植被指數(shù)與作物葉面積指數(shù)的相關(guān)關(guān)系研究

鄭踴謙，董 恒，張城芳，黃 鵬

(1.北京大學(xué) 地球與空間科學(xué)學(xué)院，北京 100871；2.武漢理工大學(xué) 資源與環(huán)境工程學(xué)院，武漢 430070；3.武漢華夏理工學(xué)院 土木與建筑工程系，武漢 430223)

0 引言

受資源環(huán)境破壞和全球氣候變化影響，糧食生產(chǎn)的空間極大受限，給糧食產(chǎn)量的持續(xù)增長帶來了極大的挑戰(zhàn)[1]?，F(xiàn)代農(nóng)業(yè)科技和“3S”技術(shù)結(jié)合的精細(xì)農(nóng)業(yè)，高效利用農(nóng)業(yè)資源，從而提升農(nóng)作物產(chǎn)量，是應(yīng)對該挑戰(zhàn)的一個重要途徑[2]。作物長勢的好壞與糧食產(chǎn)量有著密不可分的關(guān)系，作物長勢監(jiān)測不僅能夠?yàn)樘镩g水肥管理提供及時的信息，而且能為早期估計(jì)產(chǎn)量提供依據(jù)，是精細(xì)農(nóng)業(yè)遙感監(jiān)測的重要對象[3]。

葉面積指數(shù)(Leaf Area Index, LAI)是反映作物長勢的一個重要的生理參數(shù)，也是陸地生態(tài)過程、水熱循環(huán)和生物地球化學(xué)循環(huán)的重要參數(shù)。利用遙感手段可以在大區(qū)域尺度對作物的LAI進(jìn)行有效的估算，得到LAI的時空分布，為區(qū)域農(nóng)業(yè)管理和生態(tài)過程模擬提供了有力的數(shù)據(jù)支撐。目前，利用遙感方法對LAI進(jìn)行反演主要可以分為兩類，即輻射傳輸模型法和統(tǒng)計(jì)關(guān)系模型法[4-5]。

1)輻射傳輸模型法。植被對太陽光的散射具有各向異性，衛(wèi)星觀測的地表反射光譜很大程度上依賴于太陽高度角和衛(wèi)星觀測角的關(guān)系。這種雙向反射特性可以用雙向反射率分布函數(shù)BRDF定量表示，從而給LAI定量反演提供了理論契機(jī)。一些學(xué)者結(jié)合地表BRDF模型和輻射傳輸模型反演LAI，較常用的反演LAI模型有SAIL系列模型[6]和三維輻射傳輸模型[7]。輻射傳輸模型不能直接用來反演LAI，而是把LAI作為輸入值，采用迭代的方式以優(yōu)化技術(shù)逐步調(diào)整模型參數(shù)，直到模型輸出結(jié)果與遙感觀測資料達(dá)到一致，最后的迭代結(jié)果就是反演結(jié)果。為了加快優(yōu)化速度和有效精度，查找表方法和遺傳算法等被廣泛使用[8-9]。

隨著輻射傳輸模型的發(fā)展和神經(jīng)網(wǎng)絡(luò)、遺傳算法等智能算法的應(yīng)用，基于物理輻射傳輸模型的LAI估算方法的得到了很大的發(fā)展，開發(fā)出多種全球和區(qū)域的LAI產(chǎn)品；但其空間分辨率較為粗糙(500m～1km)，不足以滿足精細(xì)農(nóng)業(yè)應(yīng)用需求。

2)統(tǒng)計(jì)關(guān)系模型法。利用遙感定量估計(jì)LAI的依據(jù)是植被冠層的獨(dú)特光譜特性，植被葉片的葉綠素吸收可見光，尤其是紅光，進(jìn)行光合作用，所以紅光波段的反射率包含了植被冠頂層葉片的大量信息。在近紅外波段，植被有很高的反射率、透射率和較低的吸收率，近紅外波段反射率包含了冠層內(nèi)部葉片的大量信息。統(tǒng)計(jì)法以植被光譜數(shù)據(jù)或其微分變換后數(shù)據(jù)構(gòu)建的植被指數(shù)為自變量，LAI作為因變量，建立兩者間的統(tǒng)計(jì)模型。

