基于角度指数的油菜叶片等效水厚度估算研究

仝春艳 马 驿 杨振忠 刘怡晨 徐 庆

(武汉大学遥感信息工程学院，湖北武汉 430079)

油菜(Brassica napusL.)作为世界三大主要油料作物之一，是最主要的植物蛋白和植物油来源[1-2]。水分是作物的必要组成成分，与生长发育、光合作用及产量等息息相关[3-4]。叶片含水量是植株水分状况度量和诊断的重要指标，实时快速地获取叶片含水量信息是进行植株长势监测和灌溉调控的前提[5-6]。

传统的植株含水量测量方法主要是野外取样后室内烘干再测定含水量，无法快速、无损、实时获取大面积植株的叶片含水量[7]，而利用遥感手段监测植被水分含量因具有大范围、实时、快速的优势，已成为研究热点[6，8]。表征植被含水量常用的方法有2种[9-10]:可燃物含水量(fuel moisture content，FMC)和等效水厚度(equivalent water thickness，EWT)。 Ceccato 等[9]利用高光谱数据反演植被含水量时发现，叶片短波红外反射率(short wave infrared reflectance，SWIR)吸收带深度与EWT直接相关；用提取的叶片光谱参数反演EWT的精度较FMC反演精度高[11-12]，且对受水分胁迫的指示性优于FMC，对温度变化不敏感[13]。Yebra等[14]和 Cao 等[15]指出 950～970、1 200、1 450、1 940和2 500 nm等水分敏感波段附近的光谱反射率能较好地反映小麦、大豆、大丁草等植物的叶片含水量，并验证了近红外和可见光区域波段组合的光谱指数监测植物含水量的可行性。Yotsumoto[16]等研究表明，归一化水分指数(normalized difference water index，NDWI)(860 nm，1 240 nm)可以较好地估算植被EWT。Ceccato等[9]发现SWIR对EWT敏感，但不能单独使用SWIR反演植被EWT，需要利用SWIR和近红外波段反射率(near infrared reflectance，NIR)波段组合反演植被EWT。Wang等[10]研究发现1 450 nm和1 940 nm处的吸收带深度与EWT具有较强的相关性。王强等[17]利用高光谱数据构建新的植被指数，发现用1 475 nm和1 424 nm波段构建的比值指数和归一化指数对棉花冠层EWT有较好的估算效果。程志庆等[18]利用植被指数比值的方法构建的新等效水厚度植被指数(GVMI/MSI)对杨树叶片EWT有较高的预测精度。

Palacios-Orueta等[19]和Khanna等[20]提出角度指数，利用 MODIS的 3个连续波段(NIR、SWIR1、SWIR2)间光谱的几何形状，有效地区分植被、干物质和裸土，并定量表示农作物水分含量。于君明等[21]利用短波角度斜率指数(shortwave angle normalized index，SASI)对黄淮海平原农作物水分含量进行反演研究，发现该角度指数模型与农作物含水量间具有很强的相关性。邓兵等[22]对已有角度斜率指数进行改进，提出近红外角度归一化指数(near infrared angle normalized index，NANI)和近红外角度斜率指数(near infrared angle slope index，NASI)，并发现其在植被含水量反演上具有较高的精度。

目前，国内外相关研究的主要对象是水稻、小麦等作物，而利用高光谱特征对油菜水分状况的研究甚少[3]，且多通过植被指数方法对植被含水量进行估算，利用角度指数对植被含水量的研究尚鲜见报道。苗期和蕾薹期是油菜的关键生长期，特别是蕾薹期是油菜达到丰产条件、春芽稳长、枝多薹壮的关键期[23]。同时蕾薹期也是油菜对水分相对敏感的时期，蕾薹期缺水导致花芽分化数减少，产量下降[24]。本试验以油菜为研究对象，测量2年不同施氮水平下苗期、蕾薹期油菜叶片高光谱反射率和EWT，采用常用植被指数及角度指数对油菜叶片EWT进行估算，旨在探究更适用于油菜苗期、蕾薹期叶片EWT估算的改进型角度指数，以期为估算油菜叶片水分含量和合理节水灌溉提供新的技术支持。

