基于高分辨率遙感影像的玉米田葉面積指數(shù)反演

黃楚荻，魯 蕾，劉 勇，劉巨峰

(蘭州大學(xué) 資源環(huán)境學(xué)院，甘肅 蘭州 730000)

葉面積指數(shù)(leaf area index，LAI)是指單位面積地表以上葉片單面面積之和[1]或單位面積柱體內(nèi)總?cè)~表面積的一半[2]。葉面積指數(shù)是反映陸地生態(tài)系統(tǒng)綠色植物生物量的重要參數(shù)，在建立地表和大氣之間能量和質(zhì)量交換模型和定量評(píng)估生態(tài)系統(tǒng)中水、碳和營(yíng)養(yǎng)循環(huán)中扮演了至關(guān)重要的角色[1, 3]。LAI是估算綠色植物地表覆蓋度、預(yù)測(cè)作物長(zhǎng)勢(shì)和產(chǎn)量的重要依據(jù)，對(duì)于理解作物冠層的生物物理過(guò)程有著十分重要的意義[4]。

LAI的測(cè)量方法可分為兩類：地面實(shí)測(cè)法和遙感反演法[5]。地面實(shí)測(cè)LAI方法又可分為直接測(cè)量法和間接測(cè)量法。直接測(cè)量方法通過(guò)人工采集植物葉片并進(jìn)行面積測(cè)量來(lái)獲取LAI，具有一定的破壞性[6]，難以完成同一目標(biāo)的長(zhǎng)時(shí)間序列LAI動(dòng)態(tài)監(jiān)測(cè)。間接測(cè)量則依據(jù)地面光學(xué)儀器觀測(cè)輻射透過(guò)率，進(jìn)行輻射傳輸建模，據(jù)此采用遙感數(shù)據(jù)進(jìn)行LAI估算[7]。與直接測(cè)量法相比，間接測(cè)量法需要根據(jù)遙感反演模型建立地表觀測(cè)量與遙感觀測(cè)量之間的定量關(guān)系，從而實(shí)現(xiàn)LAI的遙感反演。按照反演模型的差異，遙感反演LAI可分為經(jīng)驗(yàn)?zāi)Ｐ头椒ê臀锢砟Ｐ头椒╗8]。經(jīng)驗(yàn)?zāi)Ｐ头椒ㄍǔ＠弥脖恢笖?shù)與LAI之間的統(tǒng)計(jì)回歸模型來(lái)反演LAI[9]，擬合系數(shù)與表觀指標(biāo)之間的物理意義不明確，難以保證其準(zhǔn)確性及普適性[10]。物理模型方法基于光子傳輸模型模擬植被冠層輻射傳輸過(guò)程，得到地表反射率與LAI的定量關(guān)系模型[11]。該方法建立在物理模型構(gòu)建基礎(chǔ)上，是定量遙感LAI反演發(fā)展的趨勢(shì)[12]。其中，基于輻射傳輸模型的PROSAIL模型可用于模擬不同生化水平及不同觀測(cè)條件、土壤背景下的不同連續(xù)植被冠層反射率[13]，是目前較為常用的物理模型。

圖1 植被像元在紅光、近紅外波段反射率光譜空間中的分布[16]Fig.1 Distribution of vegetation pixels in reflectance spectral space of red and near infrared

植被像元的紅光、近紅外波段反射率構(gòu)成的光譜空間呈現(xiàn)出近似纓帽的形狀(圖1)[14]。在該纓帽形區(qū)域中，底部斜率接近1的“帽沿”部分為土壤線，代表裸土。土壤線以上的部分指示了植被在各生長(zhǎng)階段、生長(zhǎng)狀況下的反射率分布情況。纓帽三角形的頂點(diǎn)處紅光波段反射率趨近最小、近紅外波段反射率達(dá)到最大，反映了植被高郁閉度的狀態(tài)。土壤線到頂點(diǎn)的變化趨勢(shì)則體現(xiàn)了植被從較低郁閉度到較高郁閉度的生長(zhǎng)過(guò)程中紅光、近紅外波段反射率的差異。在該光譜空間中，LAI以等值線的形式呈現(xiàn)出有規(guī)律的分布模式[15]，即從土壤線到纓帽頂點(diǎn)方向LAI等值線呈放射狀單調(diào)遞增，這一規(guī)律為遙感反演LAI提供了很好的理論基礎(chǔ)。

由于我國(guó)農(nóng)業(yè)人口多，并且西北地區(qū)溝壑縱橫，導(dǎo)致耕種田塊破碎[17]，若采用中分辨率或更低分辨率的遙感影像進(jìn)行LAI反演，混合像元的存在將導(dǎo)致反演誤差很大[18]。早期的LAI反演主要基于中、低空間分辨率遙感影像，且目前為止，基于中、低空間分辨率遙感影像的LAI反演研究仍占多數(shù)。隨著衛(wèi)星傳感器的不斷發(fā)展，高空間分辨率遙感影像的獲取已不再困難重重。陳利等[19]使用WorldView2影像對(duì)杉木LAI與植被指數(shù)的相關(guān)性進(jìn)行了探索；孫斌等[20]使用GF1衛(wèi)星影像估算了稀疏植被的覆蓋度及地上生物量；朱云芳等[21]使用GF1衛(wèi)星影像和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了太湖的葉綠素a反演。目前國(guó)內(nèi)外已陸續(xù)開(kāi)展了高分辨率遙感影像植被參數(shù)反演的相關(guān)研究，如何有效地運(yùn)用高分辨率遙感影像進(jìn)行LAI反演，仍是亟待解決的問(wèn)題。WorldView- 3是2014年8月由美國(guó)DigitalGlobe公司發(fā)射的第四代高解析度光學(xué)衛(wèi)星，多光譜波段空間分辨率為1.24 m，紅外短波空間分辨率為3.7 m，全色波段空間分辨率高達(dá)0.3 m，平均回訪時(shí)間不到1 d，在特征提取、植物分析等領(lǐng)域表現(xiàn)出卓越的性能。

