不同灌溉条件下冬小麦叶面积指数的高光谱监测

孙 慧 ，冯美臣 ，李广信 ，王 超 ，肖璐洁，杨武德

（1.山西农业大学旱作工程研究所，山西太谷030801；2.山西省农业科学院作物科学研究所，山西太原030031）

叶面积指数（Leaf area index，LAI）是指单位土地面积上植物绿色叶片面积的总和。LAI作为一种表征植物冠层结构的重要参数，与植物的光合作用、蒸腾作用、呼吸作用等生理生化过程密切相关[1]。LAI既是一种衡量作物长势的指标，又是决定作物生物量和产量大小的重要因素[2-4]，实时准确地估测LAI对小麦的生产具有重要的意义。

高光谱遥感具有光谱分辨率高、波段连续性强和光谱信息量大的显著特点，可以直接获取植物的冠层信息，对信息进行微弱光谱差异的定量分析，其已经被应用于作物长势等方面的监测研究中[5-8]。在作物LAI的遥感监测中，国内外学者进行了大量的研究。HANSEN等[9]研究证明了植被光谱与LAI的关系密切。张晓艳等[10]通过研究花生冠层光谱与LAI的关系，结果发现，LAI与680～750 nm导数光谱反射率相关性较好。黄春燕等[11]研究证明，红边参数可用来估测棉花的LAI，其中以红边面积建立的模型预测精度最高。李映雪等[12]研究发现，冬小麦光谱参数与LAI的关系密切，可利用RVI（810，510）和DVI（810，560）反演小麦LAI。田永超等[13]研究了不同波段组合植被指数与LAI的关系，结果得到水稻LAI估测的最优光谱指数DI（854，760）。梁亮等[14]对比分析了18种光谱指数与小麦LAI的关系，最终建立了基于OSAVI的小麦LAI监测模型。陈雪洋等[15]通过对比不同波段组合的植被指数与LAI的相关性，以最优植被指数为自变量成功预测了冬小麦的LAI。束美艳等[16]构建了新型植被指数RRWVI，实现并提高了冬小麦LAI的预测精度。

植被指数能够有效地综合有关的光谱信号，减少非植被信息的影响，并增强对植被生物理化参数反应的敏感程度。目前，以植被指数为自变量建立回归模型，因其简便易行，仍被大量应用于LAI的监测中。但全波段反射率组合的光谱指数与LAI的关系还缺乏系统的研究。

本研究将冬小麦冠层光谱400～2 450 nm范围内的原始光谱反射率和一阶导数光谱反射率的任意两波段进行组合，计算所得的光谱指数（NDVI，DVI和RVI）与冬小麦LAI的关系，旨在筛选出不同光谱指数的最优波段组合。此外，建立基于最优波段组合光谱指数的冬小麦LAI的监测模型，得出应用于LAI监测的最优光谱指数和监测模型。

1 材料和方法

1.1 试验材料

供试冬小麦品种为京冬17。

1.2 试验设计

本试验于2015—2017年在山西农业大学农作站内（N37°25′，E 112°33′）进行。试验在水分池中进行（根据FAO标准建立），供试土壤为石灰性黄褐土，土壤的容重是1.42 g/cm3，田间持水量为24.24%。其中，土壤有机质含量为9.84 g/kg，碱解氮含量为56.17 mg/kg，速效磷含量为21.35 mg/kg，速效钾含量为174.85mg/kg。试验采用随机区组设计，共设5个灌溉处理（表1），重复3次，小区面积为2 m×3 m，共15个小区。每次灌溉的上限为田间持水量的80%。各处理均位于防雨棚中，全生育时期防止降水，雨养处理依据降雨量数据进行补给。各小区试验施肥量为纯氮150 kg/hm2、磷肥150 kg/hm2、钾肥150 kg/hm2，肥料全部作为底肥一次性施入。

表1 本试验中冬小麦的灌溉处理

1.3 测定指标及方法

1.3.1 冠层光谱的测定 在冬小麦主要生育时期进行冠层光谱反射率的采集。冬小麦冠层光谱反射率采用美国ASD公司的FieldSpec 3.0光谱仪测定，测定波段为350～2 500 nm，视场角度为25°，其中，350～1 000 nm间的光谱采样间隔为1.4 nm，光谱分辨率为3 nm；1 000～2 500 nm的光谱采样间隔为2 nm，光谱分辨率为10 nm。测量选择晴朗无风无云的天气，时间为 10：00—14：00，观测时，探头水平向下，距冬小麦冠层1 m。为了减少光谱测定的误差，每个小区选取3个测量点，每点获取10个冠层光谱反射率，平均后作为本采样点的冠层光谱反射率，每次测量前使用白板（40 cm×40 cm，BaSO4）进行光谱反射率的校正。

1.3.2 叶面积指数的测定 采用比重法测定叶面积指数。

1.4 数据分析

1.4.1 光谱指数的计算 为了寻找新的波段组合，本研究将400～2 450 nm的波段进行随机组合，按下面的公式计算得到新的光谱指数。

其中，NDVI为归一化植被指数，DVI为差值植被指数，RVI为比值植被指数，Ri和Rj分别表示i，j nm处的冠层光谱反射率，FDRi和FDRj表示i，j nm处的冠层光谱反射率的一阶导数。

1.4.2 模型验证参数 本研究利用决定系数（R2）、均方根误差（Root mean squared error，RMSE）和预测残差（Residual prediction deviation，RPD）对模型的表现进行综合评定。

