冬小麦生育前期LAI高光谱反演研究

何小安，李存军，周静平，赵 叶，葛 艳

（1. 北京农业信息技术研究中心，北京100097；2. 西安科技大学，陕西西安710054）

0 引言

冬小麦（Triticum aestivumL.）是我国重要的粮食作物，研究冬小麦理化生长信息对指导农业管理和粮食增产有重大意义［1］。叶面积指数（Leaf Area Index，LAI）是表征植被长势的重要指标，对研究作物水肥管理、产量估测、病虫害预防、长势监测具有重要作用［2-4］。LAI被广泛应用到植物生长模型、冠层反射模型、能量平衡模型和气候模型等研究中［5］。近年来高光谱遥感快速发展，推动了植被理化参数的高精度反演研究［6-8］，高光谱遥感技术能够获取被测地物连续的光谱信息，可以充分显示光谱特征，获取更多的信息［9］。

专家和学者针对植被LAI动态变化进行了大量的研究。吴伶、李子扬等通过构建辐射传输模型来提高植被LAI的反演精度，实现了植被不同生育期LAI的估算研究［10-12］。冯伟、张连蓬、梁亮、高林等建立了叶面积指数与植被指数的统计模型，能有效评价植被生长状况［13-16］。LAI高光谱遥感反演在冬小麦、玉米、马铃薯、大麦、甜菜以及烟叶等作物上都有成功应用［17-20］。冬小麦LAI研究主要集中在冬小麦生物量高且植被覆盖度大的生长中后期（包括旗叶期、开花期），而对生育前期（如越冬期、拔节期等）冬小麦LAI的研究则较少。开展冬小麦生育前期LAI高光谱反演，对冬小麦面积监测、越冬期分类管理等具有重要意义，如张向前等通过监测小麦生育前期不同田块的LAI差异了解整个区域小麦的播期情况［21］。由于小麦生育前期植株和叶片较小，植被覆盖率低，导致麦苗LAI较小，遥感光谱容易受到土壤背景影响。众多学者对高光谱反演中土壤背景影响问题进行了深入研究。胡新博、Haboudane、Darvishzadeh、Atzberger、Zhao等研究不同波段组合、李鑫川通过分段的方式选择敏感植被指数以减少土壤等背景影响，建立植被指数与LAI的函数关系，进行LAI反演，有较高的反演精度［22-28］。而Barati、Wu、虞连玉、马中刚、夏颖等学者通过改进植被指数，或是利用新型建模估算方法提高稀疏植被LAI反演精度［29-33］，降低土壤背景光谱的影响。

近年来越来越多的中高分辨率遥感数据出现，如CHRIS数据、MODIS数据、高分数据等，为小麦生育前期长势监测提供了充足的数据源，但针对小麦生育前期植被覆盖度低情况下的LAI反演方法研究还较少，生育前期敏感波段和植被指数筛选的研究有待深入开展。

文章以生育前期冬小麦为研究对象，采用ASD地物光谱仪定期获取生育前期研究区内冬小麦的高光谱数据并实测田间小麦LAI，采用单变量回归、偏最小二乘多变量回归方法探讨生育前期冬小麦不同植被指数反演LAI的可行性，比较双波段组合植被指数和多波段组合植被指数的反演效果，找出生育前期冬小麦最佳反演指数，为冬小麦早期长势和苗情监测提供支撑。

1 材料与方法

1.1 实验设计

冬小麦实验田位于北京市昌平区小汤山镇东北部国家精准农业示范基地（40°10′55.76″N～40°11′1.48″N，116°26′52.81″E～116°26′53.56″E），实验田地势平坦，土壤类型为潮土，小麦品种为“京东17号”。

实验安排在2016年9月至2017年3月进行。为了造成LAI差异，实验分4个实验小区，同一小区播种时间相同，不同小区播种时间不同，播种时间分别为2016年9月23日、9月30日、10月08日、10月14日4个日期，每推迟一周播种则小麦播种量增加1.5 kg/hm2。每个实验区大小为10.8 m×45 m，播种时种肥同播，底肥均是3 kg/hm2。

1.2 数据获取

在冬小麦生育前期进行7次田间观测实验，具体日期分别为2016-10-31、2016-11-08、2016-11-15、2016-12-07、2016-12-15、2017-01-11、2017-03-16。4个实验小区中每小区测量2个样点，每次实验测量8组冬小麦冠层高光谱数据以及对应的LAI数据，7次观测共获取56组数据。

1.2.1 LAI实测数据

实验采用比叶重法获取LAI［34］。每个样点附近取40 cm×2行的冬小麦样品放于取样袋中带回实验室测定。用Yaxin-1241叶面积仪对挑选的2株比较完整且没有枯叶的冬小麦所有叶片测定面积，装入取样袋烘干后称重，最后再将剩下的样品全部烘干后称重。

