基于Sentinel-2多光譜數(shù)據(jù)的枸杞葉面積指數(shù)反演

余剛馮克鵬

(1.寧夏大學(xué)土木與水利工程學(xué)院，寧夏 銀川 750001；2.寧夏節(jié)水灌溉與水資源調(diào)控工程技術(shù)研究中心,寧夏 銀川 750021；3.旱區(qū)現(xiàn)代農(nóng)業(yè)水資源高效利用教育部工程研究中心，寧夏 銀川 750021)

引言

葉面積指數(shù)(Leaf area index，LAI)是模擬陸地生態(tài)過程、生物地球化學(xué)循環(huán)以及水熱循環(huán)的重要參數(shù)[1]，在農(nóng)業(yè)、林業(yè)、生態(tài)、氣候變化等領(lǐng)域已經(jīng)得到了廣泛的應(yīng)用[2]。LAI能夠反映植被長勢(shì)個(gè)體和群體特征，是農(nóng)作物長勢(shì)監(jiān)測(cè)的一個(gè)關(guān)鍵生態(tài)參數(shù)[3]，因此快速、準(zhǔn)確、可靠地獲取農(nóng)作物L(fēng)AI具有重要意義。

隨著遙感技術(shù)的飛速發(fā)展，過去的幾十年時(shí)間里，許多新發(fā)射的中分辨率對(duì)地觀測(cè)衛(wèi)星投入了研究應(yīng)用，如1999年12月18日、2002年5月4日發(fā)射的MODIS衛(wèi)星，2013年2月11日發(fā)射的Landsat-8衛(wèi)星，2013年4月26日發(fā)射的高分1號(hào)衛(wèi)星，2015年6月23日、2017年3月7日由歐空局發(fā)射的Sentinel-2A和Sentinel-2B多光譜遙感衛(wèi)星。Sentinel-2多光譜遙感衛(wèi)星搭載包括空間分辨率為10m的3個(gè)可見光波段以及1個(gè)近紅外波段，空間分辨率為20m的特有3個(gè)紅邊參數(shù)波段和短波紅外波段，空間分辨率為60m的近紅外波段等，共計(jì)13個(gè)波段。Sentinel-2A和Sentinel-2B雙軌衛(wèi)星同時(shí)運(yùn)行，時(shí)間分辨率縮短至5d，為遙感衛(wèi)星數(shù)據(jù)在農(nóng)業(yè)遙感中的應(yīng)用提供了更多的可能性[4-7]。

Sentinel-2衛(wèi)星所搭載的紅邊參數(shù)波段在農(nóng)業(yè)遙感中具有很高的有效性[8]。Frampton等[9]基于模擬的Sentinel-2數(shù)據(jù)提出了用于估算作物葉綠素和葉面積指數(shù)LAI的IRECI(inverted red edge chlorophyll index)和 S2REP(Sentinel-2 red-edge position)紅邊參數(shù)植被指數(shù)，Korhonen等[10]開展的森林葉面積指數(shù)估算，以及蘇偉等[11]利用Sentinel-2數(shù)據(jù)進(jìn)行的玉米葉面積指數(shù)估算，這些研究基于Sentinel-2遙感影像所構(gòu)建的的各種估算模型，都證實(shí)了Sentinel-2多光譜數(shù)據(jù)用于LAI估算的可行性，但研究中所構(gòu)建的LAI估算模型均是針對(duì)特定研究區(qū)域和研究對(duì)象，無法直接用于寧夏地區(qū)枸杞LAI估算。同時(shí)在這些研究中，所構(gòu)建的LAI估算模型大多是物理模型和經(jīng)驗(yàn)?zāi)Ｐ?，無法直接應(yīng)用在新的數(shù)據(jù)源上。

機(jī)器學(xué)習(xí)算法通過相關(guān)數(shù)據(jù)擬合一個(gè)靈活的模型，學(xué)習(xí)輸入變量與輸出變量之間的關(guān)系，將模型參數(shù)調(diào)整為在一個(gè)獨(dú)立驗(yàn)證集中預(yù)測(cè)誤差最小，使模型獲得最好的泛化能力，其可以同時(shí)輸入多個(gè)與LAI相關(guān)性高的植被指數(shù)，并具有很好的非線性擬合能力，可提高模型的穩(wěn)定性及估測(cè)精度[12]，是農(nóng)作物L(fēng)AI估算的重要手段。近年來，已有眾多學(xué)者使用機(jī)器學(xué)習(xí)算法進(jìn)行LAI遙感估算[13-15]。梁棟等[16]基于支持向量機(jī)回歸算法，將不同植被指數(shù)與波段反射率作為輸入?yún)?shù)，在冬小麥多個(gè)生育期反演LAI具有較好的適用性。

