任楓荻,陳圣波,陳彥冰

(吉林大學(xué) 地球探測(cè)科學(xué)與技術(shù)學(xué)院,吉林 長(zhǎng)春 130026)

0 引言

葉面積指數(shù)(Leaf Area Index, LAI)反映單位土地面積上植物葉片的總面積,是反映作物群體特征的重要指標(biāo),是表征植被冠層結(jié)構(gòu)和反映植被長(zhǎng)勢(shì)的重要生理參數(shù)[1,2]。目前進(jìn)行LAI測(cè)量的方法有直接法和間接法兩種。直接法是指使用儀器實(shí)地測(cè)量葉面積指數(shù),結(jié)果較為準(zhǔn)確,但是耗時(shí)耗力,并會(huì)造成葉片組織的損傷,且測(cè)量結(jié)果并不具有普遍代表性,因此,僅僅適用于部分地區(qū)的驗(yàn)證性測(cè)量。間接法是指采用遙感手段進(jìn)行大范圍的植被指數(shù)估算。遙感技術(shù)具有時(shí)空分辨率高、數(shù)據(jù)采集成本低以及可以實(shí)現(xiàn)大面積、寬領(lǐng)域、實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)等優(yōu)勢(shì)[3-4],為估算大范圍植被的LAI提供了有效的技術(shù)手段。

利用間接法獲取葉面積指數(shù)的模型方法分為經(jīng)驗(yàn)?zāi)Ｐ秃臀锢砟Ｐ蛢深?。?jīng)驗(yàn)?zāi)Ｐ褪且?LAI為因變量,以光譜數(shù)據(jù)或其變換形式(例如植被指數(shù))作為自變量建立的估算模型,是目前國(guó)內(nèi)外利用遙感技術(shù)來(lái)估算葉面積指數(shù)的主要方法[5]。隨著遙感衛(wèi)星數(shù)據(jù)的普及,前人利用HJ衛(wèi)星影像生成了HJVI、NDVI、EVI等7種數(shù)據(jù),構(gòu)造了夏玉米LAI的估算模型[6]。還有人采用GF-1和Landsat8遙感影像,開(kāi)展了葉面積指數(shù)的估算研究[7]。根據(jù)遙感影像可以提取植被指數(shù),建立植被指數(shù)與葉面積指數(shù)間的關(guān)系模型，從而估測(cè)LAI。有學(xué)者對(duì)比研究了10個(gè)常見(jiàn)植被指數(shù)與不同生育時(shí)期LAI的相關(guān)性及預(yù)測(cè)性,篩選出預(yù)測(cè)LAI的最佳植被指數(shù)和最優(yōu)模型[8]。在眾多植被指數(shù)中，利用EVI建立的葉面積指數(shù)估算模型的精度優(yōu)于同類植被指數(shù)模型[9]。對(duì)多種常見(jiàn)植被指數(shù)的估算效果進(jìn)行簡(jiǎn)單的回歸分析后得出,用EVI估算LAI是具有較高精度的[10]。物理模型法需要利用大量的物理參數(shù)模擬農(nóng)作物的生長(zhǎng)過(guò)程,適用性比較好,多應(yīng)用于農(nóng)作物物理數(shù)據(jù)豐富、參數(shù)齊全情況下的LAI建模。物理模型方法種類較多,利用PROSAL輻射傳輸模型[11]、建立神經(jīng)網(wǎng)絡(luò)估算模型[12]、采用隨機(jī)森林算法[13]都可以準(zhǔn)確估算所研究作物的LAI。但由于物理模型法需要測(cè)量作物的許多生理物理參數(shù)用作輸入,模型過(guò)于復(fù)雜,難以推廣應(yīng)用。

