基于INFORM模型與GEE的根河火燒跡地冠層含水量反演研究

饒?jiān)旅?，劉凱軍，黃華國(guó)，林起楠，王 川

（1.北京林業(yè)大學(xué) 省部共建森林培育與保護(hù)教育部重點(diǎn)實(shí)驗(yàn)室,北京 100083；2.內(nèi)蒙古自治區(qū)巴彥淖爾市烏拉特后旗林草局，內(nèi)蒙古 烏拉特后旗 015543）

水分含量是評(píng)價(jià)森林健康的關(guān)鍵參數(shù)，代表了森林對(duì)氣候、干旱和蟲(chóng)害的綜合反饋[1]。植物冠層中水分含量占40%～80%，并且是影響綠色植物光合作用和生物量的主要因素[2]，葉片含水量被認(rèn)為是監(jiān)測(cè)植物干旱脅迫的有效指標(biāo)[3]，土壤水分在蟲(chóng)害初期由于疏導(dǎo)組織受阻無(wú)法順利到達(dá)冠層[4]，森林火災(zāi)蔓延過(guò)程中產(chǎn)生的飛火與樹(shù)冠火均與冠層可燃物含水量有密切聯(lián)系[5]。森林火災(zāi)破壞了森林的結(jié)構(gòu)和功能，降低了涵養(yǎng)水源的能力。冠層水分含量（Canopy water content，CWC）是葉片的等效水厚度（Equivalent water thickness，EWT）與葉面積指數(shù)（Leaf area index，LAI）的乘積，表示單位面積冠層水分總厚度。植物水分主要吸收近紅外與短波紅外的太陽(yáng)輻射，植物的反射率在970、1 200、1 450、1 950 和2 500 nm 光譜范圍內(nèi)有不同程度的降低，因此利用光譜信息可定量反演植物的水分含量[6-9]。

遙感提取植物的水分含量主要包括統(tǒng)計(jì)模型和物理模型兩種方法。統(tǒng)計(jì)模型通常使用光譜指數(shù)[10]、人工神經(jīng)網(wǎng)絡(luò)[11]和最小二乘回歸將葉片水分參數(shù)與反射率關(guān)聯(lián)提取植物水分含量。然而，統(tǒng)計(jì)模型的建立需要標(biāo)定，對(duì)于大區(qū)域反演能力有限。相比而言，物理模型研究光線與植被生化組分之間相互作用的輻射傳輸過(guò)程，從機(jī)理上解釋植被光譜與生化組分之間的關(guān)系，物理模型更有通用性[12-14]。Zhang 等[15]指出，高光譜數(shù)據(jù)有助于提高輻射傳輸模型反演植被水分含量的精度。Trombetti 等[11]使用人工神經(jīng)網(wǎng)絡(luò)與輻射傳輸模型從MODIS 中提取了植物的水分含量，并以高光譜數(shù)據(jù)驗(yàn)證。Jurdao 等[16]通過(guò)PROSPECT 模型和GeoSAIL 模型反演了西班牙部分林地的含水率，并證明林木含水率的反演有助于森林火險(xiǎn)的評(píng)估。Quan 等[17]耦合不同的物理模型提取森林可燃物的含水率，達(dá)到森林火險(xiǎn)預(yù)警的效果。但使用物理模型反演森林植被含水量的研究相對(duì)較少。原因可能是：1）物理模型在反演植被水分含量時(shí)面臨病態(tài)反演的問(wèn)題[18]；2）相對(duì)于多光譜數(shù)據(jù)，高光譜數(shù)據(jù)偏少，難以用于大面積反演研究[15]；3）植被含水量在物理模型中屬于弱敏感參數(shù)，反演過(guò)程中容易受到其它因素干擾，具有一定反演難度[19]。如果能解決上述問(wèn)題，就可以推廣物理模型，獲得更好的反演精度。選擇合適的物理模型對(duì)于反演精度提升至關(guān)重要，混合模型（如GO-RT 模型[20]、FLIM 模型[21]、INFORM 模型[22]）結(jié)合幾何光學(xué)模型在解釋陰影投射面積和地物表面空間相關(guān)性上的基本優(yōu)勢(shì)，與輻射傳輸模型在解釋均勻媒質(zhì)中多次散射的優(yōu)勢(shì)，對(duì)于火燒跡地此類(lèi)稀疏分布且具有一定冠層高度的林地，模擬效果更好。

