基于混合像元分解理論的路域植被等量水厚度遙感反演

肖祥紅，劉海洋，郭云開

(1. 湖南省第二測繪院，湖南 長沙 410119； 2. 長沙理工大學交通運輸工程學院,湖南 長沙 410076)

地理國情是重要的基本國情,是推進自然生態(tài)系統(tǒng)和環(huán)境保護、合理配置各類資源、實現(xiàn)綠色發(fā)展的重要支撐。植被是地理國情監(jiān)測的重要對象，水分是構成植物的重要組分之一，其含量的盈缺直接影響植物的生理生化過程?？焖倬_地監(jiān)測提取植被含水量對于研究植被生理狀況、植被干旱脅迫及潛在火情的監(jiān)測和預警具有重要的意義[1-3]。遙感技術作為可快速獲取植被生物物理與生物化學特征的重要研究手段，被許多專家學者應用于獲取植被含水量的研究，主要包括經(jīng)驗模型和物理模型。經(jīng)驗模型主要是以數(shù)理統(tǒng)計為手段，構建植被葉片或冠層光譜與植被含水量指標間的數(shù)學關系，從而實現(xiàn)植被含水量的反演。國內(nèi)外學者對植被水分含量的反射率敏感波段進行了研究，認為植物在970、1240、1450、1950和2500 nm光譜反射率曲線的吸收峰特征可以用來指示植物水分狀況[4-5]。在此基礎上，一些能夠反映植被水分變化的植被指數(shù)相繼被提出，且效果良好。文獻[6]分析了歸一化差異植被指數(shù)(NDVI)的弱點，通過構建歸一化差異水分指數(shù)(NDWI)來監(jiān)測植被水分，取得了良好的研究效果。文獻[7]為監(jiān)測植被水分脅迫提出了濕度脅迫指數(shù)(MSI)，并證明了在多種植被類型下MSI都能夠表現(xiàn)出與等量水厚度的良好相關性。部分研究學者對已有指數(shù)進行了改進或構建了新的植被指數(shù)，都取得了滿意的研究成果。物理模型不依賴于特定的植被類型或背景，通過模擬輻射傳輸?shù)倪^程來獲取植被的冠層光譜，進而反演出植被某種植被參數(shù)[8]。文獻[9]利用高光譜指數(shù)和輻射傳輸模型估算了棉花葉片和冠層的含水量，探討了各種水相關植被指數(shù)在反演EWT和CWC時的能力。文獻[10]通過修正PROSAIL模型以適應高植被覆蓋區(qū)域，并結合支持向量機回歸實現(xiàn)了對植被等量水厚度的反演。

在遙感影像中，由于受傳感器及地面植被環(huán)境復雜多樣性的影響，混合像元普遍存在于遙感影像之中[11]。而混合像元的存在勢必會降低EWT的遙感反演精度[12]。本文基于PRO4SAIL模型正演所獲得的數(shù)據(jù)模擬多光譜數(shù)據(jù)進行敏感性分析和植被指數(shù)的篩選，并以長常高速公路路域植被作為研究對象，利用覆蓋試驗區(qū)域的Landsat 8影像混合像元解混后的植被冠層反射率數(shù)據(jù)與反演模型相結合預測試驗區(qū)的路域植被等量水厚度。

1 研究區(qū)域及數(shù)據(jù)處理

1.1 研究區(qū)域概況

本文以湖南省境內(nèi)長沙至常德一段高速公路路域作為研究區(qū)域，研究區(qū)屬于典型的亞熱帶季風性濕潤氣候，光熱充足，雨水充沛且空氣濕潤，路域植被屬于中國南部亞熱帶濕潤森林植被區(qū)系，道路兩側植被資源豐富，樹種繁多。

1.2 實測數(shù)據(jù)采集

本次試驗對研究區(qū)域進行了實地調(diào)查，數(shù)據(jù)采集時間為2016年6月17日，正值南方地區(qū)典型植被生長旺季，當天天氣晴朗，無云無風，外業(yè)試驗數(shù)據(jù)采集區(qū)域大小為15 m×15 m，均為植被覆蓋區(qū)域，包括全闊葉林覆蓋、全針葉林覆蓋及闊、針葉林混合覆蓋。每個樣區(qū)以1個中心點和4個頂點作為測點，結合影像上樣區(qū)位置，綜合確定樣點像元空間位置，確保樣區(qū)隨機分布于研究區(qū)內(nèi)。采集數(shù)據(jù)包括葉面積指數(shù)、葉綠素含量、葉片鮮重、葉面積和植被冠層光譜，并采集了相應的典型植被帶回實驗室。試驗人員進行量測的同時記錄地形地貌等樣區(qū)特征，最終測得有效樣區(qū)35個。研究區(qū)域如圖1所示。

