花生葉鮮生物量的高光譜估算模型

顏丙囤+侯學(xué)會(huì)++梁守真++王猛++陳振++隋學(xué)艷

摘要：利用花生生物物理參數(shù)和冠層高光譜數(shù)據(jù)，基于光譜一階微分技術(shù)，選取對(duì)生物量敏感的波段組成高光譜植被指數(shù)，建立花生葉鮮生物量的高光譜遙感估算模型。結(jié)果表明，花生葉鮮生物量在綠峰525～556 nm、紅谷645～689 nm和近紅外710～900 nm波段范圍反射光譜與花生葉鮮生物量有極顯著相關(guān)關(guān)系。高光譜反射率與葉鮮生物量在大部分可見(jiàn)光區(qū)和近紅外波段呈顯著相關(guān)，并且在可見(jiàn)光紅光波段呈負(fù)相關(guān)，在近紅外波段呈極顯著正相關(guān)?；ㄉ庾V反射率與花生葉鮮生物量相關(guān)的近紅外、紅光波段的敏感波段分別為770、673 nm，用這2個(gè)波段構(gòu)建植被指數(shù)，組成高光譜歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）和再次歸一化植被指數(shù)（RDVI），并構(gòu)建生物量反演模型；相對(duì)于NDVI、DVI、RDVI建立的簡(jiǎn)單線性函數(shù)估測(cè)模型，RVI所構(gòu)建的花生葉鮮生物量估測(cè)模型的預(yù)測(cè)精度較高。

關(guān)鍵詞：花生；生物量；高光譜遙感；反射率；估算模型

中圖分類號(hào)： S127文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2017）08-0059-03

生物量是作物長(zhǎng)勢(shì)監(jiān)測(cè)的一項(xiàng)重要指標(biāo)[1]，可以反映作物長(zhǎng)勢(shì)，是進(jìn)行作物長(zhǎng)勢(shì)評(píng)價(jià)和估產(chǎn)的基本指標(biāo)[2]。高光譜遙感已成為研究地表植被的強(qiáng)有力工具[3]，對(duì)高光譜數(shù)據(jù)進(jìn)行導(dǎo)數(shù)變換能消除土壤及大氣等背景因素對(duì)目標(biāo)信號(hào)的影響，更加直觀地反映植被生物量以及其他一些信息[4-6]?；诟吖庾V技術(shù)進(jìn)行作物生物量監(jiān)測(cè)，目前已有很多研究，如宋開(kāi)山等建立了以比值植被指數(shù)為變量的大豆地上鮮生物量的高光譜估算模型[7]，黃春燕等利用高光譜數(shù)據(jù)估算棉花地上鮮生物量[8]。但綜合前人成果，利用高光譜數(shù)據(jù)對(duì)花生生物量進(jìn)行估算，為花生長(zhǎng)勢(shì)分析提供科學(xué)依據(jù)的研究鮮有報(bào)道，在借鑒已有研究成果的基礎(chǔ)上，本試驗(yàn)基于地面實(shí)測(cè)高光譜數(shù)據(jù)，通過(guò)回歸分析，研究花生葉鮮生物量的特征波段，并建立模型，為花生的精準(zhǔn)栽培提供技術(shù)支持與保障[7]。

1材料與方法

1.1試驗(yàn)設(shè)計(jì)試驗(yàn)區(qū)位于山東省農(nóng)業(yè)科學(xué)院試驗(yàn)基地（36°41′～37°15′N(xiāo)，116°52′～117°27′E），試驗(yàn)地南北走向，由南向北依次布置低肥、中肥、高肥、空白4個(gè)水平肥料處理（表1），由東向西依次布置山花14號(hào)、山花9號(hào)，山花15號(hào)、花育20號(hào)、花育25號(hào)、花育46號(hào)2個(gè)系列6個(gè)花生品種，共24個(gè)小區(qū)，每個(gè)小區(qū)南北長(zhǎng)10 m，東西寬3.2 m，面積32 m2。自2015年7月1日 至9月13日，每隔10 ～20 d在花生的不同生育期（表2），依次在試驗(yàn)樣區(qū)內(nèi)進(jìn)行花生光譜和生物量相關(guān)參數(shù)測(cè)量。利用花生品種、施肥量以及生育進(jìn)程差異產(chǎn)生的生物量差異，結(jié)合對(duì)花生葉鮮生物量敏感的波段，組成植被指數(shù)，構(gòu)建花生葉鮮生物量的高光譜估算模型。

