高分一號影像水稻葉面積指數反演真實性檢驗

楊閆君，田慶久，黃彥，王磊，耿君，楊冉冉

(1.南京大學國際地球系統科學研究所，南京 210023；2.南京大學江蘇省地理信息技術重點實驗室，南京 210023)

高分一號影像水稻葉面積指數反演真實性檢驗

楊閆君1，2，田慶久1，2，黃彥1，2，王磊1，2，耿君1，2，楊冉冉1，2

(1.南京大學國際地球系統科學研究所，南京 210023；2.南京大學江蘇省地理信息技術重點實驗室，南京 210023)

為了解決常規衛星遙感葉面積指數真實性檢驗方法存在的破壞樣地植被、操作復雜、耗時費力，且難以用于對應大范圍的植被采樣等問題，該文以安徽省來安縣為研究區，利用實測水稻冠層光譜結合GF1-WFV傳感器進行光譜重采樣并計算水稻NDVI，基于此進行LAI反演建模，通過光譜計算的LAI反演結果對GF-1星多光譜遙感水稻LAI的反演結果進行真實性檢驗，并結合野外LAI觀測數據證明了該方法的有效性和可行性。研究表明，該方法操作簡單，準確度高，大大減少了野外試驗的工作量，為快速、準確獲取大量真實性檢驗數據及定量化應用提供了有效的途徑。

GF-1星；水稻冠層光譜；NDVI；LAI反演；真實性檢驗

0 引 言

葉面積指數(leaf area index，LAI)，即為單位水平地面上所有葉片表面積的一半或總葉片投影面積的一半[1]，作為陸地生態系統的一個十分重要的植被特征參量，能夠對植被冠層結構給出直接的量化指標[2]。LAI也是植被定量遙感的重要參數，在反演方法上主要是通過植被指數建立與其相關的模型實現[3]。20世紀70年代初，通過對植被光譜反射特性的研究，Wiegand等首次在植被LAI與實測光譜數據特征之間建立相關關系，為遙感反演植被LAI提供了可能[4]。隨后，利用特定的光譜波段進行組合建立不同植被指數的研究相繼出現，而且利用不同植被指數與LAI的相關關系進行LAI反演的研究也越來越多。1974年，Rouse在提出歸一化植被指數NDVI后[5]，基于NDVI與LAI關系進行植被葉面積指數反演的研究更加廣泛。Shibayama等通過試驗說明冠層光譜歸一化植被指數NDVI可以用于反演水稻葉面積指數等生物量[6]。宋開山等通過實測光譜，分析不同波段的作物光譜反射率，研究了NDVI等植被指數與LAI的相關關系，結果表明利用高光譜反射率構建的NDVI等指數與作物的LAI有著密切的相關性，對預測LAI的精度較高[7]。以上研究表明，利用植被實測冠層光譜進行LAI反演具有可行性。

衛星影像地物參數反演結果在應用之前需要對其進行真實性檢驗，衛星傳感器數據的真實性檢驗是遙感領域的一個重要發展方向[8]。由于衛星傳感器接收地物反射或者輻射的電磁波信息時會受到大氣條件等因素的影響，使得其接受到的信息與地表狀況不一致。因此，當直接利用衛星影像進行LAI反演時需要對反演結果進行真實性檢驗。地面觀測實驗是衛星傳感器數據真實性檢驗的基礎，它既要在地面獲取地面傳感器視場內定量遙感反演產品的真值，又要運用地面傳感器獲取模擬的遙感信號，建立模型或檢驗模型[9]。植物LAI的實地測量方法主要有直接測量法和間接測量法[10]。直接測量方法主要靠人工采集植被葉片進行測量計算，不僅操作復雜、費時耗力，采集樣本的代表性也較差，而且直接測量對植被與環境的破壞較大。間接測量法是用光學儀器測得LAI，減少了對植被的破壞，測量相對快捷，但儀器對光環境等條件要求較高，也限制了驗證數據的大量獲取。

