张矞勋 齐拓野 孙 源 璩向宁 曹 媛 吴梦瑶 刘春虹 王 磊,*

1 宁夏大学西北土地退化与生态系统恢复省部共建国家重点实验室培育基地, 宁夏银川 750021; 2 宁夏大学西北退化生态系统恢复与重建教育部重点实验室, 宁夏银川 750021; 3 中国科学院遥感与数字地球研究所, 北京 100101; 4 宁夏大学生态环境学院, 宁夏银川750021

冬小麦的种植面积和产量对我国粮食安全、经济发展有重要影响。苗期是冬小麦生长的关键时期, 及时管理有利于冬小麦最终产量的提高[1]。因此, 冬小麦苗期长势信息的实时快速获取, 可以为冬小麦苗期管理措施的实施提供有效的数据支撑[2]。叶面积指数(LAI)是作物长势的重要参数之一[3-4], 其大小与分布对光能利用产生重要的影响, 可作为冬小麦苗期长势信息评估的有效指标[5-6]。

随着光谱技术的发展, 通过地面、无人机和卫星平台搭载的各类光谱测定设备来获取冠层光谱成为LAI测量的主要方法之一[7-14]。由于卫星具有大范围成像的优势,被广泛用于植物LAI反演中, 作为与在轨高分一号(GF-1)组网运行的高分六号(GF-6), 具有窄幅(PMS)和宽幅(WFV) 2种不同空间分辨率影像, 但GF-6宽幅影像除具有更大的幅宽(800 km)的成像优势外, 还在原有4个波段基础上新增了红边I、红边II、紫和黄4个波段。光谱的红边波段(Red Edge, RE)对植被的营养情况、生物量、冠层含水量及物候期变化的响应显著[15-18], 农业生产方面有极高的应用价值[19-21]。因此, 红边波段的加入理论上可以有效提高传感器对作物分类、叶面积指数反演、生理参数估算的应用精度。但目前有关GF-6 WFV影像植被波段特征及其在作物参数反演方面的的研究仍较少。应用遥感方式对LAI进行反演主要分为物理模型与经验模型两种[22], 而人工神经网络可以通过建立对应的非线性模型对非线性参数进行反演[23], 目前已经被广泛用于多种领域的研究。在现有的神经网络模型中, BP神经网络(Back Propagation-Neural Network)是一种基于反向传播的学习算法[24-25], 非线性转化能力强, 还具有学习能力高等特点, 是目前应用最广泛的神经网络模型[26-27]。

本研究以冬小麦为研究对象, 以实测冬小麦冠层光谱作为冠层真实反射率, 通过将实测光谱进行光谱响应函数重采样后的宽波段光谱来分析GF-6影像的植被波段特征; 基于GF-6 WFV遥感影像反射率信息, 构建不同的植被指数, 以GF-6两个红边波段构建的植被指数NDVI710和NDVI750为控制变量, 将所有植被指数作为输入参数建立神经网络算法反演模型, 之后对建立的模型进行精度验证, 来探究GF-6红边波段在反演冬小麦苗期LAI反演中的应用能力。

1 材料与方法

1.1 研究区概况

选取地处黄河三角洲地区, 以冬小麦为主要粮食作物的山东省东营市东北部中国科学院黄河三角洲研究中心附近为研究区, 该区域也是中国科学院空天信息创新研究院确定的遥感产品真实性检验场, 如图1所示。试验区中心经度118.84°, 纬度37.70°, 平均海拔3.66 m, 属于暖温带大陆性季风气候气候, 四季分明, 全年日照时数2657.5 h, 年不小于10℃积温4300℃, 年均温12.8℃, 年降水量555.9 mm, 全年无霜期206 d[28], 本研究中采样时间设置在2019年11月22日至25日, 此阶段研究区内冬小麦均处于苗期, 并且除冬小麦外并未种植其他农作物,所选取的农田样地内几乎无杂草生长, 采样的结果更接近真实结果。