1.2花生冠層光譜反射率與理化參數(shù)獲取

采用FieldSpec Handheld （325～1 075 nm）便攜式光譜儀進(jìn)行花生冠層光譜測(cè)量，光譜范圍為325～1 075 nm，采樣間隔（波段寬）為1.41 nm。光譜采集時(shí)間控制在11：00—13：00無(wú)風(fēng)無(wú)云的天氣進(jìn)行，探頭垂直于冠層頂。每處理測(cè)定1個(gè)

樣點(diǎn)，每樣點(diǎn)獲取4條光譜數(shù)據(jù)，每條光譜掃描時(shí)間0.2 s，以其平均值作為該處理冠層的光譜反射值。為了觀測(cè)光譜能夠代表地面狀況，設(shè)定觀測(cè)點(diǎn)位于花生每壟中間正上方，光譜儀視場(chǎng)角度25°，視場(chǎng)范圍為0.8 m，計(jì)算得觀測(cè)架高度為 1.8 m，共10墩花生，在各處理測(cè)定前后用標(biāo)準(zhǔn)板進(jìn)行太陽(yáng)輻射光譜校正[9]。

采集樣本光譜時(shí)同步進(jìn)行花生栽培參數(shù)測(cè)定。地上生物量采用收獲法，在實(shí)驗(yàn)室內(nèi)將花生植株的莖、葉分開(kāi)，分別稱量花生植株各器官的鮮質(zhì)量，取同次試驗(yàn)中樣本數(shù)據(jù)的平均值作為該生長(zhǎng)期花生的鮮葉生物量值[10]。

1.3高光譜特征變量分析

紅邊位置：采用一階微分分析法，提取紅邊內(nèi)（680～760 nm）最大一階微分值對(duì)應(yīng)的波長(zhǎng)。由于光譜采樣間隔的離散性，實(shí)際導(dǎo)數(shù)光譜一般是用差分方法來(lái)近似計(jì)算[2]；綠峰位置[2]：綠峰峰值RG為綠光范圍內(nèi)（510～560 nm） 最大的光譜反射率，其對(duì)應(yīng)的波長(zhǎng)位置標(biāo)示為λG； 紅谷位置：紅光吸收谷RR是620～760 nm 范圍內(nèi)最小的光譜反射率，對(duì)應(yīng)波長(zhǎng)位置記為λR；植被指數(shù)：植被指數(shù)與LAI、生物量之間存在著相關(guān)關(guān)系，為了分析植被指數(shù)與花生葉鮮生物量的關(guān)系，本研究構(gòu)建歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）和再次歸一化植被指數(shù)（RDVI）（表3）進(jìn)行花生葉鮮生物量的估算。

2結(jié)果與分析

2.1花生葉鮮生物量隨時(shí)間變化趨勢(shì)

由圖1可見(jiàn)，花生葉單位面積鮮生物量隨生育期延長(zhǎng)總體呈先上升后下降的趨勢(shì)，苗期葉片生物量快速增長(zhǎng)，至7月底苗期后期達(dá)到較高值，隨后進(jìn)入開(kāi)花下針期，此時(shí)葉片生物量仍然增長(zhǎng)，但整體的幅度和速度都比較小，至8月底結(jié)莢期一直穩(wěn)定在一個(gè)較高的水平，9月上中旬花生莢果飽滿進(jìn)入成熟期，由于葉片和莖稈逐漸老化變黃，光合作用能力下降，生成的光合產(chǎn)物低于自身消耗，葉片逐漸衰老，花生葉鮮生物量迅速下降[11]。

2.2花生葉鮮生物量與光譜反射率的相關(guān)性

比較分析高光譜反射率與葉鮮生物量的相關(guān)關(guān)系（圖2）發(fā)現(xiàn)，在綠峰525～556 nm、紅谷645～689 nm和近紅外 710～900 nm 波段范圍反射光譜與花生葉鮮生物量極顯著相關(guān)。原始高光譜反射率與葉鮮生物量在大部分可見(jiàn)光區(qū)和近紅外波段呈顯著相關(guān)，并且在可見(jiàn)光紅光波段呈負(fù)相關(guān)，在近紅外波段呈極顯著正相關(guān)。

