基于Hyperion高光谱影像的冬小麦地上干生物量反演

任建强　吴尚蓉　刘　斌　陈仲新　刘杏认　李　贺

(1.中国农业科学院农业资源与农业区划研究所， 北京 100081； 2.北京洛斯达数字遥感技术有限公司， 北京 100120；3.中国农业科学院农业环境与可持续发展研究所， 北京 100081； 4.中国科学院地理科学与资源研究所， 北京 100101)

0　引言

利用遥感技术准确获取作物生物量信息对开展农作物长势监测、区域作物产量估算、农田生态系统和全球碳循环等研究都具有重要意义[1]。目前，通过遥感获取生物量主要模型包括机理模型、半机理模型和经验模型[2-4]。其中，经验模型直接利用遥感特征参量与地上生物量数据建立统计模型，尽管该方法本身涉及作物生物量形成机理较少，但因方法简单、可操作性强，从而得到了较广泛的应用。其中，归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)等是最常用遥感特征参量[5]。从遥感数据源看，目前农作物生物量估算主要应用多光谱、高光谱和雷达等遥感数据[6-7]，其中，多光谱遥感数据应用最广泛[8]。高光谱遥感数据由于具有更高光谱分辨率(波段宽度小于10 nm)，使得地表植被光谱分析有更多的波段选择，为定量分析植物理化变量与光谱特征的关系提供了强有力的数据支撑，也为深入开展作物生物量等关键农情参数定量反演提供了丰富信息源。

众多研究表明，高光谱遥感数据在作物生物量等生物理化参数估算方面比多光谱遥感数据更具特点和优势，已经成为最有应用潜力的遥感数据类型之一[9]。但由于高光谱原始数据信息量大、波段多且相邻波段信息相关性高，信息冗余性必然会增加[10-11]。因此，如何进行高光谱敏感波段选取和有效信息提取成为高光谱数据应用的关键步骤之一，也是进一步开展植被参数高光谱遥感反演模型研究的重要工作基础。国内外学者已经开展了一系列高光谱作物参数反演敏感波段选择、波段组合以及遥感指数筛选研究[12-14]。

综合看，目前利用高光谱遥感数据进行农作物理化参量遥感反演大多集中应用非成像冠层高光谱[15-17]，少量研究采用航空高光谱遥感影像[18-21]，而利用高光谱卫星遥感数据(如EO-1 Hyperion)的研究相对更少[22]。特别是目前利用高光谱进行作物理化参量反演大多集中在作物冠层含水率、叶绿素(含氮量)、叶面积指数、覆盖度、生物量等参数[23-26]，其中，作物地上干生物量(Above-ground dry biomass，ADBM)方面的研究相对较少[22]。

本文在粮食主产区黄淮海地区选择典型试验区，以冬小麦地上干生物量ADBM为研究对象，以窄波段归一化植被指数(Narrow band normalized difference vegetation index，N-NDVI)、窄波段比值植被指数(Narrow band ratio vegetation index，N-RVI)、窄波段差值植被指数(Narrow band difference vegetation index，N-DVI)为遥感特征参量，在利用作物冠层高光谱进行作物生物量敏感波段中心优选基础上，以敏感波段中心筛选结果为指导，利用EO-1 Hyperion高光谱遥感数据和窄波段植被指数开展区域冬小麦地上干生物量遥感反演研究，以期为进一步提高遥感高光谱卫星数据植被理化参数估算精度提供理论依据与技术支撑。

1　研究区域概况

研究区主要位于黄淮海粮食主产区河北省衡水市，地面调查区位于深州市(37°42′36″～38°09′36″N，115°21′36″～115°48′02″E)。该区域属于温带半湿润季风气候，区域主要农作物种植制度为冬小麦-夏玉米一年两熟制。其中，冬小麦种植时间为上年9月下旬至10月上旬，返青期为下年2月下旬至3月上旬，拔节期为4月上旬至4月中旬，孕穗期为4月下旬，抽穗期为5月上旬，乳熟期为5月下旬，成熟期为6月上旬。2014、2015年对深州市7个典型样方在冬小麦孕穗期、抽穗期和乳熟期进行实地调查6次，累计获得42个样方数据和210个调查样点数据，主要包括作物冠层光谱和作物地上干生物量测量等；另外，调查区内均匀分布7个长期定位调查样点，用于观测冬小麦主要生育期地上干生物量指标。研究区及地面试验采样点空间分布如图1所示。

图1　研究区示意图Fig.1　Location of study region

图2　研究技术路线流程Fig.2　Flow chart of research technology route

2　研究方法

首先，在利用作物冠层高光谱数据构建任意两个窄波段间植被指数N-VIs基础上，建立N-VI与冬小麦实测地上干生物量间线性模型。其中，本研究涉及的窄波段植被指数包括N-NDVI、N-DVI和N-RVI；其次，绘制N-VIs与冬小麦实测地上干生物量拟合精度R2二维图；在此基础上，通过确定R2极大值区域和极大值区域重心，从而确定N-VIs对冬小麦干生物量敏感的波段中心；然后，以基于N-VIs确定的估算冬小麦干生物量的敏感波段中心为指导，选择预处理后的Hyperion相关敏感波段反射率构建相应N-VIs，并在冬小麦干生物量与Hyperion N-VIs相关性分析基础上，优选估算生物量精度最高的N-VI及Hyperion相关波段；最终，完成基于Hyperion的区域冬小麦生物量高精度反演和精度验证，主要技术路线如图2所示。