本研究通過大面積田間實(shí)驗(yàn)實(shí)測(cè)LAI，構(gòu)建基于Sentinel-2多光譜遙感影像提取的波段反射率和計(jì)算的植被指數(shù)，構(gòu)建3種不同數(shù)據(jù)輸入模型，運(yùn)用機(jī)器學(xué)習(xí)算法進(jìn)行估算，對(duì)比分析反演精度，研究結(jié)果將進(jìn)一步豐富枸杞LAI估算方法，提高估算精度。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于寧夏回族自治區(qū)，地理坐標(biāo)為E104°17′～107°39′，N35°14′～39°23′。海拔1100～1200m，平均氣溫-9℃，年降水量在150～600mm，屬中溫帶干旱氣候帶，干旱少雨，光照條件充足，蒸發(fā)強(qiáng)烈。

圖1 研究區(qū)位置

1.2 采樣區(qū)設(shè)置

研究區(qū)內(nèi)枸杞種植廣泛，本研究選取包括2年期、4年期和多年期枸杞植株種植園，共6個(gè)采樣區(qū)，分布于寧夏中北部。枸杞采取溝壟相間的種植方式，在每個(gè)采樣區(qū)內(nèi)選取面積較大且相對(duì)均質(zhì)的枸杞地塊，每個(gè)地塊隨機(jī)設(shè)置1個(gè)10m×10m樣方。在全部采樣區(qū)共設(shè)置了80個(gè)樣方，并采用GPS記錄樣方經(jīng)緯度坐標(biāo)。采區(qū)設(shè)置及枸杞植株物理量如表1所示。

表1 樣區(qū)設(shè)置及枸杞植株物理量

1.3 枸杞LAI測(cè)定

地面數(shù)據(jù)采集于2019年8月15—18日，使用LAI-2200C冠層分析儀測(cè)量樣方內(nèi)每行枸杞LAI值，取樣方內(nèi)所有行平均值為該樣方LAI測(cè)量結(jié)果。LAI-2200C植物冠層分析儀是利用“魚眼”光學(xué)傳感器測(cè)量植被冠層5個(gè)不同天頂角方向的散射天空輻射衰減，通過5個(gè)天頂角方位的透光度結(jié)果計(jì)算出葉面積指數(shù)、空隙比等樹冠結(jié)構(gòu)參數(shù)。LAI測(cè)量時(shí)應(yīng)盡量避免在直射光背景下測(cè)量，測(cè)量模式采用AAAABBBB。第1個(gè)A值采用白色散射帽，測(cè)量人員背對(duì)太陽，使陽光直射散射帽，保持探桿水平測(cè)量；第2個(gè)A值將探桿移動(dòng)至測(cè)量人員頭部陰影下測(cè)量；第3個(gè)A值將白色散射帽移除，保持在測(cè)量者頭部陰影下測(cè)量；第4個(gè)A值使用45°散射帽，正常測(cè)量。B值在樣方內(nèi)部采用兩壟之間對(duì)角線測(cè)量，每條對(duì)角線上采集4個(gè)B值，第1個(gè)B值取在壟上，第2個(gè)B值取在兩壟之間1/4處，第3個(gè)B值取在兩壟中間，第4個(gè)B值取離壟3/4處。實(shí)測(cè)LAI統(tǒng)計(jì)如表2所示。

表2 樣區(qū)實(shí)測(cè)LAI統(tǒng)計(jì)

1.4 Sentinel-2遙感影像

遙感影像使用Sentinel-2多光譜衛(wèi)星影像，通過歐洲航空局的數(shù)據(jù)共享網(wǎng)站(https://scihub. copernicus.eu/dhus/#/home)下載，獲取與地面觀測(cè)時(shí)間同步的影像數(shù)據(jù)，空間分辨率10m，成像時(shí)間分別為2019年8月15日和18日。下載的遙感影像均為已經(jīng)過輻射校正和幾何校正處理的Level-1C級(jí)大氣上層表觀反射率。遙感影像大氣校正采用SNAP-Sen2Cor軟件處理，經(jīng)大氣校正后的遙感影像通過最近鄰插值法重采樣至10m后用于提取單波段反射率和計(jì)算植被指數(shù)。Sentinel-2多光譜波段信息見表3。

