全 文 ：基于地鄄空遥感耦合的冬小麦叶片氮积累量估算*
王来刚1,2 摇 田永超1 摇 李文龙1 摇 朱摇 艳1 摇 曹卫星1**
( 1国家信息农业工程技术中心 /江苏省信息农业高技术研究重点实验室 /南京农业大学, 南京 210095; 2河南省农业科学院农
业经济与信息研究中心, 郑州 410002)
摘摇 要摇 利用不同冬小麦生态区同步的 SPOT鄄5 多光谱遥感影像、地面光谱数据和植株取样
数据,提出一种基于波谱响应函数拟合和混合像元分解的纯净像元光谱提取方法,并对比分
析了纯净像元光谱、模拟像元光谱和实测像元光谱与冬小麦叶片氮积累量(LNA)的定量关
系.结果表明: 模拟像元光谱对叶片氮积累量的反演效果较好,纯净像元光谱反演效果次之,
实测像元光谱最差;但基于模拟像元光谱的 LNA监测模型不能直接外推至空间尺度.模型检
验结果表明,基于纯净像元光谱的 LNA监测模型在 2 个小麦生态区均具有较好的精度和稳定
性,该方法综合利用了地鄄空遥感的优点,可以推广应用到其他不同空间分辨率和光谱分辨率
的遥感数据,从而为区域性冬小麦氮素营养状况的遥感监测提供技术依据.
关键词摇 冬小麦 叶片氮积累量摇 波谱响应函数摇 混合像元分解摇 纯净像元光谱
文章编号摇 1001-9332(2012)01-0073-08摇 中图分类号摇 S127;TP79摇 文献标识码摇 A
Estimation of winter wheat leaf nitrogen accumulation based on coupling ground鄄 and space鄄
remotely sensed information. WANG Lai鄄gang1,2, TIAN Yong鄄chao1, LI Wen鄄long1, ZHU Yan1,
CAO Wei鄄xing1 ( 1National Engineering and Technology Center for Information Agriculture / Jiangsu
Province Key Laboratory for Information Agriculture / Nanjing Agricultural University, Nanjing
210095, China;2 Agricultural Economy & Information Research Center, Henan Academy of Agricul鄄
tural Sciences, Zhengzhou 410002, China) . 鄄Chin. J. Appl. Ecol. ,2012,23(1): 73-80.
Abstract: By coupling the SPOT鄄5 multi鄄spectral RS images, ground鄄spectrum, and field measured
data of different winter wheat ecological zones, a pure pixel spectrum extraction method was devel鄄
oped based on spectral response function and pixel unmixed, and the quantitative relationships be鄄
tween leaf nitrogen accumulation (LNA) and simulated, measured, and pure pixel spectra were an鄄
alyzed. The estimation accuracy for LNA was in the sequence of simulated pixel spectra > pure
pixel spectra > measured pixel spectra. However, the LNA monitoring model based on simulated
pixel spectra couldn爷t be extrapolated directly to spatial level. The results of model verification also
indicated that the monitoring model based on pure pixel spectra performed well in two different
wheat ecological zones. Therefore, the pure pixel spectrum extraction method could be applied to
other varied and remotely sensed data with different spatial and spectral resolutions by making use of
the merits of ground鄄 and space鄄 remote sensing simultaneously, which provided a technological
basis for estimating winter wheat nitrogen status in regional scale.
Key words: winter wheat; leaf nitrogen accumulation; spectral response function; pixel unmixing;
pure pixel spectra.
*国家自然科学基金项目(30871448)、江苏省自然科学基金项目
(BK2008330)、江苏省科技支撑计划项目(BE2010395)和教育部新
世纪优秀人才支持计划项目(NCET鄄08鄄0797)资助.
**通讯作者. E鄄mail: caow@ njau. edu. cn
2011鄄05鄄11 收稿,2011鄄10鄄21 接受.
摇 摇 准确获取作物氮素状况有助于评价作物长势、
指导确定追肥用量,从而提高产量和改善品质.光谱
遥感技术为快速获取作物氮素营养信息提供了有效
的手段和方法.地面光谱遥感技术波谱连续且受环
境影响较小,使作物氮素营养监测研究系统深入,但
局限于点尺度范围;空间遥感能够动态地大面积获
取作物氮素等生长指标信息,但易遭受大气干扰和
混合像元等问题.如能将地、空两个尺度的监测理论
与技术进行有效融合,则能实现优势互补,提高氮素
等生长指标监测模型的精度与稳定性[1] .