LAI计算公式为：

式（1）中，A为取样面积，S为叶面积仪测量的叶片面积，W1叶面积仪测量的叶片干重，W2为剩下样品叶片干重。

1.2.2 冬小麦冠层反射光谱的测定

冬小麦冠层反射光谱的测定采用ASD FieldSpec Pro FR型地物光谱仪，观测时探头垂直向下，距离地面1.3 m，25°视场角，地面视场范围直径50 cm，测量时间为每次观测实验当日的11：00 —13：00。观测采用辐射亮度模式，光谱波长范围为350～2 500 nm， 每个样点观测重复测量20次取平均，每次测量前后均用标准的BASO4参考板进行 校正。

1.3 数据分析

采用SPSS软件进行数据分析，将得到的光谱反射率数据进行相关性分析与基本描述分析，建立实测植被LAI数据与光谱反射率数据的相关关系［35］。在该研究中，与LAI进行相关性分析的植被指数包括2部分，该文构造优选的新植被指数、前人研究使用的植被指数。

1.3.1 已有植被指数候选

分析前人研究建立的植被指数，优选出28种双波段植被指数作为候选植被指数代表开展分析（表1）。这些植被指数包括土壤调节植被指数、归一化植被指数、改进型归一化植被指数、简单比值植被指数等。这些指数中有些植被指数用于消除部分辐射误差、检测植被覆盖度和植被生长状态，有些对作物长势比较敏感且与植被生物量、覆盖度等具有较高相关性［36-37］。

另选出12种多波段植被指数作为候选植被指数进行分析（表2），包括改进型多波段组合比值植被指数、对土壤背景变化极为敏感的改进型多波段组合差值植被指数。已有的研究表明这些指数能进一步消除高光谱反演中土壤背景对植被长势的影响。

表1 双波段组合植被指数Table 1 Vegetation indices of composite dual band

续表1

表2 多波段组合植被指数Table 2 Vegetation indices of multi composite band

续表2

1.3.2 LAI敏感波段及构造优选的新植被指数

基于350～2 500 nm全波段实测高光谱反射率数据，选择具有代表性的归一化、差值、改进型、比值型的4类简单双波段组合植被指数（NDVI，DVI，OSAVI，RVI），分析生育前期冬小麦冠层光谱反射率变化特征。利用MATLAB绘制4类植被指数与LAI的相关关系矩阵图，分析并筛选LAI敏感波段，优选出新的植被指数。

1.3.3 生育前期冬小麦LAI高光谱反演模型及验证

该文采用单变量模型和偏最小二乘多变量回归模型进行植被指数与LAI的相关性分析。

单变量模型以LAI为因变量，利用实测的小麦冠层光谱数据，以3种类型的组合植被指数为自变量，建立LAI的遥感估算模型，即LAI=f（x），其中x为相应植被指数，在线性回归、指数回归、对数回归、多项式回归方程中，选择最优方程。

偏最小二乘多变量回归模型是在单变量模型中选取模型决定系数较高的多种植被指数，使用偏最小二乘多元回归（PLS）进行LAI预测，以期抑制土壤背景的影响，提高生育前期冬小麦LAI高光谱反演精度。

为选取反演精度最高的模型，用重复5次的十折交叉验证方法进行建模验证，R2以及RMSE作为模型的评价指标。十折交叉验证中模型数据集分成10份，其中9份用于训练，1份用于验证，将10次结果的差错率（或正确率）的平均值作为对验证结果精度的估计。

2 结果

2.1 LAI敏感波段及构造优选的新植被指数

350～2 500 nm全波段实测高光谱反射率构建的NDVI、DVI、OSAVI、RVI植被指数与生育前期冬小麦LAI相关关系矩阵如图1所示。4类植被指数与LAI相关性分布情况类似，在700～1 400 nm包含红边波段与近红波段范围组合的植被指数与LAI的相关性最高，相关系数均达到0.6以上。在1 900～2 500 nm波段范围，DVI、OSAVI、RVI的相关系数达到0.5以上，但NDVI的相关系数比其余3种植被指数的相关系数略低。

图1 冬小麦LAI与植被指数相关关系矩阵Fig.1 Correlation matrix between wheat LAI and vegetation indices

根据图1中4类植被指数NDVI，DVI，OSAVI，RVI与LAI的相关性，筛选敏感窄波段植被指数7个（表3），参与冬小麦植被指数与LAI的相关性分析。

表3 LAI敏感波段组合优选的新植被指数Table 3 New vegetation indices of LAI sensitive band composite

2.2 植被指数与LAI相关性

47个植被指数与冬小麦LAI的相关系数见图2～4。图2中双波段组合植被指数与冬小麦LAI的相关系数r的绝对值均在0.6以上，表明具有显著相关关系。其中PSSRc（800，470），MSR（800，670），PVR（650，550）的相关系数达到0.8以上，表现出与冬小麦LAI存在极显著相关。其中PRIb（570，539），PRI（570，531）2个指数的相关系数r为负值，|r|＞0.7，表明该指数与冬小麦LAI存在显著负相关。图3中多波段组合植被指数与冬小麦LAI有较好的正或负相关性，其中MCARI2（800，670，550）相关性最大，相关系数达到了0.8以上。图4中敏感波段组合植被指数与LAI相关系数绝对值均在0.75以上，其中OSAVI（952，950）相关系数为-0.865，DVI（952，950）相关系数为-0.863，以及NDVI（950，956）相关系数为-0.842。