表3 Sentinel-2多光譜傳感器參數(shù)

1.5 植被指數(shù)

利用Sentinel-2多光譜衛(wèi)星可見光及近紅外波段計(jì)算多種植被指數(shù)，主要包括土壤校正型植被指數(shù)、紅邊參數(shù)植被指數(shù)、葉綠素含量植被指數(shù)以及傳統(tǒng)的近紅外植被指數(shù)，共計(jì)21種植被指數(shù)[17-21]。各植被指數(shù)基于Sentinel-2數(shù)據(jù)各波段計(jì)算公式如表4所示。本研究所采用的植被指數(shù)使用歐洲航空局SNAP軟件計(jì)算得到。

表4 植被指數(shù)及基于Sentinel-2數(shù)據(jù)的計(jì)算方法

1.6 機(jī)器學(xué)習(xí)算法

多元線性回歸模型(Multivariable Linear Regression，MLR)通常用來描述變量y和x之間的隨機(jī)線性關(guān)系，用來研究一個(gè)應(yīng)變量依賴多個(gè)自變量的變化關(guān)系，特點(diǎn)是形式簡單、易于建模[33]。

逐步多元線性回歸模型(Stepwise Multiple Linear Regression，SMLR)是將變量逐個(gè)引入模型，每引入一個(gè)解釋變量后都要進(jìn)行F檢驗(yàn)，并對(duì)已經(jīng)選入的解釋變量逐個(gè)進(jìn)行t檢驗(yàn)。這是一個(gè)反復(fù)的過程，直到既沒有顯著的解釋變量選入回歸方程，也沒有不顯著的解釋變量從回歸方程中剔除為止，以保證最后所得到的解釋變量集是最優(yōu)、最簡單的[34]。

支持向量機(jī)(Support Vector Machine，SVM)是一種二分類模型，其目的是尋找一個(gè)超平面對(duì)樣本進(jìn)行分割，分割的原則是間隔最大化，最終轉(zhuǎn)換為一個(gè)凸二次規(guī)劃問題來求解[35]。

高斯過程回歸模型(Gaussian Process Regression，GPR)是使用高斯過程先驗(yàn)對(duì)數(shù)據(jù)進(jìn)行回歸分析的非參數(shù)模型[36]。GPR有著嚴(yán)格的統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ),對(duì)處理高維數(shù)、小樣木、非線性等復(fù)雜的問題具有很好的適應(yīng)性，且泛化能力強(qiáng)[37,38]。

樹的集成模型(Ensembles of Trees)是使用基本模型創(chuàng)建組合模型的學(xué)習(xí)方法。主要包括梯度提升樹和隨機(jī)森林2種，這2個(gè)算法都使用決策樹作為基礎(chǔ)模型，兩者都是學(xué)習(xí)集成樹的算法，但是訓(xùn)練過程不同[31]。

回歸樹模型(Regression Trees)由Breiman等人在1984年提出，是應(yīng)用廣泛的決策樹學(xué)習(xí)方法。由特征選擇、樹的生成及剪枝組成，既可以用于分類也可以用于回歸?；貧w樹算法流程類似于分類樹，分枝時(shí)窮舉每一個(gè)特征的每一個(gè)閾值，來尋找最優(yōu)切分特征j和最優(yōu)切分點(diǎn)s，衡量的方法是平方誤差最小化，分枝達(dá)到預(yù)設(shè)的終止條件(如葉子個(gè)數(shù)上限)就停止[32]。

1.7 評(píng)價(jià)指標(biāo)

選用決定系數(shù)(R2)、均方根誤差(RMSE)進(jìn)行分析檢驗(yàn)，其中R2表示模擬值與實(shí)測(cè)值的擬合優(yōu)度，其值越接近1，表示模型的參考價(jià)值越高；RMSE主要用于模型驗(yàn)證，反映了模擬值與真實(shí)值的偏離程度，其值越小，模型精度越高。指標(biāo)的計(jì)算公式：