一般來說，高分辨率遙感數據能更好地反映地表信息，但高分辨率影像有時又過高地反映了地表真實情況使得研究對象太復雜而失去了宏觀特征，反而不利于陸面參數的反演[11]。使得在實際應用中，中分辨率多光譜影像成為應用能力最強的作物長勢監測遙感數據源。我國GF-1星于2013年4月26日成功發射，其4天重訪周期和16m空間分辨率優勢為獲取時間序列數據、準確及時地對作物生長狀況進行監測提供了有利條件。但目前尚未有研究對GF-1衛星多光譜數據LAI反演的結果進行真實性檢驗評價分析，明確其在該領域的適用性。

1 地面觀測實驗

1.1 研究區概況

研究區位于安徽省東部的來安縣境內(圖1)，地理坐標為30°12′N～32°45′N，118°20′E～118°40′E。來安縣地勢平坦，河流眾多，水系發達，為大面積的水稻種植提供了豐富的水源，該地屬于北亞熱帶季風氣候區，光照充足，雨熱同季，對作物生長十分有利。此外，來安縣自古以來農業生產為主，水稻是來安縣種植面積最多的作物，全縣耕地總面積4.8×104ha，其中水田占4.3×104ha。該區域作物熟制是一年兩熟、稻麥輪作，水稻在5月中旬播種，6月中旬移栽。野外觀測實驗的時間為2013年7月10日、11日，與GF-1衛星影像獲取時間基本同步，在來安縣的水口鎮和汊河鎮汪波蕩農場選取樣地進行地面水稻冠層光譜及LAI的觀測，選取觀測樣地共29塊，其中光譜與LAI同步觀測樣地21塊用于建模分析，另外8塊LAI觀測樣地用于LAI反演驗證。

圖1 研究區樣地分布

1.2 實驗設計方案

(1)水稻冠層光譜觀測

水稻冠層光譜的測量采用美國ASD公司生產的Field Spec Hand Held 2型手持式光譜儀(儀器波長范圍：325nm～1075nm，采樣間隔：1nm，光譜分辨率：3.0nm，視場角：25°)，光譜采集選擇在風力小于3級，光照穩定，無卷云與濃積云的晴朗天氣下進行，測量時間為10∶00～14∶00，以保證太陽天頂角大于50°。

根據GF1-WFV影像的空間分辨率和實地考察情況，在研究區內盡量選擇水稻長勢具有分布梯度的稻田作為觀測樣地進行水稻冠層光譜測量。布設32m×32m大小的樣地共21塊，在每塊樣地沿著樣地東西方向的中心線上設置3個觀測樣點，樣點間隔為8m，這樣布設樣點可以保證至少有兩個樣點位于16m分辨率的高分影像同一個像元之內。每個樣點光譜重復觀測5次取平均作為該點的實測光譜數據，當同一個像元內包含3個樣點時，將每個樣點的光譜數據取平均后，再求3個樣點的均值作為該像元的實測光譜數據；當同一個像元內包含兩個樣點時，將每個樣點的光譜數據取平均后，再求兩個樣點的均值作為該像元的實測光譜數據；當像元內只有一個觀測樣點時，將該點觀測的5次光譜數據取平均作為該像元的實測光譜數據。根據樣地布設可以知道地面觀測數據對應高分影像的像元個數至少有21個，最多有42個，可以滿足用于LAI反演建模及反演結果的精度驗證。借助差分為1m的Mobile Mapper GPS記錄樣點的坐標，每塊樣地布設如圖2所示。在測量過程中，光譜儀保持水平，傳感器探頭垂直向下，高度保持在冠層上方1.2m附近，每個樣點重復記錄5條光譜曲線，且每半小時用參考板對儀器進行一次校正以消除環境變化所帶來的影響。

