K-T變換在監(jiān)測小麥地表參數(shù)中的應(yīng)用

王軍戰(zhàn),鮑艷松,張友靜,屈建軍,張偉民

(1.中國科學(xué)院寒區(qū)旱區(qū)環(huán)境與工程研究所敦煌戈壁荒漠生態(tài)與環(huán)境研究站,甘肅蘭州 730000;2.南京信息工程大學(xué)大氣物理學(xué)院,江蘇南京 210044;3.河海大學(xué)地球科學(xué)與工程學(xué)院,江蘇南京 210098）

K-T變換在監(jiān)測小麥地表參數(shù)中的應(yīng)用

王軍戰(zhàn)1,鮑艷松2,張友靜3,屈建軍1,張偉民1

(1.中國科學(xué)院寒區(qū)旱區(qū)環(huán)境與工程研究所敦煌戈壁荒漠生態(tài)與環(huán)境研究站,甘肅蘭州 730000;2.南京信息工程大學(xué)大氣物理學(xué)院,江蘇南京 210044;3.河海大學(xué)地球科學(xué)與工程學(xué)院,江蘇南京 210098）

利用K-T變換提取TM和MOD IS遙感影像的綠度、濕度分量,在不同的分辨率尺度下監(jiān)測小麥覆蓋地表參數(shù):土壤濕度(M s）、等效水厚度(EW T）和葉面積指數(shù)(LA I）,并與NDV I(歸一化植被指數(shù)）、NDW I(歸一化水分指數(shù)）和EV I(增強植被指數(shù)）監(jiān)測結(jié)果比較。濕度分量監(jiān)測M s效果更好,TM和MOD IS遙感影像反演精度分別為6.08%、7.37%(RM SE）,相關(guān)系數(shù)R2分別為0.49、0.31,基于綠度和濕度分量建立土壤濕度多元線性回歸反演模型,利用TM影像反演土壤濕度RMSE為4.91%,反演土壤濕度和實測土壤濕度R2達(dá)0.63;綠度分量監(jiān)測EW T效果更好,TM和MOD IS遙感影像反演精度分別為0.37 kg/m2、0.43 kg/m2,R2分別為0.51、0.28;綠度分量反演LA I精度更好,TM和MOD IS遙感影像反演精度分別為0.66、0.83,R2分別為0.64、0.35。

K-T變換;土壤濕度;等效水厚度;葉面積指數(shù)

利用遙感技術(shù)反演土壤濕度(M s）、等效水厚度(EW T）和葉面積指數(shù)(LA I）等地表參數(shù)一直是遙感應(yīng)用領(lǐng)域的研究重點[1-3]。土壤濕度遙感反演常用的方法有微波遙感法、熱慣量法和植被指數(shù)法[4-6];等效水厚度和葉面積指數(shù)的遙感反演方法有相似之處,通常是通過建立植被生物、物理指數(shù)(如NDV I、NDW I、EV I）和等效水厚度或葉面積指數(shù)的統(tǒng)計關(guān)系模型[2,7-9],進(jìn)而反演這兩個地表參數(shù)。諸多研究證明,遙感技術(shù)是獲取土壤濕度、等效水厚度和葉面積指數(shù)等地表參數(shù)的有效途徑[10,11]。K-T變換成功地建立了光譜綜合信息與地表物理參數(shù)間的聯(lián)系[12-14],并被廣泛用于蓄積量計算、遙感影像融合、分類等方面[15-17],但 K-T變換在土壤濕度、等效水厚度和葉面積指數(shù)等地表參數(shù)反演中的應(yīng)用研究尚少。本文嘗試以 K-T變換的綠度(Greenness）、濕度(Wetness）分量為變量反演小麥地表土壤濕度、等效水厚度和葉面積指數(shù),并利用 TM和MOD IS數(shù)據(jù)分析不同尺度下的地表參數(shù)反演結(jié)果,最后比較了K-T變換與3種常用指數(shù)的小麥地表參數(shù)反演能力。