本文利用地面實(shí)測(cè)數(shù)據(jù)對(duì)PROSAIL模型輸入?yún)?shù)取值范圍進(jìn)行率定，模擬不同LAI、葉傾角、葉綠素含量對(duì)應(yīng)的玉米冠層反射率，根據(jù)紅光- 近紅外波段反射率特征空間中LAI等值線分布模式，利用模擬數(shù)據(jù)集建立玉米冠層紅光/近紅外波段反射率- LAI查找表，對(duì)WV- 3遙感影像中的玉米田進(jìn)行LAI反演，并使用實(shí)測(cè)數(shù)據(jù)對(duì)查找表及反演結(jié)果進(jìn)行分析與評(píng)價(jià)，為高精度地高分辨率遙感影像反演LAI提供思路和方法。

1 試驗(yàn)區(qū)及數(shù)據(jù)準(zhǔn)備

1.1 試驗(yàn)區(qū)概況

試驗(yàn)區(qū)位于寧夏回族自治區(qū)中衛(wèi)市常樂(lè)鎮(zhèn)北部，地理坐標(biāo)范圍為37°27′46.1″～37°30′17.6″ N，105°7′8.3″～105°9′17.4″ E(圖2)。該地區(qū)具有典型的大陸性季風(fēng)氣候和沙漠氣候的特點(diǎn)，年平均氣溫8.2～10 ℃，得黃河灌溉之利，土地肥沃，是西北地區(qū)重要的糧食、蔬菜、水產(chǎn)品和設(shè)施農(nóng)業(yè)基地。試驗(yàn)區(qū)中部有黃河穿過(guò)，主要作物為水稻、玉米，耕地呈塊狀規(guī)則分布于黃河兩側(cè)。本文選取玉米種植區(qū)域進(jìn)行LAI反演。

用于訓(xùn)練參數(shù)集的野外實(shí)地觀測(cè)于2014—2016年的7—8月進(jìn)行，其中包括與遙感影像獲取時(shí)間相近的2016年7月20日。觀測(cè)時(shí)段內(nèi)玉米正處于抽穗期，生長(zhǎng)狀況良好。另外，于2017年6—7月在中衛(wèi)地區(qū)對(duì)4塊樣地進(jìn)行了4次定點(diǎn)觀測(cè)，獲得了玉米拔節(jié)期至抽穗期的生長(zhǎng)時(shí)期觀測(cè)數(shù)據(jù)，用于進(jìn)行精度驗(yàn)證。

1.2 地面觀測(cè)數(shù)據(jù)及處理

根據(jù)PROSAIL模型分析的要求，在中衛(wèi)市及其周邊地區(qū)(包括甘肅省、內(nèi)蒙古自治區(qū))共采集11組用于模型訓(xùn)練的玉米田多項(xiàng)生物物理參量，觀測(cè)時(shí)間分別為2014年7月24日及26日、2015年7月27日及28日、2016年7月16日及20日。用于精度驗(yàn)證的定點(diǎn)觀測(cè)數(shù)據(jù)共16組，觀測(cè)時(shí)間分別為2017年6月10日、11日、24日，7月7日及9日、19日、22日。觀測(cè)項(xiàng)目包括冠層光譜、LAI、平均葉傾角(ALA)、葉綠素含量(Cab)、樣點(diǎn)位置信息、玉米植株的株高/株距等。為保證觀測(cè)數(shù)據(jù)穩(wěn)定可靠，選擇晴朗無(wú)云、風(fēng)力較小天氣，在地面較平緩的地區(qū)開(kāi)展野外觀測(cè)，并選擇不同覆蓋度的玉米田，以保證觀測(cè)數(shù)據(jù)的有效性和多樣性，觀測(cè)時(shí)間為10:00—16：00(北京時(shí)間)。每個(gè)樣點(diǎn)均使用Trimble Juno手持GPS記錄坐標(biāo)及高程信息。

圖2 試驗(yàn)區(qū)位置及觀測(cè)樣點(diǎn)分布Fig.2 Location of study area and distribution of measured points

使用美國(guó)ASD公司光譜測(cè)量?jī)xFieldspec Pro FR進(jìn)行玉米冠層光譜采集，波長(zhǎng)范圍350～2 500 nm。傳感器觀測(cè)高度保持在冠層上方0.5～1.0 m。在樣點(diǎn)重復(fù)采集10條冠層光譜曲線，取其平均值作為冠層光譜，同時(shí)測(cè)量太陽(yáng)高度角。在后處理工作中刪除了光譜曲線中水汽吸收帶(1.4 μm和1.9 μm附近)的噪聲數(shù)據(jù)。同時(shí)采集了與樣點(diǎn)土壤類型相同的裸土光譜曲線，將其作為PROSAIL模型中土壤光譜的輸入項(xiàng)，替代了原有模型中使用干、濕土壤反射率加權(quán)求和獲得的土壤光譜，從而減小模擬過(guò)程中的誤差。使用以下公式將每個(gè)樣點(diǎn)上的觀測(cè)結(jié)果轉(zhuǎn)換為樣方尺度上的光譜曲線(樣方大小為2 m × 2 m)。

ρ=αρv+(1-α)ρs。

(1)

其中：α為實(shí)地記錄植被覆蓋度；ρv為玉米觀測(cè)樣點(diǎn)光譜曲線；ρs為實(shí)測(cè)裸土光譜曲線。

采用美國(guó)LI- COR公司植物冠層分析儀LAI- 2000測(cè)量葉面積指數(shù)和葉傾角，測(cè)量過(guò)程中避免陽(yáng)光直射鏡頭，采用不同可視角度的遮光蓋控制進(jìn)光量。以1次天空光測(cè)量和4次植被冠層底部透射光測(cè)量的方法對(duì)每個(gè)樣方采集3～5組觀測(cè)值，以多組數(shù)據(jù)的平均值作為該樣方的LAI、ALA觀測(cè)值。