圖2 觀測樣地布設

(2)水稻LAI觀測

LAI采用美國LI-COR公司生產的植物樹冠分析儀(LAI-2000)測定，LAI-2000是通過“魚眼”光學感應傳感器從5個不同角度的天頂角方向測定冠層上下光強的變化，并通過輻射傳播模型進行計算。LAI觀測與光譜測量同步進行，選在光譜觀測當天日出日落時進行，盡可能避免直射陽光，采用180°視角的遮蓋帽有效地避免了觀測者自身的影響。LAI的觀測樣地與冠層光譜測量樣地一致，每塊樣地觀測3個樣點，并記錄樣點的GPS坐標，樣地布設方法同上，用于LAI反演建模。觀測中要保證傳感器鏡頭未被植被遮擋，保持儀器探頭水平，在每個樣點重復測量2次，求平均值作為該點的實測LAI。注意測定A值的時間和地點應該盡可能接近B值的測定條件。

2 數據預處理

2.1 GF-1星遙感影像預處理

GF-1星多光譜影像獲取時間為2013年7月12日(水稻分蘗期)，8月30日(水稻抽穗期)，影像是從中國衛星資源中心得到，在晴天獲取，研究區沒有云覆蓋，是經過相對輻射校正和系統幾何校正處理后的2級數據產品，星下點分辨率16m，4臺WFV組合幅寬800km，影像文件為DN值產品，具有4個波段(藍光：0.45μm～0.52μm，綠光：0.52μm～0.59μm，紅光：0.63μm～0.69μm，近紅外：0.77μm～0.89μm)，數據格式為GeoTiff。對獲取的兩幅GF1-WFV影像使用ENVI 4.8軟件進行輻射定標、大氣校正、幾何精校正、NDVI和NDWI(歸一化水體指數)計算等處理。

首先，根據定標公式和定標系數進行輻射定標，利用絕對定標系數將DN值圖像轉換為輻亮度圖像的公式為：

L=DN/g+L0

(1)

其中，L為輻亮度，g為絕對定標系數增益，L0為偏移量，轉換后輻亮度單位為W/(m2*μm*sr)。

使用FLAASH模塊進行大氣校正，由于輻射定標后數據單位是W/(m2*μm*sr)與FLAASH要求的單位(μW)/(cm2*nm*sr)相差10倍，因此在大氣校正前需要設置縮放系數為10。大氣模型(Atmospheric Model)需要根據研究區的經緯度和影像獲取時間進行選擇，本文所用數據屬于中緯度夏季，所以選擇MLS(Mid-Latitude Summer)模型。波譜響應文件選擇時，使用波譜曲線來描述波譜響應函數，x軸為波長(單位：nm)，y軸為波譜響應值，如圖3所示。

圖3 GF1-WFV2波譜響應函數曲線

根據實地調查記錄的地面控制點坐標，在Map Registration模塊使用二次多項式法進行幾何精校正，舍棄誤差較大的點，保證用于幾何校正的控制點至少為25個，誤差控制在1個像元之內。

利用來安縣的矢量邊界對幾何校正之后的影像進行裁剪，得到只包含來安縣范圍的兩幅反射率影像。

最后，對所得來安縣范圍的GF-1反射率影像計算NDVI和NDWI，計算公式如下：

NDVI=(NIR-R)/(NIR+R)

(2)

其中，NIR代表近紅外波段的反射值，R代表紅光波段的反射值。

NDWI=(B-NIR)/(B+NIR)

(3)

其中，B代表綠光波段的反射值，NIR代表近紅外波段的反射值。

2.2 光譜數據重采樣

利用光譜儀后處理軟件View Spec Pro對采集的光譜數據進行預處理，根據顯示每個樣點記錄的5條光譜曲線，剔除其中明顯異常的數據，對每個樣點剩余的光譜數據求平均，計算所有樣點的平均光譜曲線，最后將結果輸出為文本文件以便后續計算。

(4)

其中，ρi是待擬和波段的光譜反射率，fi(λ)是待擬和波段的光譜響應函數，ρ(λ)是實測光譜各波長處的反射率，λmax和λmin分別是光譜波段取值范圍的上下界。

根據公式(4)將實測水稻冠層光譜進行重采樣，計算得到水稻冠層紅光和近紅外兩個波段的真實反射率，由此計算出所有實測樣點的NDVI。

2.3 水稻LAI數據處理

利用FV2200軟件對實測的LAI進行處理，儀器光圈角度共有5個：7°、22°、38°、52°、68°，光圈環在68°時有可能探測不到葉子，為了保證計算精度將其舍掉。在計算LAI時，FV2200軟件默認的是以最接近B值的A值進行計算，天空光穩定時，一組A值可以用于計算若干B值，最后存儲成文本格式輸出，再將每個樣點兩次觀測值取平均作為該點的LAI值。

