基于波段组合优化光谱指数的冬小麦LAI估算

吾木提·艾山江， 尼加提·卡斯木， 买买提·沙吾提

(1.伊犁师范大学资源与生态研究所，新疆伊宁 835000； 2.伊犁师范大学生物与地理科学学院，新疆伊宁 835000；3.新疆大学地理与遥感科学学院，新疆乌鲁木齐 830046)

叶面积指数(LAI)为单位土地面积上的总植物叶面积，是植被树冠结构特征的最基本参数之一。在植被的光合作用、呼吸作用、蒸腾作用、碳循环以及降水拦截等过程中，LAI可以起到调控作用；它也被用于评估作物的健康程度、营养供应和产量水平等。因此，准确、快速地估算作物的LAI不仅有利于作物长期监测，还有利于作物综合管理和在精确农业中的应用。

随着遥感技术的飞速发展，它在国内外以其规模大、实时观测、客观性强、成本低、无损和高效等优势被广泛采纳，用于作物重要参数的定量估算。自20世纪70年代以来，Wiegand等开始研究光谱特性和LAI之间的关系。目前，利用遥感数据估算作物LAI的主要方法是确定作物有限敏感植被指数与LAI之间的相关性，通过使用线性或非线性关系来进行估算。植被指数是通过几个敏感光谱带的组合建立的，能够减少背景噪声信息的影响，与LAI具有良好的相关性，且能简单有效地反映植被状况。孟禹弛等结合冬小麦不胜生育期(返青期、拔节期、抽穗期、开花期)冠层光谱数据，分析了LAI与原始光谱及其一阶微分的相关性，并计算相关植被指数，建立了不同生育期的冬小麦LAI的高光谱遥感估算模型。陈雪洋等利用地面实测光谱数据，探讨不同植被指数[归一化植被指数(NDVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、增强型植被指数(EVI)]和红边参数构建的反演冬小麦LAI的高光谱模型。李军玲等利用不同生育时期冬小麦冠层高光谱以及使用LAI2200冠层分析系统采集LAI数据，通过不同形式的数学变换以及特征变量的计算，构建了冬小麦LAI估算模型。

高光谱数据具有数百或数千个窄波段，为作物LAI开发非常灵敏的植被指数提供了更多的可能。诸多研究学者已经完善了传统光谱植被指数，并利用高光谱数据的光谱分辨率和连续性开发了新的数据分析技术。在高光谱数据中提供大量信息，解决相邻频段之间的多共性问题，并选择包含作物LAI信息的敏感波段，以开发更可靠的高光谱植被指数，是提高作物叶面积指数估算精度的关键。目前，对冬小麦的LAI高光谱估算中，对光谱数据进行数学变换以及计算多种植被指数的研究较多；而利用高光谱数据的光谱分辨率优势，对两波段植被指数的波段组合进行优化，并寻求符合当地环境的LAI敏感波段组合植被指数等方面的研究较少。鉴于此，本研究通过不同转化形态的冠层高光谱反射数据以及冬小麦在拔节阶段的LAI相关数据分析，探索不同生长阶段和LAI水平对冬小麦的光谱特性的影响；使用波段组合优化算法，筛选3种不同类型数据下(包括原始光谱、一阶导数、连续统去除)对LAI敏感的最佳波段组合方式，并构建LAI估算模型，为精准农业估算作物参数提供理论基础。

1 材料与方法

1.1 研究区概况

研究区地理位置为89°13′～91°22′E，42°25′～45°29′N)，位于新疆维吾尔自治区奇台县，年平均气温5.5 ℃，年平均无霜期153 d，年平均降水量269.4 mm，属于沙漠干旱气候。该地区主要作物以冬小麦为主，播种时间为2017年9月25日。根据冬小麦的关键生长期和当地天气条件，于2018年4—6月，在起身、拔节、开花等阶段采集样品。地面观测在东西方向每隔20 m和南北方向30 m，在130 m×420 m的地块进行。采用5点采样法进行采样，共有78个抽样点，并用GPS记录取样点的坐标(图1)。

