结合植被指数与纹理特征的玉米冠层FAPAR遥感估算研究

　　摘要光合有效辐射吸收比率(fractionofabsorbedphotosyntheticallyactiveradiation，FAPAR)是反映作物产量的重要参数之一。无人机遥感能够快速无损地获取高分辨率植被冠层光谱信息，已成为作物理化参数反演的重要手段。以不同播期玉米为研究对象，基于无人机搭载多光谱传感器，提取植被指数与植被纹理特征，使用偏最小二乘(partialleastsquaresregression，PLSR)方法将二者结合反演玉米FAPAR，并与传统单独使用植被指数或植被纹理特征反演植被FAPAR的方法进行比较。结果表明：使用传统方法单独利用植被指数反演FAPAR(验证RMSE最低为7.33×10-2，rRMSE最低为8.66%)的效果比单独利用纹理特征反演FAPAR(验证RMSE最低为9.50×10-2，rRMSE最低为11.23%)的精度更高;使用PLSR方法单独利用植被指数或纹理特征估算FAPAR的结果比传统方法精度更高(植被指数与纹理特征的验证RMSE最低分别为6.77×10-2和5.24×10-2，rRMSE最低分别为8.01%和6.19%);使用PLSR方法将植被指数与纹理特征相结合估算FAPAR(验证RMSE最低为4.72×10-2，rRMSE最低为5.57%)的效果比单独使用植被指数或纹理特征估算FAPAR的精度更高。综上，使用PLSR方法将植被指数和植被纹理特征相结合来反演玉米冠层FAPAR可行，为作物FAPAR遥感反演研究提供了新的思路。

　　关键词FAPAR;多光谱影像;植被指数;纹理特征;PLSR

　　光合有效辐射吸收比率(fractionofabsorbedphotosyntheticallyactiveradiation，FAPAR)是植被冠层绿色部分所吸收的光合有效辐射(photosyntheticallyactiveradiation，PAR)占到达冠层顶部PAR的比例，是直接反映植被冠层对光能的截获能力与吸收能力的重要参数[1]，对作物产量形成和籽粒品质都有着直接影响[2]，同时也是基于光能利用效率模型估算作物籽粒产量的重要参数之一[3-4]。因此，实时且精准监测玉米FAPAR对筛选玉米品种和指导田间栽培管理进而实现玉米优质高产具有重要意义。目前，基于遥感数据估算FAPAR的方法大多是通过建立植被指数与FAPAR的数学模型进行回归统计[5]，这种方法操作简便、参数少且效率高，在FAPAR的估算中应用最为广泛[6-10]。

　　如Dong等[11]基于模拟Sentinel-2数据选择叶绿素相关植被指数，检验其对小麦和玉米的FAPAR估算能力，结果表明使用近红外和红边反射率的植被指数对FAPAR的估算结果最好。刘桂鹏等[12]基于高光谱影像使用几种植被指数和高光谱反射率及其导数等进行了春玉米FAPAR估算，结果表明使用NDVI构建的二次多项式模型对FAPAR的估算效果最好，但是当FAPAR较大时其估算结果会受到影响。

　　田春燕等[13]基于植被指数构建棉花FPAR估算模型，用以监测棉花长势并预测产量，结果表明使用EVI反演FAPAR的精度最好。Qin等[14]基于机载激光雷达和高光谱数据建立了多元线性回归(MLR)模型来估算玉米FAPAR，结果表明，将激光雷达和高光谱指标相结合，比单独使用激光雷达或高光谱指标估算玉米FAPAR的精度更好。Zhao等[15]使用13种植被指数提出了基于二次函数的回归模型来估算玉米FAPAR，结果表明，结合使用冠层结构相关的植被指数与土壤调节、叶绿素和生理相关的植被指数可以更好地估算玉米FAPAR。

　　以上研究表明，采用植被指数反演FAPAR的研究已经取得较好的结果，但该方法在冠层覆盖度较大时使用会存在一定的饱和现象，导致反演精度降低。植被的纹理特征也可以用来表征植被冠层结构[16]，因此也有一些研究通过纹理特征来反演生物量[17]、叶绿素含量[18]和冠层高度[19]等植被结构或冠层信息。如谢士琴等[20]基于SPOT5影像通过使用植被纹理等多个特征反演森林结构参数，结果表明使用纹理等特征可以较好地对森林结构参数进行估算。蔡文婷等[21]将Sentinel-2影像与冬小麦纹理信息相结合估算茬覆盖度，结果表明该研究使用的方法提高了估算冬小麦茬覆盖度的精度。贾丹等[22]利用无人机影像结合光谱与纹理信息来反演冬小麦氮浓度，结果表明该方法比单一使用光谱或纹理信息估算的精度有所提高。蒙诗栎等[23]基于WorldView-2影像将植被指数与纹理信息相结合反演森林地上生物量，结果表明将二者相结合的反演方法精度最高。

