基于GF－1影像的水稻拔节期地上部生物量估算

查海涅，汪建飞，2*，陈世勇，张振国，李新伟，刘吉凯，夏定胜

(1.安徽科技学院 资源与环境学院，安徽 凤阳 233100;2.农业部生物有机肥创制重点实验室，安徽 蚌埠 233400;3.安徽盛农农业集团有限公司，安徽 当涂 243172）

水稻是世界上最重要的农作物之一，中国有超过2/3的人口以水稻为主要口粮[1]，及时、准确的监测其生长状况，对于指导农业生产、种植规划等都具有重要的意义[2]。生物量是反映水稻长势的重要群体指标之一，它对水稻的光合作用、干物质产量的形成、以及最终的产量和品质都有重要的影响[3]。传统的人工田间取样从而获取水稻的生物量的方法不仅时效性差，费时费力，而且精度不高[4]。近年来，随着遥感技术的不断发展，国内外利用遥感技术估算作物生物量的研究越来越多，尤其是在植被指数和特征光谱的应用[5]。许多氮素无损诊断设备已经被开发出来，例如GreenSeeker，CropCircle，RapidScan等主动冠层传感器[6]。这些商业传感器能较好的无损估测作物的生物量信息[7－8]，但这些便携式仪器，只能适用于小面积的生物量估测，而卫星遥感因为具有较高的空间分辨率、较短访问周期等特点，所以卫星遥感在水稻生物量估测方面具有很大的潜力[9]。

中高分辨率的卫星数据与作物的生物量具有良好的相关性。通过卫星数据计算得到的植被指数(VI)通常被用来估测作物的生物量水平[10]。李卫国等利用TM数据的比值植被指数(RVI)比归一化植被指数(NDVI)对冬小麦生物量的估算具有明显优势[11]。黄珊喻等利用Formosat－2卫星数据，监测了三江平原的寒地水稻幼穗分化期的水稻长势信息，结果表明NDVI，GNDVI等植被指数与生物量具有较好的相关性[12]。王备战等发现，SPOT－5遥感影像的NDVI要比RVI对于地上部生物量的估算更加精确[13]。

本研究以GF－1 WFV多光谱数据为数据源，通过对比单波段、逐步多重线性回归以及NDVI、RVI、DVI等10种常见植被指数与水稻地上部生物量的相关关系，筛选合适的水稻地上部生物量遥感估测模型，并对模型进行精度评价与空间填图。

1 材料与方法

1.1 研究区域概况

试验在安徽省马鞍山市当涂县盛农农场(31°21＇22"N ～ 31°23＇20"N，118°42＇50"E ～ 118°44＇48"E)进行。该区域处于长江下游水网地区，多河流、湖泊，属长江水系，属于北亚热带季风气候，年平均温度15.7℃，≥10℃有效积温5020℃，日照时数2133.2h，年降雨量1056mm，无霜期230d。农场地势平坦，高程起伏不超过3m，平均海拔高度为5.7m，土壤类型为长江冲积物母质发育的潮土，在20世纪70年代初通过围垦造田，形成良田10万亩，主要种植一季水稻[14]。

1.2 农学数据获取

经调查，盛农农场2015年主栽品种主要为镇稻11和镇糯19，种植密度统一为10.4cm×30cm，每穴4～5株基本苗，移栽时间为6月中下旬，水稻8月初进入拔节期。在大田中选取116个采样点，涉及不同品种，不同生长状况。采样时选取能代表采样点附近长势的植株4株，同时利用带有差分信号的手持式亚米级GPS记录采样点的空间信息。将获取的植株带回实验室，用水清洗，去除根部与干枯部分，放入烘箱105℃杀青30min，75℃烘干至恒重，称重获得水稻地上部生物量。经过筛选后，选择117个采样点用于本研究，其中90个样本用于建立模型，27个样本用于模型验证。

1.3 影像数据和GIS数据的获取与预处理

本研究采用的卫星数据为资源卫星中心提供的高分一号(GF－1)数据。GF－1卫星是太阳同步回归轨道卫星，轨道高度645km，倾角98.0506°，具有很强的侧摆能力。卫星搭载两台2m分辨率全色、8米分辨率的PMS传感器，四台16米分辨率的多光谱WFV传感器[15]。PMS传感器宽幅为60km，侧摆时周期为4 天，不侧摆时覆盖周期为41d，多光谱波段为蓝(0.45 ～0.52μm)、绿(0.52 ～0.59μm)、红(0.63 ～0.69μm)、近红外(0.77～0.89μm)。WFV 宽幅为800km，覆盖周期为4d，多光谱波段与 PMS传感器相同[18]。成功预定一幅分蘖期的PMS传感器数据和一幅拔节期的WFV数据。两幅影像获取的具体时间分别为2015年7月13日和8月2日。

