晚播条件下基于高光谱的小麦叶面积指数估算方法

引用本文

孙华林, 耿石英, 王小燕, 熊勤学. 晚播条件下基于高光谱的小麦叶面积指数估算方法. 光谱学与光谱分析, 2019,39(4): 1199-1206
SUN Hua-lin, GENG Shi-ying, WANG Xiao-yan, XIONG Qin-xue. Estimation Method of Wheat Leaf Area Index Based on Hyperspectral Under Late Sowing Conditions. Spectroscopy and Spectral Analysis, 2019,39(4): 1199-1206. 复制到剪切板

Doi: 10.3964/j.issn.1000-0593(2019)04-1199-08
Permissions

光谱学与光谱分析所有

晚播条件下基于高光谱的小麦叶面积指数估算方法

孙华林, 耿石英, 王小燕^*, 熊勤学^*

长江大学农学院/主要粮食作物产业化湖北省协同创新中心, 湖北荆州 434025

*通讯联系人 e-mail: wamail_wang@163.com; xiongqinxue@qq.com

作者简介: 孙华林, 1993年生, 长江大学农学院硕士研究生 e-mail: Sun_hualin@163.com

收稿日期: 2018-08-03 接受日期: 2018-12-25

基金项目: 国家“十三五”重点科技研发项目与课题(2017YFD0300202), 国家自然科学基金项目(31871578, 31371580)资助

摘要

利用高光谱遥感技术, 分析晚播条件下小麦叶片与冠层模式光谱特征和叶面积指数(LAI)的变化规律, 建立了适用于晚播小麦的叶面积指数估算方法。研究结果表明: (1)从红光和蓝紫光420~663 nm波段提取的叶绿素光谱反射率植被指数(CSRVI)与旗叶SPAD值做相关性分析, 结果表明正常播期和晚播处理在叶片模式的相关系数分别为0.963^*和0.997^**, 达显著和极显著水平。 (2)利用相关性分析, 得出两个播期处理的LAI与SPAD值相关系数分别是0.847^*和0.813^*, 均达到显著水平。 SPAD值与LAI及CSRVI指数均具有相关性, 可以用CSRVI指数建立LAI的估算模型。 (3)对叶片模式和冠层模式光谱曲线特征分析得出, 叶片模式中在680~780 nm处的反射率呈现陡升趋势, 在可见光波段的446和680 nm和近红外波段的1 440和1 925 nm处各有两个明显的吸收波谷, 在540~600, 1 660和2 210 nm波段处有两个明显的反射波峰; 三种冠层模式中60°模式下的光谱反射率整体表现为最高。 (4)将各波段反射率与叶面积指数做相关性分析得出在可见光波段范围内, 光谱反射率与LAI总体呈现负相关性, 500~600 nm处有一个波峰。 (5)将三种冠层模式下(仪器入射角度分别与地面呈30°, 60°和90°夹角)的等效植被指数与LAI做相关性分析得出: 60°冠层模式下八种植被指数与正常播期LAI的相关性均未达显著水平, 比值植被指数(RVI)、归一化植被指数(NDVI)、增强型植被指数(EVI)、再次归一化植被指数(RDVI)、土壤调整植被指数(SAVI)、修改型土壤调整植被指数(MSAVI)的等六种植被指数与晚播条件下的LAI具有显著和极显著相关关系; 90°冠层模式下CSRVI指数与正常播期处理的LAI具有显著相关关系, NDVI指数与晚播处理的LAI具有显著相关关系; 30°冠层模式下的八种植被指数与两播期处理的LAI的相关性均未达显著水平。综合分析CSRVI指数、 NDVI指数的相关性最高, 这两种指数最具有估算LAI的潜力。 (6)通过三种冠层模式所计算的植被指数估算LAI模型, 结果表明, 正常播期条件下, 其最佳估算模型是90°冠层模式CSRVI指数所建立的线性模型 Y=-7.873 6+6.223 8 X; 晚播条件下的最佳模型是60°冠层模式RDVI指数所建立的幂函数模型 Y=30 221 333.33 X¹⁷ ^.^{679 1}, 两个模型的决定系数 R²分别为0.950^*和0.974^**。研究表明试验中所提取的CSRVI指数能够反映旗叶叶绿素含量, 可以通过光谱仪器的叶片模式对小麦生育期内叶绿素含量进行监测; 通过冠层模式计算的CSRVI指数和RDVI指数所建立的LAI估算模型可以对小麦的LAI进行无损害观察。

关键词: 高光谱; 叶面积指数; 植被指数; 叶绿素; 模型

中图分类号:TP79 文献标识码:A

Estimation Method of Wheat Leaf Area Index Based on Hyperspectral Under Late Sowing Conditions

SUN Hua-lin, GENG Shi-ying, WANG Xiao-yan^*, XIONG Qin-xue^*

Agronomy College, Yangtze University/Hubei Collaborative Innovation Center for Grain Industry Engineering Research Center of Ecology and Agriculture Use of Wetland, Ministry of Education, Jingzhou 434025, China

