GF-6 WFV光譜植被指數(shù)模型的葉面積指數(shù)反演

王梟軒，盧小平*，孟慶巖，李國清，王 俊，張琳琳，楊澤楠

1. 河南理工大學自然資源部礦山時空信息與生態(tài)修復重點實驗室，河南 焦作 454000 2. 中國科學院空天信息創(chuàng)新研究院，北京 100101 3. 三亞中科遙感研究所，海南 三亞 572029 4. 河南省遙感測繪院，河南 鄭州 450000

引 言

葉面積指數(shù)(LAI)是植被冠層結構最重要的生物物理參數(shù)之一[1]，它通常定義為單位地表面積上所有葉片面積之和的一半，它是反映植被個體特征和群體特征長勢的關鍵指標，控制著地表植被的許多生物及物理過程[2]，因此，LAI的準確估算對作物長勢、 產量預估和環(huán)境監(jiān)測等具有重要的意義。

目前，國內外多數(shù)學者對LAI反演主要采用物理模型和傳統(tǒng)光學植被指數(shù)模型兩種方法。 其中，物理模型包含輻射傳輸?shù)奈锢砟Ｐ秃陀嬎銠C模型，輻射傳輸模型中具有代表性的是SUITA模型、 SAIL模型、 PROSPECT模型和PROSAIL模型等。 Jacquemoud等[3]通過分析冠層生物物理和輻射傳輸模型，對PROSAIL模型的歷史進程進行了分析。 Duan等[4]基于高光譜無人機遙感影像數(shù)據(jù)，采用PROSAIL輻射傳輸模型結合LUT查表的方法對玉米、 馬鈴薯和向日葵三種作物葉面積指數(shù)進行反演； Li等[5]利用基于PROSAIL的檢索表，GF-1遙感影像數(shù)據(jù)，為冬小麥品種特征和分布提供了先驗知識，并利用光譜反射率結合15種植被指數(shù)反演得到不同物候期的葉面積指數(shù)，研究表明： 在不同生育期選擇合適的反演模型和策略可以大大提高反演效果。 計算機模型具有代表性的如神經網絡模型、 極限學習機模型和隨機森林模型等，如劉俊等[6]采用BP神經網絡模型反演了玉米LAI，證明了BP神經網絡反演LAI的準確性； 賈潔瓊等[7]利用隨機森林結合PROSAIL模型反演LAI，證明了該模型能有效對農作物LAI進行監(jiān)測； 雷宇斌等[8]采用極限學習機的方法反演道路植被LAI。 上述兩種物理模型機理性強，使用的植被類型和空間范圍更廣，但模型參數(shù)較多且難獲取，存在模型反演的病態(tài)問題。 傳統(tǒng)光譜植被指數(shù)模型能夠有效解決構造模型參數(shù)較多的問題，便于構建。 如Soudani等[9]基于IKONOS、 SPOT和ETM+等3種遙感影像數(shù)據(jù)結合5種植被指數(shù)模型研究溫帶針葉林和落葉林葉面積指數(shù)反演； Liu等[10]利用植被指數(shù)半經驗模型綜合分析了農作物在不同生育期的擬合精度； 賀佳等[11]通過不同植被指數(shù)回歸模型反演冬小麥LAI； 趙虎等[12]利用5種植被指數(shù)回歸模型對小麥LAI反演； 李軍玲等[13]采用紅邊面積與藍邊面積的歸一化指數(shù)反演冬小麥LAI。 上述傳統(tǒng)光學植被指數(shù)的經驗模型雖然能夠及時有效、 無損害的監(jiān)測作物長勢，但機理性較弱，穩(wěn)定性較差。

綜上所述，雖然大部分國內外學者采用傳統(tǒng)光譜植被指數(shù)模型或物理模型反演葉面積指數(shù)，但物理模型有反演病態(tài)的問題，傳統(tǒng)光學植被指數(shù)模型會產生農作物機理的問題。 針對物理模型反演易產生病態(tài)問題，本工作基于我國國產自主衛(wèi)星GF-6 WFV遙感影像，采用光譜植被指數(shù)模型反演乳塾期玉米LAI，同時引入紅邊波段參與建模，以增強模型穩(wěn)定性。 紅邊波段范圍在680～760 nm，是介于紅波段到近紅外波段，能有效指示農作物生長狀況的敏感性光譜波段。

1 實驗部分

1.1 實驗區(qū)概述

實驗區(qū)位于冀中平原西部的河北省石家莊市東南部欒城縣(37°47′34″—37°59′20″N，140°28′36″—114°47′35″E)，地勢平坦，整體由西北向東南傾斜，平原為主要地形，如圖1所示。 這里氣候溫和，年平均氣溫12.8 ℃，年降水量423.7 mm，屬溫帶大陸性季風氣候，光熱充足，雨熱同季，有利于農作物生長。

