陈召霞，徐新刚，徐良骥，杨贵军，邢会敏，贺 鹏

(1.安徽理工大学测绘学院，安徽淮南 232001; 2.北京农业信息技术研究中心遥感技术部，北京 100097;3.国家农业信息化工程技术研究中心遥感技术部，北京 100097)



基于新型植被指数的冬小麦覆盖度遥感估算

陈召霞1,2,3，徐新刚2,3，徐良骥1，杨贵军2,3，邢会敏2,3，贺 鹏2,3

(1.安徽理工大学测绘学院，安徽淮南 232001; 2.北京农业信息技术研究中心遥感技术部，北京 100097;3.国家农业信息化工程技术研究中心遥感技术部，北京 100097)

为提高冬小麦覆盖度估测精度，从增强近红外与红光差别的数学变换原理出发，构建了一种新型植被指数(NDVIn)，再基于2013、2014年冬小麦冠层高光谱和模拟的资源三号卫星宽波段多光谱数据，分别构建基于常规植被指数(NDVI)与NDVIn的冬小麦覆盖度估算模型，然后利用留一交叉验证法对模型精度进行评价。结果表明，当n=6时，新生成的植被指数NDVI6对冬小麦农田覆盖度具有最好的估算性能，利用其基于小麦冠层高光谱及卫星多光谱数据建立的冬小麦覆盖度估算模型的决定系数r2分别为0.84、0.85,RMSE分别为0.092、0.091，模型精度均好于常规指数NDVI的估算结果。说明NDVI6用于估测冬小麦覆盖度具有可行性。

覆盖度；光谱响应函数；NDVI；NDVI6；留一交叉验证法

植被覆盖度是指植被(包括枝、茎、叶)在单位面积垂直投影面积所占百分比[1-3]，是定量描述植被冠层和土壤的相对参数[4]，是描述陆地植被生长状况的直观量化指标[5]。高精度估算区域或全球尺度植被覆盖度信息，对水文、生态、全球变化等研究领域具有重要意义[6]。随着人们对全球变化研究的深入，以遥感手段推算区域尺度乃至全球尺度的植被参数日益成为人们关注的问题。NDVI(Normalized difference vegetation index)是最常用植被指数，它对植被生长势和生长量非常敏感，被广泛地应用于植被变化研究[7]，特别是用于植被覆盖度估算。Wittich等[8]建立了NDVI和植被覆盖度回归模型，并对所选研究区植被覆盖度进行了估算。贾宝全等[7]利用TM卫星影像数据计算出西安市同期NDVI，对植被状况进行了量化分析。刘玉安等[9]采用NDVI像元二分法植被覆盖度估算模型，对淮河上游流域植被进行估算，获得了可信研究结果。尽管应用NDVI监测植被覆盖度取得了一些成效，但NDVI存在着易受土壤背景噪声影响和饱和性问题[10]。

当前，植被指数构建多是基于植被在红光(Red)和近红外(NIR)波段间存在较大反射差异的光谱特征，通过不同波段反射率做一定的数学变换，增强植被信息，同时尽可能弱化非植被特征。基于NIR和Red的二维光谱坐标能够很好地表达土壤、水分和植被光谱空间变化特征，一些用于表征植被或水分的典型植被指数被提出，如垂直植被指数PVI[11]和垂直干旱指数PDI[12]，而用PDI来研究植被水分具有局限性，因此通过PDI和PVI比值变换生成的新植被指数PWI被提出[13]。这几个指数都利用了植被覆盖度在NIR-Red光谱空间中的变化特征，且指数构成都在一定程度上体现了通过相对增强近红外与红光间差别来提高指数敏感性的特点。因此，本研究在借鉴此思路基础上，通过对常规植被指数NDVI作适当变换，尝试构建一种新植被指数NDVIn，用于改进和提高冬小麦覆盖度估测精度。

资源卫星ZY-3号是我国近年发射的新一代陆地资源监测卫星，因重访周期短(3～5 d)，常用的多光谱波段数据空间分辨率较高(达到5.8 m)，已成为当前我国对地资源观测最为重要的遥感数据源之一。本研究应用模拟的ZY-3多光谱数据开展植被覆盖度分析，以期为促进ZY-3数据在农情遥感监测中的进一步推广和应用提供一种可能的新思路和新方法。

