引用本文
苏伟, 赵晓凤, 孙中平, 张明政, 邹再超, 王伟, 史园莉. 基于Sentinel-2A影像的玉米冠层叶绿素含量估算[J]. 光谱学与光谱分析, 2019,39(5): 1536-1542.
SU Wei, ZHAO Xiao-feng, SUN Zhong-ping, ZHANG Ming-zheng, ZOU Zai-chao, WANG Wei, SHI Yuan-li. Estimating the Corn Canopy Chlorophyll Content Using the Sentinel-2A Image[J]. Spectroscopy and Spectral Analysis, 2019,39(5): 1536-1542.
Doi:10.3964/j.issn.1000-0593(2019)05-1535-08  
Permissions
Copyright©2019, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于Sentinel-2A影像的玉米冠层叶绿素含量估算
苏伟1,2, 赵晓凤3, 孙中平4,*, 张明政1,2, 邹再超1,2, 王伟1,2, 史园莉4
1. 中国农业大学土地科学与技术学院, 北京 100083
2. 农业部农业灾害遥感重点实验室, 北京 100083
3. 国家气象中心, 北京 100081
4. 生态环境部卫星环境应用中心, 北京 100094
*通讯联系人 E-mail: sunnybnu114@163.com

作者简介: 苏 伟, 1979年生, 中国农业大学土地科学与技术学院副教授 E-mail: suwei@cau.edu.cn

收稿日期: 2018-03-28 接受日期: 2018-08-05
基金: 国家自然科学基金项目(41671433, 41371327), 国家重点研发计划项目(2017YFB0503900-4-2)资助
摘要

农作物叶片中的叶绿素通过吸收光能参与光合作用产生化学能, 及时、 准确地估算叶绿素含量对于农作物长势、 养分含量监测、 品质评价和产量估算具有重要意义。 Sentinel-2卫星的重访周期为5 d, 空间分辨率为10 m, 具有13个光谱波段, 其中包括三个波宽仅为15 nm对叶绿素含量变化敏感的红边波段, 是叶绿素含量估算的理想数据源。 植被指数是基于农作物在不同波段的反射特性, 通过不同波段组合方式刻画长势和叶绿素含量的差异, 可用于大区域范围内的玉米冠层叶绿素含量快速、 精确估算。 以Sentinel-2A影像为数据源, 开展基于多种植被指数的玉米冠层叶绿素含量估算方法研究。 课题组于2016年8月6—11日在河北省保定市(115°29'—116°14'E, 39°5'—39°35'N)进行玉米冠层叶绿素含量的实地测量, 并在每个采样位置上采用中绘i80 智能RTK(real-time kinematic)测量系统进行定位。 Sentinel-2A影像预处理工作包括几何校正、 辐射定标和大气校正, 其中大气校正使用Sen2Cor模型和SNAP模型。 首先, 基于预处理后的Sentinel-2A遥感影像, 分别计算CIgreen(green chlorophyll index), CIred-edge(red-edge chlorophyll index), DVI(difference vegetation index), LCI(leaf chlorophyll index), MTCI(MERIS terrestrial chlorophyll index), NAVI(normalized area vegetation index), NDRE(normalized difference red-edge), NDVI(normalized difference vegetation index), RVI(ratio vegetation index), SIPI(structure insensitive pigment index)植被指数。 然后, 建立样方位置上实测叶绿素含量与各植被指数的统计关系, 从而构建玉米冠层叶绿素含量估算模型, 并以野外实测玉米冠层叶绿素含量为依据, 对基于各植被指数的估算结果进行精度评价。 最后, 利用筛选出的最优叶绿素含量估算模型, 估算研究区内的玉米冠层叶绿素含量。 研究的目标为: (1)通过比较分析, 构建合适的玉米冠层叶绿素含量估算模型, 估算精度以决定系数 R2、 均方根误差RMSE以及相对误差RE作为评价指标; (2)确定最优波段组合方案: 在红边波段中选择与可见光、 近红外波段组合效果更优的波段组合方案; (3)确定参与植被指数计算的红边波段的最优数量。 精度评价结果表明: (1)选用的植被指数与玉米冠层叶绿素含量呈多项式拟合关系, 其中使用红边波段计算的植被指数的估算结果明显优于未使用红边波段的估算结果; 红边波段引入后明显提高了可见光、 近红外波段对叶绿素含量的拟合的精度, CIgreen(560, 705)指数比CIgreen(560, 842)的回归模型 R2提高0.516, 红边波段参与计算的DVI相对于RVI来说, 估算结果更稳定。 (2)对于不同的植被指数, 参与运算的Sentinel-2A影像的两个红边波段, 估算精度的提高程度不同。 对于可见光波段参与计算的植被指数来说, 在红边波段1(中心波长为705 nm)的估算精度较高, 如LCI, CIgreen, DVI和RVI等; 对于近红外波段参与计算的植被指数来说, 在红边波段2(中心波长为740 nm)的估算精度较高, 如CIred-edge, NDRE和NAVI等。 (3)对于Sentinel-2A影像来说, 两个红边波段共同参与叶绿素含量估算时能取得最高的的估算精度。 选用的植被指数中, MTCI(665, 705, 740)指数与玉米冠层叶绿素含量估算精度最高, 回归模型拟合精度 R2为0.803, 模型验证 R2为0.665, RMSE为3.185, 相对误差RE为4.819%。 MTCI(665, 705, 740)指数计算中使用了两个红边波段, 突出红边波段反射率差值变化, 与玉米冠层叶绿素含量表现出很好的相关性。 最后, 利用优选出的基于MTCI指数的叶绿素含量估算模型, 对研究区范围内的叶绿素含量进行估算并完成空间制图。