估算LAI的植被指數(shù)通常由紅光和近紅外波段組合而成，如比值植被指數(shù)(RVI)、垂直植被指數(shù)(PVI)和歸一化差值植被指數(shù)(NDVI)。其中，NDVI是使用最普遍的一種植被指數(shù)，被廣泛用于LAI的估算中[10-11]，但存在一定易飽和的問題，且受土壤背景影響較大。

植被指數(shù)與LAI間的關(guān)系受到植被覆蓋度、土壤背景、大氣和葉冠結(jié)構(gòu)等因素的影響，導(dǎo)致利用植被指數(shù)估計(jì)LAI的精度不高。為了提高估計(jì)精度，學(xué)者提出了很多改進(jìn)的植被指數(shù)用來估計(jì)LAI，包括土壤調(diào)節(jié)植被指數(shù)SAVI、修正土壤調(diào)節(jié)植被指數(shù)MSAVI及大氣阻抗值被指數(shù)ARVI等[12-14]。

隨著無人機(jī)技術(shù)和高光譜遙感的發(fā)展，高空間分辨率和高光譜分辨率的特定區(qū)域的影像被大量采集，植被指數(shù)法估算LAI具有高效便捷的優(yōu)點(diǎn)，依然是作物L(fēng)AI反演的主要方法。近年來，高光譜遙感的發(fā)展為新的植被指數(shù)的構(gòu)建提供了更大的機(jī)會。研究發(fā)現(xiàn)：植被指數(shù)的選取不同波長的反射率數(shù)據(jù)，對反演結(jié)果存在著一定的影響[15]。雖然一些研究比較和總結(jié)了部分植被指數(shù)在反演LAI的穩(wěn)定性和精確性[13, 15-16]，但缺少對植被指數(shù)的波段敏感性的分析。

為了尋找一種可靠的反演LAI的植被指數(shù)，本研究挑選了最常用的6個植被指數(shù)作為候選。考慮到波段組合方式對葉面積指數(shù)的反演效果具有不可忽略的影響，采用4種不同的波段組合方式，結(jié)合PROSPECT和SAIL的模擬數(shù)據(jù)，構(gòu)建不同的植被指數(shù)。同時，從植被指數(shù)的飽和性和擬合精度兩個角度對這6個植被指數(shù)展開了評價(jià)，并利用地面觀測數(shù)據(jù)和高光譜數(shù)據(jù)驗(yàn)證所選經(jīng)驗(yàn)?zāi)Ｐ头囱軱AI的可靠性。

1 數(shù)據(jù)與方法

1.1 輻射傳輸模型模擬數(shù)據(jù)

本文利用Prospect+SAIL模型模擬在不同葉片生理參數(shù)和冠層結(jié)構(gòu)參數(shù)下的冠層光譜數(shù)據(jù)。Prospect模型是目前為止最為廣泛認(rèn)可和使用的葉片反射率模擬模型，能夠根據(jù)葉片的生化組分和散射參數(shù)模擬400～2 500nm范圍葉片向上和向下的半球反射。SAIL模型是一種基于四流近似的輻射傳輸方程，可以結(jié)合Prospect模型模擬的葉片反射率數(shù)據(jù)，模擬冠層反射率數(shù)據(jù)。為了模擬不同LAI和不同葉片葉綠素含量條件下的冠層光譜數(shù)據(jù)，分離LAI和葉綠素的交叉影響。在此過程中，其他的輸入?yún)?shù)保持固定值，具體的輸入?yún)?shù)如表1所示。

表1 Prospect+SAIL模型的輸入?yún)?shù)

續(xù)表1

1.2 地面實(shí)測數(shù)據(jù)