2.1　高光谱作物地上干生物量敏感波段选取

2.1.1冠层高光谱窄波段植被指数(N-VIs)

为了便于研究作物冠层高光谱数据构建的任意2个波段间植被指数(N-VI)与生物量的相关关系，本研究选取了计算最为简单且最常用的归一化植被指数(NDVI)、差值植被指数(DVI)和比值植被指数(RVI)进行冬小麦生长期内作物生物量估算。具体计算公式为

NDVI=(RNIR-RRED)/(RNIR+RRED)

(1)

DVI=RNIR-RRED

(2)

RVI=RNIR/RRED

(3)

式中RNIR——近红外光谱反射率

RRED——红光光谱反射率

常规宽波段植被指数NDVI、DVI和RVI由近红外和红光波段构成，而高光谱提供了更加丰富的光谱信息，当近红外波段或红光波段不真正限制在电磁波谱的近红外区域和红光区域,而是针对高光谱任意波段进行两两组合时[13]，便可构成窄波段归一化植被指数N-NDVI、窄波段比值植被指数N-RVI和窄波段差值植被指数N-DVI。具体计算公式为

N-NDVIij=(Ri-Rj)/(Ri+Rj)

(4)

N-DVIij=Ri-Rj

(5)

N-RVIij=Ri/Rj

(6)

式中i、j——高光谱波段

Ri、Rj——i、j波长所对应的高光谱反射率

获得的冠层高光谱波长在350～2 500 nm之间，但由于主要针对可见光——近红外波段范围开展研究，且冠层光谱在1 350～1 415 nm和1 800～1 950 nm受大气和水蒸气影响较大[27]。因此，本研究仅选择350～1 000 nm范围光谱(含650个波段)进行敏感波段中心筛选及生物量估算研究。

2.1.2冠层高光谱N-VIs与冬小麦地上干生物量相关性

在研究作物冠层高光谱N-VIs指数与冬小麦地上干生物量间相关性基础上，建立N-VI与冬小麦干生物量间的拟合R2二维图。在此基础上，以表征拟合精度的决定系数(R2)为衡量指标，确定对生物量估算相关性高的波段区域，为冬小麦干生物量估算敏感波段优选提供依据。其中，利用350～1 000 nm波长范围内的地面作物冠层高光谱数据任意两波段构建的N-VI分别与地面实测干生物量进行线性拟合，拟合方程为

y=ax+b

(7)

式中x——作物冠层高光谱N-VIs

y——冬小麦地上干生物量，kg/hm2

a——一次项系数b——常数项

表征冬小麦地上干生物量拟合精度的决定系数R2为

(8)

式中oi——实测作物地上生物量，kg/hm2

xi——对应N-VI

R2越接近于1，说明冬小麦地上干生物量与N-VI间线性关系拟合效果越好，拟合精度越高，且R2越大说明所选波段对冬小麦地上干生物量越敏感。

2.1.3作物地上干生物量敏感波段中心确定

由于在N-VI与地上干生物量间的R2二维图中，R2极大值区域并不是均匀分布，且R2极大值点与R2极大值区域重心不一定完全重合，导致R2极大值点对应波段不一定与最优波段中心重合。因此，为保证利用所选波段中心进行作物生物量估算的结果更具稳定性和准确性，本研究通过确定R2极大值区域重心获得敏感波段中心。首先，在获得N-VI与冬小麦地上干生物量间的拟合R2二维图基础上，确定N-VI对冬小麦地上干生物量估算相关性高的波段区域；其次，在该区域内寻找R2极大值点，并遍历该点8邻域内满足显著性要求的所有点，将这些点的集合标记为R2极大值区域Ω；最后，将R2极大值点区域的重心作为每个R2极大值点区域的敏感波段中心。作物地上干生物量敏感波段中心确定示意图如图3所示。其中，重心计算公式为

(9)

式中f(u,v)——波段坐标为(u,v)的R2值

图3　作物地上干生物量敏感波段中心确定示意图Fig.3　Sketch map of sensitive band center of crop ADBM

由相关系数显著性检验可知，当样本数量为30时，R2>0.130，N-VIs与实测作物地上干生物量呈显著相关关系；R2>0.214，N-VIs与实测地上干生物量极显著相关关系。为了保证本研究敏感波段中心筛选结果的精度和可靠性，本研究采用R2>0.214的极显著相关关系标准进行敏感波段区域的筛选。筛选过程中，需要在R2二维图中寻找R2>0.214的极大值点，并遍历该点8邻域内R2>0.214的所有点，将这些点的集合标记为极大值区域Ω，并以R2=0.05[28]为梯度显示R2分布区域。此外，为了提高所选敏感波段估算作物干生物量的精度，并减少工作量，研究中可根据N-VIs与作物地上生物量间拟合R2二维图的特点，选择更高拟合精度标准的R2二维区域进行相关敏感波段优选研究。

2.2　作物地上干生物量反演

2.2.1高光谱卫星遥感数据植被指数

在利用作物冠层高光谱数据计算窄波段植被指数N-VIs进行冬小麦生物量估算敏感波段中心筛选基础上，以敏感波段中心为指导，选择敏感中心对应的Hyperion波段，并以Hyperion波段反射率计算相应的N-VIs植被指数。