Abstract

In this study, hyperspectral remote sensing technology was used to measure the changes of leaf and canopy characteristics with leaf area index (LAI) of wheat leaves under late sowing conditions, and the LAI estimation method suitable for late sowing wheat was established. The results show that: (1) Correlation analysis between chlorophyll spectral reflectance vegetation index (CSRVI) is extracted from the red and blue bands (420~663 nm) to analyze the correlation between SPAD value and CSRVI of the leaf mode under normal sowing and late sowing treatment with R² being 0.963^* and 0.997^** reached significant and extremely significant level, respectively. (2) It is concluded that the correlation coefficients of LAI and SPAD values for the two sowing dates are 0.847^* and 0.813^* by using correlation analysis, respectively, and both reaching significant levels. The SPAD value is correlated with LAI and CSRVI indices, and the CSRVI index can be used to establish the LAI estimation model. (3) Analysis of the spectral curves of characteristics of leaf pattern and canopy patter shows that the reflectance of leaf pattern increases sharply at 680~780 nm. There are two distinct absorption troughs at 446 nm, 680 nm in visible light band and 1 440 and 1 925 nm in near-infrared wave band. There is a clear reflection peak at 540-600 nm band. There are two distinct reflective peaks at 1 660 and 2 210 nm, and the spectral reflectance of the three canopy modes is the highest in the three canopy modes. (4) Correlation analysis between the reflectance of each band and the leaf area index shows that the spectral reflectance has a negative correlation with the overall LAI in the visible light range, and there is a peak at 500~600 nm. (5) Correlation analysis of the equivalent vegetation index and LAI in the three canopy modes (the angle of incidence of the instrument with the ground at 30°, 60°, and 90° respectively) is obtained: there was no significant correlation between 8 vegetation indices and the LAI under the late sowing condition of 60° canopy mode. And a significant and extremely significant the 6 vegetation indices (normalized vegetation index (NDVI), enhanced vegetation index (EVI), re-normalized vegetation index (RDVI), Soil-adjusted vegetation index (SAVI) and modified Soil-adjusted vegetation index (MSAVI) ) under the late sowing condition of 60° canopy mode; the CSRVI indices in the 90° canopy mode were significantly correlated with the LAI of the normal sowing date. NDVI index is significantly correlated with LAI in late sowing treatment; the correlation between the 8 vegetation indices in the 30° canopy mode and the LAI in the two sowing dates was not relevant. Comprehensive analysis of the CSRVI index, NDVI index is the most relevant, and these two indices have the most potential to estimate LAI. (6) The LAI model was estimated by the vegetation index calculated by the three canopy models. The results show that under the normal sowing date, the best estimation model is the Linear function model established by the 90° canopy model with CSRVI index Y= Y=-7.873 6+6.223 8 X; The best model under late sowing conditions is the power function model Y=30 221 333.33 X^{17.679 1} established by the 60° canopy mode RDVI index, with R² being 0.950^* and 0.974^** in the two treatments, respectively. Studies have shown that the CSRVI index extracted from the test can reflect the chlorophyll content of flag leaf. The chlorophyll content of wheat during the growth period can be monitored by the leaf pattern of the spectroscopy instrument; LAI estimation model based on CSRVI index and RDVI index calculated by canopy model can be used to observe wheat LAI without damage.

Key words: Hyperspectral; LAI; Vegetation index; Mhlorophyll; Model

文章图片

引言

叶面积指数(leaf area index, LAI)是进行作物长势判断和产量估测的重要农学指标之一^{[1, 2, 3]}。 LAI在生育期内的变化能够反映出作物群体的大小, 一般研究认为, 适宜的LAI是高产的必要条件。植株的主要营养来源于光合作用和根系对土壤元素的吸收, 叶片是主要的光合作用器官。突破高产的主要措施是对群体质量进行调整, 而对LAI有较大影响的因素包括: 播期、播量、施肥、品种、叶形、株型等^[4]。传统LAI的测定方法以地面直接测量法为主, 如叶面积指数仪法、收获测量法和落叶收集法等, 传统测定LAI的方法对作物不但具有破坏性, 且费时费力。 LAI的新型测定方法已经成为研究热点, 新型测定方法以间接测定为主, 如高光谱模型法、数字图像法能够减少对植株的破坏。绿色植物的光谱受色素含量、 LAI、土壤背景等因素影响, 同时也受太阳光的入射方向和仪器观测方向的影响^[5]。同一植被, 由于叶片的新老、稀密、水分含量的差异、季节的不同等, 也会引起植物在整个谱段或个别谱段内反射率的变化。遥感技术的出现以及图谱合一的高光谱遥感数据的获取, 使得对大范围地表植被理化生物学性状的分析成为可能。

贺佳等^[2]通过对不同生育期的小麦LAI建立估算模型得出不同生育时期LAI与优化土壤调整植被指数、增强型植被指数Ⅱ 、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关水平, 挑选出能够估算不同生育期的最适LAI估算模型。该方法能够提高估算模型的精确度, 但由于不同年份气候等条件影响, 各生育期积温有所不同, 估算模型可适性不足。孟禹弛等^[6]通过对不同生育期小麦研究认为不同时期相关性较高的波段有所区别, 其对返青期、拔节期、抽穗期分别建立估算模型。辛明月等^[3]同样采用分生育期对LAI进行估算, 将生育期分为分蘖-抽穗期和抽穗-成熟期, 研究表明常用于进行LAI估算的比值植被指数(RVI)、归一化指数(NDVI)和修改型植被指数(MSAVI)在两个生育阶段的模拟效果好, MSAVI指数的模型能够取得更好的反演精度。杨峰等^[7]对水稻和小麦的LAI同时进行研究表明, 不同作物的光谱曲线变化趋势有所差别, 二次修正土壤调节植被指数(MSAVI2)所建立的LAI估算模型精度最高。侯学会等^[8]则在小麦起身期至成熟期采用光谱一阶微分对光谱波段进行筛选, 认为增强型植被指数(EVI指数)与小麦LAI的指数模型拟合度最高, 决定系数R²为0.94。以上研究多是基于不同施氮措施下对各生育期的LAI变化建立的估算模型或对不同品种小麦进行的LAI模型反演, 根据光谱数据构建等效植被指数并开展不同播期小麦LAI高光谱遥感监测的研究鲜有报道。本研究利用光谱数据, 分析孕穗期至成熟期叶面积指数与原始光谱的关系, 基于前人所建立的七种植被指数(比值植被指数RVI、差值植被指数DVI、增强型植被指数EVI等), 对30° , 60° 和90° 冠层模式的植被指数和LAI做相关性分析, 预测估算LAI的最佳植被指数, 最终建立并筛选最适宜的LAI估算模型, 为利用光谱数据进行直观的、少破坏并能实时监控小麦生长动态提供理论依据。

