李軍玲,彭記永
(中國氣象局·河南省農(nóng)業(yè)氣象保障與應用技術(shù)重點實驗室/河南省氣象科學研究所,河南鄭州 450003)
葉面積指數(shù)(LAI)指單位地表面積上綠色葉面積的倍數(shù)[1],是描述植物冠層功能過程的重要參量。LAI的傳統(tǒng)地面測量方法不但具有破壞性,而且比較費時費力[2-3]。遙感監(jiān)測具有實時、迅速、長時間、大面積等特點,已成為估算LAI的主要技術(shù)手段。高光譜遙感數(shù)據(jù)擁有更多的波段和更高的波譜分辨率,能夠提供精細化的光譜信息[4-5],具有簡便快速、非破壞性等優(yōu)點,并且能夠?qū)⒌孛嬗^測點數(shù)據(jù)轉(zhuǎn)換為具有一定空間分辨率的面數(shù)據(jù),目前被廣泛應用。
目前,已有大量研究基于光譜特征與植被LAI之間的關(guān)系[6-7]探討LAI的遙感估測。白蘭東等[8]以輻射傳輸方程PROSAIL為基礎(chǔ),模擬不同觀測天頂角和不同葉面積指數(shù)下的植被冠層光譜,建立基于多角度遙感的植被指數(shù)與LAI的線性關(guān)系;黃敬峰等[9]用紅邊參數(shù)建立了開花前以及開花后不同時期油菜葉面積指數(shù)的估算模型。但多數(shù)研究只是基于一定的參數(shù)建立線性模型,很少考慮更多參數(shù)或模型類型并從中進行最優(yōu)選擇。楊福芹等[10]通過灰色關(guān)聯(lián)分析對所選取的植被指數(shù)進行比較,并篩選出植被LAI的最優(yōu)估算模型。由于作物全生育期光譜特征會有不同程度的變化,如果用一種參數(shù)模型模擬整個生育期的LAI,勢必會降低模擬精度,因而有學者通過大田試驗,選擇光譜反射率及其變換形式和植被指數(shù)對LAI進行相關(guān)性分析及模擬,分別建立水稻分蘗-抽穗期及抽穗-成熟期LAI的模擬模型[5]。另外,光譜分辨率對植被LAI的模擬精度也有影響。對不同光譜分辨率和波段組合的5種冬小麥冠層光譜數(shù)據(jù)進行比較分析,當波段選擇恰當、輸入?yún)?shù)不確定性較小時,光譜分辨率較高的數(shù)據(jù)表現(xiàn)出更優(yōu)的LAI反演精度與穩(wěn)定性[11]。
為了利用高光譜遙感數(shù)據(jù)獲得LAI最優(yōu)估算模型,本研究在原始光譜基礎(chǔ)上進行倒數(shù)對數(shù)、一階導數(shù)、二階導數(shù)變換,并選取基于高光譜位置變量、面積變量和植被指數(shù)變量的常見高光譜特征指數(shù)進行建模,和以往研究相比,光譜變量多樣,模型覆蓋面廣,并通過模型精度比較從中選擇出最優(yōu)估算模型;另外,目前黃淮地區(qū)冬小麥LAI模擬研究還未見分生育時期建立模型,本研究擬分拔節(jié)-孕穗、開花-乳熟期進行建模并進行模型的比較;最后為獲得更優(yōu)的LAI反演精度和穩(wěn)定性,本研究選擇使用高光譜分辨率的便攜式地物光譜儀(ASD)進行數(shù)據(jù)采集和分析。
1.1.1 數(shù)據(jù)1
試驗地點定在滎陽大田區(qū)域,為保證代表性,選擇連片區(qū)域在500 m×500 m的地段,分別在拔節(jié)-孕穗期(4月2日和4月6日)和開花-乳熟期(4月26日和4月28日)進行數(shù)據(jù)采集。
拔節(jié)-孕穗期和開花-乳熟期分別在研究區(qū)域選擇9個采樣單元,其中好、中、差不同長勢的各3個,采樣單元一般為30 m×30 m。在每個采樣單元,選擇具有代表性、均勻、無病蟲危害的樣本點3個,因此每個生育時期樣本數(shù)為27,在采樣點進行冠層光譜和LAI測定。
(1)光譜測定:使用 ASD便攜式光譜儀(美國)進行冬小麥冠層反射光譜數(shù)據(jù)的采集,波長范圍 325~1 075 nm,光譜采樣間隔約 1.5 nm。注意盡可能覆蓋1 m×1 m直徑范圍,要求覆蓋范圍和測量葉面積區(qū)域重疊。選擇晴朗無云或少云的天氣,在 10:00-13:00 進行測定。測點距冠層頂部垂直高度約 1 m,每次每個采樣點測定 5 條光譜反射曲線,取 5 條曲線的平均值作為該采樣點的冠層反射率曲線圖。測量前均用白板進行標定。