应 用 生 态 学 报摇 2012 年 1 月摇 第 23 卷摇 第 1 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Jan. 2012,23(1): 73-80
国内外学者已构建了部分基于地面光谱的作物
氮素营养监测模型. 如 Zhu 等[2]研究提出,稻麦叶
片氮积累量的特征光谱参数为比值植被指数
RVI(870,660)和 RVI(810,660);Hansen和 Schjoer鄄
ring[3]利用归一化植被指数(NDVI)监测了小麦氮
素状况;冯伟等[4]研究表明,光谱参数 FD742 可较
好地评估不同条件下冬小麦叶片氮素积累状况. 地
面光谱数据的光谱分辨率高,且受环境影响较小,具
有较高的监测精度,但其只能获取点上信息.而空间
遥感能够快速动态地获取大尺度作物生长信息,如
陈君颖等[5]探讨了基于 Hyperion 影像反演水稻冠
层氮和叶绿素含量的可行性;Zhao 等[6]利用 TM 遥
感数据对空间尺度冬小麦氮素营养进行监测,并预
测了冬小麦籽粒蛋白质含量;基于多光谱 CBERS鄄1
影像的 NDVI与水稻抽穗期叶片氮素含量具有良好
的相关关系[7];黄彦等[8]通过 HJ和 TM遥感影像反
演小麦叶片积累量,结合小麦生长模型预测了小麦
区域尺度生产力指标的空间分布状况. 由于空间遥
感经常受到大气干扰和混合像元等因素影响,使基
于空间遥感的作物生长监测还不深入.
少量研究探索了综合利用地空遥感信息来监测
作物生长指标的方法. 如 Reyniers 和 Vrindts[9]研究
表明,IKONOS 遥感图像和 Cropscan 地面多光谱仪
均能监测冬小麦生长指标,但空间遥感监测模型精
度较低;陈拉等[10]利用水稻冠层高光谱数据模拟常
用的 3 种卫星传感器(NOAA鄄AVHRR,Terra鄄MODIS
和 Landsat鄄TM)各波段数据,比较了不同传感器光谱
对叶面积指数(LAI)的响应和估测能力;田永超[11]
以高光谱数据获得 Hyperion、TM 和 ALOS 重采样光
谱,并分析了其与水稻叶层氮浓度的关系.
总体来看,混合像元是限制空间遥感监测模型
精度的主要因素,对空间遥感影像进行混合像元分
解是提高遥感监测精度的重要途径.万华伟等[12]对
MODIS数据进行混合像元分解,克服了MODIS反照
率产品空间分辨率低的缺点,有效地监测了冬小麦
冠层反照率;Busetto 等[13]利用混合像元分解方法,
融合 MODIS和 TM 遥感数据生成了高空间分辨率
时间序列 NDVI,从而为获取高时空分辨率 LAI数据
产品提供了技术方法.但已有研究在基于地鄄空遥感
信息耦合以解决区域尺度作物生长遥感监测的混合
像元问题方面仍缺乏有效方法和手段. 本研究基于
不同生态区、不同施氮水平的小麦田间大区试验,将
同步获取的小麦冠层光谱、田埂光谱和高空 SPOT鄄5
图像光谱有机耦合,实现了混合像元分解,并构建了
基于混合像元分解的冬小麦叶片氮积累量的区域尺
度监测模型,以期为提高区域尺度冬小麦氮素营养
的遥感监测提供技术途径.
1摇 试验设计与资料获取
1郾 1摇 试验设计
共布设 4 个小麦田间大区试验,涉及不同生态
区、年份、小麦品种、施氮水平和密度处理,试验数据
获取情况见表 1.除处理差异外,其他管理措施同当
地高产栽培.
试验 1 于 2008 年 11 月—2009 年 6 月在江苏省
如皋市长江镇农场(32毅30忆 N ,120毅35忆 E)和海安县
曲塘镇(32毅32忆 N,120毅20忆 E)进行,以下简称江苏
试验区.两地供试小麦品种分别为扬麦 15 和宁麦
13,均设 3 个施氮水平:150、210、270 kg·hm-2,其
中,如皋试验区 40%作基肥、40%作苗肥、20%作拔
节肥,设 2 个密度处理,基本苗分别为 1. 6 伊106和
1郾 8伊106 株·hm-2,土壤质地为砂壤土,前茬为水
稻,0 ~ 20 cm耕层土壤有机质含量 18郾 0 g·kg-1、全
氮 0郾 96 g·kg-1、速效钾 113郾 1 mg·kg-1、速效磷
13郾 6 mg·kg-1;海安试验区 50%作基肥、50%作拔
节肥,基本苗为1. 8伊106 株·hm-2 ,土壤质地为潮
表 1摇 试验数据获取情况
Table 1摇 Acquisition of experimental data
试验
Experi鄄
ment
试验区
Test plot
田间采样日期
Sampling date
SPOT鄄5
影像过境日期
SPOT鄄5
acquisition date
地面高光谱
测试日期
Spectra sampling
date
生育期
Growth stage
数据用途
Data use
1 玉 2009鄄04鄄03 2009鄄04鄄01 2009鄄04鄄03 孕穗期 Booting stage 模型构建 Model construction
2 玉 2010鄄03鄄10 2010鄄03鄄10 2010鄄03鄄10 拔节期 Jointing stage 模型检验 Model test
3 域 2009鄄03鄄20 2009鄄03鄄19 2009鄄03鄄20 拔节期 Jointing stage 模型构建 Model construction
域 2009鄄04鄄20 2009鄄04鄄20 2009鄄04鄄20 孕穗期 Booting stage
4 域 2010鄄04鄄05 2010鄄04鄄03 2010鄄04鄄05 拔节期 Jointing stage
域 2010鄄04鄄29 2010鄄04鄄29 2010鄄04鄄29 孕穗期 Booting stage 模型检验 Model test
玉:江苏试验区 Test plot in Jiangsu Province; 域:河南试验区 Test plot in Henan Province.