1 实验部分

1.1 试验设计

试验于2016年— 2018年在长江大学太湖科技园进行, 该地区位于江汉平原, 地势平坦, 土壤为黄黏土。年降水量为1 150 mm, 平均气温在16.5 ℃, 4月— 10月降雨占全年降雨量的80%。在小麦的孕穗期至成熟期降水量较大, 供试品种为扬麦23。试验设置2个播期: 11月6日(正常播期)和12月16日(晚播), 每个材料3个重复。施肥方式为纯氮12 kg· 亩^-1, 1/3底施, 1/3冬前追施, 1/3拔节追施。磷钾肥均按7 kg· 亩^-1施用, 氮肥为尿素, 磷肥为过磷酸钙, 钾肥为硫酸钾。

1.2 光谱数据测定

使用美国ASD公司生产的ASD Field Spec 4便携式光谱仪进行光谱数据的采集, 测定波段为350~2 500 nm, 光谱数据采集间隔为0.2 s。选择晴朗无云或少云的天气, 在10:00— 12:00 进行测定。选择具有代表性的、无病虫害的样本点, 分别进行叶片和冠层光谱的采集。冠层光谱分别进行了与地平面呈30° , 60° , 90° 三个角度的采集, 采集高度为冠层上方0.2 m。每个样本测定3条光谱反射率曲线, 设置3个重复, 故每个样本共测量9条曲线, 排除误差曲线取平均值作为该样本的反射率曲线。每测定15 min进行一次白板校正, 减少测量误差。

1.3 叶面积指数和叶绿素SPAD值的测定

LAI从拔节期开始每隔7 d进行一次测定, 使用仪器为山东恒美电子科技有限公司生产的HM-G10叶面积指数测定仪。选择小区植株长势均匀, 无发病现象的样本点测定, 测定高度距地面10 cm。每个小区做三次重复, 取其平均值作为该小区的LAI。

叶绿素SPAD值和LAI同步测定, 使用的仪器是日本Konika-Minolta生产的便携式SPAD-502Plus。选择大小均匀, 无发病、萎蔫、生虫的叶片进行测定, 测定位置为叶片的1/2处。每小区测定15个叶片, 取其平均值作为叶片的叶绿素SPAD值。

1.4 数据分析

运用Excel2010, SAS9.2, IBM SPSS Statistics 22对数据进行整理和分析, 并进行相关的统计计算和图表制作。

利用前人研究的等效反射率及光谱原始数据, 选取了七种植被指数, 如表1所示。

表1 植被指数公式 Table 1 Vegetation index formula

名称	简写	公式
比值植被指数	RVI	R_red/R_nir
增强型植被指数	EVI	(1+L)(R_nir-R_red)/(R_nir+C₁R_red-R_BlueC₂₊_L)
差值植被指数	DVI	R_nir-R_red
归一化差异植被指数	NDVI	(R_nir-R_red)/(R_nir+R_red)
再次归一化植被指数	RDVI	$\sqrt[]{NDVI / DVI}$
土壤调整植被指数	SAVI	(R_nir-R_red)(1+L)/(R_nir+R_red+L)
修改型土壤调整植被指数	MSAVI	(2NIR+1- $\sqrt[]{{(2 NIR + 1)}^{2} - 8 (NIR - RED)}$ )/2

Note: R_red, R_nir, R_blue are the reflectivity of the TM band (red, near-infrared, blue); L is the adjustment factor of the canopy background; C₁, C₂ are the weight coefficients, the values are 1.0, 6.0, 7.5^{[6, 9, 10]}

注: R_red, R_nir, R_blue分别为TM 波段(红光、近红外、蓝光)的反射率; L是冠层背景的调整因子; C₁和C₂是权重系数, 其值分别为1.0, 6.0、 7.5^{[6, 9, 10]}

表1 植被指数公式 Table 1 Vegetation index formula

光谱的可见光波段420~663 nm的反射率可以反映叶绿素含量, 叶绿素含量越高, 反射率越小^[11]。本文引入新的概念: 叶绿素光谱反射率植被指数(chlorophyll spectral reflectance vegetation index, CSRVI), 利用叶绿素含量与光谱反射率的负相关关系, 求取420~663 nm波段光谱反射率的平均值, 再计算其倒数作为反映叶绿素含量的量化值。

CSRVI指数的计算公式为

$CSRVI = 1 / Average [\sum (R_{420} + R_{421} + \dots + R_{663})]$

2 结果与讨论

2.1 旗叶SPAD值与叶片光谱反射率的关系

2.1.1 正常播期及晚播条件下旗叶SPAD值变化动态

如图1(a)所示, 比较分析了正常播期处理与晚播处理旗叶SPAD值的差异。结果表明: 正常播期处理和晚播处理分别在7DAA和开花期达到峰值, 晚播较正常播期处理峰值降低了1.03。随后逐渐下降, 在开花期至灌浆中期维持在52左右, 灌浆中期之后开始急剧下降, 开花后28 d较峰值分别下降30.84%和51.80%。正常播期处理的旗叶SPAD值在生育期内较晚播大, 且最高峰值延后。这是因为晚播小麦后期营养生长阶段物质积累达到最大值, 生殖生长时期小麦叶片开始枯老衰黄, 叶绿体基质减少, 光合作用降低, 叶绿素含量也随之降低。