2.2.2高光谱卫星遥感植被指数与地上生物量关系模型建立

在筛选遥感数据波段及构建相应Hyperion窄波段植被指数基础上，建立Hyperion窄波段植被指数与冬小麦实测地上干生物量间线性模型，方程为

Y=cX+d

(10)

式中X——关键生育期的Hyperion N-VIs

Y——关键生育期地上干生物量，kg/hm2

c——一次项系数d——常数项

2.2.3基于Hyperion N-VIs的区域冬小麦地上干生物量估算

在建立不同敏感波段下Hyperion N-VIs与冬小麦实测地上干生物量间统计模型基础上，将Hyperion高光谱遥感数据计算的窄波段植被指数N-VI代入到相关地上干生物量估算模型，从而获得不同敏感波段下区域冬小麦生物量空间分布结果。在此基础上，利用预留的实测地上生物量验证点数据对上述区域冬小麦生物量空间分布结果进行精度验证。最终，根据精度最高原则，确定冬小麦地上干生物量反演Hyperion最优波段，并将精度最高的生物量估算结果作为区域冬小麦地上生物量估算最佳结果。

2.3　作物地上生物量遥感估算精度验证

除了常用表征模型精度的决定系数R2外，本研究中作物地上生物量遥感估算模型结果验证精度评价指标还包括归一化均方根误差(Normalized root mean square error，NRMSE)和相对误差(Relative error，RE)，公式为

(11)

(12)

式中pi——通过窄波段植被指数拟合的作物地上生物量，kg/hm2

n——样本量

其中，当NRMSE和RE小于10%时，判断模拟结果精度为极好，NRMSE和RE大于 10%小于20%时模拟结果为好，NRMSE和RE大于20%小于30%时模拟结果为中等，NRMSE和RE大于30%时模拟结果为差[29-30]，判断标准优先考虑NRMSE，其次为RE。

本研究在作物冠层高光谱干生物量敏感波段中心确定中，主要利用2014年、2015年累计获得的42个样方地上干生物量和冬小麦冠层高光谱数据。其中，30个样方数据用于模型建立，12个样方数据用于精度验证；在基于Hyperion高光谱卫星遥感进行区域冬小麦地上干生物量估算研究中，本研究仅获取到2014年冬小麦孕穗期1景Hyperion高光谱遥感卫星影像。受Hyperion遥感影像幅宽较窄影响，仅覆盖了2014年地面部分典型样方中18个调查点和7个长期定位观测点，因此，研究中仅采用25个点位数据开展Hyperion高光谱遥感干生物量模型建立与精度验证。其中，15个用于模型建立，10个用于精度验证。

3　数据获取与处理

3.1　地面数据采集与处理

3.1.1地面样方布设与观测

本研究典型样方数据采集主要包括GPS定位信息、冬小麦冠层高光谱和冬小麦地上干生物量。研究区共布设7个典型样方，样方选择不仅考虑了小麦样方在区域内分布的均匀性，而且考虑了小麦长势和品种的代表性。其中，2014年和2015年共进行6次地面样方数据采集，具体地面样方调查时间分别为2014年4月23日(孕穗期)、5月9日(抽穗期)、5月28日(乳熟期)和2015年4月14日(拔节期)、5月7日(抽穗期)和5月27日(乳熟期)。调查中，每个样方内均匀布置5个采样点，每个采样点样框大小为50 cm×50 cm，在每个样点分别进行冬小麦地上干生物量和冠层高光谱采集。为准确获得每个地面样方的地上干生物量和冠层光谱数据，研究中将5个样点的干生物量和冠层光谱信息分别进行平均处理，从而获得更加准确的典型样方观测数据，进而提高参与建模和模型验证的样方数据质量。

3.1.2地上干生物量和冠层光谱获取

在冬小麦地上生物量实地调查过程中，在对采样点进行准确定位基础上，分别收割样点中50 cm×50 cm采样框内冬小麦地上部分并装入保鲜袋。在实验室中，对冬小麦植株105℃杀青2 h，并在80℃干燥至恒质量(前后两次质量差不大于5%)，称得植株地上部干生物量。在此基础上计算采样点单位面积冬小麦地上干生物量(kg/hm2)。

冬小麦冠层光谱利用美国ASD FieldSpec Pro 2500型光谱仪(350～2 500 nm)进行测量。其中，在350～1 000 nm光谱范围内采样间隔为1.4 nm(重采样后间隔为1 nm)，在1 000～2 500 nm光谱范围内采样间隔为2 nm。测定光谱在10:00—14:00之间且天气晴朗无风、阳光照射充足条件下进行。光谱测量过程中，首先将探头垂直对准参考板进行优化，然后开始样方内冬小麦冠层光谱的采集。光谱采集时，探头垂直向下，探头距离冠层高度约1.2 m，探头视场角为25°，每个采样点测量10条高光谱。在此基础上，利用ViewSpecPro软件对光谱数据进行平均，并将平均值作为相应采样点的反射光谱值。此外，利用ENVI Classic软件中smooth(s1,5)函数9点加权移动平均法对光谱数据进行平滑。最终，得到观测样方地面高光谱反射率数据。