1 材料与方法

1.1 研究区概况与数据采集

研究区位于北京市昌平区小汤山国家精准农业示范基地。试验分别于2013年5月8日、5月21日、5月31日和2014年4月21日、5月7日、5月23日进行。由于冬小麦试验田采取了不同施肥处理，不同小区冬小麦长势差异明显，麦田覆盖度由低到高的差异性分布显著，因而所获取覆盖度样本数据具有较好代表性。

冬小麦冠层光谱反射率采用美国ASD公司的Fieldspec-FR Pro2500地物光谱仪测定，测定时天气基本晴朗无云、无风，传感器探头垂直向下，测定时段为北京时间10:00-14:00，其视场角为25°，距离冠层顶端约为1 m，波段范围为350～2 500 nm，重采样间隔为1 nm。每次测量光谱前后立即进行白板校正，每个样点采集10条光谱曲线，取其均值作为该样点的光谱反射率值,共采集240个样本。同时，利用数码照相法直接提取样地小麦覆盖度[14-15]。

1.2 方 法

1.2.1 光谱响应函数模拟

已有研究表明，基于高光谱窄波段反射率的植被指数可以显著提高植被参量估测精度[16-17]。然而，高光谱数据因波段间隔较窄而具有很大的相似性，为了消除这种相似性带来的偶然误差，同时也为了研究利用ZY-3遥感数据提取作物覆盖度，利用其所对应的波段响应函数(图1)，将实测的高光谱窄波段反射率模拟ZY-3相应的宽波段反射率，以探讨ZY-3遥感数据估算覆盖度的潜力。

1.2.2 新植被指数的构建

由于植被对红光的吸收易于饱和，只有近红外反射的增加才能反映植被增加，任何增强近红外和红光差别的数学变换都可以作为植被指数用于描述植被状况[10,12]。事实上，植被覆盖越高，红光反射越小，而近红外反射越大(图2)。在近红外与红光构成的二维光谱特征空间，植被覆盖度变化可很好反映这一特点。程晓娟等[13]基于NIR-Red光谱特征空间构建了比值变换的作物水分指数PWI：

PWI=PDI/PVI=(M×RNIR-RRed)/(RNIR-M×RRed-l)

(1)

式中，RNIR、RRed分别为土壤近红外、红光波段反射率；M为土壤线的斜率；l为土壤线的截距。

图1 ZY-3的光谱响应函数

PWI尽管是以作物水分含量估算为目标，但其构建原理则在某种程度上借鉴了植被覆盖度在NIR-Red光谱空间中的分布变化特征[12-13]。当前，基于像元二分原理利用典型的植被指数NDVI估算植被覆盖度得到了广泛的应用[18-20]，但依然存在着当覆盖度高时NDVI易饱和、覆盖度低时NDVI易受土壤背景影响的问题。基于此，本研究考虑植被指数PWI与NDVI[见公式(2)]公式结构均是NIR与Red反射率的线性关系，同时也为了简化指数构建的复杂性，忽略l值，借鉴植被指数PWI的结构形式，将NDVI做适当变换，通过将NDVI公式分子中的RNIR和分母中的RRed都扩大n倍的方式构建估测覆盖度的新植被指数NDVIn[见公式(3)]。新指数NDVIn的设计既借鉴了指数PWI所体现的覆盖度在NIR-Red光谱空间中的变化分布特征，又结合了植被红光吸收易饱和、近红外反射变化大的特点，通过增强近红外和红光差别的形式来设计植被指数用于描述植被状况的原理[10,12]，因而用于估算覆盖度时可能具有一定的可行性。

NDVI=(RNIR-RRed)/(RNIR+RRed)

(2)

NDVIn=(n×RNIR-RRed)/(RNIR+n×RRed)

(3)

1.2.3 模型建立与验证

本研究随机挑取160个数据作为建模样本集，利用野外实测光谱数据和模拟的ZY-3卫星数据计算出植被指数，再与野外实测的覆盖度进行回归分析。通过以下两种方法对模型进行验证，第一种方法将剩余的80个数据作为验证样本集，得到的RMSE作为评价模型好坏的指标。第二种方法为留一交叉验证法[21]，可以消除随机划分建模样本集和验证样本集带来的偶然误差[22]。即假设有N个样本，将每个样本单独作为测试集，其余N-1个样本作为训练集，这样得到了N个分类器或模型，用这N个结果的平均值来衡量模型的性能。