1.2 样地布设

研究区设置冬小麦地面观测样地20个, 并在每个观测样地内设置4个大小为16 m×16 m (对应GF-6 WFV传感器影像1个像元大小)的样方, 总计80观测样方, 每个样方内延对角线设置数据采集点17个。冠层数据的采集时间为2019年11月22日至25日, 使用GPS记录每一个采集点坐标。

1.3 遥感影像获取与预处理

本次观测试验为中国科学院空天信息创新研究院2019年度华北遥感产品真实性检验综合地面观测试验的一部分,在开展野外观测试验前, 根据卫星星历和天气预报, 编程了卫星数据的采集时间, 保证了与卫星数据采集的同步性,GF-6 WFV传感器影像成像时间为2019年11月22日。

通过ENVI 5.3对遥感数据进行处理, 以2019年11月22日Sentinel-2A的L2A级影像产品对GF-6影像进行几何精校正, 校正时误差在0.5个像元内。对几何精校正后的GF-6影像进行辐射定标和大气校正处理, 处理后获得研究区地表反射率数据。大气校正所使用ENVI 5.3的FLAASH模块, 该模块基于MODTRAN 4+辐射传输计算方法, 校正所需参数通过影像产品头文件及中国资源卫星应用中心网站获取, 其余参数大气模型设置为Mid-Latitude Winter (中纬度冬季), 气溶胶模型设置为Rural (乡村)。最后根据坐标提取每个样方对应的GF-6 WFV传感器B1~B6共计6个波段反射率数据, 6个波段范围依次对应蓝、绿、红、近红外、红边I (RE I)及红边II (RE II)波段。

1.4 叶面积指数观测与预处理

使用LI-COR公司的LAI-2200植物冠层分析仪对叶面积指数进行测量, 受仪器测量过程中太阳直射的限制,使用180°视角盖, 选取阴天、日出、日落等时段对每一个观测样方进行测量, 避免因太阳光过强影响仪器测量结果。分别在80个样方内设置的数据采集点进行测量, 每个数据测量时先在冠层上无遮挡处测量一次天空光A值,之后在冠层底部行间测量5次B值。测量B值时在冠层下植物根部附近及行间1/4和1/2位置挖开小坑, 使得探头可以水平放入并保持镜头与地面平齐, 以此确保仪器可以观测数据采集点位置地表上所有冠层, 叶面积指数的采集时间在11月22日至25日之间。

使用FV-2200软件计算每个点位的LAI数据, 以每个样方内所有数据采集点的平均值代表该样方的叶面积指数。根据计算得到实际测得到的苗期冬小麦LAI的大小,将地面观测的80组LAI数据分为高(LAI>1.5)、中(0.5

1.5 冠层光谱观测与预处理

冬小麦实测冠层光谱测量采用Spectral Evolution公司的SR-8800光谱仪进行。光谱范围350~2500 nm, 光谱分辨率在波长350~700 nm为2.5 nm, 700~1500 nm为8 nm。选择每天10:30—14:30天气晴朗时段进行测量, 测量时探头竖直向下, 维持在冬小麦冠层以上1.5 m处, 分别对80个样方中设置的数据采集点进行测量, 每个数据采集点测量5条光谱曲线。每块样方测量前均先通过观测标准白板进行校正, 根据研究需要及GF-6 WFV光谱响应函数光谱覆盖范围, 选择400~1000 nm波段范围内数据, 数据间隔为1 nm。

将每个数据采集点的5条光谱剔除明显异常数据后作平均处理, 代表该采集点的光谱反射率, 通过ENVI 5.3,按照GF-6 WFV光谱响应函数对光谱仪获取的地表冠层光谱进行光谱响应函数重采样, 得到对应的GF-6 WFV模拟反射率数据。光谱响应重采样公式如下:

式中,ρs是待拟合波段的光谱反射率,φ(λ)是待拟合波段的光谱响应函数,ρs(λ)是实测光谱各波长处的反射率,λmax和λmin分别是光谱波段取值范围的上下界,i为测量光谱的第i波长。

