基于高光谱遥感的小麦叶干重和叶面积指数监测

Chinese Journal of Plant Ecology

基于高光谱遥感的小麦叶干重和叶面积

指数监测

冯伟朱艳姚霞田永超曹卫星*

(南京农业大学/江苏省信息农业高技术研究重点实验室, 农业部作物生长重点开放实验室, 南京 210095)摘要生物量和叶面积指数(LAI)是描述作物长势的重要参数, 叶干重和LAI的实时动态监测对小麦(Triticum aestivum)生长诊断和管理具有重要意义。为分析多种高光谱参数估算小麦叶干重和LAI的效果, 建立小麦叶干重和LAI的定量监测模型, 该研究连续3年采用不同小麦品种进行不同施氮水平的大田试验, 于小麦不同生育期采集田间冠层高光谱数据并测定叶片叶干重和LAI。试验结果显示, 小麦叶干重和LAI随施氮水平的提高而增加, 随生育进程呈单峰动态变化模式。小麦叶干重和LAI与光谱反射率间相关性较好的区域主要位于红光波段(590~710 nm, r<–0.60)和近红外波段(745~1 130 nm, r>0.69)。对于不同试验条件下的叶干重和LAI, 可以使用统一的光谱参数进行定量反演, 其中基于RVI (810, 560)、FD755、GM1、SARVI (MSS)和TC3等光谱参数的方程拟合效果较好。经不同年际试验数据的检验表明, 以参数RVI (810, 560)、GM1、SARVI (MSS)、PSSRb、(R750-800/R695-740) –1、VOG2和MSR705为变量建立的叶干重和LAI监测模型均给出较好的检验结果。因此, 利用关键特征光谱参数可以有效地评价小麦叶片生长状况, 尤其是光谱参数RVI (810, 560)、GM1和SARVI (MSS)可以对不同条件下小麦叶干重和LAI 进行准确可靠的监测。

关键词小麦叶干重叶面积指数高光谱遥感监测模型

MONITORING LEAF DRY WEIGHT AND LEAF AREA INDEX IN WHEAT WITH HYPERSPECTRAL REMOTE SENSING

FENG Wei, ZHU Yan, YAO Xia, TIAN Yong-Chao, and CAO Wei-Xing*

Hi-Tech Key Laboratory of Information Agriculture of Jiangsu Province, Key Laboratory of Crop Growth Regulation, Ministry of Agriculture, Nanjing Agricultural University, Nanjing 210095, China

Abstract Aims Biomass and leaf area index (LAI) are important parameters for indicating crop growth potential and photosynthetic productivity in wheat. Non-destructive, quick assessment of leaf dry weight and LAI is necessary for growth diagnosis and cultural regulation in wheat production. The objectives of this study were to determine the relationships of leaf dry weight and LAI to ground-based canopy hyperspectral reflectance and spectral parameters and to derive regression equations for moni-toring leaf dry weight and LAI in winter wheat (Triticum aestivum) with hyperspectral remote sensing.

Methods Three field experiments were conducted with different wheat varieties and nitrogen levels for three growing seasons, and time-course measurements were taken on canopy hyperspectral reflec-tance and leaf dry weight and LAI during the experiments. Experiment one was conducted in 2005−2006 to construct a monitoring model with four N rates of 0, 90, 180 and 270 kg·hm–2 using cul-tivars ‘Ningmai9’ and ‘Yumai34’ (low and high protein types, respectively). Experiment two was un-dertaken in 2004−2005 to construct a monitoring model with four N rates of 0, 75, 150 and 225 kg·hm–2 using cultivars ‘Ningmai9’, ‘Yangmai12’ and ‘Yumai34’ (low, medium, high protein types, respec-tively). Experiment three was conducted in 2003−2004 to test a monitoring model with four N rates of 0, 75, 150, 225 and 300 kg·hm–2 using cultivars ‘Ningmai9’, ‘Huaimai20’ and ‘Xuzhou26’ (low, me-dium, high protein types, respectively).

Important findings Leaf dry weight and LAI in wheat increased with increasing nitrogen rates and ——————————————————

收稿日期: 2007-06-26 接受日期: 2007-10-16

基金项目: 国家自然科学基金(30671215和30400278)和江苏省自然科学基金(BK2005212和BK2003079)

* 通讯作者 Author for correspondence E-mail: caow@njau.edu.cn1期冯伟等: 基于高光谱遥感的小麦叶干重和叶面积指数监测DOI: 10.3773/j.issn.1005-2x.2009.01.004 35 with significant differences between stages of growth. The dynamics of leaf dry weight and LAI during growth exhibited single peak patterns. The sensitive spectral bands were located mostly within red light and near infrared regions, with correlation coefficients <–0.60 in 590~710 nm and >0.69 in 745~1 130 nm. The regression analyses between existing vegetation indices and leaf dry weight and LAI revealed that some key spectral parameters could accurately estimate changes in leaf dry weight and LAI across a broad range of stages of growth, nitrogen levels and growing seasons, with unified spectral parameters for each growth parameter. Among them, regression models based on RVI (810, 560), FD755, GMI, SARVI (MSS) and TC3 produced better estimation of leaf dry weight and LAI. Testing of the monitoring models with an independent dataset indicated that the spectral indices of RVI (810, 560), GMI, SARVI (MSS), PSSRb, (R750-800/R695-740)-1, VOG2 and mSR705 gave accurate growth estimation under the ex-perimental conditions. Overall, leaf dry weight and LAI in wheat could be monitored by key vegetation indices, with more reliable estimation from RVI (810, 560), GMI and SARVI (MSS).

