鄧 兵, 楊武年*, 慕 楠, 張 超
1. 成都理工大學地學空間信息技術國土資源部重點實驗室, 四川 成都 610059
2. 四川省國土勘測規(guī)劃研究院, 四川 成都 610045
基于光譜分析與角度斜率指數(shù)的植被含水量研究
鄧 兵1, 楊武年1*, 慕 楠2, 張 超1
1. 成都理工大學地學空間信息技術國土資源部重點實驗室, 四川 成都 610059
2. 四川省國土勘測規(guī)劃研究院, 四川 成都 610045
植被含水量是植被生長狀態(tài)的重要指示因子, 是農業(yè)、 生態(tài)和水文等研究中的重要參數(shù), 其診斷對于監(jiān)測自然植被群落的干旱狀況、 預報森林火災等都具有重要意義。 通過對植被光譜反射率與植被含水量的相關性分析, 發(fā)現(xiàn)植被波譜不同波段的光譜反射率與植被含水量的相關性差異很大, 其中可見光紅光波段(620~700 nm)、 近紅外波段(800~1 350, 1 600~1 950, 2 200~2 400 nm)的光譜反射率與植被含水量具有較好的相關性, 選取了660, 850, 1 630和2 200 nm的光譜反射率作為RED, NIR, SWIR1和SWIR2的波段值來建立角度斜率指數(shù); 分析了植被含水量與角度斜率指數(shù)的關系, 將角度斜率指數(shù)(SANI, SASI, ANIR)作為反演植被含水量的參量, 建立植被含水量與角度斜率指數(shù)之間線性回歸模型。 通過對近紅外角度指數(shù)ANIR改進, 提出了近紅外角度歸一化指數(shù)NANI(near infrared angle normalized index)與近紅外角度斜率指數(shù)NASI(near infrared angle slope index), 建立植被含水量與NANI和NASI之間線性回歸模型, 結果顯示: NANI與Palacios-Orueta等提出的角度斜率指數(shù)(SANI, SASI, ANIR)相比有一定的優(yōu)勢, 模型可決系數(shù)R2從原最高0.791提高到0.853, RMSE也從原最小0.047降低到0.039。 確定了NANI為反演植被含水量的最佳角度斜率指數(shù), 并建立了植被含水量反演模型。 該研究主要創(chuàng)新點: 在前人研究成果基礎上, 通過對原角度斜率指數(shù)的改進, 提出了NANI和NASI角度斜率指數(shù), 使其在植被含水量反演上具有更高的精度。
光譜分析; 角度斜率指數(shù); 植被含水量; 岷江上游
植被含水量是植被生長狀態(tài)的重要指示因子, 是農業(yè)、 生態(tài)和水文等研究中的重要參數(shù), 在全球的水循環(huán)中, 扮演重要的角色[1]。 植被含水量的監(jiān)測或診斷對于監(jiān)測自然植被群落的干旱狀況、 預報森林火災等都具有重要意義[2]。 植被水分對光譜的吸收與反射特征是利用光學遙感反演植被含水量的基本原理, 為利用光學遙感技術估測植被含水量奠定理論基礎[3-4]。 水中的羥基基團會在液態(tài)水、 潮濕土壤、 濕潤植被光譜上產生診斷吸收譜段, 其基本吸收譜大約在3 000 nm處, 在1 300~2 500 nm短波紅外有幾處強吸收[5]。
在植被含水量監(jiān)測手段上, 野外實測作為傳統(tǒng)的測量手段, 能直接準確獲取測量點的植被含水量, 但測得結果只能反映采樣點周邊較小范圍和較短時間內的狀況; 當采用野外實測手段測量較大范圍時, 只能采取布設更多采樣點的方法, 如此則會造成野外連續(xù)工作時間長, 測量點之間時相不統(tǒng)一等問題。 而遙感手段則可以很好的滿足空間廣泛性和時間連續(xù)性的要求, 并克服經(jīng)濟和技術負擔等問題[6]。 利用光學遙感技術估算植被含水量常用的方法有: 基于光譜反射率的植被含水量反演、 基于植被水分指數(shù)反演植被含水量的、 基于輻射傳輸模型反演植被含水量等方法[7]。 