关键词: Sentinel-2A; 玉米; 冠层叶绿素含量; 红边波段; 植被指数
中图分类号:TP79 文献标志码:A
Estimating the Corn Canopy Chlorophyll Content Using the Sentinel-2A Image
SU Wei1,2, ZHAO Xiao-feng3, SUN Zhong-ping4,*, ZHANG Ming-zheng1,2, ZOU Zai-chao1,2, WANG Wei1,2, SHI Yuan-li4
1. College of Land Science and Technology, China Agricultural University, Beijing 100083, China
2. Key Laboratory of Remote Sensing for Agri-Hazards, Ministry of Agriculture and Rural Affairs, Beijing 100083, China
3. China Meteorological Center, Beijing 100081, China
4. Satellite Environment Center, Ministry of Ecology and Environment, Beijing 100094, China
Abstract

The chlorophyll within crop leaves and crop canopy produces energy and participates in photosynthesis process by absorbing sunlight. Therefore, it is important to estimate the crop canopy chlorophyll content timely and accurately for crop growth monitoring, nutrient content monitoring and crop quality evaluation. Sentinel-2 has a wide-swath sensor with 5-days revisit period, so the Sentinel-2 image is produced with high spatial resolution (10 m) and 13 spectral bands. Specially, there are three red edge bands in Sentinel-2 image, which are sensitive to crop canopy chlorophyll content and its change. So the Sentinel-2 image is an ideal remote sensing data source for chlorophyll content estimation. Vegetation indexes depict the difference for the crop between different growth conditions and different chlorophyll contents, through the band combinations based on the reflection characteristics of crops at different spectral bands. So the vegetation indexes from Sentinel-2 image can be used to estimate the corn canopy chlorophyll content timely and accurately in a regional area. Therefore, this study is focusing on estimating the corn canopy chlorophyll content using 10 kinds of vegetation indexes computing from Sentinel-2A remote sensing images. And the study area is located in three counties of Baoding City, Hebei Province, ranging from 115°29'E to 116°14'E, 39°5'N to 39°35'N. We measured the corn plant chlorophyll content in 24 sampling areas distributed randomly in the whole study area from 6 August to 11 August, 2016. And each sampling area was located using Huace i80 real-time kinematic (RTK) GPS receiver (Huace Ltd., Shanghai, China). The Sentinel-2A image was preprocessed including geometric correction, radiometric calibration and atmospheric correction, and Sen2Cor model and SNAP were used to do atmospheric correction. 10 vegetation indexes were computed including CIgreen(Green Chlorophyll Index), CIred-edge(Red-edge Chlorophyll Index), DVI(Difference Vegetation Index), LCI(Leaf Chlorophyll Index), MTCI(MERIS Terrestrial Chlorophyll Index), NAVI(Normalized Area Vegetation Index), NDRE(Normalized Difference Red-Edge), NDVI(Normalized Difference Vegetation Index), RVI(Ratio Vegetation Index), SIPI(Structure Insensitive Pigment Index). Secondly, the statistical correlativity was analyzed between these 10 vegetation indexes and measured chlorophyll content value for every sampling area. So the corn canopy chlorophyll content estimating was developed using this correlation analysis results. Lastly, the