同时还收集到该区域1∶500地形图一幅。利用地形图在ArcGIS中建立相应数据库，生产数字高程模型(DEM)，同时利用经过几何校正后的移栽期PMS影像的较高分辨率，以及地物光谱特性明显等特点，提取农场田块空间分布图，然后将品种等属性数据添加到田块数据中，并计算田块面积。空间数据均采用Xian80坐标系，高斯投影，118度带。

利用ENVI 5.0对遥感数据进行预处理，首先进行辐射定标和大气校正，然后裁剪出研究区域范围的影像，再利用地形图对研究区域做几何校正[16]。

1.4 数据分析

利用ENVI5.0和ArcGIS10.2软件提取GPS采样点对应的光谱反射率。将提取的反射率值导入到Excel2010中，通过波段组合提取各种常见的植被指数。利用SPSS V20计算单波段、逐步多重线性回归以及植被指数与水稻地上部生物量相关关系。通过比较线性、指数、对数和幂回归模型，选取决定系数(R2)和均方根误差(RMSE)、相对误差(RE)比较回归模型的精度。

2 结果与分析

2.1 单波段与水稻拔节期地上部生物量相关分析

GF－1号卫星所采用波段在估测水稻地上部生物量状况的相关性随着波长的变化而变化，如图2。在蓝光波段处，决定系数R2仅0.3，蓝光波段的光谱反射率与水稻地上部生物量的相关关系较差;在绿光和红光波段处，光谱的反射率与水稻地上部生物量的相关关系比蓝光波段处略有提高，决定系数分别为0.32和0.37;在近红外处，决定系数达到0.61，呈现极显著相关，因此在进行波段组合时，一定要优先考虑使用近红外。

2.2 单波段与水稻拔节期地上部逐步多重线性回归分析

如表1逐步多重线性回归分析结果显示，对于拔节期水稻地上部生物量而言，同时使用近红外和绿光波段时75.9%的变异可以得到有效的解释，因此近红外波段是第一选择波段，而且同时使用近红外和绿光波段时，会有效的提高模型的精度，并且近红外波段和绿光波段组合时的模型表现均比单波段回归分析时好。

表1 基于高分一号波段的逐步多重线性回归模型估测水稻地上部生物量Table 1 Stepwise multiple linear regression models based on GF－1 satellite image bands for estimating rice aboveground biomass

2.3 植被指数与水稻拔节期地上部生物量的相关关系

光谱指数法是遥感反演作物生长参数的基本方法之一，目前被验证的植被指数有40多种，本研究根据GF－1号卫星遥感数据的光谱特性和水稻的光学特性选取了常用的10种植被指数用来算水稻生物量，具体算法见表2。

表2 本研究使用的植被指数Table 2 Definitions of vegetation indices used in the study

利用90个采样点组合得到的光谱指数与实测的地上部生物量相结合，进行线性、指数、对数和幂回归模型分析，选取决定系数最高的作为预选模型，利用27个采样点的光谱指数检验建立的模型并计算RMSE和RE。结果如表3，对于拔节期水稻地上部生物量而言，R2最好的指数为优化土壤调节植被指数OSAVI，达到0.711，达到极显著水平，散点图如图4，其中均方根误差和相对误差都是最小的，分别为0.64 t/hm2和 6.7%;相关性较好的植被指数分别为 GNDVI、EVI 、SAVI、NDVI、RVI和 DVI，这些指数的相关性也达到了显著水平，RMSE也均小于1，相对误差控制在10%左右，其中NDVI的表现并不如GNDVI，这表明GNDVI在水稻拔节期生物量监测方面也具有潜力;RVI和DVI的表现不如NDVI;SAVI和EVI这些能消除土壤背景影响的植被指数在这里表现也令人满意，可以作为备选的指数。但是，植被衰减指数PSRI的相关性较差，在拔节期的水稻无法采用该指数。

表3 水稻地上部生物量与光谱指数间的相关关系Table 3 Correlation between biomass and spectral indices

2.4 研究区水稻拔节期生物量空间填图

根据试验区边界图，采用根据植被指数OSAVI与采样点建立的模型，对农场区域进行空间填图，结果如图5。经过比对验证点的数据，计算得到均方根误差RMSE为0.64 t/hm2，相对误差RE为10%，显示拔节期水稻地上部生物量空间分布与实际调查一致，能有效的实现拔节期水稻地上部生物量空间分布量化的可视化表达，可以为农场的生产管理提供依据。

农场8月2日拔节期水稻生物量范围在0～4.6t/hm2，其中0t/hm2的为种植早籼788的田块，该区域已经收获完毕，没有作物生长。西边田块地上部生物量略低于东边地区，对照种植品种图(图2)，可以大概发现造成这一差异的主要原因是品种不同。西边同一品种田块也出现了明显差异，这可能是肥水管理的差异造成，后期需要根据具体的生长情况进行调控。东边生物量总体较高可能是自然条件和人工管理都较为优异造成，但同时也需要后期穗肥的总量控制，防止倒伏现象出现。

