基于遥感影像植被指数变化量分析的冬小麦长势动态监测

陆 洲，罗 明，谭昌伟，徐飞飞，梁 爽，杨 昕

(1.中国科学院地理科学与资源研究所，北京 100101； 2.扬州大学农学院，江苏扬州 225009)

小麦长势是反映小麦生长状况和趋势的综合指标。应大尺度信息获取的需要，遥感技术在农业上被广泛应用，以及时掌握作物的生长、病虫害等情况，为农业生产中的调优栽培提供依据。近年来，基于不同的方法以作物的光谱反射率监测作物长势状况的研究在国内外得到了广泛开展[1]。目前，遥感监测中作物生理生化指标主要包括叶片含氮量、生物量、叶绿素含量、叶面积指数等，且大多以植被指数为因变量[2]。植被指数是表征地表植被生长状况有效而简单的度量参数[3-4]，被广泛应用于开展作物苗情长势监测半定量[5]及定量[6]方法研究。

相较传统的反演模型，当前监测模型主要有两个方面改进：一是对遥感的数据进行算法的优化[7-10]，如多核支持向量回归算法[11-12]、偏最小二乘法[11][13]、逐步多元回归方法[13]及新的遥感算法[14]。二是应用更高分辨率或融合其他数据源，并取得了不错的效果。如以高分辨率卫星数据估算小麦叶片氮含量[15]或利用高光谱数据监测农学指标[16-20]；利用遥感获取的空间数据集成生理生态模型(DSSAT-CSM)监测小麦的各长势参数[21]；将卫星数据融合地面气象资料[22]，探索识别冬小麦生育期。遥感影像反映作物对太阳辐射的反射和吸收差异[23]，故影像特征的变化可体现作物生长的动态。然而，当前的作物遥感监测大多直接针对某一个时期内遥感参量与生长指标的定量分析，对不同时期间冬小麦生长动态变化的研究较少，尤其在作物关键生育阶段，针对生长动态的分析研究尚显不足，难以适应实际生产需求，因而研究关键生育阶段作物生长变化量的遥感监测势在必行。

为进一步提升长势监测模型的机理性和应用性，优化定量监测的方法，本研究以GF-WFV数据为遥感影像源，综合分析冬小麦孕穗-开花期主要长势变化量参数和产量及其与植被指数变化量间的定量关系，筛选敏感植被指数变化量参数，构建及评价监测模型，以期实现基于GF-WFV遥感影像对冬小麦孕穗-开花期长势动态的监测。

1 试验区概况与数据源

1.1 试验区概况

研究区为江苏省扬州泰州区域(简称扬泰地区)，位于江苏中部，南靠长江，总面积12 421 km2，地处119°1′E～120°32′，31°56′～33°25′，是江苏省主要的冬小麦产区之一。亚热带温润季风气候，碟形平原洼地，年均降水量1 000 mm左右，年日照量2 200 h左右，以水稻土为主，常年主要农作物为冬小麦、水稻、玉米和油菜。

1.2 农学数据获取

2017年试验在江苏省扬泰地区的高邮市、江都区、兴化市和姜堰区进行，每县区设置采样点15个，共计60个采样点。2018年试验在江苏省扬泰地区的宝应县、高邮市、江都区、兴化市、姜堰区和泰兴市进行，每县区设置采样点13～15个，共计81个采样点。两年采样点均分布在大片冬小麦种植区，相对均匀且分散，具有代表性，位于连片田块中间。采样点区域小麦均长势均匀，无大面积病虫害。

于冬小麦孕穗期和开花期，采用定位装置获取样点的GPS信息，并拍照记录。在各取样点选15～20株冬小麦，取生长发育正常、无病虫害、无干枯的叶片，暗处保存，并及时送至实验室。测定冬小麦的LAI(比叶重法[24])、地上部生物量(AB，aboveground biomass，称重法测定[25])、叶片含氮量(LNC，凯氏定氮法测定[26])以及鲜叶叶绿素含量(CHL，分光光度计法测定[27])。并于成熟后采用五点取样法测定单产。

1.3 影像数据及处理

本研究所用遥感影像为国产高分1号卫星多光谱影像，于中国资源卫星应用中心免费获取。高分1号卫星于2013年发射升空，其搭载的四个WFV传感器均包含蓝、绿、红和近红外四个波段，空间分辨率16 m，重访周期为4 d，可满足农业基本需要[28]。结合冬小麦生长物候，同步地面取样(表1)。采用ENVI5.3对GF-WFV影像进行预处理。基于研究地区1∶100 000地形图对HJ-CCD影像进行几何粗校正，然后再利用地面实测的GPS控制点对GF-WFV影像进行几何精校正，以保证GF-WFV影像的精度能够小于1个像元；大气校正和反射率转换采用经验线性法转换[29]进行；在研究区选择代表性水体作为低反射定标物，空旷水泥路面作为高反射定标物。采用软件定标模块对GF-WFV影像进行定标，利用绝对定标系数将DN值图像转换为辐亮度图像的公式为Lε(λε)=Gain*(DN + Bias)，其中Gain为定标斜率，DN 为卫星载荷观测值， Bias为定标截距，Lε(λε)为辐亮度，转换后单位为W·m-2·s-1。

