1袁怡凡 2魏春苗 3张晓博
1中国人民解放军78456部队；23中国人民解放军32034部队 四川省成都市 610036
摘要
小麦是中国的主要粮食作物之一，小麦的产量和品质是全国人民和各级政府部门非常关心的问题。但是现在国内优质小麦产量远远达不到国内需求。随着遥感技术的发展，其快速、无损、大面积观测的优点逐渐被应用到农业上，并且已被证明可用于作物生化参数反演。本研究在总结前人研究提出的对冬小麦品质检测有效的高光谱参数的基础上，构建基于Landsat-8 OLI数据的冬小麦蛋白质含量监测的多光谱参数，并结合地面样点实测的冬小麦籽粒蛋白质含量数据，建立基于多光谱参数的冬小麦蛋白质含量回归模型，并通过验证和分析从中选出较好的模型，应用该模型对整个研究区冬小麦蛋白质含量进行监测。研究结果表明：（1）安平县2014年冬小麦的蛋白质含量总体比较高，普遍在14%之上；（2）以具有可移植性的高光谱指数作为参考，基于Landsat-8的多光谱参数可以实现对较大范围冬小麦品质状况进行监测。
关键词：冬小麦；遥感技术；光谱指数；相关性
1. 本研究的主要内容
本研究以河北省安平县为研究区，在总结前人提出的监测冬小麦品质含量的高光谱参数的基础上，以冬小麦的蛋白质含量为例，选取能够与Landsat- 8 OLI(Operational Land Imager)数据结合的光谱指数，基于Landsat 8构建光谱参数和地面样点实测数据，建立研究区冬小麦蛋白质含量的监测模型，然后选出较好的模型应用于整个研究区，得到安平县冬小麦蛋白质含量的监测结果，实现基于多光谱遥感的冬小麦品质快速有效监测。
2.研究区与数据
2.1 研究区介绍
研究区安平县位于我国河北省境内，地处东经115°19′至115°40′，北纬38°14′至38°21′之间，平均海拔高度为26米。安平县的自然地理条件和气候条件特别适合冬小麦种植，2014年冬小麦种植面积28.6万亩，占耕地面积的57.2%。
2.2 数据及预处理
2.2.1 样点冬小麦籽粒品质数据获取
地面实测于2014年6月9-10日进行，在安平县小麦种植区随机选择了32个样本点，采集了样本冬小麦植株。获取籽粒样品，样品经粉碎后，采用凯氏定氮法，测定籽粒的全氮含量。小麦成熟期籽粒蛋白质含量(%)=籽粒全氮含量*小麦籽粒蛋白质参数（5.823）。
2.2.2 Landsat-8 OLI数据及预处理
本文研究所采用的数据为2014年5月22日覆盖安平县的一景Landsat 8影像数据，此时为冬小麦的灌浆期，是冬小麦籽粒蛋白质含量形成的最后关键期。首先对影像数据进行辐射定标，随后进行FLAASH大气校正，进而通过安平县边界在ENVI 5.1软件中对已校正好的Landsat 8影像进行裁剪，然后利用校正后的数据计算归一化植被指数（Normalized Difference Vegetation Index，NDVI）[10]、比值植被色素指数（Plant Pigment Ratio，PPR）、结构不敏感色素指数（Structure Insensitive Pigment Index，SIPI）。然后利用计算的光谱指数与样本测定的蛋白质含量数据进行相关性分析，选出一种相关性最好的一种，建立基于多光谱参数的冬小麦蛋白质含量回归模型，从而对安平县的冬小麦品质进行监测。
2.3 辐射定标
大气校正之前首先要进行辐射定标[12]，辐射定标的作用是将卫星传感器记录的数字量化值（DN）或电压值转换为绝对辐射亮度的过程。由于使用条件以及应用目的的不同，辐射定标分为绝对定标和相对定标，本文使用的是绝对定标。
本文使用遥感分析软件ENVI 5.1对Landsat-8 OLI影像进行辐射定标。在Toolbox中，选择Radiation Correction中的Radiation Calibration模块进行辐射定标。在打开的面板中，定标类型选择辐射率数据Radiance；存储顺序选择BIL；数据类型选择Float；辐射率数据单位调整系数则为0.1。随后点击OK完成整个辐射定标过程。
2.4 FLAASH大气校正