1 數(shù)據(jù)獲取與處理

研究區(qū)選取北京市郊昌平、順義和通州3個區(qū)的小麥地表。2005年5月9日(小麥抽穗期）,在研究區(qū)內(nèi)選取了27個實驗點,獲取的小麥地表參數(shù)包括0～10 cm深土壤體積含水量、植被含水量和葉面積指數(shù)等。

獲取了與地面實驗準(zhǔn)同步的TM和MOD IS影像數(shù)據(jù)。首先將遙感影像配準(zhǔn)到經(jīng)幾何精校正的ETM+遙感影像上,然后利用經(jīng)驗線性定標(biāo)方法[18]對TM遙感影像進(jìn)行輻射校正,利用 ENV I中的FLAASH模塊對MOD IS影像進(jìn)行大氣校正,基于校正后的遙感影像,分別提取綠度、濕度。MOD IS數(shù)據(jù)亮度(B rightness）、綠度(Greenness）與濕度(Wetness）計算公式如下[19]:

式中:M 1～M 7為MOD IS影像1～7波段的反射率。

TM數(shù)據(jù)Brightness、Greenness與Wetness計算公式如下[13]:

式中:TM 1～TM 5、TM 7為TM影像的1～5、7波段反射率。

NDV I、NDW I和EV I的計算參見文獻(xiàn)[20]。

2 方法與結(jié)果分析

2.1 K-T變換及參數(shù)分析

對校正后的TM、MOD IS遙感影像進(jìn)行K-T變換,并計算3種指數(shù)。分別提取參數(shù) Greenness、Wetness、NDV I、NDW I、EV I,去除3個異常點,利用余下的24個實驗點分析參數(shù)間的相關(guān)性(R2）(表1）。由表1可知,Greenness與NDV I、EV I相關(guān)性很好(R2都在0.9以上）,Greenness與NDW I的相關(guān)性較差,因此可知 Greenness與NDV I、EV I等有相似的特性,更多的指示植被覆蓋度、葉面積指數(shù)等物理量。MODIS數(shù)據(jù) Greenness與NDV I、NDW I、EV I的相關(guān)性高于TM數(shù)據(jù),這是因為MOD IS遙感影像分辨率低(1 km）,個別實驗點距離近,出現(xiàn)一個MODIS像元中包括多個實驗點,使得這幾個實驗點提取的參數(shù)值相同,提高了數(shù)據(jù)的相關(guān)性,但這種相關(guān)性的提高不利于地表參數(shù)的反演; Wetness與NDV I、EV I的相關(guān)性差于Greenness,而Wetness-NDW I的相關(guān)性好于Wetness-NDV I、Wetness-EV I,因為Wetness、NDW I都是反映地表濕度信息的量;Greenness-Wetness相關(guān)系數(shù)達(dá)0.45,因為實驗期小麥處于抽穗期,綠度分量反映覆蓋度信息,濕度分量反映地表水分信息,當(dāng)植被覆蓋較好時,水分條件也相對較好,因此二者呈現(xiàn)較好的正相關(guān)性。

表1 參數(shù)相關(guān)性分析Table 1 The correlation coefficient of the variables

2.2 小麥地表等效水厚度反演

基于24個實驗點的實測數(shù)據(jù)與 TM、MOD IS遙感數(shù)據(jù),建立Greenness、Wetness、NDV I、NDW I、EV I與等效水厚度的線性回歸模型,相關(guān)系數(shù)如表2所示。由表2可知,Greenness與 EW T相關(guān)性較好,基于TM和MOD IS數(shù)據(jù)綠度分量建立的EW T回歸模型相關(guān)系數(shù)分別為0.51、0.28,NDW I、EV I、NDV I與EW T相關(guān)性次之,Wetness與EW T相關(guān)性較差。

表2 指數(shù)與等效水厚度相關(guān)系數(shù)Table 2 The correlation coefficient between the variablesand EWT