3.2　高光谱遥感卫星数据获取与处理

本研究所用遥感数据为1景EO-1 Hyperion高光谱卫星数据，相关遥感数据由美国地质勘探局网站(http:∥glovis.usgs.gov)下载获得。Hyperion是美国地球观测卫星EO-1搭载的高光谱成像仪,是第1台星载高光谱传感器，成像幅宽为7.7 km×42 km，空间分辨率为30 m，光谱分辨率为10 nm，共242个波段，光谱范围为357～2 576 nm。其中，1～70波段覆盖357～1 058 nm的可见光和近红外区域，71～242波段覆盖852～2 576 nm的短波红外区域。

本研究中利用的Hyperion影像获取时间为2014年4月23日，影像中心位置为38°01′1.52″N，114°44′6.69″E。Hyperion数据预处理在ENVI Classic Workshop插件下进行，主要包括条纹修复及坏线去除、未标定及水汽吸收严重波段剔除、Smile效应校正、大气校正、几何校正等。通过对影像的处理，剔除了噪声波段以及无效波段，有效波段共有176个，分别为波段8～57、波段79～120、波段128～166、波段179～223。本研究中用到的波段主要集中在350～1 000 nm范围内8～57、79～85波段，其中，波段8～57波长范围为426.82～925.41 nm，波段79～85波长范围为932.64～993.17 nm。

3.3　其他辅助数据

本文中涉及其他辅助数据包括研究区冬小麦作物分布图、作物物候信息、行政边界(县级、市级、省级)等。其中，高精度冬小麦作物分布图由农业部农业遥感重点实验室(原农业部农业信息技术重点实验室)提供，该数据由16 m空间分辨率GF-1遥感数据通过目视解译获得，通过与地面作物样方验证，作物分布图总体精度和Kappa系数分别为97.53%、0.951 0。由于本研究采用的Hyperion高光谱影像分辨率为30 m，为了提取Hyperion高光谱影像冬小麦地上生物量空间分布信息，本研究通过对16 m空间分辨率作物分布图进行重采样，从而获得与Hyperion高光谱影像一致的空间分辨率，便于提取冬小麦地上生物量空间分布信息。

4　结果与分析

4.1　冠层高光谱估算地上干生物量敏感波段选取

4.1.1冠层高光谱窄波段植被指数N-VIs结果

研究中，在对样方采集的作物冠层高光谱数据光谱平均及光谱平滑等预处理基础上，利用Matlab软件，根据式(4)～(6)，在冬小麦关键生育期分别计算并绘制任意两波段组合的N-NDVI、N-DVI和N-RVI，获得冬小麦N-NDVI、N-DVI和N-RVI分布，如图4所示。其中，在350～1 000 nm高光谱范围内任意两波段间组合及相关N-NDVI、N-DVI和N-RVI值均为650×650个。图4所示N-VIs分布图是用其中一个冬小麦样方孕穗期、抽穗期和乳熟期等不同生育期N-NDVI、N-DVI和N-RVI计算的二维分布图。

由图4a～4f可知，N-NDVI和N-DVI红色区域为正值，蓝色部分为负值，且N-NDVI和N-DVI的绝对值以(350，350)、(1 000，1 000)两点间连线为轴呈轴对称分布，因此，在分析时只需研究对称轴一侧N-NDVI和N-DVI即可。以对称轴下侧为例，存在一些N-NDVI和N-DVI变化较为明显的区域，各个生育期窄波段植被指数变化比较明显区域N-VIs最小值、最大值和平均值的统计结果如表1所示，该结果符合冬小麦不同生育期内植被指数与冠层光谱的变化规律[31]。由于N-RVI与N-NDVI、N-DVI计算公式形式的不同，任意两波段构建的N-RVI在分布上不具有对称性，且在数值上只有正值。由图4g～4i可以看出，N-RVI数值分布区域界线明显，数值较大的N-RVI主要分布在横轴740～1 000 nm范围、纵轴350～700 nm范围内，其中，横轴750～1 000 nm、纵轴350～520 nm范围和横轴740～1 000 nm、纵轴600～700 nm范围两个区域的N-RVI在冬小麦生育期内变化明显。各个生育期内窄波段植被指数变化比较明显的区域，具体指数分布结果如表1所示。

4.1.2冠层高光谱N-VIs与地上干生物量相关性

将650×650个N-NDVI、N-DVI和N-RVI数据分别与30个地面实测干生物量数据建立线性模型，并输出每个N-VI拟合干生物量的拟合精度R2(图5)。图5中横、纵坐标为作物冠层高光谱波长且波长范围为350～1 000 nm，R2二维图内任意点即为该点对应的横轴(λ1)、纵轴(λ2)2个波段反射率构建的N-VIs与干生物量间拟合精度R2。由图5可看出，拟合精度R2分布以(350，350)、(1 000，1 000)两点对角线为轴对称分布，从R2二维分布区域可以得到N-NDVI、N-DVI和N-RVI对冬小麦干生物量相关性较大的区域及相关波段信息。