采用OPTI- SCIENCES公司CCM- 300測(cè)量玉米葉片葉綠素含量，每個(gè)樣方獲取5組植物葉片的測(cè)量值，并以其平均值作為該樣方葉片葉綠素含量。測(cè)量開(kāi)始前及測(cè)量結(jié)束后分別測(cè)量太陽(yáng)高度角。同時(shí)每個(gè)樣點(diǎn)均測(cè)量5～10組玉米植株的株高、株距及行距。11組相關(guān)參數(shù)觀測(cè)結(jié)果統(tǒng)計(jì)如表1所示。

1.3 遙感影像及處理

表1玉米田相關(guān)參數(shù)觀測(cè)結(jié)果統(tǒng)計(jì)

Table1Statistics of correlation parameters of maize field

觀測(cè)參數(shù)Parameters最小值Min最大值Max平均值MeanALA/°415045Cab/(μg·cm-2)33.448.041.6LAI1.213.932.57

中衛(wèi)地區(qū)WV- 3影像獲取時(shí)間為2016年7月8日，影像多光譜數(shù)據(jù)包括海岸帶、藍(lán)、綠、黃、紅、紅邊、近紅外1、近紅外2共8個(gè)波段，研究中所用到的近紅外波段指其中的近紅外1波段。影像重采樣后空間分辨率可達(dá)2 m，局部有少量云及其陰影覆蓋。

使用ENVI 5.0完成FLAASH大氣輻射校正等預(yù)處理步驟，獲得地表反射率數(shù)據(jù)，結(jié)合野外考察記錄從影像中解譯玉米田分布范圍。結(jié)合WV- 3影像中建筑物高度、建筑物陰影、實(shí)際建筑物高度等測(cè)量結(jié)果計(jì)算觀測(cè)天頂角[22]。

2 模型與方法

2.1 PROSAIL模型

PROSAIL模型是一種由PROSPECT模型與SAIL模型耦合而成的植被輻射傳輸模型[23]。其中，PROSPECT模型是基于Allen平板模型發(fā)展而來(lái)[24]，用于模擬葉片反射與透射特性的輻射傳輸模型[13, 25]。SAIL模型是在Suits模型基礎(chǔ)上改進(jìn)得到的四流輻射傳輸模型[26]。由PROSPECT模型根據(jù)植物葉片的葉綠素含量、水分含量等輸入變量計(jì)算得到的葉片反射率和透射率作為SAIL模型的輸入項(xiàng)，結(jié)合植被冠層結(jié)構(gòu)參數(shù)、觀測(cè)和太陽(yáng)的幾何位置，計(jì)算植被冠層反射率[27]。PROSAIL模型需輸入葉片結(jié)構(gòu)、葉片生物化學(xué)特性、冠層結(jié)構(gòu)特性、入射太陽(yáng)輻射與觀測(cè)幾何等參數(shù)，最終輸出冠層方向反射率。

2.2 查找表

查找表(look- up table，LUT)方法是在一定取值間隔的條件下，通過(guò)建立植被冠層反射率與葉面積指數(shù)間的對(duì)應(yīng)關(guān)系表，使用衛(wèi)星觀測(cè)的植被冠層反射率對(duì)表進(jìn)行查找，獲取唯一與之對(duì)應(yīng)的葉面積指數(shù)[11]。查找表法可簡(jiǎn)化反演時(shí)復(fù)雜的物理過(guò)程，提高反演效率[28]。

3 結(jié)果與分析

3.1 參數(shù)敏感性分析

LAI反演主要依據(jù)遙感影像中各像元的紅光、近紅外波段反射率，所以PROSAIL模型參數(shù)變化對(duì)其他波段的影響在此暫不考慮。為了更加合理地確定PROSAIL模型輸入?yún)?shù)設(shè)置規(guī)則，本文以紅光、近紅外第一波段反射率為敏感性指標(biāo)，在運(yùn)行PROSAIL模型前使用傳統(tǒng)的OTA(one factor at a time)方法[29]進(jìn)行參數(shù)敏感性分析(圖3)。即固定其他參數(shù)，依次分別改變?nèi)~面積指數(shù)、葉綠素含量、平均葉傾角、褐色素含量(Cbrown)、干物質(zhì)含量(Cm)、等效水厚度(Cw)的取值，分析各參數(shù)對(duì)紅光與近紅外波段反射率的影響。結(jié)果表明，LAI變化對(duì)紅光、近紅外波段反射率均有顯著影響，其影響呈非線性特征，LAI值越大，對(duì)紅光、近紅外波段反射率的影響越小(圖3- A)。葉綠素含量的變化對(duì)紅光波段反射率影響較顯著，但對(duì)近紅外波段反射率影響較小，隨著葉綠素含量增加，紅光波段反射率逐漸變小，近紅外波段無(wú)明顯變化(圖3- B)。平均葉傾角對(duì)紅光波段與近紅外波段反射率均有影響，尤其在近紅外波段具有較高的敏感性，隨著平均葉傾角增大，紅光波段反射率逐漸增大，近紅外波段反射率減小(圖3- C)。褐色素含量(圖3- D)、干物質(zhì)含量(圖3- E)、等效水厚度的改變(圖3- F)，對(duì)紅光與近紅外波段反射率的影響極其微小，對(duì)紅光波段反射率的影響在小數(shù)點(diǎn)后第4位，可忽略不計(jì)。