目前遙感衛(wèi)星影像具有高空間分辨率、高清晰度、信息量豐富及數(shù)據(jù)時(shí)效性強(qiáng)等優(yōu)點(diǎn),可以提供更多地物的細(xì)節(jié)信息,因此針對(duì)衛(wèi)星數(shù)據(jù)的LAI估算模型優(yōu)選和真實(shí)性檢驗(yàn)日益得到重視[14]。前人對(duì)于估算玉米葉面積指數(shù)的研究多為整個(gè)玉米生長(zhǎng)期的綜合研究,而單獨(dú)對(duì)某一時(shí)期針對(duì)性的研究較少,并且適于玉米不同生育期的葉面積指數(shù)估算模型應(yīng)是不同的,鑒于此，我們主要對(duì)玉米花粒期的葉面積指數(shù)估算進(jìn)行了研究。本研究基于吉林省中部地區(qū)玉米花粒期的多種植被指數(shù)與實(shí)測(cè)LAI數(shù)據(jù),提取相關(guān)性較好的植被指數(shù),進(jìn)行線性和非線性相關(guān)分析,構(gòu)建回歸分析模型,最終對(duì)模型進(jìn)行了驗(yàn)證分析,檢驗(yàn)所建模型的適用性和可靠性。

1 研究區(qū)域和數(shù)據(jù)源

1.1 研究區(qū)域概況

本研究的5個(gè)實(shí)驗(yàn)地區(qū)位于吉林省中部,其在吉林省的位置如圖1。吉林省平均每年日照時(shí)數(shù)為2259～3016 h,年平均降水量為400～600 mm,冬季平均氣溫在-11 ℃以下,夏季平原平均氣溫在23 ℃以上。吉林省具有優(yōu)質(zhì)的土壤和豐富的土地資源,光、熱、水分條件可以滿足作物生長(zhǎng)需要,農(nóng)作物以玉米為主。根據(jù)吉林省玉米生長(zhǎng)時(shí)期和氣候條件,玉米于5月初播種,8月上旬進(jìn)入玉米的花粒期,9月下旬逐步進(jìn)入成熟期。

圖1 研究區(qū)的相對(duì)位置圖

1.2 影像數(shù)據(jù)源

本文所用的衛(wèi)星遙感數(shù)據(jù)來(lái)自美國(guó)Planet Labs遙感衛(wèi)星群, Planet Labs(PL)影像有藍(lán)(485 nm)、綠(545 nm)、紅(630 nm)、近紅外(820 nm)4個(gè)標(biāo)準(zhǔn)光譜波段,空間分辨率為3 m。本文采用的遙感影像數(shù)據(jù)對(duì)應(yīng)地區(qū)和日期分別是蛟河市2019年9月11日、永吉縣2019年8月28日和2019年9月14日、舒蘭市2019年9月1日、德惠市2019年9月1日和2019年9月11日，以及農(nóng)安縣2019年9月11日。

1.3 實(shí)測(cè)數(shù)據(jù)

本研究采用地面安裝的農(nóng)情監(jiān)測(cè)設(shè)備傳輸?shù)臄?shù)據(jù),數(shù)據(jù)于2019年8月17日開(kāi)始采集,于2019年9月17日結(jié)束采集。農(nóng)情監(jiān)測(cè)設(shè)備分布在5個(gè)實(shí)驗(yàn)地區(qū)的玉米地塊內(nèi)。該設(shè)備可在每1個(gè)樣點(diǎn)測(cè)量記錄作物的株高、冠層大小、葉片面積等物候信息,后期設(shè)備傳輸?shù)臄?shù)據(jù)計(jì)算出葉面積指數(shù),作為該樣點(diǎn)的有效LAI值。同時(shí)利用GPS定位儀記錄每1個(gè)設(shè)備位置的經(jīng)緯度。

2 研究方法

針對(duì)PL衛(wèi)星遙感數(shù)據(jù),應(yīng)用ENV I5.3軟件計(jì)算出多種廣泛使用的植被指數(shù),結(jié)合實(shí)驗(yàn)地區(qū)玉米的地面實(shí)測(cè)LAI數(shù)據(jù),利用SPSS Statistics 20軟件采用多種回歸模型進(jìn)行LAI估算,對(duì)比不同模型的輸出結(jié)果,并分析不同模型的估算精度,最后篩選出最佳估算模型。