Key words wheat (Triticum aestivum), leaf dry weight, leaf area index (LAI), hyperspectral remote sensing, monitoring model

DOI: 10.3773/j.issn.1005-2x.2009.01.004

生物量和叶面积是生态系统中表征植被冠层结构最重要的参数, 参与许多生物和物理过程。群体叶片重量和LAI可以表征作物长势状况, 对光能利用、干物质生产及产量形成具有重要作用, 因而叶片重量和LAI的实时动态监测始终是农学家关注的热点问题。前人对作物地上部生物量、叶片重量和叶面积指数的光谱反演已进行了大量工作。国内外的研究显示, 冠层光谱比值植被指数和归一化植被指数可以有效地反演水稻(Oryza sativa)地上部生物量(Shibayama & Akiyama, 19; 唐延林等, 2002)。小麦(Triticum aestivum)地上部生物量与归一化差值植被指数NDVI (708, 565)关系密切, 偏最小二乘法估算效果更好(Hansen& Schjoerring, 2003)。蓝边内一阶微分的总和(SD b)与红边内一阶微分的总和(SD r)两者比值与水稻地上部生物量关系密切(王秀珍等, 2003)。叶片重量与地上部生物量比较, 关于叶片重量的研究相对较少, 但对禾本科作物来讲, 叶片生理生态作用更为重要, 其重量对小麦作物生产影响很大。研究表明, 利用偏最小二乘回归模型可以对水稻叶片干重进行预测(Takahashi et al., 2000; Nguyen & Lee, 2006)。比值植被指数R990/R550、R800/R550、R750/R550、R800/R680及红边参数与水稻、玉米(Zea mays)和棉花(Gossypium hirsutum)等3种作物的叶鲜重和叶干重均存在极显著相关关系(唐延林等, 2004)。关于LAI的研究表明, LAI与群体反射率及一阶微分光谱均表现良好的相关性(刘伟东等, 2000)。通过构造不同形式光谱参数均可以用来反演LAI, 如比值植被指数、归一化植被指数和垂直植被指数等(Pearson & Miller, 1972; Rouse et al., 1974; Richardson & Wiegand, 1977; Shibayama & Akiyama, 19; 张晓阳和李劲峰, 1995)。基于波形分析的红边参数对LAI也表现敏感(Patel et al., 2001; Zhao et al., 2002; 王秀珍等, 2002)。纵观作物长势遥感的已有进展, 许多研究对叶片重量和LAI的光谱反演均取得了比较满意的结果, 但缺乏两者间的比较分析, 且用来估算叶片重量和叶面积指数的适宜特征光谱及参数随不同作物和试验条件而有所差异。此外, 前人研究结果多基于单年数据, 且参与建模的生育阶段较少, 因而模型的可靠性和适用性需要进一步加强。因此, 建立通用的且精度较高的作物叶干重和叶面积指数监测模型尚需要进一步探索和明确。

本研究充分利用植物的高光谱反射率在较宽波谱范围内具有连续、精细的特点, 试图获得丰富的波段组合及参数类型, 增强对小麦冠层结构生物物理参数的预测能力。本试验以不同年份、品种类型、施氮水平的田间试验为基础, 综合分析小麦多生育期叶干重和叶面积指数与对应冠层高光谱参数的定量关系, 测试比较多种特征光谱参数估算叶干重和叶面积指数的效果, 以期确立小麦作物叶干重和叶面积指数的定量监测模型。预期结果将为遥感技术在小麦长势监测和产量预报的可能应用提供理论依据和技术支持。

1材料与方法

1.1试验设计36 植物生态学报 www. plant-ecology.com 33卷

本研究共进行了3个田间试验, 涉及到不同年份、不同品种类型、不同施氮水平, 具体试验设计描述如下。

试验1 (EXP.1): 2005~2006年在江苏省南京市农林局试验站(南京市江宁区, 118°59′ E, 31°56′N)进行。供试品种为‘宁麦9号’(低蛋白含量, 约10%, 记作N9), ‘豫麦34’(高蛋白含量, 约15%, 记作Y34)。土壤质地为黄棕壤, 有机质1.43%, 全氮0.11%, 速效氮62.5 mg·kg–1, 速效磷10.36 mg·kg–1, 速效钾82.5 mg·kg–1。前茬为水稻, 试验设4个施氮水平, 分别为0 (N0)、90 (N1)、180 (N2)和270 (N3) kg·hm–2纯氮, 其中50%用作基肥, 50%为拔节期追肥, 各处理配施150 kg·hm–2P2O5和210 kg·hm–2K2O, 磷钾肥全部用作基肥。试验为随机区组排列, 3次重复, 小区面积5 m×5.5 m, 基本苗1.8×106·hm–2, 行距25 cm, 11月16日播种, 其它栽培管理措施同一般高产麦田。田间光谱测试和采样日期分别为: 3/30 (拔节期, Jointing)、4/11 (孕穗期, Booting)、4/20 (抽穗期, Heading)、4/29 (开花期, Anthesis)、5/8 (花后9 d, DAA9)、5/18 (花后19 d, DAA19)和5/24 (花后25 d, DAA25)。该试验资料用于监测模型的构建。