基于TM和MOD IS數(shù)據(jù),利用Greenness建立EW T(kg/m2）的線性回歸模型,公式及反演結(jié)果(RM SE,均方根誤差）如下:

2.3 小麥地表土壤濕度反演

分別建立 Greenness、Wetness、NDV I、NDW I、EV I與土壤濕度的線性回歸模型,相關(guān)系數(shù)如表3所示。由表3可知,Wetness反演M s效果更好,TM和MOD IS數(shù)據(jù)濕度分量與M s回歸模型相關(guān)系數(shù)分別為0.49、0.34,NDW I次之,NDV I、EV I、Greenness反演M s效果較差。

表3 指數(shù)與土壤濕度相關(guān)系數(shù)Table 3 The correlation coefficient between the variables and M s

基于 TM和MOD IS數(shù)據(jù),利用Wetness建立M s(%）線性回歸模型,公式及反演結(jié)果如下:

由表2、表3可知,Wetness更多反映土壤濕度信息,Greenness更多反映植被含水量(EW T）信息,而植被含水量又在一定程度上反映土壤濕度信息。因此,本文嘗試結(jié)合這兩個參數(shù)反演土壤濕度,即建立如下的土壤濕度反演模型:

式中:系數(shù)a、b和常數(shù)項c可通過最小二乘擬合得到。利用TM影像和實測數(shù)據(jù)擬合式(11）中的系數(shù)和常數(shù),得到土壤濕度反演模型:

圖1 綠度、濕度組合反演土壤濕度結(jié)果Fig.1 Soilmoisture estimated by Wetnessand Greenness

基于式(12）反演土壤濕度,結(jié)果如圖1所示。反演土壤濕度RM SE為4.91%,反演土壤濕度和實測土壤濕度相關(guān)系數(shù)達(dá)0.63。比較基于濕度分量的線性回歸模型反演結(jié)果,可知多元線性回歸模型可進(jìn)一步提高反演精度。

2.4 小麥地表葉面積指數(shù)反演

建立 Greenness、Wetness、NDV I、NDW I、EV I與葉面積指數(shù)的線性回歸模型,相關(guān)系數(shù)如表4所示。由表4可知,Greenness反演LA I精度更好, TM和MOD IS數(shù)據(jù)綠度分量LA I回歸模型相關(guān)系數(shù)分別為 0.64、0.35,EV I、NDV I、NDW I次之, Wetness反演LA I效果較差?；赥M和MOD IS數(shù)據(jù),利用Greenness建立

表4 指數(shù)與葉面積指數(shù)相關(guān)系數(shù)Table 4 The correlation coefficient between the variablesand LAI

LA I的線性回歸模型,公式及反演結(jié)果如下:

由表2～表4和式(7）～式(14）可以看出,K-T變換的綠度、濕度分量在監(jiān)測土壤濕度、等效水厚度、葉面積指數(shù)等地表參數(shù)中具有一定的優(yōu)勢,相比3個常用植被指數(shù)精度更好。TM遙感影像分辨率較高,因此反演精度總體好于MOD IS數(shù)據(jù),因為TM遙感影像具有更高的空間分辨率。

3 結(jié)論與討論

本文在不同的分辨率尺度下利用 K-T變換的綠度、濕度分量反演了冬小麥抽穗期的幾個重要地表參數(shù),相比NDV I、NDW I、EV I等植被指數(shù)具有更好的監(jiān)測精度。TM數(shù)據(jù)監(jiān)測地表參數(shù)精度好于MOD IS數(shù)據(jù),因為 TM數(shù)據(jù)空間分辨率更高,但MOD IS具有更高的時間分辨率且更有利于大范圍監(jiān)測,因此選取合適的空間或時間尺度分辨率遙感影像做 K-T變換提取的綠度、濕度分量更有利于地表參數(shù)反演和農(nóng)作物長勢監(jiān)測。

