0引言

衛星遙感技術目前已被廣泛應用于農業生產中,如土壤普查(包括土地覆蓋和土地利用)、農業資源調查、氣象災害監測以及農作物長勢監測和農作物估產。農作物長勢監測指利用衛星資料對作物苗情、生長狀況及變化的宏觀大面積監測。隨著作物的生長發育,作物葉面積指數由小而大變化,葉片顏色亦發生變化,并引起反射率發生變化,另外不同的水分含量,作物長勢好壞,亦能導致反射率的改變。遙感監測作物長勢,就是根據作物歷,在作物生長期內,通過分析光譜值或植被指數的大小,分析評價作物長勢好壞。

人們同時也發現,傳統的寬波段遙感(MSS,TM)在對作物長勢監測時,由于其波段少、光譜分辨率低,很難反映出自然界各種植被所固有的光譜特性及其差異,容易受外部條件(如植被覆蓋率、葉子顏色和土壤顏色等)影響,因而監測的可靠性受到一定限制。由于高光譜遙感其高光譜分辨率和超多波段的成像光譜數據能解決常規遙感中出現的問題,而且采用高光譜遙感導數光譜技術可以解決遙感數據容易受外部條件影響的問題,因而可以更有效地監測農作物的長勢。

1材料與方法

該研究是在加拿大Saskatchewan省ScottAAFC(加拿大農業與食品部)ACS(加拿大薩省農業試驗區)實驗田里進行的。實驗區分為4個完全相同的實驗小區,每個小區根據3種投入水平分為3小塊,每小塊又由3種作物多樣性水平組成,每6a循環一次(見圖1)。收集了前兩個實驗區2003年生長季前期(6月13日)、生長季旺盛期(7月18日)、生長季后期(8月11日)3個生長季的葉面積指數和遙感數據。葉面積指數是由植物冠層分析儀測量的,遙感數據是由便攜式高光譜儀完成的。并在每次收集數據時對試驗區拍攝數碼照片。光譜數據是取5次測量的平均值,每次測量的數據是10次連讀數據的平均值。葉面積指數是取3次測量的平均值,每次測量包括一次冠層以上測量和5次冠層以下測量。每隔10～15min要對光譜儀進行一次標準白板校正。植物冠層分析儀要在避光處使用,以避免陽光直射。根據統計學樣本要求,繪制小麥、大麥和油菜的平均光譜響應隨波長的變化曲線,來確定遙感監測的最佳時期。我們只對小麥的3種投入水平的調查進行了研究,對葉面積指數與各波段光譜值、一階微分光譜值和不同植被指數進行了Pearson相關分析(見表1),并進一步對與葉面積指數有顯著相關的光譜因子進行逐步回歸分析,然后把實測數據代入方程來檢驗回歸模型的準確性。光譜數據也模擬LandsatTM的紅光和近紅外光波段來計算歸一化植被指數(NDVI),通過方差分析檢驗不同處理下顯著性的差異。光譜數據預處理是由儀器自帶的軟件完成的,統計分析軟件為SPSSv11.5。

圖1ScottAAFCACS試驗田布局

2結果分析

2.1生長季小麥、大麥和油菜的光譜響應

圖2顯示的是小麥、大麥和油菜在生長季的光譜特征。在7月份,3種作物類型都呈典型的植被光譜曲線分布,由于葉綠素的吸收,近紅外波段呈高反射率,紅光波段呈低反射率,而且它們的光譜曲線也有明顯的差異。6月份作物都剛剛拔節,光譜曲線顯示的基本是裸地的光譜響應值,因此它們的曲線都比較接近,沒有明顯的紅光吸收區。8月份的測量是在作物收割前,這時小麥和大麥已經枯黃,所以從可見光到近紅外波段都呈比較平直的曲線,只有油菜還有光合作用在進行。7月應該是利用遙感研究作物的最佳時期,因為在紅光波段的強吸收、中紅外波段的水吸收和近紅外波段植物細胞結構的反射都表征植物達到了最大的光合作用。而小麥的生長階段要比大麥和油菜提前,從光譜曲線上可以看出,6月份光合作用較高,7月份葉綠素的吸收減少,8月份光譜曲線更加平滑。

圖2試驗田中小麥、大麥和油菜在2003年

生長季的光譜響應曲線

1300、1900和2500nm附近的噪聲區被刪除

2.2小麥作物的葉面積指數及其與長勢的關系

小麥為春小麥,觀測時段基本為拔節期、抽穗期和灌漿期,小麥的葉面積指數呈拋物線狀(見圖3),在作物生長前期小,作物生長后期也很小,在作物生長旺盛期(抽穗前期)葉面積指數達最大。