2.1 植被指數(shù)的選取

植被指數(shù)(Vegetation Index, VI)是用兩個(gè)或多個(gè)波長(zhǎng)范圍內(nèi)的地物反射率進(jìn)行線性或非線性組合運(yùn)算,產(chǎn)生某些對(duì)植被長(zhǎng)勢(shì)、生物量等有一定指示意義的專題數(shù)值[15]。本文在建立LAI-VI關(guān)系時(shí),為了探討不同因素對(duì)于估算LAI的影響,選取了比較常見(jiàn)且被廣泛使用的植被指數(shù):增強(qiáng)植被指數(shù)EVI[16]、歸一化植被指數(shù)NDVI[17]、比值植被指數(shù)RVI[18]、優(yōu)化土壤調(diào)節(jié)植被指數(shù)OSAVI[19]以及土壤調(diào)節(jié)植被指數(shù)SAVI[20],以LAI為因變量,以不同類型的植被指數(shù)為自變量,建立LAI估算回歸模型。

在進(jìn)行回歸分析之前,首先在SPSS Statistics 20軟件中依次分析選取的植被指數(shù)與LAI之間的相關(guān)關(guān)系。依據(jù)統(tǒng)計(jì)學(xué)中的相關(guān)規(guī)定,當(dāng)相關(guān)系數(shù)的絕對(duì)值在0.6～0.8時(shí)為強(qiáng)相關(guān)。本文分析了各類植被指數(shù)與實(shí)測(cè)葉面積指數(shù)間的相關(guān)性。由表1可知,玉米的LAI與各植被指數(shù)間的相關(guān)系數(shù)均高于0.6,說(shuō)明這幾種植被指數(shù)均與LAI呈強(qiáng)相關(guān),其中EVI與LAI的相關(guān)性最強(qiáng),SAVI與LAI的相關(guān)性較強(qiáng)，因此本文只選取增強(qiáng)植被指數(shù)EVI和土壤調(diào)節(jié)植被指數(shù)SAVI進(jìn)行研究。選取的植被指數(shù)對(duì)玉米LAI的變化較靈敏,適合構(gòu)建經(jīng)驗(yàn)回歸模型。其中,EVI對(duì)基礎(chǔ)數(shù)據(jù)進(jìn)行了全面的大氣校正,并對(duì)土壤背景的影響作了處理,因此它是綜合處理土壤、大氣、飽和問(wèn)題的植被指數(shù),是對(duì)NDVI的繼承和改進(jìn)。另一植被指數(shù)SAVI的提出主要是用來(lái)減少植被指數(shù)對(duì)不同土壤反射變化的敏感性,有效地降低了土壤背景的影響,改善了植被指數(shù)與葉面積指數(shù)間的關(guān)系。

表1 植被指數(shù)與LAI間的相關(guān)系數(shù)

2.2 植被指數(shù)回歸模型的構(gòu)建

將玉米實(shí)測(cè)LAI與EVI和SAVI這2種植被指數(shù)進(jìn)行相關(guān)分析后,分別應(yīng)用線性、對(duì)數(shù)、二次曲線、冪函數(shù)、S曲線以及指數(shù)形式模型與對(duì)應(yīng)的LAI進(jìn)行回歸擬合,利用判定系數(shù)R2篩選出擬合LAI精度最高的回歸模型。判定系數(shù)的結(jié)果如表2所示。

表2 不同回歸模型的判定系數(shù)

從表2中可以看出：兩種植被指數(shù)作自變量時(shí)擬合效果最好的模型均是二次曲線模型,其次是線性模型；兩種植被指數(shù)相對(duì)比，采用以SAVI作自變量的二次曲線模型的擬合效果又優(yōu)于以EVI作自變量的二次曲線模型。所以在這6種模型中，玉米LAI擬合效果最佳的回歸模型是以SAVI作自變量的二次曲線模型。各植被指數(shù)最優(yōu)的回歸方程如圖2所示。

a為EVI估算的最佳回歸方程。b為SAVI估算的最佳回歸方程。

3 結(jié)果與分析

由表2可以看出，在LAI-VI二次曲線回歸模型建立中,二次曲線回歸模型的R2都大于0.5,具有較好的擬合效果。本文選取5個(gè)實(shí)測(cè)的玉米LAI數(shù)據(jù)作為回歸模型的建模樣本,用剩余的兩個(gè)數(shù)據(jù)作為驗(yàn)證數(shù)據(jù),并利用最優(yōu)回歸模型計(jì)算出樣本點(diǎn)的估測(cè)LAI值。

