不同生育期冬小麦叶面积指数高光谱遥感估算模型

孟禹弛 +侯学会+王猛

摘要：基于地面实测的冬小麦的生理生态参数数据和冠层光谱数据，分析返青期、拔節期、抽穗期、开花期冬小麦叶面积指数与原始光谱及其一阶微分的相关性，并构建基于等效TM数据的植被指数，建立不同生育时期的冬小麦叶面积指数（LAI）的高光谱遥感估算模型。结果表明：（1）返青期、拔节期、抽穗期的冬小麦LAI与原始光谱相关性较好，在400～720 nm波长范围内呈负相关，在720～900 nm之间呈正相关，开花期的冬小麦LAI与冠层光谱相关性较差；（2）返青期、拔节期冬小麦LAI与光谱一阶微分显著相关，分别在480～540 nm、550～580 nm形成波峰、波谷，在670～760 nm范围内形成“平台”，相关系数达到0.8以上，但抽穗期、开花期LAI与光谱一阶微分的相关性较差；（3）在等效植被指数与返青期、拔节期和抽穗期LAI建立的回归模型中，分别使用mSRI、RVI与MSAVI2建立的幂函数模型或指数模型最佳，最优模型分别为y=0.053e4.962x，y=0.409x0.828，y=18.687x3.061，对应的r2分别为0.589、0.648、0.694，开花期不适宜使用等效植被指数建立遥感监测模型。

关键词：冬小麦；生育期；叶面积指数；等效植被指数；高光谱遥感；估算模型

中图分类号： S127文献标志码： A

文章编号：1002-1302（2017）05-0211-04

叶面积指数（leaf area index，简称LAI）是陆地植被生态系统中定量描述叶片面积的几何结构参量，通常是指单位面积上植物叶片的垂直投影面积的总和[1]。LAI与植物的光合能力密切相关，是反映植物群体大小的良好指标[2]。估算农作物的LAI对作物的生长状况与病虫害监测、产量估算以及田间管理具有重要意义[3]。遥感技术的出现以及图谱合一的高光谱遥感数据的获取，使得对大范围地表植被理化生物学性状的分析成为可能[4]。Casanova等利用实测光谱数据，分别建立了水稻、小麦的地上生物量、LAI的高光谱估算模型[5]；梁亮等对18种高光谱指数进行了比较分析，筛选出了对小麦LAI比较敏感的高光谱指数OSAVI，并以地面光谱数据为样本建立了小麦LAI的反演模型[6]；夏天等通过神经网络法反演冬小麦LAI，预测精度达到99.0%[7]。

目前，高光谱遥感监测作物LAI已经成为精准农业研究热点问题之一[8-9]；但根据地面实测光谱数据构建等效植被指数并开展不同生育期小麦LAI高光谱遥感监测的研究鲜有报道。本研究利用地面实测光谱数据，分析拔节期、返青期、抽穗期和开花期冬小麦LAI与原始光谱及其一阶微分的相关性，并基于TM数据光谱响应函数模拟的等效反射率构建了9种植被指数，建立了冬小麦不同生育期的LAI高光谱遥感估算模型，以期为利用高光谱遥感数据进行大面积、无破坏和及时监测冬小麦生长状况提供科学依据。

1材料与方法

1.2小麦冠层光谱与参数获取

采用ASD FieldSpec Pro Fr2005便携式光谱仪进行小麦冠层光谱测量，光谱范围为325～1 075 nm，光谱分辨率为 1 nm。测量时选择晴朗无云的天气，测量时间控制在 10：30—14：00。测量时传感器探头垂直向下，距离冠层顶部垂直高度约为1 m。光谱采样以6条光谱数据为1组，即每个试验小区每次记录6条光谱，以其平均值作为该区该次小麦冠层光谱反射率值。在对每个样本采集光谱之前，均先进行白板校正。

采集样本光谱的同时进行小麦LAI参数采样。在每个试验小区内随机选2个30 cm×30 cm的样方，将地上所有活体收割装入保鲜袋，带回室内，将所有小麦植株的茎、叶分开，选取20～23张完整的样品叶，取其中宽窄较为一致的地方，剪成6～8 cm长度的小段，用直尺测量每张叶片的长度、宽度。分别称量样品叶、剩余叶鲜质量，按照公式（1），利用比重法获取每个样方的LAI：

[HS2][JZ（]LAI=[SX（]（m1+m2）m1[SX）]×[SX（]S900[SX）]。[JZ）][JY]（1）

式中：m1为裁剪样品叶的鲜质量，g；m2为剩余样品叶的鲜质量，g；S为裁剪样品叶的总面积，cm2。以2个样方LAI均值作为该试验小区的LAI指标。

1.3构建等效植被指数

本研究基于Landsat的波段响应函数，将ASD光谱仪测量获得的连续的高光谱反射率数据模拟等效的TM蓝波段（436～528 nm）、红波段（625～691 nm）、近红外波段（829～900 nm）的反射率数据，以构建植被指数。转换模型为公式（2）：