2 結(jié)果與分析

2.1 遙感影像反射率特征

對(duì)Sentinel-2多光譜遙感影像各波段反射率在不同LAI值時(shí)的變化特征進(jìn)行分析，LAI值選取本研究中實(shí)測(cè)LAI最大值(LAI=2.62)、最小值(LAI=0.22)和平均值(LAI=1.01)的樣方所對(duì)應(yīng)的Sentienl-2多光譜反射率進(jìn)行對(duì)比，如圖2所示。3種不同LAI值情況下，光譜曲線均在400～700nm的可見光區(qū)域冠層反射率均呈現(xiàn)先上升再下降趨勢(shì)，在藍(lán)光波長450nm和黃光波長650nm左右有1個(gè)吸收谷，在綠光波長550nm左右有1個(gè)反射峰，這是因?yàn)橹参锶~片中葉綠素對(duì)藍(lán)光和紅光輻射吸收較強(qiáng)，對(duì)綠光輻射反射較強(qiáng)。在700～850nm的近紅外區(qū)間內(nèi)，反射率隨著波長增大而增大，此譜段急劇上升，具有陡而近于直線的形態(tài)，在紅邊波段850nm左右出現(xiàn)最大值，形成“紅邊”現(xiàn)象。主要原因是由葉片細(xì)胞結(jié)構(gòu)造成的，在這一區(qū)域，葉片結(jié)構(gòu)導(dǎo)致對(duì)光譜的反射和透射達(dá)到最大，吸收最小，所以出現(xiàn)反射峰。隨著LAI值增大，反射率數(shù)值上開始逐漸增大，光譜曲線的位置增高，這是由于隨著葉片大小、數(shù)量和層數(shù)的增加，光線在葉片的不同層面發(fā)生多次反射，光線除了在上層葉片形成反射以外，還可以透過上層葉片在下層葉片發(fā)生二次反射，導(dǎo)致植株總體反射率急劇上升。在850～2200nm區(qū)間，反射率隨著波長增大而減小，這是因?yàn)樵谶@一波長范圍內(nèi)，光線被植物葉片中的水分和二氧化碳吸收，導(dǎo)致反射率減小。

圖2 不同LAI值反射率變化規(guī)律圖

2.2 波段反射率及植被指數(shù)與LAI相關(guān)關(guān)系分析

Sentinel-2多光譜遙感影像的波段反射率及各類植被指數(shù)與枸杞LAI的皮爾遜相關(guān)性分析見表5。

表5 波段反射率及植被指數(shù)與實(shí)測(cè)LAI相關(guān)關(guān)系

對(duì)比各單波段反射率與LAI的相關(guān)性，可見光波段B1～B4和B11、B12波段與LAI呈負(fù)相關(guān)；紅邊參數(shù)波段B5～B7以及近紅外波段B8和B8a與LAI均在(P<0.01)水平呈極顯著相關(guān)且相關(guān)系數(shù)均大于0.6，其中近紅外波段B8相關(guān)性表現(xiàn)最佳，這與已有研究證實(shí)的LAI反演中紅邊參數(shù)波段及近紅外波段為敏感波段，以及LAI與這些波段的反射率呈極顯著線性相關(guān)關(guān)系的結(jié)論一致[39]。對(duì)比各類植被指數(shù)的表現(xiàn)發(fā)現(xiàn)，本研究所選植被指數(shù)與LAI均在(P<0.01)水平呈極顯著相關(guān)，其中紅邊參數(shù)植被指數(shù)IRECI與LAI相關(guān)性最好，具有最大的相關(guān)系數(shù)。

2.3 LAI估算模型構(gòu)建

隨機(jī)將樣方分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集60組，測(cè)試集20組。基于Sentinel-2多光譜遙感影像提取的波段反射率和計(jì)算的植被指數(shù)，本研究共建立3種數(shù)據(jù)輸入模式。模式1以波段反射率為自變量，對(duì)應(yīng)實(shí)測(cè)LAI值為因變量；模式2以植被指數(shù)為自變量，對(duì)應(yīng)實(shí)測(cè)LAI值為因變量；模式3以波段反射率和植被指數(shù)為自變量，對(duì)應(yīng)實(shí)測(cè)LAI值為因變量。將訓(xùn)練集數(shù)據(jù)驅(qū)動(dòng)MLR、SML、GPR、SVM、Rtree和Etree算法，進(jìn)行多次計(jì)算，分別統(tǒng)計(jì)各種算法決定系數(shù)(R2)最高的10次計(jì)算結(jié)果，并求算術(shù)平均數(shù)。結(jié)果見表6和圖3。

