基于GF—1数据的冬小麦不同生育期叶面积指数反演

侯学会　王猛　梁守真　隋学艳

摘要：葉面积指数（LAI）是作物长势监测的主要指标之一。为分析国产GF-1卫星数据在不同生育期作物长势监测中的应用价值，本文基于GF-1卫星数据构建5种常用的植被指数，并地面实测冬小麦LAI，开展不同生育期的LAI反演研究。研究发现，基于GF-1数据构建的植被指数能很好地反演冬小麦不同生育期LAI，但精度最优的指数在不同生育期存在差异。EVI构建的幂函数模型在反演全生育期LAI时表现最好，相关系数达到0.9082；冬小麦生长前期，修正土壤信息的OSAVI指数反演精度优于NDVI、EVI、EVI2和RVI，相关系数为0.9110；生长中期，各指数反演LAI的效果较差，仅NDVI、EVI2和OSAVI构建的线性和对数模型的相关系数达到0.05显著水平，以EVI2构建的对数模型相关系数最高，为0.4827；生长后期，RVI反演LAI效果最好，其指数形式模型的r=0.8143，反演精度较高。本研究结果说明GF-1数据在作物长势遥感研究中有很大的应用前景，能有效改善中国农业遥感监测长期依赖国外数据的局面，但其LAI反演效果在区域研究中如何，反演结果与Landsat 系列、SPOT 系列、HJ系列等数据相比存在多大差异，还需要进一步的研究与探讨。

关键词：叶面积指数；不同生育期；冬小麦；GF-1卫星；反演

中图分类号：S512.1+1 文献标识号：A 文章编号：1001-4942（2018）11-0148-06

Abstract Leaf area index （LAI） is one of the most important parameters of crop growth condition. In order to analyze the application value of GF-1 data in crop growth monitoring during different growth stages， the LAI inversion research was carried out based on truth LAI data and five vegetation indices including NDVI，EVI，EVI2，RVI and OSAVI constructed from GF-1 data. It was found that the accuracy of LAI inversion during different growth stages of winter wheat based on GF-1 data were high. However， optimal indexes were different at different growth stages. The power function model constructed by EVI had a great correlation coefficient （r=0.9082） in the LAI inversion of the whole growth period. During earlier growth period of winter wheat， the inversion accuracy of OSAVI index with corrected soil information was better than that of NDVI， EVI， EVI2 and RVI， and the correlation coefficient was 0.9110. The correlation coefficients of linear and logarithmic models constructed by NDVI， EVI2 and OSAVI reached 0.05 significant level. The correlation coefficient of logarithmic model constructed by EVI2 was the highest， which was 0.4827. The RVI index was suitable to inversion LAI during later growth stage. The correlation coefficients of the exponential form model constructed by RVI was the highest （r=0.8143）. The results of this research showed that GF-1 data had great application potential in remote sensing research of crop growth condition， which could effectively change the situation of depending on foreign remote sensing data in the Chinas agricultural monitoring in a long time. But the application effect of the LAI inversion results in regional studies based on GF-1 data and its differences with Landsat、SPOT and HJ data need further study and discussion.

Keywords Leaf area index； Multi-growth stages； Winter wheat； GF-1 satellite

叶面积指数（leaf area index，LAI）是反映作物长势个体特征和群体特征的关键指标，成为作物长势监测中的主要关注指标之一[1]。遥感技术以其及时有效、无损等优势成为作物LAI监测的主要手段[2，3]。2013年我国成功发射的GF-1卫星兼顾高时间、高空间分辨率，原则上可以打破对Landsat等国外卫星的严重依赖。GF-1卫星在农业遥感中已发挥了重要作用，如在作物种植面积调查方面，刘国栋等[4]根据作物物候历，建立了基于GF-1数据的农作物种植面积遥感抽样调查方法，表明GF-1数据完全可以应用于县级农作物种植面积提取；林子晶等[5]则发现，对HJ星和GF-1数据进行融合，更有利于县级作物种植面积的准确提取；杨闫君[6]、王利民[7]等则利用GF-1的高时间分辨率特征，构建不同地物的NDVI序列，有助于作物信息提取和早期识别；近几年国家统计局也多是基于GF-1数据开展农作物种植面积遥感调查业务[8]。GF-1卫星在作物长势监测中的研究也已有不少，贾玉秋等[9]利用GF-1数据和Landsat 8数据分别进行玉米LAI反演，并对结果进行比较，得出GF-1 卫星的高时间分辨率以及高空间分辨率特征能够代替传统中分辨率数据成为农业遥感长势监测中的重要数据源；李粉玲等[10，11]基于GF-1开展区域上的冬小麦叶片氮含量和SPAD值的遥感估算，结果也较为理想。

