高光谱遥感在农作物长势监测中的应用

0引  言

卫星遥感技术目前已被广泛应用于农业生产中,如土壤普查(包括土地覆盖和土地利用)、农业资源调查、气象灾害监测以及农作物长势监测和农作物估产。农作物长势监测指利用卫星资料对作物苗情、生长状况及变化的宏观大面积监测。随着作物的生长发育,作物叶面积指数由小而大变化,叶片颜色亦发生变化,并引起反射率发生变化,另外不同的水分含量,作物长势好坏,亦能导致反射率的改变。遥感监测作物长势,就是根据作物历,在作物生长期内,通过分析光谱值或植被指数的大小,分析评价作物长势好坏。

人们同时也发现,传统的宽波段遥感(MSS,TM)在对作物长势监测时,由于其波段少、光谱分辨率低,很难反映出自然界各种植被所固有的光谱特性及其差异,容易受外部条件(如植被覆盖率、叶子颜色和土壤颜色等)影响,因而监测的可靠性受到一定限制。由于高光谱遥感其高光谱分辨率和超多波段的成像光谱数据能解决常规遥感中出现的问题,而且采用高光谱遥感导数光谱技术可以解决遥感数据容易受外部条件影响的问题,因而可以更有效地监测农作物的长势。

1材料与方法

该研究是在加拿大Saskatchewan省ScottAAFC(加拿大农业与食品部)ACS(加拿大萨省农业试验区)实验田里进行的。实验区分为4个完全相同的实验小区,每个小区根据3种投入水平分为3小块,每小块又由3种作物多样性水平组成,每6a循环一次(见图1)。收集了前两个实验区2003年生长季前期(6月13日)、生长季旺盛期(7月18日)、生长季后期(8月11日)3个生长季的叶面积指数和遥感数据。叶面积指数是由植物冠层分析仪测量的,遥感数据是由便携式高光谱仪完成的。并在每次收集数据时对试验区拍摄数码照片。光谱数据是取5次测量的平均值,每次测量的数据是10次连读数据的平均值。叶面积指数是取3次测量的平均值,每次测量包括一次冠层以上测量和5次冠层以下测量。每隔10～ 15min要对光谱仪进行一次标准白板校正。植物冠层分析仪要在避光处使用,以避免阳光直射。根据统计学样本要求,绘制小麦、大麦和油菜的平均光谱响应随波长的变化曲线,来确定遥感监测的最佳时期。我们只对小麦的3种投入水平的调查进行了研究,对叶面积指数与各波段光谱值、一阶微分光谱值和不同植被指数进行了Pearson相关分析(见表1),并进一步对与叶面积指数有显著相关的光谱因子进行逐步回归分析,然后把实测数据代入方程来检验回归模型的准确性。光谱数据也模拟LandsatTM的红光和近红外光波段来计算归一化植被指数(NDVI),通过方差分析检验不同处理下显著性的差异。光谱数据预处理是由仪器自带的软件完成的,统计分析软件为SPSSv11.5。

图1　ScottAAFCACS试验田布局

2结果分析

2.1 生长季小麦、大麦和油菜的光谱响应

图2显示的是小麦、大麦和油菜在生长季的光谱特征。在7月份,3种作物类型都呈典型的植被光谱曲线分布,由于叶绿素的吸收,近红外波段呈高反射率,红光波段呈低反射率,而且它们的光谱曲线也有明显的差异。6月份作物都刚刚拔节,光谱曲线显示的基本是裸地的光谱响应值,因此它们的曲线都比较接近,没有明显的红光吸收区。 8月份的测量是在作物收割前,这时小麦和大麦已经枯黄,所以从可见光到近红外波段都呈比较平直的曲线,只有油菜还有光合作用在进行。 7月应该是利用遥感研究作物的最佳时期,因为在红光波段的强吸收、中红外波段的水吸收和近红外波段植物细胞结构的反射都表征植物达到了最大的光合作用。而小麦的生长阶段要比大麦和油菜提前,从光谱曲线上可以看出,6月份光合作用较高,7月份叶绿素的吸收减少,8月份光谱曲线更加平滑。

图2　试验田中小麦、大麦和油菜在2003年

生长季的光谱响应曲线

1300、1900和2500nm附近的噪声区被删除

2.2 小麦作物的叶面积指数及其与长势的关系

小麦为春小麦,观测时段基本为拔节期、抽穗期和灌浆期,小麦的叶面积指数呈抛物线状(见图3),在作物生长前期小,作物生长后期也很小,在作物生长旺盛期(抽穗前期)叶面积指数达最大。