2 结果与分析

2.1 小麦光谱反射特征及其与覆盖度的相关性

从图2可见，随着小麦覆盖度的增大，红光波段反射率明显减小，而近红外波段反射率逐渐增大，且其变化幅度大于红光波段。裸土光谱反射率在红光波段内明显高于有植被覆盖时的反射率，近红外波段则明显低于有植被覆盖时的反射率。由图3可以看出，红光谱段(600～700 nm)覆盖度与光谱反射率呈较好的负相关，近红外谱段(750～1 000 nm)覆盖度与光谱反射率呈较好正相关，因此，在这些波段范围内考虑建立小麦覆盖度的估算模型。

图2 不同覆盖度水平下植被反射光谱曲线

图3 不同波段光谱反射率与小麦覆盖度的相关系数

2.2 敏感波段的选择

因计算NDVI只用到红光和近红外波段，且植被光谱反射率随植被覆盖度变化的规律在1 000 nm后表现不明显，因此选取600～1 000 nm波段内所有波段并两两组合[14]，求算其NDVI，然后计算NDVI与小麦覆盖度的决定系数r2(图4)。结果显示，红光波段600～726 nm和近红外波段751～1 000 nm内任意两条波段组合计算出的NDVI与小麦覆盖度的相关系数均在0.8以上，且均达极显著水平。决定系数最高的波段组合为692 nm/858 nm。

图4 不同波段组合NDVI与小麦覆盖度决定系数的等值线图

2.3 新植被指数的确定

为了确定n值，利用野外实测光谱数据根据公式(3)计算出NDVIn，然后与野外实测的覆盖度进行相关性分析，得到相关系数r(图5)。图5中横轴步长取0.1，随着n值的增加，新植被指数同实测覆盖度间的相关系数r先增加后减小，在n=6处取得最大值NDVI6。

2.4 模型分析与验证结果

利用野外实测光谱数据和模拟ZY-3卫星数据根据公式(2)分别计算NDVI和NDVI6，再分别与野外实测覆盖度建立模型，拟合方程、r2和第一种验证结果见表1。从表1可知，基于冠层高光谱和模拟ZY-3卫星宽波段多光谱数据生成的新指数NDVI6估算的冬小麦覆盖度模型r2分别为0.84、0.85,建模RMSE分别为0.092、0.091，而基于冠层高光谱和模拟ZY-3卫星宽波段多光谱数据生成的NDVI估算冬小麦覆盖度模型r2都为0.80，建模RMSE都为0.103。可见，新指数NDVI6得到的模型精度均优于常规指数NDVI的估算结果。此外，利用模拟ZY-3多光谱数据生成的植被指数来估算小麦覆盖度优于利用冠层高光谱数据。

利用留一交叉验证法计算得到的建模RMSE为0.105，验证RMSE为0.108，小麦覆盖度的预测值和实测值之间的决定系数为0.80(图6)，两者间的相关性比较高，说明本次试验的数据比较可靠，模型精度较高。

图5 新植被指数NDVIn与小麦覆盖度的相关系数

表1 各模型估算覆盖度误差对照表

**:P<0.01.

图6 FVC真实值与交叉验证获得的预测值之间的相关关系图

3 讨 论

从植被指数构建原理入手，结合PWI的结构模式，将常规植被指数NDVI转换成新植被指数NDVIn，通过与实测小麦覆盖度的相关性分析得出n=6。利用冠层高光谱数据和模拟ZY-3卫星多光谱数据分别构建基于NDVI与NDVI6的冬小麦覆盖度估算模型，然后利用留一交叉验证法对模型精度进行评价。结果显示，基于ZY-3卫星多光谱模拟数据生成的NDVI6与小麦覆盖度建立的模型精度最高，得到的r2、建模RMSE和验证RMSE分别为0.85、0.091和0.110。表明提出的新植被指数NDVI6用于估测冬小麦覆盖度具有可行性，也说明基于ZY-3卫星遥感数据能够得到较高的作物覆盖度反演结果，为卫星遥感对作物覆盖度的监测和推广应用具有重要意义。

本研究新构建的植被指数虽然对小麦覆盖度的估算精度有一定的提高，但提高的幅度并不大，且该方法能否广泛推广到其他作物，有待进一步验证。其次，基于NIR-Red光谱特征空间的作物水分指数PWI可很好地用于小麦植株含水量估算，理论上也可以用于小麦覆盖度的估算，今后将对其开展深入的研究。此外，人们对全球变化的研究越来越重视，以遥感手段推算区域尺度乃至全球尺度的植被覆盖度日益成为人们关注的问题。卫星遥感技术在灾害监测与评估方面具有独特的优势，如何将地面高光谱数据与卫星遥感数据更好的结合将成为今后研究农情遥感监测的重中之重。

[1]GITELSON A A,KAUFMAN Y J,STARK R,etal.Novel algorithms for remote estimation of vegetation fraction [J].RemoteSensingofEnvironment,2002,80(1):76-87.