1.3 遙感影像選擇與處理

本文選取覆蓋研究區(qū)域的Landsat 8 OLI影像，成像時間為2016年7月23日，遙感影像少云、清晰?；贓NVI 5.3軟件平臺對遙感影像進行預處理，經(jīng)過輻射定標和FLAASH模型大氣校正后，對OLI影像進行掩膜裁剪，獲取研究區(qū)域的Landsat 8 OLI多光譜影像。Lansat 8 OLI影像波段信息見表1。

波段光譜類型波段范圍/μm空間分辨率/mBand 1Coastal0.433～0.45330Band 2Blue0.450～0.51530Band 3Green0.525～0.60030Band 4Red0.630～0.68030Band 5NIR0.845～0.88530Band 6SWIR11.560～1.66030Band 7SWIR22.100～2.30030Band 8PAN0.500～0.68015Band 9Cirrus1.360～1.39030

2 研究方法

2.1 PRO4SAIL模型模擬遙感影像植被冠層光譜

PROSAL模型是闊葉輻射傳輸模型PROSPECT與植被冠層輻射傳輸模型SAIL的耦合模型，其準確性得到了檢驗，是目前應用最為廣泛的冠層輻射傳輸模型。葉片輻射傳輸模型PROSPECT所模擬的單葉葉片400～2500 nm范圍內(nèi)反射和透射光譜，可以同葉面積指數(shù)、熱點參數(shù)、太陽天頂角、觀測天頂角、太陽—觀測相對方位角、土壤反射率等其他參數(shù)一起作為冠層輻射傳輸模型SAIL的輸入?yún)?shù)，形成PRO4SAIL耦合模型模擬植被冠層光譜數(shù)據(jù)[13]。

利用PROSPECT5+4SAIL模型對植被冠層光譜進行模擬，通過調(diào)節(jié)等量水厚度的步長來獲得等量水厚度與葉面積指數(shù)變化光譜，共模擬獲得植被冠層光譜100組。從中按照一定權重隨機選取60組數(shù)據(jù)，基于Landsat 8影像的光譜波段響應函數(shù)將模擬的植被冠層反射率轉換為多光譜數(shù)據(jù)，轉換模型為

(1)

式中，Reg為模擬的等效Landsat 7反射率；RPR(λ)為PROSAIL模擬的高光譜反射率；fTM(λ)為Landsat 8 OLI傳感器目標波段的光譜響應函數(shù)。

2.2 線性混合像元分解

混合像元普遍存在于遙感影像中，它記錄了多種地物類型的綜合光譜信息，在地表地物分布較復雜的區(qū)域更是如此。因此，混合像元使得利用遙感技術手段進行植被參數(shù)的反演存在著偏差。在不考慮二次散射的情況下，可認為一個像元的反射率值是由各地物反射率(端元)按照其在該像元內(nèi)所占的面積比(豐度)進行線性組合得到的[14]。

線性光譜混合模型(LSMM)如下

(2)

在路域研究區(qū)內(nèi)，混合像元可認為是由植被冠層光譜和土壤光譜兩個端元組合而成，則線性光譜混合模型可簡化為像元二分模型

ri=avrvi+asrsi+ei

(3)

式中，av為植被冠層在混合像元中的豐度；as為土壤在混合像元中的豐度；rvi為像元內(nèi)第i個波段植被冠層的反射率；rsi為像元內(nèi)第i個波段土壤的反射率。則剔除土壤光譜后植被冠層在第i個波段中的光譜信息為

rvi=(ri-asrsi-ei)/av

(4)