圖3生長季3種處理下小麥的葉面積指數

圖47月份3種處理下小麥的光譜響應曲線

3種處理小麥葉面積指數顯然不一樣:從生長初期到即將收獲,整個狀況是high處理的小麥葉面積指數最大,organic處理的葉面積指數最小,re-duced處理的葉面積指數介于high、organic處理組的兩者之間,顯示出high處理組的小麥長勢好,同時光合作用面積大,勢必最終產量要高;而reduced處理長勢稍差,最后產量要受到影響;由于organic的葉面積指數最小,長勢最差,群體光合作用最小,產量肯定最低(見圖4)。結果顯示,3種處理下的葉面積指數在3個生長階段都有明顯的差異,而光譜差異只在生長季的初期和中期比較顯著,在后期無明顯差異。數碼照片顯示了整個生長季在3種處

理下小麥長勢的差別(見圖5)。從葉面積指數大小可以分析出作物長勢、估計作物產量,因此用遙感資料監測葉面積指數可監測作物長勢和分析估計作物產量。

圖5在3個生長階段3種處理下的小麥長勢

2.3小麥葉面積指數與高光譜數據的關系分析

2.3.1遙感監測小麥長勢的最佳時段

對不同時期的小麥葉面積指數與光譜值進行了相關分析(見圖6),從不同觀測時期小麥葉面積指數與光譜的相關系數來看,7月18日的相關系數值最大,8月11日相關系數值最小,6月13日的相關系數值介于兩者之間,而且6、7月份的相關系數值有規律,在紅光區、近紅外區、黃光區均有較大的吸收或反射區,而8月上中旬的葉面積指數與光譜值之間的相關系數不僅小而且無規律,在紫外區和遠紅光區有較大值,這不符合基本常規,這主要是進入8月后,小麥開始黃熟,葉子枯黃、小麥大量失水,其對光譜的影響遠大于葉面積變化對光譜的影響,使得原有的規律失去。

結果表明,采用遙感資料對小麥長勢進行監測和對產量進行預測的最佳時段在本地區為6月下旬到7月中旬,此時約為拔節至抽穗開花期,葉面積指數值大、正常生長的小麥葉子顏色、水分均正常,監測結果可信,而且此時的監測值對于分析小麥長勢(從而可采取必要的栽培措施提高產量)和估測產量很重要,過早或過遲都難以有效估產或提出有效對策。進入8月以后,小麥進入灌漿后期,小麥顏色和水分均會產生干擾,影響監測的可靠性,而且此時監測意義也不大,因此僅分析7月份的光譜數據。

圖6不同生長季下波長與葉面積指數的相關系數

4條水平線分別表示p=0.05和p=0.01時r的臨界值

2.3.2小麥葉面積指數與原始光譜變量的相關分析

由7月可見光、近紅外光譜與葉面積提取的相關系數(見圖7)可以看出:當波長722nm,光譜反射率與小麥葉面積指數呈正相關,相關系數約在764nm處達到最大,然后在770nm附近,相關系數開始緩慢下降。波長在可見光波段(400～700nm)內(除了520～580nm外)和近紅外(740～924nm),光譜反射率和小麥葉面積指數之間的相關系數達到了顯著性檢驗水平。波長在684nm和764nm處存在著最大相關系數,分別為-0.657

和0.620,其中684nm波長處于紅光波谷中,與其他研究者使用的光譜區域682nm很相近。據此可初步認為,監測小麥葉面積的較佳波段為600～700nm和740～900nm波段范圍內,由此兩個波段構建高光譜各植被指數和相關變量,可監測小麥葉面積指數。

圖77月份可見光、近紅外光譜與葉面積指數的相關系數

2.3.3小麥葉面積指數與一階微分光譜值的相關分析

在550～900nm波段范圍內,一階微分光譜和小麥葉面積指數之間約在552～681、830～900nm(中間振蕩很大)為負相關,在706～755nm為正相關,均達到顯著性檢驗水平,最大相關系數波長發生在631nm處和742nm(見圖8),分別為-0.798、0.769,其中742nm這個波長被認為是葉面積指數和一階微分光譜之間相關系數最大的波長。這個波長是光譜變化最大的位置,位于紅邊范圍。根據分析可以認為,550～680nm和710～760nm為采用一階微分光譜監測小麥葉面積指數的最佳波段,由此兩個波段構建一階微分光譜各個植被指數及變量,可以分析小麥的長勢狀況。

