基于卫星遥感与同步地面实验数据的冬小麦长势遥感监测

蔡庆空 李二俊 王果 张迪 陈超

摘  要：农作物长势的有效监测对于精准农业建设意义重大。基于Landsat8卫星影像和同步实验数据，采用双变量相关性分析法筛选植被指数，构建LAI反演模型并进行精度评定。结果表明：DVI与LAI的相关性最高，其次为SAVI和EVI，NRI与LAI相关性最低。基于DVI建立的模型精度最高，模型R2为0.77。研究区冬小麦长势总体良好，其中长势一般的区域占44.37%，长势良好的区域主要分布在扶风县中南部，武功县中部，长势过旺地区主要分布在扶风县西部地区，武功县西北部地区。

关键词：冬小麦；叶面积指数；植被指数；遥感反演；长势监测

中图分类号：TP391    文献标识码：A      文章编号：2096-4706（2023）06-0098-05

Remote Sensing Growth Monitoring of Winter Wheat Based on Satellite Remote Sensing and Synchronous Ground Experiment Data

CAI Qingkong1， LI Erjun2， WANG Guo1， ZHANG Di1， CHEN Chao1

（1.College of Civil Engineering， Henan University of Engineering， Zhengzhou  451191， China;

2.School of Humanities， Political Science and Law， Henan University of Engineering， Zhengzhou  451191， China）

Abstract： The effective monitoring of crop growth is of great significance to the construction of precision agriculture. Based on Landsat8 satellite image and synchronous experimental data， bivariate correlation analysis method is used to screen vegetation index， build LAI inversion model and evaluate accuracy. The results show that DVI has the highest correlation with LAI， followed by SAVI and EVI， and NRI has the lowest correlation with LAI. The built model based on DVI has the highest accuracy， with R2 of 0.77. The winter wheat in the study area is growing well in general， of which 44.37% is in the area with general growth. The areas with good growth are mainly distributed in the middle and south central parts of Fufeng County， the middle part of Wugong County， and the areas with excessive growth are mainly distributed in the west part of Fufeng County and the northwest part of Wugong County.

Keywords： winter wheat; leaf area index; vegetation index; remote sensing inversion; growth monitoring

0  引  言

叶面积指数（Leaf Area Index， LAI）作为农作物长势监测的重要指标，其数值与产量的高低密切相关，在农作物长势监测、产量估算等领域应用广泛[1]。传统的LAI获取方法费时费力，成本高，而且需要破坏性采样。与传统方法相比，遥感技术具有现势性、便捷性、时效性、宏观性等优势，能快速、准确、动态地获取农作物的长势信息，且精度有保证，因此在LAI估测中表现出强大的优势[2]。目前，常用的LAI反演方法主要有两种：物理模型法和经验模型法[3]。物理模型法是在物理学理论的基础上，模拟植被冠层光谱特征、大气以及土壤等对电磁波的作用，来实现叶面积指数的反演[4]。苗乃哲等采取物理模型法对北京市通州和顺义冬小麦叶面积指数进行反演[5]。赫晓慧等利用PROSAIL模型和遗传算法优化后的BP神经网络模型，对大豆种群的LAI进行了反演[6]。王枭轩等针对物理模型抗噪能力差且容易过拟合的问题，提出一种PROSAIL模型结合VMG多元回归模型反演冬小麦叶面积指数方法，提高了LAI的反演精度[7]。包刚等采用径向基函数神经网络的物理模型方法对草地LAI进行了高光谱反演[8]。物理模型法能较好的解释事物的本质，但物理模型参数较多，且部分參数获取困难，应用受到一定的限制[4]。经验模型法具有便捷性、时效性、现势性、宏观性等优势，在农作物长势监测中应用较为广泛。束美艳等分析了基于地面实验采集的冬小麦冠层光谱数据，构建红边抗水植被指数，提高了作物LAI的反演精度[9]。孙华林等在正常播期和晚播条件下选取最佳植被指数建立了LAI估算模型[10]。Moriondo等利用冬小麦的NDVI数据对意大利两个省份的冬小麦进行长势监测，取得了较高的精度[11]。吾木提·艾山江等基于野外实测的光谱数据，利用植被指数和优化光谱指数，建立了冬小麦LAI的回归模型，对其进行精度验证[12]。李军玲等利用野外试验获取的光谱数据与LAI数据，建立了不同生育时期冬小麦叶面积指数的遥感反演模型[13]。经验模型具有便捷性、时效性、现势性、宏观性等优势在LAI的反演中得到了广泛的应用。