47 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
土,前茬为水稻,0 ~ 20 cm 耕层土壤有机质含量
22郾 6 g · kg-1、 全 氮 2. 15 g · kg-1、 速 效 钾
188郾 9 mg·kg-1、速效磷 15. 2 mg·kg-1 .如皋大区面
积 150 m伊80 m,海安大区面积 100 m伊80 m,保证每
个大区在 SPOT鄄5 影像上至少有 3伊3 个像元[14] .两
地试验均 2 个重复,随机区组设计.
试验 2 于 2009 年 11 月—2010 年 6 月进行,试
验地点和处理同试验 1,土壤基础肥力和基本苗没
有明显变化.
试验 3 于 2008 年 10 月—2009 年 6 月在河南省
安阳县农科所试验地(36毅11忆 N,114毅18忆 E)进行,
以下简称为河南试验区.前茬为玉米,土壤质地为粘
壤土,0 ~ 20 cm耕层土壤有机质含量 18郾 6 g·kg-1、
全氮 1郾 12 g·kg-1、速效钾 188. 9 mg·kg-1、速效磷
13. 2 mg·kg-1 .供试小麦品种为周麦 16,设 4 个施
氮水平:0、100、200、300 kg·hm-2,其中,40%作基
肥、40% 作苗肥、 20% 作拔节肥,基本苗密度为
2郾 3伊106 株·hm-2 .小区面积 60 m伊60 m.随机区组
设计,氮空白区重复 2 次,其他处理重复 4 次.
试验 4 于 2009 年 11 月—2010 年 6 月进行,试
验地点和处理同试验 3,土壤基础肥力和基本苗没
有明显变化.
1郾 2摇 试验区域定位
试验小区边界等位置信息通过美国 Trimble 公
司 GPS Pathfinder背挂式 GPS 接收机(精度 10 cm)
进行精确定位,以辅助遥感图像解译研究.
1郾 3摇 地面光谱测定
利用美国 Analytical Spectral Device (ASD)公司
生产的 FieldSpec Pro FR2500 型背挂式野外地物光
谱仪,选择晴朗无云天气测定小麦冠层光谱,测定时
间为 10:00—14:00. 测量时传感器探头垂直向下,
光谱仪视场角 25毅,距目标地物垂直高度 1. 0 m,地
面视场直径 0. 44 m.在视场范围内重复测量 10 次,
取平均,每个小区内沿对角线均匀设定 5 个光谱采
样点,取平均值作为该小区内小麦冠层光谱测量值.
另外,测量 3 个田埂视场,取平均值作为该小区田埂
光谱测量值.每次光谱测定前后,进行标准白板校正
(标准白板反射率为 1).
1郾 4摇 农学参数获取
与地面光谱测量同步,从每小区 5 个样点中破
坏性获取 20 株小麦植株混合样,按叶片、茎秆等器
官分离,于烘箱中 100 益杀青 30 min,然后在 80 益
下烘干至恒量,称量得到各器官干质量.粉碎后采用
凯氏定氮法测定叶片氮含量,叶片氮素积累量
(LNA,g·m-2) = 叶片氮含量(LNC,% )伊叶片干质
量(LDW,g·m-2).
1郾 5摇 遥感影像获取与处理
SPOT鄄5 多光谱遥感影像通过北京视宝卫星图
像有限公司订购获得,共获取不同地区不同时期的
6 景 SPOT鄄5 遥感影像(表 1),其中,江苏省的两个
试验区在同一景遥感影像范围内. SPOT鄄5 多光谱遥
感影像具有绿色、红色、近红外和短波红外 4 个波
段,空间分辨率为 10 m(短波红外空间分辨率为
20 m),幅宽为 60 km.图像采用 ENVI 4. 7 软件进行
遥感影像预处理,利用 40 个地面 GPS 控制点对影
像进行几何精校正,几何校正模型为二次多项式,采
用邻近像元重采样方法进行投影变换,投影参数选
择 Krasovsky 参考椭球下的 Albers 投影[15],保证校
正误差控制在 0. 5 个像元之内. 大气辐射校正采用
ENVI携带的 FLAASH 模块进行. 利用小区 GPS 边
界信息提取每个小区的麦田像元,计算完全落入小
区边界内的麦田像元光谱均值(以下称为实测像元
光谱)作为模型构建的计算值.