地面實(shí)測數(shù)據(jù)來源于 2011年3-6月在中國科學(xué)院山東禹城綜合試驗(yàn)站，對小麥冠層同步進(jìn)行了光譜數(shù)據(jù)和LAI數(shù)據(jù)的測量。本次試驗(yàn)共采用了32個試驗(yàn)小區(qū)，設(shè)計(jì)了5組不同施氮量和2組不同澆水量，水氮控制總共10個控制級別，在田間呈隨機(jī)分布，每個控制級別至少有3個重復(fù)。觀測從返青期(3月27日)開始，成熟期結(jié)束(5月25日)。參考王紀(jì)華等的研究[17]，觀測的周期確定為7～10天。

小麥冠層光譜測量采用ASD公司生產(chǎn)的FieldSpec Pro FR便攜式分光輻射光譜儀，光譜分辨率在350～1 050nm為3.5nm，在1 000～2 500nm為10nm。每個小區(qū)內(nèi)設(shè)定4個樣點(diǎn)，在每個樣點(diǎn)采集5條光譜曲線，每次測量前都要利用標(biāo)準(zhǔn)白板進(jìn)行校正。在去除異常樣點(diǎn)和異常曲線的基礎(chǔ)上，將每個小區(qū)的采集的光譜曲線進(jìn)行平均，從而得到每個小區(qū)冠層的反射率光譜。所有光譜均在在天氣晴朗、少云、風(fēng)力小的情況下觀測，觀測時間范圍為10:00-14:00，使用25°鏡頭，探頭方向垂直于冠層。

LAI的測量采用破壞法，在每塊樣地中選取一塊20cm×20cm的典型區(qū)域，將該區(qū)域中所有小麥采集進(jìn)密封袋。在實(shí)驗(yàn)室將葉片和莖分離，將分離出的葉片利用葉面積掃描儀(LI-3000)測量其面積，將所有葉片單面面積求和，除以樣方面積，從而獲得小區(qū)的LAI。

1.3 高光譜遙感影像

本文采用張掖市盈科灌區(qū)的EO-1 Hyperion高光譜影像來驗(yàn)證模型，成像時間為2008年7月15日。與之同步的LAI地面實(shí)測數(shù)據(jù)為2008年7月15日中國科學(xué)院西部行動計(jì)劃課題組在張掖盈科，利用LAI-2000冠層分析儀開展的地面觀測，配合手持GPS定位，在圖像覆蓋區(qū)域內(nèi)共有24個地面點(diǎn)。

Hyperion影像的地面空間分辨率為30m，在可見光—近紅外(356～1 058nm)內(nèi)具有70個波段，光譜分辨率約為10nm。本文針對L1級影像，先剔除了未定標(biāo)和水汽影響的波段，利用“全局均衡”方法[18]去除條紋，借助SOPT-5精校正影像進(jìn)行空間幾何校正，利用FLAASH模型進(jìn)行大氣校正，得到地面反射率數(shù)據(jù)。

1.4 植被指數(shù)

本文共選擇歸一化植被指數(shù)(NDVI)[19]、簡單比植被指數(shù)(SR)[20]、改進(jìn)的簡單比植被指數(shù)(MSR)[21]、三角植被指數(shù)(TVI)[22]、改進(jìn)的土壤可調(diào)節(jié)植被指數(shù)(MSAVI)[12]和改進(jìn)的葉綠素吸收指數(shù)(MCARI2)[13]6個植被指數(shù)(見表2)作為候選，對LAI的估算進(jìn)行研究。其中，綠色波段的位置選擇550nm，紅色波段的位置選擇680nm，近紅外波段的位置選擇710、750、800nm。選擇710nm代替?zhèn)鹘y(tǒng)的680nm紅色波段可以一定程度上改善植被指數(shù)的飽和性問題[23]。另外，某些波段的組合(如800～680nm)對于分離葉綠素信息也有較好的效果[13]。本文對每個植被指數(shù)選取4種波段組合，即NIR-Red: 750～710nm，750～680nm，800～680nm，800～710nm。

表2 6個候選植被指數(shù)

2 結(jié)果與討論

2.1 模擬數(shù)據(jù)的評價(jià)

