基于植被指数融合的冬小麦生物量反演研究

doi:10.11873/j.issn.1004-0323.2021.2.0391

遥感技术与应用

2021, Vol. 36

Issue (2): 391-399 DOI: 10.11873/j.issn.1004-0323.2021.2.0391

农业遥感专栏

基于植被指数融合的冬小麦生物量反演研究

孙奇^1,²(

),关琳琳²,焦全军²(

),刘新杰²,戴华阳¹

^1.中国矿业大学（北京）地球科学与测绘工程学院，北京 100083
^2.中国科学院空天信息创新研究院数字地球重点实验室，北京 100094

Research on Retrieving Biomass of Winter Wheat based on Fusing Vegetation Index

Qi Sun^1,²(

),Linlin Guan²,Quanjun Jiao²(

),Xinjie Liu²,Huayang Dai¹

^1.College of Geoscience and Surveying Engineering，China University of Mining and Technology （Beijing），Beijing 100083，China
^2.Key Laboratory of Digital Earth Science，Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100094，China

全文: PDF(6821 KB) HTML

摘要：

作物群体生物量是形成产量的物质基础，遥感技术是高效、客观监测作物地上生物量的重要手段，对农业生产管理具有重要意义。以安徽省龙亢农场为研究区，通过PROSAIL模拟光谱分析了4个LAI相关的可见光-近红外植被指数、2个叶片干物质相关的短波红外植被指数和8个融合植被指数与冬小麦地上生物量的关系，并建立反演模型。模拟结果显示，干物质植被指数与作物生物量的相关性高于LAI相关的植被指数，两者融合的植被指数增强了常用植被指数冬小麦生物量的探测能力。利用实测冬小麦数据对生物量反演模型进行验证，结果显示：融合植被指数普遍提高了单一植被指数的地上生物量反演精度，其中MTVI2×NDMI精度最高（RMSE=606.8 kg/hm²），并为作物地上生物量的高精度反演提供新的技术途径。

关键词： 生物量反演; 冬小麦; PROSAIL模型; 植被指数融合

Abstract:

Crop biomass is a vital fundamental substance for predicting yield. Remote sensing is an important technology to monitor crop above-ground biomass efficiently and objectively， which is of great significance for agricultural production and management. Taking Longkang farm in Anhui province as the research area， this paper analyzes the relationship between aboveground biomass of winter wheat and 4 LAI-VIs， 2 DMIs and 8 combined vegetation indices by PROSAIL simulation spectrum， and builds retrieval models. The results show that the correlation between DMIs and crop biomass is higher than LAI-VIs， and the combined vegetation index enhances the crop biomass detection ability of commonly used vegetation indices. The biomass retrieval models are validated with the measured biomass of winter wheat， and the results show that the combined vegetation index generally improves the above-ground biomass retrieval accuracy of single vegetation index， among which MTVI2×NDMI has the highest accuracy （RMSE=606.8 kg/hm²）.This paper provides a new technique for high precision retrieval of crop above-ground biomass.

Key words: Biomass retrieval Winter wheat PROSAIL model Vegetation index fusion

收稿日期: 2019-11-18 出版日期: 2021-05-24

ZTFLH:

S127

基金资助: 国家重点研发项目课题(2016YFD0300601)

通讯作者: 焦全军 E-mail: sunqicumtb@163.com;jiaoqj@radi.ac.cn

作者简介: 孙奇（1991-），男，河南商丘人，博士研究生，主要从事植被定量遥感研究。E?mail：sunqicumtb@163.com

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	孙奇
	关琳琳
	焦全军
	刘新杰
	戴华阳

引用本文:

孙奇,关琳琳,焦全军,刘新杰,戴华阳. 基于植被指数融合的冬小麦生物量反演研究[J]. 遥感技术与应用, 2021, 36(2): 391-399.

Qi Sun,Linlin Guan,Quanjun Jiao,Xinjie Liu,Huayang Dai. Research on Retrieving Biomass of Winter Wheat based on Fusing Vegetation Index. Remote Sensing Technology and Application, 2021, 36(2): 391-399.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2021.2.0391 或 http://www.rsta.ac.cn/CN/Y2021/V36/I2/391

