花生叶鲜生物量的高光谱估算模型

颜丙囤+侯学会++梁守真++王猛++陈振++隋学艳

摘要：利用花生生物物理参数和冠层高光谱数据，基于光谱一阶微分技术，选取对生物量敏感的波段组成高光谱植被指数，建立花生叶鲜生物量的高光谱遥感估算模型。结果表明，花生叶鲜生物量在绿峰525～556 nm、红谷645～689 nm和近红外710～900 nm波段范围反射光谱与花生叶鲜生物量有极显著相关关系。高光谱反射率与叶鲜生物量在大部分可见光区和近红外波段呈显著相关，并且在可见光红光波段呈负相关，在近红外波段呈极显著正相关。花生光谱反射率与花生叶鲜生物量相关的近红外、红光波段的敏感波段分别为770、673 nm，用这2个波段构建植被指数，组成高光谱归一化植被指数（NDVI）、比值植被指数（RVI）、差值植被指数（DVI）和再次归一化植被指数（RDVI），并构建生物量反演模型；相对于NDVI、DVI、RDVI建立的简单线性函数估测模型，RVI所构建的花生叶鲜生物量估测模型的预测精度较高。

关键词：花生；生物量；高光谱遥感；反射率；估算模型

中图分类号： S127文献标志码： A文章编号：1002-1302（2017）08-0059-03

生物量是作物长势监测的一项重要指标[1]，可以反映作物长势，是进行作物长势评价和估产的基本指标[2]。高光谱遥感已成为研究地表植被的强有力工具[3]，对高光谱数据进行导数变换能消除土壤及大气等背景因素对目标信号的影响，更加直观地反映植被生物量以及其他一些信息[4-6]。基于高光谱技术进行作物生物量监测，目前已有很多研究，如宋开山等建立了以比值植被指数为变量的大豆地上鲜生物量的高光谱估算模型[7]，黄春燕等利用高光谱数据估算棉花地上鲜生物量[8]。但综合前人成果，利用高光谱数据对花生生物量进行估算，为花生长势分析提供科学依据的研究鲜有报道，在借鉴已有研究成果的基础上，本试验基于地面实测高光谱数据，通过回归分析，研究花生叶鲜生物量的特征波段，并建立模型，为花生的精准栽培提供技术支持与保障[7]。

1材料与方法

1.1试验设计试验区位于山东省农业科学院试验基地（36°41′～37°15′N，116°52′～117°27′E），试验地南北走向，由南向北依次布置低肥、中肥、高肥、空白4个水平肥料处理（表1），由东向西依次布置山花14号、山花9号，山花15号、花育20号、花育25号、花育46号2个系列6个花生品种，共24个小区，每个小区南北长10 m，东西宽3.2 m，面积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），依次在试验样区内进行花生光谱和生物量相关参数测量。利用花生品种、施肥量以及生育进程差异产生的生物量差异，结合对花生叶鲜生物量敏感的波段，组成植被指数，构建花生叶鲜生物量的高光谱估算模型。

1.2花生冠層光谱反射率与理化参数获取

采用FieldSpec Handheld （325～1 075 nm）便携式光谱仪进行花生冠层光谱测量，光谱范围为325～1 075 nm，采样间隔（波段宽）为1.41 nm。光谱采集时间控制在11：00—13：00无风无云的天气进行，探头垂直于冠层顶。每处理测定1个

样点，每样点获取4条光谱数据，每条光谱扫描时间0.2 s，以其平均值作为该处理冠层的光谱反射值。为了观测光谱能够代表地面状况，设定观测点位于花生每垄中间正上方，光谱仪视场角度25°，视场范围为0.8 m，计算得观测架高度为 1.8 m，共10墩花生，在各处理测定前后用标准板进行太阳辐射光谱校正[9]。

采集样本光谱时同步进行花生栽培参数测定。地上生物量采用收获法，在实验室内将花生植株的茎、叶分开，分别称量花生植株各器官的鲜质量，取同次试验中样本数据的平均值作为该生长期花生的鲜叶生物量值[10]。

1.3高光谱特征变量分析

红边位置：采用一阶微分分析法，提取红边内（680～760 nm）最大一阶微分值对应的波长。由于光谱采样间隔的离散性，实际导数光谱一般是用差分方法来近似计算[2]；绿峰位置[2]：绿峰峰值RG为绿光范围内（510～560 nm） 最大的光谱反射率，其对应的波长位置标示为λG； 红谷位置：红光吸收谷RR是620～760 nm 范围内最小的光谱反射率，对应波长位置记为λR；植被指数：植被指数与LAI、生物量之间存在着相关关系，为了分析植被指数与花生叶鲜生物量的关系，本研究构建归一化植被指数（NDVI）、比值植被指数（RVI）、差值植被指数（DVI）和再次归一化植被指数（RDVI）（表3）进行花生叶鲜生物量的估算。

2结果与分析

2.1花生叶鲜生物量随时间变化趋势

由图1可见，花生叶单位面积鲜生物量随生育期延长总体呈先上升后下降的趋势，苗期叶片生物量快速增长，至7月底苗期后期达到较高值，随后进入开花下针期，此时叶片生物量仍然增长，但整体的幅度和速度都比较小，至8月底结荚期一直稳定在一个较高的水平，9月上中旬花生荚果饱满进入成熟期，由于叶片和茎秆逐渐老化变黄，光合作用能力下降，生成的光合产物低于自身消耗，叶片逐渐衰老，花生叶鲜生物量迅速下降[11]。

