综合近红外-红波段-短波红外三波段光谱特征空间的小麦冠层含水量反演

侯学会，王 猛，高 帅，隋学艳，梁守真

(1.农业农村部华东都市农业重点实验室/山东省农业可持续发展研究所，山东济南 250100；2.中国科学院遥感与数学地球研究所 遥感科学国家重点实验室，北京 100101)

作物含水量是表征作物长势状况的重要因子，已成为遥感监测作物长势的重要研究内容之一。目前，基于遥感技术进行作物冠层含水量监测主要采用物理模型和统计模型两种方法。物理模型综合考虑了作物叶片、冠层、土壤和观测情况等因素，更能反映复杂的地表环境，反演精度相对较高，被广泛应用于冠层生化参数反演。目前应用最广泛的物理模型为PROSAIL模型[1]。如宋小宁等[2]基于Hyperion数据实现了玉米冠层含水量的区域反演，Cheng等[3-4]基于PROSAIL模拟和机载高光谱数据实现了不同植被覆盖下的冠层含水量反演。统计模型法主要是建立光谱指数或光谱指数变型与地面实测植被含水量的线性、指数、多项式等统计模型，进行含水量反演，统计法简单易懂，是估算植被含水量的常用方法[5]。如程晓娟等[6]对比发现，综合EVI和NDWI中构建的新指数对估算冬小麦冠层含水量具有更好的优势。而王 强等[7]通过对地面实测棉花冠层高光谱数据进行所有可能的两两组合，构建了反演精度更好的新型比值指数和归一化指数。Gao等[8-10]研究发现，归一化水分指数NDWI对植被冠层水分信息比NDVI更为敏感。随着植被含水量遥感反演研究的不断深入，基于光谱特征空间构建光谱参量进行植被含水量反演又成为许多学者关注的热点之一[11]。如Richardson等[12]利用Nir-Red光谱特征空间的土壤线[13]提出了垂直植被指数(perpendicular vegetation index，PVI)概念，用来监测干旱区作物含水量[14]；而詹志明等[15-18]则建立了反演裸土或低植被覆盖区土壤含水量的垂直干旱指数(perpendicular drought index，PDI)；Ghulam等[19]对PDI进行了改进，构建了一种改进型的垂直干旱指数(modified perpendiculardrought index，MPDI)，在一定程度上提高了低植被覆盖区的植被含水量反演精度[20]；而程晓娟等[21]则利用PDI和PVI的比值形式构建一种作物水分遥感监测新指标(plant water index，PWI)，来反演拔节-开花灌浆期的小麦冠层含水量；阿布都瓦斯提·吾拉木等[22]又根据地物在Nir-Swir光谱特征空间的分异规律，构建了适用于全覆盖植被冠层的短波红外作物失水指数(shortwave infrared perpendicular water stress index，SPSI)；而Feng 等[23]则基于PROSAIL模型，构建了基于MODIS数据的短波红外作物失水指数(modified shortwave infraredperpendicular water stress index，MSPSI)，并开展区域土壤水分监测。

从目前的研究看，基于作物在不同光谱特征空间构建的一系列水分指数均能较好地反演植被水分含量，但已发表的光谱特征指数都是基于Nir-Red或Nir-Swir二维光谱特征进行构建，并没有综合考虑所有波段在水分估算中的优势和局限。如基于Nir-Red光谱特征空间构建的PVI、PDI及MPDI能很好地反映地表覆盖及其变化，具有较明显的物理意义，但它们只适宜于低植被覆盖区域或者裸土区域的土壤水分监测，在植被覆盖度较大的区域，基于Nir-Red波段探测植被水分精度有限。而基于Nir-Swir波段构建的SPSI引入了对植被水分比较敏感的短波红外波段，对作物含水量反演的精度有所提高，但它是在植被全覆盖条件下建立的作物失水指数，且只能在植被叶子因严重缺水而失去水分后有所指示，在低植被覆盖区，SPSI无法消除土壤影响。另外，从植被不同组分的光谱响应特征来看，叶面积指数、植被生物量等与植被覆盖度相关的结构参数差异主要体现在可见光-近红外波段，而短波红外波段反射率主要受植被含水量的影响[24]。因此，本研究尝试基于植被水分在Nir-Red和Nir-Swir二维光谱特征空间中分异规律，综合垂直干旱指数PDI对低植被覆盖区植被水分监测和短波红外失水指数SPSI在估算全覆盖区作物冠层含水量的局限和优势，融合土壤水分和作物水分在近红外-红波段-短波红外(Nir-Red-Swir)三波段上的响应，尝试构建一种新的基于三波段光谱特征空间的作物水分监测指数，并探讨、分析该指数对不同覆盖条件下的作物冠层水分遥感反演的 能力。