试验2 (EXP.2): 2004~2005年在江苏省农业科学院(南京市孝陵卫, 118°78′ E, 32°04′ N)进行。供试品种为‘宁麦9号’(低蛋白含量, 约10%, 记作N9), ‘扬麦12号’(中蛋白含量, 约12.5%, 记作Y12), ‘豫麦34’(高蛋白含量, 约15%, 记作Y34)。土壤质地为重粘土, 有机质2.09%, 全氮0.18% , 速效氮150.20 mg·kg–1, 速效磷140.03 mg·kg–1, 速效钾113.50 mg·kg–1。前茬为水稻, 试验设4个施氮水平, 分别为0 (N0)、75 (N1)、150 (N2)和225 (N3) kg·hm–2纯氮, 其中50%用作基肥, 50%为拔节期追肥。各处理配施80 kg·hm–2P2O5和150 kg·hm–2 K2O, 磷钾肥全部用作基肥。试验为随机区组排列, 3次重复, 小区面积4 m×4.5 m, 基本苗1.5×106·hm–2, 行距25 cm, 11月7日播种, 其它栽培管理措施同一般高产麦田。田间光谱测试和采样日期分别为: 3/19 (拔节期)、4/13 (孕穗期)、4/26 (开花期)、5/6 (花后10 d, DAA10)、5/17 (花后21 d, DAA21)和5/24 (花后28 d, DAA28)。该试验资料用于监测模型的构建。

试验3 (EXP.3): 于2003~2004年在江苏省农业科学院(南京市孝陵卫, 118°78′ E, 32°04′ N)进行。前茬水稻田, 供试土壤为黄黏土, 有机质0.96%, 全氮0.10%, 速效磷40.29 mg·kg–1, 速效钾102.78 mg·kg–1。供试小麦品种为‘宁麦9号’(低蛋白质含量, 约10%)、‘淮麦20 ’(中蛋白质含量, 约12%)和‘徐州26’(高蛋白质含量, 约15%)。设5个施氮水平, 分别为0、75、150、225和300 kg·hm–2纯氮, 其中60％作基肥, 拔节肥和孕穗肥各占20%。各处理配施P2O5 150 kg·hm–2和K2O 112.5 kg·hm–2, 全部用作基肥。小区面积为16 m2, 基本苗为1.8×106·hm–2, 行距25 cm, 11月1日播种, 。试验为随机区组排列, 3次重复。其它管理措施同高产大田栽培。对‘淮麦20’品种而言, 仅在开花期进行田间光谱测试, 而‘宁麦9号’和‘徐州26’品种田间光谱测试和采样日期分别为: 3/28 (孕穗期)、4/20 (开花期)、5/4 (花后14 d, DAA14)和5/16 (花后26 d, DAA26)。该试验资料用于监测模型的检验。

1.2 测定方法

1.2.1 光谱数据测定

小麦冠层光谱测量采用美国Analytical Spec-tral Device (A SD)公司生产的FieldSpec Pro FR2500型背挂式野外高光谱辐射仪。波段值为350~2 500 nm, 其中350~1 000 nm光谱采样间隔为1.4 nm, 光谱分辨率为3 nm; 1 000~2 500 nm光谱采样间隔为2 nm, 光谱分辨率为10 nm。冠层光谱测定选择在天气晴朗、无风或风速很小时进行, 时间范围为10:00~14:00。测量时传感器探头垂直向下, 光谱仪视场角为25°, 距冠层顶垂直高度约1.0 m, 地面视场范围直径为0.44 m。以10个光谱为一采样光谱, 每个观测点记录10个采样光谱, 以其平均值作为该观测点的光谱反射值。测量过程中, 及时对每组目标的观测前后进行标准白板校正(标准白板反射率为1, 因此所得目标物光谱为无量纲的相对反射率)。

1.2.2 叶干重和叶面积测定

与光谱测量同步, 每小区在拔节期选取有代表性小麦20株, 孕穗期以后取小麦50个单茎, 将绿色叶片按叶位分离, 称重, 在105 ℃下杀青并在80 ℃下烘干后称重, 得到各叶位叶片干重及绿色叶片的总干重(LW)。同步利用CID-301型叶面积仪测定每个叶位叶片20张样叶并称重, 由于叶干重与其面积间存在一定的比例关系, 采用比叶重法(Specific leaf weight, SLW)求得所有取样

1期 冯 伟等: 基于高光谱遥感的小麦叶干重和叶面积指数监测

DOI: 10.3773/j.issn.1005-2x.2009.01.004 37

植株不同叶位叶片面积, 进而计算出单一植株(单茎)的每个叶位叶面积, 然后与单位土地面积植株(单茎)数相乘, 就得到了单位土地面积内的每个叶位叶片面积, 将所有叶位绿叶片面积相加即得到总叶面积指数(LAI )。单位土地面积植株(单茎)数是通过关键生育期群体样本调查得到的, 具体为每个小区定两个样本区(1 m 长, 4行, 折合面积1 m 2), 调查1 m 2内实际小麦株数和单茎数。 1.3 数据分析与利用

本研究综合了已有光谱参数的算法, 并在MATLAB 语言环境下编程实现。以试验1和试验2

资料为基础, 对小麦冠层多个光谱参数与叶干重和LAI 进行相关分析, 选择与叶干重和LAI 显著相关的敏感波段及光谱参数, 通过回归分析建立小麦叶干重和LAI 监测模型, 利用估计标准误差(SE )和拟合决定系数(R 2)优化方程。

然后利用试验3资料对所筛选建立的模型进行测试和检验, 采用平均相对误差(RE )、预测精度(R 2)和准确度(SLOPE, 截距为0时估算值与实测值间线性回归方程的斜率)进行综合评定, 并绘制观察值与预测值之间1:1关系图。经相关回归分析后优选出表现较好的高光谱参数及其定义见表1。

表1 本文采用的高光谱参数列表

Table 1 Summary of different hyperspectral parameters used in this study

光谱参数 Spectral parameter

定义与算法 Definition and algorithm 参考文献 Reference

RVI 两波段反射率比值 Ratio of reflectance at λ1 and λ2

R λ1/R λ2

Rouse et al . (1974)

