小麦生物量和真实叶面积指数的高光谱遥感估算模型

侯学会，牛 铮，黄 妮，许时光

(1.中国科学院遥感与数字地球研究院遥感科学国家重点实验室，数字地球重点实验室，北京 100094;2.中国科学院研究生院，北京100049)

小麦生物量和真实叶面积指数的高光谱遥感估算模型

侯学会1，2，牛 铮1，黄 妮1，许时光1

(1.中国科学院遥感与数字地球研究院遥感科学国家重点实验室，数字地球重点实验室，北京 100094;2.中国科学院研究生院，北京100049)

利用大田小麦的参数数据和冠层光谱数据，基于光谱一阶微分技术和光谱响应函数，构建等效MODIS植被指数，建立小麦生物量(本文指总干生物量，下同)和真实叶面积指数的高光谱遥感估算模型。结果表明:①小麦生物量与冠层光谱在552 nm，721 nm处呈现最显著相关关系，叶面积指数与冠层光谱的相关性在400～1100 nm范围内较显著;②红边位置与生物量的关系最为显著，相关系数R为0.818;③6种等效MODIS植被指数中，增强型植被指数对生物量最为敏感;④红边位置估算小麦总生物量的指数模型最优，决定系数R2为0.829;⑤增强型植被指数与小麦叶面积指数的指数模型拟合度最强，决定系数R2为0.94。利用实测光谱模拟MODIS等效反射率构建植被指数反演小麦参数的方法，可为利用卫星数据进行大面积、无破坏和及时获取地面植被信息研究提供重要手段。

小麦;生物量;真实叶面积指数;高光谱遥感

0 引言

叶面积指数(leaf area index，LAI)是表征植被冠层结构最基本的参量之一，通常作为遥感估测作物产量和土壤水分蒸散量模型的输入参数［1］。生物量是作物长势监测的一个重要指标［2－3］，与LAI有密切关系。生物量可以反映作物长势，作为监测和估测作物产量的基本因子，农田生物量是全球碳循环的重要组成部分，对农田作物生物量进行监测，可以为陆地生态系统中的能量平衡和能量流动研究提供基础数据。

对LAI和生物量的小尺度测量，传统的抽样统计方法已经做了很多有效的工作，但抽样方法需大量人力和物力，且时间周期长，覆盖面积小。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。Casanova［4］，Hansen［5］利用实测光谱数据，分别建立了水稻、小麦的地上生物量和LAI的高光谱估算模型;Thenkabil等［6］基于不同作物的地面测量光谱研究发现，650～700 nm，500～550 nm及900～940 nm等3个范围的谱段是估算作物地上总干重的敏感谱段;宋开山等［7］建立了以比值植被指数为变量的大豆地上鲜生物量的高光谱估算模型;黄春燕等［8－9］利用高光谱数据估算棉花地上鲜生物量;张霞等［10］利用地面实测光谱数据构建MODIS光谱指数，通过构建归一化差异光谱指数和再次归一化光谱指数对小麦地上部分的干重进行了分析，其效果明显优于MODIS自身的NDVI和EVI产品。

研究表明，在小麦生育期内，约有30% ～60%光合碳转运到根系中［11］，但目前对包括小麦根系在内的总生物量的研究鲜见报道。本文利用实测作物地面高光谱数据，选取关键光谱参数，并根据MODIS波段响应函数，模拟MODIS前4个通道的等效光谱，建立多种植被指数，通过相关分析，建立小麦总干生物量和真实叶面积指数的高光谱遥感估算模型，为利用卫星遥感数据进行大面积、无破坏和及时监测小麦生长状况和正确估算农田生态系统碳储量提供科学参考。

1 材料与方法

1.1 实验设计

实验区位于北京市昌平区小汤山国家精准农业基地(E116.44°，N40.18°)。实验作物为京东 12 号小麦，2010年10月播种，大田种植，正常水肥管理。自2011－04－02至2011－06－02期间，每隔5～9 d，随机在大田里选取样本点进行小麦光谱和生物量相关参数(地上、地下生物量和LAI)测量，其中，2011－04－02的实验选取4个40 cm×40 cm的样本，2011－04－09至2011－06－02实验选取8个20 cm×20 cm的样本进行分析(表1)。

表1 实验小麦光谱测量情况及其对应的小麦生育期Tab.1 Spectral measurement of experimental wheat and its corresponding wheat growth period