1 材料与方法

1.1 研究区域概况

试验于2013年11月-2014年5月在湖北省武穴市梅川镇试验基地(115.589 4°E，30.112 7°N)进行，共设置24个移栽油菜小区，每个小区面积为20 m2(2 m×10 m)，移栽行、列间距分别为 0.25、0.3 m。 2016年11月-2017年5月在武汉大学水利水电学院盆栽场(114.362 0°E，30.545 9°N)设置 8 个移栽油菜小区，每个小区面积为3 m2(3 m×1 m)，移栽行、列间距均为0.2 m，沟距0.2 m。

油菜供试品种为华油杂9号，双低(低芥酸、低硫甙)甘蓝型，由华中农业大学提供。共设置8个水平的氮肥处理，即 0(N 0)、45(N 45)、90(N 90)、135(N 135)、180(N 180)、225(N 225)、270(N 270)、360(N 360)kg·hm-2，各处理的磷、钾、硼肥施用量相等，按90 kg·hm-2P2O5、120 kg·hm-2K2O、15 kg·hm-2硼砂施入。氮、磷、钾和硼肥品种分别为尿素(含N 46%)、过磷酸钙(含P2O512%)、氯化钾(含K2O 60%)和十水硼砂(含B 10.7%)，全部氮、磷、钾、硼肥均一次性基施，试验田按照大田管理方式进行。

1.2 试验数据采集

1.2.1 叶片光谱采集 采用FieldSpec Pro FRTM便携式地物光谱仪(Analytical Spectral Devices，美国)测量油菜叶片光谱，测量波段范围为350～2 500 nm，其中350～1 000 nm光谱采样间隔(波段宽)1.4 nm，光谱分辨率3 nm；1 000～2 500 nm光谱采样间隔(波段宽)2 nm，光谱分辨率10 nm。每个施氮水平下均随机选择3株代表性油菜进行叶片光谱测量，将各层叶片擦拭干净后，使用ASD自带光源的叶片夹，从下至上依次夹取油菜样本植株各层叶片的左、顶、右部位测量光谱，取其平均值作为叶片光谱，每隔10 min进行一次白板校正。由于350～499 nm波段信噪较低，选择500～2 500 nm波段进行分析。

1.2.2 叶面积测定 叶片光谱测量完成后，立即剪取油菜样本植株各层叶片，装入保鲜袋冷藏并迅速带回实验室称取叶片鲜重(fresh weight，FW)，然后利用LI-3100C台式叶面积仪(美国LI-COR公司)测量叶面积，其可调整的压迫式滚筒能使卷曲的叶片变平，将叶片充分展开放入滚筒中扫描得到叶面积(leaf area，A)，面积测量分辨率为0.1 mm2。

1.2.3 叶片等效水厚度测定 采用烘干法测定叶片等效水厚度，待叶面积测量完成，105℃杀青30 min，60℃烘至恒重再称量叶片干重(dry weight，DW)。按照公式计算叶片单位面积的含水量:

式中，EWT表示叶片等效水厚度，g·cm-2；FW表示叶片鲜重，g；DW 表示叶片干重，g；A表示叶片面积，cm2。

1.3 研究方法

1.3.1 植被指数 绿色植被在900～2 500 nm波段范围内反射率变化受植被液态含水量的影响，这是植被水分指数估算植被含水量的理论基础[25]。植被指数通常由2个波段以比值或归一化形式组成。本研究选择表1中9种具有一定技术突破的典型常用的植被水分指数用于估算油菜叶片EWT。

1.3.2 已有角度指数 高光谱数据中各个独立波段间有着很强的相关性，水分的折射和吸收影响的波段范围可达几百纳米[20]。因此，波段之间的波长关系与波段的反射率值同样重要。角度指数就是基于此观点，充分考虑反射率光谱曲线中各个波段间的光谱曲线的形状，同时考虑波段的反射率值与波段间的关系。目前，角度指数包括短波角度指数(shortwave angle，βSWIR1)、短波角度归一化指数(shortwave angle normalized index，SANI)、短波角度斜率指数(shortwave angle slope index，SASI)、近红外角度指数(near infrared angle index，ANIR)、近红外角度归一化指数(near infrared angle normalized index，NANI)及近红外角度斜率指数(near infrared angle slope index，NASI)，角度指数示意图如图1所示。