圖87月份一階微分光譜與小麥葉面積指數的相關系數

紅線表示p=0.05時r的臨界值,

藍線表示p=0.01時r的臨界值

2.4監測小麥葉面積指數的變量和植被指數的構建

2.4.1因子選擇

根據前面的分析,紅光波段600～700nm和紅外波段740～900nm可作為監測的依據,為此我們選擇紅光谷、近紅外峰的反射率和其對應的波長作為監測小麥葉面積指數的候選因子;選擇550～680nm和710～760nm光譜范圍內紅光、近紅外的一階微分光譜谷和峰及其對應的波長作為候選因子。紅

邊(680～780nm)峰值及其紅邊位置和紅邊面積是目前研究高光譜監測作物葉綠素、生理活動、生物量等最為常用的因子[7-8],因此本文選取了紅邊峰值(紅邊內一階微分光譜中的最大值)、紅邊位置(紅邊峰值對應的波長)、紅邊面積(紅邊內一階微分總和)作為候選因子。同時本文選擇了比值植被指數、簡單植被指數、歸一化植被指數和對數植被指數作為候選因子。這些因子能否被用于監測小麥的葉面積指數,還必須進行分析。可通過兩個方法:第一是直接進行相關分析,看它們與葉面積指數的相關系數能否通過顯著性檢驗;第二就是用逐步回歸的方法篩選因子,剔除部分因子。

3.4.2因子篩選

根據上面的分析,我們選擇了15個因子,這15個因子都具有一定的物理學意義和生物學意義,采用數學方法進行篩選,最后確定用于監測小麥長勢的因子。首先進行了相關普查,結果見表1。

表1高光譜各個因子與葉面積指數的相關系數

由表1可見,高光譜各個因子與葉面積指數的相關系數除了X3(近紅外光譜740～900nm范圍內最大的光譜值)、X4(近紅外峰對應的波長)、X8(一階微分光譜最大值對應的波長)外都達到了極顯著水平,其中X12(比值植被指數)的相關系數值最大,達到-0.8249,其次為歸一化植被指數。從表1可以看出,根據相關系數的分析,所選大部分高光譜因子的變化與小麥葉面積指數的變化有關,可以用于分析葉面積指數的大小。接著根據相關分析篩選后獲取的各因子,采用逐步回歸的方法選擇因子,顯著性定為0.01,只有一個因子被選取,就是比值植被指數。這就說明其他因子在此分析中做的方差貢獻很小,也說明只需要一個因子就可以分析高光譜對小麥葉面積指數的影響。這是因為理論上來說,用多項式回歸進行分析時,因子之間必須是相互獨立的,而本文中的各因

子之間是相互關聯的,所以只需要選出一個因子,就有代表性。通常會選出相關系數大,F檢驗值大的因子,但若選擇其他有關因子(歸一化植被指數)也是可以的。

2.5小麥葉面積指數的高光譜遙感估算模型

2.5.1模型建立

根據上面的分析,采用單因子的高光譜變量可以分析監測小麥的葉面積指數,因此采用單因子進行分析。從比值植被指數與葉面積指數的關系(見圖9)可以看出,比值植被指數與小麥葉面積指數呈負相

關,比值越小,葉面積指數越大。用線性、對數、指數分別模擬,可以看出指數曲線最好,相關系數為R2=0.732,通過了0.01極顯著檢驗。

圖9比值植被指數與葉面積指數的關系

為此建立了監測小麥葉面積指數的高光譜各因子不同曲線或線性的計算公式,可用于監測小麥的長勢(見表2)。

2.5.2模型驗證

表2顯示,比較好的因子是X12(比值植被指數)和X13(歸一化植被指數),較好的模型是指數模型,相關系數分別是R2=0.732和R2=0.727,方程y=2.3575e-4.8975X12和y=0.082e3.5448X13。進行回代擬合,誤差分別為1.515%和1.32%(見圖10),效果非常好,因此可把它們作為監測地面葉面積指數及長勢的合適模型。

表2高光譜監測小麥葉面積指數模型

圖10比值植被指數與葉面積指數的關系

3結果與討論

結果顯示,高光譜遙感可以用于監測農作物長勢。從生長季的早期到中期,光譜和葉面積指數在不同處理下有顯著差異。7月中期是用遙感資料監測農作物長勢的最佳季節,紅光波段與近紅外波段反射率的比值和基于這兩個波段構造的歸一化植被指數是監測農作物長勢的最佳植被指數。由于結論是基于一個生長季的田間數據得到的,所以結果可能與在不同的生長條件下利用幾年時間得出的結果有所不同(例如季節可能會影響測量時間的選擇)。進一步的研究將測量一些氣象數據來反映生長季的特性,并進行第二次生長季的田間試驗。

審核編輯：湯梓紅