1.4 数据分析与利用

首先，利用ENVI系统的IDL(interactive data language，交互式数据语言)工具提取定位点在孕穗期和开花期影像上对应波段的反射率值，依据植被指数(表2)及植被指数变化量的计算公式，计算植被指数变化量。然后，以2018年试验数据为训练样本，研究冬小麦孕穗-开花期主要长势变化量参数和产量及其与植被指数变化量间的定量关系，以逐步回归方法确定目标长势变化量参数；并分析目标长势变化量参数与植被指数变化量的定量关系，筛选敏感植被指数变化量参数，构建以敏感植被指数参数为自变量、目标长势变化量为因变量的遥感监测模型。最后，将2017年试验数据作为检验样本，以决定系数(r2)和均方根误差(RMSE)为评价参数，综合评价监测模型的定量化水平和可信度，建立预测值和实测值间的1∶1关系，并制作主要长势变化量及长势等级分布空间量化分布图。

△VI=|VI1-VI2|,△GP=|GP1-GP2|

式中，VI(vegetation index)为植被指数，ΔVI 为植被指数变化量，VI1为开花期植被指数，VI2为孕穗期植被指数，其中GP(growth parameter)为长势参数，ΔGP为长势变化量，GP1为开花期长势参数，GP2为孕穗期长势参数，GP在本研究中指LNC、CHL、AB和LAI。

表1 影像的各参数

表2 研究选用的植被指数

2 结果与分析

2.1 小麦长势变化量指标的筛选

对2018年数据(表3)相关分析结果(表4)可知，冬小麦产量与孕穗-开花期ΔCHL呈显著相关，与ΔLNC、ΔAB和ΔLAI呈极显著正相关，其中与ΔLNC的关系最密切(r=0.818)；ΔLNC与ΔAB和ΔLAI呈极显著正相关。通过逐步回归分析，选择ΔLNC和ΔCHL为自变量建立产量(Y)预测模型，模型为Y=3 694.9+ 1 911.838 ΔLNC+3 473.508 ΔCHL，F=87.919，r2= 0.69。

表3 冬小麦长势统计结果

表4 冬小麦产量和孕穗-开花期长势变化量间的相关系数(2018年，n=81)

2.2 小麦长势变化量与植被指数变化量的关系及监测模型建立

相关分析(表5)发现，在冬小麦孕穗-开花期，ΔLNC与ΔNRI呈显著相关，与ΔNDVI、ΔGNDVI、ΔSIPI、ΔPSRI、ΔRVI和ΔSAVI均呈极显著相关，其中与ΔNDVI关系最密切(r= 0.853)；ΔCHL与ΔSIPI、ΔPSRI和ΔDVI呈显著相关，与ΔNDVI、ΔNRI、ΔGNDVI、ΔRVI和ΔSAVI均呈极显著相关，其中与ΔRVI关系最密切(r=0.837)。因此，在孕穗-开花期以ΔNDVI和ΔRVI分别作为监测ΔLNC和ΔCHL的最敏感卫星遥感植被指数变量，并通过线性回归分析，建立孕穗-开花期冬小麦主要长势变化量监测模型(图1)。

2.3 冬小麦主要长势变化量监测模型的和验证

为评价所建立的主要长势变化量遥感监测模型的可靠性，以2017年试验数据为检验样本，分析孕穗-开花期主要长势变化量预测值与实测值的定量关系，并绘制1∶1关系图(图2)，以r2和RMSE为指标对模型精度进行检验。结果表明，所建立的主要长势变化量预测值与实测值之间均具有密切关系，r2和RMSE均达到理想水平，且F>F0.05，线性关系显著。由此表明，在孕穗-开花期以ΔNDVI和ΔRVI分别作为监测ΔLNC和ΔCHL的最敏感卫星遥感植被指数变量是可行的，所建监测模型可靠，且精度较高，尤其在孕穗-开花期基于ΔNDVI监测ΔLNC最可靠，即r2最大，RMSE较理想，其值分别为0.70、0.39。

表5 冬小麦孕穗-开花期植被指数变化量和筛选的长势变化量参数的相关系数(2018年，n=81)