1.2 小麦冠层光谱与参数获取

采用ASD FieldSpec Pro Fr2500便携式光谱仪进行小麦冠层光谱测量，光谱范围为400～2500 nm，光谱分辨率为1 nm。测量时选择晴朗无云的天气，时间控制在10:00～12:00。测量时传感器探头垂直向下，距离冠层顶部垂直高度约100 cm左右。光谱采样以5个光谱数据为一组，即每个样本每次记录5个光谱，以其平均值作为该区小麦的光谱反射率值。在对每个样本光谱测量之前，都先进行白板校正。

采集样本光谱时同步进行小麦参数采样。地上生物量采用收获法、地下生物量采用挖掘法获取。在实验室内，将小麦植株的茎、叶分开，洗净根，分别称量小麦植株各器官的鲜重、干重，取同次实验中样本数据的平均值作为该生长期小麦的生物量值，并计算单位面积的生物量。小麦LAI值以干重法测得。

1.3 光谱分析

1.3.1 红边位置提取

采用一阶微分分析法，提取红边内(680～760 nm)最大一阶微分值对应的波长，即红边位置(red edge position，REP)。光谱的一阶微分近似计算方法为

式中:λi为红边内每个波段的波长;为波长 λi的一阶微分值;Rλi+1和 Rλi－1为波长 λi+1和 λi－1的反射率; Δλ 为 λi－1到 λi+1的波长间隔。

1.3.2 绿峰和红谷位置的确定

绿峰峰值RG为绿光范围内(510～560 nm)最大的光谱反射率，其对应的波长位置标示为λG;红光吸收谷RG是620～760 nm范围内最小的光谱反射率，对应波长位置记为λR;建立绿峰与红谷的比值RG/RR和绿峰与红谷的归一化值(RG－RR)/(RG+RR)。

1.3.3 植被指数构建

MODIS信号的响应依赖于其波段的光谱响应函数，而地面观测的高光谱数据是连续的。为此，将ASD光谱仪测量获得的连续的高光谱反射率数据转换为MODIS传感器的等效反射率。转换模型为

式中:Req为模拟的等效测量反射率;RASD(λ)为ASD光谱仪测量获得的高光谱反射率;fMOD(λ)为传感器目标波段的光谱响应函数。

根据该光谱响应函数，将ASD光谱仪测量的光谱反射率转换为MODIS传感器的前3个波段的等效反射率，即红波段(B1，620～670 nm)、近红外波段(B2，841～876 nm)及蓝波段(B3，459 ～479 nm)以构建植被指数。图1为MODIS传感器在蓝波段、红波段和近红外波段的光谱响应函数。

利用模拟的等效反射率，构建几种植被指数，如表2所示。

表2 几种植被指数定义Tab.2 Definitions of several vegetation indices

表 2 中:Rnir，Rred，Rblue分别对应模拟的MODIS波段的等效反射率;L是冠层背景的调整因子;C1和C2是权重系数，用于减小大气气溶胶影响。对L，C1和 C2取值近似为 1，6.0 和 7.5［12］。

本文所有的数据在EXCEL中进行录入，采用Matlab 2009和SPSS 17.0进行相关分析处理。

2 结果与分析

2.1 小麦生物量和LAI随时间变化趋势

图2为小麦生物量和LAI随时间(小麦生育期)的变化趋势。

图2 小麦生物量(左)和LAI(右)随生育期的变化Fig.2 Changes of biomass(left)and LAI(right)of wheat with growth stages

由图2可见，小麦生物量随生育期总体呈上升趋势，在2011－05－28之前，即拔节期至灌浆期，总生物量迅速上升，这是因为随着叶片数量增加和叶面积扩大，光合速率大大提高，使得各构件生物量迅速积累。在成熟初期，即2011－05－28以后，由于叶片和茎秆逐渐老化变黄，光合作用能力下降，生成的光合产物低于自身消耗，乃至脱落，小麦生物量呈现很小的下降趋势。

LAI的变化随小麦生长期呈抛物线型变化。在2011－04－28之前，即孕穗期之前，叶面积迅速增加，大大提高光合作用速率，为小麦植株其他器官提供营养;孕穗期之后，随着营养向生殖器官的快速转移，叶片逐渐老化变黄、脱落，因而LAI呈现下降趋势。

2.2 小麦生物量、LAI与冠层光谱间的相关分析

图3为小麦生物量，LAI与冠层光谱的相关系数。

图3 小麦生物量、LAI与冠层光谱的相关系数Fig.3 Correlation between the biomass，LAI of wheat and spectrum