	Figure Option View Download New Window
	图1 SPAD值(a)和LAI(b)在生育期内的动态变化注: DAA: 开花期后(下同)Fig.1 The changes of SPAD values (a) and LAI in the growth period (b) Note: DAA: Days After Anthesis (the same below)

2.1.2 正常播期及晚播条件下叶片模式光谱特征分析

在4月12日至5月9日集中测定了正常播期处理与晚播处理叶片模式光谱曲线。结果表明: 正常播期和晚播处理各时期叶片模式光谱反射率在全波段走势大致相同, 在680~780 nm处的反射率呈现陡升趋势, 在可见光波段的446和680 nm和近红外波段的1 440和1 925 nm处各有两个明显的吸收波谷, 在540~600 nm波段有一个清晰的反射波峰; 在1 660和2 210 nm处有两个明显的反射波峰(图2)。

	Figure Option View Download New Window
	图2 正常播期(a)和晚播(b)光谱反射率曲线变化Fig.2 Changes of spectral reflectance curves in (a) normal sowing and (b) late sowing

进一步分析正常播期处理与晚播处理各波段反射率的差异, 结果表明, 4月12日和5月9日, 在350~2 500 nm全波段范围内的光谱反射率正常播期处理高于晚播处理。 4月15日, 在740~1 350和1 550~1 850 nm波段晚播处理高于正常播期, 其他波段两个处理的反射率相差较小。 4月28日和5月5日, 在415~630和1 950~2 150 nm波段晚播处理的反射率低于正常播期, 在750~1 350 nm波段晚播处理的反射率较正常播期处理高。正常播期和晚播处理的光谱反射率在4月12日— 5月9日之间的变化可能与叶片的健康状况、群体动态、旗叶SPAD等有关, 该变化有待进一步研究考证。

2.1.3 新植被指数CSRVI与旗叶SPAD的相关性分析

基于对叶片模式光谱曲线及反射率的分析, 结合叶绿素在光谱中的主要吸收波段, 提出新植被指数CSRVI, 该指数是在421~662 nm波段(红光和蓝紫光吸收波段)所提取的, 在此波段的反射率和叶绿素含量呈负相关关系, 以该波段反射率平均值的倒数作为CSRVI指数的数值, 进一步对CSRVI指数与SPAD值的关系进行论证。

通过分析该指数与旗叶SPAD值的相关性表明, 正常播期及晚播条件下, CSRVI指数与旗叶SPAD值呈显著和极显著正相关, 相关系数分别为0.963^*和0.997^{* *}。进一步分析各时期旗叶SPAD值与叶面积指数(LAI)相关性表明, SPAD值与LAI呈正相关, 正常播期和晚播处理相关系数分别为0.847 4^*和0.812 7^*, 达显著水平(如表2)。新植被指数CSRVI与旗叶SPAD值的相关性在正常播期和晚播条件下的叶片模式中达到了显著和极显著相关水平, 说明可见光波段(420~660 nm)的光谱反射率能够反映叶绿素含量, 可以通过光谱仪器对小麦生育期内叶绿素含量进行监测, 为叶绿素含量在遥感技术中的测取方法提供理论指导。 CSRVI指数和LAI均与SPAD具有正相关关系, 且都达到显著水平, 因此CSRVI指数与LAI在一定程度也具有相关性, 可以用CSRVI指数对LAI模型进行拟合。

表2 SPAD值与CSRVI指数及LAI的相关性 Table 2 Correlation between SPAD value and CSRVI index with LAI

2.2 叶面积指数(LAI)与冠层光谱反射率的关系

2.2.1 正常播期及晚播条件下叶面积指数(LAI)变化动态

叶面积指数是衡量群体冠层结构的重要指标之一, LAI在营养生长时期逐渐增大, 生殖生长阶段先增大后减小。如图1(b)所示, 正常播期处理与晚播处理叶面积指数变化趋势相近, LAI均在灌浆中期左右达到最大值。两播期处理, 在灌浆中期之后开始下降, 成熟期LAI较灌浆中期峰值分别下降50.32%和67.33%; 晚播条件下, LAI的峰值较正常播期处理减少4.84%, 成熟期LAI较正常播期减少37.43%, 晚播小麦在生育后期冠层群体衰老衰减速率加快, 这可能是晚播导致减产的生理因素之一。

2.2.2 正常播期及晚播条件下冠层模式光谱特征分析

光谱入射角度受到地面裸露土壤亮度影响, 为了找到晚播条件下的适宜冠层光谱模式, 分别采用光谱仪探头与地面夹角呈30° , 60° 和90° 等三种角度测定冠层光谱反射率曲线(图3), 由于测定次数较多, 以4月12号及4月28号测定结果为例进行分析, 结果如下:

首先对30° 冠层模式下两个播期处理的光谱反射率进行分析, 结果显示4月12日, 在全波段350~2 500 nm范围内, 晚播处理的光谱反射率显著高于正常播期处理; 4月28日, 在350~720 nm波段, 正常播期处理的光谱反射率低于晚播处理, 在720~1 790 nm波段, 正常播期处理光谱反射率高于晚播处理, 在1 950~2 500 nm波段, 两播期处理光谱反射率相差较小。

