郑阳1,2
,
吴炳方1
,
张淼1
|
收稿日期: 2016-07-15; 优先数字出版日期: 2016-11-03
基金项目: 2013年粮食公益性行业科研专项(编号：201313009-2)；国家重点研发计划项目(编号：2016YFA0600304，2016YFA0600302)；2014年粮食公益性行业科研专项(编号:201413003-7)
第一作者简介: 郑阳(1988— )，男，博士研究生，研究方向为农业遥感。E-mail：
zhengyang@radi.ac.cn
中图分类号: TP701
文献标识码: A
|
摘要
作物生物量快速精确的监测对于农业资源的合理利用与农田的精准管理具有重要意义。近年来，遥感技术因其独特的优势已被广泛用于作物生物量的估算中。本文主要针对不同宽波段植被指数在冬小麦生物量(文中的生物量均是指地上干生物量)估算方面的表现进行探索。首先利用欧洲空间局最新的Sentinel-2A卫星数据提取出17种常见的植被指数，之后分别构建其与相应时期内采集的冬小麦地上生物量间的最优估算模型，通过分析两者间的相关性与敏感性，获取适宜进行生物量估算的指数。最后，绘制了研究区的生物量空间分布图。结果表明，所选的植被指数均与生物量显著相关。其中，红边叶绿素指数(CIre)与生物量的估算精度最高(决定性系数R2为0.83；均方根误差RMSE为180.29 g·m–2)。虽然相关性较高，但部分指数，如归一化差值植被指数(NDVI)等在生物量较高时会出现饱和现象，从而导致生物量的低估。而加入红边波段的指数不仅能够延缓指数的饱和趋势，而且能够提高反演精度。此外，通过敏感性分析发现，归一化差值指数和比值指数分别在作物生长的早期和中后期对生物量的变化保持较高的敏感性。由于红边比值指数(SRre)和MERIS叶绿素敏感指数(MTCI)在冬小麦全生长季内一直对生物量的变化保持高灵敏性，二者是生物量估算中最为稳定的指数。
关键词
Sentinel-2, 冬小麦, 植被指数, 地上生物量, 红边波段
ZHENG Yang1,2
,
WU Bingfang1
,
ZHANG Miao1
Abstract
Crop biomass plays an important role in food security and global carbon cycle, and the timely and efficient monitoring of biomass is crucial for precise and reasonable agricultural management. Recently, remote sensing technique has been proven to be an effective tool for biomass estimation and it can decrease the conduct of field surveys. The European Sentinel-2A satellite was successfully launched in late June 2015.This satellite can provide high spatial resolution (10 m, 20 m, and 60 m) data freely. It uses a thirteen-band spectrum ranging from the visible region to the short-wave infrared region and thus is useful in imaging planted regions with high fragmentation. For this reason, the main objective of this paper is to explore the potential of winter wheat biomass estimation based on the new Sentinel data.In this study, 17 Vegetation Indices (VIs) based on the combinations of canopy reflectance in blue, green, red, red-edge, and near-infrared bands were first derived from the Sentinel-2A imagery in April and May 2016. The Above Ground Biomass (AGB) data collected during the same period were then used for constructing the best-fit relationships between the selected VIs and AGB. The correlation and sensitivity of the relationships between them were then analyzed. Finally, the spatial distributions of the biomass in the study area were mapped through the estimation models.All the tested VIs were nonlinearly and significantly correlated with AGB and generatedR2 ranging from 0.59 to 0.83 and RMSE ranging from 180.29 g·m–2 to 0.289.79 g·m–2. Among these VIs, the red-edge chlorophyll index exhibited superior performance on AGB estimation (R2=0.83, RMSE=180.29 g·m–2), whereas the green chlorophyll index presented the highest estimation accuracy when the red-edge bands were not available (R2=0.81, RMSE=191.15 g·m–2). The scatter-plots between the VIs and AGB showed that several VIs, such as the widely used normalized difference vegetation index, saturate at moderate-to-high biomass stages (higher than 1000g·m–2) mainly because of the strong light absorption of the red band and scattering of the near-infrared band at high LAI levels. In addition, the indices incorporated red-edge bands and thus were more closely related to the biomass compared with the original indices and were able to disrupt the saturation. Sensitivity analysis results indicated that although theR2 and RMSE values of some VIs were similar, the Vis had different sensitivities. For example, the normalized difference indices and ratio indices were more sensitive to biomass variations in the low and moderate-to-high biomass stages, respectively. On the basis of their high predictive ability, high sensitivity, and high degree of linearity, we consider the red-edge simple ratio and MERIS terrestrial chlorophyll index as a stable index for AGB estimation covering the entire growing season.Our research provides a reliable approach for winter wheat biomass estimation using the Sentinel-2A data. Given that the repeat cycle will be shortened to five days when the Sentinel-2B is launched, the Sentinel data with high spatial resolution and enhanced spectral information (including threered-edge bands) is meaningful in precision agriculture, especially in yield and production prediction.