从图3中可以看出，在400～1100 nm波长范围内，冠层光谱与LAI的相关性都极为显著。在400～726 nm之间，冠层光谱与 LAI呈负相关，在511 nm处达到最大值，相关系数为－0.939;在727～1100 nm波段范围内，冠层光谱与LAI呈正相关，最大值出现在760 nm处，相关系数为0.959。小麦生物量与冠层光谱的相关性不如LAI显著，在400～733 nm波段范围内，小麦生物量与冠层光谱呈负相关关系，其中，在540～575 nm，700～730 nm之间形成2个波谷，以552 nm和721 nm处为最大，分别为－0.625和 －0.837; 在734～1100 nm 波段，小麦生物量与冠层光谱之间呈正相关关系，但相关性不显著。总体上看，在400～722 nm和731～1100 nm之间，LAI与冠层光谱的相关性均达到0.05显著性检验水平，而小麦生物量与冠层光谱的相关性仅在525～727 nm这一波长范围内通过了0.05显著性检验水平。

2.3 小麦生物量、LAI与冠层光谱参数、植被指数间的相关分析

本文基于原始光谱和一阶微分光谱与小麦生物量相关系数较大的特征波段及其组合定义小麦冠层光谱参数，其与小麦总生物量、LAI间的相关关系如表3所示。

表3 小麦生物量、LAI与冠层光谱参数间的相关关系Tab.3 Correlation between biomass，LAI of wheat and hyperspectral parameters

从表3可以看出，光谱参数与LAI的相关性都极为显著，均通过0.01显著性检验水平，其中，(RG－RR)/(RG+RR)与 LAI的相关性最大，为0.943。而小麦生物量仅与REP的相关性通过0.01显著性检验水平，相关系数为0.818，小麦生物量与RG，RR呈显著的负相关关系，与(RG－RR)/(RG+RR)的相关系数也通过了0.05显著性检验水平。

在模拟MODIS数据构建的6种植被指数(表4)中，只有RVI与小麦生物量的相关性不明显，没有通过显著性检验水平;NDVI，EVI，DVI，RDVI，MSAVI与小麦生物量的相关性较好，均通过了0.05的显著性检验水平。其中，以EVI与小麦生物量的相关系数最大，为0.657，这说明蓝光波段和冠层背景调整因子的加入在一定程度上抑制了大气和背景影响，从而提高了EVI对生物量的灵敏度。LAI与构建的6种植被指数的相关都极为显著，相关系数达到0.92以上，均通过0.01显著性检验水平。

表4 小麦生物量、LAI与植被指数之间的相关关系Tab.4 Correlation between biomass，LAI of wheat and vegetation indices

2.4 冠层光谱参数、植被指数与小麦生物量、LAI之间的估算模型

基于上述分析结果，以显著性相关关系为原则，从表3，4中选出与小麦生物量和LAI相关系数都较大的REP，RG，RR和EVI等4个冠层光谱参数。以该4个光谱参数为自变量，小麦总干生物量和LAI为因变量，分别构建小麦总生物量和LAI遥感监测的线性和指数模型，结果如图4所示。

图4 小麦生物量高光谱遥感估算模型Fig.4 Hyperspectral remote sensing estimation models of biomass of wheat

从图4可以看出，总体上来讲，利用REP，RG，RR和EVI等4个冠层光谱参数构建的指数模型进行小麦总干生物量估算的效果明显优于其线性模型，说明小麦生物量与其冠层光谱参数之间并不是简单的线性关系。其中，利用REP构建的指数模型进行小麦总干生物量估算的决定系数最大，R2=0.829，且经F检验达到95%的显著水平，明显优于其他光谱参数的小麦生物量遥感估算模型。说明REP在一定程度上能消除环境影响，更能精确地反演植被参数［12－14］。

图5是利用REP，RG，RR和EVI等4个冠层光谱参数为自变量构建的小麦LAI遥感估算模型。

图5 小麦LAI高光谱遥感估算模型Fig.5 Hyperspectral remote sensing estimation models of LAI of wheat

分析图5可以得出，利用REP，RG，RR和EVI构建小麦LAI高光谱遥感估算模型的线性和指数形式的拟合度都较优，决定系数R2均在0.6以上。其中，利用EVI与小麦LAI建立的指数形式

