棉花不同生长阶段Sentinel-2卫星植被指数变化特征

棉花不同生长阶段Sentinel-2卫星植被指数变化特征
易秋香
【期刊名称】《《中国棉花》》
【年(卷),期】2019(046)008
【总页数】6页(P13-18)
【关键词】棉花; Sentinel-2数据; 植被指数; 生育期
【作者】易秋香
【作者单位】中国科学院新疆生态与地理研究所/荒漠与绿洲生态国家重点实验室
乌鲁木齐830011; 新疆维吾尔自治区遥感与地理信息系统应用重点实验室乌鲁木齐830011; 中国科学院大学北京100049
【正文语种】中文
作物生育期能够反映作物对环境的要求和生育进程，对生育期监测在作物的长势监测、产量预报、种植面积监测、农田精细化管理等工作中有着重要的作用。

传统作物生育期观测主要依赖于地面调查，需要耗费大量人力物力，由于其观测面积小、周期长，难以满足大面积观测需求。

遥感技术可提供及时、准确的大尺度卫星影像，实现大面积地区高频率的重复信息采集[1]，为大范围、高精度的作物生育期识别
及作物长势监测提供了有力技术。

农作物生育期遥感识别工作始于20 世纪80年代[2]，各类研究中主要使用的遥感卫星数据包括早期广泛使用的AVHRR（Advanced very high resolution
radiometer）数据[3-5]，空间分辨率 1.1 km。

美国陆地卫星 Landsat-4/5/8[6-7]，时间分辨率为 16 d；中国资源卫星ZY-01[8]，时间分辨率为26 d；美国Terra 和Aqua 卫星搭载的中等分辨率成像光谱仪MODIS （Moderate resolution imaging spectroradiometer）的合成数据[9-10]，时间分辨率为 16 d。

由于这些卫星数据时间分辨率较低，容易导致对作物关键生育期的开始和结束等监测不准确或错过，严重影响生育期识别精度，因此许多以 AVHRR、MODIS
等卫星数据进行的研究，都对数据进行插值处理，或者直接对散点的数据进行拟合、去噪等处理，从而弥补卫星数据低时间或低空间分辨率的不足。

然而这样会带来一定的误差，同时会消除一些具有意义的数据[11]。

随着遥感卫星技术的迅速发展，卫星数据的时间、空间及光谱分辨率都得到了极
大提升。

其中，由欧洲空间局于2015年6月23日发射的 Sentinel-2A 及 2017
年3月7日发射的 Sentinel-2B 多光谱遥感卫星，可将地面时间分辨率提升为5 d，其上安装的多光谱成像仪有13 个通道，其中4 个可见光及1 个近红外波段空间分辨率为10 m，短波红外和1 个红边波段空间分辨率为20 m，并且可免费下
载获取。

Sentinel-2 卫星数据具备高时空分辨率以及其特有的红边参数波段，为
作物生育期监测提供了理想数据源。

利用遥感技术进行作物生育期及物候识别已在小麦[12-13]、玉米[14]、水稻[9，15]等多种作物中展开应用。

棉花生长遥感监测的应用主要体现在棉花种植面积及
长势信息监测[16-17]、病虫害监测[18-19]、遥感估产[20-22]以及各类生物生化
参数定量遥感反演，如叶面积指数[23]、含水量及水分胁迫信息[24-25]、色素信
息[26]等。

其中，针对棉花不同生育阶段遥感植被指数的变化特征也有相关研究，但多是采用MODIS 合成数据或地面光谱数据，如王玉[27]通过对比分析16 d合
成的MODIS-EVI 产品数据在棉花不同生育阶段变化特征，进行了棉花种植面积信息提取；曹卫彬等[20]在北疆棉花遥感估产最佳时相选择研究中，利用地面实测光
谱信息分析了棉花冠层光谱反射率及NDVI 在棉花不同生育阶段的变化特征，并由此确定了棉花识别及估产的最佳时相。

目前Sentinel-2 数据主要用于作物叶面积及叶绿素估算[28-29]、生物量估算[30]、作物物候[31]、棉花水分消耗[32]等相关研究，而未见利用Sentinel-2 卫星数据探讨作物不同生长阶段光谱特征变化的报道。

本研究拟利用获取的地面实测棉花冠层光谱数据及研究区连续2年的Sentinel-2 卫星数据，通过分析实测及模拟的Sentinel-2 数据单波段反射率及不同植被指数随棉花发育进程的变化特征，探讨Sentinel-2 卫星数据用于棉花生育期监测的特点，为Sentinel-2 数据在作物生育期监测研究中及棉花生长管理中的广泛应用提供基础依据。