2摇 研究方法
2郾 1摇 基于 SPOT鄄5 波谱响应函数的小麦冠层和田埂
光谱模拟
以地面小麦冠层和田埂高光谱反射率分别模拟
得到对应 SPOT鄄5 传感器的小麦冠层和田埂图像光
谱(图 1),称为模拟像元光谱,具体算法如下[16]:
摇 摇 R =
乙姿1
姿2
S(姿)R(姿)d(姿)
乙姿1
姿2
S(姿)d(姿)
=
移
n
i = 1
S(姿 i)R(姿 i)驻姿
移
n
i = 1
S(姿 i)驻姿
式中:R为模拟的卫星波段反射率;i为光谱响应函
图 1摇 SPOT鄄5 波谱响应函数
Fig. 1摇 Spectral responses function of SPOT鄄5.
玉:绿波段 Green band (500 ~ 590 mm); 域:红波段 Red band (610 ~
680 mm); 芋:近红外波段 NIR band (780 ~ 890 mm); 郁:短波红外
波段 SWIR band (1580 ~ 1750 mm).
571 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 王来刚等: 基于地鄄空遥感耦合的冬小麦叶片氮积累量估算摇 摇 摇 摇 摇
数的波段响应点数;S(姿 i)为卫星传感器第 i个响应
点的光谱响应函数值;R(姿 i)为光谱仪测定的第 i个
响应点的小麦冠层 /田埂高光谱反射率;吟姿 为光谱
响应点间的波段步长[10] .
2郾 2摇 SPOT鄄5 混合像元分解
混合像元线性模型认为,遥感图像上任一像元
在某一光谱波段的光谱反射率是由构成像元的基本
组分(端元)的反射率与该端元占像元面积比例的
线性组合[17-18] .因此,混合像元线性分解模型可表
示为:
R i =移
n
j = 1
f jReij + 着i 摇 ( i = 1,2,3,…,m)
式中:n为混合像元中端元的总数;m 为波段总数;
R i为混合像元第 i波段的反射率;f j为第 j 个端元在
混合像元中所占的面积比例;Reij为第 i 波段第 j 个
端元的反射率;着i 为残差.
麦田内部 10 m 空间分辨率的 SPOT鄄5 像元波
谱,在小麦生长中后期可以认为是由小麦冠层与田
埂两类端元波谱组成.根据田埂宽度、高光谱仪地面
视场范围(图 2)计算得到,试验区内纯净麦田面积
占 91. 6% ,田埂光谱面积占 8. 4% ,根据该面积比例
对小麦冠层 SPOT鄄5 像元波谱进行混合像元分解,
分解后的光谱称为纯净像元光谱.
2郾 3摇 光谱指数的构建
本研究选取任意两波段组合的归一化指数
(NDVI)、比值指数(RVI)、差值指数(DVI)和土壤
调节植被指数(SAVI)4 种常见的光谱指数(表 2).
另外,分别在光谱比值指数和归一化指数基础上增
加 1 个波段,构建了修正型的 3 波段光谱指数[20]:
R姿1 / (R姿2 伊R姿3 )、R姿1 / (R姿2 +R姿3 )、(R姿1 -R姿2 ) / (R姿1 +
R姿3 )、(R姿1 -R姿3) / (R姿2 -R姿3)、(R姿1 -R姿2) / (R姿1 +R姿2 -
图 2摇 小麦冠层与田埂面积比例示意图
Fig. 2摇 Sketch map of area proportions of wheat canopy and the
ridge.
表 2摇 光谱指数算法
Table 2摇 Definition of vegetation indices
光谱指数
Spectral parameter
计算公式
Algorithm formula
文献
Reference
NDVI(姿1, 姿2) NDVI =(R姿1– R姿2) / (R姿1 +R姿 2) [19]
RVI(姿1, 姿2) RVI= R姿1 / R姿2 [20]
DVI(姿1, 姿2) DVI =R姿1– R姿 2 [21]
SAVI SAVI=1. 5(RNIR– RRED) / (RNIR
+RRED+0. 5)
[22]
2R姿3),式中,R姿1、R姿2、R姿3分别为 SPOT鄄5 的任意 3 个
波段的光谱反射率.
2郾 4摇 模型构建与检验
利用试验 1 的 24 组数据与试验 3 的 28 组数据
建立冬小麦叶片氮积累量(LNA)监测模型,入选回
归模型形式包括线性函数、指数函数、幂函数和对数
函数.利用试验 2 的 12 组数据和试验 4 的 28 组数
据对所筛选建立的监测模型进行测试和检验(表
1),采用均方根差(root mean square error,RMSE)和
相对误差(relative error,RE)进行分析评价.
RMSE = 1n移
n
i = 1
(P i - Oi) 2
RE = 1n移
n
i = 1
P i - Oi
O
æ
è
ç
ö
ø
÷
i
2
式中:Oi为试验观测氮积累量值;P i为模型估测氮积
累量值;n为模型测试检验样本数.