Key words
Sentinel-2, winter wheat, vegetation indices, aboveground biomass, red-edge bands
1 引 言
作物生物量通常是指单位面积内作物累积有机物质的总量，其与长势和单产密切相关，是农业监测中应用最为广泛的指标之一(Atzberger，2013；Peng 等，2014)。此外，作物生物量在全球碳循环中也扮演着重要角色，为农田生态系统碳循环的研究提供关键的输入参数(Du 等，2015；Feng 等，2007)。因此，及时准确的进行生物量估算不仅能够促进农业资源的科学管理和合理利用，而且能够为政府和决策部门提供重要的信息支撑。
传统的生物量估算主要依赖耗时费力的地面调查。近年来，随着遥感技术的发展，越来越多的研究集中在利用遥感数据进行生物量预测，如基于卫星波段反射率或植被指数与生物量间的统计关系模型、基于同化遥感数据的作物生长模型和光能利用率模型等(Ma 等，2008；Du 等，2015；Kross 等，2015)。在这3类模型中，作物生长模型和光能利用率模型由于具备一定的理论基础，使用较为广泛，并取得了较为理想的效果。例如，Ma等人(2008)发现MODIS数据在WOFOST作物模型中的使用，显著提高了冬小麦生物量的预测精度，在成熟期，相对误差由24.4%降低至15.3%；陈劲松等人(2010)利用HJ-1A/B反演的LAI同化进WOFOST模型中进行水稻生物量的反演，在试验区内，生物量估算的均方根误差从64 g·m–2降低到35 g·m–2，Dong等人(2016)则将Landsat 8与MODIS数据融合后得到的高时空分辨率数据同化进Simple Algorithm for Yield Estimation model (SAFY)生长模型，研究发现其估算结果与地面试验结果显著相关(决定性系数R2为0.76；均方根误差RMSE为177 g·m–2)。Meng等人(2013)和Zheng等人(2016)则分别以HJ-1和PROBA-V等卫星数据为基础，结合Carnegie-Ames-Stanford Approach(CASA)光能利用率模型对冬小麦的生物量进行了估算，R2分别高于0.87和0.86，相对误差则分别低于17.2%和16.7%。但同时由于上述两种生物量估算模型均需要较多的输入数据，如气温和土壤养分等，它们的应用也受到很大的制约，而统计模型因其较为简单和方便而被多位学者使用。谭昌伟等人(2011)以Landsat TM为数据源，比较了NDVI、Soil Adjusted Vegetation Index (SAVI)和Normalized Difference Water Index (NDWI)等指数反演冬小麦生物量的精度，并以此为基础，制作了生物量遥感监测专题图。Kross等人(2015)利用RapidEye数据分析了NDVI、red-edge NDVI (NDVIre)和Modified Triangular Vegetation Index 2(MTVI2)等7种宽波段指数与大豆和玉米生物量的相关性，得出NDVIre与生物量的相关性最高(R2能够达到0.78)，且当生物量达到800 g·m–2时，NDVI等指数逐渐饱和。而为延缓部分指数饱和效应，陈鹏飞等人(2010)在光谱分析基础上构建的Red-edge Triangular Vegetation Index (RTVI)在高生物量条件下依然保持高度的灵敏性且具有较高的估算精度，R2为0.96。Bao等人(2009)探索了利用NDVI、Enhanced Vegetation Index(EVI)和Renormalized Difference Vegetation Index(RDVI)等指数在不同尺度上进行冬小麦生物量估算的可行性。Jin等人(2015)则通过分析发现MTVI2相较NDVI和EVI等与生物量的相关性更强，决定性系数分别为0.72和0.70，均方根误差为198.65和227.41 g·m–2。近年来，一些叶绿素相关指数和红边指数，如MERIS Terrestrial Chlorophyll Index (MTCI)，red-edge Chlorophyll Index (CIre)和green Chlorophyll Index (CIgreen)已经被证实与作物叶绿素含量密切相关(Gitelson 等，2005；Gitelson 等，2003；Wu 等，2008)，而叶绿素是绿色植物吸收光合有效辐射，进行光合作用的重要成分，其对生物量的形成至关重要。因此，上述两种指数也应具备对作物生物量进行估算的潜力。但由于受到星载传感器等因素的制约，大部分卫星数据均未包含红边波段，导致这些指数在实际应用中具有很大的局限性。
在过去数十年中，为了完善对地观测系统，许多国家和国际组织根据不同的需求相继提出了各自的卫星计划。如中国的环境星(FY)和高分卫星(GF)系列，美国的Landsat系列和Terra/Aqua卫星，欧洲的SPOT系列卫星等，这些卫星获取的数据在相关领域发挥了重要作用，并取得了诸多成果。欧空局(ESA)于近年启动了哥白尼计划(Drusch 等，2012)，预期通过发射一系列Sentinel卫星，提高森林状况和土地利用的监测水平以及增强灾害的管理能力。其中，Sentinel-2属光学遥感卫星，能够提供高空间分辨率(10 m、20 m和60 m)的多光谱数据(13个波段)，且其特意在红边区域设置了3个波段，为植被监测提供了更多的波段选择。Sentinel-2共包含两颗卫星，Sentinel-2A已于2015年6月下旬成功发射，并于当年年底免费对外发布数据，Sentinel-2B定于2017年发射，如果双星同时运行，其重访周期将缩短至5天，从而极大的增强对地观测的能力。
本文通过构建由Sentinel-2数据提取的17种宽波段植被指数，特别是叶绿素相关指数和红边指数与冬小麦地上生物量间的最优拟合模型，并对二者进行相关性和敏感性分析，探讨适宜进行生物量估算的指数，为作物长势和单产的监测以及精准的田间管理提供科学依据。
2 研究区与数据
2.1 研究区概况
本研究的试验区位于河北省馆陶县(中心经度为115°23′00″，中心纬度为36°37′00″)和禹城市(中心经度为116°33′30″，中心纬度为36°56′40″)，如图1所示。馆陶县属于典型的暖温带半湿润大陆性季风气候，日照充足，雨热同期，干冷同季，全年日照时数约为2557 h，年平均气温和降雨分别约为13.3 ℃和555.5 mm。禹城市属暖温带大陆季风气候，四季分明，干湿季节明显，年平均气温13.3 ℃，年平均降水量555.5 mm，年平均无霜期约202 d，全年日照时数约为2546 h。两个研究区均属灌溉农业，具备华北平原的种植特征，主要施行冬小麦与夏玉米的轮作模式，其中，冬小麦一般在10月份种植，次年6月份收获。