[2]PUREVDOR J T S,TATEISHI R,ISHIYAMA T,etal.Relationships between percent vegetation cover and vegetation indices [J].InternationalJournalofRemoteSensing,1998,19(18):3519-3535.

[3]瞿 瑛,刘素红,夏江周.照相法测量冬小麦覆盖度的图像处理方法研究[J].干旱区地理,2010,33(6):998-1003.

QU Y,LIU S H,XIA J Z.Image processing methods to determine the fraction cover of winter wheat using digital camera [J].AridLandGeography,2010,33(6):998-1003.

[4]朱 蕾,徐俊锋,黄敬峰,等.作物植被覆盖度的高光谱遥感估算模型[J].光谱学与光谱分析,2008,28(8):1827-1831.

ZHU L,XU J F,HUANG J F,etal.Study on hyperspectral estimation model of crop vegetation cover percentage [J].SpectroscopyandSpectralAnalysis,2008,28(8):1827-1831.

[5]秦 伟,朱清科,张学霞,等.植被覆盖度及其测算方法研究进展[J].西北农林科技大学学报(自然科学版),2006,34(9):163-170.

QIN W,ZHU Q K,ZHANG X X,etal.Review of vegetation covering and its measuring and calculating method [J].JournalofNorthwestA&FUniversity(NaturalScienceEdition),2006,34(9):163-170.

[6]包 刚,包玉海,覃志豪,等.高光谱植被覆盖度遥感估算研究[J].自然资源学报,2013,28(7):1243-1254.

BAO G,BAO Y H,TAN Z H,etal.Hyper-spectral remote sensing estimation for the vegetation cover [J].JournalofNaturalResources,2013,28(7):1243-1254.

[7]贾宝全,邱尔发,张红旗.基于归一化植被指数的西安市域植被变化[J].林业科学,2012,48(10):6-12.

JIA B Q,QIU E F,ZHANG H Q.Xi’an vegetation dynamics based on NDVI [J].ForestResearch,2012,48(10):6-12.

[8]WITTICH K-P,HANSING O.Area-averaged vegetative cover fraction estimated from satellite data [J].InternationalJournalofBiometerology,1995,38(4):209-215.

[9]刘玉安,黄 波,程 涛,等.基于像元二分模型的淮河上游植被覆盖度遥感研究[J].水土保持通报,2012,32(1):93-97.

LIU Y A,HUAGN B,CHENG T,etal.Vegetation coverage in upper Huaihe river basin based on binary pixel model of remote sensing [J].BulletinofSoilandWaterConservation,2012,32(1):93-97.

[10]王正兴,刘 闯,Huete Alfredo.植被指数研究进展:从AVHRR-NDVI到MODIS-EVI [J].生态学报,2003,23(5):979-987.

WANG Z X,LIU C,HUETE A.From AVHRR-NDVI to MODIS-EVI:Advances in vegetation index research [J].ActaEcologicaSinica,2003,23(5):979-987.

[11]RICHARDSON A J,WIEGAND C L.Distinguish in vegetation from soil background information [J].PhotogrammetricEngineeringandRemoteSensing,1977,43(12):1541-1552.

[12]詹志明,秦其明,阿布都瓦斯提·吾拉木,等.基于NIR-Red光谱特征空间的土壤水分监测新方法[J].中国科学(D·地球科学),2006,36(11):1020-1026.

ZHAN Z M,QIN Q M,ABDUWASIT GHULAM,etal.The new method monitoring soil water content based on NIR-Red spectrum feature space [J].ScienceinChina(SeriesD·EarthScience),2006,36(11):1020-1026.

[13]程晓娟,徐新刚,陈天恩,等.基于NIR-Red光谱特征空间的作物水分指数[J].光谱学与光谱分析,2014,34(6):1542-1547.

CHENG X J,XU X G,CHEN T E,etal.The new method monitoring crop water content based on NIR-Red spectrum feature space [J].SpectroscopyandSpectralAnalysis,2014,34(6):1542-1547.

[14]徐 爽,沈润平,杨晓月.利用不同植被指数估算植被覆盖度的比较研究[J].国土资源遥感,2012,95(4):95-100.