图1 孕穗-开花期冬小麦主要长势变化量的遥感监测模型

图2 监测模型可靠性检验

2.4 冬小麦长势变化量指标专题图

利用2018年冬小麦孕穗期和开花期GF-WFV影像，依据表1、植被指数和长势变化量计算公式及长势预测模型生成ΔLNC和ΔCHL敏感植被指数变化量数值，逐像元求算；结合冬小麦的物候特征，运用多期阈值限定的方法进行冬小麦种植区域分类，以样本验证保证提取精度，对植被指数变化量数值图进行掩膜；然后叠加扬泰地区行政区划矢量数据，绘制2018年扬泰地区冬小麦孕穗-开花期ΔLNC和ΔCHL的空间量化遥感估测图(图3)。依据产量预测模型和长势模型，生成长势空间分布量化分级遥感估算图(图4)。

将△LNC和△CHL监测模型代入冬小麦产量模型，建立冬小麦长势动态(G)监测模型，则G=8 538.268△NDVI+639.125ΔRVI+ 3 533.617；利用基于△NDVI的△LNC监测模型及基于△RVI的△CHL监测模型计算，将长势分为长势差(G<5 345.52),长势一般(G为 5 345.52～6 648.79和长势旺(G>6 648.79)三级。从图3、图4来看，研究区ΔLNC大部分以0.5%～1%为主，冬小麦长势一般;在宝应的中部及南部地区、江都东部、兴化南部等地区，ΔLNC以大于1%为主，冬小麦长势旺；在宝应北部和高邮中部等地区，ΔLNC小于0.5%，冬小麦长势差。研究区ΔCHL大部分以0.2～0.3 mg·L-1FW为主，冬小麦长势长势一般；在宝应的中部及南部地区、江都东部、兴化南部等地区，以大于0.3 mg·L-1FW为主，冬小麦长势旺。在宝应北部和高邮中部等地区，ΔCHL小于0.2 mg·L-1FW，冬小麦长势差。

图3 孕穗-开花期冬小麦主要长势变化量的遥感监测等级分布空间的量化表达

图4 孕穗-开花期冬小麦长势遥感监测等级分布空间的量化表达

3 讨 论

高分辨率影像对地物的识别能力较强，能够反映更丰富的地物细节，但在覆盖区域的尺度及时效性上无法适应农作物连续监测的需求，且费用较高，不适合在作物生产中推广应用。中国自高分专项实施以来，高分系列卫星陆续投入使用，所获数据质量不断提高，部分数据已免费提供给用户使用，成为区域性作物长势遥感监测可靠的数据源。为平衡空间分辨率和时间分辨率，本研究选用时效性强且免费的GF-WFV卫星影像。GF-WFV多光谱影像空间分辨率为16 m，时间分辨率为4 d，单景影像扫描幅宽为800 km，基本满足本研究区域种植结构复杂、冬小麦田块较小且分散零碎的生产现状需求。

作物的生长监测已取得了较好进展，但大多集中在单一时期内遥感参数和农学指标的定量关系上[6,30-32]，模型易过度依赖于NDVI等参量，较少从生理层面深入探明这种定量关系的机理性，导致模型的时空拓展性较差。作物因生长发育会在影像上呈现光谱特征的变化，而这种变化间接反映作物生长发育进程。本研究通过串联冬小麦孕穗期和开花期，分析这两个时期间生长参数的变化量与植被指数变化量的定量关系，实现冬小麦生长变化量的动态监测。有研究表明，遥感监测的结果一般在小麦拔节期以后较为理想[30]。孕穗期和开花期是冬小麦生长两个关键时期。孕穗期是决定冬小麦穗数和穗粒数的关键时期；开花期是冬小麦体内新陈代谢最旺盛生长时期，正是小麦产量形成的关键时期。因此，监测冬小麦孕穗-开花期的生长变化量对最终产量的估算具有重要的指导意义。

本研究在生长量变化量指标的筛选上与以往研究较为不同，通过探讨了主要生长变化量与产量间的定量关系，逐步回归确定对产量贡献较大的生长变化量指标，进一步增强了遥感的机理性和重演性，体现了本研究的创新点。本研究主要生长变化量指标及最终长势以空间分布形式直观分级量化显示，直接反映区域范围内冬小麦的生长状况，从而为田间生产的调优栽培提供可靠的生长动态信息，便于管理者定性和定量分析，为制定一系列措施提供参考。相较地面采集高光谱数据的方式，本研究所使用的卫星遥感数据具有覆盖范围大、工作量小、处理分析快速的特点，与作物生长同步，客观反映作物的生长现状，实现了信息的粒度由“点”到“面”的快速转化。

本研究所用的光学遥感影像分析，较激光等主动遥感对于垂直结构分布只能提供有限信息，导致从光学影像上提取的长势信息容易出现区域性光谱信号饱和[33]。此外，局限于光谱特征所带来的“同物异谱”和“异物同谱”，降低了遥感监测结果的实用性。为充分利用遥感信息，提高监测的准确性，应充分考虑田块全尺度信息、农事信息、作物信息和物候信息，集成融合多时相、多维、多源遥感数据，建立区域尺度下机理性定量模型，增强遥感监测的适用性与可信度。