1 材料与方法
1.1 研究区概况
研究区位于新疆维吾尔自治区北部石河子垦区，地处天山北麓中段，古尔班通古特大沙漠南缘，地理坐标为东经84°58'～86°24'，北纬43°26'～45°20'。

在研究区内，依据棉花种植面积，选取面积超过50 hm2 棉花种植区作为样点，共选取了4 个样点地。

依据样点面积大小在每个样点布设8～15 个不等的观测点。

1.2 研究区棉花生育期特点
研究区棉花通常在4月中下旬开始播种，10月中下旬停止生长，全生育期180 d 左右。

北疆地区陆地棉平均播期为4月30日，通常在5月中旬左右出苗，大概在6月中旬进入现蕾期，7月初进入开花期，7月中旬进入开花盛期，8月25日左右进入吐絮期。

通常在6月底7月上旬对棉花进行打顶，9月中旬前完成喷施脱叶剂。

棉花出苗、现蕾、开花和吐絮是棉花生育期中较为关键的时期。

根据棉花生育期时间分布特点，来探讨各生育时期Sentinel-2卫星单波段反射率变化及各类可用于作物生育期监测的植被指数随生育时期的变化特点。

1.3 冠层光谱测定
由于2017年及2018年所开展的研究区棉花不同生育时期冠层光谱观测次数有限，考虑到同一研究区内棉花生育进程相对稳定，本研究所采用的冠层光谱观测时间为2011年，采样点与2017年及2018年Sentinel-2 卫星数据获取点一致。

在棉花关键生育时期，包括苗期（6月11日）、现蕾期（6月24日）、开花期（7月
11日）、开花盛期（7月28日）和吐絮初期（8月21日）共开展了5 次冠层光谱实地观测。

使用美国 ASD（Analytical spectral device）公司的ASDFieldSpec Pro FRTM 光谱仪，波段值为350～2 500 nm，其中350～1 000 nm 光谱采样间隔为1.4 nm，光谱分辨率为3 nm；1 001～2 500 nm 光谱采样
间隔为2 nm，光谱分辨率为10 nm。

光谱测定选择在无风无云或少云的天气进行，测定时间为12∶00—16∶00 之间。

测量步骤：测量之前先开启光谱仪预热，再
次测量之前先进行光谱仪的优化，冠层光谱测定前后都进行参考板反射率测定；测量冠层光谱时探头垂直向下，距冠层垂直高度约0.7 m，视场角25°。

光谱采样以10 条光谱为一采样光谱，即每次记录10 条光谱，以其平均值作为该样点的冠层
光谱反射值。

1.4 Sentine-2数据及其处理
根据研究区棉花出苗及停止生长时间分布特点，通过欧洲航空局的数据共享网站（https://scihub.copernicus.eu/dhus/#/home）下载获取研究区2017年及2018年棉花不同生育时期内共计14 期有效Sentinel-2 卫星Level-1C 数据。

获
取时间分别为2017年6月16日、7月8日、7月28日、8月22日、9月19日、10月16日及 2018年6月3日、6月16日、6月28日、7月13日、7月28日、8月7日、8月17日、9月6日。

所有遥感影像数据均为已经过辐射校正和几何校正处理的Level-1C 大气上层表观反射率，须对其进行大气校正使之转换为地表反射率数据。

本研究采用SNAP-Sen2Cor 软件对影像数据进行大气校正，并通过最近邻插值法，将大气校正后的各波段重采样至空间分辨率10 m 后用于研究区各观测点反射率提取及植被指数计算。

Sentinel-2遥感影像数据包含12 个波段的光谱数据，不同波段的空间分辨率略有不同，各波段信息见表1。

表1 Sentinel-2 遥感影像数据主要参数波段号中心波长/nm 波段宽度/nm 空间
分辨率/m B1 443 45 60 B2 490 98 10 B3 560 45 10 B4 665 38 10 B5 705 20 20 B6 740 18 20 B7 783 28 20 B8 842 145 10 B8a 865 32 20 B9 945 26 60
B10 1 375 30 60 B11 1 610 143 20 B12 2 190 238 20
1.5 植被指数
通过Sentinel-2 多光谱卫星数据在可见光到近红外的多个波段分布可获取多种植
被指数，本研究采用了 NDVI、SAVI、EVI 3 种最常用于作物生育期及长势监测
的指数（表2）。