SARVI (MSS) 基于MSS 波段的土壤调整比值植被指数 Soil adjusted ratio vegetation indices on

data from MSS MSS7/(MSS5+b/a)

Lyon et al . (1998)

TC3 穗帽变换第三分量 The third variable extracted using Tasseled Cap transformation

-0.829MSS4+0.522MSS5–0.039MSS6+0.194MSS7

Kauth & Thomas (1976)

GM1 750 nm 与550 nm 处反射率比值 Ratio of reflectance at 750 nm to reflectivity at

550 nm R 750/R 550

Gitelson & Merzlyak (1994)

VOG2 红边光谱比值植被指数 Red edge reflectance-ratio indices

(R 734–R 747)/(R 715+R 726)

Zarco-Tejada et al . (2001)

MSR705 修正SR 705植被指数 Simple ratio indices modified on SR 705

R 750–R 445/R 705–R 445

Sims & Gamon (2002)

PSSRb Ratio of reflectance at 800 and 635 nm

R 800/R 635

Blackburn (1998)

(R 750-800/R 695-740)-1 宽波段695~740 nm 反射率倒数与750~800 nm 反射率组合指数 Broad spectral

bands indice with reciprocal reflectance from 695 to 740 nm and reflectance from 750 to 800 nm (R 750-800/R 695-740)–1

Gitelson et al . (2003)

D r/D b 红边内一阶微分最大值与蓝边内一阶微分最大值的比值

Radio of the red edge amplitude and the blue edge amplitude

Max (d R(λi)/d λi)／max (d R(λj)/d λj), i=680–760 nm, j=490–530 nm Wang XZ (王秀珍) et al .

(2003)

SD r/SD b 红边内一阶微分总和与蓝边内一阶微分总和的比值

Radio of the red-edge integral areas and the blue-edge integral areas

Wang XZ (王秀珍) et al . (2003)

MSR

修正型简单比值指数 Modified simple ratio

(R λ1/R λ2-1)/[(R λ1/R λ2)0.5–1]

Chen (1996)

2 结果与分析

2.1 小麦叶干重和叶面积指数的变化

小麦绿色叶干重和LAI 是两个重要的冠层结构参数, 是表征冠层功能过程的重要指标。图1显示不同氮肥水平下小麦叶干重和LAI 随生育时期的动态变化规律。可以看出, 小麦叶干重和LAI 随施氮量的增加而增加, 不同品种及不同生育时期均表现相似, 且两年变化趋势一致。年度间比较, 试验2 (2004~2005)中的小麦叶干重和LAI 显著高于试

验1 (2005~2006), 这与试验2的基础肥力高于试验1密切相关。叶干重和LAI 在品种间存在差异, 由于试验1中N0处理的植株氮素营养极度贫乏, 叶干重和LAI 表现很小, 且两品种差异较小; 而在其它氮素条件下, ‘宁麦9号’显著高于‘豫麦34’, 这与‘宁麦9号’具有较高的氮素吸收和利用效率有关。

对4个施氮水平间叶干重和LAI 的差异分析显示, 试验1中除拔节期外, 不同氮肥处理间均达显著水平, 且氮素对叶干重和LAI 的促进效应以开

()()∑∑=−+=−+−−53049011755

680112/2

/i i i i i i R R R R

38 植 物 生 态 学 报

www. plant-ecology.com 33卷

花期最为显著, ‘宁麦9号’高于‘豫麦34’, N3较N0处理叶干重分别增加了3.38和2.74倍, LAI 则分别提高了3.33和2.37倍; 而试验2由于基础肥力较高, 不同氮肥处理间差异均较小。叶干重和LAI 随生育时期的变化趋势与氮素营养密切相关。由

于试验1中N0处理氮素缺乏, ‘豫麦34’呈逐渐下降趋势, ‘宁麦9号’则表现为近似单峰曲线; 而在其它氮素条件下均表现出明显的单峰动态, 且‘宁麦9号’峰值更为明显。在孕穗期至开花期, 植株生长旺盛, 叶干重和LAI 持续维持较高水平。

图1 不同施氮水平下小麦叶干重和LAI 的变化

Fig. 1 Changes of leaf dry weight and leaf area index (LAI ) in wheat under different N rates

N9、Y34: 表示‘宁麦9号'和‘豫麦34' Denote Ningmai 9 and Yumai34 EXP.1、EXP.2: 表示试验1和试验2 Denote experiment one and experiment two N0、N1、N2和N3: 在试验1中为0, 90, 180, 270 kg N·hm –2；在试验2中为0, 75, 150, 225 kg N·hm –2 In EXP.1 is 0, 90, 180, 270 kg N·hm –2 and In EXP.2 is 0, 75, 150, 225 kg N·hm –2 DAA9 、DAA10、 DAA19、 DAA21、DAA25 和DAA28: 表示花后第9、10、19、21、25和28天 Denote the 9th, 10th, 19th, 21st, 25th and 28th day after anthesis, respectively

2.2 小麦冠层光谱特征与叶干重和LAI 的相关性

利用试验1和试验2中‘宁麦9号’开花期冠层高光谱反射率为例, 说明不同氮素水平下小麦冠层高光谱反射率的响应模式(图2A), 并将试验1和试验2中叶干重和LAI 与对应冠层光谱反射率进行相关分析(图2B)。由图2A 可知, 冠层光谱反射率在350~710和1 400~2 500 nm 波段随施氮水平的增加而降低, 相反, 在740~1 100 nm 波段范围内而提高, 但在1 100~1 400 nm 波段内未表现出明显规律。年度间比较, 具有明显差异且规律性变化的波段区域主要存在于紫外可见光波段