其中，yi和分别为 LAI的实测值和预测值，为LAI实测值的平均值，n为样本数，SD为标准差。

2 结果与分析

2.1 冬小麦叶面积指数与冠层光谱的关系

图1为冬小麦LAI与冠层光谱的原始光谱反射率和一阶导数光谱反射率的相关系数。从图1可以看出，原始光谱反射率与LAI的相关系数在400～729 nm和1335～2 450 nm处呈极显著负相关，在636 nm处相关性最好，相关系数为-0.74；在739～1 155 nm范围内呈极显著正相关，在814 nm处相关性最好，相关系数为0.64；而LAI与一阶导数光谱反射率的相关系数波动较大，其正相关最大值出现在743 nm处，相关系数为0.78，负相关最大值出现在438 nm处，相关系数为-0.79。

2.2 LAI与原始光谱指数的关系

本研究对比分析了冬小麦LAI与3种光谱指数（NDVI，DVI和RVI）的线性回归方程的决定系数（R2）（图2）。从图2可以看出，光谱指数与LAI的相关性越高，其R2就越大（黑色）。因归一化光谱指数NDVI和差值光谱指数DVI的数值是对称的，所以本研究只显示等高线图的上三角矩阵。NDVI，DVI，RVI与冬小麦LAI有较高的相关性（R2＞0.6）。冬小麦LAI与NDVI和RVI的R2等高线图呈现相似的分布，相关性较好的波段组合范围均为420～460nm与 630～680 nm，510～640 nm与 600～1 300 nm，590～680nm与1500～1750nm（图2-A，C）。NDVI，RVI的最优波段组合分别为 NDVI（473，486）和RVI（743，568），决定系数R2都达到了0.68。而DVI对LAI敏感的波段组合范围较少，R2较高的波段组合区域为420～460 nm与440～520 nm。DVI与LAI相关性最好的波段组合为435，447 nm，决定系数R2达到 0.64。

2.3 LAI与导数光谱指数的关系

从图3可以看出，导数光谱指数与LAI的敏感区分布较原始光谱反射率的光谱指数敏感范围小，且不连续。3种导数光谱指数与LAI相关性较大的范围各不相同，其中，以FDDVI的敏感范围最大，相关性较好的波段组合为720～760 nm与全波段组合；FDDVI（718，723）与冬小麦 LAI的线性方程的决定系数最大，达到0.70。

2.4 基于最优波段组合光谱指数的冬小麦LAI监测模型的构建与验证

本研究选取了R2最大的原始光谱指数和导数光谱指数作为最优光谱指数。经过筛选，最终得到最优光谱指数为 NDVI（473，486）；DVI（435，447）；RVI（743，568）；FDNDVI（521，566）；FDDVI（718，723）和FDRVI（721，507），并以此为自变量，与LAI进行线性与非线性关系（幂函数，对数函数，二次多项式方程等）的拟合。为了检验所构建的LAI监测模型的精确性和稳定性，将所采集的冬小麦样品随机划分为校正集与验证集，选取1/3的试验数据作为模型的验证集。各模型表现列于表1。

从表1可以看出，各监测模型都能对LAI进行较好的预测，R2均达到0.68以上，RPD大于1.7。各监测模型均以非线性模型表现最优。其中，以NDVI（473，486）和 FDDVI（718，723）为自变量构建的冬小麦叶面积指数的监测模型表现最优，校正集的R2，RMSE和RPD分别为0.70，1.34和1.83。利用独立的样本数据对预测模型精度进行验证，各模型验证精度R2均在0.57以上，RPD均大于1.52。综上所述，利用最优光谱指数可以较好地实现对冬小麦LAI的预测。综合考虑模型校正与验证的结果，LAI的最优模型是以DVI（435，447）为自变量的指数模型 y＝10.669e-701.9x。

3 结论与讨论

LAI是作物长势监测和产量估测的重要参数。本研究通过研究不同灌溉条件下冬小麦冠层光谱反射率以及光谱指数与LAI的关系，构建和筛选出用于冬小麦LAI监测的最优光谱指数和最优模型。结果表明，冬小麦冠层光谱以及导数光谱反射率与LAI的关系密切。冠层光谱反射率在可见光和近红外区域与LAI呈极显著负相关；在近红外区与LAI呈极显著正相关[12]。最优波段组合的原始光谱指数和导数光谱指数与LAI相关性较好，以此为自变量建立的线性或非线性回归方程R2均达到0.64以上，RPD均大于1.6，可以用于冬小麦LAI的定量监测。其中，各监测模型均以非线性模型表现最优，可能是由于在LAI较高时，光谱指数出现饱和现象[17-18]。通过对比监测模型校正与验证的表现，得到冬小麦LAI监测的最优模型是以光谱指数DVI（435，447）为自变量的指数模型y＝10.669e-701.9x。

表1 基于最优光谱指数的冬小麦LAI的监测模型

导数光谱处理是最常用的光谱预处理方法之一，其可以减小背景噪声的影响，区分反射重叠峰，放大某些细微的变化。一些学者利用导数光谱指数实现了LAI[13]、叶片水分[19-20]和叶绿素含量[21]的估测。不同灌溉处理下冬小麦的水分状况不同，LAI受到明显的影响，其冠层光谱反射率受土壤背景影响较大。但与原始光谱指数对比，导数光谱指数在提高其与目标变量的相关性以及模型精度方面表现不稳定，其还有待进一步研究。