光谱遥感估算模型的拟合度最强。二者线性模型的拟合度也在0.91以上，且通过显著性检验水平。说明利用增强型植被指数可以很好地反演植被LAI。

3 结论

本文分析了从起身期到成熟期的京东12号小麦总生物量和LAI的变化趋势，并根据地面实测冠层高光谱数据，利用光谱一阶微分技术和根据光谱效应构建的等效MODIS宽波段植被指数，建立了小麦总干生物量和LAI的高光谱遥感估算模型。

1)整个生育期内，总生物量总体呈上升趋势，但成熟初期，有一个很小的下降趋势。LAI在整个研究时间段内呈抛物线型变化。在400～1100 nm波段范围内，冠层光谱参数与LAI的相关性都极为显著，小麦生物量与冠层光谱参数的相关性不如与LAI显著，仅在525～727 nm波段内通过了0.05显著性检验水平。

2)通过光谱一阶微分技术筛选出的5个关键波段及其2种组合中，以红边位置与小麦生物量的关系最为显著，模拟的 NDVI，EVI，DVI，RDVI，MSAVI与小麦总生物量的关系都通过了0.05的显著性检验水平。在构建的等效MODIS宽波段植被指数中，以EVI对生物量的灵敏度最大，与前人的研究结果较为一致［10］。LAI与筛选出的5个关键波段及其2种组合以及构建的6种植被指数的相关性都较为显著，均通过0.01显著性检验水平。

3)参数REP与小麦生物量之间具有较好的线性相关关系，等效MODIS—EVI与小麦LAI的指数模型的拟合度最好，可分别用来进行小麦生物量和LAI的遥感估算。

4)本研究通过波段响应函数将实测数据拟合成MODIS前3个通道的反射率，构建植被指数反演小麦参数，进一步丰富了利用高光谱遥感监测小麦生长状况的技术方法，为利用卫星遥感数据进行大面积、无破坏和及时获取地面植被信息研究提供了有效手段。

［1］Chen J M，Josef C.Retrieving Leaf Area Index of Boreal Conifer Forests Using Landsat TM Images［J］.Remote Sensing of Environment，1996，55(2)，153 －162.

［2］Bai J H，Li S K，Wang K R，et al.Estimating Aboveground Fresh Biomass of Different Cotton Canopy Types with Homogeneity Models Based on Hyper Spectrum Parameters［J］.Agricultural Sciences in China，2007，6(4):437 －445.

［3］李卫国，赵春江，王纪华，等.遥感和生长模型相结合的小麦长势监测研究现状与展望［J］.国土资源遥感，2007(2):6－9.Li W G，Zhao C J，Wang J H，et al.Research Situation and Prospects of Wheat Condition Monitoring Based on Growth Model and Remote Sensing［J］.Remote Sensing for Land and Resources，2007(2):6－9(in Chinese with English Abstract).

［4］Casanova D，Epema G F，Goudriaan J.Monitoring Rice Reflectance at Field Level for Estimating Biomass and LAI［J］.Field Crops Research，1998，55(1/2):83 －92.

［5］Hansen P M，Schjoerring J K.Reflectance Measurement of Canopy Biomass and Nitrogen Status in Wheat Crops Using Normalized Difference Vegetation Indices and Partial Least Squares Regression［J］.Remote Sensing of Environment，2003，86(4):542 － 553.

［6］Thenkabil P S，Smith R B，De Pauw E.Hyperspectral Vegetation Indices and Their Relationships with Agricultural Crop Characteristics［J］.Remote Sensing of Environment，2000，71(2):158 －182.

［7］宋开山，张 柏，李 方，等.高光谱反射率与大豆叶面积及地上鲜生物量的相关分析［J］.农业工程学报，2005，21(1):36 －40.Song K S，Zhang B，Li F，et al.Correlative Analysis of Hyperspectral Reflectance，Soybean LAI and Above Ground Biomass［J］.Transaction of the Chinese Society of Agricultural Engineering，2005，21(1):36 －40(in Chinese with English Abstract).

［8］黄春燕，王登伟，曹连莆，等.棉花地上鲜生物量的高光谱估算模型研究［J］.农业工程学报，2007，23(3):131 －135.Huang C Y，Wang D K，Cao L P，et al.Models for Estimating Cotton Above Ground Fresh Biomass Using Hyperspectral Data［J］.Transaction of the Chinese Society of Agricultural Engineering，2007，23(3):131 －135(in Chinese with English Abstract).