图3　生长季3种处理下小麦的叶面积指数

图4　 7月份3种处理下小麦的光谱响应曲线

3种处理小麦叶面积指数显然不一样:从生长初期到即将收获,整个状况是high处理的小麦叶面积指数最大,organic处理的叶面积指数最小,re-duced处理的叶面积指数介于high、organic处理组的两者之间,显示出high处理组的小麦长势好,同时光合作用面积大,势必最终产量要高;而reduced处理长势稍差,最后产量要受到影响;由于organic的叶面积指数最小,长势最差,群体光合作用最小,产量肯定最低(见图4)。结果显示,3种处理下的叶面积指数在3个生长阶段都有明显的差异,而光谱差异只在生长季的初期和中期比较显著,在后期无明显差异。数码照片显示了整个生长季在3种处

理下小麦长势的差别(见图5)。从叶面积指数大小可以分析出作物长势、估计作物产量,因此用遥感资料监测叶面积指数可监测作物长势和分析估计作物产量。

图5　在3个生长阶段3种处理下的小麦长势

2.3 小麦叶面积指数与高光谱数据的关系分析

2.3.1　遥感监测小麦长势的最佳时段

对不同时期的小麦叶面积指数与光谱值进行了相关分析(见图6),从不同观测时期小麦叶面积指数与光谱的相关系数来看,7月18日的相关系数值最大,8月11日相关系数值最小,6月13日的相关系数值介于两者之间,而且6、7月份的相关系数值有规律,在红光区、近红外区、黄光区均有较大的吸收或反射区,而8月上中旬的叶面积指数与光谱值之间的相关系数不仅小而且无规律,在紫外区和远红光区有较大值,这不符合基本常规,这主要是进入8月后,小麦开始黄熟,叶子枯黄、小麦大量失水,其对光谱的影响远大于叶面积变化对光谱的影响,使得原有的规律失去。

结果表明,采用遥感资料对小麦长势进行监测和对产量进行预测的最佳时段在本地区为6月下旬到7月中旬,此时约为拔节至抽穗开花期,叶面积指数值大、正常生长的小麦叶子颜色、水分均正常,监测结果可信,而且此时的监测值对于分析小麦长势(从而可采取必要的栽培措施提高产量)和估测产量很重要,过早或过迟都难以有效估产或提出有效对策。进入8月以后,小麦进入灌浆后期,小麦颜色和水分均会产生干扰,影响监测的可靠性,而且此时监测意义也不大,因此仅分析7月份的光谱数据。

图6　不同生长季下波长与叶面积指数的相关系数

4条水平线分别表示p= 0.05和p= 0.01时r的临界值

2.3.2　小麦叶面积指数与原始光谱变量的相关分析

由7月可见光、近红外光谱与叶面积提取的相关系数(见图7)可以看出:当波长< 722nm,光谱反射率与小麦叶面积指数呈负相关,相关系数约在684nm处达到最大,形成一个波谷。波长> 722nm,光谱反射率与小麦叶面积指数呈正相关,相关系数约在764nm处达到最大,然后在770nm附近,相关系数开始缓慢下降。波长在可见光波段(400～ 700nm)内(除了520～ 580nm外)和近红外(740～ 924nm),光谱反射率和小麦叶面积指数之间的相关系数达到了显著性检验水平。波长在684nm和764nm处存在着最大相关系数,分别为- 0.657

和0.620,其中684nm波长处于红光波谷中,与其他研究者使用的光谱区域682nm很相近。据此可初步认为,监测小麦叶面积的较佳波段为600～ 700nm和740～ 900nm波段范围内,由此两个波段构建高光谱各植被指数和相关变量,可监测小麦叶面积指数。

图7　 7月份可见光、近红外光谱与叶面积指数的相关系数

2.3.3　小麦叶面积指数与一阶微分光谱值的相关分析

在550～ 900nm波段范围内,一阶微分光谱和小麦叶面积指数之间约在552～ 681、830～ 900nm(中间振荡很大)为负相关,在706～ 755nm为正相关,均达到显著性检验水平,最大相关系数波长发生在631nm处和742nm(见图8),分别为- 0.798、0.769,其中742nm这个波长被认为是叶面积指数和一阶微分光谱之间相关系数最大的波长。这个波长是光谱变化最大的位置,位于红边范围。根据分析可以认为,550～ 680nm和710～ 760nm为采用一阶微分光谱监测小麦叶面积指数的最佳波段,由此两个波段构建一阶微分光谱各个植被指数及变量,可以分析小麦的长势状况。