(2)葉面積指數(shù)測定:與光譜數(shù)據(jù)采集同步,使用LAI2200冠層分析系統(tǒng)(美國)對葉面積指數(shù)進行數(shù)據(jù)采集,測5次,求平均值。
1.1.2 數(shù)據(jù)2
針對鶴壁地區(qū),下載近期高分衛(wèi)星資料(空間分辨率16 m),計算NDVI,找到連片冬小麥分布區(qū)域,根據(jù)實地調(diào)查的冬小麥長勢進行NDVI分類,本研究分為好、中、差三種類型。按照1.1.1部分的方法進行相關(guān)數(shù)據(jù)的采集,拔節(jié)-孕穗期和開花-乳熟期分別在研究區(qū)域選擇9個采樣單元,根據(jù)NDVI分類圖選擇好、中、差不同長勢的各3個單元,每個采樣單元選擇樣本點3個,因此每個生育時期樣本數(shù)為27。
1.2.1 光譜的倒數(shù)對數(shù)、一階導數(shù)和二階導數(shù)轉(zhuǎn)換
對每個樣點的冬小麥冠層反射率(ρ)數(shù)據(jù)進行處理,計算相應的倒數(shù)對數(shù)、一階導數(shù)和二階導數(shù)。
倒數(shù)對數(shù)=lg(1/ρ)
一階導數(shù)ρ′(λi)=dρ/dλ=[ρ(λi+1) -ρ(λi-1) ]/2Δλ
二階導數(shù)ρ′′(λi)=d2ρ/dλ2=[ρ′(λi+1) -ρ′(λi-1) ]/2Δλ
式中,λi為每個波段的波長;ρ′(λi)為波長λi的一階導數(shù)光譜;ρ′′(λi) 為波長λi的二階導數(shù)光譜。Δλ為波長λi-1至λi的間隔。
1.2.2 高光譜特征變量選擇
常見的高光譜特征變量有基于高光譜位置變量、面積變量和植被指數(shù)變量3種類型[12],其中基于光譜位置的變量有藍邊幅值(Db)和藍邊位置(λb)、黃邊幅值(Dy)和黃邊位置(λy)、紅邊幅值(Dr)和紅邊位置(λr)、綠峰反射率(Rg)和綠峰位置(λg)、紅谷反射率(Rr)和紅谷位置(λr)?;诠庾V面積變量有藍邊面積(SDb)、黃邊面積(SDy)、紅邊面積(SDr)和綠峰面積(SDg)。
基于光譜植被指數(shù)的變量[13]有:
VI1=Rg/Rr,即綠峰反射率Rg與紅谷反射率Rr的比值指數(shù);
VI2=(Rg-Rr)/(Rg+Rr),即綠峰反射率Rg與紅谷反射率Rr的歸一化指數(shù);
VI3=SDr/SDb,即紅邊面積SDr與藍邊面積SDb的比值指數(shù);
VI4=SDr/SDy,即紅邊面積SDr與黃邊面積SDy的比值指數(shù);
VI5=(SDr-SDb)/(SDr+SDb),即紅邊面積SDr與藍邊面積SDb的歸一化指數(shù);
VI6=(SDr-SDy)/(SDr+SDy),即紅邊面積SDr與黃邊面積SDy的歸一化指數(shù)。
1.2.3 模型構(gòu)建及檢驗
對各樣點冬小麥冠層光譜反射率進行倒數(shù)對數(shù)、一階導數(shù)、二階導數(shù)變換以及高光譜特征變量的計算,以數(shù)據(jù)1資料為基礎(chǔ),利用數(shù)理統(tǒng)計軟件SPSS13.0對高光譜特征變量[13-14]與葉面積指數(shù)進行相關(guān)分析,選擇相關(guān)系數(shù)較大的光譜特征變量,利用線性、對數(shù)、指數(shù)、二次函數(shù)模擬建立單變量葉綠素估算模型,再選擇相關(guān)系數(shù)較大的光譜特征變量進行多元逐步回歸分析,建立葉面積指數(shù)的多元回歸模型。
利用數(shù)據(jù)2資料對所建立的LAI高光譜估算模型進行驗證,并采用均方根誤差(RMSE)、相對誤差(NRMSE)和決定系數(shù)(r2)評價模型的模擬效果。
式中,Yi和Xi分別為估測值和觀測值,n為樣本數(shù)。