4.1.3高光谱窄波段植被指数估算生物量敏感波段中心确定

由于N-VIs与干生物量间R2分布二维图中极大值区域分布特点各不相同，为了突出极大值区域间界线划分，也便于更直观地显示与生物量敏感的R2区域和敏感波段中心的确定，进一步提高所选敏感波段估算作物干生物量的精度，同时为了减少研究的工作量，本研究在N-NDVI、N-DVI和N-RVI拟合冬小麦干生物量R2二维图中分别选择R2≥0.65、R2≥0.60、R2≥0.70的R2二维区域进行相关敏感波段中心确定研究，并确定了相应的极大值区域，如图6a中A～H、图6b中A～D、图6c中A～I为满足条件的R2极大值区域Ω。为了更直观地显示波段敏感区域，本研究在图6中仅显示了R2>0.45区域结果。

图4　冬小麦N-VIs分布二维图(2014年)Fig.4　Two dimensional distributions of N-VIs of winter wheat (2014)

窄波段植被指数坐标轴范围/nm孕穗期VIs抽穗期VIs乳熟期VIs横轴纵轴最小值最大值平均值最小值最大值平均值最小值最大值平均值680～1000350～7200.450.930.870.560.940.890.400.760.74N-NDVI520～580350～5100.370.650.400.350.600.390.250.580.39640～700520～570-0.45-0.30-0.32-0.44-0.30-0.31-0.16-0.06-0.07N-DVI720～1000350～7500.130.520.510.090.410.380.070.270.24760～930830～10000.040.080.060.040.070.050.010.030.02N-RVI750～1000350～52018.0053.0048.0015.0042.0035.008.0025.0019.00740～1000600～70012.0034.0028.0011.0021.0017.004.007.506.00

图5　N-VIs与冬小麦地上干生物量间拟合R2二维图Fig.5　Two dimensional maps of R2 values for N-VIs versus ADBM of winter wheat

图6　N-VIs拟合冬小麦干生物量R2二维等值线Fig.6　R2 contour maps showing relationship between N-VIs and dry winter wheat biomass

在确定N-VIs与干生物量的敏感区域后，根据式(9)分别计算敏感区域Ω的重心作为敏感波段中心。通过计算可知，图6a中A～H的重心分别为(840 nm，387 nm)、(500 nm，465 nm)、(963 nm，527 nm)、(859 nm，543 nm)、(729 nm，538 nm)、(962 nm，701 nm)、(829 nm，699 nm)、(718 nm，717 nm)；图6b中A～D的重心分别为(502 nm，454 nm)、(623 nm，428 nm)、(947 nm，593 nm)、(956 nm，736 nm)；图6c中A～I的重心分别为(439 nm，623 nm)、(506 nm，461 nm)、(538 nm，965 nm)、(553 nm，850 nm)、(550 nm，740 nm)、(721 nm，715 nm)、(730 nm，552 nm)、(818 nm，519 nm)、(970 nm，539 nm)。

4.2　基于Hyperion的区域冬小麦生物量遥感反演

4.2.1Hyperion遥感波段选取与N-VIs计算

在基于冠层高光谱窄波段植被指数(N-VIs)确定冬小麦干生物量高光谱敏感波段中心基础上，确定不同敏感波段中心所对应的Hyperion波段。其中，由于构建窄波段植被指数的冠层高光谱分辨率为1 nm，因此，构建植被指数的两个波段中心可能会出现在同一Hyperion波段，这种情况在Hyperion波段选取时予以舍弃。如敏感波段中心(718 nm，717 nm)的2个波段中心将同时出现在Hyperion的B37波段(中心波长721.90 nm，半值波宽10.600 4 nm)，导致构建N-NDVI植被指数一直为零，因此，这种情况敏感波段选取时将予以舍弃。另外，由于Hyperion遥感预处理时剔除了1～7波段(波长范围355.59～416.64 nm)，因此，敏感波段中心(840 nm，387 nm)也将不予考虑。最终，建立了N-NDVI、N-DVI和N-RVI估算冬小麦生物量敏感波段中心与Hyperion波段对应关系，如表2所示。

根据表2中N-NDVI、N-DVI和N-RVI对应的Hyperion高光谱敏感波段，利用ENVI软件中Band Math功能进行波段运算，计算Hyperion相关波段所对应的窄波段植被指数。在此基础上，利用研究区内冬小麦空间分布信息对相关波段构建的N-VIs进行掩膜处理，从而获得2014年覆盖影像内冬小麦孕穗期N-VIs空间信息。在此基础上，对2014年研究区覆盖影像内冬小麦孕穗期N-VIs最大值、最小值和平均值进行统计，结果如表2所示。由于篇幅限制，本研究仅列出冬小麦孕穗期Hyperion N-VIs结果中全部N-NDVI空间分布图作为示例，如图7所示。

4.2.2基于Hyperion的区域生物量反演结果及精度验证

在计算Hyperion对应窄波段植被指数基础上，根据地面实测生物量样方GPS信息提取相应点位的窄波段植被指数，并建立Hyperion窄波段植被指数与冬小麦地上干生物量间关系模型。最后，完成对所构建生物量反演模型的精度验证。由于Hyperion影像幅宽较窄，只覆盖了一部分试验区域，覆盖区域共包含25个地面实测点，本文中用其中15个实测点数据进行遥感反演模型建立，10个实测点数据进行反演精度验证。验证结果如表3所示。