在可見(jiàn)光波段范圍內(nèi)，綠峰和紅谷波段都達(dá)到極顯著相關(guān)水平，在綠峰波段的相關(guān)系數(shù)最大值的絕對(duì)值低于紅谷波段的數(shù)值，其中在紅光波段630～690 nm范圍內(nèi)，以673 nm波段的光譜反射率與花生葉鮮生物量的相關(guān)系數(shù)最大。在近紅外波段范圍內(nèi)，相關(guān)系數(shù)在760～900 nm之間變化幅度不大，其中在770 nm位置處相關(guān)系數(shù)最大，所以選擇770 nm位置處的高光譜反射率值作為近紅外光區(qū)與花生葉鮮生物量的敏感波段。

依據(jù)以上相關(guān)回歸系數(shù)確定花生光譜反射率與花生葉鮮生物量相關(guān)的近紅外、紅光波段的敏感波段分別為770、673 nm，用這2個(gè)波段構(gòu)建植被指數(shù)。

2.3花生葉鮮生物量與高光譜特征變量、植被指數(shù)間的相關(guān)分析

選取原始高光譜與花生葉鮮生物量相關(guān)系數(shù)較大的特征波段及其組合定義花生高光譜參數(shù)[11]，其與花生葉鮮生物量的相關(guān)關(guān)系如表4、表5所示。從表4可以看出，花生葉鮮生物量與λG、RG、RR的相關(guān)性達(dá)極顯著水平，花生葉鮮生物量與其他高光譜特征變量相關(guān)性不顯著。在構(gòu)建的4種植被指數(shù)（表5）中，RVI、DVI、NDVI、RDVI與花生葉鮮生物量的相關(guān)系數(shù)均達(dá)極顯著水平。其中，以RVI與花生葉鮮生物量的相關(guān)系數(shù)最大，為0.839，這說(shuō)明近紅外波段和紅波段的比值在一定程度上增強(qiáng)了高光譜信息，從而提高了對(duì)生物量的靈敏度。

2.4高光譜特征變量、植被指數(shù)與花生葉鮮生物量之間的估算模型

從表4、表5中選出與花生葉鮮生物量相關(guān)系數(shù)都較大的RR、RVI、DVI和RDVI等4個(gè)光譜變量為自變量，花生葉鮮生物量為因變量，分別構(gòu)建花生葉鮮生物量遙感監(jiān)測(cè)的5種估算模型方程，結(jié)果見(jiàn)表6。

從表6可以看出，利用植被指數(shù)構(gòu)建的模型進(jìn)行花生葉鮮生物量估算的效果理想。其中，利用高光譜特征變量RR構(gòu)建的函數(shù)模型，以多項(xiàng)式函數(shù)模型最優(yōu)，估算效果明顯優(yōu)于其他模型。

在利用植被指數(shù)所構(gòu)建的模型中，相對(duì)于DVI和RDVI建立的簡(jiǎn)單線性和非線性函數(shù)估測(cè)模型，RVI構(gòu)建的花生葉鮮生物量模型的預(yù)測(cè)精度較高。鑒于線性模型有較為簡(jiǎn)單的函數(shù)表達(dá)形式，較大的決定系數(shù)和擬合系數(shù)，以及較小的均方根誤差，所以選擇RVI的線性函數(shù)表達(dá)形式作為花生葉鮮生物量的最適估算模型。

植被指數(shù)與花生葉鮮生物量之間不僅存在著簡(jiǎn)單線性函數(shù)關(guān)系，所構(gòu)建的冪函數(shù)和指數(shù)函數(shù)估測(cè)模型同樣也具有較好的預(yù)測(cè)精度。在函數(shù)表達(dá)的形式上，線性函數(shù)表達(dá)形式最為簡(jiǎn)單，所以選擇y=166.27x+21.489作為花生葉鮮生物量的遙感估算模型。