谱响应函数。

利用模拟的等效反射率和部分原始光谱数据，构建了9种植被指数，如表2所示。

3结论

本研究分析了从返青期到开花期的冬小麦叶面积指数的变化趋势，并根据地面实测光谱数据，分析了不同生育时期内的冠层光谱及其一阶微分同LAI的相关系数，并根据模拟TM数据的等效反射率构建的植被指数与冠层光谱参数，建立了小麦LAI的高光谱遥感估算模型。

在返青期到抽穗期内，小麦LAI呈上升趋势，抽穗期后，因小麦叶绿素减少，叶片变黄、脱落，导致LAI缓慢下降。除开花期外，返青期、拔节期和抽穗期冠层光谱与LAI之间均有较好的相关性，在400～720 nm范围内，冠层光谱与LAI之间呈负相关，在720～900 nm之间呈正相关。返青期、拔节期和抽穗期在500～680 nm范围内，相关性呈先上升后下降的趋势；在680～760 nm范围内，相关系数由负转正；在760～900 nm 范围内，相关系数平稳不变。开花期在整个波段均呈负相关，相关性较差。

一阶微分与LAI相关系数曲线中，返青期与拔节期在480～540 nm、550～580 nm分别形成波峰、波谷；在670～760 nm 范围，即红边范围内形成“平台”，相关系数达到0.8以上；抽穗期曲线整体趋势同返青期与拔节期相同，但相关系数在-0.6～0.6范围，比前2个时期有所下降；开花期的相关系数在整个波段范围内波动较大，在红边范围内也不存在明显的波峰、波谷和红边“平台”。

在植被指数与LAI建立的回归模型中，返青期最佳模型为基于mSRI构建的指数模型，回归方程为y=0.053e4.962x，r2=0.589；拔节期以RVI与LAI构建的幂函数模型最佳，最佳回归方程为y=0.409x0.828，r2=0.648；抽穗期以MSAVI2与LAI构建的幂函数模型最佳，回归方程为y=18.687x3.061，r2=0.694；开花期由于相关性较差，不适宜使用等效植被指数来建立LAI估算模型。

参考文献：

[1]陈拉，黄敬峰，王秀珍. 不同传感器的模拟植被指数对水稻叶面积指数的估测精度和敏感性分析[J]. 遥感学报，2008，12（1）：143-151.

[2]Inoue Y. Synergy of remote sensing and modeling for estimating ecophysiological processes in plant production[J]. Plant Production Science，2003，6（1）：3-16.

[3]Haboudane D，Miller J R，Pattey E，et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies： Modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment，2004，90（3）：337-352.

[4]侯学会，牛铮，黄妮，等. 小麦生物量和真实叶面积指数的高光谱遥感估算模型[J]. 国土资源遥感，2012（4）：30-35.

[5]Casanova D，Epema G F，Goudriaan J. Monitoring rice reflectance at field level for estimating biomass and LAI[J]. Field Crops Research，1998，55（1/2）：83-92.

[6]梁亮，杨敏华，张连蓬，等. 小麦叶面积指数的高光谱反演[J]. 光谱学与光谱分析，2011，31（6）：1658-1662.

[7]夏天，吴文斌，周清波，等. 冬小麦叶面积指数高光谱遥感反演方法对比[J]. 农业工程学报，2013，29（3）：139-147.

[CM（29][8]Tang H，Brolly M，Zhao F，et al. Deriving and validating Leaf Area[CM）][ZK）][HT][HJ][HT][FL）][LM]

[HT8.]

[KG1*2/3]Index （LAI） at multiple spatial scales through lidar remote sensing： a case study in Sierra National Forest，CA[J]. Remote Sensing of Environment，2014，143（2014）：131-141.

[9]姚付啟，蔡焕杰，王海江，等. 基于平稳小波变换的冬小麦覆盖度高光谱监测[J]. 农业机械学报，2012，43（3）：173-180.[ZK）]

[10]Adams M L，Philpot W D，Norvell W A. Yellowness index： an application of spectral second derivatives to estimate chlorosis of leaves in stressed vegetation[J]. International Journal of Remote Sensing，1999，20（18）：3663-3675.

[11][JP2]Liu H Q，Huete A. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE [JP3]Transactions on Geoscience and Remote Sensing，1995，33（2）：457-465.[JP]

[12]Serrano L，Penuelas J，Ustin S L. Remote sensing of Nitrogen and lignin in Mediterranean vegetation from AVIRIS data： decomposing biochemical from structural signals[J]. Remote Sensing of Environment，2002，81（2/3）：355-364.

[13]Gitelson A A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment，2002，80（1）：76-87.

[14]Roujean J L，Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment，1995，51（3）：375-384.

[15]Qi J，Chehbouni A，Huete A R，et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment，1994，48（2）：119-126.

[16]Sims D A，Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J]. Remote Sensing of Environment，2002，81（2/3）：337-354.

[17]Rondeaux G，Steven M，Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment，1996，55（2）：95-107.

[18]Gitelson A，Merzlyak M N. Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L.and Acer platanoides L.leaves. Spectral features and relation to chlorophyll estimation[J]. Journal of Plant Physiology，1994，143（3）：286-292.

[19]姚付启. 冬小麦高光谱特征及其生理生态参数估算模型研究[D]. 杨凌：西北农林科技大学，2012.