依据2.3节中精度验证评价标准，由表3可以看出，基于N-NDVI冬小麦地上干生物量估算相对误差范围为12.65%～15.46%，归一化均方根误差范围为13.78%～16.73%。其中，以B18(528.57 nm)、B82(962.91 nm)波段构建的N-NDVI估算干生物量精度最高，R2为0.720 6，RE、NRMSE分别为12.65%和13.78%；基于N-RVI冬小麦地上干生物量估算相对误差范围为12.77%～19.66%，归一化均方根误差范围为14.53%～18.95%。其中，以B36(711.72 nm)、B37(721.90 nm)波段构建的N-RVI估算干生物量精度最高，R2为0.700 1，RE、NRMSE分别为12.77%和14.53%；基于N-DVI冬小麦地上干生物量估算相对误差范围为16.83%～20.81%，归一化均方根误差范围为18.90%～23.22%。其中，以B38(732.07 nm)、B81(952.82 nm)波段构建的N-DVI估算干生物量精度最高，R2为0.692 4，RE、NRMSE分别为16.83%和18.90%。

表2　Hyperion遥感波段选取与N-VIs计算Tab.2　Selection of Hyperion bands and statistic of winter wheat N-VIs in 2014

图7　冬小麦孕穗期Hyperion N-NDVI空间分布(2014年)Fig.7　Spatial results of Hyperion N-NDVI of winter wheat at booting stage (2014)

表3　基于Hyperion N-VIs的区域冬小麦生物量估算精度(孕穗期，2014年)Tab.3　Accuracy of remote sensing estimated biomass based on Hyperion N-VIs(booting stage，2014)

注：拟合方程中X分别为Hyperion波段λ1、λ2构建的N-VI，Y为对应N-VI拟合冬小麦地上干生物量(单位：kg/hm2)；** 表示通过0.01显著性检验。

图8　基于Hyperion N-NDVI的冬小麦地上干生物量反演和验证(孕穗期，2014年)Fig.8　Result of ADBM of winter wheat and their validation based on Hyperion N-NDVI(booting stage, 2014)

图9　基于Hyperion N-RVI的冬小麦地上干生物量反演和验证(孕穗期，2014年)Fig.9　Result of ADBM of winter wheat and their validation based on Hyperion N-RVI(booting stage, 2014)

图10　基于Hyperion N-DVI的冬小麦地上干生物量反演和验证(孕穗期，2014年)Fig.10　Result of ADBM of winter wheat and their validation based on Hyperion N-DVI(booting stage, 2014)

可见，基于Hyperion高光谱遥感数据的窄波段植被指数在区域冬小麦孕穗期干生物量反演中获得了较好的精度结果，根据本研究精度评价标准，其总体精度由大到小为：N-NDVI、N-RVI、N-DVI。受篇幅限制，本文仅列出N-NDVI、N-RVI和N-DVI中精度最高的冬小麦地上干生物量反演结果，具体干生物量结果和相关验证如图8～10所示。其中，根据本文采用精度最高结果作为区域冬小麦地上干生物量反演结果的规则，本研究最终采用B18(528.57 nm)和波段B82(962.91 nm)构建的Hyperion N-NDVI最高精度生物量估算结果作为区域冬小麦孕穗期干生物量反演结果，即RE、NRMSE分别为12.65%和13.78%，如图8所示。

5　讨论

(1)敏感波段中心确定方法或过程有待进一步完善。本研究敏感波段中心筛选过程中，拟合精度通过线性模型得出，下一步有必要尝试利用非线性模型开展敏感波段选择研究；其次，目前本研究只应用了NDVI、DVI和RVI等常见植被指数，其他多波段构成的复杂植被指数(如三角叶绿素植被指数TCI、增强型植被指数EVI等)敏感波段中心筛选工作有待进一步开展；此外，本方法与直接采用极大值点进行高光谱遥感卫星敏感波段选择相比，作物生物量反演精度间差异也是下一步研究的重点之一。

(2)敏感波段指导高光谱遥感卫星应用存在一定不足，且试验中忽略了一些外部因素影响。如受数据质量或者遥感传感器自身特点等多因素影响，所选择卫星遥感数据波段与筛选出的冠层高光谱敏感波段在数量以及位置上难以一一对应，这使得在遥感反演过程中损失了部分植被指数，这可能会对研究结果产生一定影响。另外，本研究目前仅采用了冬小麦孕穗期1景Hyperion高光谱遥感卫星影像进行区域冬小麦地上干生物量反演研究，尽管能够满足本研究冬小麦生物量敏感波段中心确定方法验证和应用目标，且得到了基于Hyperion N-VIs区域冬小麦孕穗期地上生物量反演精度及其精度排序等应用结果，但利用其他关键生育期Hyperion影像窄波段植被指数进行农作物地上干生物量反演精度对比研究将是下一步深入开展的工作。

6　结论

(1)在分析冠层高光谱构建的窄波段植被指数(N-VIs)与冬小麦地上干生物量间相关性基础上，提出了通过确定拟合精度R2极大值区域重心，从而确定窄波段植被指数对冬小麦干生物量敏感的波段中心。在此基础上，以敏感波段中心筛选结果为指导，应用估算生物量精度最高的植被指数对应的相关波段开展Hyperion高光谱遥感区域冬小麦干生物量遥感反演和精度验证研究。通过与实测冬小麦地上干生物量对比，基于冠层高光谱作物生物量敏感波段优选和窄波段植被指数的Hyperion高光谱遥感影像区域冬小麦干生物量估算取得了较好结果，证明本研究方法具有一定可行性。