國內外學者為此做了大量的研究工作, Compton, Grace等對植被葉面光譜反射特性進行研究并由此提出了利用近紅外波段反演植被水分的方法[8-9]; Carter研究葉片在短波紅外譜段吸收帶, 發(fā)現(xiàn)1 300~2 500 nm范圍內葉反射率對水分含量的敏感性在1 450, 1 950和2 500 nm光譜波段處達到最大[4], Gao等從AVIRIS影像數(shù)據(jù)利用非線性和線性最小二乘法波譜匹配技術反演的植被含水量(EWT), 與地面測量相一致[10]; 楊武年等通過光譜指數(shù)等方法, 反演了岷江上游毛爾蓋地區(qū)植被含水量[6, 11-12]。
高光譜遙感的出現(xiàn)使得多光譜中不能完成的連續(xù)光譜監(jiān)測得以實現(xiàn)。 高光譜影像中各個獨立波段間有著很強的相關性, 水分的折射和吸收影響的波段范圍大約幾百納米[4, 13]。 光譜數(shù)據(jù)中波段間的波長關系與反射率同等重要, 在此前提下一種新的光譜指數(shù)由Palacios-Orueta和Khanna等提出, 其利用三個連續(xù)的波段間光譜的幾何形狀, 用參數(shù)描述三個光譜間的相互關系, 定義為角度斜率指數(shù), 包括短波角度斜率指數(shù)SASI(shortwave angle slope index)、 短波角度歸一化指數(shù)SANI(shortwave angle normalized index)、 近紅外角度指數(shù)ANIR(near infrared angle index), 可應用于土壤含水量的監(jiān)測、 干物質檢測、 地表覆蓋辨識等[14-15]。 角度斜率指數(shù)基于波段間的波長關系, 充分考慮了反射率光譜曲線中各波段間光譜曲線的形狀而提出, 因此它檢測的不僅是任何波段的反射率值, 還有波段間的關系。 Palacios-Orueta等提出角度斜率指數(shù)最初主要是針對MODIS的三個連續(xù)波段NIR, SWIR1和SWIR2, 用參數(shù)刻畫了三個波段間的相互關系[圖1, 式(1)—式(3)], 后又提出近紅外角度指數(shù)ANIR, 用參數(shù)刻畫RED, NIR, SWIR1三個波段間相互關系[圖2, 式(4)]。
圖1 角度βSWIR1表示了以SWIR1為頂點的RED, NIR和SWIR1波段之間的關系(引自Palacios-Orueta等[15])
Fig.1 The angleβSWIR1formed at SWIR1 and the slope of the line, c. An additive offset was applied to make spectral values equal at SWIR band (adapted from Palacios-Orueta et al[15])
SANI, SASI和ANIR計算公式如下
(1)
(2)
SASI=βSWIR1×(SWIR2-NIR)
(3)
(4)
式中a,b,c所表示的距離如圖1所示,βSWIR1表示反射率光譜曲線中線段NIR-SWIR1與SWIR1-SWIR2間的夾角。a′,b′,c′表示的距離如圖2所示,αNIR表示反射率光譜曲線中線段RED-NIR與NIR-SWIR1間的夾角。
Khanna等研究發(fā)現(xiàn), 植被含水量的增加會導致SASI值
圖2 角度αNIR表示了以NIR為頂點的RED, NIR和SWIR1波段之間的關系(引自Shruti Khanna等[14])
Fig.2 The angleαNIRformed at the NIR by the reflectance at bands, RED, NIR and SWIR1. An additive offset was applied to make spectral values equal at NIR band(adapted from Shruti Khanna et al[14])