圖1 實驗區(qū)采樣點圖Fig.1 Sampling sits of the experimental area

1.2 影像數(shù)據(jù)及預處理

高分6號多光譜遙感影像(GF-6 WFV)來源于中國資源衛(wèi)星應用中心網，過境時間2019年10月08日與LAI采集時間基本一致，正好滿足乳熟期玉米的時節(jié)，能更加有效的和準確的反應作物長勢。 其包含8個波段，空間分辨率16 m，寬幅800 km，重訪日期2 d，如表1所示。 同時對影像進行輻射定標，大氣校正和正射校正。 輻射定標采用中國資源衛(wèi)星應用中心下載的絕對定標系數(shù)，大氣校正采用ENVI 5.3中的FLAASH大氣校正模塊，為獲得地表真實反射率，正射校正采用DEM高程數(shù)據(jù)進行，使影像更加精確、 清晰。

1.3 實測數(shù)據(jù)

采用美國LI-COR LAI-2200C植物冠層分析儀，采集日期為2019年9月22日—29日上午07：30—09：30(基本與高分6號衛(wèi)星過境時間一致) ，選取玉米樣方的數(shù)量為50個，尺寸為16 m×16 m，并在其中挑選長勢相同的3個點，所有樣方都應當遠離樹木及建筑，還有道路，最少要保持30 m的距離，采樣的時候需遮擋陽光，采用LAI-2000測量，具體來講就是利用180°遮蓋帽，之所以如此是為了確保測量不出現(xiàn)誤差。 不僅如此，還要調整好實測地面和儀器之間的距離，按照標準應當保持5 cm，目的是確保玉米冠層和儀器的

表1 GF-6衛(wèi)星WFV遙感影像Table 1 Remote sensing images of GF-6 WFV satellite

表2 光譜植被指數(shù)計算公式Table 2 Spectral vegetation indices

視角范圍之間不產生誤差。 為了防止葉面積指數(shù)測量誤差，對各個樣點的葉面積指數(shù)測量4次，取平均值。 同時，利用美國GPS定位儀實時記錄每個玉米樣點的經緯度。

1.4 方法

1.4.1 光學植被指數(shù)

光學植被指數(shù)就是根據(jù)地面實測的葉面積指數(shù)與光學遙感中的光譜數(shù)據(jù)或者變換行式(植被指數(shù))建立回歸分析模型。 采用這些植被指數(shù)可以用來估算葉面積指數(shù)，并監(jiān)測植被長勢。 通過選取6種典型抗飽和、 抗土壤和大氣光學植被指數(shù)與實測葉面積指數(shù)建立回歸模型。 同時考慮到GF-6 WFV遙感影像包含兩個紅邊波段能更好的反演LAI，因此將其融入上述6種光學植被指數(shù)模型，構造出新的光學植被指數(shù)，植被指數(shù)計算公式如表2所示。

1.4.2 精度評定指數(shù)

通過精度評定可以有效的評價出植被指數(shù)與實測葉面積指數(shù)的擬合狀況，得到最優(yōu)的反演模型，即該模型反演的影像值和與其對應的實測值相一致。 選取決定系數(shù)(coefficient of determination，R2)和均方根誤差(root mean square error，RMSE)作為評價指標，如式(1)和式(2)所示

(1)

式(1)中，y為實測生態(tài)參數(shù)值，yi為估算生態(tài)參數(shù)值，yc為實測生態(tài)參數(shù)平均值。

(2)

式(2)中，yi為預測值，yc為實測值，n為樣本個數(shù)。

2 結果與討論

2.1 相關性紛析

在擬合回歸分析前，首先對光譜指數(shù)與LAI進行相關性分析，如表3所示。 根據(jù)分析結果可知，總體上20種光譜植被指數(shù)與LAI具有顯著相關性，相關系數(shù)在0.4以上。 其中，具有紅邊參與構造的光譜指數(shù)相關性要高于無紅邊參與構造的光譜指數(shù)，尤其是NDSI3的相關性最高，達到0.881 0。

表3 光譜植被指數(shù)與乳熟期玉米LAI的相關系數(shù)Table 3 Correlation coefficient types between spectralvegetation index and LAI of maize at milk stage