1.2 数据采集与预处理

在起身和拔节阶段，冬小麦冠层的高光谱数据由ASD FieldSpec3光谱仪进行测量，光谱测量于北京时间10：00—14：00无云照射中进行。每隔3～5 min 对标准化白板进行校准。为每个样本收集了10条光谱曲线，测量间隔为0.1 s，平均值作为此示例的光谱数据。高光谱数据的预处理部分中，因受边缘带350～399 nm和2 401～2 500 nm的高光噪声，以及红外波段1 343～1 452 nm和1 766～1 958 nm 的现场环境影响，将该区域进行删除。其余的光谱曲线，由Savitzky-Golay方法进行平滑，再利用一阶导数(first-order derivative，FOD)和连续统去除(continuum removal，CR)等数学方法完成高光谱数据的变换。

1.3 叶面积指数的确定

基于数字图像处理技术的摄影方法可用于估算LAI。本研究是通过扫描方法计算LAI，采样区域设置为，茎总数设置为。5根茎从样本区取出，作为扫描方法的小麦样本(图2)。将1张A4白纸放在平面写字板上，面积为(21 cm×29.7 cm)，用胶水将叶子放在纸上，以确保叶子之间没有重叠。在研究中，利用ECOSYS FS-1125 MFP多功能扫描仪扫描所有贴有样品的A4纸。分辨率设置为600×600 dpi，扫描的照片被保存为TIFF格式。使用ENVI打开上述TIFF文件，使用“决策树”的分类方法将绿叶和白纸分开，然后分别计算白纸占用的像素数(PZ)和绿叶占用的像素数(PY)。A4纸占用的实际像素数为+。LAI计算公式如下：

(1)

1.4 两波段植被指数的筛选

本研究通过文献统计方法选取了传统典型的30种两波段植被指数，选取结果见表1。考虑到高光谱全波段信息的两两组合计算，选取了4种可进行波段组合优化的植被指数，选取结果见表2。两波段组合计算过程通过实验组在Java平台上开发的软件(two-band combination of optimized indices software V1.0，登记号：2018SR281300)来实现。

表1 传统典型的30种两波段植被指数

表2 两波段优化植被指数

1.5 灰色相关性分析

在灰色相关分析系统中，相关程度描述了系统发展过程中因素的相对变化。该方法对系统发展变化的定量描述和比较，是衡量参考序列与反映系统行为特征的影响因子序列之间相关程度的方法。

在研究中，冬小麦LAI在联合阶段被用作参考阵列，30种两波段植被指数作为灰色相关分析的比较阵列。具体步骤如下：

(1)冬小麦LAI数据的无维处理。

(2)相关系数的计算。

根据式(2)计算参考阵列与比较阵列之间的灰色相关系数。

(2)

式中：0()是参考阵列与比较阵列之间的相关系数；Δ和Δ分别是最小绝对差值和最大绝对差额；为分辨系数；0()ΔΔ是标识系数，其值在0～1之间，一般为0.5。

(3)灰色相关度计算。

根据式(3)计算灰色相关度。

(3)

(4)灰色相关度

根据相关程度，对30种两波段植被指数的进行排序。

1.6 模型评价

本研究通过利用单变量回归(线性、指数性、幂函数、二次多项式)和多变量回归(PLSR)来进行数据建模，对所建立的模型进行稳定性和预测能力的验证可确保模型质量，模型的验证指标见表3。其中，相对分析误差(RPD)值超过2.0时，说明该模型具有较好的预测能力。