［9］柏军华，李少昆，王克如，等.基于近地高光谱棉花生物量遥感估算模型［J］.作物学报，2007，33(2):311 －316.Bai J H，Li S K，Wang K R，et al.Estimation Models of Cotton A-bove Ground Fresh Biomass Based on Filed Hyperspectral Remote Sensing［J］.Acta Agronomica Sinca，2007，33(2):311 － 316(in Chinese with English Abstract).

［10］张 霞，张 兵，卫 征，等.MODIS光谱指数监测小麦长势变化研究［J］.中国图象图形学报，2005，10(4):420 －424.Zhang X，Zhang B，Wei Z，et al.Study on Spectral Indices of MODIS for Wheat Growth Monitoring［J］.Journal of Image and Graphics，2005，10(4):420 －424(in Chinese with English Abstract).

［11］金 剑，王光华，刘晓冰，等.作物生育期内光合碳在地下部的分配及转化［J］.生态学杂志，2008，27(8):1393 －1399.Jin J，Wang G H，Liu X B，et al.Allocation and Transformation of Photosynthetic Carbon in Belowground Part of Crops During Their Growth Period:A Review［J］.Chinese Journal of Ecology，2007，27(8):1393－1399(in Chinese with English Abstract).

［12］Huete A，Justice C，Leeuwen W V.MODIS Vegetation Index(MOD13)Version 3.Algorithm Theoretical Basis Document［M/OL］.University of Vimginia，1999，32 － 33［2012 － 09 －15］.http://modis.gsfc.nasa.gov/data/atbd/atbd_mod13.pdf.

［13］Danson F M，Plummer S E.Red－edge Response to Forest Leaf Area Index［J］.International Journal of Remote Sensing，1995，16(1):183－188.

［14］Chen Q，Huang J F，Wang R C，et al.Analyses of the Correlation Between Rice LAI and Simulated MODIS Vegetation Indics，Red Edge Position［J］Transactions of the Chinese Society of Agricultural Engineering，19(5):104 －108.

［15］王大成，张东彦，赵晋陵，等.基于红边位置提取验证成像与非成像高光谱数据的一致性［J］.光谱学与光谱分析，2011，31(9):2450－2454.Wang D C，Zhang D Y，Zhao J L，et al.Using Extraction of Red Edge Position to Validate Consistency of Hyperspectral Imaging and Non － imaging Data［J］.Spectroscopy and Spectral Analysis，2011，31(9):2450 －2454(in Chinese with English Abstract).

The Hyperspectral Remote Sensing Estimation Models of Total Biomass and True LAI of Wheat

HOU Xue － hui1，2，NIU Zheng1，HUANG Ni1，XU Shi－ guang1
(1.The State Key Laboratory of Remote Sensing Science，Laboratory of Digital Earth Sciences，Institute of Remote Sensing and Digital Earth，Chinese Academy of Sciences，Beijing 100094，China;2.Graduate University of Chinese Academy of Science，Beijing 100049，China)

Based on the spectral first order differential techniques and equivalent MODIS vegetation index according to spectral response function using the field sampling survey，this paper built the hyperspectral remote sensing estimation models for total biomass and LAI of wheat named Jingdong 12.The research shows that:①the largest correlation between total dry biomass and canopy spectra lies at 552 nm and 721 nm，and the relationship between LAI and canopy spectral is significant in the band range of 400～1100 nm;②the relationship between red edge position(REP)and wheat biomass is most significant，with R being 0.818; ③in the 6 vegetation indices similarly to MODIS－VI，EVI is most sensitive to total dry biomass;④the linear model using REP estimation biomass is the best，with R2being 0.6694.Exponential model between LAI and EVI has the strongest fitting degree，with R2being 0.94.Using field spectral data and band response function to retrieve wheat parameters can provide important research methods for making use of satellite remote sensing data characterized by large area，non－destruction and acquisition of timely ground vegetation information.

wheat;total biomass;true leaf area index;hyperspectral remote sensing

TP 79

A

1001－070X(2012)04－0030－06

2012－02－05;

2012－05－16

国家重点基础研究发展规划项目(编号:2013CB733405，2010CB950603)。

10.6046/gtzyyg.2012.04.06

侯学会(1987－)，女，在读博士研究生，研究方向为全球变化遥感。E－mail:sxhouxh@126.com。

牛 铮(1965－)，男，研究员，博士生导师，主要研究方向为全球变化遥感。E－mail:niuz@irsa.ac.cn。

(责任编辑:李 瑜)