2.2 数据收集
2.2.1 生物量采集
由于在两个试验区的采样方法具有一定的相似性，下面仅以馆陶县的采样过程为例进行具体说明。在2016年冬小麦的生长关键期内开展了两次地面试验：4月23至24日(孕穗期)和5月15至16日(开花期)。采集的数据主要包括地上生物量AGB(Above Ground Biomass)和叶面积指数LAI(Leaf Area Index)等。对于生物量的采样，本文分为3个层次，即采样区(样区)、样方和采样点(样点)，其中，每个样区包含5个样方，每个样方包含5个样点。具体采样步骤为首先在面积较大且相对均质的农田中任意选取25个样区，并在每个样区的四角和中心设置5个10 m×10 m大小(对应Sentinel-2A影像像元)的样方，通过Trimble手持GPS记录相应的坐标信息，其后在每个样方的四角和中心共布设5个0.5 m×0.5 m的样点(图1)，收集样方内所有样点冬小麦的地上部分(含茎、叶和穗)，在实验室内将其先在105 ℃高温条件下杀青1小时，再在80 ℃恒温条件下烘干24小时至恒重，称其重量，依据样方中样点的总面积，计算出每平方米的地上干生物量(g·m–2)，作为不同样方的生物量测量值。每次试验，能够获取125个样方的生物量观测值(与影像上125个像元相对应)，通过两次试验，共搜集到250个观测值，由于同时期Sentinel-2影像受云等不利因素的影响，可用于建模的数目只有150个。在禹城试验区内同样开展了2次观测试验：4月16至18日以及5月17至19日，采样步骤与上述类似，不同之处在于在禹城只设置了5个样区，通过两次试验，共得到50组地面观测数据。由于馆陶试验区的观测数据较多，本文使用馆陶的采样数据用来构建生物量估算模型，并通过禹城的观测数据对模型进行验证。
2.2.2 Sentinel-2数据
Sentinel-2卫星获取的多光谱数据包含13个波段，不同波段的空间分辨率也略有不同，其中4个波段(中心波长分别为490 nm、560 nm、665 nm和842 nm)的空间分辨率为10 m，6个波段(中心波长分别为705 nm、740 nm、783 nm、865 nm、1610 nm和2190 nm)的分辨率为20 m，其余3个波段(中心波长分别为443 nm、945 nm和1375 nm)的分辨率为60 m(表1)。本文根据地面试验开展的时期，在两个试验区选取了相近时间段内云量较少、质量较好的3幅影像用于后续研究，获取时间分别为2016年4月13日、4月30日和5月13日。
表 1 Sentinel-2A卫星的部分参数信息
Table 1 The characteristic of Sentinel-2A
| 波段号 | 中心波长/nm | 波段宽度/nm | 空间分辨率/m |
| 1 | 443 | 20 | 60 |
| 2 | 490 | 65 | 10 |
| 3 | 560 | 35 | 10 |
| 4 | 665 | 30 | 10 |
| 5 | 705 | 15 | 20 |
| 6 | 740 | 15 | 20 |
| 7 | 783 | 20 | 20 |
| 8 | 842 | 115 | 10 |
| 8b | 865 | 20 | 20 |
| 9 | 945 | 20 | 60 |
| 10 | 1375 | 30 | 60 |
| 11 | 1610 | 90 | 20 |
| 12 | 2190 | 180 | 20 |
3 研究方法
3.1 Sentinel-2数据处理
Sentinel-2A产品通过ESA的数据共享网站进行下载(下载网址：[2016-07-25]https://scihub.coper-nicus.eu/s2/ #/home)，所有数据均为已经经过几何校正处理过的L1C大气顶反射率数据。因此，只需再对其进行大气校正，得到地表反射率即可，该数据的大气校正需要在ESA提供的SNAP软件中完成。如上所述，Sentinel-2数据各个波段的空间分辨率有所不同，本文使用最近邻插值法，将处理后的各波段重采样至10 m。最后，根据表2中的公式，通过波段运算，推算出相应的植被指数。由于Sentinel-2包含3个红边波段，而根据相关的研究表明705 nm处的反射率与叶绿素含量间的相关性优于740 nm和783 nm处的反射率，因此，本文选取中心波长在705 nm的波段作为计算中的红边波段。由于RTVI的提出是基于高光谱数据，而Sentinel-2中并不存在750 nm和730 nm的波段，因此，分别使用740 nm和705 nm处的反射率代替原指数中750 nm和730 nm处的反射率。同时，为了尽可能的与地面采样时间相对应，将通过4月13日和30日影像提取的指数进行插值分别得到馆陶县4月23—24日的植被指数和禹城市4月16—18日的指数。
表 2 文中选用的植被指数
Table 2 Vegetation index selected in this study
| 植被指数 | 计算公式 | 参考文献 |
| Green Chlorophyll Index (CIgreen) |
|
(Gitelson 等，2005) |
| red-edge chlorophyll index (CIre) |
|
(Gitelson 等，2005) |
| Enhanced Vegetation Index (EVI) |
|
(Huete 等，2002) |
| optimized soil adjusted vegetation index (OSAVI) |
|
(Rondeaux 等，1996) |
| Modified Triangular Vegetation Index 2 (MTVI2) |
|
(Haboudane 等，2004) |
| Enhanced Vegetation Index 2 (EVI2) |
|
(Jiang 等，2008) |
| modified NDVI (mNDVI) |
|
(Sims和Gamon，2002) |
| modified red-edge NDVI (mNDVIre) |
|
(Sims和Gamon，2002) |
| Modified Simple Ratio(MSR) |
|
(Chen 等，1996) |
| Modified red-edge Simple Ratio (MSRre) |
|
(Wu 等，2008) |
| MERIS Terrestrial Chlorophyll Index (MTCI) |
|
(Dash和Curran，2004) |