图1 研究区地理位置及样方分布

表1 PROSAIL模型输入参数

表2 植被指数及公式

图2 叶片干物质、叶片水分和叶面积指数差异对冠层光谱反射率的影响

图3 基于PROSAIL模型的单一植被指数与生物量的关系实线是不同光谱指数与生物量间的回归线

图4 基于PROSAIL模型的融合植被指数与生物量的关系实线是不同融合植被指数与生物量间的回归线

图5 基于单一植被指数的反演模型与冬小麦实测数据验证结果实线是验证结果的拟合线，虚线是1∶1线

图6 基于融合植被指数的反演模型与冬小麦实测数据验证结果实线是验证结果的拟合线，虚线是1∶1线

1	Wang Cheng， Hou Ruifeng， Qiao Xiaojun， et al. A Device and Method for Measuring Crop Biomass［P］. 102169008A， 2011-08-31.
1	王成，侯瑞锋，乔晓军，等.一种农作物生物量测量装置及方法［P］. 102169008A， 2011-08-31.
2	Chen Zhongxin， Ren Jianqiang， Tang Huajun， et al. Progress and Perspectives on Agricultural Remote Sensing Research and Applications in China ［J］. Journal of Remote Sensing， 2016， 20（5）：748–767.
2	陈仲新，任建强，唐华俊，等. 农业遥感研究应用进展与展望［J］. 遥感学报， 2016， 20（5）：748-767.
3	Cheng T， Song R Z， Li D， et al. Spectroscopic Estimation of Biomass in Canopy Components of Paddy Rice Using Dry Matter and Chlorophyll Indices［J］. Remote Sensing， 2017， 9（4）：319. doi： 10.3390/rs9040319. doi: 10.3390/rs9040319
4	Liang Shunlin， Li Xiaowen， Wang Jindi. Quantitative Remote Sensing： Concepts and Algorithms［M］. Beijing： Science Press， 2013.
4	梁顺林，李小文，王锦地. 定量遥感：理念与算法［M］. 北京：科学出版社， 2013.
5	Wang Beizhan， Feng Xiao， Wen Nuan， et al. Monitoring Biomass and N Accumulation at Jointing Stage in Winter Wheat based on SPOT-5 Images［J］. Scientia Agricultura Sinca， 2012， 45（15）：3049-3057.
5	王备战，冯晓，温暖，等. 基于SPOT-5影像的冬小麦拔节期生物量及氮素积累监测［J］. 中国农业科学， 2012， 45（15）：3049-3057.
6	Wu Jie， Li Yuhuan， Li Zengbing， et al. Estimation of Biomass and C and N Accumulation at The Maturity Stage of Corn Using Synchronous SPOT-5 Spectral Parameters［J］. Journal of Plant Nutrition and Fertilizer， 2014， 20（1）：64-74.
6	武婕，李玉环，李增兵，等. 基于SPOT-5遥感影像估算玉米成熟期地上生物量及其碳氮累积量［J］. 植物营养与肥料学报， 2014， 20（1）：64-74.
7	Zhuang Dongying，Li Weiguo，Wu Liquan. Estimating Winter Wheat Biomass based on Satellite Remote Sensing［J］. Journal of Arid Land Resources and Environment， 2013， 27（10）：158-162.
7	庄东英，李卫国，武立权. 冬小麦生物量卫星遥感估测研究［J］. 干旱区资源与环境， 2013， 27（10）：158-162.
8	Liu J G， Pattey E， Miller J R， et al. Estimating Crop Stresses， Aboveground Dry Biomass and Yield of Corn Using Multi-temporal Optical Data Combined with A Radiation Use Efficiency Model［J］. Remote Sensing of Environment， 2010， 114（6）：1167-1177. doi： 10.1016/j.rse.2010.01.004. doi: 10.1016/j.rse.2010.01.004
9	Dong T F， Liu J G， Qian B D， et al. Estimating Crop Biomass Using Leaf Area Index Derived from Landsat 8 and Sentinel-2 Data［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 168：236-250.
10	Tian J， Philpot W D. Relationship between Surface Soil Water Content， Evaporation Rate， and Water Absorption Band Depths in SWIR Reflectance Spectra［J］. Remote Sensing of Environment，2015，169：280-289.doi：10.1016/j.rse.2015. 08.007. doi: 10.1016/j.rse.2015. 08.007
11	Wang L， Qu J J， Hao X， et al. Sensitivity Studies of the Moisture Effects on MODIS SWIR Reflectance and Vegetation Water Indices［J］. International Journal of Remote Sensing， 2008， 29（24）：7065-7075.
12	Li Xinchuan， Bao Yansong， Xu Xingang， et al. New Vegetation Index Fusing Visible-infrared and Shortwave Infrared Spectral Feature for Winter Wheat LAI Retrieval［J］. Spectroscopy and Spectral Analysis， 2013， 33（9）：2398-2402.
12	李鑫川，鲍艳松，徐新刚，等. 融合可见光—近红外与短波红外特征的新型植被指数估算冬小麦LAI［J］. 光谱学与光谱分析， 2013， 33（9）：2398-2402.
13	Xu M Z， Liu R G， Chen J M， et al. Retrieving Leaf Chlorophyll Content Using a Matrix-based Vegetation Index Combination Approach［J］. Remote Sensing of Environment， 2019， 224：60-73. doi： 10.1016/j.rse.2019.01.039. doi: 10.1016/j.rse.2019.01.039
