基于高光谱卫星和植被指数的农林混合种植区健康度评估

埃及阿斯旺省的Kom Umbu地区位于埃及南部，尼罗河上游，临近纳赛尔湖。是尼罗河畔重要的城市和绿洲之一，该地区灌溉农业发达，主要发展棉花、谷物以及经济林，为混合农业区。由于叶片和冠层结构差异，传统的单一植被指数无法同时覆盖林业和农业，因此需要结合多种指数进行评估。

项目介绍

近期，中科西光航天团队使用高光谱卫星对埃及阿斯旺省的Kom Umbu地区（图1）进行了拍摄。在高光谱数据的波段覆盖内，使用了增强植被指数来筛选和掩膜作物，并评估作物的绿度和叶绿素含量；使用花青素反射指数2评估叶花青素含量；红绿比值指数来表示光利用效率和森林生长率。并分别制作成指数地图，以及结合上述指数的农业和林业健康度地图，可用来评估病虫害胁迫的发生情况，也可以用于评估地区的木材收获量。根据作物的健康程度将输入影像分为9类，有助于评估整个影像中的作物健康情况。

△  图1 叠加谷歌底图的XIGUANG-003真彩色融合影像

△图2  增强植被指数

增强型植被指数（EVI）是一种优化后的植被指数，旨在提高对植被的响应能力并改进植被监测能力。  它基于归一化植被指数（NDVI）进行改善，通过采用更为严格的波段组合和算法，消除了部分与太阳角、地形、云/暗影和大气条件有关的辐照度条件的变化，增强了EVI对植被的响应能力。

EVI的计算公式为：EVI = (NIR - Red) / (NIR + 6*Red - 7.5*Blue + 1)，其中NIR为近红外波段反射率，Red为红光波段反射率，Blue为蓝光波段反射率。通过调整这些波段的权重和系数，EVI能够更好地反映植被的精细结构和健康状况。

EVI的优势在于其对冠层结构变化的敏感性，包括叶面积指数（LAI）、冠层类型、植被相和冠层结构等。EVI能够更好地提取植被的生物物理参数，如叶绿素含量、生物量等，从而提高了对植被生长状况和变化的监测精度。

EVI的应用范围非常广泛，包括农业、林业、生态学和环境科学等领域。在农业中，EVI可以用于监测作物生长状况、评估作物营养状况、预测作物产量等。在林业中，EVI可用于监测森林健康状况、评估森林结构和生态功能等。在生态学和环境科学中，EVI可用于监测和评估植被覆盖变化、土地退化、城市化等环境问题。

△图3  花青素反射指数2

花青素反射指数2（Anthocyanin Reflectance Index 2,ARI2）是一种遥感指数，用于监测植被中的花青素含量。  它是在花青素反射指数1（ARI1）的基础上改进而来，通过调整波段组合和算法，提高了对花青素含量的响应能力。

ARI2的计算公式为：ARI2 = (NIR - 0.57*Red - 0.2*Green) / (NIR + 0.88*Red + 0.2*Green)，其中NIR为近红外波段反射率，Red为红光波段反射率，Green为绿光波段反射率。与ARI1相比，ARI2在红光波段的权重增加，绿光波段的权重减少，从而提高了对花青素含量的敏感性。

ARI2的优势在于其对植被冠层中花青素含量的响应能力。花青素是一种色素，在植物中含量较低，但对植物生长和健康状况具有重要的影响。通过监测ARI2值的变化，可以了解植被冠层中花青素含量的变化，从而推断植被的生长状况和胁迫状况。

ARI2的应用范围主要包括生态学、环境科学和农业等领域。在生态学中，ARI2可用于监测森林、草地等生态系统的健康状况和生产力。在环境科学中，ARI2可用于评估土壤质量、环境污染和气候变化等环境问题对植被的影响。在农业中，ARI2可用于监测作物生长状况、评估作物胁迫状况和产量等。

△图4  红绿比值指数

红绿比值指数（Red-Green Ratio Index）是一种遥感指数，用于监测植被的健康状况和生长趋势。  该指数通过比较红光波段和绿光波段的反射率来计算，公式为：Red-Green Ratio Index = Red / Green。

红光波段通常反映植物的叶绿素含量，而绿光波段则反映植物的整体结构和健康状况。因此，通过计算红绿比值指数，可以了解植被的生长状况和健康水平。

红绿比值指数的优势在于其简单易行，计算方便，能够快速获取植被生长状况的信息。然而，该指数的局限性在于其对冠层结构和环境因素的敏感性较低，可能无法准确反映植被胁迫状况和其他细节信息。红绿比值指数是一种简便的遥感指数，能够快速获取植被生长状况的信息，但可能无法准确反映植被胁迫状况和其他细节信息。在实际应用中，需要结合其他遥感指数和实地调查数据来全面了解植被的生长状况和健康水平。

△图5  作物健康度

通过观察图5作物健康度分布，发现部分区域的健康度普遍高于周边区域，这些区域主要分布在相对远离城市的地区，且靠近尼罗河和支流河道，也印证了该地区受水源限制的灌溉农业模式。

△图6  作物健康度冷热区

 图2-5中的植被指数地图能够反应作物长势以及健康度的分布，具有一定的可视化效果，但对于数值上下限差异过大或多小的指数，可视化会受到影响。因此我们将作物健康度指数栅格数据按网格采样为点数据。

接下来对点数据集中的每一个要素计算 Getis-Ord Gi* 统计。通过得到的 z 得分和 p 值，Gi* 统计就是 z 得分。对于具有显著统计学意义的正的 z 得分，z 得分越高，高值（热点）的聚类就越紧密。对于统计学上的显著性负 z 得分，z 得分越低，低值（冷点）的聚类就越紧密，p值则用来判断该结果的置信度。

通过上述计算，可以获取高值或低值要素在空间上发生聚类的位置，获取作物健康度显著低于和高于周边地区的冷热区，以更直观的方式展示该地区的农业健康度。

后续还能够对冷热区进行矢量化，并进一步基于冷热区矢量边界，分析区域的形状、之间的距离、区域与河道和城市的关系等，深入挖掘当地农业发展模式。