表1 植被指数计算公式及参考文献Table1 Algorithm formula and references of vegetation indices

常用的植被指数通常由波段、反射率两两组合而成，其中最常见的是归一化、差值和比值植被指数。本研究参照已有角度指数SANI、SASI、NANI和NASI的表示形式提出2种新的角度指数，即短波角度比值指数(shortwave angle ratio index，SARI)和近红外角度比值指数(near infrared angle index，NARI)，并验证角度比值指数及已有角度指数是否适用于油菜叶片EWT的估算。公式如表2所示。

1.4 数据处理与分析

本试验共采集488个样本，分别随机选择不同生育期下三分之二的样本作为建模集，与油菜叶片EWT建立线性回归模型，剩余三分之一的样本作为验证集对EWT的反演模型进行精度验证。利用SPSS 22.0和MATLAB R2016b软件对样本数据进行线性回归分析，采用决定系数R2、均方根误差RMSE、偏移量MNB对建模效果以及验证模型进行精度评价。

图1 以NIR、SWIR1为顶点的角度指数示意图Fig.1 The angle index diagram at NIR and SWIR1

表2 已有角度指数以及角度比值指数Table2 Existing angle indices and angle ratio indices

2 结果与分析

2.1 油菜叶片样本数据统计

由表3可知，油菜苗期、蕾薹期EWT的变异系数均在20%以上，所采集的油菜样本差异明显。其中，苗期EWT的标准差和变异系数均较蕾薹期稍大。油菜叶片EWT方差分析也表明，不同生育期(苗期和蕾薹期)下油菜叶片EWT存在极显著差异，但不同施氮水平对油菜叶片EWT的影响并不显著，且生育期和施氮水平的交互作用也不显著(表4)。张岁岐等[33]也证明了轻度干旱下施氮水平不会对作物水分产生明显的影响，因此本研究只区分生育期(苗期、蕾薹期)分别对油菜叶片EWT进行建模和验证。

表3 油菜叶片样本数据统计特征Table3 Statistical characteristics of rapeseed leaves sample data

表4 油菜叶片样本数据方差分析Table4 ANOVA of rapeseed leaves sample data

2.2 改进型角度指数

由图2可知，在可见光波段，有一个反射峰(540 nm附近)和吸收谷(670 nm附近)，这是由于叶绿素对太阳光辐射分别在绿波段弱吸收和红波段强吸收造成的；由于叶绿素a和叶绿素b对太阳辐射吸收作用减弱，在670～760 nm波段内油菜光谱反射率急剧增高，形成一个陡坡，并在770～1 110 nm处形成反射高台，反射高台上存在着2个吸收谷(970 nm、1 200 nm)，受到叶片细胞结构[34]和叶片水分[35]共同影响，并非估计含水量的最佳波段。

在近红外与短红外波段，光谱反射率受叶片水分吸收的影响而逐渐降低，曲线总趋势表现为“三峰夹两谷”[36]，其中三峰分别为1 270、1 670和2 220 nm附近处，二谷的中心波长分别位于1 450 nm和1 930 nm左右，吸收谷是由于水分强吸收造成的，随着EWT的增加，且谷深递增，而三峰的峰值递减，导致1 670 nm、2 220 nm在1 930 nm处的夹角以及1 270 nm、1 670 nm在1 450 nm处的夹角随着EWT的增大而增大，表明以1 450 nm和1 930 nm为中心的夹角很可能是叶片EWT的良好指标。本研究根据此特点并参照已有角度指数的计算方式来描述1 270、1 450、1 670 nm(“两峰夹一谷”)以及 1 670、1 930、2 220 nm(“两峰夹一谷”)三波段的关系(图3)，提出1 450 nm和1 930 nm处的角度指数β1450、β1930、 角度归一化指数ANI1450、ANI1930、角度斜率指数 ASI1450、ASI1930以及角度比值指数 ARI1450、ARI1930[公式(4)～(11)](表4)。