3 结论与讨论

本研究利用GF－1 WFV卫星影像数据与实地采集的拔节期水稻地上部生物量数据建立相关关系，结果表明GF－1 WFV数据的近红外波段与地上部生物量具有良好的相关性，决定系数R2为0.61;通过逐步多重线性回归分析发现利用绿光波段和近红外波段组合的函数能有效提高模型的精度，模型的R2为0.659;利用10种常见的植被指数与地上部生物量建立相关关系，发现优化土壤调节植被指数OSAVI的R2最高，达到 0.711。

李卫国等利用TM影像提取的遥感变量对冬小麦地上部生物量进行遥感监测，分析结果发现RVI比NDVI更具有优势[11]，但在本文不论NDVI还是RVI或者DVI相关性都不如OSAVI好，在水稻拔节前期，叶片并未全部遮盖土壤，因此选用可以消除土壤影像的OSAVI或者SAVI，相关性都比较理想，但是由于SAVI处理数据时较为集中，需要增加系数调节数据分布，因此OSAVI更具有优势。另外WFA数据有16米的空间分辨率，而且本研究区域田块宽度均大于50m，采样时选取田块中间部分，这样就容易获得较为纯净的像元，这比30m分辨率的TM数据更具有优势。

因此利用GF－1的WFV数据的植被指数与实地采样数据建立相关关系可以实现地上部生物量的定量估测，为拔节期水稻的水肥管理提供决策支持。

[1]Dawe D.The contribution of rice research to poverty alleviation[J].Studies in Plant Science，2000，7:3－12.

[2]LETOAN T，RIBBES F，WANG L F，et al.Rice crop mapping and monitoring using ERS －1 data based on experiment and modeling results[J].IEEE Transactions on Geoscience and Remote Sensing，1997，35(1):41 －56.

[3]康文启，欧阳由男，董成琼，等.水稻动态株型模式及其指标探讨[J].中国稻米，2007(1):1－6.

[4]蒙继华，吴炳方，杜鑫，等.遥感在精准农业中的应用进展及展望[J].国土资源遥感，2011，23(3):1－7.

[5]王来刚.基于多源遥感信息融合的小麦生长监测研究[D].南京:南京农业大学，2012.

[6]TUBANA B，HARRELL D，WALKER T，et al.Relationships of spectral vegetation indices with rice biomass and grain yield at different sensor view angles[J].Agronomy Journal，2011，103(5):1405 －1413.

[7]YAO Yin－kun，MIAO Yu－xin，CAO Qiang，et al.In－Season estimation of rice Nitrogen status with an active crop canopy sensor[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7(11，SI):4403 －4413.

[8]曹强.基于主动作物冠层传感器的冬小麦、水稻精准氮素管理[D].北京:中国农业大学，2014:60－77.

[9]SWAIN K C，THOMSON S J，JAYASURIYA H .ADOPTION OF AN UNMANNED HELICOPTER FOR LOW －ALTITUDE REMOTE SENSING TO ESTIMATE YIELD AND TOTAL BIOMASS OF A RICE CROP[J].Transactions of the ASABE，2010，53(1):21－27.

[10]TENNAKOON S B，MURTY V V，EIUMNOH A.ESTIMATION OF CROPPED AREA AND GRAIN－YIELD OF RICE USING REMOTE －SENSING DATA[J].International Journal of Remote Sensing，1992，13(3):427－439.

[11]李卫国，王纪华，赵春江，等.基于TM影像的冬小麦苗期长势与植株氮素遥感监测研究[J].遥感信息，2007(2):12－15，19.

[12]HUANG Shan－yu，MIAO Yu－xin，ZHAO Guang－ming，et al.Estimating rice Nitrogen status with satellite remote sensing in Northeast China[C]//2013 SECOND INTERNATIONAL CONFERENCE ON AGRO －GEOINFORMATICS(AGRO －GEOINFORMATICS)，2013:548－553.

[13]王备战，冯晓，温暖，等.基于SPOT－5影像的冬小麦拔节期生物量及氮积累量监测[J].中国农业科学，2012，45(15):3049－3057.

[14]当涂县人民政府.当涂县简介[EB/OL].Http://www.dangtu.gov.cn/SortHtml/1/6943845411.html，2015 －08 －25.

[15]中国资源卫星应用中心.高分一号[EB/OL].Http://www.cresda.com/n16/n1130/n188475/188494.html，2015－08 －25.

[16]周亦.利用高分一号卫星数据制作数字正射影像[D].长春:吉林大学，2014.