相關(guān)分析(圖1和圖2)表明,小麥LAI與冠層原始光譜反射率在可見光范圍內(nèi)呈負相關(guān),在近紅外范圍內(nèi)呈正相關(guān),說明LAI越高,可見光波段內(nèi)的光譜反射率越低,近紅外的光譜反射率越高,而光譜的倒數(shù)對數(shù)(以下稱為倒數(shù)對數(shù)光譜)表現(xiàn)則相反。光譜的一階導數(shù)(以下稱為一階導數(shù)光譜)在700~800 nm范圍內(nèi)與LAI的相關(guān)系數(shù)波動稍小,且大部分波段相關(guān)性通過0.01水平顯著性檢驗。光譜的二階導數(shù)(以下稱為二階導數(shù)光譜)相關(guān)系數(shù)整體波動較大,且只有少部分波段相關(guān)性通過0.01水平顯著性檢驗。根據(jù)圖1將拔節(jié)-孕穗期選取波段676 nm處倒數(shù)對數(shù)光譜、750 nm處一階導數(shù)光譜、877 nm處二階導數(shù)光譜作為光譜變化敏感參量,根據(jù)圖2將開花-乳熟期選取波段352 nm處倒數(shù)對數(shù)光譜、431 nm處一階導數(shù)光譜、678 nm處二階導數(shù)光譜作為光譜變化敏感參量,這些波段與葉面積指數(shù)的相關(guān)系數(shù)均通過0.01水平的顯著性檢驗,且相關(guān)系數(shù)最大。
圖1 拔節(jié)-孕穗期LAI與高光譜反射率及其倒數(shù)對數(shù)、一階導數(shù)和二階導數(shù)的相關(guān)系數(shù)Fig.1 Correlation coefficients of LAI with spectral reflectivity and the logarithm of reciprocal, first-order derivative, second derivative from jointing to heading stage
從表1可以看出,拔節(jié)-抽穗期LAI與除藍邊位置、紅邊位置外的所有高光譜變量間顯著相關(guān),其中LAI與Dr、SDr、VI3、VI5、VI6的相關(guān)系數(shù)大于0.85。開花-乳熟期LAI與除藍邊幅值、藍邊位置、黃邊幅值、黃邊位置、綠峰位置、紅谷位置以及VI6外的所有高光譜變量顯著相關(guān),其中LAI與Rr、VI1、VI2、VI3、VI5的相關(guān)系數(shù)大于0.7。因此,拔節(jié)-抽穗期選擇變量Dr、SDr、VI3、VI5、VI6作為LAI估算模型的自變量;開花-乳熟期選擇變量Rr、VI1、VI2、VI3、VI5作為LAI估算模型的自變量。
圖2 開花-乳熟期與高光譜反射率及其倒數(shù)對數(shù)、一階導數(shù)和二階導數(shù)的相關(guān)系數(shù)Fig.2 Correlation coefficients of LAI with spectral reflectivity and the logarithm of reciprocal, first-order derivative, second derivative from flowering to milking stage
2.3.1 葉面積指數(shù)估算的單變量模型
利用上述所選參數(shù)分別建立線性、對數(shù)、指數(shù)、二次函數(shù)的單變量LAI估算模型,方程均通過0.05水平顯著性檢驗(表2和表3)。在拔節(jié)-孕穗期,大部分參數(shù)的二次模型r2較大,其中VI3、VI5、lg(1/ρ676)、dρ750/dλ750的二次模型r2超過0.6;從驗證結(jié)果看,dρ750/dλ750的RMSE值最小,其次是VI5。因此,認為以dρ750/dλ750為自變量的二次模型Y=0.656+108.321 dρ750/dλ750+20 634.481(dρ750/dλ750)2最優(yōu),擬合與預測精度均最高,其次為以VI5為自變量的二次模型。在開花-乳熟期,大部分參數(shù)的指數(shù)模型r2較大,其中Rr、VI3、VI5的指數(shù)模型r2超過0.7;從驗證結(jié)果看,VI5的RMSE值最小,其次是VI3。因此,認為以VI5為自變量的指數(shù)模型Y=0.000 114e11.4VI5最優(yōu),其擬合與預測精度均最高,其次為以VI3為自變量的指數(shù)模型。