通過對混合像元的線性分解，獲取更加精確的植被冠層信息將有助于利用遙感手段進行植被參數(shù)的反演。

3 結果與分析

3.1 端元提取及冠層反射率反演

混合像元線性分解主要分為以下步驟：①端元提取，提取“純”地物的光譜；②混合像元的分解，將混合像元分解為端元和其豐度的組合。端元選擇正確與否決定了混合像元分解的成敗。本文基于ENVI 5.3軟件平臺，采用MNF變換、PPI像元純度計算及N維可視化分析對影像端元進行提取。經(jīng)MNF變換、PPI計算對像元進行提純后，將處理結果導入N維空間中，通過交互式判斷像元點的聚集情況以確定終端端元組分數(shù)及植被冠層光譜和土壤光譜值。利用完全約束最小二乘法對研究區(qū)域進行線性混合像元分解，經(jīng)式(4)計算獲得混合像元內(nèi)植被冠層光譜。以樣點植被冠層實測光譜反射率為依據(jù)，計算遙感影像像元反射率和混合像元解混后植被冠層反射率的各波段平均值的相對誤差，計算結果見表2?？梢钥闯?，經(jīng)混合像元解混后植被冠層反射率更接近于真實冠層光譜。

表2 反射率相對誤差對比 (%)

3.2 植被指數(shù)的篩選

根據(jù)400～2500 nm光譜范圍內(nèi)多植被水分敏感的波段，專家學者提出和發(fā)展了RVI、NDWI及MSI等成熟的、可用于植被水分含量反演的植被指數(shù)。本文計算了較為常用的多個植被指數(shù)，見表3。

表3 常用植被指數(shù)及其計算公式

利用PRO4SAIL模型模擬的遙感影像寬波段植被冠層光譜數(shù)據(jù)進行上述植被指數(shù)的計算，并與等量水厚度進行相關性分析，結果見表4。綜合考慮植被指數(shù)與等量水厚度的相關性和植被指數(shù)之間的相關性，結合與等量水厚度相關性較高的遙感影像波段，選取Band6、Band7、NDWI2、RVI5、GVMI用于反演植被的等量水厚度。

表4 植被指數(shù)與等量水厚度的相關系數(shù)

注：**相關性在0.01水平上顯著(雙側)，*相關性在0.05水平上顯著(雙側)。

3.3 等量水厚度反演模型的建立與驗證

采用支持向量機回歸方法建立等量水厚度反演模型，核函數(shù)類型選擇徑向基函數(shù)(RBF)，采用分步格網(wǎng)法進行交叉驗證，以Band6、Band7、NDWI1、RVI4和GVMI為自變量，以等量水厚度值為因變量。建模樣本選擇PRO4SAIL和光譜響應函數(shù)模擬的Landsat 8遙感影像植被冠層光譜數(shù)據(jù)作為數(shù)據(jù)源，從模擬數(shù)據(jù)中隨機抽取60個數(shù)據(jù)構建NDWI1、RVI4和GVMI植被指數(shù)，且將Band6、Band7光譜值作為自變量，對應的模擬等量水厚度作為因變量。驗證樣本選擇實測等量水厚度作為因變量，通過GPS定位采樣點在遙感影像中對應的位置，以混合像元分解前、分解后的35個像元光譜數(shù)據(jù)計算NDWI1、RVI4和GVMI植被指數(shù)，且將Band6、Band7光譜值作為自變量，驗證經(jīng)混合像元分解后所得植被光譜數(shù)據(jù)的有效性。利用反演模型對預測集的EWT進行估測，并將估測EWT與實測EWT進行擬合分析。由圖2可知，二者的預測集斜率均接近于1，經(jīng)混合像元解混后預測集決定系數(shù)R2為0.809 9，未經(jīng)混合像元分解的預測集決定系數(shù)R2為0.665 6。

4 結 語

本文以南方典型植被作為研究對象，利用Landsat 8 OLI遙感影像和地面實測數(shù)據(jù)，對植被等量水厚度的遙感反演進行了研究。研究結果表明：利用PROSAIL模擬植被冠層光譜獲取植被指數(shù)并對EWT的敏感性進行分析，可有效彌補地面實測數(shù)據(jù)的不足，能夠判斷出與EWT顯著相關的植被指數(shù)為NDWI1、RVI4、GVMI；在利用模擬多光譜數(shù)據(jù)所建立的反演模型下，遙感影像光譜數(shù)據(jù)的反演R2為0.809 9,通過混合像元分解獲得的闊葉林冠層光譜反演EWT的R2為0.665 6，后者表現(xiàn)出了更加出色的反演能力。同時，可作為有效數(shù)據(jù)參與到其他植被參數(shù)遙感反演中，為路域植被環(huán)境研究提供基礎支持。此外，等量水厚度的精確提取，將促使該指標成為一種針對植被的、標準化的新型地理國情監(jiān)測指標，進一步豐富地理國情產(chǎn)品形式。