從表6、圖3可知，訓(xùn)練集數(shù)據(jù)中，在3種數(shù)據(jù)輸入模式中，GPR算法均表現(xiàn)了較強(qiáng)的預(yù)測(cè)能力，決定系數(shù)(R2)分別為0.803、0.668、0.699，均高于同模型中其它算法；對(duì)應(yīng)均方根誤差(RMSE)為0.402、0.453、0.441，均低于同模型中其它算法。

圖3 訓(xùn)練集中各輸入模式不同算法R2和RMSE箱線圖

表6 訓(xùn)練集中各輸入模式不同算法R2和RMSE統(tǒng)計(jì)

將訓(xùn)練好的模型帶入測(cè)試集中，統(tǒng)計(jì)3種數(shù)據(jù)輸入模式的決定系數(shù)(R2)和均方根誤差(RMSE)，結(jié)果如表7，箱線圖如4所示?？芍谧顑?yōu)的GPR算法，3種數(shù)據(jù)輸入模式中，基于波段反射率的模式1具有最好的反演精度，決定系數(shù)(R2)高于其它模式，均方根誤差(RMSE)低于其它模式。

表7 測(cè)試集中GPR算法各模式R2和RMSE統(tǒng)計(jì)

圖4 測(cè)試集中各輸入模式R2和RMSE箱線圖

3 結(jié)論

輸入模式的選擇對(duì)農(nóng)作物生理參數(shù)遙感反演的精度影響較大，各種機(jī)器學(xué)習(xí)算法預(yù)測(cè)精度差距較大，建立不同數(shù)據(jù)輸入模式和定量評(píng)價(jià)不同算法反演精度對(duì)農(nóng)作物生長遙感監(jiān)測(cè)意義重大。本研究利用Sentinel-2多光譜遙感衛(wèi)星數(shù)據(jù)及枸杞實(shí)測(cè)LAI數(shù)據(jù)，探討了Sentinel-2多光譜衛(wèi)星數(shù)據(jù)用于枸杞LAI估算的特點(diǎn)和精度。主要得到以下結(jié)論。

分析基于Sentinel-2多光譜數(shù)據(jù)提取的波段反射率和實(shí)測(cè)LAI值，可以得出在400～700nm可見光區(qū)域冠層反射率呈現(xiàn)先上升再下降趨勢(shì)，在700～850nm的近紅外區(qū)間內(nèi)，反射率隨著波長增大而增大，在紅邊波段850nm左右出現(xiàn)最大值，形成“紅邊”現(xiàn)象，在850～2200nm區(qū)間，反射率隨著波長增大而減小。

基于Sentinel-2多光譜衛(wèi)星數(shù)據(jù)提取的波段反射率和以此計(jì)算的植被指數(shù)，可見光波段B1～B4和B9～B12波段與LAI呈負(fù)相關(guān)；紅邊參數(shù)波段B5～B7以及近紅外波段B8和B8a與LAI呈極顯著相關(guān)，其中近紅外波段B8相關(guān)性表現(xiàn)最佳。對(duì)比各類植被指數(shù)的表現(xiàn)發(fā)現(xiàn)，植被指數(shù)與LAI均呈極顯著相關(guān)，其中紅邊參數(shù)植被指數(shù)IRECI與LAI相關(guān)性最好，具有最大的相關(guān)系數(shù)。

基于Sentinel-2多光譜衛(wèi)星數(shù)據(jù)提取的波段反射率和以此計(jì)算的植被指數(shù)，在劃分的訓(xùn)練集中，3種數(shù)據(jù)輸入模式下，GPR算法均表現(xiàn)較強(qiáng)的預(yù)測(cè)能力，具有最高的決定系數(shù)(R2)和最低的均方根誤差(RMSE)。將訓(xùn)練好的模型帶入測(cè)試集中，以波段反射率為數(shù)據(jù)輸入模式具有最好的反演精度。