初步探讨这些植被指数随棉花生育进程的分布变化。

2 结果与分析
2.1 冠层及Sentinel-2各波段反射率在不同生育时期变化特征
对冠层光谱反射率按照Sentinel-2 卫星各波长中心位置及波段宽度进行重新计算
使之符合Sentinel-2 波段分布，从而对比Sentinel-2 各波长反射率与实测的冠层光谱反射率的拟合情况。

采用平均法进行计算，即各中心波长波段宽度范围内所有波长反射率的平均值作为该波段的反射率，如B5 波段，中心波长为705 nm，波段宽度为20 nm，则其波段反射率为波长695～715 nm 反射率的平均值，其他
各波段以此类推。

2011年棉花实测冠层光谱反射率及2017年和2018年Sentinel-2 多光谱反射率在不同生育时期的变化如图1 所示。

总体上不论是实测冠层光谱还是Sentinel-2 卫星光谱反射率，B1～B5 的可见光波段（443～705 nm）和 B6～B9 的近红外波段（740 ～945 nm）随发育进程表现出不同变化规律，具体表现为可见光波段
反射率从苗期（2011年6月11日）至吐絮期（2011年8月21日）呈现逐渐减小的趋势，吐絮期之后逐渐增大；近红外波段反射率从苗期逐渐增大，至开花盛期（2011年7月28日）达到最大，而后逐渐减小；苗期初期阶段（2018年6月3日）以及最后停止生长阶段（2017年10月16日），光谱反射率包含明显土壤光谱特征。

表2 所采用的植被指数注：NIR、RED、BLUE 分别表示近红外光波段（Near-infrared region）、红光波段、蓝光波段反射率；L=0.5[34]。

指数表达式对应Sentinel-2 波段的表达式参考文献归一化植被指数（Normalized difference vegetation index,NDVI）（NIR－RED）/（NIR＋RED）（B8－B4）/（B8＋B4） [33]土壤调节植被指数（Soil adjusted vegetation index,SAVI）（NIR－RED）/（NIR＋RED＋L）×（1＋L）增强植被指数（Enhanced vegetation index,EVI）2.5×（NIR－RED）/（NIR＋6×RED－7.5×BLUE＋1）（B8－B4）/（B8＋B4＋L）×（1＋L）2.5×（B8－B4）/（B8＋6×B4－7.5×B2+1）[34][35] 进一步对比相同或相近日期的实测冠层光谱反射率与Sentinel-2 卫星反射率，如图2。

从图2（a）可见，当棉花处在苗期时，由于土壤还未被全覆盖，相比卫星多光谱反射率，实测冠层光谱反射率（2011-06-11）更多体现出植被信息特征，卫星多光谱反射率（2017-06-16 以及 2018-06-16）还受背景土壤光谱的影响，表现为在可见光波段反射率明显高于实测光谱，近红外波段低于实测光谱反射率；随棉花生长至盛花期（图2 （b））和花铃期（图2（c）），冠层接近密闭，Sentinel-2 多光谱反射率与实测冠层光谱反射率变化趋向一致，两者在可见光波段吻合较好，近红外波段卫星光谱反射率略高于实测光谱反射率。

此外，观察图2（a）中不同年份相同日期 Sentinel-2 光谱曲线发现，2018年6月16日Sentinel-2 近红外波段反射率明显低于2017年6月16日，根据棉花种植天气影响发现，2018年棉花生育前期受低温风灾的影响，棉花整体生育进程较2017年
普遍慢5～7 d，这说明Sentinel-2 多光谱卫星可体现生育进程的变化。

图1 实测冠层光谱（2011年）及Sentinel-2 卫星光谱反射率（2017年及2018年）随棉花生育进程的变化特征
2.2 冠层及Sentinel-2植被指数随生育时期变化特征
图2 相同或相近时期的棉花实测冠层光谱反射率（2011年）与 Sentinel-2 卫星
反射率（2017年及 2018年）对比
为了更好体现不同植被指数随生育进程的变化差异，将获取的植被指数进行归一化处理，归一化值通过原植被指数值减去所有生育时期植被指数的平均值后除以平均值获得。