減小, SASI也可以用來對不同含水量的植被進行區(qū)分, 也就是利用角度斜率指數(shù)可以反演植被含水量[14]。 于君明等通過SASI對黃淮海平原農作物水分含量進行反演研究, 建立了農作物水分含量的相關統(tǒng)計模型[16]。 本文在植被光譜分析基礎上, 將SASI, SANI和ANIR應用于岷江上游地區(qū)植被含水量的估算, 并對原角度斜率指數(shù)進行一定改進, 試圖通過改進角度斜率指數(shù)使其能更精確地反演岷江上游地區(qū)植被含水量。
表征植被含水量通常采用相對含水率FMC(fuel moisture content)與等價水深EWT(equivalent water thickness), 選擇FMC[式(5)]作為植被含水量的表征量。
(5)
式中FMC為植被相對含水率,R為樣本植被葉片鮮重,D為樣本植被葉片干重。
1.1 研究區(qū)概況
以四川省岷江上游地區(qū)為研究區(qū)。 岷江是長江水系中水量較大的一條支流, 發(fā)源于岷山南麓, 屬長江重要的源頭區(qū)域, 按自然區(qū)劃都江堰渠首以上為岷江上游, 其區(qū)域位置介于102°35′18.026″E—104°15′14.817″E, 30°45′38.072″N—33°09′12.734″N, 按行政區(qū)劃包括四川省阿壩州的汶川縣、 茂縣、 理縣、 黑水縣、 松潘縣5個縣, 幅員面積23 037 km2, 上游干流全長337 km。 區(qū)域內植被分區(qū)屬于泛北極植物區(qū)中國喜馬拉雅植物亞區(qū)橫斷山脈地區(qū)的一部分, 垂直帶分布明顯, 表現(xiàn)出明顯的溫性森林、 干旱河谷灌叢、 亞高山森林、 亞高山草甸、 灌叢等生態(tài)類型[17]。
1.2 數(shù)據(jù)采集及處理
植被光譜數(shù)據(jù)通過ASD FieldSpec FR便攜式光譜儀測量取得, 有效光譜波段范圍為350~2 500 nm, 光譜采集時間為2014年6月25日至28日。 為減少不同太陽高度角對反射率的影響, 光譜采集選擇在晴朗無云的天氣, 在10:00—14:00進行。 植被樣本為光譜采集區(qū)域內主要植被種類, 光譜采集前進行白板校準, 為了消除光照變化對目標物反射率的影響, 每隔5~10 min再次進行白板校準。 為了消除隨機噪聲對光譜采集的影響, 各樣本每次采集9條光譜曲線。 光譜采集的同時采摘每個采樣點的樣本植被葉片, 并用密封塑料袋保存, 確保植被樣本不被雜物損害, 同時可以保證葉片含水量在一段時間保持恒定。 采集的植被樣本在室內人工光源環(huán)境下, 再次測定其光譜曲線。 帶回實驗室的樣本植被, 通過高精度電子秤對各樣本稱重, 記錄為鮮重。 隨即放入恒溫烤箱(65 ℃)烘烤36 h, 并反復進行烘烤稱重, 直至2次重量差不超過0.5 mg, 記錄為干重。 此次光譜測量一共測量了31個采樣點, 在各采樣點附近(20米范圍內)采集樣本若干, 排除損壞的樣本, 一共164個可用樣本, 將其隨機分成兩組, 模型組與驗證組, 模型組131個, 驗證組33個。
為降低隨機噪聲對采集光譜的影響, 在植被樣本光譜采集時, 各植被樣本一次采集9條光譜曲線, 然后對9條光譜曲線做平均處理, 取最終平均值作為目標物的反射光譜曲線。 水汽作為吸收太陽輻射能量最強的介質, 對植物反射率光譜影響最大[7]。 根據(jù)植被的反射光譜特性, 植被光譜在近紅外(NIR)與短波紅外(SWIR)區(qū)域有水分吸收帶, 對光譜曲線干擾較為明顯。 為了減少水汽對光譜曲線的影響, 采用移動平均法[18][式(6)]對光譜進行降噪處理。
(6)
圖3 移動平均光譜處理后光譜曲線
2.1 植被含水量與光譜反射率相關性分析
通過植被含水量光譜分析, 選擇植被含水量與植被反射光譜相關性較好的波段區(qū)間作為角度斜率指數(shù)中涉及到的光譜波段。 植被含水量光譜分析通常以植被水分敏感光譜的反射率與植被水含量的相關關系為基礎, 由植被反射光譜與植被含水量相關系數(shù)分析可以得到植被含水率與植被反射光譜的相關性較好的波段區(qū)間[12]。 通過皮爾森相關系數(shù)法(Pearson correlation coefficient)[式(7)]可以得到植被光譜反射率與植被含水量的相關系數(shù)。