综合以上研究，由于受实验条件的限制，以往LAI的研究大多基于地面实验采集的光谱数据，构建LAI反演模型，而没有同步获取的遥感影像数据，或者是有卫星影像但无同步地面实验数据，导致无法将地面实验建立的LAI模型推广应用至大区域范围的遥感影像上。论文选取陕西省武功县和扶风县为研究区，综合利用星（Landsat8卫星影像）-地（地面实验数据）同步实验数据，构建冬小麦LAI反演模型，结合Landsat8卫星影像将建立的LAI模型推广应用于遥感影像上，实现大区域范围的冬小麦长势遥感监测。

1  研究区和数据源

1.1  研究区概况

选取陕西省武功县和扶风县为研究区域，如图1所示，地理位置介于北纬东经间。气候类型属温带大陆性季风气候，具有春季温暖多风，夏季炎热多雨，秋季凉爽多连阴雨，冬季寒冷少雪等特征，年均气温12.9 ℃，年均降水量635.1 mm。区内地势总体较为平坦，最高点海拔约为540米，最低点海拔约为418米，土壤肥沃，土质类型主要为重壤土和中壤土。境内有渭河，漆水河、湋河、漠浴河流经，降水是水资源的重要来源，占庄稼年水需求量的63.9%。主要种植农作物是小麦、玉米、油菜和各种蔬菜。

1.2  数据获取及预处理

论文采用的数据主要包括Landsat8 OLI遥感影像数据和同步获取的地面实验数据。Landsat8影像获取时间为2014年5月11日（http：//www.gscloud.cn/），影像空间分辨率为30米，幅宽185千米，影像条带号为127/36，云覆盖度0.3%，天气晴朗无云。遥感数据的预处理主要包括辐射定标、大气校正、几何纠正以及影像裁剪。采用野外实验时采集的地面控制点对影像进行几何纠正，纠正误差控制在1个像元之内。同步获取的地面实验数据主要包括：采样点的地面坐标和叶面积指数，叶面积指数采用LAI2000进行采集，共采集有效实验样点37个，其中随机选取25个样点作为训练样本，其余12个样本作为检验样本。

2  冬小麦LAI模型构建及长势监测

2.1  植被指数与LAI相关性分析

在借鉴前人研究的基础上，选取8个与LAI密切相关的植被指数，分别是归一化植被指数（NDVI）、差值植被指数（DVI）、增强型植被指数（EVI）、土壤调节植被指数（SAVI）、优化的土壤调节植被指数（OSAVI）、比值植被指数（RVI）、绿色归一化植被指数（GNDVI）和作物氮反应指数（NRI）[5，14，15]。基于植被指数的计算公式，通过波段运算，得到研究区8个植被指数影像。基于采集的样本点坐标，将样本点分别导入到各植被指数影像上，提取样本点位置的植被指数，并将提取的植被指数分为训练样本和检验样本。将训练集样本点植被指数与叶面积指数导入SPSS软件，绘制散点图，并进行Pearson双变量相关性分析，分析结果如表1所示。

由表1可知，8个植被指数与LAI相关性均达到了显著性检验水平，其中DVI、SAVI和EVI与LAI相关性最高，分别为0.79、0.76和0.76，其次为OSAVI、GNDVI、NDVI和RVI，NRI与LAI相关性最差，相关系数仅为0.53。因此，后续研究中采用NDVI、DVI、EVI、GNDVI、OSAVI、RVI和SAVI进行进一步分析。

2.2  构建LAI反演模型及精度评定

2.2.1  建立LAI反演模型

基于训练集样本，将LAI与植被指数在SPSS软件中进行回归分析。对于每一个植被指数，函数模型选取一元线性模型、二次多项式模型、对数模型、幂函数模型和指数模型5种形式，从中选取R2最大的模型作为该植被指数模型的最终形式，模型建立的结果如表2所示。