在冬小麦的不同生长时期，观测视场内植被和土壤背景信息不断变化，使得小麦光谱反射率不断变化，使用单一遥感参数并不能很好地反演整个生育期的作物长势信息[12，13]。但目前基于GF-1數据监测作物长势中，鲜有考虑作物不同生育期的研究。本研究在前人研究的基础上，以冬小麦为对象，分析不同遥感参数在冬小麦整个生育期和不同生育期对LAI反演的精度和结果差异，以提高GF-1数据对冬小麦的LAI反演精度和长势监测能力，为利用GF-1卫星监测作物长势研究提供参考。

1 材料与方法

1.1 研究区概况

田间试验在中国科学院禹城综合试验站进行。该站位于山东省德州市禹城市东南（116.57°E，36.83°N），平均海拔约20 m，土壤属潮土，成土母质为黄河冲积物，质地以粉砂和轻壤为主，pH值约为8.5，土壤有机质含量为0.6%～1.0%，土壤肥力中等，以地下水为主要灌溉水源。试验区冬小麦播种时间为2015年10月中旬，大田种植，正常水肥管理。

1.2 地面数据获取

从冬小麦返青期开始，即2016年3月21日—2016年5月16日期间，在冬小麦的每个关键生育期（返青期、拔节期、抽穗期、开花期和灌浆期），进行至少一次地面数据采集，每次选择小麦长势均一且面积不小于60 m×60 m的10～17个试验小区，记录试验小区四个角点及中心处的GPS信息，并在每个试验小区内随机选两个30 cm×30 cm的样方，利用比重法获取每个样方的LAI，以两个样方LAI均值作为该试验小区的LAI参数值。

1.3 遥感数据获取与预处理

GF-1卫星于2013年4月26日发射，搭载了4台WFV多光谱相机，重访周期为4 d。自2016年3月18日开始查询，将GF-1数据获取时间与地面数据采集时间间隔控制在3 d之内，且确保选取影像云量最小，在试验段内共获取GF-1数据6景，见表1。

由于获取的GF-1 WFV数据为1级的相对辐射校正产品，进行冬小麦LAI反演前需要对不同传感器获取的数据进行辐射校正、大气校正和几何校正等预处理，以获得真实的地物光谱信息。本研究在ENVI5.1下对GF-1数据进行预处理，主要步骤如下：①借助影像自带的RPC（rational polynomial coefficient）文件对每幅原始影像进行几何粗校正；②利用中国资源卫星中心发布的2016年GF-1 WFV定标文件对所有几何粗校正后的影像进行辐射定标，将原始DN（digital number）值转换为辐亮度；③利用FLAASH模型对辐亮度进行大气校正，得到地表反射率数据；④利用一景经过精校正的Landsat 7（122035）影像，对6景GF-1数据进行几何精校正，将误差控制在0.5个像元内。

1.4 植被指数构建

植被LAI的遥感反演，一般是根据地面测得的光谱数据或获得的卫星数据与实测值进行相关分析，以建立遥感指标与地面实测LAI间的关系。

从图1可以看出，冬小麦的LAI从返青期开始不断增加，在抽穗期达到峰值，此后又逐渐降低。根据研究目的和冬小麦整个生育期LAI的变化规律，本研究将冬小麦整个生育期划分为3个阶段：返青期和拔节期为冬小麦生长前期，抽穗期为冬小麦生长中期，开花期和灌浆期为冬小麦生长后期。

本研究基于预处理后的GF-1数据选择物理意义比较明确的5个植被指数（表2），将地面观测数据随机分成两组，一组用来建立不同生育期的冬小麦LAI与植被指数的相关模型，一组进行模型精度验证。为简化回归模型形式，我们只分析LAI与各植被指数间的一元线性、指数、对数和幂函数形式的相关关系。