| Normalized Difference Vegetation Index (NDVI) |
|
(Rouse 等，1974) |
| Red-edge NDVI (NDVIre) |
|
(Gitelson和Merzlyak，1997) |
| Simple Ratio(SR) |
|
(Jordan 等，1969) |
| Red-edge Simple Ratio (SRre) |
|
(Sims和Gamon，2002) |
| Wide Dynamic Range Vegetation Index (WDRVI) |
|
(Gitelson 等，2004) |
| Red-edge Triangular Vegetation Index (RTVI) |
|
(陈鹏飞 等，2010) |
| 注：ρnir，ρred，ρgreen，ρblue和ρred-edge分别表示近红外、红、绿、蓝和红边波段的反射率。 | ||
3.2 生物量估算及评价
利用Matlab 2013中的Curve Fitting tool中的实现3.1中所提取的不同指数与生物量间的最优拟合。具体来说，首先利用一些常用的拟合方法，包含线性和非线性(二项式、指数、幂数和对数)等拟合函数，分别构建不同植被指数与生物量间的相关关系，其后，对于每种指数，通过比较和分析使用不同拟合方法拟合的该指数与生物量间的相关性，从中选取与生物量相关性最好的拟合方法，作为二者间的最优拟合模型。之后，选用决定性系数(R2)和均方根误差(RMSE)对不同指数与生物量间的最优拟合结果进行初步的精度评价，分析这些指数与生物量间的相关性。最后，利用禹城的观测数据作为验证样本对所构建的生物量估算模型进行精度验证及评价。当最优拟合为非线性时，如果只使用R2和RMSE评价可能会导致一定的误导性，因此，采用地上生物量估算的等效噪声NEΔAGB Noise Equivalent AGB作为敏感性分析指标(式(1))(Nguy-Robertson 等，2012；Gitelson 等，2014)，用于植被指数与生物量间拟合关系的稳定性和敏感性分析。
| ${\rm{N}}{{\rm{E}}_{\Delta {\rm{AGB}}}} = {\rm{RMSE}}\left( {{\rm{VI}}{\rm{vs}}{\rm{AGB}}} \right)/\left[ {{\rm d}\left( {{\rm{VI}}} \right)/{\rm d}\left( {{\rm{AGB}}} \right)} \right]$ | (1) |
式中，RMSE (VI vs AGB)表示植被指数关于生物量最优拟合函数的均方根误差，d(VI)/d(AGB)表示的是植被指数关于生物量的最优拟合函数对生物量的一阶导数。
4 结果分析
4.1 相关性分析
文中所选植被指数与生物量的最优拟合结果如表3所示，由此可以得出，所有指数均与生物量呈显著的非线性相关关系，且R2介于0.56和0.83之间，RMSE介于180.29 g·m–2和289.79 g·m–2之间。其中，CIre的表现优于其他指数(R2=0.83，RMSE=180.29 g·m–2)，SRre、MSRre、CIgreen、MTCI、MSR、NDVIre、NDVI、EVI、SR、OSAVI、EVI2、MTVI2、WDRVI、RTVI、mNDVIre和mNDVI的估算精度依次降低，而除mNDVIre外，叶绿素相关指数和红边指数与生物量间的相关性普遍高于其他植被指数。值得注意的是，RTVI与生物量间的R2低于NDVI、OSAVI和MTVI2等指数，这与陈鹏飞等人(2010)的研究结果并不一致，主要原因是由于本文以705 nm处的反射率替代了原RTVI中730 nm处的反射率，从而使得该指数灵敏性下降，导致相关性降低。由此可见，反射率位置的变化将会在很大程度上影响估算结果的精度。根据使用的波段来看，在所有红边指数中，CIre具有最优的反演精度，在无红边存在的情况下，CIgreen与生物量的相关性最好(R2=0.81，RMSE=191.15 g·m–2)，而在基于近红外和红光波段构成的指数中，MSR的估算精度最高(R2=0.77，RMSE=207.90 g·m–2)。
表 3 植被指数与生物量的相关性：x和y分别表示植被指数与地上生物量
Table 3 Correlations between VIs and AGB:x andy represent VIs and AGB, respectively
| 植被指数 | 最优拟合函数 | R2 | RMSE/(g·m–2) |
| CIre | y=1052.18ln(1.25x)–645.72 | 0.83 | 180.29 |
| SRre | y=1914.08ln(0.26x)+795.66 | 0.82 | 183.90 |
| MSRre | y=1681.21exp(0.34x)–1785.69 | 0.81 | 187.33 |
| CIgreen | y=1189.76ln(1.38x)–1657.25 | 0.81 | 191.15 |
| MTCI | y= 1547.39ln(1.37x)–1972.85 | 0.78 | 202.17 |
| MSR | y=266.86exp(0.36x) | 0.77 | 207.90 |
| NDVIre | y=95.13exp(3.66x)–64.98 | 0.75 | 218.12 |
| NDVI | y=44.62exp(4.15x)+20.36 | 0.73 | 226.57 |
| EVI | y=130.72exp(1.01x)–92.68 | 0.71 | 234.03 |
| SR | y=661.58ln(0.79x)–249.72 | 0.71 | 235.87 |
| OSAVI | y=59.21exp(3.63x)–19.81 | 0.69 | 241.23 |
| EVI2 | y=127.18exp(3.19x)–118.69 | 0.66 | 252.28 |
| MTVI2 | y=334.28exp(1.81x)–277.17 | 0.63 | 263.19 |
| WDRVI | y=258.32exp(1.34x)–19.73 | 0.63 | 266.26 |
| RTVI | y= 255.07exp(0.42x)–30.52 | 0.61 | 272.34 |
| mNDVIre | y=313.87exp(1.89x)–26.34 | 0.59 | 277.88 |
| mNDVI | y=18.70exp(4.53x)+40.06 | 0.56 | 289.79 |