3結(jié)論

本研究分析了從苗期到成熟期的花生葉鮮生物量變化趨勢(shì)，并根據(jù)地面實(shí)測(cè)高光譜數(shù)據(jù)。整個(gè)生育期內(nèi)，葉片鮮生物量總體呈先上升后下降趨勢(shì)，苗期為生物量快速增長(zhǎng)階段，開(kāi)花結(jié)莢期至飽果期，葉片鮮生物量維持較高水平，成熟期迅速下降，反射率光譜與葉鮮生物量的相關(guān)關(guān)系比較穩(wěn)定。在綠峰525～556 nm、紅谷645～689 nm和近紅外710～900 nm波段范圍反射光譜與花生葉鮮生物量有較高、較穩(wěn)定的極顯著相關(guān)關(guān)系。

利用光譜分析技術(shù)和構(gòu)建的植被指數(shù)，建立花生葉鮮生物量高光譜遙感估算模型。建立的5個(gè)光譜特征變量中，以綠峰與花生葉片鮮生物量的關(guān)系最為顯著。建立NDVI、RVI、DVI和RDVI等4個(gè)植被指數(shù)，并與花生葉片鮮生物量進(jìn)行相關(guān)分析NDVI、RVI、DVI和RDVI等4個(gè)植被指數(shù)與花生葉片鮮生物量都達(dá)到極顯著水平。

參數(shù)RR與花生葉鮮生物量之間具有較好的線性相關(guān)關(guān)系，對(duì)比研究以多項(xiàng)式模型最優(yōu)，RVI、NDVI、DVI和RDVI與花生生物量的函數(shù)模型擬合度較好，以RVI建立的簡(jiǎn)單線性函數(shù)模型最優(yōu)，可用來(lái)進(jìn)行花生生物量遙感估算。

本研究認(rèn)為，選取對(duì)花生葉片鮮生物量敏感的波段組成高光譜植被指數(shù)，是提高模型預(yù)測(cè)精度的關(guān)鍵，在此基礎(chǔ)上，可通過(guò)定量模型反演花生葉鮮生物量，進(jìn)一步豐富利用高光譜遙感監(jiān)測(cè)花生生長(zhǎng)狀況的技術(shù)方法，為利用衛(wèi)星遙感數(shù)據(jù)進(jìn)行大面積、無(wú)破壞和及時(shí)獲取地面植被信息研究提供參考[2，11]。

參考文獻(xiàn)：

[1]Todd S W，Hoffer R M，Milchunas D G. Biomass estimation on grazed and ungrazed rangelands using spectral indices[J]. International Journal of Remote Sensing，1998，19（3）：427-438.

[2]侯學(xué)會(huì)，牛錚，黃妮，等. 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[J]. 國(guó)土資源遙感，2012（4）：30-35.

[3]王霄鵬. 黃河三角洲濕地典型植被高光譜遙感研究[D]. 大連：大連海事大學(xué)，2014.

[4]Mutanga O，Skidmore A K. Hyperspectral band depth analysis for a better estimation of grass biomass（Cenchrus ciliaris）measured under controlled laboratory conditions[J]. International Journal of Applied Earth Observation and Geoinformation，2004，5（2）：87-96.

[5]Thenkabail P S，Smith R B，de Pauw E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J]. Remote Sensing of Environment，2000，71（2）：158-182.

[6]Hansen P M，Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote Sensing of Environment，2003，86（4）：542-553.

[7]宋開(kāi)山，張柏，于磊，等. 玉米地上鮮生物量的高光譜遙感估算模型研究[J]. 農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究，2005，21（1）：65-67.

[8]黃春燕，王登偉，曹連莆，等. 棉花地上鮮生物量的高光譜估算模型研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23（3）：131-135.

[9]王猛，張杰，梁守真，等. 玉米倒伏后冠層光譜變化特征分析[J]. 安徽農(nóng)業(yè)科學(xué)，2014（31）：11187-11188，11201.

[10]李衛(wèi)國(guó)，趙春江，王紀(jì)華，等. 遙感和生長(zhǎng)模型相結(jié)合的小麥長(zhǎng)勢(shì)監(jiān)測(cè)研究現(xiàn)狀與展望[J]. 國(guó)土資源遙感，2007（2）：6-9.

[11]易秋香. 玉米主要生物物理和生物化學(xué)參數(shù)高光譜遙感估算模型研究[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2005.