(7)
圖4 植被含水量與光譜反射率相關性分析結果
根據(jù)光譜反射率與植被含水量相關性計算結果(圖4)可以看出: 不同波段的光譜反射率與植被含水量的相關性差異很大, 植被含水量與可見光紅光波段(620~700 nm)及近紅外波段(800~1 350, 1 600~1 950, 2 200~2 400 nm)的光譜反射率的相關系數(shù)較高, 表明此波段范圍的光譜反射率與植被含水量具有較好的相關性。
2.2 角度斜率指數(shù)與植被含水量分析
根據(jù)樣本植被光譜分析結果及其光譜特性, 角度斜率指數(shù)中RED, NIR, SWIR1和SWIR2波段分別取660, 850, 1 630和2 200 nm, 該波段不僅在植被含水率與植被反射光譜的相關性較好的波段區(qū)間內, 而且能與Landsat8 OLI第4, 5, 6和7波段的中心波長相對應。 在高光譜遙感影像難獲取的情況下, 可以直接用Landsat8 OLI作為反演植被含水量的遙感數(shù)據(jù)源。
為了進一步研究角度斜率指數(shù)與植被含水量的關系, 進行如下實驗: 同一植被樣本, 在恒溫箱烘烤不同時間內, 對其重量及光譜曲線進行測量, 得到不同含水率狀況下植被光譜曲線(圖5)。 從圖5可以看出, 角度隨植被干濕程度變化明顯, 植被越干燥角度越大, 當植被含水率為0.00%時,αNIR角度最大; 紅光波段(RED)的反射率與近紅外波段(NIR)反射率兩點之間斜率(圖2中線段a′斜率)隨植被含水率的減少而減少, 植被含水率越少, 其斜率越小, 但均為正值; 近紅外波段(NIR)反射率與短波紅外波段(SWIR1)的反射率兩點之間斜率(圖2中線段b′斜率)隨植被含水率的減少而增大, 植被含水率越小, 其斜率越大, 但均為負值; 紅光波段(RED)處的反射率與短波紅外波段(SWIR1)處的反射率兩點之間斜率(圖2中線段c′斜率)隨植被含水率的減少而減小, 植被含水率越少, 其斜率越小, 其值均為正值; 隨著植被含水量的減小, SWIR1-RED值會減小, 但均為正值, 因此利用αNIR與SWIR1-RED來區(qū)分不同含水率的植被從理論上是可行的。 而對于βSWIR1, 其變化規(guī)律在此實驗中不是很明顯。
圖5 不同含水率狀況下植被光譜曲線
Fig.5 Vegetation spectrum with multiple levels of vegetation moisture illustrated using the dataset of study area
將SANI, SASI和ANIR三指數(shù)引入到植被含水率的反演, 用最小二乘法擬合植被含水量與角度斜率指數(shù)之間線性回歸函數(shù)(圖6, 表1), 選擇可決系數(shù)R2(coefficient of determination)高, 均方根誤差RMSE(root-mean-square error)小的回歸模型, 建立角度斜率指數(shù)與植被含水量( FMC)之間的轉換模型。 可決系數(shù)R2指回歸方程對測量值的擬合程度, 其取值范圍是0到1, 可作為回歸值與實際測量值之間線性擬合程度高低度量指標,R2越接近1說明回歸值與實際測量值擬合程度越好, 自變量對因變量的解釋程度越高, 測量值在回歸直線附近越密集,R2越接近于0說明回歸直線對觀測值的擬合程度越差。 均方根誤差RMSE是用來衡量觀測值同真值之間的偏差, 其值越小說明觀測值同真值之間的偏差越小, 轉換模型可信度越高。
從表1可以看出, 不是所有的角度斜率指數(shù)都能很好的與植被含水率FMC建立線性回歸模型, SANI與FMC線性擬合度較低, 而SASI, ANIR與FMC線性擬合度較高, 之間能建立較好的線性轉換模型。
βSWIR1與FMC線性回歸擬合度較低(R2=0.086), 而SANI, SASI與βSWIR1相比, 線性回歸擬合度高很多(R2=0.464,R2=0.713)。 從式(2)和式(3)可以看出, SANI, SASI是與斜率指數(shù)的乘積, 表明通過斜率指數(shù)與角度指數(shù)相乘在一定條件下可以提高角度指數(shù)與植被含水量的線性回歸擬