14	Alebele Y， Zhang X， Wang W， et al. Estimation of Canopy Biomass Components in Paddy Rice from Combined Optical and SAR Data Using Multi-target Gaussian Regressor Stacking［J］. Remote Sensing， 2020， 12（16）：2564. doi： 10.3390/rs12162564. doi: 10.3390/rs12162564
15	Liu Xinjie， Wei Yunxia， Jiao Quanjun， et al. Growth Monitoring and Yield Prediction of Winter Wheat based on Time-series Quantitative Remote Sensing Data［J］. Remote Sensing Technology and Application， 2019， 168（4）：74-83.
15	刘新杰，魏云霞，焦全军，等. 基于时序定量遥感的冬小麦长势监测与估产研究［J］. 遥感技术与应用， 2019， 168（4）：74-83.
16	Jacquemoud S， Verhoef W， Frédéric B， et al. PROSPECT + SAIL Models： A Review of Use for Vegetation Characterization［J］. Remote Sensing of Environment， 2009， 113（1）：56-66. doi： 10.1016/j.rse.2008.01.026. doi: 10.1016/j.rse.2008.01.026
17	Ge Lijuan， Wang Xiaoping， Wang Qingtao， et al. Applicability of PROSAIL Model to Spring Wheat in Semi-arid Region of the Loess Plateau Under Different Drought Stress［J］. Journal of Arid Meteorology， 2017， 35（6）：926-933.
17	葛丽娟，王小平，王清涛，等. PROSAIL模型在半干旱区春小麦不同干旱胁迫条件下的适用性分析［J］. 干旱气象， 2017， 35（6）：926-933.
18	Hou Xuehui， Wang Meng， Liu Sihan， et al. Comparison Between Prosail Model and Landsat 8 Images in Inversion of Water Content of Wheat Canopy［J］. Journal of Triticeae Crops， 2018， 38（4）：493-497.
18	侯学会，王猛，刘思含，等. 基于Prosail模型和Landsat 8数据的小麦冠层含水量反演比较［J］. 麦类作物学报， 2018， 38（4）：493-497.
19	Rouse J W， Haas R H， Schell J A， et al. Monitoring Vegetation Systems in the Great Plains with ERTS［J］. Nasa Special Publication， 1973， 351：309-317.
20	Gitelson A A， Gritz Y， Merzlyak M N. Relationships between Leaf Chlorophyll Content and Spectral Reflectance and Algorithms for Non-destructive Chlorophyll Assessment in Higher Plant Leaves［J］. Journal of Plant Physiology， 2003， 160：271-282.
21	Gitelson A A， Kaufman Y J， Merzlyak M N. Use of A Green Channel in Remote Sensing of Global Vegetation From EOS-MODIS［J］. Remote Sensing of Environment， 1996， 58（3）：289-298. doi： 10.1016/S0034-4257（96）00072-7. doi: 10.1016/S0034-4257（96）00072-7
22	Haboudane D， Miller J R， Pattey E， et al. Hyperspectral Vegetation Indices and Novel Algorithms for Predicting Green LAI of Crop Canopies： Modeling and Validation in the Context of Precision Agriculture［J］. Remote Sensing of Environment，2004，90（3）：337-352. doi： 10.1016/j.rse.2003. 12.013. doi: 10.1016/j.rse.2003. 12.013
23	Maire G L， Francois C， Soudani K， et al. Calibration and Validation of Hyperspectral Indices for The Estimation of Broadleaved Forest Leaf Chlorophyll Content， Leaf Mass Per Area， Leaf Area Index and Leaf Canopy Biomass［J］. Remote Sensing of Environment， 2008， 112：3846-3864. doi： 10.1016/j.rse.2008.06.005. doi: 10.1016/j.rse.2008.06.005
24	Wang L， Qu J J， Hao X， et al. Estimating Dry Matter Content from Spectral Reflectance for Green Leaves of Different Species［J］. International Journal of Remote Sensing， 2011， 32：7097-7109.
25	Zhang Xia， Qi Wenchao， Sun Weichao. Research on Vegetation Spectrum Denoising Method based on Mathematical Morphology Filtering［J］. Remote Sensing Technology and Application， 2016， 31（5）：846-854.
25	张霞，戚文超，孙伟超. 基于数学形态滤波的植被光谱去噪方法研究［J］.遥感技术与应用， 2016， 31（5）：846-854.
26	Yu Fenghua. Retrieving Nutrient Information of Japonica Rice based on Unmanned Aerial Vehicle Hyperspectral Remote Sensing［D］. Shenyang： Shenyang Agricultural University， 2017.
26	于丰华. 基于无人机高光谱遥感的东北粳稻生长信息反演建模研究［D］. 沈阳：沈阳农业大学， 2017.
27	Yang Fei， Wang Juanle， Chen Pengfei， et al. Comparison of HJ-1A CCD and TM Data and for Estimating Grass LAI and Fresh Biomass［J］. Journal of Remote Sensing， 2012， 16（5）：1000-1023.
27	杨飞，王卷乐，陈鹏飞，等. HJ-1ACCD与TM数据及其估算草地LAI和鲜生物量效果比较分析［J］. 遥感学报， 2012， 16（5）：1000-1023.