1.6 植被指数

植被指数是由多个波段数据经过线性或非线性组合而成, 可用于植被LAI、覆盖度、生物量等一系列植被参数进行估算与反演的遥感参数[11]。首先根据相关研究文献,选取4种常见植被指数用于构建冬小麦LAI反演模型。此外, 红边光谱的变化可提供比红绿波段和短波红外更丰富的红边区域波谱信息[30], 因此将GF-6卫星红边波段红边I(中心波长710 nm)和红边II (中心波长750 nm)波段分别代替近红外波段, 分别构建红边归一化植被指数NDVI710和NDVI750。植被指数及其表达式如表1中所示。

表1 植被指数及计算公式Table 1 Vegetation indices and equations

1.7 组合方式

以NDVI、ARVI、SAVI及CIgreen共4种植被指数为基础, 根据有无红边植被指数, 分别不使用红边植被指数、单独使用NDVI710、NDVI750以及同时使用红边Ⅰ和红边Ⅱ波段植被指数划分为不同的组合方式。参数之间的组合方式为组合1: NDVI、ARVI、SAVI、CIgreen; 组合2: NDVI、ARVI、SAVI、CIgreen、NDVI710; 组合3: NDVI、ARVI、SAVI、CIgreen、NDVI750; 组合4: NDVI、ARVI、SAVI、CIgreen、NDVI710、NDVI750。通过植被指数红边波段不同的组合方式, 探究红边波段在冬小麦LAI反演的应用能力。

1.8 模型构建与评价方法

经过辐射定标与大气校正后的GF-6 WFV影像后, 构建成表1中的6种植被指数, 并按照表2中的分组与实测LAI数据建立BP神经网络模型, 经过多次测试, 设置隐含层包含12个神经元构建神经网络, 激励函数均选择单极性sigmod函数。将已经获取的80组LAI数据, 分别从高、中、低LAI分组中按照3∶1比例划分出模型建立及反演数据, 通过Matlab 2018软件建立BP-LAI神经网络反演模型。建立模型时, 将划分为模型建立的实测60组数据, 按照4∶1比例划分为模型训练样本与测试样本。

反演模型的优劣会对反演结果产生重要影响, 通过对反演模型精度的分析, 评价所构建模型的反演能力。反演冬小麦LAI后, 提取影像中对应位置LAI反演结果, 使用实测LAI数据与反演结果分析, 评价反演结果的优劣。使用决定系数R2、均方根误差RMSE反演模型模型及反演结果的精度, 其中R2可以表征真实LAI与反演LAI之间的相关程度, RMSE可以放映真实LAI与反演LAI之间的偏差程度。R2越大且RMSE越小表明模型精度及反演结果拟合效果越好,R2越小且RMSE越大表明模型精度及反演结果拟合效果越差。计算公式如下:

式中,xi和xj分别表示实测LAI与预测LAI,n表示参与反演的样本量。

2 结果与分析

2.1 高分六号WFV传感器波段设置

传感器及影像参数如表2所示。与Landsat8-OLI传感器相比, GF-6与GF-1的WFV传感器具有更高的空间分辨率, 并且GF-6 WFV传感器与Landsat8-OLI相同, 比GF-1 WFV有更高的辐射分辨率, 可以对地物反射或发射能量的微小变化有更强的探测能力。在红、绿、蓝、近红外4个波段内GF-1与GF-6的WFV传感器较Landsat8-OLI覆盖更多的范围, 可以提供更多的地物反射率信息但也会增加诸如水气等更多的影响因素[33]。

表2 GF-1 WFV、GF-6 WFV、Landsat8-OLI影像对应波段参数对比Table 2 Key property of GF-1 WFV, GF-6 WFV, and Landsat8-OLI