图2展示了部分植被指数(R2高于0.60)与生物量间的散点图，从图2中能够看出，NDVI，EVI，EVI2，MTVI2，WDRVI，OSAVI和NDVIre等与生物量呈指数相关，而MTCI，CIgreen，CIre，SRre和MSRre等与生物量更趋于对数相关。为了评估NDVIre，mNDVIre，SRre和MSRre等红边指数和NDVI，mNDVI，SR和MSR等原始指数在生物量估算方面的差异，采用R2和RMSE的相对变化(R2相对变化率=|R2hb–R2ys|/R2ys，RMSE相对变化率=|RMSEhb–RMSEys|/ RMSEys)做进一步分析，结果如图3所示。由图中可以得到，红边波段的加入均提高了原始植被指数的生物量估算精度，其中，NDVI，mNDVI和MSR与生物量间的R2增加约2%—10%，RMSE则降低约2%—7%，而其对于SR估算精度提高的贡献最大(R2和RMSE增幅和降幅均超过15%)，这主要是由于在植被的光谱信息范围内，作物冠层反射率在红边部分变化较快，从而导致红边信息对叶绿素含量变化具有明显的响应(Viña 等，2011；Nguy-Robertson 等，2012)，使得红边区域包含更多用于对生物量变化进行探测的信息，进而提高了估算精度。
通过验证样本，对表3中的生物量估算模型的验证结果如表4所示，从中可以看出，所有模型的估算结果均与实测生物量显著相关，表明它们均具备一定的外推能力。其中，CIre的估算精度最高(R2=0.84，RMSE=168.34 g·m–2)，从而进一步证实其相较于其他指数，CIre更适于小麦生物量的反演。而mNDVI的估算精度依然最低(R2=0.66，RMSE=376.50 g·m–2)。对于mNDVIre，验证结果表明其对生物量的精度有明显提高(R2=0.76，RMSE=276.85 g·m–2)。
| 植被指数 | R2 | RMSE/(g·m–2) | 是否显著性相关 |
| CIre | 0.84 | 168.34 | 是 |
| SRre | 0.83 | 177.83 | 是 |
| NDVIre | 0.82 | 197.73 | 是 |
| CIgreen | 0.82 | 101.15 | 是 |
| MTCI | 0.80 | 226.95 | 是 |
| MSRre | 0.79 | 231.96 | 是 |
| MSR | 0.76 | 275.25 | 是 |
| mNDVIre | 0.76 | 276.85 | 是 |
| EVI2 | 0.75 | 291.15 | 是 |
| NDVI | 0.74 | 301.35 | 是 |
| SR | 0.72 | 313.87 | 是 |
| OSAVI | 0.71 | 321.23 | 是 |
| MTVI2 | 0.70 | 333.19 | 是 |
| WDRVI | 0.70 | 345.00 | 是 |
| EVI | 0.69 | 350.55 | 是 |
| RTVI | 0.68 | 363.15 | 是 |
| mNDVI | 0.66 | 376.50 | 是 |
4.2 敏感性分析
对于非线性拟合，如果只采用R2和RMSE进行相关性评价，将会呈现出一定误导性。如图2所示，虽然一些拟合结果的R2和RMSE差异不大，但拟合曲线的形状却并不相同。例如，NDVI与生物量间的拟合曲线随着生物量的逐渐增加，斜率逐渐变小，在超过1000 g·m–2时，曲线斜率几乎趋近于0，此时NDVI趋于饱和(图2(h))。OSAVI，EVI2，MTVI2和WDRVI等指数也具有相似的表现，尽管它们的饱和点相比NDVI有所滞后(图2(k)—(n))。这是由于在作物冠层密集时红光波段的吸收较强，而近红外波段的反射较强，从而使基于这两个波段构成的指数产生饱和效应。因此，虽然相关性较高，但由于这类指数将会导致作物生长中后期(生物量较高时)生物量出现低估，使得其并不适于高生物量时的估算。而MSRre，SRre和CIs(CIgreen和CIre)几乎与生物量呈线性相关，表明这类指数相比NDVI等更适合在作物中后期对生物量反演。
为了进一步评价图2中所展示的指数在生物量估算中的表现，使用NEΔAGB进行敏感性分析。图4显示了不同指数的NEΔAGB变化过程。总体来说，NEΔAGB的变化呈现出两个相反的趋势，且在600—1000 g·m–2相交。具体来说，NDVI，NDVIre与mNDRIre等归一化差值指数在生物量低于1000 g·m–2时保持较高的敏感性，其后敏感性迅速下降。与此相反，CIs，SR和SRre等比值指数在生物量高于1000 g·m–2时敏感性逐渐升高。因此，在只有近红外和可见光波段存在的情况下，WDRVI和CIgreen分别适于在生物量较低和较高时的估算。而考虑到MTCI和SRre较强的预测能力，且对生物量变化一直保持较高的灵敏性，二者被认为是冬小麦全生长季内进行生物量估算最稳定的指数。此外，由于在生物量较高时，NDVI的NEΔAGB曲线斜率大于NDVIre的NEΔAGB斜率，表明红边波段相比红光波段对高生物量的变化更加敏感，且能够延缓指数的饱和效应。
5 讨论与结论
5.1 讨论
上述研究结果表明经由Sentinel-2A提取的宽波段植被指数，特别是叶绿素相关指数和红边指数在小麦生物量估算中具有很强的应用潜力。由于NDVI，MTVI2，NDVIre，WDRVI等归一化差值指数和CIs，SR，SRre等比值指数分别具有在作物生长早期和中后期对生物量变化较为敏感的特性，因此，使用类似于Nguy-Robertson等人(2012)在LAI估算中提出的组合指数方法来提高生物量反演精度是一个可行的思路，即在作物生长的前期和中后期，分别使用这两类指数进行生物量的计算。例如，在只有近红外和红光波段可用的情况下(如MODIS 250 m、SPOT-VGT和PROBA-V数据)，使用WDRVI和SR的组合，如果同时有绿波段(如Landsat、MODIS 500 m、GF-1以及GF-2数据)，WDRVI和CIgreen为最优组合。如果红边波段也存在(如Sentinel-2、RapidEye和HYPERION数据)，则NDVIre和CIre的组合更适于生物量的估算。
同时，通过敏感性分析发现，NDVI等差值指数在冬小麦生长早期对生物量的变化较为敏感，但在中后期会出现饱和效应，从而导致生物量低估，而SR等比值指数则呈相反的趋势，在低生物量时敏感性低，在高生物量时敏感性升高，从而导致生物量高估。因此，这两类指数并不适于在全生长季内对生物量进行估算。而相较于上述指数，MTCI和SRre对生物量具有较好的预测能力且在冬小麦整个生长季内一直保持较高灵敏性，这两种指数可用于构建统一的模型对小麦不同生长阶段的生物量进行估算。