遙感大數(shù)據(jù)的發(fā)展也進(jìn)一步降低了病態(tài)反演的問(wèn)題。Google Earth Engine（GEE）平臺(tái)是Google 公司、卡耐基梅隆大學(xué)、美國(guó)地質(zhì)調(diào)查局聯(lián)合開(kāi)發(fā)推出的遙感大數(shù)據(jù)云端運(yùn)算平臺(tái)，其提供了海量遙感數(shù)據(jù)，對(duì)高效檢測(cè)森林植被變化有重要意義[23]。

內(nèi)蒙古自治區(qū)根河市是我國(guó)重要的天然林保護(hù)區(qū)，但在春夏常發(fā)生森林火災(zāi)，特別是1987年5月和2003年5月發(fā)生了特大森林火災(zāi)，對(duì)森林生態(tài)環(huán)境造成了嚴(yán)重破壞，森林涵養(yǎng)水源的能力降低，面臨干旱、蟲(chóng)害與再次火燒的風(fēng)險(xiǎn)。本研究使用INFORM 模型反演火燒跡地的冠層含水量，并基于GEE 對(duì)火燒跡地CWC 恢復(fù)進(jìn)行時(shí)序性分析，最后繪制了2018年根河地區(qū)CWC 的分布圖，為量化監(jiān)測(cè)火后森林植被水分恢復(fù)提供技術(shù)支持。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古自治區(qū)根河大興安嶺林區(qū)，地處120°12′～122°55′E，50°20′～52°30′N(xiāo)，海拔多集中于700～1 300 m。該地區(qū)屬于寒溫帶，具有大陸性季風(fēng)氣候，年降水量為450～500 mm，雨季集中在7—8月。根河地區(qū)地形由西南至東北逐漸升高，東北區(qū)域以坡度小于15°的山地為主。森林資源豐富，森林覆蓋率為75%，樹(shù)種類(lèi)型以興安落葉松Larix gmelinii與白樺Betula platyphylla為主。該區(qū)域常年發(fā)生森林火災(zāi)，造成了巨大的經(jīng)濟(jì)損失和生態(tài)損失，當(dāng)?shù)匾话阍诖合募竟?jié)封山防火。圖1是研究區(qū)樣地分布。

1.2 地面實(shí)測(cè)數(shù)據(jù)

樣地分布于根河大興安嶺林區(qū)，火災(zāi)發(fā)生年份分別是1987年、1998年、2003年、2010年和2015年，同時(shí)選取頂極群落作為對(duì)照樣地，樣地分布見(jiàn)圖1。每個(gè)樣地群選取2～5 塊樣地，結(jié)合森林火災(zāi)資料、歷史影像數(shù)據(jù)和野外調(diào)查數(shù)據(jù)，分類(lèi)別確定為中度火燒、重度火燒與對(duì)照樣地。使用差分GPS 確定樣地坐標(biāo)，樣地大小為30 m×30 m，由于火燒跡地分布廣泛且地形復(fù)雜，實(shí)際調(diào)查樣地總數(shù)有20 個(gè)。

圖1 樣地分布Fig.1 The location of plots

樣地中針葉樹(shù)種是興安落葉松，闊葉樹(shù)種是白樺。使用搭載魚(yú)眼鏡頭的相機(jī)和CAN-EYE 軟件提取葉面積指數(shù)作為樣地的估計(jì)值[24]，提取過(guò)程見(jiàn)圖2。通過(guò)每木檢尺確定不同樹(shù)種的標(biāo)準(zhǔn)木，并將標(biāo)準(zhǔn)木樹(shù)冠分為上、中、下3 層，用高枝剪采集3 層葉片樣本，每層取5～10 片（針葉每層取10～20 束）。掃描并提取闊葉表面積，針葉通過(guò)平鋪測(cè)量邊長(zhǎng)確定表面積，并將所采集葉片帶回實(shí)驗(yàn)室，使用烘干法確定含水量。