表3 模型验证指标

2 结果与分析

2.1 冬小麦LAI的统计分析及其光谱响应

本研究中，经过统计发现，冬小麦叶面积指数的取值范围是0.16～8.98，从拔节期到开花期，叶面积指数的平均值为5.15。随着生长阶段的发展，LAI呈现逐步增大的趋势，其最大值(8.98)在开花期出现，此时的平均值为7.24，变异系数为11%；LAI的最小值(0.16)在起身期出现，此时的平均值为1.80，变异系数是54%(图3)。根据试验田内冬小麦的生长阶段发现， 冬小麦LAI在拔节期之前小于4，覆盖率低，小麦植株矮小；从拔节到开花期，大部分在4～6之间，覆盖率和植株高度明显提高；开花期之后LAI基本达到了6以上，覆盖率和植株高度也达到最大值，这也与冬小麦在不同生育期内的长势情况有着密切的关系，随着冬小麦的生长，它的叶面积、叶片数以及叶片层数等都出现不同程度的增加，导致冬小麦的覆盖率和植株高度等各不相同。

不同生育期冬小麦冠层高光谱特性如图4所示，可以看出，冬小麦不同生育期的反射率在可见光区域(400～750 nm)没有明显变化；在750～1 330 nm 的近红外区域，随着生育期的不断推进，出现较明显的变化，即反射率逐步增大，反射光谱曲线的位置逐步升高。这可能是由于冬小麦从拔节到开花期的覆盖率增加，叶片不同层发生光的多重反射，叶片吸收可见光区域的能量，使得近红外区域总能量增加所导致，在该区域中，970 nm和 1 200 nm 附近出现了吸水谷，1 080 nm附近出现了反射峰。

从图4-b、图4-d可以看出，一阶导数变换后的光谱可以突出波长位置的最大和最小反射率。在红边(670～780 nm)区域内，随着生育期的不断推进，冬小麦冠层光谱的上升速度明显增加，每个生育期的红边特征表现出明显的差异。从起身期到开花期，红边位置分别在726、731、733 nm处出现，表现为向着长波方向移动的趋势，这也通常被称作“红移”。在图4-c中，随着生育期的发展，在970、1 200 nm处吸水深度逐步增加，其中1 200 nm处加深幅度更大。

不同LAI水平冬小麦冠层高光谱特性如图5所示，总体分析发现，LAI对近红外波段(750～1 150 nm)的影响较为明显。随着LAI的增大，冬小麦的冠层高光谱反射率明显增大，即LAI越大，冬小麦冠层反射近红外光的能力就越强(图5-a)。从图5-b、图5-d可以看出，一阶导数变换中，红边光谱在LAI的影响下显示出明显的规律性，而红边位置随着LAI值的增加而“红移”。从图5-c可以看出，在连续统去除变换中，冠层高光谱反射率受LAI的影响较强烈，在400～680 nm的区域内，LAI与连续去除光谱反射率成反比。

2.2 传统双波段植被指数与LAI的灰色关联度分析

对基于不同光谱变换下计算的传统双波段植被指数与LAI之间进行灰色关联度分析，并选取与LAI的灰色关联度最稳定的植被指数作为进一步建模的独立变量。灰色关联度(GCR)结果如表4所示。在原始光谱数据计算的植被指数中，NDVI的关联度最高，GCD=0.899 1；在一阶导数光谱数据计算的植被指数中，VOG1的关联度最高，GCD=0.883 8；在连续统去除光谱数据计算的植被指数中，MSR的关联度最高，GCD=0.919 0。

表4 LAI与已发布的植被指数之间的GCD

2.3 筛选最佳双波段组合优化光谱指数

基于3种光谱变换数据的波段组合优化植被指数与LAI进行相关性分析，并构建了二维热图(图6、 图7、 图8)。在400～2 400 nm两两波段组合当中，敏感波段组合区域基本上出现在可见和近红外(VIS-NIR)光谱波段。对于原数据而言(图6)，LAI敏感的波段组合植被指数是NDSI、RSI、CI、NPDI；对于一阶导数变换而言(图7)，LAI敏感的波段组合植被指数是NDSI、RSI、CI、NPDI；对于连续统去除而言(图8)，LAI敏感的波段组合植被指数是NDSI、RSI、CI、NPDI。