3.2 PROSAIL模型參數(shù)設(shè)置

PROSAIL模型參數(shù)眾多，因工作條件所限，一些參數(shù)值并不容易獲得，如葉片結(jié)構(gòu)參數(shù)(N)、干物質(zhì)含量、等效水厚度、褐色素含量，需要結(jié)合實(shí)測(cè)數(shù)據(jù)進(jìn)行模型調(diào)參來(lái)率定未知參數(shù)，最終使每一組參數(shù)值對(duì)應(yīng)的模擬的冠層反射率與實(shí)測(cè)的冠層反射率最大限度上保持一致。在此基礎(chǔ)上，建立玉米田的纓帽三角圖式及其葉面積指數(shù)分布模型，依據(jù)葉面積指數(shù)在紅光-近紅外波段反射率光譜空間中的分布模式，建立用于葉面積指數(shù)反演的查找表，實(shí)現(xiàn)葉面積指數(shù)的遙感反演。本研究綜合考慮了從2014—2016年野外實(shí)測(cè)的玉米田葉面積指數(shù)、葉綠素含量、平均葉傾角數(shù)據(jù)，依據(jù)LOPEX 93數(shù)據(jù)庫(kù)，為模型中其他未知參數(shù)設(shè)定一定的取值范圍及步長(zhǎng)。將以上數(shù)據(jù)輸入PROSAIL模型中模擬植被冠層反射率，通過(guò)均方根誤差(RMSE)來(lái)度量模擬反射率與實(shí)測(cè)植被冠層反射率之間的差異，以RMSE最小時(shí)對(duì)應(yīng)的參數(shù)值再次確定模型中無(wú)實(shí)測(cè)數(shù)據(jù)的參數(shù)取值范圍。本研究中RMSE(公式2)均在0.1以下。

圖3 基于OTA的PROSAIL模型參數(shù)敏感性分析Fig.3 Sensitivity analysis of PROSAIL model parameters based on OTA

(2)

其中，Ri，measure測(cè)光譜反射率，Ri，mod型模擬的光譜反射率。

表2PROSAIL模型正演結(jié)果RMSE最小時(shí)參數(shù)統(tǒng)計(jì)

Table2Statistics of parameters with minimum RMSE in PROSAIL model forward operation

參數(shù)Parameters最小值Min最大值Max平均值MeanN1.62.02.0Cm/(g·cm-2)0.0010.0110.004Cw/cm0.0020.0540.023Cbrown/(μg·cm-2)00.20

將每個(gè)樣方RMSE最小時(shí)模擬得到的反射率曲線與實(shí)測(cè)結(jié)果進(jìn)行對(duì)比。由于本研究著眼于可見(jiàn)光波段與近紅外波段的反射率特征，并考慮到WV- 3遙感影像各通道的波段范圍，這里只比較波長(zhǎng)范圍為400～1 040 nm的模擬反射率與實(shí)測(cè)反射率，如圖4所示。結(jié)果表明，在部分樣方中(2014- 07- 24- 02、2014- 07- 24- 05、2014- 07- 26- 02、2015- 07- 28- 03)模擬得到的海岸帶波段、藍(lán)、綠、紅、紅邊波段反射率偏低，這主要是受到了植被覆蓋度的影響。根據(jù)野外觀測(cè)記錄，以上樣方中玉米植被覆蓋度均低于50%，而其他樣方中玉米植被覆蓋度高達(dá)90%以上。另外，部分樣方(2014- 07- 24- 02、2016- 07- 20- 01)模擬得到的近紅外波段反射率偏低，而編號(hào)為2015- 07- 27- 01的樣方模擬得到的近紅外第二波段(860～1 040 nm)反射率高于實(shí)測(cè)結(jié)果，可能由儀器觀測(cè)的誤差導(dǎo)致。

以玉米田的實(shí)測(cè)數(shù)據(jù)與模擬率定參數(shù)值為確定參數(shù)取值范圍的依據(jù)，部分參數(shù)根據(jù)經(jīng)驗(yàn)[30]及觀測(cè)實(shí)際情況設(shè)置，參考參數(shù)的敏感性分析結(jié)果來(lái)確定PROSAIL模型各輸入?yún)?shù)的取值范圍及其循環(huán)步長(zhǎng)，模擬玉米冠層反射率，建立包含LAI、紅光波段反射率、近紅外波段反射率的模擬數(shù)據(jù)集。

圖4 PROSAIL模型模擬反射率與實(shí)測(cè)反射率對(duì)比Fig.4 Comparison of simulated reflectance used PROSAIL model and measured reflectance

PROSAIL模型輸入?yún)?shù)中，太陽(yáng)天頂角(tts)、觀測(cè)天頂角(tto)、相對(duì)方位角(psi)均由影像信息獲得，分別為18.3°、27.36°、0°；褐色素含量、等效水厚度、干物質(zhì)含量、葉片結(jié)構(gòu)參數(shù)取值為表2中參數(shù)的平均值；熱點(diǎn)參數(shù)(hspot)根據(jù)經(jīng)驗(yàn)數(shù)值設(shè)定為0.2。

LAI、葉綠素含量與平均葉傾角是影響紅光、近紅外波段反射率的主要因素。對(duì)不同時(shí)期的玉米生長(zhǎng)特點(diǎn)的分析表明，Cab、ALA與LAI之間存在明顯的相關(guān)關(guān)系，LAI隨著Cab、ALA數(shù)值的增大而增大。另外，冠層反射率對(duì)LAI的敏感性隨LAI值增大而降低，所以分段設(shè)置LAI循環(huán)步長(zhǎng)，可有效減少數(shù)據(jù)冗余(表3)。