2.2 高分六号红边波段特征及冬小麦监测能力分析

在地面使用便携式光谱仪对冬小麦观测测量时, 由于仪器与目标距离较近, 受到气溶胶、水汽等影响较小,测量结果可以真实的反映植被真实的反射率特征, 在使用GF-6 WFV传感器光谱响应函数对实测光谱进行光谱经过光谱响应函数重采样后, 可反映出GF-6遥感产品对冬小麦冠层特征的响应。观察重采样后得到的模拟光谱可以发现, 在红光、红边及近红外波段范围内的反射率, 不同大小LAI之间有着较大的差异。红光到近红外波段内,冬小麦冠层反射率快速提高。进行光谱重采样后的得到的模拟光谱中, 两个红边波段连线斜率在不同LAI分组之间的大小分别为2.18×10‒3、5.69×10‒3、7.06×10‒3, 相比红光、近红外波段反射率之间的斜率8.5×10‒4、1.92×10‒3、2.35×10‒3有明显变化, 冬小麦冠层光谱在红光-近红外与红边波段内显示出了对植被不同的特征响应。GF-6遥感产品的红边波段, 可以较红、绿、蓝、近红外4个波段提供更多植被特征信息。

将实测光谱经光谱响应函数重采样后得到的模拟光谱构建成为植被指数NDVI、NDVI710、NDVI750, 植被指数及冬小麦LAI交互对比后, 结果如图3所示。

如图3-a~c所示, 当使用地面测量LAI数据分别与地面测量光谱构建的NDVI、NDVI710与NDVI750进行对比后可发现, LAI与NDVI、NDVI750的最优拟合函数类型为指数函数, 而与NDVI710的之间最优拟合函数类型为线性关系。这主要是由于在冬小麦当前生长阶段, 采集得到的地表光谱经光谱响应函数重采样后, 红边II与近红外波段放射率数据较为接近, 并且由于植被指数NDVI与NDVI750之间有较好的线性关系(图3-d), 导致LAI随着NDVI与NDVI750的变化而有相近的变化趋势。构建的红边植被指数NDVI710与NDVI及NDVI750有不同的变化趋势(图3-e, f), 并且随着LAI的增大, NDVI710并未出现明显的饱和现象, 因此在应用植被指数对冬小麦LAI进行反演时, 相比于NDVI及NDVI750, NDVI710对冬小麦LAI的变化可以提供更多植被特征信息。

2.3 冬小麦苗期LAI反演

基于不同参数组合, 分别建立不同组合的BP-LAI神经网络反演模型。对比不同分组建立的BP-LAI反演模型结果可以发现, 各组合对LAI建立的模型相关系数R2均大于0.7, 其中使用组合2和组合4建立的模型R2可达到0.75以上, 模型精度较高。从组合之间的差异来看, 组合3与相比于组合1建立的反演模型, 其R2变化较小, 组合2与组合4建立的反演模型相比于组合1的R2分别提高7.84%和9.80%, 提高较为明显。即在建立反演模型时, 使用4种植被指数的基础上, 单独增加使用NDVI750对反演模型精度影响较小, 而单独使用NDVI710的反演模型精度有一定的提高, 当同时使用两个红边指数数据建立冬小麦苗期LAI反演模型时, 反演模型的精度的提升最大(表3)。

表3 BP神经网络反演模型精度Table 3 Accuracy of BP neural network inversion model

反演模型中训练样本与测试样本不同组合间模型的精度有相同变化趋势。使用从GF-6 WFV遥感影像中提取的B1~B6波段反射率数据, 构建成对应的NDVI、ARVI、SAVI、CIgreen、NDVI710及NDVI750, 按照不同组合方式对冬小麦苗期LAI进行反演, 反演结果如图4所示。提取除反演结果中对应样方点位的LAI, 不同参数组合反演精度如图5所示。