图2 不同EWT下的油菜叶片光谱反射率Fig.2 Spectral reflectance of rapeseed leaves under different EWT levels

2.3 角度指数与等效水厚度线性回归对比分析

本研究角度指数中，RED、NIR、SWIR1和SWIR2波段分别选取660、850、1 630和2 200 nm，与Landsat8 OLI陆地成像仪第4、第5、第6和第7波段的中心波长相对应。将常用的9种植被水分指数、6种已有角度指数βSWIR1、SANI、SASI、ANIR、NANI、NASI和 2 种角度比值指数SARI、NARI及8种改进型角度指数β1450、β1930、 ANI1450、 ANI1930、 ASI1450、 ASI1930、 ARI1450、ARI1930共25个指数分别与油菜苗期、蕾薹期以及不区分生育期(苗期、蕾薹期)叶片EWT进行回归分析，由于所有植被指数与EWT基本都呈现出线性关系，为了更好地对比分析各指数反演EWT的精度，本研究统一采用线性回归模型建立EWT估算模型，暂时不考虑用非线性模型(二项式模型、指数模型、对数模型等)估算油菜叶片EWT。

表4 改进型角度指数Table4 Improved angle indices

图3 以1 450和1 930 nm为顶点的角度指数示意图Fig.3 The angle index diagram at 1 450 nm and 1 930 nm

由表5可知，改进型角度指数对油菜苗期叶片EWT的估算精度明显优于常用植被水分指数和已有角度指数，其中改进型角度指数ANI1450和ASI1450建模和验证精度相对较高，R2均达到0.837，RMSE均仅为0.004 9，验证模型R2均为 0.799，RMSE均为0.005 2，MNB均为 2.85%，表明改进型角度指数ANI1450和ASI1450所构建的模型可以用来反演油菜苗期叶片EWT。常用植被水分指数中MSI、GVMI和NDII反演效果次之，但R2也均达到0.81以上，RMSE均为0.005 2。观察发现，MSI、GVMI和NDII均用到了近红外和短波红外波段，表明短波红外和近红外2个波段组合可以用来反演植被EWT，这与前人结果一致[9]。

由表6可知，改进型角度指数、常用植被水分指数和已有角度指数对油菜蕾薹期叶片EWT的估算效果接近，其中改进型角度指数ANI1930、ASI1930，常用植被水分指数GVMI，已有角度指数NASI、SANI和角度比值指数SARI反演效果相对较好，建模R2均达到0.71及以上，RMSE均低于0.003 8，验证模型R2也达到0.74及以上，表明改进型角度指数仍然对油菜蕾薹期叶片EWT有较好的估算效果。

表5 苗期EWT估算模型及验证模型精度Table5 The model accuracy of calibration and validation of EWT at seeding stage

表5(续)

由表7可知，在不区分苗期、蕾薹期的情况下，改进型角度指数对叶片EWT的估算精度仍然远优于常用植被水分指数和已有角度指数，其中改进型角度指数ANI1450和ASI1450建模和验证精度最高，R2均达到0.832，RMSE均仅为 0.004 6，验证模型R2均为0.801，RMSE均为0.004 7，MNB均为1.41%，预测精度不低于苗期和蕾薹期分开建模的精度，且ANI1450和ASI1450模型预测值和实测值均接近于1∶1趋势线(图4、图5)，说明模型预测能力好，表明改进型角度指数ANI1450和ASI1450所构建的模型可以同时用来反演油菜苗期、蕾薹期叶片EWT。常用植被水分指数中GVMI反演效果次之，但R2也达到0.800，RMSE为0.005 0。

表6 蕾薹期EWT估算模型及验证模型精度Table6 The model accuracy of calibration and validation of EWT at bud stage

表6(续)

图4 苗期、蕾薹期ANI1450与EWT的线性回归图以及模型预测值与实测值的对比图Fig.4 Linear regression graph of ANI1450and EWT and comparison graph of predicted values and measured values at seeding stage and bud stage

图5 苗期、蕾薹期ASI1450与EWT的线性回归图以及模型预测值与实测值的对比图Fig.5 Linear regression graph of ASI1450and EWT and comparison graph of predicted values and measured values at seeding stage and bud stage