Figure Option
View Download New Window

图3 三种冠层模式光谱反射率曲线
注: 4月12日(a, c, e)和4月28日(b, d, f), 正常播期处理和晚播处理分别处于: 灌浆中期、开花后28天和孕穗期、开花后7 d。Fig.3 Spectral reflectance curves of three canopy modes
Note: On April 12th (a, c, e) and April 28th (b, d, f), the normal sowing date and late sowing treatment were in the middle filling stage, 28 DAA and booting stage, and 7 DAA

其次对60° 冠层模式下光谱反射率进行分析, 在4月12日和4月28日两次测定中, 两播期处理的光谱反射率差异相同。在350~720 nm波段, 正常播期处理的光谱反射率稍高于晚播处理, 在750~2 500 nm波段, 晚播处理高于正常播期处理。

进一步对90° 冠层模式下的两播期处理反射率进行分析, 结果表明: 4月12日在全波段350~2 500 nm范围内, 晚播处理的光谱反射率高于正常播期处理; 4月28日在350~750和1 400~2 500 nm波段, 正常播期处理的光谱反射率高于晚播处理, 在750~1 350 nm波段, 正常播期处理光谱反射率低于晚播处理。

综上所述, 三种冠层模式中60° 模式下的光谱反射率整体表现为最高, 叶片株型属于中间型的品种, 叶片主要处于植株中部, 随观测角度变化, 当测定角度为天顶15° 时光谱反射率最大^[5]。

2.2.3 各时期全波段反射率与叶面积指数(LAI)的相关性分析

在排除误差光谱曲线的基础上, 将30° , 60° 和90° 冠层模式的光谱曲线的所有波段与LAI做相关性分析。 3种冠层模式中60° 和90° 冠层模式下的相关性曲线较高, 具有高相关性的波段范围较广。在可见光波段的高相关性波段为575~708 nm, 近红外波段中的高相关性波段为825~1 130 nm。具体的相关性曲线分析如下:

正常播期条件下30° , 60° 和90° 等三种模式的光谱反射率与LAI的相关性分析结果如图4(a)所示。其中30° 和60° 冠层模式下, 其光谱反射率与LAI的相关性较差, 相关系数在± 0.6以下。 90° 模式的反射率与在可见光波段(511~610和689~718 nm)与LAI呈现负相关关系, 且相关系数小于-0.8; 在近红外波段(825~1 357和1 591~1 771 nm)波段, 则呈现正相关关系, 且相关系数在0.8~1之间。

进一步分析晚播处理3种冠层模式光谱反射率与LAI的相关性分析结果如图4(b)所示, 三种模式下的相关性随波长的走势大致相似, 相关性大小有较大差异。在可见光波段(456~574 nm)三种冠层模式的相关性都较低。在574~708 nm波段, 三种冠层模式的相关系数都小于-0.8, 表现为较高的负相关性。在726~1 314 nm波段, 60° 冠层下的相关系数大于0.6, 30° 和90° 冠层模式的相关性较低, 相关系数低于0.6。 60° 冠层模式下的相关性曲线较好, 最佳模型有可能出现在该模式下计算的植被指数与LAI所建立的模型中。在可见光波段范围内, 光谱反射率与LAI总体呈现负相关性, 可见光(500~600 nm)处有一个波峰, 这是由于叶绿素在此出现强吸收作用, 这和夏天^[12]、孟禹弛^[6]的研究结果大致相同。

2.3 叶面积指数与八种植被指数的关联性分析

为了明确八种植被指数模拟LAI估算模型的潜力, 将正常播期处理与晚播处理的LAI与植被指数做相关性分析, 结果如表3的数据。

	Figure Option View Download New Window
	图4 光谱反射率与叶面积指数的相关性 (a): 正常播期; (b): 晚播期Fig.4 Correlation between spectral reflectance and leaf area index (a): Normal sowing; (b): Late sowing

表3 冠层模式下叶面积指数与植被指数的相关关系(样本量n=15) Table 3 Correlation between leaf area index and vegetation index under ca1nopy pattern (sample size n=15)

首先分析了正常播期处理LAI与八种已知植被指数的相关性。在30° 冠层模式下, 8种植被指数均与LAI 正相关, 其中新植被指数CSRVI与LAI相关系数最大, 达0.886, 但未达显著水平, 其他七种植被指数与LAI的相关系数均小于0.5; 60° 冠层模式下EVI指数和MSAVI指数与LAI的相关性系数最大, 大于0.8, 但均未达显著水平; 90° 冠层模式下的CSRVI指数与LAI达极显著水平, 相关系数为0.975^*。

其次, 分析了晚播处理8种植被指数与LAI的相关性, 分析结果如下: 30° 冠层模式下NDVI指数和新提取的植被指数CSRVI与LAI的相关系数最大, 但均未达到显著水平; 60° 冠层模式下, 除DVI和CSRVI指数外, 其他六种植被指数与LAI均达显著或极显著相关; 90° 冠层模式下, NDVI指数与LAI的相关性最大, 为0.890, 通过了显著水平的检验。

综上所述, 正常播期条件下, 90° 模式的CSRVI指数与LAI的相关性最高, 用于估算LAI最具有代表性。晚播条件下, 60° 冠层模式的NDVI和RDVI指数与LAI 相关性分别达显著和极显著水平, 相关性大于其他指数, 90° 冠层模式的NDVI指数与LAI的相关性同样达显著水平, 因此RDVI和NDVI指数最具有反演晚播LAI的潜力。

2.4 基于全波段植被指数的LAI估算模型的建立

将八种植被指数与LAI进行拟合, 拟合结果如表4, 表中仅列出达显著及极显著水平模型:

如表4所示, 新指数CSRVI的三种模型也均通过了显著水平的检验; 而30° 、 60° 冠层模式下, 正常播期处理的植被指数与LAI所建立的模型均未达到显著水平。经检验, 最优模型是90° 冠层模式下的CSRVI指数所建立的线性模型Y=-7.873 6+6.223 8X, 其决定系数是0.950^*。