2.4 來安縣水稻覆蓋區域提取

由于影像中不僅有水稻，還包含了其他地物，為避免其他地物對反演結果造成干擾，在建立模型之前先進行水稻作物覆蓋區域的提取。利用兩個時期的NDVI和NDWI特征對影像中水稻信息進行提取，所有地物被分為水稻和非水稻兩種，然后利用ENVI 4.8的掩膜技術對非水稻進行0值處理，提取出水稻分布如圖4所示。

圖4 來安縣水稻信息分布

3 GF-1影像水稻LAI反演

遙感反演模型通常建立在實測數據之上，由于實測數據的觀測范圍大約是1m×1m，而GF-1星影像空間分辨率為16m，推測觀測尺度的差異可能對模型建立產生一定的誤差。但已有研究表明，連續植被區域的尺度效應是很小的，稀疏植被區域的尺度效應相對較大[15]。當反演函數為線性或者地表數據測量值均一時，地表參數的反演不存在尺度效應[16]。由于水稻作物長勢相對均一，且LAI反演模型為線性關系，所以尺度效應可以忽略不計。

水稻LAI反演選擇在分蘗期，由于該時期水稻長勢分布有一定程度差異，利于提高模型構建的精度。根據影像預處理得到的來安縣水稻NDVI圖像，結合實測點坐標提取觀測樣點的水稻NDVI值，利用有實測光譜及實測LAI數據的21塊水稻樣地進行LAI的分析反演建模，21塊觀測樣地在高分WFV影像上對應了33個像元，去除異常值后選取其中28組數據分析樣點NDVI與實測LAI關系，如圖5所示。

圖5 GF1-NDVI與實測LAI關系

從上圖可以看出，由GF-1影像計算的水稻NDVI值與實測水稻LAI有較高的相關性，R2達到了0.67。由此，基于GF-1影像提取的NDVI建立水稻作物的LAI反演模型為：

LAI=4.84*NDVI-1.26

(5)

將基于GF-1多光譜影像的LAI反演模型應用到水稻NDVI圖像中進行空間量化表達，反演來安縣的水稻LAI，并利用ARCGIS軟件對其進行制圖，如圖6所示。

4 反演結果真實性檢驗

4.1 實測光譜反演LAI

由于衛星傳感器接收地表信息時會受到大氣影響，雖然影像是經過大氣校正，但校正采用的大氣標準模型大氣實際情況并不能完全相符，而實測光譜數據采集時不經過大氣，相對于GF-1影像計算的NDVI會更加準確，因此采用實測光譜數據重采樣計算的NDVI建模反演水稻LAI，據此對GF-1影像LAI反演結果進行真實性檢驗。實測光譜模擬WFV重采樣得到紅光、近紅外波段反射率后，根據NDVI計算公式得到觀測點的NDVI值，選用與公式(5)所示模型相同的21塊觀測樣地，結合實測LAI選取其中17組數據建立基于實測光譜數據的NDVI-LAI關系，如圖7所示。

圖7 光譜計算的NDVI與實測LAI關系

從以上關系圖可以看出，實測水稻冠層光譜重采樣計算得到的NDVI與實測LAI之間有著更高的線性相關關系，其R2達到了0.75，因此，利用基于實測冠層光譜構建水稻LAI反演模型：

LAI = 2.73 *NDVI-0.25

(6)

將基于實測光譜建立的LAI反演模型應用到水稻NDVI圖像中進行空間量化表達，進行水稻LAI反演。

4.2 結果真實性檢驗

在進行GF-1多光譜遙感LAI反演結果真實性檢驗時采用均方根誤差RMSE對其分析，其定義為：

(7)