由表2可知，从模型类别来看，指数模型和二次多项式模型的拟合效果最好，其次为对数模型和幂函数模型，一元线性模型的拟合效果最差；从植被指数方面来看，DVI、EVI、SAVI模型的反演精度优于其他植被指数，NDVI的拟合效果最差，原因在于冬小麦灌浆期植被密度达到了一定程度，NDVI不再随小麦生长继续增长，到了饱和期。DVI、EVI以及SAVI的二次多项式模型反演精度最高，模型决定系数R2分别为0.77、0.74、0.73。

2.2.2  模型精度评定

为了验证模型的可靠性和普适性，利用12个验证集样本对反演精度最好的3个模型进行精度评定。将利用3个模型反演得到的LAI与验证集样本LAI在SPSS软件中进行Pearson双变量相关性分析，得出3种模型反演LAI与野外测量LAI的相关系数，其中DVI和SAVI的相关性最高，相关系数均为0.71，EVI的相关系数为0.69。

2.3  冬小麦种植区域提取

遥感影像上含有不同种类的地物，论文的研究对象是冬小麦，因此需要在影像上提取出冬小麦种植区域。采用监督分类法提取冬小麦种植区域，通过目视判读，将遥感影像上的地物分为建设用地、林地、水、冬小麦、裸地共5类，采集5类样本的感兴趣区，感兴趣区要均匀的分布在影像上而且有一定的代表性，并计算样本的可分离性。然后进行分类器选择，论文中选择支持向量机方法进行监督分类，并对监督分類结果进行后处理，最终得到研究区土地分类图，如图2所示。基于监督分类结果将冬小麦种植区域提取出来，为了更直观的显示冬小麦的分布情况，将其分为冬小麦区域和非小麦区域并着色，结果如图3所示。

2.4  冬小麦长势监测

基于DVI、EVI以及SAVI的植被指数影像，将建立的二次多项式模型应用到Landsat8遥感影像上，得到研究区叶面积指数分布图，将叶面积指数分布图与冬小麦种植区域图叠加，得到研究区冬小麦种植区域叶面积指数分布图。结合研究区样点地面实验数据和以往研究结果，将冬小麦的长势情况分为3个等级：长势一般、长势良好、长势过旺[16]，基于此分级标准，将研究区冬小麦叶面积指数分布图进行分级并着色，得到研究区灌浆期冬小麦长势监测分布图，如图4所示。

为定量分析研究区冬小麦长势情况，计算三种模型下研究区冬小麦LAI的平均值，并统计三种模型下长势一般、良好和过旺等级的面积，如表3所示。

由图4和表3可知，研究区冬小麦LAI的平均值为4.86，属于长势良好等级，表明研究区冬小麦总体长势良好。从整个研究区看，长势一般区域占总种植面积的44.39%，主要分布在扶风县北部，原因是研究区西北部地区地势高，种植条件差；长势良好的区域占总种植面积的40.13%，主要分布在扶风县中南部，武功县中部，该地区水源充足，土地肥沃，靠近杨凌农业高新技术产业示范区，受到示范区的影响，中南部地区的冬小麦种植有较好的农田管理，大部分冬小麦长势良好；长势过旺的区域占总种植面积的15.5%，冬小麦长势过旺地区较为分散，主要分布在扶风县西部地区，武功县西北部地区，出现这种情况可能是因为种植密度太大，施肥过多等，生长后期会出现透风性和透光性差。

3  结  论

为了对冬小麦长势进行及时有效的监测，文中选取陕西省武功县与扶风县为研究区，综合遥感影像和同步获取的地面实验数据，构建了LAI反演模型，对研究区冬小麦长势进行遥感监测，取得的主要结论如下：

（1）通过将8个植被指数与叶面积指数进行相关性分析，8个植被指数与LAI相关性达到了显著性检验水平，其中DVI、SAVI和EVI與LAI相关性最高，分别为0.79、0.76和0.76，其次为OSAVI、GNDVI、NDVI和RVI，NRI与LAI相关性最低，相关系数为0.53。