(350~710 nm)和近红外反射平台(740~1 100 nm)区域。由于年度间冠层结构存在显著差异, 必然对光谱特征产生重要影响, 试验2中基础肥力较高, 小麦长势好, 植被盖度高, 在可见光部分由于叶绿素强烈吸收而反射率较低, 在近红外平台区域由于冠层结构作用导致反射率表现较高。对可见光区和近红外反射平台区进行比较分析, 近红外反射平台区域对不同氮素水平表现更敏感, 而可见光区在较低氮素水平下便趋于饱和。

图2B 表示小麦叶干重和LAI 与冠层光谱反射率的相关系数。可以看出, 叶干重相关性好于LAI ,

存在明显差异的区域为可见光波段(520~700 nm)和近红外波段(760~1 130 nm)。波长小于726 nm 和大于1 350 nm, 光谱反射率与叶干重和LAI呈负相关, 其中在590~710 nm间相关系数存在一个较低的波谷(r<–0.60), 而在745~1 130 nm间相关系数存在一个较高的平台(r>0.69)。690~760 nm区域, 称之为红边, 随波长增加, 相关系数迅速变化, 且有质的转化; 其中726 nm附近相关系数迅速接近于零, 在此区域向长波方向移动, 色素对光能的吸收逐渐减弱, 而细胞结构对光的反射开始增强, 在近红外反射平台区域对冠层及叶片结构表现最为敏感。2.3 小麦叶干重和LAI与冠层高光谱参数的定量关系

本研究综合不同年份和不同时期的小麦叶干重和LAI与冠层光谱参数分别进行回归分析, 表现较好的14个参数、拟合方程、决定系数及标准误差见表2。总体上, 回归方程表现为线性关系, 采用其它形式函数并不能有效改善方程的拟合效果, 其中代表性回归方程的拟合效果展示于图3。可以看出, 利用关键光谱参数对叶干重和LAI分别进行方程拟合, 均取得较好效果, 但对叶干重估算的准确性要好于LAI。

图2 小麦冠层光谱反射率在不同氮素水平下的变化(A)及与叶干重(LW)和叶面积指数(LAI)的关系(B)

Fig. 2 Changes of canopy reflectance under different N rates (A) and relationships of reflectance to leaf dry weight (LW)

and leaf area index (LAI) (B) in wheat

图注同图1 Notes see Fig. 1

表2小麦叶干重和LAI与高光谱参数的定量关系

Table 2 Quantitative relationships of leaf dry weight and leaf area index (LAI) to some hyperspectral parameters in wheat (n=402)

叶干重Leaf dry weight 叶面积指数LAI 光谱参数

Spectral parameter 回归方程 Equation R2 SE回归方程 Equation R2 SE RVI (810, 560) y = 0.024 9x + 0.007 7 0.819 0.033 y = 0.561 3x + 0.183 3 0.767 0.846 FD755y = 0.609 2x + 0.054 6 0.817 0.033 y = 13.957x + 1.212 0.788 0.820 GM1y = 0.031 4x - 0.006 4 0.817 0.033 y = 0.703 2x - 0.104 4 0.751 0.872 SARVI (MSS) y = 0.012 6x + 0.040 6 0.814 0.033 y = 0.278 7x + 0.967 2 0.736 0.6 TC3y = 0.047 3x - 0.027 0.806 0.034 y = 1.065 5x - 0.590 2 0.751 0.877 RVI (900, 680) y = 0.008 7x + 0.050 5 0.807 0.034 y = 0.192 5x + 1.200 4 0.719 0.923 MSR (800, 670) y = 0.054 2x + 0.033 4 0.814 0.034 y = 1.192 1x + 0.826 5 0.724 0.923 SD r/SD b y = 0.011 6x + 0.019 5 0.805 0.034 y = 0.259 7x + 0.4 7 0.746 0.874 PSSRb y = 0.011 7x + 0.045 8 0.806 0.034 y = 0.259 3x + 1.0 0.724 0.913 (R750-800/R695-740)–1 y = 0.107 2x + 0.030 6 0.793 0.035 y = 2.422 2x + 0.698 1 0.744 0.884 VOG2y = -0.540 6x + 0.049 80.788 0.035 y = -12.231x + 1.127 9 0.741 0.885 MSR705y = 0.056 8x + 0.014 2 0.795 0.035 y = 1.265 6x + 0.3 9 0.727 0.910

D r/D b y = 0.023 6x + 0.012 0.774 0.036 y = 0.530 7x + 0.296 6 0.717 0.913

R870 y = 0.006 7x - 0.082 0.714 0.041 y = 0.145 8x - 1.6 3 0.629 1.022

冠层光谱通过微分计算, 可以减小背景噪音的影响, 同时有效分解混合光谱。由表2可知, 755 nm处微分光谱可以很好地表达叶干重和LAI的动态变化, 方程拟合精度(R2)分别为0.817和0.788, 标准误差(SE)分别为0.033和0.820。SD r/SD b和D r/D b是基于微分技术构造的包含多波段连续光谱信息, 与叶干重和LAI关系密切。单波段包含的信息简单且易受背景噪声的影响, 与群体长势关系不稳定, 如表2中870 nm反射率与叶干重和LAI 虽然关系良好, 但与其它植被指数相比表现最差, 而通过多波段组合构造不同植被指数对叶干重和LAI方程拟合效果明显改善。所选用的植被指数主要为比值植被指数, 入选的波段为窄波段与宽波段并用。光谱参数RVI (810, 560)、GM1、RVI (900, 680)、MSR (800, 670)、PSSRb、VOG2和MSR705均为多个窄波段组合, 其中利用RVI (810, 560)所建立的叶干重和LAI回归估算方程均具有较好的拟合效果, 决定系数分别为0.819和0.767, 标准误差分别为0.033和0.846。通过高光谱数据计算宽光谱波段组合参数SARVI (MSS)、TC3和(R750-800/R695-740)–1, 对叶干重和LAI的方程拟合均表现较好, 可以为高空大面积遥感监测小麦冠层结构和长势状况的应用提供有效的技术途径。