筆者認(rèn)為將綠度或濕度分量與地表溫度(LST）相結(jié)合,構(gòu)建二維空間 Greenness-LST或Wetness-LST計算VSW I或TVD I等旱情監(jiān)測指數(shù),能進(jìn)一步提高土壤濕度和旱情監(jiān)測精度;濕度分量能更多反映土壤濕度信息,綠度分量能更多反映等效水厚度信息,建立基于濕度、綠度分量的土壤濕度多元線性回歸模型,可進(jìn)一步提高土壤濕度的反演精度,而這兩者同樣是影響植被覆蓋地表微波后向散射的重要因素,微波遙感本身在土壤濕度等地表參數(shù)反演中具有很大的優(yōu)勢和較高的精度,因此結(jié)合微波遙感監(jiān)測土壤濕度的研究將逐步展開。

本研究中冬小麥處于抽穗期,覆蓋度較高,K-T變換在地表參數(shù)反演中表現(xiàn)出一定優(yōu)勢;當(dāng)冬小麥處于返青期或拔節(jié)期等覆蓋度較低生理周期時,濕度和綠度分量是否仍然有利于地表參數(shù)反演有待進(jìn)一步探討。下一步將獲取多個生理周期的遙感數(shù)據(jù),以構(gòu)建系統(tǒng)的冬小麥等農(nóng)作物的地表參數(shù)反演方法和長勢監(jiān)測方法。

[1] HéGARA T-MASCLE SL,ZRIBIM,ALEM F,et al.Soilmoisture estimation from ERS/SAR data:Toward an operational methodology[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(12）:2647-2658.

[2] JACKSON,CHEN D Y.Vegetation water content mapping using Landsat data derived normalized difference w ater index fo r corn and soybeans[J].Remote Sensing of Environment,2004, 92(4）:225-236.

[3] HANSEN PM,SCHJOERINGJ K.Reflectancemeasurement of canopy biomass and nitrogen status in w heat crops using normalized difference vegetation indices and partial least squares regression[J].Remote Sensing of Environment,2003(86）:542 -553.

[4] 孫麗,陳煥偉,趙立軍,等.遙感監(jiān)測旱情的研究進(jìn)展[J].農(nóng)業(yè)環(huán)境科學(xué)學(xué)報,2004,23(1）:202-206.

[5] 田國良.熱紅外遙感[M].北京:電子工業(yè)出版社,2006.285-288.

[6] SANDHOL T I,RASMUSSEN K,ANDERSEN J.A simp le interp retation of the surface temperature/vegetation index space for assessmentof surfacemoisture status[J].Remote Sensing of Environment,2002,79:213-224.

[7] ROCK B N,VOGELMARM J E,W ILL IAMS D L,et a1.Remote detection of forest damage[J].Bioscience,1986(36）:439 -445.

[8] CHEN D Y,HUANGJ F,JACKSON.Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near-and short-wave infrared bands[J].Remote Sensing of Environment,2005,98:225-236.

[9] CHEN JM,CIHLAR J.Retrieving leaf area index of boreal conifer forests using Landsat TM images[J].Remote Sensing of Environment,1996,55:153-162.

[10] L IZ G,WANG Y L,ZHOU Q B.Spatiotemporal variability of land surface moisture based on vegetation and temperature characteristics in Northern Shaanxi Loess Plateau,China[J]. Journal of A rid Environments,2008,72:974-985.

[11] CHEN J M,PAVL IC G,BROWN L.Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements [J].Remote Sensing of Environment,2002,80:165-184.

[12] KAU TH R,THOMAS G.The tasselled cap——A graphical descrip tion of the spectral-temporal development of agricultural crops as seen by Landsat[A].Proceedingsof the Symposium on Machine Processing of Remotely Sensed Data.Indiana: Purdue University of West Lafayette,1976.4B-41-4B-51.

[13] CRIST E P,CICONE R C.A physically-based transfo rmation of Thematic Mapper data——the TM Tasseled Cap[J].IEEE T.Geosci Remote Sens.,1984,22:256-263.