3.3 紅光- 近紅外波段反射率特征空間與查找表

本研究分別統(tǒng)計(jì)了模擬反射率與遙感影像各玉米田像元的紅光、近紅外波段反射率，均得到形似纓帽的紅光- 近紅外反射率二維圖(圖5)。模擬數(shù)據(jù)集的紅光- 近紅外反射率處于“纓帽”底部邊緣時(shí)，對(duì)應(yīng)的LAI數(shù)值較小。處于“纓帽”頂部時(shí)，對(duì)應(yīng)的LAI數(shù)值較大。影像各像元散點(diǎn)統(tǒng)計(jì)結(jié)果中，近紅外波段反射率較小時(shí)，其對(duì)應(yīng)的LAI數(shù)值較小;紅光反射率較小、近紅外波段反射率較大時(shí)，對(duì)應(yīng)的LAI數(shù)值較大。

統(tǒng)計(jì)結(jié)果顯示，模擬數(shù)據(jù)集紅光波段反射率分布范圍為0～0.3，近紅外波段反射率分布范圍為0.07～0.53;研究區(qū)WV- 3影像紅光波段反射率集中在0.05～0.10，近紅外波段反射率集中在0.25～0.55。當(dāng)紅光波段反射率為0.06時(shí)，WV- 3數(shù)據(jù)的近紅外波段反射率略高于模擬的近紅外波段反射率，這是由于對(duì)影像中玉米田信息提取時(shí)，相對(duì)應(yīng)的像元并非純像元，其中包含少量林地及草地。盡管如此，絕大部分像元的反射率均包含于模擬數(shù)據(jù)集中，因此，可以利用模擬數(shù)據(jù)集建立查找表、進(jìn)而實(shí)現(xiàn)WV- 3遙感數(shù)據(jù)的葉面積指數(shù)反演。

表3模擬數(shù)據(jù)集LAI、Cab、ALA數(shù)值關(guān)系

Table3Numerical relationship of LAI， Cab， ALA in the simulation data set

LAILAI步長(zhǎng)LAIstepCab/(μg·cm-2)ALA/°0.01—10150.1～1.00.125531.2～2.00.227542.4～4.00.430555.0～6.01.038567.0—5056

圖5 模擬數(shù)據(jù)集、影像紅光- 近紅外反射率關(guān)系Fig.5 The relationship between red- NIR reflectance in simulation data set and image

使用模擬數(shù)據(jù)集中的紅光、近紅外波段反射率計(jì)算NDVI(公式3)，分析模擬數(shù)據(jù)集中LAI與紅光、近紅外波段反射率、NDVI之間的關(guān)系(圖6)。圖6- A表明，LAI與紅光波段反射率呈負(fù)相關(guān)關(guān)系。當(dāng)LAI值較小時(shí)，對(duì)應(yīng)的紅光波段反射率范圍較大，隨著LAI值增大，紅光波段反射率向較小值處收斂，在這個(gè)過(guò)程中，紅光波段反射率的最大值呈非線性減小趨勢(shì)。圖6- B為L(zhǎng)AI與近紅外波段反射率之間的關(guān)系，同LAI與紅光波段反射率的關(guān)系相反，LAI與近紅外波段反射率呈正相關(guān)關(guān)系。當(dāng)LAI值較小時(shí)，對(duì)應(yīng)的近紅外波段反射率范圍較大，但隨著LAI值增大，近紅外波段反射率向較大值處收斂，并且也呈非線性變化趨勢(shì)。圖6- A、B表明，當(dāng)LAI值較小時(shí)，紅光、近紅外波段反射率對(duì)LAI的變化最為敏感。圖6- C表明，LAI與NDVI呈正相關(guān)關(guān)系。隨著LAI增大，NDVI值逐漸增大，并趨于飽和。由此可見(jiàn)，當(dāng)LAI較大時(shí)，通過(guò)建立NDVI與LAI的回歸關(guān)系來(lái)反演LAI有較大的不確定性。

(3)

將模擬數(shù)據(jù)集進(jìn)行最近鄰插值，將紅光、近紅外波段反射率采樣精度設(shè)置為0.01，構(gòu)建LUT。

圖6 LAI與紅光反射率(A)、近紅外反射率(B)、NDVI(C)的關(guān)系Fig.6 The relationship between LAI and red reflectance (A)，NIR reflectance (B)，NDVI (C)

同時(shí)將影像的紅光、近紅外波段反射率保留兩位小數(shù)，使影像與LUT紅光、近紅外波段反射率形成對(duì)應(yīng)關(guān)系。

3.4 玉米田L(fēng)AI反演

利用建立的LUT對(duì)研究區(qū)WV- 3影像中玉米田的1 202 102個(gè)像元進(jìn)行LAI反演，結(jié)果如圖7所示，反演的LAI值分布在0.01～7.00，平均值為3.0，標(biāo)準(zhǔn)差0.57，90%以上的LAI反演值處于2.0～3.6。對(duì)于高分辨率遙感影像來(lái)說(shuō)，本研究反演效果較好，同一地塊內(nèi)LAI反演結(jié)果較一致，僅存在極少量的異質(zhì)性像元。黃河北側(cè)玉米種植區(qū)LAI普遍高于黃河南側(cè)，主要是因?yàn)辄S河北側(cè)的耕地靠近居民地，便于進(jìn)行精細(xì)管理，而黃河南側(cè)偏向粗放式農(nóng)業(yè)，造成玉米長(zhǎng)勢(shì)較黃河北側(cè)差。反演結(jié)果能完整地體現(xiàn)玉米田的生長(zhǎng)狀況，既能反映整個(gè)研究區(qū)內(nèi)玉米種植區(qū)的一致性，又能反映不同長(zhǎng)勢(shì)地塊LAI分布的差異性。