圖2 基于魚(yú)眼鏡頭的冠層LAI 提取Fig.2 The extraction of canopy LAI using spherical lens

葉片等效水厚度（EWT，g/cm2）指葉片的含水量與葉面積的比值，表示單位葉面積的含水量。

式（1）中：mf指葉片鮮質(zhì)量，g；md指葉片干質(zhì)量，g；A指葉片表面積，cm2。

冠層含水量（CWC，kg/m2）通過(guò)計(jì)算各樹(shù)種葉片EWT、樣地LAI 與各樹(shù)種比例乘積得到[25]。

式（2）中：f為各樹(shù)種在樣地樹(shù)種中的比例。

20 個(gè)樣地的EWT、LAI、株樹(shù)密度（SD）、葉綠素含量（Cab）的統(tǒng)計(jì)值如表1所示，表2為林分樣地信息。由表1可知，針葉樹(shù)種EWT為0.016 2～0.028 2 g/cm2，平均值為0.021 7 g/cm2；闊葉樹(shù)種為0.006 7～0.011 3 g/cm2，均值為0.009 6 g/cm2；樣地總EWT 為0.010 1～0.024 2 g/cm2，均值為0.017 7 g/cm2；LAI 為0.01～2.83，均值為1.40。

表1 樣地調(diào)查數(shù)據(jù)統(tǒng)計(jì)Table 1 Summary of statistics of leaf and canopy variables

表2 林分樣地信息Table 2 Information of plots

1.3 遙感數(shù)據(jù)與預(yù)處理

使用遙感數(shù)據(jù)分為地面調(diào)查同期衛(wèi)星數(shù)據(jù)和歷史數(shù)據(jù)兩類(lèi)。同期遙感數(shù)據(jù)采用Landsat 8 OLI影像Level 1 產(chǎn)品，此產(chǎn)品經(jīng)過(guò)了幾何校正和地形校正。使用2018年7—8月期間無(wú)降水影像，原始數(shù)據(jù)經(jīng)過(guò)了輻射校正、FLAASH (Fast line-ofsight atmospheric analysis of spectral hypercubes) 大氣校正[26]等預(yù)處理流程。歷史數(shù)據(jù)使用Landsat 5、Landsat 7 和Landsat 8 地表反射率數(shù)據(jù)集，在GEE平臺(tái)上通過(guò)Javascript 編譯代碼對(duì)影像批量預(yù)處理，并提取各樣地1985—2018年6—8月無(wú)云影響高質(zhì)量地表反射率數(shù)據(jù)。

根據(jù)Landsat 8 OLI 數(shù)據(jù)波段特征，對(duì)已有的水分指數(shù)進(jìn)行分析，最終選用歸一化水分指數(shù)（Normalized difference water index,NDWI）[27]驗(yàn)證冠層含水量的反演精度。

式（3）中：NIR 代表Landsat 8 第5 波段反射率；SWIR 代表Landsat 8 第6 波段反射率。

1.4 INFORM 模型

INFORM 模型是一種結(jié)合幾何光學(xué)模型和輻射傳輸模型的混合模型，模擬400～2 500 nm 的森林二向反射率。該模型實(shí)際上結(jié)合了FLIM 模型、SAILH 模型和PROSPECT 模型[22,28]。對(duì)于特定波段，INFORM 模型反射率的公式為：

式（4）中：R是樣地反射率；RC是無(wú)限厚度冠層的反射率；RG是背景反射率。C因子代表冠層因子，G因子代表地表因子。

C因子和G因子的計(jì)算公式為：

式（5）～（6）中：C因子主要與觀測(cè)方向的冠層地表覆蓋率Co與太陽(yáng)方向的地面覆蓋率Cs相關(guān)；而G因子主要與地面部分分量Fx相關(guān)。

