岳继博，齐修东

(河南理工大学 测绘与国土信息工程学院，河南 焦作 454001)



基于雷达植被指数的冬小麦生物量反演研究

岳继博，齐修东

(河南理工大学 测绘与国土信息工程学院，河南 焦作 454001)

雷达遥感可以在极端天气条件下进行对地探测，其主动探测方式对作物长势全天候监测具有重要意义。本文利用2013-2014年陕西杨凌区地面同步测量的43组冬小麦生物量、8组裸土土壤含水量和Radarsat-2全极化雷达数据，对冬小麦生物量进行了估算。利用冬小麦返青期、拔节期、抽穗期和灌浆期生物量和雷达植被指数数据进行回归，并分析了不同作物冠层覆盖条件和土壤含水量对雷达植被指数与作物生物量相关性的影响。结果表明：低冠层覆盖条件下雷达植被指数和冬小麦生物量相关关系较差，其受土壤含水量的影响严重；高冠层覆盖条件下其具有较好的相关关系，回归建模的决定系数(R2)为0.51，均方根误差为267.61g/m2。

雷达植被指数；土壤含水量；生物量；冬小麦；Radarsat-2；冠层覆盖度

21世纪开始，高分辨率极化合成孔径雷达(Synthetic Aperture Radar，SAR)卫星(TerraSAR-X，Cosmo-Skymed，Radarsat-2)发射，星载SAR的技术水平和工作性能在不断提高，并向着小型化、多功能、多模式、多星协作工作的方向发展[1]。遥感技术分主、被动探测技术，雷达遥感技术主要使用微波波段的电磁波进行探测，属于主动探测，并且不受天气条件的限制[2]。雷达遥感具有全天时、全天候的监测能力以及对云、雨、大气较强的穿透能力，并且雷达传感器对于植被特性的变化、地表土壤水分和积雪参数十分敏感[3]，是遥感在极端天气条件下获取作物信息的重要手段，它的利用使得农业遥感有了全天候对作物进行监测的能力。全极化SAR卫星，如Radarsat-2，利用合成孔径雷达的方式可以获得更高的地面分辨率和更多的极化方式(HH、HV、VH、VV)，从而对地面目标进行相对高分辨率的监测。影响雷达遥感对地探测的地面因素[4-8]主要有土壤含水量、土壤介电常数、土壤粗糙度参数、植被覆盖等，不同性质的地面目标会使得雷达不同极化通道探测信号的强度表现出差异。多种研究[9-15]表明雷达与生物量、LAI、株高和植被含水量等具有高度相关关系。雷达植被指数(Radar vegetation index，RVI)由Y.J.Kim在文献[16]中提出，它是全极化雷达各个通道进行的一个增强运算后的指数表述，它可以尽量减少作物的结构、雷达入射角、环境影响，适合时间序列的对作物进行描述。RVI实际上是一个关于全极化雷达各个极化的综合表述，因为作物对极化雷达信号极化转换的作用，它描述了作物冠层的特征[11,16]。但是，不同于可见光和近红外的植被指数，雷达所具有的穿透性的特点使得其受多种因素影响(作物冠层、土壤粗糙度、土壤水分等)。因为雷达数据的获取和准确解译相对困难，SAR，特别是全极化SAR在农业遥感中还属于新兴技术，其农业应用还存在一定难度，目前国内对雷达植被指数RVI的研究非常少。2013-2014年在陕西杨凌区展开同步实验，利用冬小麦返青期、拔节期、抽穗期和灌浆期地面同步测量数据和SAR数据进行分析对比，并以小区为单位，对不同土壤含水量的裸土和不同覆盖条件下农田的雷达植被指数进行分析，用雷达植被指数反演作物参数和其所受到的地面影响因素。

1　材料与方法

1.1研究区概况

研究区位于关中平原，陕西省杨凌农业高新技术产业示范区(34.040277°-34.123055°N，107.0861111°-108.1563889°E)，总面积约94km2。研究区是中国重要的冬小麦产区，属于典型的干旱半干旱气候。如图1所示，2013-2014年，联合实验在杨凌农业高新技术产业示范区展开。当地冬小麦种植品种有三种，分别是陕北139、小偃22和西农9871。冬小麦的播种日期为2013年10月5日至10日，收获日期为2014年6月6日至9日。

1.2地面和遥感数据获取与处理

1.2.1地面实验数据与处理

地面实验由数个测量小组在Radarsat-2过境时于杨凌区同步进行，地面测量在WG、SG和JP研究区展开，见图1。其中拔节期12个小区、抽穗期12个小区、灌浆期8个小区，8个收割后测量小区。地面进行了生物量、LAI和土壤含水量测量。