3摇 结果与分析
3郾 1摇 不同来源小麦光谱的比较
对冬小麦地面光谱、模拟像元光谱、实测像元光
谱和纯净像元光谱反射率进行对比的结果表明,江
苏试验区实测像元光谱在可见光波段范围的反射率
值最大,在近红外波段的值最小,这可能因为实测像
元光谱除了包含冬小麦光谱外,还包含部分田埂及
其他背景的光谱;与实测像元光谱相比,纯净像元光
谱更接近模拟像元光谱,但在可见光波段范围的反
射率略高于模拟像元光谱,而在近红外波段的值略
低于模拟像元光谱,可能是因为纯净像元光谱来自
高空遥感,虽经过大气校正,但未能完全克服大气的
影响.地面光谱在 SPOT鄄5 各波段中心波长位置的
反射率与模拟像元光谱相近,但在绿峰位置差异较
大,高于模拟像元光谱值(图 3a). 与江苏试验区相
比,河南试验区各类像元光谱曲线具有类似的趋势
特征(图 3b),但实测像元光谱各波段反射率与纯净
像元光谱相差较大,可能由于两地小麦耕种方式不
67 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
图 3摇 冬小麦地面光谱(玉)、模拟像元光谱(域)、实测像元
光谱(芋)和纯净像元光谱(郁)的对比
Fig. 3 摇 Comparisons of ground鄄spectra ( 玉) and simulated
(域), measured (芋) and pure pixel spectra (郁) in wheat.
a)江苏试验区 Test plot in Jiangsu Province; b)河南试验区 Test plot in
Henan Province.
同所致,河南试验区为方便灌溉,田埂凸出地面,土
壤背景对光谱影响程度较高,江苏省试验区为方便
排水,田埂呈沟状,垄间土壤背景对光谱影响程度较
低.两地纯净像元光谱都与模拟像元光谱比较接近,
且接近程度没有明显差距,表明经过混合像元分解
后,剔除了两地田埂光谱影响的差异.
3郾 2摇 模拟和实测 SPOT鄄5 像元光谱与冬小麦叶片氮
积累量的关系
由表 3 可以看出,本文涉及到的所有光谱参数
中,与两试验区冬小麦叶片氮积累量相关程度较好
的模拟和实测像元光谱指数为三波段植被指数
RNIR / (RRED+RGEEEN),线性拟合决定系数基本都达到
了 0. 5 以上,精度检验也表现出较好的稳定性;土壤
调节植被指数(SAVI)次之,但在实测像元光谱指数
中,SAVI精度检验最佳,在冬小麦拔节期田埂土壤
背景对麦田光谱影响程度较高,SAVI 对土壤影响有
一定调节作用,但效果并不十分显著.对比两类像元
光谱结果表明,模拟像元光谱与叶片氮积累量的决
定系数或估算精度明显高于实测像元光谱,特别是
在河南试验区,可能是因为河南试验区实测混合像
元现象更严重.
表 3摇 光谱指数(x)与冬小麦叶片氮积累量(y)的关系及检验结果
Table 3摇 Relationships and testing results of spectral indices (x) and leaf nitrogen accumulation in winter wheat (y)
像元光谱类别
Pixel spectra type
试验区
Test plot
光谱指数
Spectral index
模型构建
Model calibration
拟合模型
Fitting model
决定系数
R2
模型检验
Model validation
均方根差
RMSE
( g·m-2)
相对误差
RE
(% )
模拟像元光谱 玉 RNIR / (RRED+RGEEEN) y=1. 010x -1. 907 0. 73** 0. 683 22. 1
Simulated pixel 玉 SAVI y=0. 632e3. 645 x 0. 51** 0. 922 26. 0
spectra 域 RNIR / (RRED+RGEEEN) y=0. 246x1. 301 0. 67** 0. 806 23. 3
域 SAVI y=15. 60x-1. 947 0. 63** 0. 828 22. 8
芋 RNIR / (RRED+RGEEEN) y=0. 197x1. 692 0. 68** 0. 766 25. 7
芋 SAVI y=0. 627e3. 508 x 0. 60** 1. 034 29. 1
实测像元光谱 玉 RNIR / (RRED+RGEEEN) y=0. 887e0. 448 x 0. 55* 0. 921 28. 4
Measured pure 玉 SAVI y=8. 37x1. 426 0. 61** 0. 893 28. 8
pixel spectra 域 RNIR / (RRED+RGEEEN) y=1. 196x+0. 304 0. 46** 0. 992 31. 1
域 SAVI y=0. 545e2. 987 x 0. 49** 1. 034 29. 8
芋 RNIR / (RRED+RGEEEN) y=1. 065x+0. 292 0. 45** 1. 046 32. 7
芋 SAVI y=12. 54x-2. 340 0. 47* 0. 940 30. 6
纯净像元光谱 玉 RNIR / (RRED+RGEEEN) y=1. 049x-1. 860 0. 64** 0. 830 24. 4
Pure pixel spectra 玉 SAVI y=12. 45x-2. 589 0. 58** 0. 843 27. 9
域 RNIR / (RRED+RGEEEN) y=0. 731e0. 305 x 0. 69** 1. 124 24. 7
域 SAVI y=0. 663e3. 307 x 0. 64** 0. 976 27. 0
芋 RNIR / (RRED+RGEEEN) y=0. 816x-0. 481 0. 63** 0. 854 27. 2
芋 SAVI y=0. 632e3. 478 x 0. 60** 1. 087 30. 4
*P<0. 05;** P<0. 001. 玉:江苏试验区 Test plot in Jiangsu Province; 域:河南试验区 Test plot in Henan Province; 芋:两地试验区 Test plot in
two provinces.