图3展现了连续2年种植条件下3种不同类型小麦品种的叶干重和LAI与冠层反射光谱特征参数RVI (810, 560)和FD755的定量关系。尽管试验1和试验2中的叶干重和LAI数值大小及变化范围较大差异, 但回归方程的显著性测验显示, 监测模型在不同年度间表现一致, 因而可以利用统一的回归方程来定量表达不同试验中小麦叶干重和LAI的动态变化规律。

2.4 模型的测试与检验

为了考察叶干重和LAI监测模型的可靠性和普适性, 利用2003~2004年度试验资料(试验3, n=134)对上述建立的回归方程分别进行测试, 采用RE、R2和SLOPE进行统计检验(表3)。结果显

图3 小麦叶片重量和LAI与高光谱参数的关系

Fig. 3 Relationships of leaf dry weight and leaf area index (LAI)to the key hyperspectral parameters in wheat

1期 冯 伟等: 基于高光谱遥感的小麦叶干重和叶面积指数监测

DOI: 10.3773/j.issn.1005-2x.2009.01.004 41

示, 以光谱参数R 870和TC3为变量的叶干重和LAI 预测模型, 给出的相对误差(RE )均大于20%, 表明模拟值与实测值间存在较大差异。而其它光谱参数均给出满意的预测误差, 其中, RVI (900, 680)、MSR (800, 670)和D r/D b 给出的RE 相对偏大(RE >16%), 而(R 750-800/R 695-740)–1和VOG2模型预测误差表现最小。考察模型预测准确度SLOPE , 光谱参数TC3、R 870、D r/D b 、SD r/SD b 和FD755给出的预测准确度偏低(SLOPE ﹤0.90), 与理论值(1.0)存在一定差异, 表明模型预测值不宜外

推。FD755在建摸过程中表现突出, 在模型检验中预测精度和相对误差均较好, 但由于预测准确度偏低, 了该模型在生产中的应用。综合分析叶干重和LAI 建模过程和模型检验效果, 以RVI (810, 560)、GM1、SARVI (MSS)、PSSRb 、(R 750-800/ R 695-740)–1、VOG2和MSR705光谱参数为变量建立回归模型均可以对叶干重和LAI 进行准确预测, 尤以RVI (810, 560)、GM1和SARVI (MSS)对叶干重和LAI 更敏感, 模型预测效果也更好。

RVI (810, 560)是充分利用近红外波段对冠层

表3 模型预测能力的检验(n =134)

Table 3 Performance of the model for predicting leaf dry weight and leaf area index (LAI )

叶干重 Leaf dry weight 叶面积指数 LAI

光谱参数 Spectral parameter RE R 2 SLOPE RE R 2 SLOPE RVI (810, 560)

0.150

0.772

0.931

0.151

0.760

0.900

FD755 0.152 0.811 0.853 0.1 0.804 0.827 GM1 0.152 0.768 0.931 0.154 0.756 0.900 SARVI (MSS) 0.156 0.771 0.977 0.153 0.763 0.940 TC3 0.236 0.757 0.824 0.248 0.747 0.798 RVI (900, 680) 0.171 0.747 0.966 0.167 0.740 0.962 MSR (800, 670)

0.167

0.770

0.981

0.161

0.763

0.944

SD r/SD b 0.144 0.801 0.882 0.154 0.786 0.850 PSSRb 0.155 0.763 0.956 0.154 0.754 0.923 (R 750-800/R 695-740)–1 0.137

0.830 0.936 0.140 0.822 0.906 VOG2 0.129 0.838 0.919 0.135 0.829 0.0 MSR705 0.155 0.7 0.987 0.152 0.780 0.951 D r/D b 0.168 0.761 0.863 0.178 0.746 0.836 R 870 0.220 0.712 0.846 0.225 0.712 0.810

结构敏感的特点而构建的比值植被指数, 在建模中表现突出, 模型检验也较好。(R 750-800/R 695-740)

–1为色素指数,

在建模中对叶干重和LAI 方程拟

合均达较高水平, 而在模型测试中也表现突出, 表明该模型稳定性好。以光谱参数RVI (810, 560)和(R 750-800/R 695-740)–1为代表, 作出观察值与模型预测值1:1关系图(图4), 直观地展现了模型的良好测试效果。

3 讨 论

作物长势监测的目的是为了实时掌握作物生长状况, 及时发布苗情监测通报, 以指导农业生

产, 进行合理的管理, 并为作物产量预测提供理论依据和技术途径。本研究基于不同品种、氮素水平和不同生育时期条件下的连续3年大田试验研究, 确立了小麦叶干重和LAI 与冠层高光谱特征参数的定量关系, 发现RVI (810, 560)、GM1、SARVI (MSS)、PSSRb 、(R 750-800/R 695-740) –1、VOG2和MSR705等光谱参数均可以较好地监测小麦叶干重和LAI 状况, 其中RVI (810, 560)、GM1和SARVI (MSS)监测模型更为准确可靠。本研究结果对于小麦植株生长特征及群体长势的实时监测和精确诊断具有重要意义, 为遥感技术在精确农业中的直接应用奠定了技术基础。

