基于高分一號數據的PROSAIL模型葉面積指數反演

葉　舒，范文義*，孟慶巖

(1.東北林業大學 林學院，哈爾濱150040；2.中國科學院 遙感與數字地球研究所，北京100101)

?

基于高分一號數據的PROSAIL模型葉面積指數反演

葉舒1，范文義1*，孟慶巖2

(1.東北林業大學 林學院，哈爾濱150040；2.中國科學院 遙感與數字地球研究所，北京100101)

摘要：使用PROSPECT-5與4SAIL相結合的PROSAIL模型，以高分一號衛星數據為基礎數據，進行葉面積指數反演。由于實驗區受冰雹災害影響，玉米長勢不一，因此通過對健康葉片和枯黃葉片的實測光譜進行線性混合，模擬不同長勢玉米葉片的實際光譜。將混合系數和LAI劃分成若干等級，使用PROSAIL模型建立葉片生理參數、葉面積指數和高分一號4個波段反射率值的查找表。研究結果表明，葉面積指數反演的平均精度為60.59%，并且反演葉面積指數與實測葉面積指數具有線性回歸關系。

關鍵詞：高分一號衛星；PROSAIL模型；葉面積指數；混合光譜

0引言

葉面積指數(Leaf Area Index，LAI)是控制植被冠層生理過程的一個重要參數[1]。葉面積指數定義為單位地表面積上的單面總葉面積[2]，葉片投影面積[3]或單位地表面積上總截留面積的一半[1]。PROSAIL模型由葉片層面的PROSPECT模型和冠層層面的SAIL模型耦合而成，PROSPECT模型描述了葉片的光學特性，而SAIL模型將這種光學特性與冠層的方向反射率聯系起來，使之能夠用于遙感反演。PROSPECT模型是模擬葉片反射率和透射率方面的先驅，而SAIL模型作為最早的冠層反射模型之一，在遙感領域獲得了廣泛應用[5]。PROSAIL模型不僅在理論上被證明具有可反演性[6]，還在包括玉米[7]在內的多種植被[8-10]上得到了應用和驗證[11-12]。

遙感以其大面積、快速、動態的優勢在宏觀生態研究中得到了廣泛應用[13]，而隨著我國自主高分系列衛星的發射，如何對小尺度上的高空間分辨率數據進行定量分析必然將會獲得更多關注。由于多光譜遙感數據的波段有限，限制了同時對多個變量的反演，而PROSAIL模型中的參數又較多，因此在以往的反演中一般將反演值以外的其他值固定[14]。但在實際研究中，不可能所有的葉片都具有相同的光學特性，本研究致力于探索PROSAIL模型反演葉面積的這一問題。由于本研究使用SAIL模型，因此采用SAIL模型中對葉面積指數的定義，即單位冠層面積上的單面總葉面積[4]。

1研究方法

1.1實驗區概況

實驗區(40°19′N，115°46′E)位于河北省張家口市懷來縣東花園鎮，臨近官廳湖，主要種植作物為玉米，間種少量果蔬和向日葵。東花園鎮距北京市區70 km，地形為半山川、半丘陵，氣候為溫帶大陸性季風氣候，土壤肥沃，水、電資源充足，交通便利。

1.2數據

1.2.1遙感數據

遙感數據來自GF-1衛星的PMS1傳感器，軌道號12601，景號1 538 703，獲取時間為2015年8月28日11：44：15，空間分辨率為8 m，云量為3%。采用ENVI中的FLAASH模型對圖像進行了輻射校正和大氣校正。

1.2.2樣地數據

在實驗區內取樣方大小為2 m×2 m的樣點10個，分別測量這10個樣點的地理坐標、株高，采集玉米樣本并對樣地進行拍照。使用SVC HR-1024光譜儀測量玉米葉片和土壤光譜，測量每個樣點前使用參考板對光譜儀進行校正。在早晨和黃昏使用LAI-2000進行葉面積指數測量。

1.3葉面積指數的反演模型

1.3.1葉片生理參數反演方法

Vohland等使用迭代數值優化、人工神經網絡和查找表三種反演方法對PROSAIL模型進行反演，結果表明迭代數值優化的反演精度最高，查找表其次，人工神經網絡最低[15]，因此本研究選擇使用迭代數值優化方法對葉片生理參數進行反演。

1.3.2PROSAIL模型

PROSPECT-5對PROSPECT模型的改進為[16]：①引入了葉片表面粗糙度σ，對于大部分葉片，其對應的最大入射角α在0～40°之間；②使用反射率最大(λ1)、透射率最大(λ2)和吸收率最小(λ3)3處波長的反射率和透射率對葉肉結構參數N進行校正；③使用鮮葉計算折射指數n；④直接計算吸收系數，避免了數值不穩定性；⑤使用LOPEX、CALMIT、ANGERS和HAWAII 4個數據庫對模型進行校正和驗證，這些數據庫中包含了不同生態系統類型中采集的不同種類、不同生長階段植物的上百葉片；⑥將總葉綠素和總類胡蘿卜素分開，改善了對色素含量低的葉片的葉綠素反演。