771 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 王来刚等: 基于地鄄空遥感耦合的冬小麦叶片氮积累量估算摇 摇 摇 摇 摇
3郾 3摇 纯净像元光谱与冬小麦氮积累量的关系
基于本文构建的混合像元分解方法获得小麦纯
净像元光谱,并与冬小麦叶片氮积累量进行相关分
析,结果表明,表现较好的光谱指数为 RNIR / (RRED +
RGEEEN),这与模拟像元光谱所得结果一致,但拟合
决定系数和模型精度略低于模拟像元光谱而显著高
于实测像元光谱. 另外,将江苏、河南两地试验区数
据合并分析表明,纯净像元光谱的拟合决定系数和
模型精度显著高于实测像元光谱,效果较单个试验
区的分析结果更明显. 这可能是由于纯净像元光谱
较好地剔除了田埂土壤背景的影响,从而一定程度
上解决了像元光谱与田间目标小麦对应的问题,但
在大气校正与混合像元分解过程中仍存在一定误
差.利用不同年份的独立观测资料(试验 2 和试验
4)对监测模型进行测试和检验(表 3),结果显示,基
于纯净像元光谱、模拟像元光谱和实测像元光谱的
RNIR / (RRED +RGEEEN )预测模型的 RMSE 值分别为
0郾 854、 0郾 766 和 1郾 046 g · m-2, RE 值分别为
27郾 2% 、25. 7%和 32. 7% . 表明纯净像元光谱的预
测效果与模拟像元光谱差距不大,总体优于实测像
元光谱的建模结果,具有较好的实用性(图 4).
图 4摇 不同像元光谱 RNIR / (RRED+RGEEEN)与冬小麦叶片氮积
累量的关系(a)及其监测模型的检验(b)
Fig. 4摇 Relationship between RNIR / (RRED+RGEEEN) and leaf ni鄄
trogen accumulation (a), and test result (b) based on different
pixel spectra in wheat.
A:模拟像元光谱 Simulated pixel spectra; B:实测像元光谱 Measured
pixel spectra; C:纯净像元光谱 Pure pixel spectra.
图 5摇 研究区冬小麦叶片氮积累量(LNA, g·m-2)的空间分
布
Fig. 5 摇 Spatial distribution of wheat leaf nitrogen accumulation
in study area.
a)江苏试验区实测值 Measured value of test plot in Jiangsu Province
(2010鄄03鄄10); b)江苏试验区估算值 Predicted value of test plot in
Jiangsu Province (2010鄄03鄄10); c)河南试验区实测值 Measured value
of test plot in Henan Province (2010鄄04鄄05); d)河南试验区估算值
Predicted value of test plot in Henan Province (2010鄄04鄄03) .
3郾 4摇 试验区冬小麦叶片氮积累量填图
根据试验区边界图,采用纯净像元光谱优选模
型对两试验区进行填图(图 5).结果表明,两试验区
冬小麦叶片氮积累量的估算结果与实测结果在空间
分布上具有一定的一致性,每个大区的估算值均值
与实测值差距不大,从侧面也证明了优选模型的可
靠性.但值域范围有一定差别,江苏、河南试验区氮
积累量实测值值域分别为 1郾 46 ~ 3郾 62 g·m-2、
1郾 44 ~ 3郾 95 g·m-2,估算值值域分别为 1郾 18 ~
4郾 06 g·m-2、1郾 23 ~ 4郾 37 g·m-2,估算值值域范围
相对较大.主要是由于大区面积较大,试验过程中小
麦氮素营养状况出现不均匀的情况,这同时也是空
间遥感监测精度相对较低的原因之一.
4摇 讨摇 摇 论
快速、无损地获取作物叶片氮积累量对于精确
氮肥管理具有重要意义[23],特别是获取空间尺度作
物氮素营养信息对小麦栽培和管理实践具有重要的
指导作用.本文综合利用不同生态区、不同年份、不
同施氮水平的小麦田间试验资料和遥感影像数据,
通过对比不同像元光谱与叶片氮积累量的关系,构
建了基于地空遥感耦合的叶片氮积累量监测模型,
从而为基于遥感的区域尺度冬小麦生长监测奠定了
基础,对于作物精确变量施肥具有重要的指导作用.
Abou鄄Ismail等[24]将 NOAA鄄AVHRR的 NDVI 数
据与地面光谱的 NDVI数据相结合估测了水稻 LAI.
本文根据 SPOT鄄5 波谱响应函数,利用地面高光谱
模拟了 SPOT鄄5 像元光谱,显示模拟像元的光谱反
87 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
射率与叶片氮积累量有较好的相关性,但模拟像元
光谱方法只考虑了 SPOT鄄5 传感器的波谱响应,并
未涉及到传感器的空间分辨率和大气效应[10],因此
基于模拟像元光谱构建的冬小麦叶片氮积累量监测
模型直接外推至空间尺度尚存在理论上的不足,但
适用于评价高空遥感的估测能力及指导最优光谱指
数的选择.