2.4 冬小麦LAI估算模型建立与验证

单变量LAI估算模型的参数由波段组合优化植被指数和传统的植被指数构建，从不同数据变换类型中选取的最佳植被指数和LAI估算模型如表5所示。在选取最佳关联度植被指数中，基于原始光谱计算的NDVI和基于连续统去除变换的MSR参数分别构建的二次多项式模型结果较好，和结果分别是0.743和0.413；在优化的单变型模型，基于一阶导数变换的RSI变量构建的二次多项式模型表现出较好的结果，为0.809，为0.401，比传统植被指数构建模型的拟合效果有所提升。

表5 基于优化的新型HVIs对叶面积指数(LAI)估算的单变型模型

RSI(736 nm,737 nm)y=-4 167.288 6x2+7 870.725 7x-3 708.073 60.7010.469CI(686 nm,744 nm)y=-0.019 5x2+0.824 9x-0.953 70.7710.411NPDI(693 nm,744 nm)y=-0.027 6x2+1.090 2x-2.998 60.7510.428

多变量回归LAI估算模型是由最佳波段组合以及最佳关联度的不同植被指数分别构建，从不同数据变换类型中选取的最佳植被指数和LAI估算模型如表6所示。

表6 基于新优化已出版的Hvis估算LAI

在选取最佳关联度植被指数中，基于连续统去除变换的MSR、SAVI、NDVI参数构建的PLSR模型表现较好，和结果分别是0.740和0.434；在波段组合优化植被指数中，基于连续统去除变换后优化的NDSI、RSI、CI参数构建的PLSR模型表现较好的能力，为0.854，为0.358。

为了评估单变量和多变量模型的预测精度，基于验证数据集选择、RMSE和RPD作为预测准确性的指标(图9)。在估算LAI的单变量模型中，基于一阶导数变换的RSI变量构建的二次多项式模型拟合效果较好，估算精度为=0.779，=0469和=2.037；在LAI估算的多变量模型中，基于3种变换的最佳波段组合的NDSI、RSI、CI参数构建的PLSR模型拟合效果最佳，模型精度为=0.817、=0428和=2.250；该估算模型在冬小麦拔节阶段估算LAI结果最突出，作为本研究的最佳估算LAI模型。

3 讨论与结论

LAI是光合作用、呼吸作用和降水拦截过程中的一个重要变量，作为全球植被的基本属性，已被全球气候变化研究界列为重要的气候变量。近年来，高光谱遥感数据广泛应用于农作物LAI估算。为充分发挥冠层高光谱数据在冬小麦LAI估算方面的优势和潜力，本次通过深入研究高光谱数据的波段组合优化选择方法，寻找冬小麦LAI估算最佳两波段组合，并构建估算模型。

在本研究中，以干旱半干旱地区冬小麦为研究对象，收集了冬小麦的树冠高光谱反射数据，测量了不同生长阶段的LAI数据，并采用数学变换的方式对冠层高光谱数据进行预处理，计算传统典型的30种两波段植被指数和4种波段组合优化植被指数，建立了基于优化的植被指数的经验模型，通过不同形式的波段组合克服了单波段的限制。结果表明，在LAI估算的单变量模型中基于一阶导数变换的RSI变量构建的二次多项式模型表现较好的结果，为0.809，RMSE为0.401。比传统植被指数构建模型的拟合效果有所提升，此结果与高林等的研究结论一致。而在LAI估算的多变量模型中，基于3种变换的最佳波段组合的NDSI、RSI、CI参数构建的PLSR模型拟合效果最佳，模型精度为=0.817、=0428和=2.250；建模方法的选择对作物生理参数遥感定量反转的准确性有一定的影响，不同模型反转精度的定量比较和评价，为进一步发挥高光谱数据在农作物LAI估算中的潜力提供了科学依据。

虽然本研究取得了一定的成果，但仍然存在不足之处：由于试验条件有限，没有充分考虑到其他因素。今后，有必要进一步分析LAI与叶水分等其他参数的关系，消除其耦合效应对作物树冠谱的影响，提高作物LAI的检索精度。因此，利用高光谱遥感数据对叶面积指数预测技术进行改进，显然是今后的一项重大任务。