根據(jù)Prospect+SAIL模擬的冠層光譜數(shù)據(jù)，選擇不同的波段組合，按表2計(jì)算各植被指數(shù)的值。

2.1.1 植被指數(shù)的飽和性

飽和性是植被指數(shù)評價(jià)的一個重要指標(biāo)。隨著LAI增大至某一值，繼續(xù)增大LAI對植被指數(shù)值影響不大，這種現(xiàn)象稱為植被指數(shù)達(dá)到飽和。圖1為在葉綠素含量為50μg/cm2時各植被指數(shù)隨LAI的變化曲線。為了便于比較，對各植被指數(shù)進(jìn)行了歸一化處理，令其值范圍為0～1。

圖1 各植被指數(shù)的不同波段組合方式下歸一化值隨LAI的變化

由圖1可以看出：所有的指數(shù)都存在一定的飽和效應(yīng)，但不同的指數(shù)之間存在較大的差異。SR具有較好的抗飽和性，在6個指數(shù)中總體表現(xiàn)最好，且不同的波段組合之間沒有明顯的差別；MSR作為SR 的改進(jìn)，在飽和效應(yīng)去除方面沒有明顯的改進(jìn)，但兩者在去除飽和效應(yīng)方面都比其他指數(shù)效果好，具體表現(xiàn)為在低植被覆蓋區(qū)域這兩個指數(shù)的變化相對于其他指數(shù)較慢，這也與Chen(1996)[21]的研究結(jié)果是一致的；NDVI是6個指數(shù)中飽和效應(yīng)最明顯的，在低植被覆蓋區(qū)域，隨著LAI的增大，NDVI的增大速度最快，與Wu(2009)[23]的研究結(jié)果一致。對比幾種波段組合方式，750～710nm、800～710nm波段組合要比750～680nm、800～680nm波段組合在去除飽和效應(yīng)問題上有一定提高。例如，后者在LAI為3時就明顯飽，而利用800～710nm波段組合則提高到LAI為4～5時才會明顯飽和。

TVI、MSAVI和MCARI2三者在飽和效應(yīng)問題上沒有明顯的差別，都存在一定的飽和問題，不過在LAI大于5之前都不會出現(xiàn)明顯的飽和性問題；同時，三者還表現(xiàn)出一個特點(diǎn)，即750～710nm、800～710nm波段組合比750～680nm、800～680nm波段組合具有更好的抗飽和性效果。

2.1.2 LAI反演定量評價(jià)

基于Prospect+SAIL模擬數(shù)據(jù)，利用指數(shù)函數(shù)和線性函數(shù)建立植被指數(shù)與LAI之間的經(jīng)驗(yàn)關(guān)系，從而定量評價(jià)植被指數(shù)反演LAI的效果。表3列出兩種模型的R2。

表3 不同植被指數(shù)的不同波段組合與LAI擬合的擬合精度(R2)

指數(shù)模型的形式為y=alnx+b，線性模型的形式為y=ax+b，括號里面的R2為線性模型的擬合精度。

2.2 地面觀測數(shù)據(jù)評價(jià)

為了評價(jià)各植被指數(shù)的經(jīng)驗(yàn)?zāi)Ｐ头囱軱AI的可靠性，利用在禹城站實(shí)測的冠層光譜數(shù)據(jù)和同步測量的LAI數(shù)據(jù)，應(yīng)用最小二乘法擬合得到植被指數(shù)與LAI的線性或指數(shù)關(guān)系。波段組合采用在模擬數(shù)據(jù)中反演效果較好的750～680nm，如圖2所示。

由圖2可知：6個植被指數(shù)與LAI之間都有較顯著的線性或指數(shù)關(guān)系。其中，SR和MSR與LAI之間表現(xiàn)出很明顯的線性關(guān)系，其他4個植被指數(shù)隨著LAI的增大，表現(xiàn)出一定的飽和性，呈現(xiàn)對數(shù)關(guān)系；6個植被指數(shù)對應(yīng)的經(jīng)驗(yàn)?zāi)Ｐ偷臄M合精度沒有明顯的區(qū)別。從上述結(jié)果來看，由實(shí)地測量數(shù)據(jù)驗(yàn)證得出的結(jié)論和模型模擬數(shù)據(jù)得出的結(jié)論存在著一定沖突，特別是SR和MSR表現(xiàn)最為明顯，這兩個指數(shù)的精度并沒有因?yàn)槿~綠素濃度的影響受到很大的限制。不過分析認(rèn)為，這和試驗(yàn)區(qū)觀測樣本的范圍有關(guān)。由已有研究[24]可以發(fā)現(xiàn)：禹城試驗(yàn)站各小區(qū)的LAI和葉綠素濃度具有較高的相關(guān)性，這樣也就不存在模擬數(shù)據(jù)中葉綠素含量干擾的問題；同時，由于SR和MSR都采用了近紅外波段與紅色波段的比值的處理方法，也使得植被指數(shù)與LAI之間的線性關(guān)系變得很好。