由于传感器和平台的不同,对同一目标所获取
的波谱可能不同(同物异谱),这是地面与空间遥感
在监测精度方面存在差异的主要原因.鲍艳松等[25]
研究认为,基于影像的面状信息获取技术克服了点
状信息在监测区域尺度小麦氮素状况的不足;易秋
香[26]研究表明,随着从冠层水平过渡到 TM 空间遥
感水平,各类光谱变量与水稻叶片氮含量之间的相关
程度呈逐渐递减趋势.本研究针对麦田包含的小麦与
田埂两类主要地物端元波谱,利用 10 m空间分辨率
的 SPOT鄄5像元波谱,基于地空遥感耦合,通过波段拟
合和混合像元线性分解,得到较纯净的小麦像元光
谱,进而构建了叶片氮积累量的监测模型,结果显示,
估算精度较原始图像光谱显著提高,从而有效解决了
区域尺度小麦生长监测中的混合像元问题.
混合像元分解方法在农业遥感中已得到广泛应
用,但已有方法一般是基于端元选择进行作物面积
监测[27],以及不同尺度的波谱转换[28] .本文基于地
空遥感耦合进行混合像元分解,具有较高的定量性,
且有效提高了小麦 LNA的监测精度.但本文结果还
需进一步进行解混程度的评价,从而进一步提高解
混和 LNA预测精度. 另外,本文所构建方法在实际
监测应用中,需要较准确获取田埂和小麦端元光谱,
未能获得大尺度的反演结果,这在一定程度上制约
了大尺度的推广应用,今后需建立我国主要麦区的
有效波谱数据库,从而提高技术的实用性.
参考文献
[1]摇 Tian Y鄄C (田永超), Zhu Y (朱摇 艳), Yao X (姚摇
霞), et al. Non鄄destructive monitoring of crop nitrogen
nutrition based on spectral information. Chinese Journal
of Ecology (生态学杂志), 2007, 26(9): 1454-1463
(in Chinese)
[2]摇 Zhu Y, Yao X, Tian YC, et al. Analysis of common
canopy vegetation indices for indicating leaf nitrogen ac鄄
cumulations in wheat and rice. International Journal of
Applied Earth Observation and Geoinformation, 2008,
10: 1-10
[3]摇 Hansen PM, Schjoerring JK. Reflectance measurement
of canopy biomass and nitrogen status in wheat crops
using normalized difference vegetation indices and partial
least squares regression. Remote Sensing of Environ鄄
ment, 2003, 86: 542-553
[4]摇 Feng W (冯摇 伟), Zhu Y (朱摇 艳), Tian Y鄄C (田
永超), et al. Monitoring leaf nitrogen accumulation
with hyper鄄spectral remote sensing in wheat. Acta Eco鄄
logica Sinica (生态学报), 2008, 28(1): 23-32 ( in
Chinese)
[5]摇 Chen J鄄Y (陈君颖), Tian Q鄄J (田庆久), Qi X鄄Y (亓
雪勇), et al. Rice canopy biochemical concentration
retrievals based on Hyperion data. Journal of Remote
Sensing (遥感学报), 2009, 13(6): 1114-1121 ( in
Chinese)
[6]摇 Zhao CJ, Liu LY, Wang JH, et al. Predicting grain
protein content of winter wheat using remote sensing data
based on nitrogen status and water stress. International
Journal of Applied Earth Observation and Geoinforma鄄
tion, 2005, 7: 1-9
[7]摇 Zhang H (张摇 浩), Yao X鄄G (姚旭国), Zhang X鄄B
(张小斌), et al. A primary study on nitrogen content
of rice leaf based on remote sensing at spiking stage.
Journal of Nuclear Agricultural Science (核农学报),
2009, 23(3): 364-368 (in Chinese)
[8]摇 Huang Y (黄摇 彦), Zhu Y (朱摇 艳), Wang H (王
航), et al. Predicting winter wheat growth based on in鄄
tegrating remote sensing and crop growth modeling tech鄄
niques. Acta Ecologica Sinica (生态学报), 2011, 31
(4): 1073-1084 (in Chinese)
[9]摇 Reyniers M, Vrindts E. Measuring wheat nitrogen status
from space and ground鄄based platform. International
Journal of Remote Sensing, 2006, 27: 549-567
[10]摇 Chen L(陈 摇 拉), Huang J鄄F (黄敬峰), Wang X鄄Z
(王秀珍). Estimating accuracies and sensitivity analy鄄
sis of regression models fitted by simulated vegetation in鄄
dices of different sensors to rice LAI. Journal of Remote
Sensing (遥感学报), 2008, 12 (1): 143 - 151 ( in
Chinese)
[11]摇 Tian Y鄄C (田永超). Monitoring Nitrogen Nutrition Pa鄄
rameters with Hyperspectral Remote Sensing in Rice.