(2)在冠层高光谱N-VIs与冬小麦干生物量间拟合R2二维图基础上，通过计算N-VIs与作物地上干生物量间拟合精度R2二维区域极大值区域重心，分别确定了基于N-VIs的作物地上干生物量反演的高光谱敏感波段中心。通过计算可知，冠层高光谱N-NDVI与干生物量的敏感波段中心为(840 nm，387 nm)、(500 nm，465 nm)、(963 nm，527 nm)、(859 nm，543 nm)、(729 nm，538 nm)、(962 nm，701 nm)、(829 nm，699 nm)、(718 nm，717 nm)；冠层高光谱N-DVI与干生物量的敏感波段中心为(502 nm，454 nm)、(623 nm，428 nm)、(947 nm，593 nm)、(956 nm，736 nm)；冠层高光谱N-RVI与干生物量的敏感波段中心为(439 nm，623 nm)、(506 nm，461 nm)、(538 nm，965 nm)、(553 nm，850 nm)、(550 nm，740 nm)、(721 nm，715 nm)、(730 nm，552 nm)、(818 nm，519 nm)、(970 nm，539 nm)。

(3)在冠层高光谱反演作物生物量敏感波段中心指导下，基于孕穗期Hyperion高光谱遥感数据的窄波段植被指数在区域冬小麦孕穗期干生物量反演中获得了较为满意的精度结果，其总体精度由大到小为：N-NDVI、N-RVI、N-DVI。其中，以波段B18(528.57 nm)、波段B82(962.91 nm)构建的Hyperion N-NDVI估算区域冬小麦地上干生物量精度最高，相对误差(RE)和归一化均方根误差(NRMSE)分别为12.65%和13.78%。

1ZHENG D, RADEMACHER J, CHEN J, et al. Estimating aboveground biomass using Landsat 7 ETM+ data across a managed landscape in northern Wisconsin, USA [J]. Remote Sensing of Environment, 2004, 93(3): 402-411.

2杜鑫，蒙继华，吴炳方. 作物生物量遥感估算研究进展[J]. 光谱学与光谱分析，2010，30(11)：3098-3102.

DU Xin, MENG Jihua, WU Bingfang. Overview on monitoring crop biomass with remote sensing [J]. Spectroscopy and Spectral Analysis, 2010，30(11): 3098-3102. (in Chinese)

3MACHWITZ M, GIUSTARINI L, BOSSUNG C, et al. Enhanced biomass prediction by assimilating satellite data into a crop growth model [J]. Environmental Modelling & Software 2014,62: 437-453.

4杜文勇，何雄奎，SHAMAILA Z，等. 冬小麦生物量和产量的AquaCrop模型预测[J]. 农业机械学报，2011，42(4)：174-178，183.

DU Wenyong, HE Xiongkui, SHAMAILA Z, et al. Yield and biomass prediction testing of AquaCrop model for winter wheat [J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(4): 174-178,183. (in Chinese)

5ANDREA A, PÉTER B, CSABA L, et al. Estimating biomass of winter wheat using narrowband vegetation indices for precision agriculture [J]. Journal of Central European Green Innovation, 2015, 3(2): 13-22.

6MARIOTTO I, THENKABAIL P S, HUETE A, et al. Hyperspectral versus multispectral crop-productivity modeling and type discrimination for the HyspIRI mission [J]. Remote Sensing of Environment, 2013, 139: 291-305.

7LIU J, 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: 1167-1177.

8郑阳，吴炳方，张淼. Sentinel-2数据的冬小麦地上干生物量估算及评价 [J]. 遥感学报，2017，21(2)：318-328.

ZHENG Yang, WU Bingfang, ZHANG Miao. Estimating the above ground biomass of winter wheat using Sentinel-2 data [J]. Journal of Remote Sensing, 2017, 21(2): 318-328. (in Chinese)

9ZANDLER H, BRENNING A, SAMIMI C. Potential of space-borne hyperspectral data for biomass quantification in an arid environment: advantages and limitations [J]. Remote Sensing, 2015, 7(4): 4565-4580.

10程志庆，张劲松，孟平，等. 植被参数高光谱遥感反演最佳波段提取算法的改进[J]. 农业工程学报，2015，31(12)：179-185.

CHENG Zhiqing, ZHANG Jingsong, MENG Ping, et al. Improvement of algorithm used for extraction hyperspectral feature bands of vegetation [J]. Transactions of the CSAE, 2015, 31(12): 179-185. (in Chinese)

11THENKABAIL P S, ENCLONA E A. Accuracy assessments of hyperspectral waveband performance for vegetation analysis applications [J]. Remote Sensing of Environment, 2004, 91(3): 354-376.

12HANSEN P M, SCHJOERRING J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression [J]. Remote Sensing of Environment, 2003, 86(4): 542-553.

13王福民, 黄敬峰, 王秀珍, 等. 波段位置和宽度对不同生育期水稻NDVI影响研究[J]. 遥感学报，2008，12(4)：626-632.