4SAIL對SAIL模型的主要改進有[17]：①增加了熱點參數(繼承自SAILH)；②避免了奇異點；③雙精度；④速度優化。

本研究中對PROSAIL模型各參數的設置見表1，其中葉片組分含量范圍的設置主要參考LOPEX、CALMIT、ANGERS和HAWAII 4個數據庫的實測值，平均葉傾角由觀測獲得，熱點參數由冠層平均高度和葉片平均長度計算，土壤系數使用實測土壤光譜計算，太陽天頂角、觀測天頂角和方位角由圖像獲得，天空散射光比例依據當天的天氣設置。

表1　PROSAIL模型參數設置Tab.1 Parameter settings of PROSAIL

1.3.3玉米光譜的模擬

由于實驗區受冰雹災害影響，加之部分土地缺乏管理，玉米長勢不均，因此測得的光譜不具有代表性。為了解決這一問題，本研究選取了長勢較好和長勢較差的2條實測玉米光譜進行混合，其中R1和R2為實測光譜，R為模擬光譜。將k分為0～1的11個等級，步長為0.1，得到包括2條實測光譜和9條模擬光譜在內的11條光譜曲線。使用PROSPECT模型計算這11條反射率曲線對應的吸收率和透射率，將反射率和透射率作為SAIL模型的輸入參數。

1.3.4反射率查找表建立

將葉面積指數LAI分為0.1～5的50個等級，步長為0.1，使用SAIL模型對代表11種不同長勢的玉米光譜計算冠層的方向反射率，并通過光譜響應函數轉換成GF-1 4個波段的反射率值。每一個k對應的反射率曲線都可以通過PROSPECT模型反演出一組葉片生理參數，每一種k和LAI的組合又可以計算出一組圖像反射率值，通過k即可建立葉片生理參數、葉面積指數和圖像反射率的查找表。

2結果與分析

2.1混合光譜驗證

假設實際葉片的光譜可以通過線性模型公式(1)來表示。

R=k×R1+(1-k)×R2。

(1)

式中：R1為健康葉片的光譜；R2為枯黃葉片的光譜；k為混合系數，k=0～1。

公式(1)經變換后可得公式(2)，使用實測光譜對線性模型進行檢驗，檢驗結果如圖1所示。由圖1可知，實際葉片的光譜曲線與健康葉片和枯黃葉片的光譜存在顯著的線性混合關系，R2=0.979 5，實際葉片的光譜可以通過該線性模型表示。

R-R2=k(R1-R2)。

(2)

圖1　線性模型回歸檢驗Fig.1 Linear model regression

由圖2可知，不同健康程度的葉片光譜均可以通過健康葉片的光譜R1和枯黃葉片的光譜R2來表示，并且R2均達到了0.9以上，因此這種線性關系是普遍存在的。

圖2　不同實測光譜的混合系數Fig.2 Mixing coefficient of different measured spectra

2.2葉面積指數反演結果及驗證

使用GF-1數據對混合系數k和葉面積指數進行反演，結果如圖3～4所示。使用實測葉面積指數對反演的葉面積指數進行驗證，結果表明，兩者具有一定的回歸關系，回歸系數為0.742 5，R2=0.797 2。葉面積指數的反演精度見表2，方差約為0.31，平均精度約為60.59%。

圖3　混合系數k反演結果Fig.3 Inversion result of mixing coefficient k

圖4　葉面積指數反演結果Fig.4 Inversion result of leaf area index 表2　反演葉面積指數精度檢驗 Tab.2 Precision test of inversed LAI

實測值反演值差1.360.9-0.462.261.9-0.362.131.6-0.531.921.8-0.121.251.30.051.921.6-0.321.291.30.010.840.7-0.141.210.9-0.311.091.20.11

3結論

通過對健康葉片和枯黃葉片進行光譜混合，并對混合系數分級，模擬了不同生長狀況的玉米葉片光譜。與將葉片生理參數設為固定值相比，這種方法更具有事實依據，也更符合實際情況。在反演過程中，使用了迭代數值優化和查找表兩種反演方法，這兩種方法的反演精度均高于神經網絡，迭代數值優化方法在同時反演多個變量方面具有優勢。最終，使用PROSPECT-5與4SAIL相結合的PROSAIL模型，應用GF-1數據有限的4個波段進行了葉面積指數反演，獲得了較好的結果。

【參考文獻】

[1]Chen J M，Black T A.Defining leaf area index for non-flat leaves[J].Plant，Cell and Environment，1992，15(4)：421-429.

[2]Monteith J L，Unsworth M H.Principles of environmental physics[M].London：Edward Arnold，1973.

[3]Ross J.The radiation regime and architecture of plant stands[M].Dordrecht:Dr W.Junk Publishers，1981.