optimal chlorophyll content estimation model was selected to estimate the chlorophyll content in the whole study area. This study was focusing on (1) developing the estimation model for corn canopy chlorophyll content in the study area, and the accuracy was assessed using R2, RMSE and RE; (2) deciding the optimal band combination; (3)deciding the optimal amount of red edge band participating in vegetation indexes calculation. The accuracy assessment results indicated that (1) there was polynomial correlation between measured chlorophyll content and the selected 10 vegetation indexes in this study, and the accuracy of estimated chlorophyll content using the vegetation indexes considering the red edge bands is better than the ones without red edge bands. The CIgreen(560, 705)and DVI which were all considering red edge bands improved the chlorophyll content estimation accuracy, and the R2 improved 0.516 for CIgreen(560, 705). The statistical relationship between the measured chlorophyll content and the vegetation index in the field work was established, and the relationship was extended to the whole study area. This study was about the estimation of corn canopy LAI and chlorophyll content using these ten vegetation indexes, which was focusing on the following four parts. Firstly, we compared if the vegetation with or without red-edge band could get accurate LAI and chlorophyll content estimated result. Secondly, we added two red-edge bands to the vegetation indexes without red-edge band originally. Thirdly, we added two red-edge bands to the vegetation indexes with one red-edge band originally only. Fourthly, we set up the vegetation index with two red-edge bands. The results showed that there are polynomial regression between the selection of multi-VI and the field survey of canopy chlorophyll content. Because the introductions of the red edge band, the fitting accuracy improved more than 0.3 between the vegetation index and corn canopy chlorophyll content, and the CIgreen (560, 705) (Green Chlorophyll Index) improved 0.516 that is the highest. The index calculating between the visible light band and the first red edge band (705 nm), the near infrared band with the second red edge band (740 nm), both of which established the regression model with the field survey of corn canopy chlorophyll content, and promoted the best fitting precision. The MTCI (MERIS Terrestrial Chlorophyll Index) has the highest fitting precision in which the R2 is 0.803, RMSE is 3.185, RE is 4.819%. It is shown that adding the red edge band will improve the fitting precision and it is suitable for crop growth monitoring.

Keyword: Sentinel-2A; Corn; Canopy chlorophyll content; Red-edge band; Vegetation index
引 言

叶绿素是农作物叶片光合作用的载体, 叶绿素含量表征作物的光合速率、 氮素含量和健康状态等, 也是表征作物植株养分状态以及衰老程度的指示器, 对农作物长势监测、 养分含量监测、 品质评价和产量估算具有重要意义[1, 2]。 实验室测定叶绿素含量的方法过程复杂、 成本高, 且不能进行实时的、 大面积的监测; 迅速发展的遥感技术在快速获取大面积范围内农作物信息方面具有优势。 基于遥感影像的农作物冠层叶绿素含量的估算方法可以分为两类: 基于经验/半经验模型的统计分析方法和基于辐射传输机理模型的反演方法。 其中, 经验/半经验模型的统计分析方法是通过对地面测量参数和遥感影像反射率之间的相关分析, 构建地面测量参数与不同波段反射率或不同植被指数的相关模型, 从而快速估算区域范围内的农作物冠层叶绿素含量。 相对于基于辐射传输机理模型的反演方法, 基于植被指数的相关分析方法具有简单、 快捷、 容易实现的优势[3, 4]。 因此, 本工作采用植被指数的方法估算玉米冠层叶绿素含量。