WANG Fumin, HUANG Jingfeng, WANG Xiuzhen, et al. Effects of band position and bandwidth on NDVI measurements of rice at different growth stages [J]. Journal of Remote Sensing, 2008, 12(4): 626-632. (in Chinese)

14SIEGMANN B, JARMER T. Comparison of different regression models and validation techniques for the assessment of wheat leaf area index from hyperspectral data [J]. International Journal of Remote Sensing, 2015, 36(18): 4519-4534.

15付元元，王纪华，杨贵军，等. 应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算[J]. 光谱学与光谱分析，2013，33(5)：1315-1319.

FU Yuanyuan，WANG Jihua，YANG Guijun，et al. Band depth analysis and partial least square regression based winter wheat biomass estimation using hyperspectral measurements [J]. Spectroscopy and Spectral Analysis, 2013, 33(5):1315-1319. (in Chinese)

16GNYP M L, BARETH G, LI F, et al. Development and implementation of a multiscale biomass model using hyperspectral vegetation indices for winter wheat in the North China Plain [J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 232-242.

17刘冰峰，李军，贺佳，等. 基于高光谱植被指数的夏玉米地上干物质量估算模型研究[J/OL]. 农业机械学报，2016，47(3)：254-262. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx? file_no=20160336&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2016.03.036.

LIU Bingfeng, LI Jun, HE Jia, et al. Estimation models of above-ground dry matter accumulation of summer maize based on hyperspectral remote sensing vegetation indexes [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 254-262. (in Chinese)

18陈鹏飞，NICOLAS Tremblay，王纪华，等. 估测作物冠层生物量的新植被指数的研究 [J]. 光谱学与光谱分析，2010，30(2)：512-517.

CHEN Pengfei，NICOLAS Tremblay，WANG Jihua，et al. New index for crop canopy fresh biomass estimation [J]. Spectroscopy and Spectral Analysis, 2010, 30(2): 512-517. (in Chinese)

19BENDIG J, YU K, AASEN H, et al. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley [J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 39: 79-87.

21田明璐，班松涛，常庆瑞，等. 基于无人机成像光谱仪数据的棉花叶绿素含量反演[J/OL]. 农业机械学报，2016，47(11)：285-293. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20161139&flag=1&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.11.039.

TIAN Minglu, BAN Songtao, CHANG Qingrui, et al. Estimation of SPAD value of cotton leaf using hyperspectral images from UAV based imaging spectroradiometer [J].Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 285-293. (in Chinese)

22MARSHALL M, THENKABAIL P S. Advantage of hyperspectral EO-1 Hyperion over multispectral IKONOS, GeoEye-1, WorldView-2, Landsat ETM+, and MODIS vegetation indices in crop biomass estimation [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108: 205-218.

23FU Y, YANG G, WANG J, et al. Winter wheat biomass estimation based on spectral indices, band depth analysis and partial least squares regression using hyperspectral measurements [J]. Computers and Electronics in Agriculture, 2014, 100: 51-59.

24郑玲，朱大洲，董大明，等. 多信息融合的冬小麦地上鲜生物量检测研究[J]. 光谱学与光谱分析，2016，36(6)：1818-1825.

ZHENG Ling，ZHU Dazhou，DONG Daming，et al. Monitoring of winter wheat aboveground fresh biomass based on multi-information fusion technology [J]. Spectroscopy and Spectral Analysis, 2016, 36(6): 1818-1825. (in Chinese)

25LIU K, ZHOU Q, WU W, et al. Estimating the crop leaf area index using hyperspectral remote sensing [J]. Journal of Integrative Agriculture, 2016, 15(2): 475-491.

26李粉玲,常庆瑞. 基于连续统去除法的冬小麦叶片全氮含量估算[J/OL].农业机械学报,2017,48(7):174-179. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170722&flag=1&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2017.07.022.

LI Fenling, CHANG Qingrui. Estimation of winter wheat leaf nitrogen content based on continuum removed spectra [J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7):174-179. (in Chinese)

27PSOMAS A, KNEUBÜHLER M, HUBER S, et al. Hyperspectral remote sensing for estimating aboveground biomass and for exploring species richness patterns of grassland habitats [J]. International Journal of Remote Sensing, 2011, 32(4): 9007-9031.

28THENKABAIL P S, SMITH R B, DE PAUW E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics [J]. Remote Sensing of Environment, 2000, 71(2): 158-182.

29MICHELE R, NICOLA L, ZINA F. Evaluation and application of the OILCROP-SUN model for sunflower in southern Italy [J]. Agricultural Systems, 2003, 78: 17-30.

30姜志伟，陈仲新，任建强，等. 粒子滤波同化方法在CERES-Wheat作物模型估产中的应用[J]. 农业工程学报, 2012，28(14)：138-146.

JIANG Zhiwei, CHEN Zhongxin, REN Jianqiang, et al. Estimation of crop yield using CERES-Wheat model based on particle filter data assimilation method [J]. Transactions of the CSAE, 2012, 28(14): 138-146. (in Chinese)

31王磊，白由路，卢艳丽，等. 基于Green Seeker的冬小麦NDVI分析与产量估算[J]. 作物学报，2012，38(4): 747-753.

WANG Lei, BAI Youlu, LU Yanli, et al. NDVI analysis and yield estimation in winter wheat based on Green Seeker [J]. Acta Agronomica Sinica, 2012, 38(4): 747-753. (in Chinese)