1 数据来源与研究方法

1.1 数据来源

1.1.1 小麦植株含水量数据

田间试验在中国科学院禹城综合试验站(116.57°E，36.83°N)进行，供试小麦品种为济麦22，2015年10月12日播种，行距13 cm，基本苗210株·m-2。在返青期、拔节期、开花期和灌浆期分别进行地面数据采集，对应时间分别为2016年3月29日、4月18日、5月6日和5月11日。为保证Landsat 8上有纯像元，每次在试验区内随机选取若干个60 m×60 m且小麦长势比较均一的小区，用GPS获得每个小区的四个角点和中心点经纬度，然后在每个小区内随机选两个30 cm×30 cm的样方，对植株地上部分全部收割。将小麦植株样品放入密封袋内带回，在实验室内，将冬小麦植株样品称鲜重(W1)，然后105 ℃杀青，在80 ℃下烘干至恒重，称干重(W2)，按照公式(1)计算小麦植株含水量(VWC)。2个样方的平均值作为小区的实测值，4个时期共获得47个地面样方数据，其中返青期、拔节期、开花期和灌浆期分别为17、10、10和10个。

VWC=(W1-W2)/W1×100%

(1)

1.1.2 遥感数据

本研究从遥感数据共享网站(http://ids.ceode.ac.cn/)获取覆盖研究区的四景Landsat 8 OLI影像，成像时间分别为2016年3月26日、4月18日、5月4日和5月13日。卫星数据获取时间与地面数据采集时间最大相差3 d，考虑到小麦3 d之内地面实测光谱变化很小，且研究区未发生灌溉和降水，故认为地面实测数据与相近时间的卫星影像数据一致。基于ENVI软件对获取的四景Landsat 8 OLI原始数据进行辐射定标，并经FLAASH模型进行大气校正，将各个谱段辐亮度转化为地表反射率，然后基于一景经过几何精校正的TM影像对四景数据进行几何校正，误差控制在0.5个像元内。

1.2 研究方法

1.2.1 基于Nir-Red光谱特征空间的垂直干旱指数(PDI)的计算

詹志明等[15]根据土壤水分在Nir-Red光谱特征空间的分布规律构建了基于土壤线的土壤PDI。PDI利用Nir-Red三角形光谱特征空间中任意一点到土壤基线的垂线距离来表征区域的干旱状况，PDI值越大，到土壤基线的垂线的距离越远，表征地表越干旱。

(2)

式中M1为土壤在Nir-Red光谱特征空间的土壤线斜率，RRed为红波段的反射率，RNir为近红外波段的反射率。

1.2.2 基于Nir-Swir光谱特征空间的短波红外垂直失水指数(SPSI)的计算

阿布都瓦斯提·吾拉木等[22]分析地物 Nir-Swir光谱特征空间的分异规律时发现，在 Nir-Swir光谱特征空间内也可以提取土壤线，称为 Nir-Swir基线，并基于Nir-Swir基线构建SPSI，监测全植被覆盖下的作物冠层含水量。

(3)

式中M2为土壤在Nir-Swir二维光谱特征空间的土壤线斜率，RSwir为短波红外波段的反 射率。

1.2.3 土壤线的提取

土壤线提取主要是基于裸土在Nir-Red或者Nir-Swir的二维光谱空间特征。土壤反射率受多种因素的影响，如土壤肥力、研究区域、影像获取时间以及观测角度等[25-29]，导致土壤线不唯一。为了最大程度地消除众多因素对土壤线提取精度的影响，本研究基于预处理后的Landsat 8遥感数据，依据秦其明等[30]的思路分别进行Nir-Red(图1a～图1d)和Nir-Swir光谱特征空间(图1e～图1h)的土壤线自动提取。本研究使用的短波红外波段是对作物水分更敏感的Landsat 8第6波段(1 550～1 750 nm)[8，31]。