FLAASH大气校正适用于高光谱遥感数据（如HyMap，AVIRIS，HYIDCE，HYPERION，Probe-1，CASI和AISA）和多光谱遥感数据（如陆地资源卫星，SPOT，IRS和ASTER）的大气校正。
本文使用遥感分析软件ENVI 5.1对Landsat-8 OLI影像进行FLAASH大气校正。具体操作为首先对影像数据进行辐射定标，在完成辐射定标后，进一步对数据进行FLAASH大气校正。利用ENVI 5.1 Radiation Correction模块中的Atmospheric Correction Module-FLAASH Atmospheric Correction Modle工具进行校正。其中具体校正中，应注意参数的填写，包括获取传感器工作当日的具体时间、空间信息，并根据研究区所属的地理位置和时间选择合适的大气校正模型。在本次FLAASH大气校正过程中，所使用的参数如下：在基本参数填写中，比例参数根据定标后的数据单位选择，此处填写1.0，选择landsat-8 OLI传感器，相关中心位置信息由预处理影像导入，根据影像的原数据填入正确的飞行时间，选择气溶胶模型中的Rural，在气溶胶反演选择K-T(2 Band)。例如研究区5月22日Landsat-8 OLI 影像位于30°N，因此选择Tropical大气校正模型进行校正。在高光谱设置中，注意填写正确的波谱函数文件，并且选择正确的陆地上空反演标准。参数设置完成，进行校正。
1.研究方法与结果
3.3.光谱指数提取
3.3.1光谱指数及其计算
由于高光谱数据波谱范围广、波谱连续性好、信息量丰富，在冬小麦品质监测上有众多具有良好估测效果的光谱参数。在某些特定光谱中，能够得到由指数运算得到与冬小麦蛋白质含量的显著线性特征。但是由于前人多使用的是高光谱数据，能够具体到某一窄波段，如R560和R230。而对于多光谱数据，得到的只能是宽波段数据，例如Landsat-8的Band 3是525-600nm，其平均波段值接近于560nm。所以我们利用相近的波段数据对冬小麦蛋白质含量进行线性拟合，以证明多光谱数据在此方面的可用性。
在分析和挑选后决定选用以下几个高光谱指数进行多光谱数据的处理与分析。选用指数一，基于波段650nm和860nm的NDVI指数。选用指数二，基于波段550nm和450nm的PPR指数。选用指数三，基于波段800nm、680nm和445nm的SIPI指数。
3.3.2归一化植被指数（NDVI）
归一化植被指数NDVI是检测植被生长状态、植被覆盖度和消除部分辐射误差等。归一化植被指数能反映出植物冠层的背景影响，并且这与当地植被覆盖度有关。归一化植被指数的计算公式为：
.png)
其中：代表近红外波段， 代表红光波段的反射率，且NDVI的值介于-1和1之间。
3.3.4 比值植被色素指数（PPR）
比值植被色素指数同样也可以描述植物的生长情况。其计算公式为：
.png)
结构不敏感色素指数值的范围是0-2。
4.冬小麦品质预测最佳模型的选取
4.1 样点数据处理
4.1.1样本蛋白质含量测定数据处理
在野外采集时，一共获取了32个样本的籽粒，由于保存不善，第11号样点籽粒丢失，故第十一组数据舍去，不再使用。所有样本点数据如下表所示：
.png)
在剩下的31个样本数据，选择其中的21个样本进行建模，用剩余的10个样本对模型进行检验。
4.2最优预测模型的选取
4.2.1 基于NDVI的冬小麦蛋白质含量预测模型
将上述样点数据导入SPSS中，画出散点图，进行线性拟合，求出NDVI与样点测定值之间的相关关系模型与决定系数[14]。决定系数是研究多个变量间关系密切程度的统计量,它同时也是反映多个自变量对因变量的影响程度大小的量。决定系数越大,自变量对因变量的解释程度越高,自变量引起的变动占总变动的百分比也就越高。
.png)
决定系数为R2=0.0184。
根据回归的结果，可以看出在其他条件不变的情况下，NDVI每增加一单位，蛋白质含量会随之增加0.12单位。但是由于决定系数的值很小，故NDVI不是解释蛋白质含量变动的最佳因素。
4.2.2 基于PPR的冬小麦蛋白质含量预测模型
步骤同上，可在SPSS中拟合出PPR与蛋白质含量之间的预测模型：
.png)