土壤含水量采用土壤水分仪(FieldScout TDR 300 Soil Moisture Meter，Spectrum，USA)进行测量，在小区里均匀选择5个位置，使用20cm探针进行测量。测量后迅速检查数据，若测量结果差异过大，重新测量，最后求平均值作为小区的土壤含水量。本文中，土壤含水量均为体积含水量，单位为%。

冬小麦生物量通过地面采样、烘干后计算获取。由每个采样小区随机选择可以代表整个小区作物群体长势的样本，立即封装，到实验室测量其鲜质量，烘干后测量其干质量，然后根据行距计算其实际生物量。文中生物量单位为g/m2。

图1　研究区域

拔节期、抽穗期和灌浆期由于已经封陇，冬小麦植株已经满足LAI-2000测量仪测量条件。因此，此三个生育期冬小麦LAI均用LAI-2000测量仪测得，然后根据公式(1)计算覆盖度。返青期冬小麦冠层覆盖度获取方法为拍照法。四个生育期内冬小麦冠层覆盖度计算结果如表1所示。通过LAI经验公式计算冬小麦冠层覆盖度的计算公式为：

CC=1-exp(-0.65×LAI)

(1)

表1　遥感影像和同步测量数据

1.2.2遥感数据获取与处理

共获取了同步测量的Radarsat-2影像5期，和一幅有精校正历史的SPOT6全色影像。Radarsat-2数据处理包括(1)辐射校正：利用PLSARpro4.2(来自European Space Agency，https://earth.esa.int/web/polsarpro)软件将Radarsat-2数据DN值转换为后向散射，并根据雷达探测角度进行辐射校正，接着用滤波器进行滤波处理，以减少雷达数据的噪声；(2)几何校正：经过辐射校正的Radarsat-2影像用SRTM 30m Digital Elevation Data(数据来自http://srtm.csi.cgiar.org/)进行正射校正，然后利用ENVI 5.0(ENVI® image processing and analysis software,ITT Visual Information Solutions，USA)软件将Radarsat-2影像与SPOT6影像进行影像配准。

1.3雷达植被指数

在农田区域，雷达发出的电磁波从发射传播至地面再返回的过程中，存在两种情景：(1)当到达裸土区域时，直接与地面发生表面散射，然后返回雷达探测器。(2)到达有作物覆盖的地表时，先在作物冠层发生体散射，这个过程中，作物充当了全极化雷达的极化转换目标。根据作物的情况，会有不同的电磁波穿透作物冠层达到地面，与土壤表面发生表面散射，然后穿透作物返回，被传感器接收。

雷达植被指数是利用全极化SAR的HH、HV、VV极化，进行一个指数增强运算：

(2)

1.4精度评价方法

决定系数(Coefficient of determination)R2和均方根误差(Root Mean Square Error，RMSE)被用来作为评价精度的标准，两种评价指标均可在Excel软件中直接计算。决定系数和均方根误差的计算方法为：

(3)

(4)

其中，Si表示模拟值，Mi表示测量值，n表示样本数目。

决定系数的大小决定相关的密切程度，当R2越接近1时，表示相关的关系越好，参考价值越高；相反，越接近0时，表示相关性不明显，参考价值越低。RMSE是观测值与真值偏差的平方与观测次数n比值的平方根，RMSE越小表示精度越高，越大则表示精度越差；RMSE对一组测量中的特大或特小误差反应非常敏感，能够很好地反映出数据之间的精度。

2　结果与分析

2.1裸土雷达植被指数与土壤含水量变化关系

在高冠层覆盖条件下，雷达的穿透特性使得返回的信号中也包含来自土壤的信息，因此本研究对土壤信号进行分析。如图2所示，散点对应收割后采样小区内土壤含水量与雷达HH、HV、VV极化和RVI的关系，实测裸土后向散射和土壤含水量数据关系表明，雷达各个通道中，HH极化和VV极化均与土壤含水量高度相关，R2分别为0.67、0.62，而HV极化与土壤含水量相关性为0.32，同时RVI相关性为0.78。这表明雷达穿透作物达到地面并返回的一部分信号与土壤含水量高度相关，使RVI一定程度上受土壤含水量影响。

需要指出的是，土壤粗糙度对雷达后向散射强度也有很大影响，但本文此处设置裸土小区目的为分析水分影响，且地块均为农田区域，并未进行土壤粗糙度测量，因此并未进行土壤粗糙度对各个极化和RVI的影响分析。