植被指数的构建是基于农作物冠层在不同波段的反射率特征, 将对农作物冠层敏感的波段进行组合, 以在一定程度上消除环境背景(如非植被目标土壤、 水体等)的影响。 红边是绿色植物在670~760 nm之间反射率增速最快的区域, 对农作物叶绿素含量变化非常敏感。 所以, 许多研究者使用红边波段提取红边参数、 构建光谱指数、 提取特征光谱等估算作物叶片和冠层尺度的叶绿素含量。 Sentinel-2是欧空局和欧洲委员会的地球环境与安全监视系统(GMES)中的多光谱卫星, 所获取的高时空间分辨率(重访周期为5 d, 空间分辨率为10 m)多光谱影像, 覆盖13个光谱波段, 其中包括两个波段宽度为15 nm的红边波段, 是农作物冠层叶绿素含量估算的理想数据源。 在利用Sentinel-2影像提取植被冠层叶绿素含量方面已有许多相关研究。 Jesú s等[5]将高光谱影像重采样从而模拟Sentinel-2影像的各波段反射率, 然后基于模拟的多波段影像构建多种植被指数用于估算叶绿素含量。 其研究结果表明红边波段未参与计算的NAOC(normalized area over reflectance curve)植被指数的叶绿素含量估算精度较低。 Schlemmer等[6]用实测光谱数据的绿色波段和红边波段构建植被指数, 从而估算植被冠层叶绿素含量, 他们使用的光谱波段与Sentinel-2影像的光谱波段一致, 其研究结果表明利用有红边波段参与的植被指数得到的叶绿素含量反演精度较高。 在植被覆盖度高的区域, 使用红/绿波段和近红外波段构建的植被指数存在易饱和的问题, 因而基于红/绿波段和近红外波段估算的冠层叶绿素含量精度较低。 Peng等[1]将实地测量的光谱数据重采样至与Sentinel-2多光谱MSI(multi-spectral instrument)波段一致的范围, 并使用红边和近红外波段估算玉米和大豆两种作物的叶绿素含量, 其结果表明有红边波段参与的植被指数几乎没有指数饱和问题, 能够准确的估算两种作物的冠层叶绿素含量。 郑阳等[7]基于Sentinel-2影像构建红边叶绿素指数(CIre), 并利用该指数估算生物量, 其结果表明红边叶绿素指数(CIre)与生物量的估算精度最高(决定性系数R2为0.83; 均方根误差RMSE为180.29 g· m-2)。

上述研究中多数使用基于高光谱影像或者高光谱数据模拟的近似Sentinel-2影像, 构建植被指数从而估算植被冠层叶绿素含量, 对于Sentinel-2影像来说上述指数或者叶绿素含量估算方法是否适用还需进一步验证。 鉴于此, 以Sentinel-2A MSI影像为数据源, 以河北省保定市的涿州市、 高碑店市和定兴县这三个县级市为研究区, 在计算多种植被指数的基础上构建各植被指数与地面实测的玉米冠层叶绿素含量值的统计模型, 特别是构建多个由红边波段参与的植被指数, 从而探索红边波段在玉米冠层叶绿素含量估算中的适宜性与潜力。 研究目标是: (1)构建合适的玉米冠层叶绿素含量估算模型: 估算结果的精度以决定系数R2、 均方根误差RMSE以及相对误差RE作为评价指标, 筛选出最优的叶绿素含量估算模型; (2)确定最优波段组合方案: 在红边波段中选择与可见光、 近红外波段组合效果更优的波段组合方案; (3)确定参与植被指数计算的红边波段的最优数量。