2 结果与分析

2.1 冬小麦全生育期不同植被指数的LAI反演结果比较

在整个生育期，基于GF-1数据构建的5种植被指数与LAI的线性、指数、对数和幂函数关系都在P<0.001水平呈极显著相关关系，且以EVI构建的幂函数模型相关系数最高，达到0.9082，而RVI与LAI的指数关系模型的相关系数最低，为0.7012（表3）。基于EVI的冬小麦全生育期LAI回归模型见图2a，利用地面实测数据对该反演模型进行验证，模型反演得到的LAI与实测LAI之间的相关系数r=0.8393，RMSE=2.4054（图2b）。

2.2 冬小麦生长前期不同植被指数的LAI反演结果比较

与全生育期相关分析结果类似，冬小麦生长前期5种植被指数与LAI的线性、指数、对数和幂函数关系也都在P<0.001水平下极显著相关（表4）。但冬小麦生长前期，尤其是返青期，观测视场内土壤所占比重达到40%左右，随着冬小麦不断生长，土壤所占比重逐渐下降，到拔节期时，虽然土壤所占比重明显降低，但因冬小麦并不能完全覆盖地面，遥感信号仍掺杂一部分土壤背景信息。因此，在冬小麦生长前期，以修正了土壤背景信息的OSAVI指数与LAI的相关性优于其它4种植被指数，且以幂函数形式的相关关系最为显著（r=0.9110）（表4）。基于OSAVI的冬小麦生育前期LAI回归模型见图3a，将利用该模型反演得到的LAI值与地面实测值进行比较，相关系数r为0.9284，RMSE=0.2706，达到0.001显著水平（图3b）。

2.3 冬小麦生长中期不同植被指数的LAI反演结果比较

根据回归分析，构建的5种植被指数与冬小麦生长中期LAI的相关关系较差，只有NDVI、EVI2和OSAVI的线性和对数模型的回归系数达到0.05显著水平，EVI和RVI与LAI的相关关系都没有通过0.05的显著性检验，其反演LAI指数的相关系数为0.4827，高于其它指数构建的反演模型（表5）。在冬小麦生长中期，LAI达到最大值，观测视场内以小麦信息为主，土壤背景对小麦冠层反射率基本没有影响，且各器官生物量迅速增加，因此，EVI2对作物群体生物量较为敏感[19]，该阶段基于EVI2监测LAI的效果较好（表5）。基于EVI2指数构建的对数模型见图4a，用地面实测LAI数据验证EVI2构建的冬小麦生长中期LAI反演模型，反演值與真实值之间的相关系数r=0.7490，RMSE=0.9152，反演结果较好（图4b）。

2.4 冬小麦生长后期不同植被指数的LAI反演结果比较

冬小麦生长后期，营养生长逐渐停止，开始以生殖生长为主，LAI逐渐减小，麦穗信息在冠层光谱信息中所占的比重增大，使得近红外波段反射率较生长前期高[12，20]，而RVI通过校正红边参数，对作物观测光谱反射率进行有效校正，能更好地监测该阶段LAI（表6）。基于RVI建立的指数形式的LAI反演模型精度最高，其r=0.8143，且与地面实测LAI数据的相关系数达到0.8088，相对误差RMSE为0.8226，反演结果较好，通过0.001的显著性检验（图5）。

3 讨论与结论

本研究基于国产GF-1卫星数据构建了5种具有明确物理意义的植被指数，并对冬小麦不同生长阶段的LAI进行反演，主要结果如下：

（1）构建的5种植被指数在冬小麦全生育期与LAI不同形式模型的极显著相关系数都在0.70以上，均可进行LAI遥感反演研究，但以EVI构建的幂函数模型相关系数最高，达到0.9082。

（2）冬小麦生长前期，5种植被指数与LAI的相关关系均优于全生育期，极显著相关系数达到0.71以上。由于冬小麦生长前期视场内冠层覆盖特点，以修正土壤背景信息的OSAVI与LAI的幂函数形式的相关关系最为显著，r=0.9110，且模拟LAI与实测LAI的RMSE较小，为0.2706，模拟精度较高。

（3）5种植被指数反演冬小麦生长中期LAI效果较差，仅NDVI、EVI2和OSAVI构建的线性和对数模型的回归系数达到0.05显著水平，以EVI2构建的对数模型相关系数最高，为0.4827。