Fig. 4 Comparison of estimated and measured leaf dry weight and leaf area index (LAI) in wheat

两年的试验资料经总体回归分析后, 发现对小麦叶干重和LAI敏感的光谱参数较多, 包括不同形式和波段组合的多类别参数, 这与高光谱遥感数据波段连续、信息丰富有关, 从而为监测冠层结构参数提供了更多的参数选择。此外, 叶片重量和LAI是植被冠层最基本的生物物理参数之一, 两者关系密切, 共同表征冠层结构特征, 由于叶片重量和LAI的变化具有高度的同质性, 对两参数的监测可以使用统一的光谱指数。植株氮素营养显著影响植被冠层结构, 在群体叶面积相同条件下, 叶夹角及叶片结构均可能存在差异, 不同生育期间更是如此; 同时, 叶片空间分布的不均衡性随生育进程也存在较大差异, 必然导致冠层光谱的明显变化, 直接影响叶面积指数的监测效果, 在本文中对叶干重的监测效果好于LAI。绿色植被典型光谱特征受冠层结构影响很大, 近红外平台波段(740~1 100 nm)对冠层结构反应敏感, 但当LAI大于6时趋于饱和, 而采用近红外波段与绿(红)光波段的比值可以显著提高对冠层结构参数的敏感性。原因在于, 利用近红外波段信息可以对构建的植被指数进行标准化, 尽量消除叶片结构、叶片方向及辐射角度等冠层结构的影响, 同时有效突出绿(红)光等敏感波段的信息, 因此利用近红外平台波段信息构建光谱指数可以较好地表达冠层结构参数的动态变化(Walburg et al., 1982; 薛利红等, 2004), 本文结果充分表明这一点。此外, 植被色素状况与冠层结构密切相关, 因此, 色素指数可以用来表达冠层结构特征参数的变化, 本文中色素指数VOG2和MSR705等均可以用来很好地监测小麦叶干重及LAI状况。

本文结果显示, 采用RVI对小麦冠层结构参数的预测效果较好, 这与前人研究结果一致

1期冯伟等: 基于高光谱遥感的小麦叶干重和叶面积指数监测DOI: 10.3773/j.issn.1005-2x.2009.01.004 43

(Hatfield et al., 1985)。由于利用的植被指数对冠层结构参数高度敏感, 方程拟合形式多表现为线性, 有利于监测模型的外推, 适用范围较宽。不同波段可组合成多种光谱参数, 预测效果存在差异。近红外与红光的比值可以监测LAI (Bunnik, 1978), 本文中RVI (900, 680)、PSSRb和MSR (800, 670)等参数充分表明这一点。由于绿光波段(550 nm)较红光波段(680 nm)对色素吸收差异更敏感(Peñuelas & Filella, 1998), 采用近红外与绿光波段的比值可以更好地监测LAI。本研究表明, RVI (810, 560)和GMI可以很好地监测冠层结构参数, 在其它作物上也有相似的结果(宋开山等, 2005; 薛利红等, 2004)。由于宽波段光谱稳定, 本文将高光谱数据转化为宽波段计算植被指数, 取得了不错的预测效果。TC3和SARVI (MSS)在建模中表现较好, 而(R750-800/R695-740)-1在模型测试中表现稳定, 尤其是SARVI (MSS)可以准确可靠地监测冠层结构参数, 为大面积遥感监测作物长势提供了有效的技术途径。

本文利用与色素吸收有关的光谱指数和近红外波段信息监测小麦冠层结构特征参数, 结果显示, 用来监测叶干重和LAI的参数类型多样, 窄波段和宽波段均有较好表现, 为利用不同光谱参数定量表达小麦冠层结构提供了不同的技术选择。当然, 不同植被指数有各自特点及适用范围, 因而利用高光谱数据信息丰富的特点, 如何选择敏感、适用和多类别特征参数仍需进一步精确研究, 冠层结构与特征光谱参数间的机理性关系仍需进一步深入阐明。当然, 本文中小麦叶干重和LAI 监测模型的构建和测试是以一个生态区连续3年大田试验资料为基础的, 今后需要通过不同生态点、生产力水平和品种类型试验的广泛检验和完善, 实现模型估测精确性和普适性的有效统一, 从而促进在小麦生长监测及精确管理中的可靠应用。

参考文献

Blackburn GA (1998). Spectral indices for estimating pho-tosynthetic pigment concentrations: a test using se-

nescent tree leaves. International Journal of Remote Sensing, 19, 657–675.

Chen JM (1996). Evaluation of vegetation indices and modified simple ratio for boreal applications. Cana-

dian Journal of Remote Sensing, 22, 229–242. Gitelson AA, Merzlyak MN (1994). Spectral reflectance

changes associate with autumn senescence of Aesculus

hippocastanum L. and Acer platanoides L. leaves spectral features and relation to chlorophyll estimation.

Journal of Plant Physiology, 143, 286–292.

Gitelson AA, Gritz Y, Merzlyak MN (2003). Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. Journal

of Plant Physiology, 160, 271–282.

Hansen PM, Schjoerring JK (2003). Reflectance measure-ment of canopy biomass and nitrogen status in wheat

crops using normalized difference vegetation indices

and partial least squares regression. Remote Sensing of

Environment, 86, 542–553.

Hatfield JL, Kanemasu ET, Asrar G, Jackson RD, Pinter Jr PJ, Reginato RJ, Idso SB (1985). Leaf area estimates

from spectral measurements over various planting dates of wheat. International Journal of Remote Sens-

ing, 6,167–175.