图8　 7月份一阶微分光谱与小麦叶面积指数的相关系数

红线表示p= 0.05时r的临界值,

蓝线表示p= 0.01时r的临界值

2.4 监测小麦叶面积指数的变量和植被指数的构建

2.4.1　因子选择

根据前面的分析,红光波段600～ 700nm和红外波段740～ 900nm可作为监测的依据,为此我们选择红光谷、近红外峰的反射率和其对应的波长作为监测小麦叶面积指数的候选因子;选择550～ 680nm和710～ 760nm光谱范围内红光、近红外的一阶微分光谱谷和峰及其对应的波长作为候选因子。红

边(680～ 780nm)峰值及其红边位置和红边面积是目前研究高光谱监测作物叶绿素、生理活动、生物量等最为常用的因子[7- 8],因此本文选取了红边峰值(红边内一阶微分光谱中的最大值)、红边位置(红边峰值对应的波长)、红边面积(红边内一阶微分总和)作为候选因子。同时本文选择了比值植被指数、简单植被指数、归一化植被指数和对数植被指数作为候选因子。这些因子能否被用于监测小麦的叶面积指数,还必须进行分析。可通过两个方法:第一是直接进行相关分析,看它们与叶面积指数的相关系数能否通过显著性检验;第二就是用逐步回归的方法筛选因子,剔除部分因子。

3.4.2　因子筛选

根据上面的分析,我们选择了15个因子,这15个因子都具有一定的物理学意义和生物学意义,采用数学方法进行筛选,最后确定用于监测小麦长势的因子。首先进行了相关普查,结果见表1。

表1　高光谱各个因子与叶面积指数的相关系数

由表1可见,高光谱各个因子与叶面积指数的相关系数除了X3(近红外光谱740～ 900nm范围内最大的光谱值)、X4(近红外峰对应的波长)、X8(一阶微分光谱最大值对应的波长)外都达到了极显著水平,其中X12(比值植被指数)的相关系数值最大,达到- 0.8249,其次为归一化植被指数。从表1可以看出,根据相关系数的分析,所选大部分高光谱因子的变化与小麦叶面积指数的变化有关,可以用于分析叶面积指数的大小。接着根据相关分析筛选后获取的各因子,采用逐步回归的方法选择因子,显著性定为0.01,只有一个因子被选取,就是比值植被指数。这就说明其他因子在此分析中做的方差贡献很小,也说明只需要一个因子就可以分析高光谱对小麦叶面积指数的影响。这是因为理论上来说,用多项式回归进行分析时,因子之间必须是相互独立的,而本文中的各因

子之间是相互关联的,所以只需要选出一个因子,就有代表性。通常会选出相关系数大,F检验值大的因子,但若选择其他有关因子(归一化植被指数)也是可以的。

2.5 小麦叶面积指数的高光谱遥感估算模型

2.5.1　模型建立

根据上面的分析,采用单因子的高光谱变量可以分析监测小麦的叶面积指数,因此采用单因子进行分析。从比值植被指数与叶面积指数的关系(见图9)可以看出,比值植被指数与小麦叶面积指数呈负相

关,比值越小,叶面积指数越大。用线性、对数、指数分别模拟,可以看出指数曲线最好,相关系数为R 2= 0.732,通过了0.01极显著检验。

图9　比值植被指数与叶面积指数的关系

为此建立了监测小麦叶面积指数的高光谱各因子不同曲线或线性的计算公式,可用于监测小麦的长势(见表2)。

2.5.2　模型验证

表2显示,比较好的因子是X12(比值植被指数)和X13(归一化植被指数),较好的模型是指数模型,相关系数分别是R 2= 0.732和R 2= 0.727,方程y= 2.3575e- 4.8975X 12和y= 0.082e3.5448X 13。进行回代拟合,误差分别为1.515%和1.32%(见图10),效果非常好,因此可把它们作为监测地面叶面积指数及长势的合适模型。

表2　高光谱监测小麦叶面积指数模型

 

图10　比值植被指数与叶面积指数的关系

3结果与讨论

结果显示,高光谱遥感可以用于监测农作物长势。从生长季的早期到中期,光谱和叶面积指数在不同处理下有显著差异。 7月中期是用遥感资料监测农作物长势的最佳季节,红光波段与近红外波段反射率的比值和基于这两个波段构造的归一化植被指数是监测农作物长势的最佳植被指数。由于结论是基于一个生长季的田间数据得到的,所以结果可能与在不同的生长条件下利用几年时间得出的结果有所不同(例如季节可能会影响测量时间的选择)。进一步的研究将测量一些气象数据来反映生长季的特性,并进行第二次生长季的田间试验。

审核编辑：汤梓红