1.2.4 综合Nir-Red-Swir三维光谱特征的作物水分指数构建

本研究尝试综合PDI在表征土壤水分和SPSI在表征全覆盖条件下作物水分的优势，基于土壤水分和作物水分在Nir-Red-Swir三波段上的反射率特征，以PDI和SPSI的比值变换形式，建立一种融合Nir-Red-Swir三波段光谱特征空间的不同植被覆盖度条件下的作物含水量遥感监测新指数-三波段垂直植被水分指数(three-band perpendicular vegetation water index, TPVWI)。其表达式为

(4)

对某一时期、某一地区的影像来说， 为定值，并不影响TPVWI与VWC的相关关系，因此式(4)可进一步简化为：

(5)

式中M1为Nir-Red光谱特征空间的土壤线斜率，M2为Nir-Swir光谱特征空间的土壤线 斜率。

1.2.5 不同水分监测指数与小麦冠层含水量的相关分析

根据GPS信息获取地面采样点对应的Landsat 8 Nir-Red-Swir三波段反射率，并基于式(5)计算三波段TPVWI值及PDI、SPSI、PWI、NDVI值，利用最优化方法拟合得到冬小麦冠层含水量与TPVWI、PDI、PWI和NDVI的最优化模型。为了检验TPVWI相对其他指数在不同覆盖条件下监测作物含水量的有效性，本研究分别利用返青期的17个地面数据和拔节-开花期-灌浆期的30个地面数据，即低植被覆盖度和基本全覆盖条件下的小麦冠层含水量与对应时期的TPVWI、PDI、SPSI、PWI和NDVI进行线性拟合。另外，在保证每组都包括返青-拔节-开花期-灌浆期数据的条件下，将47个地面实测小麦含水量数据随机分成2组，其中35个地面数据用来建模，12个用来验证模型精度。并对不同水分监测指数与VWC进行Pearson相关分析。

2 结果与分析

2.1 不同植被指数与小麦冠层含水量的相关性

从各植被指数与植被冠层含水量(VWC)的线性模型(表1)看，在返青期，由于地面植被覆盖度较小，NDVI、PWI和SPSI三种指数受土壤信息的影响较大，对小麦冠层水分的敏感性较弱，用其所建模型的决定系数均没有到达显著水平，只有垂直干旱指数PDI和新构建的三波段垂直植被水分指数TPVWI与小麦冠层含水量呈极显著相关，且TPVWI拟合模型的拟合效果(r2= 0.472)优于PDI拟合模型(r2=0.369)。在拔节-开花灌浆期，即全覆盖条件下，除NDVI与VWC显著相关外，其他4种指数与VWC的相关性都达到极显著水平，且TPVWI与VWC拟合模型的决定系数显著高于其他3种植被指数的拟合模型。但基于返青-拔节-开花-灌浆期数据建立的模型中，由于加入返青期数据，各植被指数与VWC的模型拟合效果均低于全覆盖条件下即拔节-开花-灌浆期的模型，但PDI和TPVWI与小麦冠层含水量仍现极显著相关，且TPVWI拟合模型的r2优于PDI拟合模型，PWI、SPSI与VWC的相关性较弱。这说明新指数TPVWI综合了Red-Nir-Swir三波段光谱特征，不仅能消除部分土壤背景的影响，而且增强了不同覆盖条件下对植被含水量的光谱敏感性。

表1 不同植被指数与小麦冠层含水量的相关模型Table 1 Regression models and r2 between VI (vegetation index) and VWC (vegetation water content)