[1]	宋德娟,魏青迪,张承明,李峰,韩颖娟,范克琦. 利用RefineNet模型提取冬小麦种植信息的方法[J]. 遥感技术与应用, 2019, 34(4): 720-726.
[2]	王凯，赵军，朱国锋. 基于GF-1遥感数据决策树与混合像元分解模型的冬小麦种植面积早期估算[J]. 遥感技术与应用, 2018, 33(1): 158-167.
[3]	姜涛，朱文泉，詹培，唐珂，崔雪锋，张天一. 一种抗时序数据噪声的冬小麦识别方法研究[J]. 遥感技术与应用, 2017, 32(4): 698-708.
[4]	冯艾琳,何洪林,刘利民,任小丽,张黎,葛蓉,赵凤华. 基于多源数据的禹城农田生态系统冬小麦生育期识别方法比较研究[J]. 遥感技术与应用, 2016, 31(5): 958-965.
[5]	王琦,柴琳娜,赵少杰,张涛. 基于多角度微波辐射亮温数据反演冬小麦光学厚度[J]. 遥感技术与应用, 2015, 30(3): 424-430.
[6]	徐婷,曹林,佘光辉. 基于Landsat 8 OLI的特征变量优化提取及森林生物量反演[J]. 遥感技术与应用, 2015, 30(2): 226-234.
[7]	权文婷,周辉. HJ星数据在关中冬小麦种植面积遥感监测中的应用 [J]. 遥感技术与应用, 2014, 29(6): 930-934.
[8]	王李娟,牛铮. PROSAIL模型的参数敏感性研究[J]. 遥感技术与应用, 2014, 29(2): 219-223.
[9]	范伟,荀尚培,杨元建,何彬方,张宏群,吴必文,高锷,孙喜波,陈磊. 星载SAR在涡阳县冬小麦测产中的应用[J]. 遥感技术与应用, 2013, 28(6): 1101-1106.
[10]	白黎娜, 王琫瑜, 田昕, 卢颖, 杨永恬. 基于多时相ENVISat ASAR数据的冬小麦识别方法—以北京通州试验区为例[J]. 遥感技术与应用, 2010, 25(4): 458-463.
[11]	李春强,李红军. TVDI在冬小麦春季干旱监测中的应用[J]. 遥感技术与应用, 2008, 23(2): 161-165.
[12]	齐腊,刘良云,赵春江,王纪华,王锦地. 基于遥感影像时间序列的冬小麦种植监测最佳时相选择研究[J]. 遥感技术与应用, 2008, 23(2): 154-160.
[13]	任建强,陈仲新,唐华俊,周清波. 长时间序列NOAA-NDVI数据在冬小麦区域估产中的应用[J]. 遥感技术与应用, 2007, 22(3): 326-332.
[14]	王云秀, 张文宗, 姚树然, 康锡言. 利用MODIS 数据监测河北省冬小麦种植信息[J]. 遥感技术与应用, 2006, 21(2): 149-153.
[15]	梁红霞, 赵春江, 黄文江, 马友华, 刘良云, 王纪华, 薛绪掌. 利用光谱指数进行冬小麦变量施肥的可行性及其效益评价[J]. 遥感技术与应用, 2005, 20(5): 469-473.

Viewed

Full text

Abstract

Cited

Shared

Discussed