表4 全波段植被指数与LAI的估算模型(样本量n=15) Table 4 Estimation model of full-band vegetation index and LAI (sample size n=15)

晚播条件下, 60° 冠层模式下的RVI指数、 NDVI指数所建立的三种模型均通过了显著性检验, DVI指数所建立的幂函数模型及SAVI, EVI和MSAVI指数所建立的线性函数和幂函数模型也均通过了显著性检验, RDVI指数的线性函数模型和幂函数模型均达到了极显著水平; 90° 冠层模式下NDVI指数与LAI所建立的线性函数和幂函数模型亦通过了显著性检验; 30° 冠层模式下八种植被指数与LAI所建立幂函数模型均未通过显著性检验。综合比较最优模型为60° 冠层模式下的RDVI指数与LAI所建立的幂函数模型Y=30 221 333.33X¹⁷^.^{679 1}, 其决定系数是0.974^{* *}。

3 结论

利用光谱数据对小麦LAI建立估算模型, 为江汉平原小麦LAI估算提供科学依据。在田间利用ASD Field Spec 4便携式光谱仪进行数据采集, 将小麦的LAI与遥感卫星检测相结合。分析了旗叶SPAD值与光谱反射率的相关关系。根据生育期内采集的光谱数据和LAI数据, 建立了正常播期和晚播处理的全波段相关关系曲线图; 同时在等效植被指数与LAI数据的基础上, 建立了小麦LAI的估算模型。正常播期处理的最佳估算模型是90° 冠层模式CSRVI指数所建立的线性模型Y=-7.873 6+6.223 8X, 晚播处理的最佳模型是60° 冠层模式RDVI指数所建立的幂函数模型Y=30 221 333.33X¹⁷^.^{679 1}, 两个模型的决定系数R²分别为0.950^*和0.974^{* *}。本文虽然建立了2个播期的最佳模型, 但是由于晚播植株的生育周期不同, 生育期内气候条件、光照都有所不同, 各播期材料的生长状况存在差异, 因此得到的最佳估算模型有所区别, 未能建立一个适用于正常播期和晚播的统一模型。在以后的连续试验中有待探寻能够检测不同播期的统一模型, 发挥遥感在农业检测的适用性。

The authors have declared that no competing interests exist.

参考文献

文献选项

[1]	LÜ Xiao, YIN Hong, JIANG Chun-ji, et al吕晓, 殷红, 蒋春姬. 等. Chinese Journal of Agrometeorology(中国农业气象), 2016, 37(6): 720. [本文引用:1]
[2]	HE Jia, LIU Bing-feng, LI Jun(贺佳, 刘冰峰, 李军). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(24): 141. [本文引用:2]
[3]	XIN Ming-yue, YIN Hong, CHEN Long, et al辛明月, 殷红, 陈龙. 等. Chinese Journal of Agrometeorolog(中国农业气象), 2015, 36(6): 762. [本文引用:2]
[4]	FENG Su-wei, LI Gan, JIANG Xiao-ling, et al冯素伟, 李淦, 姜小苓. 等. Journal of Henan Institute of Science and Technology(河南科技学院学报), 2012, 40(1): 7. [本文引用:1]
[5]	HUANG Wen-jiang, WANG Ji-hua, LIU Liang-yun, et al黄文江, 王纪华, 刘良云. 等. Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 21(6): 82. [本文引用:2]
[6]	MENG Yu-chi, HOU Xue-hui, WANG Meng(孟禹弛, 侯学会, 王猛). Jiangsu Agricultural Sciences(江苏农业科学), 2017, 45(5): 211. [本文引用:2]
[7]	YANG Feng, FAN Ya-ming, LI Jian-long, et al(杨峰, 范亚明, 李建龙, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2010, 26(2): 237. [本文引用:1]
[8]	HOU Xue-hui, NIU Zheng, HUANG Ni, et al(侯学会, 牛铮, 黄妮, 等). Remote Sensing For Land & Resources(国土资源遥感), 2012, 95(4): 30. [本文引用:1]
[9]	LI Zi-yang, QIAN Yong-gang, SHEN Qing-feng, et al(李子扬, 钱永刚, 申庆丰, 等). Infrared and Laser Engineering(红外与激光工程), 2014, 43(3): 944. [本文引用:1]
[10]	ZHANG Chun-lan, YANG Gui-jun, LI He-li, et al(张春兰, 杨贵军, 李贺丽, 等). Chinese Agricultural Science Bulletin(中国农业科学), 2018, 51(5): 855. [本文引用:1]
[11]	WANG Kai-long, XIONG Hei-gang, ZHANG Fang(王凯龙, 熊黑钢, 张芳). Journal of Arid Land Resources and Environment(干旱区资源与环境), 2013, 27(11): 45. [本文引用:1]
[12]	XIA Tian, WU Wen-bin, ZHOU Qing-bo, et al(夏天, 吴文斌, 周清波, 等). Scientia Agricultura Sinica(中国农业科学), 2012, 45(10): 2085. [本文引用:1]

2016

0.0

... 引言叶面积指数(leaf area index, LAI)是进行作物长势判断和产量估测的重要农学指标之一^[1,2,3] ...

2014

0.0

Jia

, LIU

Bing-feng

, LI

Jun

(贺佳, 刘冰峰, 李军). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(24): 141.