Co和Cs具有一定的相關(guān)性，是由模型中冠層直徑、光照和觀測(cè)角度計(jì)算得到。對(duì)于給定的天頂角θo、Co的計(jì)算公式為：

式（7）中：SD 是林分密度（n·hm-2）；k值代表樹(shù)冠的平均水平面積（hm2）。k的計(jì)算公式是：

式（8）中：CD 為冠層直徑（m）。

INFORM 模型中的冠層透過(guò)率采用SAILH 模型計(jì)算得到，To與Ts的計(jì)算引入平均葉面積指數(shù)LAI、平均葉傾角ALA (Average leaf inclination angle)等參數(shù)。

在INFORM 模型中，無(wú)限冠層深度的冠層反射率（RC）和背景反射率（RG）采用SAILH 和適宜本研究區(qū)的葉片光學(xué)模型計(jì)算，背景反射率RG計(jì)算中涉及的土壤反射率光譜使用研究區(qū)土壤光譜曲線。植物葉片等效水厚度（EWT）、葉綠素含量（Cab）、干物質(zhì)含量（Cm）等葉片生化參數(shù)使用PROSPECT 模型中的輸入?yún)?shù)。國(guó)外對(duì)于耦合INFORM 與PROSPECT 模型反演針闊混交林EWT 已經(jīng)有過(guò)相關(guān)研究[25]。因此，使用INFORM模型計(jì)算樣地反射率（R），可以將其表示為內(nèi)部冠層參數(shù)、葉片參數(shù)和外部參數(shù)的函數(shù)，即：

式（9）中：N為描述葉片內(nèi)部細(xì)胞結(jié)構(gòu)的參量；Cw為葉片水分含量；Cm是葉片干物質(zhì)含量；Scale代表土壤反射率因子；lais為單株樹(shù)LAI 值；laiu為地面冠層LAI 值；sd 為株樹(shù)密度；h為樹(shù)高；cd 為冠層直徑；ala 為平均葉傾角；tetas代表太陽(yáng)天頂角；tetao為觀測(cè)天頂角；phi 為方位角；skyl為天空漫輻射參量；rsoil為土壤反射率。

需要特別指出的是，INFORM 模型中的LAI 分為單株樹(shù)木lais(Single tree leaf area index)和地表灌木laiu（Leaf area index of understorey），本研究中林分的LAI 通過(guò)單株樹(shù)木lais與覆蓋率Co得到，即：

INFORM 模型中的EWT 等效水厚度為PROSPECT 葉片輻射傳輸模型的輸入?yún)?shù)，樣地對(duì)應(yīng)的CWC 是EWT 與LAI 的乘積。

1.5 反演方法與策略

使用查找表（LUT）聯(lián)合反演EWT 與LAI 得到CWC。LUT 實(shí)際上是建立不同的輸入?yún)?shù)組合，得到不同的光譜數(shù)據(jù)組合，建立冠層含水量和光譜之間的關(guān)系，反演時(shí)用線性或非線性?xún)?nèi)插的方法計(jì)算出參數(shù)值。根據(jù)INFORM 模型EWT 與LAI在400～2 500 nm 之間參數(shù)敏感性結(jié)果與實(shí)際調(diào)查值確定查找表輸入?yún)?shù)與變動(dòng)范圍，由此得到冠層含水量與冠層反射率的查找表。通過(guò)篩選查找表中的實(shí)測(cè)光譜值與模型模擬光譜值的RMSE值優(yōu)化各參數(shù)值，篩選當(dāng)RMSE 最小時(shí)為所選取參數(shù)的最優(yōu)標(biāo)定值。大量研究表明，INFORM 模型的EWT 僅在近紅外波段與短波紅外波段范圍內(nèi)有較高的敏感性，對(duì)應(yīng)Landsat 8 波段為第5、第6 波段，而LAI 對(duì)應(yīng)敏感的波段為2～6 波段[25,29-31]，LAI 敏感范圍大于EWT 敏感范圍。故本研究在篩選時(shí)，先使用LAI 敏感的波段篩選出RMSE 小的前10%參數(shù)值作為反演EWT 的查找表子集，再結(jié)合EWT 敏感的波段從子集中篩選出RMSE 最小的前5%參數(shù)值的平均值，得到LAI與EWT，相乘得到最終的CWC 值。