表1 不同發(fā)育期LAI與高光譜變量間的相關(guān)系數(shù)Table 1 Correlation coefficients between LAI and hyperspectral variables
表2 拔節(jié)-孕穗期LAI與高光譜變量的擬合模型參數(shù)Table 2 Fitting model parameters of LAI and hyperspectral variables from jointing to heading stage
表3 開花-乳熟期LAI與高光譜變量的擬合模型參數(shù)Table 3 Fitting model parameters of LAI and hyperspectral variables from flowering to milking stage
2.3.2 LAI估算的多元回歸模型
農(nóng)作物葉片中各種生化物質(zhì)對應特定的光譜吸收特征,是進行波段選擇的基本依據(jù)。但這些化學成分相互混合在一起,彼此間加強或削弱了各自的吸收特征。因此,估測某一生化成分時只用單一波段是不全面的,需要進行波段選擇和重組[16-17]。鑒于此,對表2和表3中的8個變量進行多元逐步回歸分析,建立LAI的多元回歸模型。
拔節(jié)-孕穗期:Y=-34.517+940.241dρ750/dλ750-13.026SDr +33.692VI6。r2=0.925,P<0.01,F(xiàn)=53.545,RMSE=0.315。
2.3.3 模型比較和選擇
拔節(jié)-孕穗期多元回歸模型的決定系數(shù)在0.9以上,大于單變量最優(yōu)模型;RMSE小于單變量最優(yōu)模型,因此認為光譜數(shù)據(jù)能夠完整獲取的情況下,拔節(jié)-孕穗期應選擇多元回歸模型對葉面積指數(shù)進行模擬計算。開花-乳熟期多元回歸模型的決定系數(shù)略小于單變量最優(yōu)模型,但RMSE小于單變量最優(yōu)模型,因此開花-乳熟期在光譜數(shù)據(jù)能夠完整獲取的情況下,應優(yōu)先使用多元回歸模型。
利用高光譜遙感數(shù)據(jù)估算小麥、棉花和水稻的葉面積指數(shù)已經(jīng)有很多研究。本研究對高光譜數(shù)據(jù)進行倒數(shù)對數(shù)、一階導數(shù)、二階導數(shù)變換,并選取基于高光譜位置變量、面積變量和植被指數(shù)變量的常見高光譜特征指數(shù)和LAI進行相關(guān)性分析及模型精度比較,以篩選冬小麥最優(yōu)LAI估算模型。研究表明,與單純進行RVI、DVI、NDVI等常規(guī)植被指數(shù)反演LAI相比,從不同曲線特征進行高光譜位置、面積和植被指數(shù)分析會更加直接和全面[18-20]。另外,針對黃淮地區(qū)冬小麥LAI模擬研究目前還未見分生育時期建立模型的報道。本研究對拔節(jié)-孕穗、開花-乳熟期分別進行建模,結(jié)果證實了分生育時期建模的必要性。每個生育時期的敏感波段不同,尋找每個生育時期最敏感的波段和指數(shù)分別進行建立模型,才能提高葉面積指數(shù)估算的精度。這與辛明月等[5]研究結(jié)果相似。本研究由于采樣時間限制,只在冬小麥拔節(jié)-孕穗、開花-乳熟期各進行了兩個時次的數(shù)據(jù)采集,可能代表性不夠強;針對特定的時間、研究區(qū)建立的經(jīng)驗模型是否具備普適性還需進一步探討;另外,滎陽地區(qū)連片冬小麥種植區(qū)面積有限,要進行大尺度遙感葉面積指數(shù)反演有難度,后期將主要針對鶴壁萬畝方試驗基地進行遙感數(shù)據(jù)反演等研究。