不同植被指数归一化值在棉花不同生育时期的变化规律如图3。

总体上，各植被指数归一化值均呈现出从苗期的负值到开花盛期以及吐絮期的最大正值再到采摘期的负值的变化规律。

与NDVI 和SAVI 归一化值相比，EVI 归一化值变化范围更大，表明其对叶面积指数（Leaf area index,LAI）变化更为灵敏，同时 EVI
指数有效避免了NDVI 值随LAI 值增大而呈现的饱和问题，如图3 中2011年实
测NDVI 值在开花期之后至吐絮初期变化非常小。

进一步分析各植被指数归一化
值正负变化时间点，可发现Sentinel-2 卫星光谱指数的归一化值与实测冠层光谱
变化趋势一致：在6月中旬棉花现蕾期前，各植被指数归一化值均呈负值，现蕾
期向开花期过渡的阶段，植被指数归一化值逐渐增大至正值，直到开花盛期（7月初至7月中旬左右）达到最大正值，而后开始逐渐减小，至吐絮盛期（9月初）减小至负值。

植被指数归一化值随棉花生育进程呈现的变化规律，可为棉花遥感识别及面积提取等提供有用信息。

图3 不同年份基于实测（2011年）及Sentinel-2 卫星光谱（2017年及2018年）的植被指数归一化值随棉花生育进程的变化规律
3 结论
本研究初步分析了Sentinel-2 多光谱反射率及3 类常用植被指数随棉花生育进程
的变化规律，发现整体上Sentinel-2 多光谱反射率与实测冠层光谱反射率变化趋势吻合，尤其在棉花开花期及开花盛期时Sentinel-2 多光谱反射率在可见光及近红外波段均与实测观测光谱反射率趋势一致；Sentinel-2多光谱特有的红边参数波段反射率随棉花生育进程具有从棉花苗期逐渐增大，至开花盛期达到最大正值，而后逐渐减小的变化规律；对比Sentinel-2 多光谱指数NDVI、SAVI 以及EVI 随生育进程的变化规律发现，基于实测冠层光谱和Sentinel-2 卫星光谱的EVI 归一化指数随棉花生育进程具有较为一致和稳定的变化规律，现蕾期前EVI 归一化值为负值并具有逐渐增大趋势，至开花盛期达到最大正值，而后逐渐减小至吐絮盛期变为负值。

Sentinel-2 卫星各波段值及植被指数值在棉花不同生育阶段的取值特点，可为棉花遥感识别、棉花面积提取以及棉花生化参数定量诊断提供有用信息。

本研究中所采用的Sentinel-2 卫星数据以及实测冠层光谱数据分布于棉花生育进程的几个关键时期，数据获取的年份不同、品种不同，数据分布的广泛性增强了结论的普适性。

后续随着Sentinel-2 数据的累积，结合实测光谱数据，更为细化的分析可针对卫星数据与实测数据同步的情况展开，探究Sentinel-2 数据在作物物候监测方面的应用前景。

同时，基于Sentinel-2 的多光谱反射率是多个研究样点的平均值，在后续的研究中，还有必要考虑到不同品种之间的差异，期望细化到不同品种间发育进程的差异，从而实现不同品种的识别。

此外，在此研究基础上，还可以进一步加入对比大面积研究区同一时期其他主要种植作物的光谱变化特征，如冬小麦、春玉米、葡萄等作物，使Sentinel-2 多光谱卫星在棉花种植面积提取及估产等最佳时相的选择等方面得到更广泛的应用。