1 实验部分
1.1 研究区概况

研究区位于河北省保定市东北部的涿州市、 高碑店市和定兴县, 地理范围为115° 29'— 116° 14'E, 39° 5'— 39° 35'N, 地理位置如图1所示。 研究区地处华北平原, 属于温带大陆性季风气候, 雨热同期, 是保定市农作物的主要种植区。 研究区内的土地利用类型主要为农田、 城建区及水体, 主要耕作制度是冬小麦-夏玉米轮作模式。

图1 研究区位置及野外调查样点空间分布图Fig.1 Location of the study area and samplings in field work

1.2 数据源

1.2.1 Sentinel-2A影像

Sentinel-2是由欧洲委员会和欧空总署局联合倡议研发的全球环境与安全监测计划的第二颗卫星[20], Sentinel-2A、 B星分别于2015年6月23日、 2017年3月7日发射成功, 双星在轨运行的重返周期为5 d。 Sentinel-2遥感影像有13个光谱波段, 包括可见光、 红边、 近红外、 水汽、 卷云以及短波红外波段, 其空间分辨率和波谱范围如表1所示。 该影像可通过ESA scihub网站免费下载L1C大气表观反射率产品(https://scihub.copernicus.eu/dhus/#/home), 经过影像辐射定标和大气校正、 影像重采样、 波段合成、 影像镶嵌和掩膜等预处理后, 采用支持向量机分类方法提取研究区内的玉米种植区。 综合考虑影像质量和研究区内的玉米生育期时间, 选取2016年8月21日的无云Sentinel-2A卫星影像, 影像轨道号为75, 识别号为50SLJ和50SMJ。

表1 Sentinel-2A影像波段光谱参数 Table 1 The band indexs of Sentinel-2A image

1.2.2 野外测量数据

为验证叶绿素含量的估算精度, 课题组于2016年8月6— 11日在研究区内随机选取24个有代表性的实验样方测量各样方内的玉米冠层叶绿素含量, 使用的仪器为SPAD-502便携式叶绿素测定仪[8]。 研究表明, 植被叶绿素含量随SPAD值的增大而增大, 呈一定函数变化规律, 且达到极显著相关的水平。 测量样方的尺寸为10 m× 10 m, 分别在样方的四个角和中心位置上进行测量, 样方内部测量点的空间分布如图1(b)所示, 研究区内所有样点的空间分布如图1(c)所示。 对于所测的玉米植株来说, 其冠层叶绿素含量的测量方法为: 从植株上部叶片到下部叶片随机选取6片叶子, 每个叶片从叶基到叶尖用SPAD-502均匀测量3~5次叶绿素值, 测量方法如图1(d)所示, 取其平均值作为该叶片的叶绿素含量; 然后, 取这6个叶片上所有叶绿素测量值的平均值作为该株玉米的叶绿素含量; 最后, 取5个样点的所有叶绿素含量的平均值作为该样方的玉米冠层叶绿素含量值。

1.3 叶绿素含量估算方法

玉米植株中的叶绿素在红光波段有强烈吸收, 在近红外波段强烈反射, 通常在680~760 nm之间形成陡而直的斜边, 称其为红边[9], 因而红边波段对作物植株叶绿素含量非常敏感。 但是, 自卫星遥感出现以来, 由于受到卫星传感器硬件条件的限制, 大部分卫星影像不包含红边波段, 导致红边波段在农作物长势监测、 胁迫监测、 养分亏缺、 估产中的优势没有得到充分发挥。 特别值得注意的是, Sentinel-2影像包含三个红边波段, 在农作物植株叶绿素含量估算中具有很大的应用潜力, 因此, 本研究在借鉴现有植被指数构建方法的基础上, 引入红边波段替代可见光波段或者近红外波段, 构建新的植被指数, 以达到敏锐监测玉米植株叶绿素含量细微变化的目的。 全面对比分析了基于多种植被指数的叶绿素含量估算精度, 各植被指数的计算公式如表2所示。 其中, CIred-edge, LCI, MTCI, NDRE是包含红边波段的植被指数, 利用红边波段与近红外波段或者红波段的光谱反射特征表达不同叶绿素含量的差异。 DVI和RVI是基于红波段和近红外波段构建的植被指数, 本研究进行了替换和演变, 从而将红边波段引入到植被指数的构建中。 NDRE和LCI最初是基于高光谱影像波段构建的, 但Sentinel-2影像的各波段光谱范围与指标建立时使用的高光谱影像波段的中心波长和波段宽度不完全一致, 所以在该研究中估算叶绿素含量时进行了验证。 CIgreen, CIred-edge和NAVI均是采用两波段比值与归一常数的构建方法, LCI, MTCI, NDRE, NDVI和SIPI等考虑多个波段的加、 减、 除的运算, 计算形式相对复杂。