本文中采用的部分植被指数是基于高光谱数据发展而来的，文中将其作为宽波段植被指数进行了应用。尽管研究中已经使其尽可能与高光谱指数中所使用的反射率保持一致，但由于宽波段指数与高光谱指数中所使用的反射率位置不能保证完全相同，因而，二者在生物量估算方面的表现也有所差异，如本文中使用的RTVI与生物量间的R2低于其他指数，这与陈鹏飞等人(2010)的研究结果并不相同，一个重要的原因可能是由于本文以705 nm处的反射率替代了原RTVI中730 nm处的反射率，从而使得该指数灵敏性下降，导致其与生物量的相关性降低。Gnyp等(2014)则发现在水稻各个的生育期，通过窄波段组合形成的SR和NDVI能够有效的提高水稻地上生物量的预测精度。因此，对于高光谱指数在宽波段遥感数据中的使用还有待进一步研究。
最后，由于本文只在馆陶进行了生物量估算模型的构建，并在禹城进行了验证。虽然在这两个研究区内取得了较好的效果，但由于采样数据和影像数据的局限性，如采样的时间间隔，样区的数量及位置和云等因素对影像质量的影响等，都会对生物量估算模型构成一定的影响。因此，模型的普适性未得到充分且有效验证，未来计划布设更多的研究区，并增加地面观测的频次，获取更多的地面采样数据和影像数据，用以更好的构建生物量估算模型以及对模型的普适性进行更深入的分析。
5.2 结论
本文的主要目的是探究不同宽波段植被指数在冬小麦生物量估算方面的表现。为此，利用Sentinel-2A数据提取出17种常见植被指数，建立其与小麦地上生物量间的最优拟合模型，并分析这些指数与生物量间的相关性与敏感性。得到如下结论：
研究中所选取的植被指数均与冬小麦地上生物量呈显著的非线性相关关系(0.56≤R2≤0.83；180.29 g·m–2≤R2≤289.79 g·m–2)。其中，CIre的估算精度最高(R2为0.83，RMSE为180.29 g·m–2)，而在无红边波段存在的指数中，CIgreen的精度最高(R2为0.81，RMSE为191.15 g·m–2)。虽然相关性均较高，但也应注意到，在生物量较高时(1000 g·m–2)，部分指数，如NDVI、WDRVI和MTVI2等基于近红外和红光波段构成的归一化差值指数几乎不再随生物量发生变化，此时这些指数的使用需要予以特别的关注。
此外，通过对估算结果的比较和敏感性分析，发现红边指数(NDVIre、mNDVIre、SRre和MSRre)相比原始植被指数(NDVI、mNDVI、SR和MSR)对生物量具有更高的反演精度，且红边波段的加入在一定程度上延缓了相关指数的饱和效应，表明红边波段能够在一定程度上提高生物量的估算精度，红边指数更适于作物生物量的监测。
本研究仅探讨了Sentinel-2A数据在冬小麦地上生物量估算方面的潜力，但由于该数据具备高时空分辨率，且含有红边波段等优势，未来其必将能够在诸如叶面积指数、叶绿素含量等作物生理生化参数监测方面发挥重要的作用。此外，由于生物量与单产关系密切，本研究对于作物单产的预测也具有一定意义。
志 谢 衷心感谢欧洲空间局提供的Sentine-2A数据及SNAP处理软件以及河南大学张喜旺等协助进行的地面观测试验！
参考文献(References)
-
Atzberger C. 2013. Advances in remote sensing of agriculture: context description, existing operational monitoring systems and major information needs. Remote Sensing, 5 (2): 949–981. [DOI: 10.3390/rs5020949]
-
Bao Y S, Gao W and Gao Z Q. 2009. Estimation of winter wheat biomass based on remote sensing data at various spatial and spectral resolutions. Frontiers of Earth Science in China, 3 (1): 118–128. [DOI: 10.1007/s11707-009-0012-x]
-
Chen J M. 1996. Evaluation of vegetation indices and a modified simple ratio for boreal applications. Canadian Journal of Remote Sensing, 22 (3): 229–242. [DOI: 10.1080/07038992.1996.10855178]
-
Chen J S, Huang J X, Lin H and Pei Z Y. 2010. Rice yield estimation by assimilation remote sensing into crop growth model. Scientia Sinica Informations, 40 (S1): 173–183. ( 陈劲松, 黄健熙, 林珲, 裴志远. 2010. 基于遥感信息和作物生长模型同化的水稻估产方法研究. 中国科学: 信息科学, 40 (S1): 173–183. )
-
Chen P F, Tremblay N, Wang J H, Vigneault P, Huang W J and Li B G. 2010. New index for crop canopy fresh biomass estimation. Spectroscopy and Spectral Analysis, 30 (2): 512–517. [DOI: 10.3964/j.issn.1000-0593(2010)02-0512-06] ( , , , , , . 2010. 估测作物冠层生物量的新植被指数的研究. 光谱学与光谱分析, 30 (2): 512–517. [DOI: 10.3964/j.issn.1000-0593(2010)02-0512-06] )
-
Dash J and Curran P J. 2004. The MERIS terrestrial chlorophyll index. International Journal of Remote Sensing, 25 (23): 5403–5413. [DOI: 10.1080/0143116042000274015]
-