式中：Rmes為反射率實(shí)際值；Rmod為模型反射率模擬值。

1.6 反演結(jié)果的驗(yàn)證

使用實(shí)測(cè)數(shù)據(jù)與水分指數(shù)評(píng)價(jià)反演結(jié)果。其中樣地反演結(jié)果結(jié)合實(shí)測(cè)LAI、EWT 和CWC，通過(guò)決定系數(shù)R2、均方根誤差RMSE、標(biāo)準(zhǔn)化均方根誤差nRMSE(normalized RMSE)評(píng)價(jià)反演精度。

式中：yi和yi′ 分別指實(shí)測(cè)和反演值；指樣地測(cè)量的均值。

由于野外調(diào)查采集樣本量偏少，在林區(qū)選擇280 個(gè)樣點(diǎn)，用以評(píng)價(jià)NDWI 與反演CWC 的相關(guān)關(guān)系，從另一個(gè)角度評(píng)價(jià)反演精度。其中70 個(gè)樣點(diǎn)位于火燒跡地附近，70 個(gè)樣點(diǎn)位于純健康林地附近，其他為普通林地樣點(diǎn)。

1.7 利用GEE 大數(shù)據(jù)平臺(tái)時(shí)序性反演分析

使用GEE 在線數(shù)據(jù)，加載Landsat 8 OLI 地表反射率數(shù)據(jù)。編寫(xiě)代碼預(yù)處理，篩選1987—2018年近30 a 的Landsat 系列數(shù)據(jù)，并選取6—8月同一時(shí)間段數(shù)據(jù)，預(yù)處理后，直接提取各樣地火災(zāi)發(fā)生前3 a 至2017年的各波段反射率數(shù)據(jù)。根據(jù)不同的傳感器，選擇特定的光譜響應(yīng)函數(shù)，得到適應(yīng)不同傳感器的查找表，以此反演得到不同時(shí)間段的火燒跡地LAI 與CWC，使用Mann-kendall時(shí)間序列非參數(shù)估計(jì)模型，確定LAI 與CWC 恢復(fù)速率。并基于2018年8月遙感數(shù)據(jù)，使用GEE重采樣到1 km，使用同樣反演方法得到整個(gè)區(qū)域的冠層含水量數(shù)據(jù)，并繪制分辨率為1 km 的森林冠層含水量的分布，圖3為研究的技術(shù)路線。

圖3 根河地區(qū)火燒跡地冠層含水量反演技術(shù)路線Fig.3 The flow chart about the canopy water content inversion of the fire scars in Genhe county

2 結(jié)果與分析

2.1 查找表的設(shè)立

結(jié)合INFORM 模型的參數(shù)敏感性分析[25]與樣地實(shí)測(cè)數(shù)據(jù)，建立用于反演冠層含水量的查找表（表3）。INFORM 模型中所輸入的參數(shù)包括葉片葉綠素含量Cab（μg·cm-2）、葉片等效水厚度Cw(g·cm-2)、葉片干物質(zhì)含量Cm(g·cm-2)、葉片內(nèi)部結(jié)構(gòu)參數(shù)N等。N是描述葉片內(nèi)部細(xì)胞結(jié)構(gòu)的參數(shù)，與植物的種類(lèi)和生長(zhǎng)狀態(tài)有關(guān)，設(shè)定N值為1.5。

表3 查找表Table 3 The information about the LUT

2.2 反演結(jié)果

聯(lián)合反演結(jié)果顯示，LAI 反演的R2為0.81，nRMSE為0.40，當(dāng)LAI 高于1.5 時(shí)，模型模擬得到的LAI 值低于實(shí)際測(cè)量的LAI（圖4a）。而葉片水分含量EWT 反演的R2為0.35，nRMSE為0.20，總體上模型模擬得到的EWT 明顯高于實(shí)際測(cè)量的EWT（圖4b）。CWC 反演的R2為0.79，nRMSE為0.52，植被水分在冠層尺度上的反演精度高于葉片尺度（圖4c）。而實(shí)測(cè)的CWC 與NDWI 呈現(xiàn)指數(shù)關(guān)系，R2=0.78，精度較INFORM模型偏低（圖4d），顯示INFORM 模型反演冠層含水量的優(yōu)勢(shì)。造成反演單株樹(shù)葉片含水量精度不如冠層含水量精度高的主要原因有：1）實(shí)際調(diào)查中混交林的葉片含水量難以精確確定；2）多光譜數(shù)據(jù)的局限性無(wú)法選擇水分最敏感的光譜波段反演；3）冠層含水量CWC 由EWT 與LAI 共同組成，而LAI 的準(zhǔn)確反演確實(shí)提高了冠層尺度植被水分反演精度。