表7 苗期、蕾薹期EWT估算模型及验证模型精度Table7 The model accuracy of calibration and validation of EWT at seeding stage and bud stage

3 讨论

研究表明，高光谱数据波段众多，各独立波段之间存在着很强的相关性[37-38]。常用来估算植被水分含量的植被指数通常只用到波段的反射率值，无法反映出波段间的几何关系，而波段间的波长关系与反射率同等重要[21]。角度指数结合了波段反射率以及波段间的关系，更直接地反映了油菜的高光谱特征，能精确估算油菜叶片EWT[21-22]。本研究提出利用角度指数估算不同施氮水平下苗期、蕾薹期油菜叶片等效水厚度EWT，并对比分析角度指数和常用来估算植被含水量的植被指数对油菜叶片EWT的估算效果，在分析不同EWT下油菜叶片的高光谱特征时，发现以1 450 nm和1 930 nm为中心的夹角很可能是叶片EWT的良好指标，这与前人结果一致[9，11，39-40]，并根据此特点提出了基于1 450 nm、1 930 nm的改进型角度指数，发现本研究提出的改进型角度指数较已有角度指数和常用植被水分指数具有更高的稳定性，且可在一定程度上提高油菜苗期、蕾薹期叶片EWT的估算精度，为快速、精确地估计油菜叶片EWT提供了新的研究思路。

将前人在其他植被上提出的常用植被水分指数应用于油菜叶片EWT反演研究中，发现大部分指数估算效果较差，这可能是由于植被水分指数是基于某些特定植被提出的，这些植被的叶片结构和叶肉组织和油菜叶片差异较大，且效果不好的植被水分指数(WI、PRI、NDVI、NDWI等)大都利用了近红外和可见光波段，可见光波段不是估计含水量的最佳波段，易受到叶片细胞结构影响[34]，近红外波段同时受到叶片水分、木质素和纤维素等叶片结构成分的影响，波动较大，没有短红外波段稳定[41]；其中效果相对较好的植被水分指数(GVMI、NDII、MSI)同时利用了近红外和短红外波段，再次证明了短波红外和近红外2个波段组合可以较好地反演植被 EWT[9，27，31-32]。而本研究提出的改进型角度指数不仅利用了水分吸收特征波段，同时应用短波红外和近红外的反射率值和波段间的关系，因此可以更好地估算油菜叶片EWT。

本研究在湖北2年小面积田间试验的基础上，采用叶片夹自带光源测量叶片光谱，叶片夹内完全被叶片填充，可以有效消除植被冠层结构、土壤背景以及大气吸收等因素的影响，光谱获取的精确性和稳定性较高，且试验田均按照大田管理方式进行，具有良好的代表性。但油菜品种单一，今后应对不同品种、更多水分梯度下及不同生育期下的油菜EWT进行研究，建立更具有普适性的油菜EWT估算模型，并进一步分析油菜不同层次叶片EWT对水分胁迫的响应以及和土壤含水量的关系，建立油菜叶片尺度和冠层尺度的含水量估算模型，结合冠层温度和高光谱图像信息，进一步提高含水率的预测精度，为大面积实时快速地监测油菜生长状态、估计油菜受水分胁迫的程度和节水灌溉提供新的研究思路和科学依据。

4 结论

本研究分析不同EWT下的油菜叶片光谱特征，发现以1 450 nm和1 930 nm为中心的夹角是油菜叶片EWT的良好指标。结果表明，在不区分苗期、蕾薹期的情况下，改进型角度指数ANI1450、ASI1450估算油菜叶片EWT效果最好，R2达到了0.832，表明改进型角度指数可以不区分苗期、蕾薹期统一对油菜叶片EWT进行估算，适用性更好。本研究提高了油菜叶片EWT的估算精度，扩展了角度指数的波段范围，使角度指数更丰富、应用更广泛，为角度指数及油菜叶片EWT估算的发展提供了新的理论依据。

致谢:感谢武汉大学水利水电学院黄爽、黄焰兵老师在田间试验布置和试验生活中给予的帮助；感谢武汉大学生命科学学院刘元庆老师在油菜样品处理中给予的帮助。