[14] ZHANG X,SCHAAFC,FRIEDL M A,et al.MODIS Tasseled Cap transfo rmation and its utility[A].Geoscience and Remote Sensing Symposium,IGARSS′02[C].IEEE International, 2002.1063-1065.

[15] 張友靜,方有清.K-T變換的林學(xué)意義及其在森林蓄積量估算中的研究[J].環(huán)境遙感,1992,7(3）:163-171.

[16] GAO F,MASEK J,SCHWALLER M,et al.On the blending of the Landsat and MODIS surface reflectance:Predicting daily Landsat surface reflectance[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44:2207-2218.

[17] 李芳芳,賈永紅.一種基于TM影像的濕地信息提取方法及其變化檢測[J].測繪科學(xué),2008,33(2）:147-149.

[18] FARRAND W H,SINGER R B,M ERENYI E.Retrieval of apparent surface reflectance from AV IRIS data——a comparison of empirical line,radiative transfer,and spectral mixture methods[J].Remote Sensing of Environment,1994,47:3-11.

[19] H ILKER T,WULDER M A,COOPS N C,et al.A new data fusion model for high spatial-and temporal-resolution mapping of fo rest disturbance based on Landsat and MOD IS[J].Remote Sensing of Environment,2009,113:1613-1627.

[20] HOUBORG R,SOEGAARD H,BOEGH E.Combining vegetation index and model inversion methods fo r the extraction of key vegetation biophysical parameters using Terra and Aqua MOD IS reflectance data[J].Remote Sensing of Environment, 2007,106(1）:39-58.

K-T Transformation and Its Application to the Estimation of Land Surface Parameters in a W inter Wheat Area

WANGJun-zhan1,BAO Yan-song2,ZHANG You-jing3,QU Jian-jun1,ZHANGWei-min1
(1.Dunhuang Gobi and Desert Ecology and Environment Research Station,Cold and A rid Region Environmental and Engineering Research Institute,Chinese Academ y of Sciences,L anzhou730000;
2.School of A tmospheric Physics,N anjing University of Information Science&Technology,N anjing210044;
3.School of Earth Sciences and Engineering,Hohai University,N anjing210098,China）

The TM imagery and MOD IS imagery were converted into greennessand wetness variables using the Cretaceous-Tertiary(K-T）transformation.The linear regression model was built to estimate the land surface parameters including soil moisture(M s）,equivalent water thickness(EW T）and leaf area index(LA I）based on the greennessor wetness variable.The inversion results were compared to the results estimated by the No rmalized Difference Vegetation Index(NDV I）,No rmalized Difference Water Index(NDW I）,and Enhanced Vegetation Index(EV I）.The M swasestimated by the wetness variable is better than other variables,the inversion accuracy by the TM imagery and MOD IS imagery is 6.08%,7.37%(RMSE）respectively,the correlation coefficient(R2）is 0.49,0.31 respectively.Then amulti linear regressionmodel to estimate M swas built based on wetness and greenness,the M sestimation result show s that the RMSE reaches4.91%based on TM imagery,the correlation coefficient is 0.63 between estimation and measurement M s.The greenness variable and EW T show s a better correction than other variables,the inversion accuracy by the TM imagery and MOD IS imagery is 0.37 kg/m2,0.43 kg/m2respectively,the correlation coefficient is0.51,0.28 respectively.The greenness variable and LA Ishow sa better correction than other variables,the inversion accuracy by the TM imagery and MOD IS imagery is 0.66,0.83 respectively,the co rrelation coefficient(R2）is 0.64, 0.35 respectively.

K-T transfo rmation;soilmoisture;equivalent water thickness;leaf area index

TP79

A

1672-0504(2010）03-0029-04

2010-01-06;

2010-03-29

國家自然科學(xué)基金項目(40701130）;南京信息工程大學(xué)校科研基金資助項目(S8107360001）

王軍戰(zhàn)(1980-）,男,助理工程師,從事遙感應(yīng)用與GIS研發(fā)。E-mail:cani04@163.com