高光谱遥感能快速无损获取植被冠层信息，是实现作物长势实时监测的重要技术。为研究不同氮磷水平下冬小麦不同生育时期叶面积指数高光谱遥感监测模型，提高叶面积指数高光谱监测精度，该研究连续5 a定位测定黄土高原旱地不同氮磷水平和不同冬小麦品种各生育时期冠层光谱反射率与叶面积指数，通过相关分析、回归分析等统计方法，构建不同生育时期冬小麦叶面积指数监测模型。结果表明：不同氮磷水平下，冬小麦叶面积指数随施肥量增加呈递增趋势，随生育时期改变呈抛物线趋势变化；随着氮磷供应量的增加，冠层光谱反射率在可见光波段显著降低2%～5%（P<0.05），在近红外波段显著增加4%～10%（P<0.05）；不同生育时期叶面积指数与优化土壤调整植被指数、增强型植被指数Ⅱ、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关（P<0.01）；拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数拟合效果较好，决定系数分别为0.952、0.979、0.989、0.960和0.993；以不同年份独立数据验证模型表明，所建预测模型均有较好的验证结果，相对误差分别为13.0%、13.5%、12.8%、12.6%和14.0%，均方根误差分别为：0.313、0.336、0.316、0.316、0.324。因此，优化土壤调整植被指数、增强型植被指数Ⅱ、增强型植被指数Ⅱ、修正归一化差异植被指数和修正简单比值植被指数能有效评价拔节期、孕穗期、抽穗期、灌浆期和成熟期冬小麦叶面积指数。同时，叶面积指数分段监测模型较统一监测模型精度有所改善。该结果为实现不同肥力水平下冬小麦不同生育时期长势精确监测提供理论依据和技术支撑。

... 引言叶面积指数(leaf area index, LAI)是进行作物长势判断和产量估测的重要农学指标之一^[1,2,3] ...

... 贺佳等^[2]通过对不同生育期的小麦LAI建立估算模型得出不同生育时期LAI与优化土壤调整植被指数、增强型植被指数Ⅱ ...

2015

0.0

... 引言叶面积指数(leaf area index, LAI)是进行作物长势判断和产量估测的重要农学指标之一^[1,2,3] ...

... 辛明月等^[3]同样采用分生育期对LAI进行估算, 将生育期分为分蘖-抽穗期和抽穗-成熟期, 研究表明常用于进行LAI估算的比值植被指数(RVI)、归一化指数(NDVI)和修改型植被指数(MSAVI)在两个生育阶段的模拟效果好, MSAVI指数的模型能够取得更好的反演精度 ...

2012

0.0

... 突破高产的主要措施是对群体质量进行调整, 而对LAI有较大影响的因素包括: 播期、播量、施肥、品种、叶形、株型等^[4] ...

2015

0.0

... 绿色植物的光谱受色素含量、 LAI、土壤背景等因素影响, 同时也受太阳光的入射方向和仪器观测方向的影响^[5] ...

... 时光谱反射率最大^[5] ...

2017

0.0

... 孟禹弛等^[6]通过对不同生育期小麦研究认为不同时期相关性较高的波段有所区别, 其对返青期、拔节期、抽穗期分别建立估算模型 ...

... 在可见光波段范围内, 光谱反射率与LAI总体呈现负相关性, 可见光(500~600 nm)处有一个波峰, 这是由于叶绿素在此出现强吸收作用, 这和夏天^[12]、孟禹弛^[6]的研究结果大致相同 ...

2010

0.0

YANG

Feng

, FAN

Ya-ming

, LI

Jian-long

, et al(杨峰, 范亚明, 李建龙, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2010, 26(2): 237.

The aim of this study was to measure the changes of the canopy spectral reflectance, LAI and CCD of rice and wheat in different growth period, to analyze the correlation between hyperspectral vegetation indices, LAI and CCD, and to confirm the optimum vegetation indices for estimating LAI and CCD of rice and wheat. The result showed the change trend of LAI was similar with CCD, that is, the values increased at first and then decreased, but the time for maximum value of CCD and that of LAI in rice and wheat appeared at different growth stage; In near infrared region, the canopy spectral reflectance gradually increased at rice and wheat earlier growing stage, and then decreased gradually in late growth stage. The maximum value appeared around heading stage and filling stage, respectively. Comparison with the correlations among 14 vegetation indices, LAI and CCD, the modified soil adjusted vegetation index (MSAVI2) was significantly correlated with LAI and CCD in rice, and the correlation coefficients were more than 0.91. For wheat, the spectral reflectance at 800 nm (R800) was highly correlated with LAI and CCD, the correlation coefficients were higher than 0.92. Linear regression models were built for estimating LAI and CCD of rice and wheat using the MSAVI2 and R800, the determination coefficients were more than 0.85 (R2>0.85). These results provided an insight for monitoring the dynamics of crop and scientific management of agricultural production under different growth environment (irrigation- and rain-fed forming).

该研究利用高光谱遥感技术分析水稻和小麦两种作物不同生育期的冠层光谱及其叶面积指数和叶绿素密度的变化，比较高光谱植被指数与两种作物的叶面积指数和叶绿素密度之间的关系，最后确定估算两种作物的叶面积指数和叶绿素密度最佳植被指数。结果表明：水稻和小麦两作物的叶面积指数和叶绿素密度在整个生育期内的变化规律基本一致，即先升高后下降的趋势，但两作物叶绿素密度与叶面积指数最大值出现的时期不同；稻麦两作物在整个生育期内的光谱反射率曲线，在可见光区域（400～700 nm）变化无明显规律，在近红外区域（700～1 000 nm），生育前期反射率由低到高，到生育后期则由高到低，其中最大值分别出现在抽穗期和灌浆期左右；通过14种植被指数与两作物的叶面积指数和叶绿素密度相关性比较分析得知，二次修正土壤调节植被指数（MSAVI2）与水稻农学参数相关性最好，相关系数r＞0.91，而小麦在800 nm处的光谱反射率(R800)与其农学参数相关性最好，相关系数r＞0.92；并利用线性回归的方法，建立了估算两作物叶面积指数和叶绿素密度的模型，决定系数R2＞0.85。这样为不同环境条件下（水作和旱作）农作物的动态监测和科学管理及决策提供了技术支持。

... 杨峰等^[7]对水稻和小麦的LAI同时进行研究表明, 不同作物的光谱曲线变化趋势有所差别, 二次修正土壤调节植被指数(MSAVI2)所建立的LAI估算模型精度最高 ...