圖6 SANI, SASI, ANIR與植被含水量擬合的線性回歸函數(shù)
AngleslopeindexTheformularCoefficientofdetermination(R2)RMSEβSWIR1y=0 237x+0 1010 2930 0860 098SANIy=-0 270x+0 5470 6810 4640 075SASIy=0 287x+0 5440 8440 7130 055ANIRy=-0 392x+1 3740 8890 7910 047
合度。 對于直接表示αNIR的ANIR, 可以將其乘以植被在近紅外(NIR)光譜反射率的斜率指數(shù), 在理論上有可能也會提高其線性擬合度。
NASI=ANIR×(SWIR1-RED)
(8)
(9)
將NASI,NANI兩指數(shù)引入到植被含水率的反演, 同樣采用最小二乘法擬合線性回歸函數(shù)(圖7), 并計算可決系數(shù)R2與均方根誤差RMSE(表2)。 從結果可以看出,NANI與FMC線性擬合效果較理想, 可決系數(shù)R2達到0.853, 均方根誤差RMSE也只有0.039, 說明NANI比NASI與FMC線性回歸擬合度高, 觀測值同真值之間的偏差也更小, 線性回歸模型可信度也較高;NANI與改進之前ANIR相比, 回歸模型的可決系數(shù)提高了(從0.791提高到0.853), 均方根誤差減小了(從0.047減小到0.039)。 與Palacios-Orueta等提出的角度斜率指數(shù)(SANI,SASI和ANIR)相比,NANI在岷江上游地區(qū)反演植被含水量上有一定的優(yōu)勢, 模型可決系數(shù)R2從原最高0.791提高到0.853,RMSE也從原最小0.047降低到0.039。 表明FMC與NANI建立的線性回歸模型具有更高的擬合度, 觀測值同真值之間的偏差也更小, 模型可信度也更高, 對原有角度斜率指數(shù)的改進是切實有效的。
植被含水量與改進角度斜率指數(shù)NANI的線性回歸擬合度最高, 觀測值同真值之間的偏差最小, 線性回歸模型可
信度也最高。 最終確立研究區(qū)植被含水量反演模型為[式(10)]
y=-0.423x+1.279
(10)
式(10)中y為FMC, x為NANI。
圖7 改進角度斜率指數(shù)NANI, NASI與植被含水量線性擬合
AngleslopeindexTheformularCoefficientofdetermination(R2)RMSENANIy=-0 423x+1 2790 9240 8530 039NASIy=-0 012x+0 7260 0000 0000 102
2.3 反演模型精度評價
對植被含水量反演模型[式(10)]進行精度分析(表3)及顯著性檢驗(表4), 其結果可以看出, FMC與NANI線性回歸模型相關系數(shù)(r)達到0.924, 可決系數(shù)(R2)達到0.853, 說明該線性模型能很好的反映FMC與NANI之間的關系。 線性模型進行顯著性檢驗(F檢驗)的結果可以看出,F(xiàn)0為74.910遠遠大于F0.05(1, 129)臨界值3.91(通過查表得), 回歸方程F顯著性檢驗概率為0.000, 即由F檢驗法可知, 近紅外角度歸一化指數(shù)x與植被含水量y之間的線性關系是極為顯著的。
為進一步驗證模型精度, 將模型驗證組33個實測樣本數(shù)據(jù)帶入反演模型, 將計算結果與實測結果進行線性擬合分析(圖8), 線性擬合模型可決系數(shù)達到0.876, RMSE為0.033, 說明預測模型能很好地對植被含水量進行預測, 該模型能很好地反映近紅外角度歸一化指數(shù)與植被含水量之間的關系, 且該模型能對研究區(qū)植被含水率進行預測。
表3 模型精度分析結果
表4 模型顯著性檢驗結果