2.3 NDWI 和CWC 對(duì)比

在研究區(qū)附近選取280 個(gè)象元，用同樣方法反演CWC，并與NDWI 擬合。大范圍反演結(jié)果（圖4e）顯示，NDWI 較?。ㄈ缁馃E地）時(shí)，CWC與NDWI 呈線性關(guān)系；當(dāng)NDWI 區(qū)域飽和（健康林地）時(shí)，INFORM 模型仍可以繼續(xù)反演CWC。結(jié)果顯示，CWC 與NDWI 總體上呈明顯的指數(shù)關(guān)系，R2為0.77。

圖4 反演結(jié)果Fig.4 The result of inversion

NDWI 和CWC 的良好相關(guān)關(guān)系說(shuō)明了局部地區(qū)反演的有效性。但在NDWI 飽和時(shí)，反演CWC仍在上升，反演CWC 與NDWI 總體呈現(xiàn)指數(shù)關(guān)系。一方面，CWC 與NDWI 相關(guān)性高，說(shuō)明反演CWC 精度較好；另一方面，NDWI 達(dá)到飽和值時(shí)，而反演得到的CWC 未飽和，反映了物理模型反演可以提供更多量化的水分信息。對(duì)于統(tǒng)計(jì)模型，含水量反演通常需要精準(zhǔn)的實(shí)測(cè)值標(biāo)定，相比而言，INFORM 模型不需要標(biāo)定，更適于大區(qū)域植被水分的反演。

2.4 基于Google Earth Engine 火燒跡地冠層含水量時(shí)序反演結(jié)果

基于GEE 大數(shù)據(jù)平臺(tái)編寫(xiě)Java Script API 批量處理，通過(guò)INFORM 模型反演研究區(qū)1987—2018年生長(zhǎng)季期間的LAI 與CWC。火災(zāi)影響后，其LAI 和CWC 都有明顯下降，符合森林火災(zāi)的一般表現(xiàn)，結(jié)果如圖5所示。火災(zāi)前3 a 到火災(zāi)后10 a的LAI 與CWC 的動(dòng)態(tài)變化表明，部分火燒跡地在火災(zāi)發(fā)生前，其CWC 已呈下降趨勢(shì)，可能是火災(zāi)發(fā)生的重要原因之一，如1987年樣地、1998年樣地；除火災(zāi)后經(jīng)人為補(bǔ)植的2010年樣地外，火災(zāi)發(fā)生后1～2 a 內(nèi)，LAI 與CWC 均出現(xiàn)明顯下降；火災(zāi)后10 a 的恢復(fù)過(guò)程中，部分樣地（1987年樣地，2003年樣地）的LAI 與CWC 在火災(zāi)發(fā)生后一年內(nèi)出現(xiàn)明顯的恢復(fù)，2010年與2015年樣地的CWC 與LAI 在火災(zāi)后均還未出現(xiàn)明顯的恢復(fù)現(xiàn)象。

圖5 火燒跡地LAI 與CWC 時(shí)序性變化分析（紅線代表火災(zāi)發(fā)生年份）Fig.5 Analysis on temporal change of LAI and CWC in burned areas（The red line represents the burning year）

受不同火燒程度、氣候和地理環(huán)境因素的影響，火燒跡地的恢復(fù)速率各不相同。基于Mannkendall 模型計(jì)算得到1987年、1998年、2003年3塊火燒跡地10 a內(nèi)LAI的年恢復(fù)速率分別為0.17、0.19、0.12，CWC年恢復(fù)速率分別為0.010 3、0.011 7、0.011 5 kg/m2，從而量化了LAI 與CWC的恢復(fù)速率。