（2）从模型建立形式看，二次多项式模型和指数模型的拟合效果最好，其次为对数模型和幂函数模型，一元线性模型的拟合效果最差。从植被指数方面来看，DVI、EVI、SAVI三种植被指数的拟合效果最好，其中基于DVI的二次多项式模型精度最高，模型R2为0.77，模型反演LAI与实测LAI有较好的相关性。

（3）研究区冬小麦总体长势良好，其中长势良好的区域占总种植面积的40.13%，主要分布在扶风县中南部，武功县中部；长势一般的区域占44.37%，主要分布在扶风县北部地区；长势过旺的区域占15.5%，长势过旺地区较为分散，主要分布在扶风县西部地区，武功县西北部地区。

参考文献：

[1] 王纪华，赵春江，黄文江，等.农业定量遥感基础与应用 [M].北京：科学出版社，2008.

[2] 刘占宇，黄敬峰，王福民，等.估算水稻叶面积指数的调节型归一化植被指数 [J].中国农业科学，2008（10）：3350-3356.

[3] 张佳华，杜育璋，刘学锋，等.基于高光谱数据和模型反演植被叶面积指数的进展 [J].光谱学与光谱分析，2012，32（12）：3319-3323.

[4] 王毅.基于经验模型的叶面积指数反演精度对比 [D].成都：成都理工大学，2017.

[5] 苗乃哲.基于LandsatTM数据的冬小麦不同生育期叶面积指数反演方法精度比较 [D].西安：西安科技大学，2012.

[6] 赫晓慧，冯坤，郭恒亮，等.基于PROSAIL模型和遗传算法优化的BP神经网络模型的不同大豆种群叶面积指数反演比较 [J].河南农业大学学报，2021，55（4）：698-706.

[7] 王枭轩，卢小平，杨泽楠，等.基于PROSAIL结合VMG模型的冬小麦叶面积指数反演方法 [J].农业机械学报，2022，53（6）：209-216.

[8] 包刚，覃志豪，周义，等.基于高光谱数据和RBF神经网络方法的草地叶面积指数反演 [J].国土资源遥感，2012（2）：7-11.

[9] 束美艳，顾晓鹤，孙林，等.基于新型植被指数的冬小麦LAI高光谱反演 [J].中国农业科学，2018，51（18）：3486-3496.

[10] 孙华林，耿石英，王小燕，等.晚播条件下基于高光谱的小麦叶面积指数估算方法 [J].光谱学与光谱分析，2019，39（4）：1199-1206.

[11] MORIONDO M，MASELLI F，BINDI M. A simple model of regional wheat yield based on ndvi data [J].European Journal of Agronomy，2006，26（3）：266-274.

[12] 吾木提·艾山江，尼加提·卡斯木，买买提·沙吾提.基于波段组合优化光谱指数的冬小麦LAI估算 [J].江苏农业科学，2022，50（13）：207-218.

[13] 李军玲，彭记永.不同生育时期冬小麦叶面积指数地面高光谱遥感模型研究 [J].麦类作物学报，2018，38（8）：979-987.

[14] 刘婷，包广道，张大伟，等.基于植被指数的GF-2影像防护林快速提取研究 [J].森林工程，2018，34（6）：13-19.

[15] 谭昌伟，王纪华，朱新开，等.基于Landsat TM影像的冬小麦拔节期主要长势参数遥感监测 [J].中国农业科学，2011，44（7）：1358-1366.

[16] 李卫国，李正金，杨澄.基于CBERS遥感的冬小麦长势分级监测 [J].中国农业科技导报，2010，12（3）：79-83.

作者简介：蔡庆空（1986—），男，汉族，河南南召人，讲师，博士，研究方向：资源环境遥感、高光谱遥感；李二俊（1986—），女，汉族，河南温县人，讲师，硕士，研究方向：资源环境遥感；王果（1986—），男，汉族，河南内乡人，副教授，博士，研究方向：摄影测量与遥感；张迪（1987—），男，汉族，河南邓州人，副教授，博士，研究方向：摄影测量与遥感；陈超（1989—），男，汉族，河南开封人，讲师，博士，研究方向：摄影测量与遥感。

收稿日期：2022-10-18

基金项目：河南省高等学校重点科研项目（21A420003，23A420001，22A420003）；河南省重点研发与推广项目（222102320155）