2.2不同生育期生物量与雷达植被指数关系

图3中，拔节期、抽穗期和灌浆期的生物量采样数据与RVI之间有较好的相关关系。其冠层覆盖度均高于87%(表1)，加上雷达入射角的影响，冬小麦冠层对雷达后向散射的贡献占主要部分。拔节期同步测量时，RVI计算结果为0.7～1.1，生物量在400 g/m2～800 g/m2，数据上存在有干生物量随着RVI变大而增大的趋势；抽穗期同步测量数据显示RVI位于0.85～1.17，而生物量也同步增加到650 g/m2～1 250 g/m2；灌浆期测量结果为1 150 g/m2～1 600 g/m2，RVI同步增加，位于1.02～1.28。以上三个测量结果表现出RVI和生物量良好的正相关关系，即RVI随着测量小区的生物量的增加而变大，拟合关系曲线为y=104.12e2.0492x，R2=0.51，RMSE=267.61 g/m2。这表明，在高度覆盖条件下，利用雷达可以在云雨天气下对冬小麦生物量进行遥感监测。

图4中，曲线simulation是利用上述三个高覆盖时期冬小麦生物量得到的拟合的关系曲线，返青期生物量大致不变，RVI却变化很大，原因是此时冬小麦冠层覆盖度较低(表1，覆盖度为41.6%)，雷达接收到的信号大部分来自土壤，导致图4中RVI与返青期生物量之间的相关关系较低。

图2　实测裸土土壤含水量与雷达通道及RVI的关系

3　讨论

3.1极化雷达新优势在农业应用中的关键问题

极化雷达特性可以满足农业全天候监测的需求，这是可见光和红外遥感所不具有的，雷达数据的极化和穿透特性使得雷达能提取冬小麦冠层的信息。研究表明，雷达植被指数与冬小麦生物量具有良好的相关关系，见图3。在高覆盖条件下，利用RVI对冬小麦生物量进行了分析验证，取得了良好的效果，表明在云雨天气及高冠层覆盖条件下使用雷达监测冬小麦生物量是可行的。

需要指出的是，雷达具有较强的穿透性，即便在高冠层覆盖度的农田进行探测，依然受到土壤的影响。因雷达对水分十分敏感，不同土壤含水量的农田土壤对雷达的影响也不同。因此，在较低覆盖条件下雷达在雨天进行农业作物监测的误差会较大。

图3不同生育期冬小麦生物量与RVI关系

图4不同生育期冬小麦生物量与RVI拟合曲线

3.2雷达植被指数和冬小麦生物量相关性分析

在高冠层覆盖条件下，对雷达植被指数和冬小麦生物量之间的关系进行拟合及相关性分析。根据实验结果，对作物覆盖条件、土壤含水量等对RVI的影响进行分析。

(1)遥感影像上获取的雷达数据来自土壤和作物冠层的贡献之和，其组成比例受到冠层覆盖条件的影响。处理雷达的农田探测数据时，需要考虑雷达影像上土壤的部分影响。

(2)土壤含水量直接对雷达各个极化后向散射产生高相关性的影响，从而导致雷达各个通道后向散射和RVI发生较大变化。本文实测数据土壤含水量为从13%到35%，RVI值出现减小的趋势，RVI从1.19变至0.35。

(3)高覆盖条件的作物RVI与作物生物量相关性非常大。拔节期、抽穗期和灌浆期同步测量时，冬小麦作物覆盖度均超过87%，考虑到雷达入射角，雷达数据中土壤的影响不大。因此，三个生育期同步测量数据中，RVI表现出与生物量明显的正相关关系。

3.3云雨天气影响分析

雷达遥感探测信号自身受云、雨等气象条件的影响较小，但降雨会直接导致土壤含水量增大，因而雷达后向散射强度会发生变化。在雨季使用雷达遥感的方式对作物监测时，如果作物覆盖度低，来自土壤的影响会相对较大，而降雨导致土壤含水量增大，使各个极化内后向散射不同的变化，从而对RVI造成复杂影响。图2中，不同土壤含水量时RVI的变化可以验证这一点。

4　结论

利用雷达植被指数对陕西杨凌区2013-2014年冬小麦生物量进行了相关性分析，对影响雷达植被指数的几个条件进行了分析。

(1)雷达植被指数和拔节期、抽穗期和灌浆期的冬小麦生物量具有较好的相关关系，拟合曲线的R2为0.51，均方根误差为267.61 g/m2。

(2)雷达穿透性使得其在低覆盖条件下受作物下层土壤含水量的影响严重。实际雷达后向散射随土壤含水量增大而增大，之间存在着复杂的非线性关系。在本研究中，雷达HH、HV、VV极化和雷达植被指数与土壤含水量之间的R2分别为0.67、0.62，0.32，0.78。

(3)雷达可以在极端气象条件下获取数据，从而对田间冬小麦完成生物量监测，利用雷达在极端天气来反演作物参数是可行的。

[1]朱良，郭巍，禹卫东.合成孔径雷达卫星发展历程及趋势分析[J].现代雷达,2009,31(4):5-10.