　　杨俊等[24]通过无人机影像将小麦植被指数与纹理特征相结合估算其生物量与产量，结果表明结合纹理特征与植被指数可以提高生物量与产量的估算精度。纹理特征可以反映植被冠层覆盖情况，冠层覆盖度大时到达冠层底部的光较少则FAPAR也会相应变大。因此，当光谱特征不足以反映FAPAR情况时，纹理特征也可以提供植被冠层的结构信息[25]。以上研究表明，可以使用植被纹理特征反演植被结构及冠层参数，且将植被纹理特征与光谱特征相结合可以在一定程度上改善植被光谱特征的饱和问题[26-27]，但目前利用植被纹理特征反演植被FAPAR的研究较少。因此本研究使用PLSR方法，基于无人机多光谱影像提取出的植被指数与植被纹理特征估算玉米FAPAR，并与传统直接使用植被指数或纹理特征估算FAPAR的方法进行比较。

　　1材料与方法

　　1.1研究区概况

　　试验于2020年7月-9月在中国农业科学院新乡综合基地(35.2°N，113.8°E)进行。新乡的气候为温带大陆性气候，四季分明，冬冷夏热。年均气温14.1℃，1月最冷，7月最热。年均降水量548.3mm，多集中在七八月间。年均蒸发量1908.7mm。年均日照2407.7h，年均无霜期200.5d。试验基地土壤为粘质壤土，耕层土壤pH8.21，含有机质12.6g/kg、速效氮61.2mg/kg、速效磷16.2mg/kg、速效钾110.0mg/kg。

　　1.2试验设计

　　研究对象为夏玉米，通过设置不同播期，获取关键时期的玉米分层FAPAR数据。共设置8个播期，每个播期间隔10d左右，播种时间从4月下旬至7月上旬，播期1的播种时间最早，播期8的播种时间较晚，其中播期6为当地适播期。每个播期包含3个黄淮海地区主栽品种，分别为丰垦139(FK139)、京农科728(JNK728)和郑单958(ZD958)，每个品种设置3个重复。每个播期相同品种面积之和为64.8m2，田间水肥与病虫害管理与实际大田管理一致。

　　1.3地面FAPAR数据获取

　　地面分层FAPAR数据使用SunScan专业版植物冠层分析仪进行采集，采集在2020年7月-9月有稳定太阳光直射时进行。获取数据前架设漫射系数传感器(beamfractionsensor，BFS)，使其水平以减小误差，BFS上方不能有任何遮挡，与探测器通过无线方式进行连接，探测器与掌上电脑(PAD)相连;之后打开SunData软件将BFS与探测器保持在同一水平面上对仪器进行校正和数据采集。获取数据时选取长势均匀的区域，将探测器水平放在冠层最底部进行数据采集。

　　1.4多光谱影像数据获取与处理

　　多光谱数据使用大疆M600-PRO六旋翼无人机搭载的RedEdge-M多光谱相机进行获取。多光谱相机获取的波段有蓝、绿、红、红边和近红外，视场角47.2°，数据采样间隔1.5s。无人机飞行高度30m，设置航向重叠和旁向重叠为80%。无人机数据采集选择在晴朗无风的10∶00与15∶00之间进行，获取时间与地面FAPAR测量日期相同。

　　1.4.1多光谱影像预处理

　　多光谱影像的预处理主要为影像的拼接与辐射校正两部分。拼接部分使用AgisoftPhtotscanPro软件进行处理，首先将需要拼接的照片添加到软件中之后对影像进行筛选，剔除冗余照片以缩短处理时间;然后选择高精度对齐照片并构建密集点云;之后进行颜色校正并构建纹理与正射影像;最后将构建的正射影像以TIFF形式导出。