圖2 基于實(shí)測冠層光譜的植被指數(shù)與LAI的線性或指數(shù)關(guān)系

2.3 高光譜遙感數(shù)據(jù)評價(jià)

為了進(jìn)一步對模擬結(jié)論進(jìn)行驗(yàn)證，分析這些植被指數(shù)在真實(shí)的情況下經(jīng)驗(yàn)地反演LAI的效果，利用Hyperion影像及同步實(shí)測的地面LAI數(shù)據(jù)對2.2中提出的經(jīng)驗(yàn)?zāi)Ｐ瓦M(jìn)行評價(jià)。具體為識別地面實(shí)測數(shù)據(jù)對應(yīng)的影像像元，利用像元的反射率光譜計(jì)算表2中的植被指數(shù)，同樣應(yīng)用最小二乘法擬合植被指數(shù)(波段組合為750～680 nm)與LAI之間的線性或指數(shù)函數(shù)關(guān)系，用R2評價(jià)模型可靠性，結(jié)果如圖3所示。

由圖3可知：各個指數(shù)對LAI都表現(xiàn)了不同程度的飽和。本文選擇對數(shù)回歸分析， 6個指數(shù)與LAI擬合曲線的R2分別為0.579 8、0.563 3、0.57 2、0.554 1、0.600 8和0.578 1。這說明，利用這些植被指數(shù)通過經(jīng)驗(yàn)方法反演LAI是一種比較可靠的方法。但是，6個指數(shù)之間沒有明顯的差異，這與樣本量較少有一定關(guān)系。

圖3 基于Hyperion數(shù)據(jù)的植被指數(shù)和LAI之間的指數(shù)關(guān)系

綜上模擬數(shù)據(jù)、實(shí)測數(shù)據(jù)和遙感數(shù)據(jù)的評價(jià)，TVI、MSAVI和MCARI2是較為合適地用來反演LAI的植被指數(shù)。

3 結(jié)論

本文旨在尋找一個合適的植被指數(shù)，與LAI建立經(jīng)驗(yàn)?zāi)Ｐ?，從而可靠地反演作物的LAI。本文首先利用Porspect+SAIL模型模擬的冠層反射率光譜，從飽和性方面對候選的6個植被指展開了評價(jià)，結(jié)果表明：TVI、MSAVI和MCARI2等3個植被指數(shù)表現(xiàn)較優(yōu)，波段的組合也對植被指數(shù)的這兩個特性產(chǎn)生影響。然后，利用這6個植被指數(shù)，根據(jù)模擬數(shù)據(jù)建立了其與LAI的經(jīng)驗(yàn)函數(shù)關(guān)系(線性和指數(shù)關(guān)系)，并利用地面實(shí)測數(shù)據(jù)和星載高光譜遙感數(shù)據(jù)對6個植被指數(shù)進(jìn)行了進(jìn)一步的評價(jià)。結(jié)果表明，利用TVI、MSAVI和MCARI2這3個植被指數(shù)建立的與LAI的經(jīng)驗(yàn)關(guān)系較顯著，且認(rèn)為750～680 nm波段組合更加適合于LAI的反演。由于本文使用數(shù)據(jù)的局限性(驗(yàn)證數(shù)據(jù)的值范圍小、驗(yàn)證數(shù)據(jù)量少等)，研究也存在一些不足，今后需要更多的實(shí)測數(shù)據(jù)參與驗(yàn)證。