2.2 LAI反演擬合模型分析

基于GF-6 WFV衛(wèi)星遙感影像采用2.1節(jié)中提到的20種光譜指數(shù)與實測LAI建立光譜植被指數(shù)模型，如圖2所示。

圖2 光譜植被指數(shù)模型驗證Fig.2 Verification of spectral vegetation index model

從圖2可知，基于GF-6 WFV遙感影像構造的光譜植被指數(shù)與LAI呈現(xiàn)顯著正相關，R2在0.51以上，說明整體擬合效果較好。 其中NDS13的擬合精度是最高的，R2為0.803，RMSE為0.301 2。 主要是由于該模型有兩種紅邊波段構成，對LAI的解釋能力較優(yōu)。 綜上所述，由紅邊參與構造的光譜植被指數(shù)與LAI擬合精度要高于未用紅邊參與構造的光譜植被指數(shù)，有利于葉面積指數(shù)的反演。

2.3 LAI反演空間分析

LAI對農作物長勢分析、 產量預估和環(huán)境監(jiān)測有著巨大的作用。 利用NDSI3光譜植被指數(shù)模型反演乳熟期玉米LAI，如圖3所示。

從圖3可知，從數(shù)值上分析，通過模型估算出來的LAI集中分布在2～3之間，接近于實測LAI值。 從空間分布上分析，玉米LAI的高值區(qū)主要分布在中部和南部地區(qū)，低值區(qū)分布在西北部，符合當?shù)氐膶嶋H情況。 但是東南部存在異常點，主要是受到城區(qū)道路和建筑物的影響，受到混合像元的影響。

圖3 NDSI3光譜植被指數(shù)模型反演乳熟期LAIFig.3 NDSI3 spectral vegetation index model inversionfor LAI of corn at milk stage

2.4 模型驗證

為了驗證模型的準確性，將構建模型以外的20個實測LAI點與基于GF-6 WFV影像NDSI3模型反演的LAI進行回歸分析，同時采用R2和RMSE進行精度評價，如圖4所示。

圖4 NDSI3模型驗證Fig.4 NDSI3 model validation

從圖4可知，實測LAI與NDSI3模型反演的LAI整體擬合較好，R2為0.804，RMSE為0.312 5，說明該模型能有效反演乳熟期玉米的生長狀況。

2.5 MODIS LAI 驗證

為了更加準確的驗證模型的實用性，采用NDSI3模型反演得到乳熟期LAI的影像重采樣到1 km，并隨機抽取100個點。 將GF-6 WFV影像反演得到的葉面積指數(shù)值(LAIGF-6)與對應點的MODIS影像產品MOD15A2(LAIMODIS)進行回歸擬合，并分析兩者的相關性，如圖5所示。

圖5 交叉驗證Fig.5 Cross validation

從圖5可知，乳熟期玉米LAIGF-6與LAIMODIS有較好的一致性，R2為0.676 5，RMSE為0.248 6。 同時，對這100個點進行均值分析可知，LAIGF-6均值為2.1，LAIMODIS均值為2.9，說明定量化差異對本次實驗影響較小，LAIMODIS均值要高于LAIGF-6，主要是由于MODIS影像像元混合嚴重和空間分辨率低有關。

3 結 論

利用實測LAI與GF-6遙感影像構建了5種光學植被指數(shù)和15種光譜植被指數(shù)對乳熟期玉米LAI進行了反演分析，得出以下結論：

(1)15種光譜植被指數(shù)和5種光學植被指數(shù)都與LAI達到了顯著相關，紅邊參與構造的15種光譜植被指數(shù)相關性高于5種光學植被指數(shù)，其中歸一化差值光譜指數(shù)3與乳熟期玉米LAI相關性最高。

(2) 通過擬合回歸可以得出，15種光譜植被指數(shù)與乳熟期玉米LAI較5種光學植被指數(shù)擬合精度高。 通過反演結果圖可知，并未出現(xiàn)過擬合的現(xiàn)象。 因此，可以有效證明歸一化差值光譜指數(shù)3能有效反演乳熟期玉米LAI。

(3) 通過MODIS LAI產品驗證可知，在反演精度要求不高時，MODIS產品可以有效反演玉米LAI，監(jiān)測玉米長勢。 當反演精度要求較高時，GF-6遙感影像可有效反演玉米LAI，成為監(jiān)測玉米長勢的重要數(shù)據(jù)源。

綜上所述，由GF-6 WFV構建的歸一化差值光譜指數(shù)3能有效反演乳熟期玉米LAI，為玉米長勢監(jiān)測提供依據(jù)。 但由于受影像獲取時間和野外觀測條件的限制，本研究只是對乳熟期玉米的葉面積指數(shù)進行了研究，接下來應盡可能從玉米全生育期的角度，分析該方法的適用性和精度驗證。