2.2花生叶鲜生物量与光谱反射率的相关性

比较分析高光谱反射率与叶鲜生物量的相关关系（图2）发现，在绿峰525～556 nm、红谷645～689 nm和近红外 710～900 nm 波段范围反射光谱与花生叶鲜生物量极显著相关。原始高光谱反射率与叶鲜生物量在大部分可见光区和近红外波段呈显著相关，并且在可见光红光波段呈负相关，在近红外波段呈极显著正相关。

在可见光波段范围内，绿峰和红谷波段都达到极显著相关水平，在绿峰波段的相关系数最大值的绝对值低于红谷波段的数值，其中在红光波段630～690 nm范围内，以673 nm波段的光谱反射率与花生叶鲜生物量的相关系数最大。在近红外波段范围内，相关系数在760～900 nm之间变化幅度不大，其中在770 nm位置处相关系数最大，所以选择770 nm位置处的高光谱反射率值作为近红外光区与花生叶鲜生物量的敏感波段。

依据以上相关回归系数确定花生光谱反射率与花生叶鲜生物量相关的近红外、红光波段的敏感波段分别为770、673 nm，用这2个波段构建植被指数。

2.3花生叶鲜生物量与高光谱特征变量、植被指数间的相关分析

选取原始高光谱与花生叶鲜生物量相关系数较大的特征波段及其组合定义花生高光谱参数[11]，其与花生叶鲜生物量的相关关系如表4、表5所示。从表4可以看出，花生叶鲜生物量与λG、RG、RR的相关性达极显著水平，花生叶鲜生物量与其他高光谱特征变量相关性不显著。在构建的4种植被指数（表5）中，RVI、DVI、NDVI、RDVI与花生叶鲜生物量的相关系数均达极显著水平。其中，以RVI与花生叶鲜生物量的相关系数最大，为0.839，这说明近红外波段和红波段的比值在一定程度上增强了高光谱信息，从而提高了对生物量的灵敏度。

2.4高光谱特征变量、植被指数与花生叶鲜生物量之间的估算模型

从表4、表5中选出与花生叶鲜生物量相关系数都较大的RR、RVI、DVI和RDVI等4个光谱变量为自变量，花生叶鲜生物量为因变量，分别构建花生叶鲜生物量遥感监测的5种估算模型方程，结果见表6。

从表6可以看出，利用植被指数构建的模型进行花生叶鲜生物量估算的效果理想。其中，利用高光谱特征变量RR构建的函数模型，以多项式函数模型最优，估算效果明显优于其他模型。

在利用植被指数所构建的模型中，相对于DVI和RDVI建立的简单线性和非线性函数估测模型，RVI构建的花生叶鲜生物量模型的预测精度较高。鉴于线性模型有较为简单的函数表达形式，较大的决定系数和拟合系数，以及较小的均方根误差，所以选择RVI的线性函数表达形式作为花生叶鲜生物量的最适估算模型。

植被指数与花生叶鲜生物量之间不仅存在着简单线性函数关系，所构建的幂函数和指数函数估测模型同样也具有较好的预测精度。在函数表达的形式上，线性函数表达形式最为简单，所以选择y=166.27x+21.489作为花生叶鲜生物量的遥感估算模型。

3结论

本研究分析了从苗期到成熟期的花生叶鲜生物量变化趋势，并根据地面实测高光谱数据。整个生育期内，叶片鲜生物量总体呈先上升后下降趋势，苗期为生物量快速增长阶段，开花结荚期至饱果期，叶片鲜生物量维持较高水平，成熟期迅速下降，反射率光谱与叶鲜生物量的相关关系比较稳定。在绿峰525～556 nm、红谷645～689 nm和近红外710～900 nm波段范围反射光谱与花生叶鲜生物量有较高、较稳定的极显著相关关系。

利用光谱分析技术和构建的植被指数，建立花生叶鲜生物量高光谱遥感估算模型。建立的5个光谱特征变量中，以绿峰与花生叶片鲜生物量的关系最为显著。建立NDVI、RVI、DVI和RDVI等4个植被指数，并与花生叶片鲜生物量进行相关分析NDVI、RVI、DVI和RDVI等4个植被指数与花生叶片鲜生物量都达到极显著水平。

参数RR与花生叶鲜生物量之间具有较好的线性相关关系，对比研究以多项式模型最优，RVI、NDVI、DVI和RDVI与花生生物量的函数模型拟合度较好，以RVI建立的简单线性函数模型最優，可用来进行花生生物量遥感估算。

本研究认为，选取对花生叶片鲜生物量敏感的波段组成高光谱植被指数，是提高模型预测精度的关键，在此基础上，可通过定量模型反演花生叶鲜生物量，进一步丰富利用高光谱遥感监测花生生长状况的技术方法，为利用卫星遥感数据进行大面积、无破坏和及时获取地面植被信息研究提供参考[2，11]。

参考文献：

[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.

[3]王霄鹏. 黄河三角洲湿地典型植被高光谱遥感研究[D]. 大连：大连海事大学，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]宋开山，张柏，于磊，等. 玉米地上鲜生物量的高光谱遥感估算模型研究[J]. 农业系统科学与综合研究，2005，21（1）：65-67.

[8]黄春燕，王登伟，曹连莆，等. 棉花地上鲜生物量的高光谱估算模型研究[J]. 农业工程学报，2007，23（3）：131-135.

[9]王猛，张杰，梁守真，等. 玉米倒伏后冠层光谱变化特征分析[J]. 安徽农业科学，2014（31）：11187-11188，11201.

[10]李卫国，赵春江，王纪华，等. 遥感和生长模型相结合的小麦长势监测研究现状与展望[J]. 国土资源遥感，2007（2）：6-9.

[11]易秋香. 玉米主要生物物理和生物化学参数高光谱遥感估算模型研究[D]. 乌鲁木齐：新疆农业大学，2005.