通過遙感手段測量大面積范圍內植被含水量, 可以很好地滿足空間廣泛性和時間連續(xù)性的要求, 并能克服經(jīng)濟和技術負擔等問題。 本文在分析了角度斜率與不同含水量植被的關系的基礎上, 將角度斜率指數(shù)(SANI, SASI, ANIR)應用于岷江上游地區(qū)植被含水量的遙感反演, 結果顯示FMC與指數(shù)ANIR建立線性回歸模型擬合度最高, 其可決系數(shù)R2
圖8 模型計算結果與實測結果的線性擬合
可達0.791, RMSE可達0.047。 對近紅外角度指數(shù)ANIR的改進, 提出兩種新的角度斜率指數(shù): 近紅外角度歸一化指數(shù)NANI(near infrared angle normalized index)與近紅外角度斜率指數(shù)NASI(near infrared angle slope index), 并建立了FMC與NANI, NASI線性回歸模型, 其中FMC與NANI線性擬合效果較理想, 可決系數(shù)R2達到0.853, 均方根誤差RMSE只有0.039, 其擬合度比改進前有一定程度提高。
歸納主要研究成果: (1)在前人研究成果基礎上, 提出了兩新角度斜率指數(shù)NANI和NASI, 豐富了原角度斜率指數(shù); (2)通過對原角度斜率指數(shù)的改進, 使其在植被含水量反演上具有更高的精度。
[1] Ceccato P, Gobron N, Flasse S, et al. Remote Sens. Environ., 2002, 82: 188.
[2] Zarco-Tejada P J, Rueda C A, Ustin S L. Remote Sens. Environ., 2003, 85: 109.
[3] Kramer P J. Water Relations of Plants: Academic Press, 1983. 489.
[4] Carter G A. American Journal of Botany, 1991, (7): 916.
[5] Williams C W R A. Journal of the Optical Society of America, 1971, (10): 1316.
[6] LI Yu-xia, YANG Wu-nian, TONG Ling, et al(李玉霞, 楊武年, 童 玲, 等). Acta Optica Sinica (光學學報), 2009, (5): 1403.
[7] ZHANG Jia-hua, XU Yun, YAO Feng-mei, et al(張佳華, 許 云, 姚鳳梅, 等). Scientia Sinica Technologica (中國科學: 技術科學), 2010, (10): 1121.
[8] Grace J. Journal of Ecology, 1982, (2): 696.
[9] Garratt C J T A. Applied Optics, 1977, (3): 635.
[10] Bc G, Afh G. Remote Sensing of Environment, 1995, (3): 155.
[11] PAN Pei-fen, YANG Wu-nian, JIAN Ji, et al(潘佩芬, 楊武年, 簡 季, 等). Remote Sensing Information(遙感信息), 2013, (3): 69.
[12] PAN Pei-fen, YANG Wu-nian, DAI Xiao-ai(潘佩芬, 楊武年, 戴曉愛). Remote Sensing for Land & Resources(國土資源遙感), 2013, (3): 38.
[13] Tucker C J. Remote Sensing of Environment, 1980, (1): 23.
[14] Khanna S, Palacios-Orueta A, Whiting M L, et al. Remote Sensing of Environment, 2007, 109(2): 154.