先將基于實測光譜反演的LAI結果結合野外實測LAI對反演精度進行驗證，根據8塊驗證樣地，選取11組數據對基于實測光譜反演的LAI進行驗證(圖8)，其中RMSE為0.31，R2達到0.75，說明光譜反演的精度比較高，可以用于GF-1反演結果的驗證。然后結合野外考察記錄的坐標點，將實測光譜反演得到的LAI與GF-1影像反演的相同坐標點LAI值進行數據擬合分析，利用實測光譜反演的結果對GF-1影像反演的LAI結果進行真實性檢驗(圖9)，因為反演結果LAI圖像的分辨率都是16m，所以在兩者比較時不存在尺度差異。從兩者比較來看，均方根誤差為0.21，相關系數達到0.9，擬合效果很好，真實性檢驗結果精度比較高，說明經過大氣校正后GF-1多光譜影像反演LAI的效果比較好，大氣效應對其影響并不明顯。

圖8 實測光譜反演LAI的精度驗證

圖9 真實性檢驗的相關關系

5 結束語

常規的LAI真實性檢驗方法樣本采集困難，野外操作復雜，需要耗費大量的人力物力，而且難以獲取大量的觀測數據，因此本文采用實測冠層光譜重采樣建模反演的LAI進行驗證，可以快速準確地獲取更多的LAI數據，為GF-1的LAI反演結果進行真實性檢驗提供有效支持。

衛星傳感器在接收地面數據時需要穿過大氣層，受大氣條件影響使得接收到的信息與地表真實情況出現差異，雖然影像經過大氣校正處理，但校正所用的標準大氣與實際情況可能并不完全相符，相比地面實測數據會有一定程度差異，而實測冠層光譜數據不需要經過大氣作用直接得到真實地表反射率，避免了大氣的影響。利用實測冠層光譜模擬GF1-WFV重采樣得到可以地表真實反射率數據，基于此計算NDVI建模反演獲得LAI的可靠性更強，因此文中利用實測冠層光譜模擬GF1-WFV重采樣計算NDVI與GF-1多光譜影像計算NDVI分別進行LAI反演建模，控制兩者其他反演條件相同，只有建模所用NDVI不同，一是來自實測光譜重采樣，二是來自GF-1影像，利用實測光譜反演結果對基于GF-1多光譜影像建模的反演結果進行真實性檢驗，可以評價GF-1多光譜影像進行LAI反演的準確性。

由于作物長勢分布相對均一，稻田地勢也比較平坦，野外觀測都是選在成片稻田區域，所以尺度差異的影響在水稻作物LAI反演中并不是很大。但是，本文的研究對象是水稻，如果換作其他植被，尺度問題可能會成為影響反演精度的重要因素，而且不同的植被類型、相同植被的不同生長期尺度問題的影響效應也可能會不同，這需要進一步研究。

GF-1衛星影像4天重訪周期的高時間分辨率和16m的空間分辨率為植被LAI反演提供了可靠的數據支持，與傳統方法比較大大地減少野外試驗的工作量，體現了GF-1衛星多光譜數據在農作物LAI反演中的應用價值及優勢。

[1] CHENJM，BLACKTA.Defining leaf area index for non-flat leaves[J].Plant Celland Environment，1992，15：421-429.

[2] 李淑敏，李紅.PROSAIL冠層光譜模型遙感反演區域葉面積指數[J].光譜學與光譜分析，2009(10)：2725-2729.

[3] LI K L，JIANG J J，MAO R Z，et al.The modeling of vegetation through leaf area index by means of remote sensing[J].Acta Ecologica Sinica，2005，6：1491-1495.

[4] WIEGAND C L，GAUSMAN H W，CUELLAR J A，et al.Vegetation density as deduced from ERST-1MSS response[A].Third ETRS Symposium，1974：93-116.

[5] ROUSE J W，HAAS R H，SCHELL J A etal.Monitoring the vernal advancement and retrogradation of natural vegetation[R].NASA/GSFC，Type，Final ⅢReport，Greenbelt，MD，USA，1974：1-371.

[6] SHIBAYAMA M，AKIYAMA T.Seasonal visible，near-infrared and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry phytomass.[J] Remote Sensing of Environment，1989，27：119-127.