Kauth RJ, Thomas GS (1976). The tasseled cap — a graphic description of the spectral temporal development of

agricultural crops as seen by Landsat. Proceedings of

Symposium on Machine Processing of Remotely Sensed

Data, West Lafayette, IN: LARS, 41–51.

Liu WD (刘伟东), Xiang YQ (项月琴), Zheng LF (郑兰芬), Tong QX (童庆禧), Wu CS (吴长山) (2000). Re-

lationships between rice LAI, CH.D and hyperspecrta

data. Journal of Remote Sensing (遥感学报), 4, 279–283. (in Chinese with English abstract)

Lyon JG, Yuan D, Lunetta RS (1998). A change detection experiment using vegetation indices. Photogrammetric

Engineering and Remote Sensing, , 143–150.

Nguyen HT, Lee BW (2006). Assessment of rice leaf growth and nitrogen status by hyperspectral canopy

reflectance and partial least square regression. Euro-

pean Journal of Agronomy, 24, 349–356.

Patel NK, Patnaik C, Dutta S, Shekh AM, Dave AJ (2001).

Study of crop growth parameters using airborne imag-

ing spectrometer. International Journal of Remote Sensing, 22, 2401–2411.

Pearson RL, Miller DL (1972). Remote mapping of standing crop biomass for estimation of the productivity of the

short grass prairie. Proceedings of the Eighth Interna-

tional Symposium on Remote Sensing of Environment.

2, 1357–1381.

Peñuelas J, Filella I (1998). Visible and near-infrared re-flectance techniques for diagnosing plant physiological

status. Trends in Plant Science, 3, 151–156. Richardson AJ, Wiegand CL (1977). Distinguishing vegeta-tion from soil background information. Photogram-

metric Engineering and Remote Sensing, 43, 1541–1552.Rouse JW, Haas RH, Schell JA, Deering DW, Harlan JC (1974). Monitoring the vernal advancement of retro-

gradation of natural vegetation. NASA/GSFC, TypeIII,

Final report, Greenbelt, MD, USA, 1–371.

Shibayama M, Akiyama T (19). Seasonal visible, near-infrared and mid-infrared spectra of rice canopies

in relation to LAI and above-ground dry phytomass.

Remote Sensing of Environment, 27, 119–127.

Sims DA, Gamon JA (2002). Relationships between leaf pigment content and spectral reflectance across a wide

range of species, leaf structures and developmental stages. Remote Sensing of Environment, 81, 331–354. Song KS (宋开山), Zhang B (张柏), Li F (李方), Duan HT (段洪涛), Wang ZM (王宗明) (2005). Correlative analyses of hyperspectral reflectance, soybean LAI and

aboveground biomass. Transactions of the Chine se

Society of Agricultural Engineering(农业工程学报),

21, 36–40. (in Chinese with English abstract) Takahashi W, Nguyen CV, Kawaguchi S, Minamiyama M, Ninomiya S (2000). Statistical models for prediction of

dry weight and nitrogen accumulation based on visible

and near-infrared hyper-spectral reflectance of rice canopies. Plant Production Science, 3, 377–386.

Tang YL (唐延林), Wang XZ (王秀珍), Wang FM (王福民), Wang RC (王人潮) (2004). Study on the determi-

nation of LAI and biomass of crop by hyperspectral.

Journal of Northwest Sci-Tech University of Agricul-

ture and Forestry (Natural Science Edition) (西北农林

科技大学学报(自然科学版)), 32, 100–104. (in Chi-

nese with English abstract)

Tang YL (唐延林), Wang XZ (王秀珍), Wang K (王珂) (2002). Study on the correlation between biophysical parameter and spectral variable. Journal of Guizhou University (Agricultural and Biological Science Edi-

tion) (贵州大学学报(农业与生物科学版)), 21, 327–331. (in Chinese with English abstract) Wang XZ (王秀珍), Huang JF (黄敬峰), Li YM (李云梅), Wang RC (王人潮) (2003). Study on hperspectral re-

mote sensing estimation models for the ground fresh biomass of rice. Acta Agronomica Sinica (作物学报), 29, 815–821. (in Chinese with English abstract)

Wang XZ (王秀珍), Wang RC (王人潮), Huang JF (黄敬峰) (2002). Derivative spectrum remote sensing and its application in measurement of rice agronomic pa-

rameter. Transactions of the Chinese Society of Agri-

cultural Engineering(农业工程学报), 18, 9–13. (in Chinese with English abstract)

Walburg G, Bauer ME, Daughtry CST, Housley TL (1982).

Effects of nitrogen on the growth, yield, and reflec-

tance characteristics of corn canopies. Agronomy Journal, 74, 677–683.

Xue LH (薛利红), Cao WX (曹卫星), Luo WH (罗卫红), Wang SH (王绍华) (2004). Relationship between spectral vegetation indices and LAI in rice. Acta Phy-

toecologica Sinica(植物生态学报), 28, 47–52. (in Chinese with English abstract)

Zarco-Tejada PJ, Miller JR, Mohammed GH, Noland TL, Sampson PH (2001). Scaling-up and model inversion methods with narrow-band optical indices for chloro-

phyll content estimation in closed forest canopies with hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 39, 1491–1507.

Zhang XY (张晓阳), Li JF (李劲峰) (1995). The derivation of a reflectance model for the estimation of leaf area index using perpendicular vegetation index. Remote Sensing of Technology and Application (遥感技术与

应用), 10(3), 13–18. (in Chinese with English abstract) Zhao CJ, Huang WJ, Wang JH, Yang MH, Xue XZ (2002).

The red edge parameters of different wheat varieties under different fertilization and irrigation treatments.

Agricultural Sciences in China, 1, 745–751.

责任编委: 黄建辉责任编辑: 李敏