[15] Palacios-Orueta A, Susan U. Remote Sensing of Environment, 1996, 57(2): 108.
[16] YU Jun-ming, LAN Chao-zhen, ZHOU Yi, et al(于君明, 藍朝楨, 周 藝, 等). Geomatics and Information Science of Wuhan University(武漢大學學報·信息科學版), 2009, (2): 210.
[17] ZHANG Wen-hui, LU Tao, ZHOU Jian-yun, et al(張文輝, 盧 濤, 周建云, 等). Acta Botanica Boreali-Occidentalia Sinica(西北植物學報), 2003, (6): 888.
[18] WU Hai-long, YU Xin-xiao, ZHANG Zhen-ming, et al(吳海龍, 余新曉, 張振明, 等). Spectroscopy and Spectral Analysis(光譜學與光譜分析), 2014, 34(6): 1615.
*Corresponding author
The Research of Vegetation Water Content Based on Spectrum Analysis and Angle Slope Index
DENG Bing1, YANG Wu-nian1*, MU Nan2, ZHANG Chao1
1. Key Laboratory of Geoscience Spatial Information Technology, Ministry of Land and Resources, Chengdu University of Technology, Chengdu 610059, China
2. Sichuan Institute of Land Planning and Survey, Chengdu 610045, China
Vegetation water content is an important indicator of vegetal state, and a vital parameter of studying agriculture, ecological and hydrological. The diagnosis of vegetation water content has great significance for forest fire forecast and natural vegetation drought condition monitoring. The correlation analysis of the vegetation spectral reflectance and vegetation water content shows that the relativity between the spectral reflectance of different wavelengths and the vegetation water content varies considerably. The spectral reflectance of red band of visible light (620~700 nm) and the near-infrared band(800~1 350, 1 600~1 950, 2 200~2 400 nm) had a higher correlation with the vegetation water content. The slope angle indexes were used as parameters for estimating the vegetation water content based on analyzing the relation between the slope angle indexes and vegetation water content. An evaluation model of vegetation water content was set up by utilizing statistical linear regression model method. The band of 660, 850, 1 630, 2 200 nm were selected as RED, NIR, SWIR1 and SWIR2 band value of the slope angle index based on the analysis of the correlation between spectral reflectance and vegetation water content. A large amount of vegetation spectral information and vegetation water content were collected in the study area(the upstream of Minjiang River), and the linear regression model of the slope angle index (SANI, SASI, ANIR) and vegetation water content (FMC) was build. The linear regression model of ANIR and FMC has the highest of linear fitting and the linearity is up to 0.791. The near infrared angle index(ANIR)was improved on the basis of the analysis the linear regression results of angle slope vegetation index and water content. Near infrared angle normalized index (NANI) and near infrared angle slope index (NASI) were defined, and the linear regression model was established. Compared with the slope angle index (SANI, SASI, ANIR) which were proposed by Palacios-Orueta, NANI had more advantages in the vegetation water content inversion in the study area. The determination coefficient (R2) of the inversion model increased from 0.791 to 0.853, and root-mean-square error (RMSE) reduced from 0.047 to 0.039. Angle slope index had higher linear fitting and estimation accuracy by improving the angle of slope index. NANI and FMC linear regression model was established to estimate the vegetation water content in the study area. In this paper, the main innovation point is that the slope angle index NANI and NASI has been proposed on the basis of predecessors' research results, and the improved angle slope index has higher linear fitting and estimation accuracy compared with SANI, SASI, ANIR.
Spectrum analysis ; Angle slope index; Vegetation water content; The upstream of Minjiang River
Jul. 27, 2015; accepted Nov. 22, 2015)
2015-07-27,
2015-11-22
國家自然科學基金項目(41071265, 41372340)資助
鄧 兵, 1987年生, 成都理工大學博士研究生 e-mail: dengbing2000@163.com *通訊聯(lián)系人 e-mail: ywn@cdut.edu.cn
TP79
A
10.3964/j.issn.1000-0593(2016)08-2546-07