[7] 宋開山，張柏，王宗明，等.基于人工神經網絡的大豆葉面積高光譜反演研究[J].中國農業科學，2006，39(6)：1138-1145.

[8] JUSTICE C，BELWARD A，MORISETTE J，et al.Developments in the ‘validation’ of satellite sensor products for the study of the land surface[J].International Journal of Remote Sensing，2000，21(17)：3383-3390.

[9] 張仁華，田靜，李召良，等.定量遙感產品真實性檢驗的基礎與方法[J].中國科學地球科學，2010，40(2)：211-222.

[10] WU W B，HONG T S，WANG X P，et al.Advancing round based LAI measurement methods[J].Journal of Hua Zhong Agricultural University(Natural Science Edition)，2007，26(2)：270-275.

[11] 李小文.地球表面時空多變要素的定量遙感項目綜述[J].地球科學進展，2006，21(8)：771-780.

[12] ZHANG T，DING J L，WANG F.Simulation of image mult-spectrum using field measured endmember spectrum[J].Spectroscopy and Spectral Analysis，2010，30(11)：2889-2893.

[13] YE Z T，GU X F.Simulation of remote sensing images based on MIVIS data[J].Acta Geodaetica et Cartographica Sinica，2000，29(3)：235-239.

[14] 劉綏華，晏磊.光譜參數對基于光譜重構的高光譜數據模擬的影響[J].光譜學與光譜分析，2013，(2)：513-516.

[15] 劉艷，王錦地，周紅敏，等.黑河中游試驗區不同分辨率LAI數據處理，分析和尺度轉換[J].遙感技術與應用，2010，25(6)：805-813.

[16] 張萬昌，鐘山，胡少英.黑河流域葉面積指數(LAI)空間尺度轉換[J].生態學報，2008，28(6)：2495-2503.

Validation of Rice Leaf Area Index Inversion on GF-1 Satellite Remote Sensing Imagery

YANG Yan-jun1，2，TIAN Qing-jiu1，2，HUANG Yan1，2，WANG Lei1，2，GENG Jun1，2，YANG Ran-ran1，2

(1.InternationalInstituteforEarthSystemScience，NanjingUniversity，Nanjing210023；2.JiangsuProvincialKeyLaboratoryofGeographicInformationScienceandTechnology，NanjingUniversity，Nanjing210023)

Validation of satellite remote sensing leaf area index (LAI) products is the important technical link of quantitative applications of vegetation LAI inversion on satellite remote sensing.Conventional validation methods are mostly based on vegetation leaf collection from field，or through direct measurement by instruments.It not only causes damage to vegetation samples，and operation is complex，time-consuming.It is also difficult to use for the sample corresponding to a wide range of vegetation.To solve the above problems，this paper takes Lai'an in Anhui Province as the research area.Combined GF1-WFV sensor to resample the mea measured spectra of rice canopy for NDVI computing，based on this to conduct LAI inversion model.Then using the results of LAI inversion from spectra computing to validate the results of rice LAI inversion on GF-1 satellite multispectral remote sensing，and combined with field LAI data to demonstrate the effectiveness and feasibility of this method.Study shows that this method is simple，accurate，and it can greatly reduce the workload of the field experiments.It also provides an effective way for quickly and accurately getting a lot of validation data and quantitative applications.

GF-1 satellite；rice canopy spectra；NDVI；LAI inversion；validation

2014-09-01

2014-11-25

國家科技重大專項(30-Y20A01-9003-12/13)；國家重點基礎研究發展計劃項目(2010CB951503)。

楊閆君(1992—)，女，博士研究生，研究方向為高光譜遙感與遙感信息定量化、遙感信息產品的真實性檢驗。

E-mail：yangyanjun0726@163.com

田慶久(1964—)，男，教授，研究方向為高光譜遙感與遙感信息定量化研究。

E-mail：tianqj@nju.edu.cn

10.3969/j.issn.1000-3177.2015.05.010

TP79

A

1000-3177(2015)141-0062-07