Dong T F, Liu J G, Qian B D, Zhao T, Jing Q, Geng X Y, Wang J F, Huffnan T and Shang J L. 2016. Estimating winter wheat biomass by assimilating leaf area index derived from fusion of Landsat-8 and MODIS data. International Journal of Applied Earth Observation and Geoinformation, 49 : 63–74. [DOI: 10.1016/j.jag.2016.02.001]
-
Drusch M, Del Bello U, Carlier S, Colin O, Fernandez V, Gascon F, Hoersch B, Isola C, Laberinti P, Martimort P, Meygret A, Spoto F, Sy O, Marchese F and Bargellini P. 2012. Sentinel-2: ESA's optical high-resolution mission for GMES operational services. Remote Sensing of Environment, 120 : 25–36. [DOI: 10.1016/j.rse.2011.11.026]
-
Du X, Li Q Z, Dong T F and Jia K. 2015. Winter wheat biomass estimation using high temporal and spatial resolution satellite data combined with a light use efficiency model. Geocarto International, 30 (3): 258–269. [DOI: 10.1080/10106049.2014.937467]
-
Feng X, Liu G, Chen J M, Chen M, Liu J, Ju W M, Sun R and Zhou W. 2007. Net primary productivity of China's terrestrial ecosystems from a process model driven by remote sensing. Journal of Environmental Management, 85 (3): 563–573. [DOI: 10.1016/j.jenvman.2006.09.021]
-
Gitelson AA, Gritz Y and Merzlyak MN. 2003. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves. Journal of Plant Physiology, 160 (3): 271–282. [DOI: 10.1078/0176-1617-00887]
-
Gitelson A A and Merzlyak MN. 1997. Remote estimation of chlorophyll content in higher plant leaves. International Journal of Remote Sensing, 18 (12): 2691–2697. [DOI: 10.1080/014311697217558]
-
Gitelson AA, Peng Y and Huemmrich K F. 2014. Relationship between fraction of radiation absorbed by photosynthesizing maize and soybean canopies and NDVI from remotely sensed data taken at close range and from MODIS 250m resolution data. Remote Sensing of Environment, 147 : 108–120. [DOI: 10.1016/j.rse.2014.02.014]
-
Gitelson AA, Viña A, Ciganda V, Rundquist DC and Arkebauer TJ. 2005. Remote estimation of canopy chlorophyll content in crops. Geophysical Research Letters, 32 (8): L08403 [DOI: 10.1029/2005gl022688]
-
Gnyp M L, Miao Y X, Yuan F, Ustin S L, Yu K, Yao Y K, Huang S Y and Bareth G. 2014. Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages. Field Crops Research, 155 : 42–55. [DOI: 10.1016/j.fcr.2013.09.023]
-
Haboudane D, Miller J R, Pattey E, Zarco-Tejada P J and Strachan I B. 2004. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture. Remote Sensing of Environment, 90 (3): 337–352. [DOI: 10.1016/j.rse.2003.12.013]
-
Huete A, Didan K, Miura T, Rodriguez E P, Gao X and Ferreira L G. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83 (1/2): 195–213. [DOI: 10.1016/S0034-4257(02)00096-2]
-
Jiang Z Y, Huete A R, Didan K and Miura T. 2008. Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment, 112 (10): 3833–3845. [DOI: 10.1016/j.rse.2008.06.006]
-
Jin X L, Yang G J, Xu X G, Yang H, Feng H K, Li Z H, Shen J X, Lan Y B and Zhao C J. 2015. Combined multi-temporal optical and radar parameters for estimating LAI and biomass in winter wheat using HJ and RADARSAR-2 data. Remote Sensing, 7 (10): 13251–13272. [DOI: 10.3390/rs71013251]
