果。伴隨著紅邊波段研究的不斷深入, 其對植被生長狀況差異的響應能力明顯提高已得到廣泛認同[34],星上傳感器加入紅邊波段的數據源逐漸開始增加, 紅邊波段逐漸被越來越廣泛的應用在包括LAI在內的各類植被參數的反演與監(jiān)測中。隨著Sentinel-2/3、WorlView 2/3等衛(wèi)星的成功發(fā)射, 衛(wèi)星影像中的紅邊波段數據逐漸得到大尺度應用, 相比之下, 高分六號衛(wèi)星影像以其在16 m空間分辨率實現800 km幅寬影像產品的優(yōu)勢, 將能夠在大范圍的作物監(jiān)測中發(fā)揮重要的作用, 但對其搭載傳感器新增4個波段的研究卻較為有限。張沁雨等[35]對喬木的研究中認為, 高分六號的全部8個波段可以比前紅、綠、藍及近紅外4個波段可以提供更多的光譜和紋理信息;李文杰等[36]對葡萄的研究中, 高分六號紅邊波段的引進提高了葡萄與其他植被的光譜差異。這些已有研究結果表明高分六號的紅邊波段能夠有效的提高植被的識別能力,但針對作物參數定量估算或反演能力的評價研究相對較少。本研究中, 以地面測量得到的冬小麥冠層真實反射率數據, 經過光譜響應函數重采樣后獲得GF-6 WFV傳感器對應波段范圍的模擬光譜, 認為兩個紅邊波段的數據的增加相比于近紅外與可見光波段可以提供更多的植被長勢信息, 對植被特征差異化的響應能力明顯增強, 這為應用GF6 WFV紅邊波段開展冬小麥長勢及LAI監(jiān)測提供了更好的數據基礎。

植被指數對LAI的敏感性隨著LAI的增加逐漸降低直至飽和, 并且不同植被指數飽和點有所差異[37]。隨著植被指數對LAI敏感性的下降, 通過植被指數對LAI進行反演的能力和精度都會受到一定的影響。NDVI是使用最普遍的一種植被指數, 被廣泛用于LAI的估算中, 但也存在易飽和的問題[38]。通過對地面實測光譜構建得到植被指數的研究, 相比于NDVI, 基于高分六號紅邊波段構建的NDVI710與NDVI750的抗飽和能力得到增強, 其中NDVI710與NDVI之間在數值大小和對LAI的響應關系上均有一定的差異。在當前采樣數據的LAI范圍內, 隨著LAI的增加, NDVI710并未出現明顯的飽和現象。因此,NDVI710作為特征參數加入到反演模型構建中時, 反演模型及反演結果的精度均有較大的提高。土壤背景是植被遙感監(jiān)測能力評價的重要影響因素[39], 研究區(qū)中的土壤質地類型較為單一, 不同樣地之間的平均含水率為78.76%,含水率標準差0.033, 差異較小, 土壤背景因素的影響相對較小, 有利于保證研究結果的精度和普適性。

研究中側重于分析GF-6 WFV影像植被紅邊波段的對植被特征的響應及其在冬小麥LAI反演的應用, 而對如何更好的提高反演精度的考慮較少。因此, 盡管兩個紅邊波段的引入對冬小麥LAI反演精度的提高有一定的促進作用, 但仍有提升的空間, 如對不同植被指數之間進行對比分析, 篩選出更適合冬小麥LAI反演的植被指數。