使用BP神经网络进行建模时, 使用不包含红边植被指数的参数组合1进行LAI反演, 反演精度R2>0.70。使用组合2和组合3对冬小麦LAI进行反演之后, 以未使用红边植被指数的组合1为参考, 可以观察到相比于组合1,组合3反演的精度变化不明显,R2与RMSE变化均较小,组合2反演精度有一定提升,R2提高9.53%, RMSE下降10.30%。当使用组合4方式对冬小麦苗期LAI进行反演时, 反演精度有较大提升,R2提高12.48%, RMSE降低14.75%。即在反演冬小麦LAI时, 使用NDVI、ARVI、SAVI、CIgreen等4种植被指数的前提下, 仅增加NDVI750后对反演影响较小; 而仅增加NDVI710后, 对冬小麦LAI反演效果有一定提升; 当同时增加NDVI710和NDVI750时,对反演结果精度的提升能力最好。

3 讨论

近年来, 使用不同卫星传感器数据结合经验模型或物理模型进行作物LAI反演或估算的研究方面开展了大量工作尤其在使用近红外与可见光波段的反演已经产出了大量成果。伴随着红边波段研究的不断深入, 其对植被生长状况差异的响应能力明显提高已得到广泛认同[34],星上传感器加入红边波段的数据源逐渐开始增加, 红边波段逐渐被越来越广泛的应用在包括LAI在内的各类植被参数的反演与监测中。随着Sentinel-2/3、WorlView 2/3等卫星的成功发射, 卫星影像中的红边波段数据逐渐得到大尺度应用, 相比之下, 高分六号卫星影像以其在16 m空间分辨率实现800 km幅宽影像产品的优势, 将能够在大范围的作物监测中发挥重要的作用, 但对其搭载传感器新增4个波段的研究却较为有限。张沁雨等[35]对乔木的研究中认为, 高分六号的全部8个波段可以比前红、绿、蓝及近红外4个波段可以提供更多的光谱和纹理信息;李文杰等[36]对葡萄的研究中, 高分六号红边波段的引进提高了葡萄与其他植被的光谱差异。这些已有研究结果表明高分六号的红边波段能够有效的提高植被的识别能力,但针对作物参数定量估算或反演能力的评价研究相对较少。本研究中, 以地面测量得到的冬小麦冠层真实反射率数据, 经过光谱响应函数重采样后获得GF-6 WFV传感器对应波段范围的模拟光谱, 认为两个红边波段的数据的增加相比于近红外与可见光波段可以提供更多的植被长势信息, 对植被特征差异化的响应能力明显增强, 这为应用GF6 WFV红边波段开展冬小麦长势及LAI监测提供了更好的数据基础。

植被指数对LAI的敏感性随着LAI的增加逐渐降低直至饱和, 并且不同植被指数饱和点有所差异[37]。随着植被指数对LAI敏感性的下降, 通过植被指数对LAI进行反演的能力和精度都会受到一定的影响。NDVI是使用最普遍的一种植被指数, 被广泛用于LAI的估算中, 但也存在易饱和的问题[38]。通过对地面实测光谱构建得到植被指数的研究, 相比于NDVI, 基于高分六号红边波段构建的NDVI710与NDVI750的抗饱和能力得到增强, 其中NDVI710与NDVI之间在数值大小和对LAI的响应关系上均有一定的差异。在当前采样数据的LAI范围内, 随着LAI的增加, NDVI710并未出现明显的饱和现象。因此,NDVI710作为特征参数加入到反演模型构建中时, 反演模型及反演结果的精度均有较大的提高。土壤背景是植被遥感监测能力评价的重要影响因素[39], 研究区中的土壤质地类型较为单一, 不同样地之间的平均含水率为78.76%,含水率标准差0.033, 差异较小, 土壤背景因素的影响相对较小, 有利于保证研究结果的精度和普适性。

研究中侧重于分析GF-6 WFV影像植被红边波段的对植被特征的响应及其在冬小麦LAI反演的应用, 而对如何更好的提高反演精度的考虑较少。因此, 尽管两个红边波段的引入对冬小麦LAI反演精度的提高有一定的促进作用, 但仍有提升的空间, 如对不同植被指数之间进行对比分析, 筛选出更适合冬小麦LAI反演的植被指数。