-
Jordan C F. 1969. Derivation of leaf-area index from quality of light on the forest floor. Ecology, 50 (4): 663–666. [DOI: 10.2307/1936256]
-
Kross A, McNairn H, Lapen D, Sunohara M and Champagne C. 2015. Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops. International Journal of Applied Earth Observation and Geoinformation, 34 : 235–248. [DOI: 10.1016/j.jag.2014.08.002]
-
Ma Y P, Wang S L, Zhang L, Hou Y Y, Zhuang L W, He Y B and Wang F T. 2008. Monitoring winter wheat growth in North China by combining a crop model and remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 10 (4): 426–437. [DOI: 10.1016/j.jag.2007.09.002]
-
Meng J H, Du X and Wu B F. 2013. Generation of high spatial and temporal resolution NDVI and its application in crop biomass estimation. International Journal of Digital Earth, 6 (3): 203–218. [DOI: 10.1080/17538947.2011.623189]
-
Nguy-Robertson A, Gitelson A, Peng Y, Viña A, Arkebauer T and Rundquist D. 2012. Green leaf area index estimation in maize and soybean: combining vegetation indices to achieve maximal sensitivity. Agronomy Journal, 104 (5): 1336–1347. [DOI: 10.2134/agronj2012.0065]
-
Peng D L, Huang J F, Li C J, Liu L Y, Huang W J, Wang F M and Yang X H. 2014. Modelling paddy rice yield using MODIS data. Agricultural and Forest Meteorology, 184 : 107–116. [DOI: 10.1016/j.agrformet.2013.09.006]
-
Rondeaux G, Steven M and Baret F. 1996. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, 55 (2): 95–107. [DOI: 10.1016/0034-4257(95)00186-7]
-
Rouse J W Jr, Haas R H, Schell J A and Deering D W. 1974. Monitoring vegetation systems in the Great Plains with ERTS//Proceedings of the 3rd ERTS-1 Symposium.Washington DC: NASA:309-317
-
Sims D A and Gamon J A. 2002. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sensing of Environment, 81 (2/3): 337–354. [DOI: 10.1016/S0034-4257(02)00010-X]
-
Tan C W, Wang J H, Zhao C J, Wang Y, Wang J C, Tong L, Zhu X K and Guo W S. 2011. Monitoring wheat main growth parameters at anthesis stage by Landsat TM. Transactions of the CSAE, 27 (5): 224–230. [DOI: 10.3969/j.issn.1002-6819.2011.05.040] ( 谭昌伟, 王纪华, 赵春江, 王妍, 王君婵, 童璐, 朱新开, 郭文善. 2011. 利用Landsat TM遥感数据监测冬小麦开花期主要长势参数. 农业工程学报, 27 (5): 224–230. [DOI: 10.3969/j.issn.1002-6819.2011.05.040] )
-
Viña A, Gitelson A A and Nguy-Robertson Y. 2011. Comparison of different vegetation indices for the remote assessment of green leaf area index of crops. Remote Sensing of Environment, 115 (12): 3468–3478. [DOI: 10.1016/j.rse.2011.08.010]
-
Wu C Y, Niu Z, Tang Q and Huang W J. 2008. Estimating chlorophyll content from hyperspectral vegetation indices: modeling and validation. Agricultural and Forest Meteorology, 148 (8/9): 1230–1241. [DOI: 10.1016/j.agrformet.2008.03.005]