[4]Verhoef W.Light scattering by leaf layers with application to canopy reflectance modeling：The SAIL model[J].Remote Sensing of Environment，1984，16(84)：125-141.

[5]Jacquemoud S，Verhoef W，Baret F，et al.PROSPECT+SAIL models：A review of use for vegetation characterization[J].Remote Sensing of Environment，2009，113：S56-S66.

[6]Jacquemoud S，Baret F，Andrieu B，et al.Extraction of vegetation biophysical parameters by inversion of the PROSPECT + SAIL models on sugar beet canopy reflectance data.Application to TM and AVIRIS sensors[J].Remote Sensing of Environment，1995，52(3)：163-172.

[7]Koetz B，Baret F，Poilve H，et al.Use of coupled canopy structure dynamic and radiative transfer models to estimate biophysical canopy characteristics[J].Remote Sensing of Environment，2005，95(1)：115-124.

[8]Si Y，Schlerf M，Zurita-Milla R，et al.Mapping spatio-temporal variation of grassland quantity and quality using MERIS data and the PROSAIL model[J].Remote Sensing of Environment，2012，121(138)：415-425.

[9]Mridha N，Sahoo R N，Kumar D N，et al.Genetic algorithm based inversion modelling of PROSAIL for retrieval of wheat biophysical parameters from bidirectional reflectance data[J].Journal of Agricultural Physics，2014，14(1)：87-95.

[10]Duan S B，Li Z L，Wu H，et al.Inversion of the PROSAIL model to estimate leaf area index of maize，potato，and sunflower fields from unmanned aerial vehicle hyperspectral data[J].International Journal of Applied Earth Observation and Geoinformation，2014，26(2)：12-20.

[11]Botha E J，Leblon B，Zebarth B，et al.Non-destructive estimation of potato leaf chlorophyll from canopy hyperspectral reflectance using the inverted PROSAIL model[J].International Journal of Applied Earth Observation and Geoinformation，2007，9(4)：360-374.

[12]郭云開，王楊.經驗模型與PROSPECT+4SAIL模型反演路域LAI比較研究[J].測繪與空間地理信息，2013，36(11)：1-5.

[13]陳新芳，安樹青，陳鏡明，等.森林生態系統生物物理參數遙感反演研究進展[J].生態學雜志，2005，24(9)：1074-1079.

[14]蔡博峰，紹霞.基于PROSPECT+SAIL模型的遙感葉面積指數反演[J].國土資源遙感，2007(2)：39-43.

[15]Vohland M，Mader S，Dorigo W.Applying different inversion techniques to retrieve stand variables of summer barley with PROSPECT + SAIL[J].International Journal of Applied Earth Observation and Geoinformation，2010，12(2)：71-80.

[16]Feret J B，Fran?ois C，Asner G P，et al.PROSPECT-4 and 5：Advances in the leaf optical properties model separating photosynthetic pigments[J].Remote Sensing of Environment，2008，112(6)：3030-3043.

[17]Verhoef W，Bach H.Coupled soil-leaf-canopy and atmosphere radiative transfer modeling tosimulate hyperspectral multi-angular surfacereflectance and TOA radiance data[J].Remote Sensing of Environment，2007，109(2)：166-182.

收稿日期：2016-03-20

基金項目：浙江省重中之重林學一級學科開放基金項目(KF201332)；國家自然科學基金項目(31300533)

第一作者簡介：葉舒，碩士研究生。研究方向：葉面積指數反演。E-mail：2818536595@qq.com

*通信作者：范文義，博士，教授。研究方向：遙感與地理信息系統。

中圖分類號：S 513；TP 79

文獻標識碼：A

文章編號：1001-005X(2016)04-0018-04

Leaf Area Index Retrieval of GF-1 Using PROSAIL

Ye Shu1，Fan Wenyi1*，Meng Qingyan2

(1.School of Forestry，Northeast Forestry University，Harbin 150040；2.Institute of Remote Sensing and Digital Earth，Chinese Academy of Sciences，Beijing 100101)

Abstract：This study used a version of PROSAIL in which PROSPECT-5 was coupled with 4SAIL to retrieve leaf area index of GF-1 data.Due to the impact of hail，the corn growth in the experiment area was not uniform.This study found out that the reflectance of leaves in different growing conditions could be expressed by a linear model of reflectance measured from a healthy leaf and a yellow leaf.The mixing coefficient and LAI were divided into several grades respectively and a look-up table consisting of leaf biochemical parameters，leaf area index and 4-band reflectance of GF-1 was generated with the use of PROSAIL.The leaf area index of GF-1 was then retrieved.Validation showed that the average precision of the inversion is 60.59% and there was a linear relationship between inversed and measured leaf area index.

Keywords：GF-1 Satellite；PROSAIL model；leaf area index；mixed spectra

引文格式：葉舒，范文義，孟慶巖.基于高分一號數據的PROSAIL模型葉面積指數反演[J].森林工程，2016，32(4)：18-21.