XU S,SHEN R P,YANG X Y.A comparative study of different vegetation indices for estimating vegetation coverage based on the dimidiate pixel model [J].RemoteSensingforLand&Resources,2012,95(4):95-100.

[15]李存军,王纪华,刘良云,等.基于数字照片特征的小麦覆盖度自动提取研究[J].浙江大学学报(农业与生命科学版),2004,30(6):650-656.

LI C J,WANG J H,LIU L Y,etal.Automated digital image analyses for estimating percent ground cover of winter wheat based on object features [J].JournalofZhejiangUniversity(Agriculture&LifeSciences),2004,30(6):650-656.

[16]PENG GONG,RUILIANG PU,BIGING,G S,etal.Estimation of forest leaf area index using vegetation indices derives from hyperion hyperspectral data [J].IEEETransactionsonGeoscienceandRemoteSensing,2003,41(6):1355-1362.

[17]KYU-SUNG LEE,WARREN B COHEN,ROBERT E KENNEDY,etal.Hyperspectral versus multispectral data for estimating leaf area index in four different biomes [J].RemoteSensingofEnvironment,2004,91(3-4):508-520.

[18]ZHANG XIANFENG,LIAO CHUNHUA,JONATHAN LI,etal.Fractional vegetation cover estimation in arid and semi-arid environments using HJ-1satellite hyperspectral data [J].InternationalJournalofAppliedEarthObservationandGeoinformation,2013,21:506-512.

[19]GULI JIAPAER,CHEN X,BAO A M.A comparison of methods for estimating fractional vegetation cover in arid regions [J].AgriculturalandForestMeteorology,2011,151(12):1698-1710.

[20]廖春华,张显峰,孙 权,等.基于HJ-1高光谱数据的植被覆盖度估测方法研究[J].遥感信息,2011(5):65-70.

LIAO C H,ZHANG X F,SUN Q,etal.Fractional vegetation cover estimation using HJ-1 spaceborne hyperspectral data [J].RemoteSensingApplication,2011(5):65-70.

[21]冯琦胜,高新华.Excel在留一法交叉验证实验教学中的作用[J].实验科学与技术,2015,13(2):49-65.

FENG Q S,GAO X H.Application of excel in the experiment teaching of leave-one-out cross validation [J].ExperimentScience&Technology,2015,13(2):49-65.

[22]付元元,杨贵军,冯海宽,等.基于高光谱维数约简与植被指数估算冬小麦叶面积指数的比较[J].农业工程学报,2012,28(23):107-113.

FU Y Y,YANG G J,FENG H K,etal.Comparison of winter wheat LAI estimation methods based on hyperspectral dimensionality reduction and vegetation index [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2012,28(23):107-113.

Estimating Vegetation Coverage of Winter Wheat Based on New Vegetation Index

CHEN Zhaoxia1,2,3,XU Xingang2,3,XU Liangji1,YANG Guijun2,3,XING Huimin2,3,HE Peng2,3

(1.Anhui University of Science & Technology Institute of Surveying and Mapping,Huainan,Anhui 232001,China;2.Beijing Research Center for Information Technology in Agriculture Remote Sensing Mintech,Beijing 100097,China;3.National Engineering Research Center for Information Technology in Agriculture Remote Sensing Mintech,Beijing 100097,China)

In order to improve the precision of fractional canopy cover estimations of winter wheat,a new index,NDVIn,was derived by enhancing the difference between red and near-infrared reflectance. By using of canopy hyperspectral data and simulated wide band multi-spectral data of ZY-3 in 2013 and 2014,estimation models were built based on typical NDVI and the new NDVIn. Then,leave one-out cross validation evaluated model.The results showed that NDVInachieved the best performance with annvalue of 6.The model precision of estimating winter wheat coverage based on the new index NDVI6was better than typical NDVI built by using of canopy hyperspectral data and simulated ZY-3 wide band multi-spectral data withr2being 0.84,0.85,RMSE being 0.092,0.091. Likewise,NDVIncan feasibly be used to estimate fractional cover of winter wheat.

Fractional coverage; Spectral response function; NDVI; NDVI6; Leave one-out cross validation

时间：2016-07-07

2016-01-04

2016-02-15

国家自然科学基金项目(41571416)；北京市农林科学院创新能力建设专项(KJCX20150409)；北京市自然科学基金项目(4152019)

E-mail：1553199389@qq.com

徐新刚(E-mail:xxgpaper@126.com)

S512.1；S314

A

1009-1041(2016)07-0939-06

网络出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20160707.1531.032.html