决定系数为R2=0.2581。根据回归的结果，可以看出在其他条件不变的情况下，PPR每增加一单位，蛋白质含量会随之增加13.95单位。但是由于决定系数的值也很小，故PPR也不是解释蛋白质含量变动的最佳因素。
4.2.3 SIPI与样点测定值之间的预测模型建立
步骤同4.2.2，可在SPSS中拟合出SIPI与蛋白质含量之间的预测模型：
.png)
决定系数为R2=0.4843。根据回归的结果，可以看出在其他条件不变的情况下，SIPI每增加一单位，蛋白质含量会随之增加7.74单位。但是由于决定系数的值达到了48.43%，故SIPI在一定程度上解释了蛋白质含量变动的原因。
由上分析可知，决定系数由大到小依次为SIPI、PPR、NDVI。故最佳预测模型为SIPI与蛋白质含量之间建立的回归预测模型。
5.预测模型检验
利用4.1.2选取的十组样点测定值，对由SIPI与蛋白质含量之间建立的回归预测模型进行检验。检验方法：将已知的SIPI值导入SPSS，带入上述计算得出的回归预测模型，计算出蛋白质含量的95%置信度下的置信区间，与已知的蛋白质含量进行对比。如果绝大部分自变量SIPI对应的因变量蛋白质含量都在相应的置信区间[15]内，则该回归方程有效。具体计算结果见下表：
.png)
上表中第一列代表原始样本数据点的蛋白质含量，第二列代表原始数据点的SIPI值，第三列和第四列则是已知SIPI的值，根据回归方程计算的在95%的置信度下冬小麦蛋白质含量的置信区间，包括区间上限和区间下限。通过观察可以看出蛋白质含量都落在了相应的置信区间内。这十个待检验的点100%通过了检验。由此可以说明，利用SIPI值的变动来解释蛋白质含量的变化是合理的。
6.冬小麦蛋白质监测结果
根据已知与冬小麦蛋白质决定系数最高且检验结果良好的光谱指数SIPI，以及两者之间的回归模型，利用ENVI 5.1中的Band Math工具计算研究区蛋白质含量。
在安平冬小麦蛋白质监测结果图中，颜色越深代表麦田冬小麦蛋白质含量越高，作物生长状况良好；颜色越浅，则表明麦田冬小麦蛋白质含量越低，作物生长状况不太良好。从图上可以看出安平县冬小麦蛋白质含量整体较高，普遍在14%之上，中部和西北部的冬小麦籽粒蛋白质含量略低，在11%~13%之间。。
7.结论与展望
本文在总结前人在利用高光谱参数进行冬小麦品质监测的基础之上，基于Landsat-8 OLI影像选择可用波段构建多光谱指数，然后对冬小麦成熟期籽粒蛋白质含量与其灌浆期多光谱指数进行回归分析，得出较理想的蛋白质含量预测模型为基于SIPI指数的回归模型（R2=0.4843），将该模型应用于整个研究区，最终得到了研究区冬小麦蛋白质含量的遥感监测结果。本研究表明：
（1）基于Landsat-8的多光谱参数可以实现对较大范围冬小麦品质状况进行监测，其结果可以作为冬小麦生长状态评估和生产管理的依据。
（2）选择具有可移植性的高光谱指数作为参考，可进一步促进卫星光谱在冬小麦品质监测方面的应用进展，为农业生产过程中提供科学及时的指导。
参考文献
[1]朱西存,赵庚星,王瑞燕,董芳,王凌,雷彤. 苹果叶片的高光谱特征及其色素含量监测[J]. 中国农业科学,2010,06:1189-1197.
[2]张衡,潘洁,廖振峰. 森林病虫害高光谱遥感监测的研究进展[J]. 中国森林病虫,2014,02:26-30.
[3]Zhong Zheng,Yongnian Zeng,Songnian Li,Wei Huang. A new burn severity index based on land surface temperature and enhanced vegetation index[J]. International Journal of Applied Earth Observations and Geoinformation,2016,45:.
[4]罗亚,徐建华,岳文泽. 基于遥感影像的植被指数研究方法述评[J]. 生态科学,2005,01:75-79.
[5]陈鹏飞,杨飞,杜佳. 基于环境减灾卫星时序归一化植被指数的冬小麦产量估测[J]. 农业工程学报,2013,11:124-131.