3.1 模型估算結(jié)果

用于驗(yàn)證的兩個(gè)LAI數(shù)據(jù)分別為4.476和4.524。對(duì)第1個(gè)驗(yàn)證數(shù)據(jù)，利用EVI建立的模型估測(cè)的LAI值為4.581,用SAVI建立的模型估測(cè)的LAI值為4.565;對(duì)第2個(gè)驗(yàn)證數(shù)據(jù)，利用EVI建立的模型估測(cè)的LAI值為4.680,用SAVI建立的模型估測(cè)的LAI值為4.647。說(shuō)明用SAVI估算的玉米LAI值比其他植被指數(shù)的估算結(jié)果更加接近于地面實(shí)測(cè)的LAI值。

3.2 精度驗(yàn)證結(jié)果

本文采用均方根誤差(Root Mean Square Error，RMSE)和相對(duì)誤差(Relative Error，RE)這兩個(gè)指標(biāo)對(duì)所建立的回歸模型進(jìn)行精度驗(yàn)證。其中RMSE是衡量觀測(cè)值與真實(shí)值之間的偏差,常用來(lái)作為模型預(yù)測(cè)結(jié)果衡量的標(biāo)準(zhǔn)。而RE指測(cè)量所造成的絕對(duì)誤差與被測(cè)量真值之比乘以100%所得的數(shù)值,以百分?jǐn)?shù)表示。一般來(lái)說(shuō),RE更能反映測(cè)量的可信程度。

精度驗(yàn)證結(jié)果:以EVI建立的回歸模型驗(yàn)證的RMSE為0.133,RE為2.896%;基于SAVI回歸模型驗(yàn)證的RMSE為0.107,RE為2.352%。在物理意義上當(dāng)RE小于5%時(shí)證明所建模型的估測(cè)精度較高，因此這兩個(gè)模型的估測(cè)精度均較高。各植被指數(shù)模型的RMSE值都小于0.3,說(shuō)明各模型的估測(cè)精度均較高,其中SAVI模型的RMSE最低,只有0.107,故此模型的估測(cè)效果最好。因此,在吉林省中部的這5個(gè)地區(qū)可以利用SAVI植被指數(shù)所建立的二次曲線回歸模型來(lái)估算花粒期玉米的葉面積指數(shù)。

4 小結(jié)與討論

本次研究以吉林省中部5個(gè)地區(qū)為研究區(qū),選取5種常用植被指數(shù)進(jìn)行分析,根據(jù)相關(guān)系數(shù)篩選相關(guān)性較好的兩種植被指數(shù)SAVI和EVI,分別建立6種線性與非線性統(tǒng)計(jì)回歸模型,最終利用判定系數(shù)指標(biāo)來(lái)選取估算葉面積指數(shù)的最優(yōu)回歸模型。結(jié)果表明,擬合精度最高的模型是以SAVI為自變量的二次曲線回歸模型,其估算值與地面實(shí)測(cè)值較為一致,這進(jìn)一步為農(nóng)作物遙感理論研究和應(yīng)用提供了理論依據(jù)。本研究結(jié)果如下：5種常用植被指數(shù)與LAI間的相關(guān)系數(shù)均大于0.6,其中SAVI和EVI與LAI間的相關(guān)系數(shù)居前2位；在以SAVI和EVI這2個(gè)植被指數(shù)作自變量所建立的12種模型中，采用以SAVI作自變量的二次曲線模型估算花粒期玉米葉面積指數(shù)的效果最佳，其方程式為y=17.986x2-14.109x+7.324,相關(guān)系數(shù)為0.728,相對(duì)誤差為2.352%,均方根誤差為0.107，其擬合精度和適用性較強(qiáng),可用于獲取高精度的玉米LAI信息。