2012

0.0

... 侯学会等^[8]则在小麦起身期至成熟期采用光谱一阶微分对光谱波段进行筛选, 认为增强型植被指数(EVI指数)与小麦LAI的指数模型拟合度最高, 决定系数R²为0 ...

2014

0.0

Zi-yang

, QIAN

Yong-gang

, SHEN

Qing-feng

, et al(李子扬, 钱永刚, 申庆丰, 等). Infrared and Laser Engineering(红外与激光工程), 2014, 43(3): 944.

An experimental leaf area index (LAI) retrieval model was proposed with the aid of a leaf- radiative transfer model (PROSPECT) and a canopy bidirectional reflectance model (SAILH) to simulate the canopy reflectance in this paper. Then, the vegetation indices (VIs) were introduced, and the sensitivities were analyzed between LAI and VIs, soil background. Based on the sensitivity analysis, a modified chlorophyll ratio index II (MCARI2) was proposed by Haboudane et al. (2004) was used to build the LAI retrieval model, because it is rather sensitive to the LAI and insensitive to soil background. Finally, the retrieval model proposed was performed to estimate LAI from the hyperspectral data. Compared with the ground-measured LAI, the LAI retrieved from hyperspectral data underestimate approximately 0.42.

1. Key Laboratory of Quantitative Remote Sensing Information Technology, Academy of Opto-Electronics, Chinese Academy of Sciences, Beijing 100094, China; 2. University of Chinese Academy of Sciences, Beijing 100049, China; 3. China Academy of Launch Vehicle TechnologyCALT, Beijing 100076, China; 4. College of Geography and Planning, Ludong University, Yantai 264025, China

文中耦合叶片辐射传输模型（PROSPECT）和冠层辐射传输模型（SAILH），基于高光谱载荷通道设置，模拟高光谱冠层反射率数据；利用模拟数据深入分析了不同植被指数与叶面积指数之间的敏感性；通过敏感性分析发现改进型叶绿素吸收植被指数（MCARI2）具备抗土壤背景因素的影响能力，而且对叶面积指数较为敏感，因此该研究建立植被指数MCARI2 与叶面积指数之间的经验统计模型，并用于高光谱数据进行叶面积指数反演；最后利用飞行同步测量的叶面积指数对反演模型进行精度分析。结果表明：相比实测叶面积指数，文中建立的反演模型约低估0.42，该反演模型能够较好的反映出地物真实叶面积指数。

2018

0.0

2013

0.0

... 光谱的可见光波段420~663 nm的反射率可以反映叶绿素含量, 叶绿素含量越高, 反射率越小^[11] ...

2012

0.0

XIA

Tian

, WU

Wen-bin

, ZHOU

Qing-bo

, et al(夏天, 吴文斌, 周清波, 等). Scientia Agricultura Sinica(中国农业科学), 2012, 45(10): 2085.

【Objective】 Leaf area index (LAI) is one of the important parameters for evaluating winter wheat growth status and forecasting its yield. Hyperspectral remote sensing is a new technical approach that can be used to acquire the instant information of winter wheat LAI without harm to the growing crops. By integrating hyperspectral remote sensing and traditional field monitoring, this study aims to explore the best band spectral parameters and monitoring model for winter wheat LAI inversion in south China. 【Method】 The study was carried out at Houhu Management District of Qianjiang city, South China’s Jianghan Plain. At winter wheat growth stage, the winter wheat canopy spectral reflectance and LAI were monitored in field using the ASD FieldSpec 3 and SunScan canopy analysis system. Then the correlation between the Hyperspectral Vegetation Index (HVI) and LAI was analyzed. Six inversion models were constructed for estimating LAI by using correlation analysis, regression analysis and other methods. 【Result】 The results show that winter wheat canopy spectral reflectance in near infrared band of 870nm platform, red waveband of 670 nm, green waveband of 550nm and blue waveband of 450nm are the most sensitive bands to LAI changes. The coefficients of determination (R2) of the constructed HVI/LAI model are between 0.675-0.757. Among them, the NDVI inversion model has the highest R2 (0.757).【Conclusion】 Accuracy test shows that NDVI inversion model has the highest accuracy compared to other models. It is concluded that NDVI model is the most suitable model for inverting winter wheat LAI in the study area. Nevertheless, band selection is also important in adopting the new technical approach for monitoring winter wheat LAI in South China’s Jianghan Plain.

1.中国农业科学院农业资源与农业区划研究所/农业部农业信息技术重点实验室，北京100081 2.华中师范大学城市与环境科学学院，武汉 430079

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数，高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合，探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区，利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测，并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm，红光波谷670 nm，绿光波峰550 nm，蓝光450 nm波段对叶面积指数变化最为敏感，通过构建植被指数与叶面积指数模型，相关性均较好，决定系数（R2）为0.675—0.757，其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验，NDVI植被指数反演模型的精度较其它模型好，较适合对研究样区的冬小麦进行叶面积指数反演。