圖7 LAI反演結(jié)果圖Fig.7 LAI inversion results

3.5 精度驗(yàn)證

利用2017年6—7月定點(diǎn)觀測(cè)的16組反射率和LAI實(shí)測(cè)數(shù)據(jù)對(duì)LUT反演方法進(jìn)行精度評(píng)價(jià)，即將實(shí)測(cè)反射率作為L(zhǎng)UT的輸入項(xiàng)，進(jìn)行LAI反演，將反演的LAI與實(shí)測(cè)LAI進(jìn)行對(duì)比，如圖8所示。結(jié)果表明，RMSE為0.47，R2為0.80，反演精度較高，說(shuō)明針對(duì)玉米田建立的LUT較可靠，能滿足LAI反演精度需求，可用來(lái)進(jìn)行LAI反演。

玉米在抽穗期LAI變化值不大，故可使用2016年7月20日的3個(gè)實(shí)測(cè)樣點(diǎn)數(shù)據(jù)進(jìn)行基于單點(diǎn)[31]的LAI反演精度驗(yàn)證(表4)，RMSE=0.24，能滿足一般的LAI反演精度需求。研究中的LAI反演誤差來(lái)源可能有：LAI- 2000儀器測(cè)量誤差[32]、GPS坐標(biāo)定位誤差、像元內(nèi)部異質(zhì)性等。結(jié)果表明，基于PROSAIL模型及纓帽三角- LAI等值線分布模式建立的查找表反演玉米冠層LAI的精度較高。

圖8 基于觀測(cè)數(shù)據(jù)的LUT精度驗(yàn)證Fig.8 Validation of LUT accuracy based on measured data

表4基于觀測(cè)數(shù)據(jù)的反演精度驗(yàn)證

Table4Verification of retrieved accuracy based on measured data

項(xiàng)目Item樣點(diǎn)1Samplepoint1樣點(diǎn)2Samplepoint2樣點(diǎn)3Samplepoint3平均值Mean標(biāo)準(zhǔn)差Standarddeviation實(shí)測(cè)LAIMeasuredLAI3.23.52.83.20.35反演LAIRetrievedLAI3.23.62.43.10.50

4 結(jié)論與討論

本文運(yùn)用PROSAIL模型對(duì)WV- 3遙感影像玉米田L(fēng)AI進(jìn)行反演，并使用實(shí)測(cè)LAI值對(duì)反演結(jié)果進(jìn)行驗(yàn)證、分析，得出結(jié)論：

(1)結(jié)合實(shí)測(cè)數(shù)據(jù)確定PROSAIL模型的輸入?yún)?shù)的取值范圍，可減少查找表的冗余，能有效制定針對(duì)特定地物的查找表。

(2)在建立查找表前對(duì)PROSAIL模型中的參數(shù)進(jìn)行敏感性分析，確定不同的參數(shù)設(shè)置方案，可提高查找表的準(zhǔn)確性、可靠性與計(jì)算效率。

(3)利用WV- 3遙感影像對(duì)玉米田L(fēng)AI反演的精度較高，可用于低空間分辨率LAI產(chǎn)品的真實(shí)性檢驗(yàn)，本研究為高精度高分辨率遙感影像反演LAI提供了思路和方法。

(4)PROSAIL模型能有效地進(jìn)行WV- 3遙感影像玉米田的LAI反演，說(shuō)明該模型在進(jìn)行高分辨率遙感影像LAI反演方面具有較強(qiáng)的適用性。

本文選用了11組觀測(cè)數(shù)據(jù)進(jìn)行參數(shù)率定，考慮到玉米品種、施肥等因素影響，數(shù)據(jù)量尚顯不足，在未來(lái)研究中需要對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行補(bǔ)充。但觀測(cè)數(shù)據(jù)的采集時(shí)間跨度較大，增強(qiáng)了查找表的穩(wěn)定性。本文對(duì)玉米拔節(jié)期至抽穗期LAI反演的結(jié)果進(jìn)行了驗(yàn)證，該生長(zhǎng)時(shí)期是玉米生長(zhǎng)的重要環(huán)節(jié)，對(duì)于產(chǎn)量估算、病蟲(chóng)害分析方面具有重要意義，其他生長(zhǎng)時(shí)期的數(shù)據(jù)可先不做考慮。針對(duì)不同的植被類型，PROSAIL模型參數(shù)的取值范圍必然不同，其他植被類型的模型參數(shù)范圍有待進(jìn)一步探討。隨著高分辨率遙感技術(shù)的發(fā)展，如何更加有效、快速地利用高分辨率遙感影像進(jìn)行LAI反演將是未來(lái)植被定量遙感的重要發(fā)展趨勢(shì)。

[1] DUAN S B, LI Z L, WU H, et al. Inversion of the PROSAIL model to estimate leaf area index of maize, potato, and sunflower fields from unmanned aerial vehicle hyperspectral data[J].InternationalJournalofAppliedEarthObservation&Geoinformation, 2014, 26(2): 12-20.

[2] 劉曉臣, 范聞捷, 田慶久,等. 不同葉面積指數(shù)反演方法比較研究[J]. 北京大學(xué)學(xué)報(bào)(自然科學(xué)版), 2008, 44(5): 827-834.

LIU X C，F(xiàn)AN W J，TIAN Q J，et al. Comparative analysis among different methods of leaf area index inversion[J].ActaScientiarumNaturaliumUniversitatisPekinensis，2008, 44(5): 827-834.(in Chinese with English abstract)

[3] GANGULY S, NEMANI R R, ZHANG G, et al. Generating global leaf area index from Landsat: Algorithm formulation and demonstration[J].RemoteSensingofEnvironment, 2012, 122(1): 185-202.

[4] HABOUDANE D, MILLER J R, PATTEY E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J].RemoteSensingofEnvironment, 2004, 90(3): 337-352.

[5] 謝巧云, 黃文江, 蔡淑紅, 等. 冬小麥葉面積指數(shù)遙感反演方法比較研究[J]. 光譜學(xué)與光譜分析, 2014, 34(5): 1352-1356.