　　2结果与分析

　　2.1利用植被指数估算

　　14种植被指数中有4种建模R2达到0.7以上，验证RMSE小于0.08，rRMSE小于10%;其中GNDVI的二次多项式模型对FAPAR的估算结果最好，R2均在78.52×10-2，RMSE为7.33×10-2，rRMSE为8.66%。原因可能是由于GNDVI用绿波段代替了NDVI中的红波段，而绿波段对叶绿素浓度更为敏感，可以在很大范围内精确评估色素浓度的变化[31]，使用绿波段建立的植被指数加强了对FAPAR估算结果的稳定性。

　　2.2利用纹理信息估算

　　FAPAR提取多光谱影像R、G和B波段的8种纹理特征之后，分别与FAPAR建立指数函数、线性函数、二次多项式函数、对数函数和幂函数5种统计回归模型，综合比较之后发现绿波段对纹理特征的反演效果最好，因此使用绿波段中的纹理特征对玉米FAPAR进行估算。

　　3讨论

　　FAPAR不仅是植被冠层的重要结构参数，也是作物生长和作物估产等模型的重要参数，因此快速准确地获取作物FAPAR对于估测作物产量及评价作物生长状况有重要意义。由于单独使用光谱特征对FAPAR进行估算的精度相对较差，而纹理特征提供了更多的植被冠层结构信息，能够提高FAPAR的估算精度。因此，本研究将光谱特征与纹理特征相结合，给FAPAR的估算模型增加了更多信息，在一定程度上提高了单独使用植被指数或纹理特征估算FAPAR的精度，为以后估算作物的FAPAR研究提供了新的思路。

　　然而，本研究只选择了1个试验站点采集的FAPAR数据，没有在其他站点进行试验，所使用的试验数据较少，建立的回归模型结果可能不够精确;此外，由于错过了一些播期玉米的生长状况，使得处在生育初期的FAPAR数据相对较少，对建模结果也有一定的影响。因此，在接下来的研究中，将开展多站点试验，同时获取更多的田间及无人机影像数据，更好地阐明光谱信息与FAPAR数据之间的光谱机理与回归关系。

　　4结论

　　本研究对玉米冠层FAPAR进行测量并结合基于无人机多光谱影像提取的植被指数和纹理特征分别对其进行估算，之后使用PLSR方法对植被指数、纹理特征和将二者结合分别对FAPAR进行估算。将使用的3种估算FAPAR的方法进行比较验证。

　　植被养护论文投稿刊物：应用生态学报(月刊)创刊于1990年，是中国科学院主管、中国生态学学会和中国科学院沈阳应用生态研究所联合主办的综合性学术期刊，创刊于1990年，由科学出版社出版。

　　结果表明：(1)使用传统方法直接利用植被指数或纹理特征估算FAPAR时，植被指数的精度更高，R2比纹理特征提高约0.2，RMSE和rRMSE分别降低约0.02和2.60%;(2)单独利用植被指数或纹理特征估算FAPAR时，使用PLSR方法比传统的统计回归方法精度更高。其中植被指数的R2提高了约0.04，RMSE和rRMSE分别降低约0.06×10-2和0.70%，纹理特征的RMSE和rRMSE分别降低约4.8×10-2和5.04%;(3)将植被指数和纹理特征相结合并使用PLSR估算FAPAR的精度最高，R2达到94.39×10-2，RMSE和rRMSE分别达到4.72×10-2和5.57%。

　　参考文献

　　[1]董泰锋，蒙继华，吴炳方.基于遥感的光合有效辐射吸收比率(FAPAR)估算方法综述.生态学报，2012，32(22)：7190-7201.

　　[2]周元刚.不同受旱条件下冬小麦和夏玉米冠层光截获特征研究.杨凌：西北农林科技大学，2016[3]李贺丽，罗毅，薛晓萍，等.冬小麦冠层对入射光合有效辐射吸收比例的估算方法评价.农业工程学报，2011，27(4)：201-206.

　　[4]MoriondoM，MaselliF，BindiM.AsimplemodelofregionalwheatyieldbasedonNDVIdata.EuropeanJournalofAgronomy，2007，26(3)：266-274.

　　[5]张宇.基于光学和雷达遥感的水稻FAPAR协同反演.成都：电子科技大学，2019.

　　[6]ZhangY，LiS，HeZ，etal.SynergisticInversionofRiceFPARBasedonOpticalandRadarRemoteSensingData.IGARSS2019-2019IEEEInternationalGeoscienceandRemoteSensingSymposium.IEEE，2019.

　　作者：王思宇1，2聂臣巍2余汛2，3邵明超2，4王梓旭2，5努热曼古丽•托乎提2，6刘亚东2程明瀚2，7官云兰1金秀良2