續(xù)圖5Continuation of Fig.5

其中1998年樣地、2003年樣地、2010年樣地由于地形坡度較大，恢復(fù)速率并不理想，即使CWC 恢復(fù)至最高值，仍低于火前水平。其中2010年樣地實(shí)地調(diào)查發(fā)現(xiàn)即使在火后人工補(bǔ)植，恢復(fù)情況仍不明顯，且出現(xiàn)了病害影響。一方面由于森林火災(zāi)嚴(yán)重破壞了森林涵養(yǎng)水源的能力，另一方面由于補(bǔ)植樹(shù)種沒(méi)有符合“適地適樹(shù)”原則，共同導(dǎo)致恢復(fù)結(jié)果不理想。

2.5 基于INFORM 模型根河地區(qū)冠層含水量反演結(jié)果

基于GEE 和INFORM 模型對(duì)2018年8月根河地區(qū)冠層含水量反演，得到分辨率為1 km 的冠層含水量的分布（圖6），與實(shí)際調(diào)查結(jié)果吻合?；馂?zāi)發(fā)生10 a 內(nèi)火燒跡地冠層含水量大部分集中在第一、二等級(jí)（0.02～0.27 kg/m2），與其他未受到林火干擾的森林相比，冠層含水量明顯降低，如圖6所示紅色窗口內(nèi)為2003年火燒跡地，其冠層含水量存在明顯的低值，而NDWI 表現(xiàn)并不明顯。本森林冠層含水量反演產(chǎn)品可以為森林防火與森林病蟲(chóng)害防治提供監(jiān)測(cè)預(yù)警信息。

圖6 CWC 反演與NDWI 對(duì)比結(jié)果Fig.6 The comparison between CWC inversion result and NDWI

作為物理模型，INFORM 模型反演冠層含水量具有通用性，對(duì)于根河這類(lèi)面積大且防火壓力嚴(yán)峻的區(qū)域，植被指數(shù)通常會(huì)達(dá)到飽和值，無(wú)法測(cè)得更準(zhǔn)確的冠層水分含量。且對(duì)于統(tǒng)計(jì)模型，不同區(qū)域冠層含水量與光譜指數(shù)往往呈現(xiàn)不同的關(guān)系，需要多次準(zhǔn)確含水量實(shí)測(cè)值的標(biāo)定，增加了大面積反演的難度。

3 結(jié)論與討論

森林冠層含水量是評(píng)價(jià)森林健康的重要指標(biāo)，本研究使用INFORM 模型建立了CWC 與森林冠層反射率的查找表，并結(jié)合Landsat 系列數(shù)據(jù)與Google Earth Engine 遙感大數(shù)據(jù)平臺(tái)，實(shí)現(xiàn)了根河地區(qū)火燒跡地CWC 的定量反演，并進(jìn)行時(shí)序性研究分析，為動(dòng)態(tài)監(jiān)測(cè)火燒跡地恢復(fù)速率和森林健康提供了新的方法。主要得到以下結(jié)論：

1）INFORM 模型中水分敏感的波段集中在近紅外與短波紅外，使用近紅外與短波紅外反演冠層含水量以評(píng)價(jià)植被水分，可以得到精確結(jié)果；2）基于INFORM 模型反演火燒跡地LAI 與CWC精度較高，適用于火燒跡地恢復(fù)監(jiān)測(cè)；3）CWC反演精度比EWT 反演精度高，森林冠層平均葉片尺度的驗(yàn)證存在客觀困難，難以精確估計(jì)林分平均葉片含水量，而引入森林結(jié)構(gòu)參數(shù)LAI 可以提高冠層尺度上的水分反演精度。CWC 作為L(zhǎng)AI 與EWT 的乘積，更能反映火燒跡地的恢復(fù)狀況，更適用于本研究的評(píng)價(jià)；4）Google Earth Engine 作為前沿的遙感大數(shù)據(jù)平臺(tái)，在解決森林生態(tài)遙感持續(xù)性監(jiān)測(cè)相關(guān)研究時(shí)，具有方便快捷的特點(diǎn)；5）火燒跡地的冠層含水量在發(fā)生火災(zāi)后，與該地區(qū)其他森林相比，有明顯下降?；贛ann-kendall模型計(jì)算得到火燒跡地LAI 與CWC 恢復(fù)的速率各不相同。雖然在林火發(fā)生后，部分地區(qū)補(bǔ)植過(guò)林木，但由于火燒跡地涵養(yǎng)水源的能力降低，出現(xiàn)過(guò)大面積的林木病害。由于火燒跡地中林木水分含量難以短時(shí)間恢復(fù)，火燒跡地有再次發(fā)生火災(zāi)與病害的風(fēng)險(xiǎn)；6）使用GEE 與INFORM 模型反演得到根河地區(qū)森林冠層含水量分布，冠層含水量可以作為檢測(cè)森林健康的指標(biāo)，對(duì)防止森林病蟲(chóng)害與森林火災(zāi)有一定意義。