XIE Q Y，HUANG W J，CAI S H，et al.Comparative study on remote sensing invertion methods for estimating winter wheat leaf area index[J].SpectroscopyandSpectralAnalysis，2014, 34(5): 1352-1356. (in Chinese with English abstract)

[6] 吳偉斌, 洪添勝, 王錫平, 等. 葉面積指數(shù)地面測(cè)量方法的研究進(jìn)展[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào), 2007, 26(2): 270-275.

WU W B，HONG T S，WANG X P，et al. Advance in ground- based LAI measurement methods[J].JournalofHuazhongAgriculturalUniversity，2007, 26(2): 270-275. (in Chinese with English abstract)

[7] 周宇宇, 唐世浩, 朱啟疆, 等. 長(zhǎng)白山自然保護(hù)區(qū)葉面積指數(shù)測(cè)量及結(jié)果[J]. 資源科學(xué), 2003, 25(6): 38-42.

ZHOU Y Y，TANG S H，ZHU Q J，et al. Measurement of LAI in Changbai Mountains nature reserve and its result[J].ResourcesScience，2003, 25(6): 38-42. (in Chinese with English abstract)

[8] 李淑敏, 李紅, 孫丹峰, 等. PROSAIL冠層光譜模型遙感反演區(qū)域葉面積指數(shù)[J]. 光譜學(xué)與光譜分析, 2009, 29(10): 2725-2729.

LI S M，LI H，SUN D F，et al. Estimation of regional leaf area index by remote sensing inversion of PROSAIL canopy spectral model[J].SpectroscopyandSpectralAnalysis，2009, 29(10): 2725-2729. (in Chinese with English abstract)

[9] 高林, 楊貴軍, 王寶山, 等. 基于無(wú)人機(jī)遙感影像的大豆葉面積指數(shù)反演研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào), 2015, 23(7): 868-876.

GAO L，YANG G J，WANG B S，et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle)remote sensing imagery[J].ChineseJournalofEco-Agriculture，2015, 23(7): 868-876. (in Chinese with English abstract)

[10] 楊飛, 張柏, 宋開(kāi)山, 等. 大豆葉面積指數(shù)的高光譜估算方法比較[J]. 光譜學(xué)與光譜分析, 2008, 28(12): 2951-2955.

YANG F，ZHANG B，SONG K S，et al. Comparison of methods for estimating soybean leaf area index[J].SpectroscopyandSpectralAnalysis，2008, 28(12): 2951-2955. (in Chinese with English abstract)

[11] 劉洋, 劉榮高, 陳鏡明, 等. 葉面積指數(shù)遙感反演研究進(jìn)展與展望[J]. 地球信息科學(xué)學(xué)報(bào), 2013, 15(5): 734-743.

LIU Y，LIU R G，CHEN J M，et al. Current status and perspectives of leaf area index retrieval from optical remote sensing data[J].JournalofGeo-InformationScience，2013, 15(5): 734-743. (in Chinese with English abstract)

[12] 趙虹, 魯蕾, 頡耀文. 基于PROSPECT+SAIL模型反演葉面積指數(shù)的較強(qiáng)適用性植被指數(shù)的篩選[J]. 蘭州大學(xué)學(xué)報(bào)(自科版), 2014, 50(1): 89-94.

ZHAO H，LU L，XIE Y W. Screening a suitable vegetation index for retrieval of leaf area index based on PROSPECT+SAIL models[J].JournalofLanzhouUniversity(NaturalSciences)，2014,50(1): 89-94. (in Chinese with English abstract)

[13] 楊飛, 孫九林, 張柏, 等. 基于PROSAIL模型及TM與實(shí)測(cè)數(shù)據(jù)的MODISLAI精度評(píng)價(jià)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(4): 192-197.

YANG F，SUN J L，ZHANG B，et al. Assessment of MODIS LAI product accuracy based on the PROSAIL model, TM and field measurements[J].TransactionsoftheCSAE，2010, 26(4): 192-197. (in Chinese with English abstract)

[14] KAUTH R J, THOMAS G S. The tasselet cap: A graphic description of the spectral- temporal development of agricultural crops as seen by LANDSAT [C]//Proceedings of the Symposium on Machine Processing of Remotely Sensed Data, Indiana,1976.

[15] YOSHIOKA H, MIURA T, HUETE A R, et al. Analysis of vegetation isolines in red- NIR reflectance space[J].RemoteSensingofEnvironment, 2000, 74(2): 313-326.

[16] JENSEN J R, LULLA D K. Introductory digital image processing: A remote sensing perspective[J].GeocartoInternational, 1987, 2(1): 65.

[17] 陳英, 王東, 王順然. 黃土高原丘陵溝壑區(qū)高標(biāo)準(zhǔn)農(nóng)田建設(shè)時(shí)序研究——以天水市麥積區(qū)為例[J]. 浙江農(nóng)業(yè)學(xué)報(bào), 2017, 29(4): 660-667.

CHEN Y，WANG D，WANG S R. Time arrangement of excellent- criterion farmland construction in loess hill and gully region:A case study of Maiji District， Tianshui City[J].ActaAgriculturaeZhejiangensis, 2017, 29(4): 660-667. (in Chinese with English abstract)

[18] 金慧然, 陶欣, 范聞捷, 等. 應(yīng)用北京一號(hào)衛(wèi)星數(shù)據(jù)監(jiān)測(cè)高分辨率葉面積指數(shù)的空間分布[J]. 自然科學(xué)進(jìn)展, 2007, 17(9): 1229-1234.

JIN H R，TAO X，F(xiàn)AN W J，et al. Application of Beijing No.1 satellite data to monitor the spatial distribution of high resolution leaf area index[J].ProgressinNaturalScience，2007, 17(9): 1229-1234. (in Chinese)

[19] 陳利, 林輝, 孫華, 等. 基于WorldView2影像杉木葉面積指數(shù)與植被指數(shù)相關(guān)性研究[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2013, 29(1): 29-36.