（4）在冬小麦生长后期，受麦穗对冠层反射率的影响，RVI与LAI的相关关系优于其他4种植被指数，其指数形式模型的r=0.8143，反演精度最高。

GF-1 WFV卫星以4 d的覆盖周期提供了16 m 空间分辨率的卫星数据，与目前常用的Landsat、SPOT、HJ-CCD等系列相比有很大的优势。本研究利用GF-1卫星数据构建的5种常用的植被指数与冬小麦不同生育期的LAI都具有较好的相关关系，说明GF-1数据在分生育期的作物长势遥感研究中也有很大的应用前景，可以改善中国农业遥感监测业务长期依赖国外数据源的局面，且本研究在冬小麦不同生育期采用不同的最佳植被指数进行LAI反演，相比在整个生育期使用单一的植被指数模拟LAI，RMSE明显降低。

但本研究仅仅是基于GF-1数据在LAI地面点尺度进行的，在区域LAI研究中精度如何，及与Landsat、SPOT、HJ-CCD等系列数据相比存在多大差异，还需要进一步的研究与探讨。

参 考 文 献：

[1] 王东伟，王锦地，梁顺林. 作物生长模型同化MODIS反射率方法提取作物叶面积指数[J]. 中国科学：地球科学，2010，40（1）：73-83.

[2] Hasegawa K，Matsuyama H，Tsuzuki H，et al. Improving the estimation of leaf area index by using remotely sensed NDVI with BRDF signatures[J]. Remote Sensing of Environment，2010，114（3）：514.

[3] Liu J，Pattey E，Jego G. Assessment of vegetation indices for regional crop green LAI estimation from Landsat images over multiple growing seasons [J]. Remote Sensing of Environment，2012，123：347.

[4] 刘国栋，邬明权，牛铮，等. 基于GF-1号卫星数据的农作物种植面积遥感抽样调查方法[J]. 农业工程学报，2015，31（5）：160-166.

[5] 林子晶，李卫国，申双和，等. HJ 星和GF1 号数据在水稻种植面积提取中的应用[J]. 江苏农业学报，2016，32（1）：111-117.

[6] 杨闫君，占玉林，田庆久，等. 基于GF-1/WFV NDVI 时间序列数据的作物分类[J]. 农业工程学报，2015，31（24）：155-161.

[7] 王利民，刘佳，杨福刚，等. 基于GF-1卫星遥感的冬小麦面积早期识别[J]. 农业工程学报，2015，31（11）：194-201.

[8] 国家国防科技工业局. 高分一号在农业领域应用典型案例[EB/OL]. http：//www.gissky.net/Article/3227.htm.2014-08-24.

[9] 贾玉秋，李冰，程永政，等. 基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较[J]. 农业工程学报，2015，31（9）：173-179.

[10]李粉玲，常庆瑞，申健，等. 基于GF-1卫星数据的冬小麦叶片氮含量遥感估算[J]. 农业工程学报，2016，32（9）：157-164.

[11]李粉玲，王力，申健，等. 基于高分一号卫星数据的冬小麦叶片SPAD值遥感估算[J]. 农业机械学报，2015，46（9）：273-281.

[12]赵娟，黄文江，张耀鸿，等. 冬小麦不同生育时期叶面积指数反演方法[J]. 光谱学与光谱分析，2013，33（9）：2546-2552.

[13]赵虎，裴志远，马尚杰，等. 利用HJ-1-A/B CCD2 数据反演冬小麦叶面积指数[J]. 农业工程学报，2012，28（10）：172-176.

[14]Zheng G，Moskal L. Retrieving leaf area index （LAI） using remote sensing： theories， methods and sensors[J]. Sensors，2009，9（4）： 2719-2745.

[15]Huete A，Liu H Q，Batchily K，et al. A comparison of vegetation indices over a global set of TM images for EOS-MODIS [J]. Remote Sensing of Environment，1997，59（3）： 440-451.

[16]Jiang Z，Huete A，Didan K，et al. Development of a two-band enhanced vegetation index without a blue band[J]. Remote Sensing of Environment，2008，112（10）： 3833-3845.

[17]Baret F，Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment[J]. Remote Sensing of Environment，1991，35（2/3）： 161-173.

[18]Geneviève R，Steven M D，Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment，1996，55（2）：95-107.

[19]Jiang Z，Huete A R，Didan K，et al. Development of a two band enhanced vegetation index without a blue band[J]. Remote Sensing of Environment，2008，112（10）：3833-3845.

[20]劉良云，王纪华，宋晓宇，等. 小麦倒伏的光谱特征及遥感监测[J]. 遥感学报，2005，9（3）：323-327.