[2]刘伟，施建成，余琴.基于机载极化雷达技术的农作物覆盖区土壤水分估算[J].干旱区地理,2005,28(6):856-861.

[3]施建成，杜阳，杜今阳，等.微波遥感地表参数反演进展[J].中国科学:地球科学，2012(6):814-842.

[4]Anguela T P,Zribi M,Baghdadi N,et al.Analysis of Local Variation of Soil Surface Parameters With TerraSAR-X Radar Data Over Bare Agricultural Fields[J].Ieee transactions on geoscience and remote sensing,2010,48(2):874-881.

[5]Oh Y.Quantitative retrieval of soil moisture content and surface roughness from multipolarized radar observations of bare soil surfaces[J].Ieee transactions on geoscience and remote sensing,2004,42(3):596-601.

[6]Wigneron J P,Calvet J C,Pellarin T,et al.Retrieving near-surface soil moisture from microwave radiometric observations:current status and future plans[J].Remote sensing of environment,2003,85(4):489-506.

[7]Gherboudj I,Magagi R,Berg A A,et al.Soil moisture retrieval over agricultural fields from multi-polarized and multi-angular RADARSAT-2 SAR data[J].Remote sensing of environment,2011,115(1):33-43.

[8]周鹏，丁建丽，高婷婷.C波段多极化SAR反演土壤水分研究[J].新疆农业科学,2010,47(7):1416-1420.

[9]Gao S,Niu Z,Huang N,et al.Estimating the Leaf Area Index,height and biomass of maize using HJ-1 and RADARSAT-2[J].International journal of applied earth observation and geoinformation,2013,24(1):1-8.

[10]Hosseini M,Mcnairn H,Merzouki A,et al.Estimation of Leaf Area Index (LAI) in corn and soybeans using multi-polarization C- and L-band radar data[J].Remote Sensing of Environment,2015,170:77-89.

[11]Kim Y,Jackson T,Bindlish R,et al.Retrieval of Wheat Growth Parameters With Radar Vegetation Indices[J].Ieee geoscience and remote sensing letters,2014,11(4):808-812.

[12]王春梅，余涛，孟庆岩，等.基于全极化雷达数据反演夏玉米覆盖农田表层土壤含水量[J].水资源与水工程学报,2014(2):29-34.

[13]杨沈斌，李秉柏，申双和，等.基于多时相多极化差值图的稻田识别研究[J].遥感学报,2008,12(4):613-619.

[14]杨浩，杨贵军，顾晓鹤，等.小麦倒伏的雷达极化特征及其遥感监测[J].农业工程学报,2014(7):1-8.

[15]李章成，李源洪，周华茂.基于ALOS_PALSAR双极化雷达影像遥感监测水稻的研究——以德阳地区为例[J].西南师范大学学报(自然科学版),2012,37(6):62-67.

[16]Kim Y J,Zyl J J V.A Time-Series Approach to Estimate Soil Moisture Using Polarimetric Radar Data[J].Ieee transactions on geoscience & remote sensing,2009,47(8):2519-2527.

Estimation of winter wheat biomass using Radar Vegetation index

YUE Ji-bo，QI Xiu-dong

(School of Surveying and land Information Engineering,Henan Polytechnic University,Jiaozuo 454000,China)

The active detection of radar remote sensing using microwave bands is the most important means of remote sensing in the extreme weather conditions,it can monitor crop growth at any time.Application of 2013-14 in the Radarsat-2 data of Yangling area of Shaanxi and the ground synchronous measurement data of SAR,the radar vegetation index in winter wheat crop parameter estimation is studied by 43 winter wheat covered and 8 bare soil experimental sections.In order to analyze the effects of different coverage and soil moisture on the radar vegetation index and crop biomass,the winter wheat in low coverage (green period), high coverage (top stage, heading and filling stage) ground synchronous measurement data and SAR data were analyzed and compared. In the area, the radar vegetation index of the bare soil with different soil moisture and different canopy cover is compared. The results show that the radar vegetation index is influenced by the canopy cover and the soil moisture. The crop biomass is positively related to the crop biomass. Therefore, radar vegetation index is high correlation between the crop parameters, but it should be considered in effect of canopy cover and soil moisture content. In our study,R2of the remote sensing retrieval model was 0.51, the root mean square error was 267.61g/m2.

radar vegetation index;soil moisture;biomass;winter wheat;Radarsat-2;canopy cover

2016-03-08

河南省基础与前沿研究(13150090)

岳继博(1992—)，男，河南平顶山人，硕士研究生。

齐修东(1969—)，男，河南周口人，高级工程师。

1674-7046(2016)04-0086-07

10.14140/j.cnki.hncjxb.2016.04.017

TP79

A