CHEN L，LIN H，SUN H，et al. Leaf area index and vegetation index correlation of Cunninghamia based on the WorldView 2 images[J].ChineseAgriculturalScienceBulletin，2013, 29(1): 29-36. (in Chinese with English abstract)

[20] 孫斌, 李增元, 郭中, 等. 高分一號(hào)與Landsat TM數(shù)據(jù)估算稀疏植被信息對(duì)比[J]. 遙感信息, 2015(5): 48-56.

SUN B，LI Z Y，GUO Z，et al. Comparison of sparse vegetation information estimation based on GF- 1 and Landsat multi- spectral data[J].RemoteSensingInformation, 2015(5): 48-56. (in Chinese with English abstract)

[21] 朱云芳, 朱利, 李家國(guó), 等. 基于GF- 1 WFV影像和BP神經(jīng)網(wǎng)絡(luò)的太湖葉綠素a反演[J]. 環(huán)境科學(xué)學(xué)報(bào), 2017, 37(1): 130-137.

ZHU Y F，ZHU L，LI J G，et al. The study of inversion of chlorophyll a in Taihu based on GF- 1 WFV image and BP neural network[J].ActaScientiaeCircumstantiae, 2017, 37(1): 130-137. (in Chinese with English abstract)

[22] 王京衛(wèi), 郭秋英, 鄭國(guó)強(qiáng). 基于單張遙感影像的城市建筑物高度提取研究[J]. 測(cè)繪通報(bào), 2012(4): 15-17.

WANG J W，GUO Q Y，ZHENG G Q. Research on urban building height extraction from single satellite image[J].BulletinofSurveyingandMapping，2012(4): 15-17. (in Chinese)

[23] 谷成燕, 杜華強(qiáng), 周?chē)?guó)模, 等. 基于PROSAIL輻射傳輸模型的毛竹林葉面積指數(shù)遙感反演[J]. 應(yīng)用生態(tài)學(xué)報(bào), 2013, 24(8): 2248-2256.

GU C Y，DU H Q，ZHOU G M，et al. Retrieval of leaf area index of Moso bamboo forest with Landsat Thematic Mapper image based on PROSAIL canopy radiative transfer model[J].ChineseJournalofAppliedEcology，2013, 24(8): 2248-2256. (in Chinese with English abstract)

[24] JACQUEMOUD S, BARET F. PROSPECT: A model of leaf optical properties spectra[J].RemoteSensingofEnvironment, 1990, 34(2): 75-91.

[25] 肖艷芳, 周德民, 趙文吉. 輻射傳輸模型多尺度反演植被理化參數(shù)研究進(jìn)展[J]. 生態(tài)學(xué)報(bào), 2013, 33(11): 3291-3297.

XIAO Y F，ZHOU D M，ZHAO W J. Review of inversing biophysical and biochemical vegetation parameters in various spatial scales using radiative transfer models[J].ActaEcologicaSinica，2013, 33(11): 3291-3297. (in Chinese with English abstract)

[26] VERHOEF W. Light scattering by leaf layers with application to canopy reflectance modeling: The SAIL model[J].RemoteSensingofEnvironment, 1984, 16(2): 125-141.

[27] 徐雯靚, 王少軍. PROSAIL模型模擬下的植被指數(shù)土壤調(diào)節(jié)能力比較與適用環(huán)境分析[J]. 遙感學(xué)報(bào), 2014, 18(4): 826-842.

XU W L，WANG S J. Soil- adjusted power comparison and application conditions of vegetation indices based on PROSAIL model[J].JournalofRemoteSensing，2014, 18(4): 826-842. (in Chinese with English abstract)

[28] 王東偉, 孟憲智, 王錦地, 等. 葉面積指數(shù)遙感反演方法進(jìn)展[J]. 五邑大學(xué)學(xué)報(bào)(自然科學(xué)版), 2009, 23(4): 47-52.

WANG D W，MENG X Z，WANG J D，et al. The development of leaf area index inversion from remote sensing[J].JournalofWuyiUniversity(NaturalScienceEdition)，2009, 23(4): 47-52. (in Chinese with English abstract)

[29] 王李娟, 牛錚. PROSAIL模型的參數(shù)敏感性研究[J]. 遙感技術(shù)與應(yīng)用, 2014, 29(2): 219-223.

WANG L J，NIU Z. Sensitivity analysis of vegetation parameters based on PROSAIL model[J].RemoteSensingTechnologyandApplication，2014, 29(2): 219-223. (in Chinese with English abstract)

[30] 劉天鳳. 基于PROSAIL模型的干旱半干旱地區(qū)LAI遙感反演建模 [D]. 蘭州：蘭州大學(xué), 2015.

LIU T F. Remote sensing modeling of leaf area index in arid and semi- arid region based on PROSAIL model[D].Lanzhou: Lanzhou University，2015. (in Chinese with English abstract)

[31] 吳小丹, 聞建光, 肖青, 等. 關(guān)鍵陸表參數(shù)遙感產(chǎn)品真實(shí)性檢驗(yàn)方法研究進(jìn)展[J]. 遙感學(xué)報(bào), 2015, 19(1): 75-92.

WU X D，WEN J G，XIAO Q，et al. Advances in validation methods for remote sensing products of land surface parameters[J].JournalofRemoteSensing，2015, 19(1): 75-92. (in Chinese with English abstract)

[32] 李宗南, 陳仲新, 王利民, 等. 2種植物冠層分析儀測(cè)量夏玉米LAI結(jié)果比較分析[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2010, 26(7): 84-88.

LI Z N，CHEN Z X，WANG L M，et al. Evaluation on the measurement errors of summer maize LAI by two different plant canopy analysis[J].ChineseAgriculturalScienceBulletin，2010, 26(7): 84-88. (in Chinese with English abstract)