表2 植被指数 Table 2 Vegetation indexes selected in this study

为了验证基于各指数模型得到叶绿素含量估算结果的精度, 以野外实测的叶绿素含量值为真值, 使用决定系数R2、 均方根误差(root mean square error, RMSE)以及相对误差(relative error, RE, %)进行叶绿素含量估算结果的精度评价, 三种评价指标的具体计算公式如式(1)— 式(3)

R2=SSRSST=∑i=1n(y˙i-y̅)2∑i-1n(yi-y̅)2=1-SSESST=1-∑i=1n(yi-y˙i)2∑i-1n(yi-y̅)2(1)RMSE=∑i=1n(yg-ys)2n(2)RE=1n∑i=1n|yg-ys|ys×100%(3)

式中, y˙i为各样方玉米冠层叶绿素含量的拟合值, y̅为实测叶绿素含量均值, yi为各样方叶绿素含量实测值, yg和ys分别为玉米冠层叶绿素含量(SPAD值)估算和野外实测值, n为样方数量。 根据表2中计算公式计算各植被指数, 对植被指数与玉米冠层叶绿素含量进行相关性分析, 从而构建玉米冠层叶绿素含量估算模型, 并计算估算模型的R2, RMSE和RE, 如表3所示。

表3 玉米冠层叶绿素含量估算模型及精度评价结果 Table 3 Estimation models of corn canopy chlorophyll content and the accuracy assessment result
2 结果与讨论

一般来说, 农作物冠层反射率在绿波段有较低的反射峰, 在红波段有一个吸收谷, 而在近红外波段又达到一个较高的反射峰, 红边波段是位于红波段和近红波段之间斜率变化最大的位置上。 因此, 可以通过引入红边波段并与绿波段、 红波段和近红外波段进行不同波段的组合, 以达到增强植被指数对叶绿素含量的敏感性, 从而提高农作物冠层叶绿素含量估算精度的目的。 所以, 利用野外测量所得的玉米冠层叶绿素含量与各植被指数分别建立线性、 对数、 指数、 二次多项式模型。 表3为各植被指数与实测冠层叶绿素含量之间的回归模型以及与之对应的决定系数R2、 均方根误差RMSE、 相对误差RE。

CIgreen, DVI, NAVI, NDVI, RVI, SIPI这六种植被指数未使用红边波段信息, 在利用这六种植被指数的叶绿素含量估算结果中, DVI(665, 842)指数与玉米冠层叶绿素含量的拟合精度最高, R2为0.339。 CIred-edge, LCI, MTCI, NDRE这四种植被指数考虑了红边波段信息, 在利用这四种植被指数的叶绿素含量估算结果中, CIred-edge(705, 842)和NDRE(705, 842)这两个指数的合精度最低, R2均为0.407, 但都高于未有红边波段参与运算的DVI(665, 842)指数, 这说明红边波段信息的引入, 提高了玉米冠层叶绿素含量的估算精度。 此外, 我们还将Sentinel-2A影像的2个红边波段引入原来不包含红边波段的植被指数的计算中, 建立了DVI(665, 705), CIgreen(560, 705), SIPI指数。 精度评价结果表明: 除SIPI指数, 其余植被指数的决定系数R2均有所提高, 其中拟合精度最高的是DVI(665, 705), R2为0.796, CIgreen(560, 705)指数比CIgreen(560, 842)的决定系数R2从0.070提高到0.516。