PhD Thesis. Nanjing: Nanjing Agricultural University,
2008 (in Chinese)
[12]摇 Wan H鄄W (万华伟), Wang J鄄D (王锦地), Zhang Y鄄
Q (张永强), et al. An approach on monitoring the
albedo of winter wheat at growing period by using MO鄄
DIS data. Acta Agronomica Sinica(作物学报), 2005,
31(12): 1572-1578 (in Chinese)
[13] 摇 Busetto L, Meroni M, Colombo R. Combining medium
and coarse spatial resolution satellite data to improve the
estimation of sub鄄pixel NDVI time series. Remote Sens鄄
ing of Environment, 2008, 112: 118-131
[14]摇 Shi R鄄H (施润和), Zhuang D鄄F (庄大方), Niu Z
(牛 摇 铮), et al. Design and implement of satellite鄄
ground synchronous experiment for biochemical informa鄄
971 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 王来刚等: 基于地鄄空遥感耦合的冬小麦叶片氮积累量估算摇 摇 摇 摇 摇
tion extraction using remote sensing. Journal of Natural
Resources (自然资源学报), 2007, 22(4): 579-584
(in Chinese)
[15]摇 Ren J鄄Q (任建强), Liu X鄄R (刘杏认), Chen Z鄄X
(陈仲新), et al. Prediction of winter wheat yield based
on crop biomass estimation at regional scale. Chinese
Journal of Applied Ecology (应用生态学报), 2009, 20
(4): 872-878 (in Chinese)
[16] 摇 Ye Z鄄T (叶泽田), Gu X鄄F (顾行发). Simulation of
remote sensing images based on MIVIS Data. Acta Geo鄄
daetica et Cartographica Sinica (测绘学报), 2000, 29
(3): 235-239 (in Chinese)
[17]摇 Small C. Estimation of urban vegetation abundance by
spectral mixture analysis. International Journal of
Remote Sensing, 2001, 22: 1305-1334
[18]摇 Tian YC, Yao X, Yang J, et al. Assessing newly devel鄄
oped and published vegetation indices for estimating rice
leaf nitrogen concentration with ground鄄 and space鄄based
hyperspectral reflectance. Field Crops Research, 2011,
120: 299-310
[19]摇 Rouse JW, Haas RH, Schell JA, et al. Monitoring the
Vernal Advancement and Retrogradation of Natural Veg鄄
etation. Greenbelt, MD, USA: NASA / GSFC, Type芋,
Final Report, 1974
[20]摇 Jordan CF. Derivation of leaf鄄area index from quality of
light on the forest floor. Ecology, 1969, 50: 663-666
[21] 摇 Richardson AJ, Wiegand CL. Distinguishing vegetation
from soil background information. Photogrammetric En鄄
gineering and Remote Sensing, 1977, 43: 1541-1552
[22]摇 Huete AR. A soil鄄adjusted vegetation index ( SAVI).
Remote Sensing of Environment, 1988, 25: 295-309
[23]摇 Yao X (姚摇 霞) , Liu X鄄J (刘小军), Wang W (王
薇), et al. Estimation of optimum normalized difference
spectral index for nitrogen accumulation in wheat leaf
based on reduced precise sampling method. Chinese
Journal of Applied Ecology (应用生态学报), 2010, 21
(12): 3175-3182 (in Chinese)
[24]摇 Abou鄄Ismail O, Huang JF, Wang RC. Rice yield esti鄄
mation by integrating remote sensing with rice growth
simulation model. Pedosphere, 2004, 14: 519-526
[25]摇 Bao Y鄄S (鲍艳松), Wang J鄄H (王纪华), Liu L鄄Y
(刘良云), et al. Approach to estimation of winter
wheat nitrogen by using remote sensing technology on di鄄
verse scale and its application. Transactions of the Chi鄄
nese Society of Agricultural Engineering (农业工程学
报), 2007, 23(2): 139-144 (in Chinese)
[26]摇 Yi Q鄄X (易秋香). Information Retrieval of Rice Nitro鄄
gen Concentration at Different Remote Sensing Levels.
PhD Thesis. Hangzhou: Zhejiang University, 2008 ( in
Chinese)
[27]摇 Pacheco A, McNairn H. Evaluating multispectral remote
sensing and spectral unmixing analysis for crop residue
mapping. Remote Sensing of Environment, 2010, 114:
2219-2228
[28]摇 Wan H鄄W (万华伟), Wang J鄄D (王锦地), Qu Y鄄H
(屈永华), et al. Preliminary research on scale effect
and scaling鄄up of the vegetation spectrum. Journal of
Remote Sensing (遥感学报), 2008, 12(4): 538-545
(in Chinese)
作者简介 摇 王来刚,男,1979 年生,博士研究生,助理研究
员.主要从事作物生长监测与农业遥感应用研究,发表论文
10 篇. E鄄mail: wlaigang@ sina. com
责任编辑摇 杨摇 弘
08 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