根据大气校正后的四景Landsat 8 OLI数据，分别计算每个时期数据的土壤线，然后根据红波段、近红外波段和短波红外波段的反射率，计算四个时期的TPVWI，并进一步根据表1中基于TPVWI构建的涵盖返青期-拔节期-开花期-灌浆期数据的VWC的拟合模型，反演禹城站周边9 km范围内的小麦种植区的冠层含水量。从图2可以看出，研究时间段内，小麦冠层含水量总体呈现先增后减的趋势。3月26日前后(图2a)，禹城站周边小麦处在返青期，植被覆盖度较低，部分区域显示的是小麦田土壤的含水量状况，一般在72%以下。4月18日(图2b)至5月4日(图2c)，为小麦拔节期和开花期，小麦长势较好，地面几乎全被小麦覆盖，小麦冠层含水量逐渐增大。到5月13日，小麦进入灌浆期，植株从生殖生长转为营养生长，小麦冠层含水量开始下降(图2d)，这与地面实测数据及冠层含水量随小麦生育期的变化趋势较一致。

a：2016-3-26；b：2016-4-18；c：2016-5-4；d：2016-5-13.图2 基于TPVWI估测不同生育期小麦冠层含水量的空间格局Fig.2 Spatial patterns of predicted VWC for winter wheat at different growth stages based on TPVWI

2.2 模型验证效果

为了验证TPVWI指数在监测全生育期小麦冠层含水量模型的精度，用剩余的12个地面实测VWC数据与TPVWI估测的VWC值进行一一比对。结果(图3)表明，模型预测VWC与实测值之间存在较好线性关系，其决定系数r2与RMSE分别为0.763和22.96%，该精度能够满足农业、生态对区域植被含水量信息的需求。

图3 基于TPVWI的小麦冠层含水量估测植与实测植的对比Fig.3 Comparison between actual VWC and predicted VWC for winter wheat

3 讨 论

覆盖度是影响作物冠层含水量遥感反演模型精度的因素之一。已有研究发现，基于可见光-近红外光谱空间特征构建的植被指数(如PDI、PVI、MPDI等)对低覆盖度条件下植被冠层含水量监测有效，而基于近红外-短波红外光谱空间特征构建的SPSI指数仅在全覆盖条件下监测冠层含水量的精度较高[5，22]。本研究以PDI和SPSI的比值形式，构建了一种基于可见光-近红外-短波红外三波段光谱空间特征的垂直植被水分指数TPVWI，结果进一步证明基于光谱空间特征构建的光谱特征在反演含水量研究中具有更明确的物理意义，精度相对较高[15]，且与程晓娟等[6]基于EVI和NDWI乘积形式开展作物冠层研究结果相似，综合三波段信息的光谱指数，可有效提高作物冠层含水量的估算精度。此外，因综合了可见光波段对土壤信息的敏感性以及短波红外波段对高覆盖植被的抗饱和能力，新构建的三波段垂直植被水分指数TPVWI在不同的植被覆盖条件下均具有较好的反演精度。在小麦返青期，与PDI监测低植被覆盖区土壤水分[15-18]或植被含水量[21]的能力相似，TPVWI对低植被覆盖区的水分敏感性也较好，且其精度优于PDI (TPVWI:r2=0.472,P< 0.01；PDI :r2=0.369,P< 0.01)；拔节期以后，在地面几乎全被小麦覆盖的条件下，基于TPVWI进行冠层水分反演的精度显著高于基于可见光-近红外或近红外-短波红外两种光谱空间特征构建的光谱指数，而且即使基于返青-拔节-开花-灌浆即小麦全生育期的数据，TPVWI监测小麦冠层含水量的精度也优于PDI、SPSI、PWI和NDVI。在小区域尺度上，与NDWI等常用的作物含水量表征指标能力一致[32]，基于TPVWI构建的小麦冠层含水量拟合模型也能很好地表征小麦冠层含水量随生育期变化的时空趋势。经地面实测数据验证，基于TPVWI估算的小麦冠层含水量精度能够满足农业、生态对区域植被含水量信息的需求，在植被含水量监测研究中具有一定的实用价值和应用 -潜力。

本研究结果为植被含水量反演研究提供了一种新的思路，但本研究是基于极小区域范围内的有限的试验样本进行探讨，且使用遥感数据源单一，如真正向大区域应用推广，本研究所建立的反演模型可能会存在一定的不确定性，因而还需要更大范围的试验对结果进一步验证，以提高模型的区域适用性和稳定性。