DVI和RVI两个植被指数在最初构建时均使用红波段和近红外波段, 未考虑红边波段的信息, 在该研究中将两个红边波段引入替换红波段反射率, 精度评价结果表明: 两个指数均在红边波段2(中心波长为740 nm)处取得最好的拟合精度, DVI(740, 842), RVI(740, 842)的拟合精度分别是0.431和0.519, 比未使用红边波段的拟合精度分别提高了0.092和0.282。 再者, 还将红边波段引入替换近红外波段的反射率, DVI(665, 705)的拟合精度比DVI(665, 842)的提高0.457, RVI(665, 705)和RVI(665, 740)的拟合精度未提高。 此外, 将绿波段做除数或减数, 分别与红波段、 红边波段、 近红外波段构建新的植被指数, 精度评价结果表明差值/比值植被指数均在红边波段1(中心波长为705 nm)处取得最好的拟合精度, 其中DVI(560, 705)模型拟合精度为0.680, RVI(560, 705)拟合精度为0.586, 与原始值数的估算结果相比分别提高了0.341和0.349。

利用基于红边波段构建的植被指数CIred-edge, LCI和NDRE, 分别利用Sentinel-2A影像的两个红边波段估算玉米冠层叶绿素含量, 精度评价结果表明CIred-edge(740, 842), LCI(665, 705, 842), NDRE(740, 842)分别取得各自最高的估算精度, 相对于LCI, CIgreen, DVI和RVI指标来说, 红边波段1 (中心波长为705 nm)的估算精度较高, 对于CIred-edge, NDRE, NAVI指标来说, 红边波段2(中心波长为740 nm)的估算精度较高。 在本研究所使用的10种植被指数中, MTCI(665, 705, 740)指数与实测叶绿素含量的拟合精度最高, R2为0.803, RMSE为3.185, 相对误差RE为4.819%, MTCI(665, 705, 740)指数与实测玉米冠层叶绿素含量的拟合精度如图2所示; 其次是DVI(665, 705), 决定系数R2为0.796, RMSE为3.868, 相对误差RE为6.619%; 植被指数LCI(665, 705, 842), CIgreen(560, 705), RVI(560, 705), NAVI(740, 842), NDRE(740, 842), CIred-edge(740, 842), NDVI, SIPI(490, 665, 842)的估算精度依次降低。

图2 MTCI(665, 705, 740)指数与玉米冠层叶绿素含量相关性及精度验证散点图Fig.2 Correlation between MTCI(665, 705, 740) and chlorophyll content and accuracy assessment results

图3为基于MTCI指数估算的研究区内玉米冠层叶绿素含量的空间分布图, 从图中可以看出玉米冠层叶绿素含量主要集中在45~52之间。 从空间分布规律来看, 研究区北部涿州市的叶绿素含量偏低, 与实际测量结果相一致, 主要原因是所研究时段内该市的种植时间晚于其他两个市, 平均玉米长势与其他两市相比略差。 研究区南部是定兴县和高碑店市, 玉米种植面积较大且分布较为集中, 玉米冠层叶绿素含量较高。 如图3所示, 研究区内玉米长势较好, 并未出现大面积养分和水分胁迫问题。

图3 玉米冠层叶绿素含量估算空间分布图Fig.3 The estimated corn canopy chlorophyll content results

3 结 论

以Sentinel-2A影像为数据源, 分别构建包含红边波段和不包含红边波段的植被指数, 构建玉米冠层叶绿素含量估算模型, 从而估算河北省保定市东北部的涿州市、 高碑店市和定兴县三个县市范围内的夏玉米叶绿素含量, 目的是在确定最优的叶绿素含量估算模型、 确定对于Sentinel-2A影像来说最优的波段组合方案、 确定参与植被指数计算的红边波段最优数量的基础上, 探索利用考虑遥感影像红边波段的统计分析模型估算玉米冠层叶绿素含量的方法。 研究结论如下:

(1)红边波段的加入可以提高玉米冠层叶绿素含量的估算精度。 引入红边波段后玉米冠层叶绿素含量的估算精度比未使用红边波段的估算精度决定系数R2提高0.3以上, 其中基于DVI(665, 705)植被指数的估算最高, R2为0.796。

(2)对于不同的植被指数, 参与运算的Sentinel-2A影像的两个红边波段, 估算精度的提高程度不同。 对于可见光波段参与计算的植被指数来说, 在红边波段1(中心波长为705 nm)的估算精度较高, 如LCI, CIgreen, DVI, RVI等; 对于近红外波段参与计算的植被指数来说, 在红边波段2(中心波长为740 nm)的估算精度较高, 如CIred-edge, NDRE, NAVI等。

(3)对于Sentinel-2A影像来说, 两个红边波段共同参与叶绿素含量估算能取得最高的的估算精度。 选用的植被指数中, MTCI(665, 705, 740)指数与玉米冠层叶绿素含量估算精度最高, 回归模型拟合精度R2为0.803, 模型验证R2为0.665, RMSE为3.185, 相对误差RE为4.819%。 MTCI(665, 705, 740)指数计算中使用了两个红边波段, 突出红边波段反射率差值变化, 与玉米冠层叶绿素含量表现出很好的相关性。

The authors have declared that no competing interests exist.

参考文献
[1] Peng Y, Nguy-Robertson A, Arkebauer T, et al. Remote Sensing, 2017, 9(3): 226. [本文引用:2]
[2] Chemura A, Mutanga O, Odindi J. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2017, (99): 1. [本文引用:1]
[3] JIANG Hai-ling, YANG Hang, CHEN Xiao-ping, et al(姜海玲, 杨杭, 陈小平)). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2015, 35(4): 975. [本文引用:1]
[4] DONG Heng, MENG Qing-ye, WANG Jin-liang, et al(董恒, 孟庆野, 王金梁, 等). Journal of Infrared and Millimeter Waves(红外与毫米波学报), 2012, 31(4): 336. [本文引用:1]
[5] Jesús D, Jochem V, Luis A, et al. Sensors, 2011, 11(7): 7063. [本文引用:1]
[6] Schlemmer M, Gitelson A, Schepers J, et al. International Journal of Applied Earth Observation &Geoinformation, 2013, 25(1): 47. [本文引用:1]
[7] ZHENG Yang, WU Bing-fang, ZHANG Miao(郑阳, 吴炳方, 张淼). Journal of Remote Sensing(遥感学报), 2017, 21(2): 318. [本文引用:1]
[8] WANG Xiao-xing, CHANG Qing-rui, LIU Meng-yun, et al(王晓星, 常庆瑞, 刘梦云, 等). Journal of Northwest A & F University·Nat. Sci). Ed(西北农林科技大学学报·自然科学版), 2016, 44(2): 48. [本文引用:1]
[9] DING Yong-jun, ZHANG Jing-jing, LI Xiu-hua, et al(丁永军, 张晶晶, 李修华, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2016, 47(3): 292. [本文引用:1]
[10] Gitelson A A, Keydan G P, Merzlyak M N. Geophysical Research Letters, 2006, 33(11): 431. [本文引用:1]
[11] Dash J, Curran P J. Evaluation of the MERIS Terrestrial Chlorophyll Index (MTCT), Geoscience and Remote Sensing Symposium, IGARSS’04, 2004. [本文引用:1]
[12] Dash J, Curran P J. The Meris Terrestrial Chlorophyll Index, International Journal of Remote Sensing, 2004, 25(23): 5403. [本文引用:1]
[13] Carmona F, Rivas R, Fonnegra D C. European Journal of Remote Sensing, 2015, 48: 319. [本文引用:1]
[14] Barnes E M, Clarke T R, Richards S E, et al. Coincident Detection of Crop Water Stress, Nitrogen Status and Canopy Density Using Ground-based Multispectral Data. International Conference on Precision Agriculture and Other Resource Management, 2015. [本文引用:1]
[15] Penuelas J, Baret F, Filella I. Photosynthetica, 1995, 31(2): 221. [本文引用:1]