植被含水量可以用于準(zhǔn)確監(jiān)測(cè)植被環(huán)境脅迫程度[32]、健康狀況并進(jìn)行火險(xiǎn)評(píng)估[5,33]。本研究通過(guò)長(zhǎng)時(shí)間監(jiān)測(cè)與實(shí)地調(diào)查表明，冠層含水量低的區(qū)域林木生長(zhǎng)狀態(tài)普遍不佳（1998年樣地、2003年樣地、2010年樣地），更易受病蟲(chóng)害影響（2010年樣地），為森林健康監(jiān)測(cè)提供了有效且便捷的手段。

國(guó)內(nèi)外有關(guān)植被水分的遙感監(jiān)測(cè)大多集中于農(nóng)業(yè)，森林植被水分監(jiān)測(cè)驗(yàn)證存在客觀困難性。王長(zhǎng)青[34]結(jié)合Sentinel-1B 和Landsat8 OLI 數(shù)據(jù)，通過(guò)經(jīng)驗(yàn)?zāi)Ｐ头囱菪^(qū)域針葉林冠層葉片含水量，規(guī)則函數(shù)模型模擬最高精度為R2=0.629 9，與本研究結(jié)果（R2=0.79）相比，不但明顯提高了反演精度，并且更適用于大范圍反演。全興文[19]使用物理模型反演草地冠層含水量R2=0.68，但通過(guò)考慮自由參數(shù)相關(guān)后，R2提高至0.84，但草地比森林更易于反演。Zhu 等[25]在反演混交林冠層含水量時(shí)，使用機(jī)載激光雷達(dá)數(shù)據(jù)作為結(jié)構(gòu)參數(shù)數(shù)據(jù)，能夠提高水分反演的精確度（R2=0.87），其部分結(jié)果與本研究相符。對(duì)于大范圍反演研究，激光雷達(dá)和高光譜數(shù)據(jù)都較難獲得，相比之下，本研究使用易獲得的高光譜數(shù)據(jù)，推廣性更好。

然而本研究還存在一些局限和不足。模型反演過(guò)程中未考慮參數(shù)之間的內(nèi)在關(guān)系，存在病態(tài)反演問(wèn)題，未來(lái)可以嘗試通過(guò)考慮自由參數(shù)相關(guān)性來(lái)緩解病態(tài)反演問(wèn)題。反演過(guò)程需要經(jīng)過(guò)查找表多次迭代分析，計(jì)算量巨大對(duì)硬件有較高的要求。研究中的實(shí)測(cè)數(shù)據(jù)偏少，植被葉片水分的測(cè)量估計(jì)（特別是針葉）存在客觀的瓶頸。GEE 作為大數(shù)據(jù)平臺(tái)，提供了研究者持續(xù)性研究的快捷途徑，但高光譜數(shù)據(jù)與激光雷達(dá)數(shù)據(jù)太少，難以提供更多準(zhǔn)確的水分光譜信息與林分結(jié)構(gòu)信息，是本研究的局限性。“高分五號(hào)”作為我國(guó)重要的高光譜衛(wèi)星，能夠?yàn)榉囱萏峁└嗟墓庾V信息。這些問(wèn)題的解決，有助于利用物理模型反演植被生化指數(shù)的進(jìn)一步研究。