图2 双波段组合植被指数与LAI相关系数折线图Fig.2 Correlation line graph of vegetation indices of composite dual band and LAI

图3 多波段组合植被指数与LAI相关系数折线图Fig.3 Correlation line graph of vegetation indices of multi composite composite band and LAI

图4 构造优选的新植被指数 与LAI相关系数折线图Fig.4 Correlation line graph of new vegetation indices of sensitive band and LAI

2.3 LAI单变量回归模型

该研究舍弃波段相近的3个指数NDVI（950，956），DVI（952，950），OSAVI（952，950）后保留44个植被指数，分别建立各植被指数与LAI之间的指数回归、线性回归、对数回归、多项式回归和幂数回归方程，选择最优方程结果如表4。同一指数不同类型的回归模型对结果精度存在一定影响，选取拟合度较高、相对误差较小的模型为最终估算模型。44个植被指数的回归模型中决定系数R2为0.416～0.739，均方根误差为0.431～3.147。

从表4可知，基于RVI（1 868，1 946）和指数回归构建的LAI估算模型决定系数为0.739，拟合度最高。比值植被指数能增强土壤与植被的反射对比，受土壤的影响较少，与植被物理参数的线性关系显著，因此在生育前期冬小麦LAI的拟合中表现出较高的精度。但是光谱1 830～2 080 nm波段是水分和二氧化碳的强吸收带，冬小麦冠层反射率受水汽、二氧化碳等影响较大，因而RVI（1 868，1 946）反演LAI的估算模型只能作为参考模型。

双波段组合植被指数PVR（650，550）与多波段组合植被指数VARI（680，555，480）分别以0.730、0.700的决定系数构建的估算模型精度相对略低。土壤和植被在绿峰和红边上植被的反射率差异最明显［38］，尤其是绿色波段（约560 nm）和红边波段（685～765 nm），因此PVR（650，550）代表反射率在绿色波段和红色波段组合可实时反映冬小麦前期长势动态变化。VARI（680，555，480）是NDVI的改进，它表示可见光大气阻抗指数，使用蓝色波段矫正大气散射的影响，可以消除水汽对目标物反射光谱的影响。因此基于以上植被指数构建的回归模型均能取得较好的效果。

综上所述，受植被叶绿素含量、叶片含水量等影响较大的红边范围内的波段（650～750 nm）受土壤背景影响较小［39］，在冬小麦生长初期生物量低、植被覆盖度低的条件下，改进型植被指数综合考虑了土壤、大气等因素的影响，对LAI的总体反演效果较好。

表4 各波段组合植被指数与LAI的回归模型Table 4 Regression models of combined vegetation indices and LAI

续表4

2.4 LAI偏最小二乘多元回归模型

在44种植被指数中选取模型决定系数在0.6以上的20种植被指数，采用偏最小二乘多元回归方法建立LAI估算模型，模型构建结果为：

式（1）中，Xi为植被指数编号，分别为2，6，……，Y为LAI预测值。

RVI（1 868，1 946），PVR（650，550），VARI（680，555，480），PLS模型实测VS预测LAI结果见图5。单变量模型拟合度最高的是RVI（1 868，1 946）—LAI预测模型，但因组合波段易受水汽以及二氧化碳影响，故该模型只作为参考模型。PVR（650，550）— LAI模型的拟合度接近于1，以PVR（650，550）作为自变量进行建模，模型最优。VARI（680，555，480）—LAI模型也有较好的拟合度。而偏最小二乘多元回归多变量模型的线性系数为1且决定系数R2为0.779，RMSE为0.380，较单变量回归模型精度有所提高。

图5 预测值与实测值拟合结果Fig.5 Fitting results between predicted and measured value

3 结论

该研究基于冬小麦生育前期的冠层高光谱数据，综合考虑植被指数对土壤背景的敏感性，对生育前期冬小麦LAI进行高光谱反演，构建最优回归模型。通过冬小麦LAI与植被指数相关关系矩阵分析，构造优选出7个对稀疏冬小麦LAI敏感的新植被指数；该研究中冬小麦生育前期LAI单变量反演较好的植被指数为PVR（650，550）、VARI（680，555，480）等；偏最小二乘多元回归多变量模型精度较单一植被指数也有所 提高。

冬小麦生育前期，植被生长比较稀疏，LAI较小且分布集中，冬小麦冠层高光谱受土壤背景影响较大，这对利用高光谱遥感数据进行冬小麦生育前期LAI估算提出挑战。该研究针对一年的冬小麦高光谱数据的经验模型进行数据分析研究，下一步考虑结合辐射传输模型在理论基础上对多年植被指数做稳定性分析验证，同时利用卫星高光谱遥感数据进行大区域实验验证。