参考文献：
【相关文献】
[1]孙家抦.遥感原理与应用[M].武汉: 武汉大学出版社，2013.
[2]Tucker C J, Elgin J H, McMurtrey J E, et al.Monitoring corn an d soybean crop development with hand-held ra-diometer spectral data[J].Remote Sensing of Environment,1979,8(3):237-248.
[3]Gallo K P,Flesch T rge-area crop monitoring with the NOAA AVHRR:Estimating the silking stage of corn development[J].Remote Sensing of Environment,1989,27(1):73-80. [4]Guo L, An N, Wang K C.Reconciling the discrepancy in ground-and satellite-observed trends in the spring phenology[J].Journal of Geophysical Research
Atmospheres,2016,121(3):1027-1042.
[5]王延颐，Malingreau J P.应用 NOAA-AVHRR 对江苏省作物进行监测的可行性研究[J].环境遥感，1990，5（3）：221-227.
[6]Badhwar G D.Crop emergence date determination from spectral
data[J].Photogrammetric Engineering and Remote Sensing,1980,46(3):369-377.
[7]Wang J, Huang J F, Wang X Z, et al.Estimation of rice phenology date using integrated HJ-1 CCD and Landsat-8 OLI vegetation indices time-series images[J].Journal of Zhejiang University-Science B (Biomedicine & Biotechnology),2015,16(10):832-844.
[8]Pan Z K,Huang J F,Zhou Q B,et al.Mapping crop phenology using NDVI time-series derived from HJ-A/B data[J].International Journal of Applied Earth Observation
&Geoinformation,2015,34(1):188-197.
[9]孙华生，黄敬峰，彭代亮.利用MODIS 数据识别水稻关键生长发育期[J].遥感学报，2009，13（6）：1130-1137.
[10]张喜旺，陈云生，孟琪，等.基于时间序列MODIS NDVI的农作物物候信息提取[J].中国农学通报，2018，34（20）：158-164.
[11]陶言琪.基于遥感光谱数据的油菜生育期识别[D].武汉：武汉大学，2018.
[12]孔令寅.冬小麦关键生长发育期遥感提取及其在长势监测和作物估产中的应用研究[D].南京：南京信息工程大学，2012.
[13]候学会，隋学艳，梁守真，等.几种物候提取方法的小麦物候提取[J].遥感信息，2017，32（6）：65-70.
[14]曾玲琳.作物物候期遥感监测研究—以玉米与大豆为例[D].武汉：武汉大学，2015.
[15]封敏.中国农作物关键物候期监测及敏感性分析[D].福州：福州大学，2016.
[16]田野，张清，李希灿，等.基于多时相影像的棉花种植信息提取方法研究[J].干旱区研究，2017，34（2）：423-430.
[17]黄青，王利民，腾飞.利用 MODIS-NDVI 数据提取新疆棉花播种面积信息及长势监测方法研究[J].干旱地区农业研究，2011，29（2）：213-217.
[18]胡列群，武鹏飞，李新建，等.基于ETM＋影像的棉花低温冷害遥感监测方法研究[J].中国农学通报，2011，27（4）：459-463.
[19]陈兵，王克如，李少昆，等.棉花黄萎病疑似病田的卫星遥感监测——以TM 卫星影像为例[J].
作物学报，2012，38（1）：129-139.
[20]曹卫彬，刘娇娣，赵良斌，等.北疆棉花遥感估产最佳时相选择研究[J].中国棉花，2007，34（3）：10-11.
[21]闫豫疆，李佩，陈冬花，等.新疆棉花估产遥感的应用研究进展[J].安徽农业科学，2016，44（36）：236-237，240.
[22]高中灵，徐新刚，王纪华，等.基于时间序列NDVI 相似性分析的棉花估产[J].农业工程学报，2012，28（2）：148-153.
[23]陈洪.基于机载LiDAR 和多光谱遥感的作物LAI 反演方法研究[D].石河子：石河子大学，2018.
[24]易秋香，王福民，包安明，等.应用MODIS 遥感数据反演棉花水分信息[J].遥感信息，2014，29（2）：108-115.
[25]田春燕.基于棉花冠层光合有效辐射的棉花水分胁迫状况高光谱监测研究[D].石河子：石河子大学，2017.
[26]王烁，常庆瑞，刘梦云，等.基于高光谱遥感的棉花叶片叶绿素估算[J].中国农业大学学报，2017，22（4）：16-27.
[27]王玉.基于时序光谱库的棉花种植面积信息提取研究[D].北京：中国地质大学，2013.
[28]苏伟，候宁，李琪，等.基于Sentinel-2 遥感影像的玉米冠层叶面积指数反演[J].农业机械学报，2018，49（1）：151-156.
[29]Clevers J G P W,Kooistra L,Brande M M ing Sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop[J].Remote Sensing, 2017,9(405):1-15.
[30]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.
[31]Vrieling A, Meroni M, Darvishzadeh R, et al.Vegetation phenology from Sentinel-2 and field cameras for a Dutch barrier island[J].Remote Sensing of Environment, 2018,215:517-529.
[32]Rozenstein O, Haymann N, Kaplan G, et al.Estimating cotton water consumption using
a time series of Sentinel-2 imagery[J].Agricultural Water Management, 2018, 207:44-52.
[33]Tucker C J.Red and photographic infrared linear combinations for monitoring vegetation[J].Remote Sensing of Environment,1979,8:127-150.
[34]Huete A R.A soil-adjusted vegetation index (SAVI) [J].Remote Sensing of Environment,1988,25:295-309.
[35]Huete A R, Didan K, Miura T, et al.Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J].Remote Sensing of
Environment,2002,83:195-213.。