基于CASI數據的黑河綠洲區葉面積指數反演

楊雨薇， 戴曉愛，2， 牛育天， 劉漢湖， 楊曉霞， 蘭 燕

(1.成都理工大學地球科學學院，成都 610059； 2.國土資源部地學空間信息技術重點實驗室，成都 610059)

基于CASI數據的黑河綠洲區葉面積指數反演

楊雨薇1， 戴曉愛1，2， 牛育天1， 劉漢湖1， 楊曉霞1， 蘭 燕1

(1.成都理工大學地球科學學院，成都 610059； 2.國土資源部地學空間信息技術重點實驗室，成都 610059)

葉面積指數(leaf area index，LAI)作為植被冠層的重要參數，對作物長勢監測及產量估算具有重要意義。本研究以黑河流域張掖綠洲試驗區為例，基于機載航空高光譜遙感影像(compact airborne spectrographic imager，CASI)數據，利用物理模型與統計模型對研究區的LAI進行估測反演。首先，利用歸一化植被指數(normalized difference vegetation index，NDVI)與相應實測LAI數據建立最佳線性回歸模型； 然后，基于混合像元分解模型和多次散射植被冠層模型構建物理模型； 最后，以線性回歸模型為參比修正多次散射植被冠層模型，構建半經驗LAI反演模型，并比較上述模型擬合效果。研究結果表明，半經驗模型為綠洲區LAI反演最優模型，模型估算精度R2達到0.89，精度提高較顯著。研究對提升作物LAI的估算精度有一定意義，并將進一步推動精細農業定量遙感理論的研究與應用。

CASI高光譜數據； 葉面積指數； 線性回歸模型； 多次散射植被冠層模型； 半經驗模型

0 引言

葉面積指數(leaf area index，LAI)表征葉片冠層結構特征,體現植被光合、呼吸和蒸騰作用等生物物理過程的能力,是描述土壤—植被—大氣之間物質和能量交換的關鍵參數[1]，在植被定量遙感反演等方面也起著重要作用，被廣泛地應用于植被冠層反射率模型與氣候模型等方面的研究[2-4]。

隨著遙感技術的發展，高光譜遙感的出現提供了豐富的高光譜分辨率數據信息，其連續精細的地物波譜信息在反演LAI的研究領域中得到廣泛應用[5-7]。李新輝等[8]利用CHRIS/PROBA多角度高光譜數據，基于雙層冠層模型(a two-layer canopy reflectance model,ACRM)實現了內蒙古錫林河流域草地的LAI反演，并與MODIS-LAI數據進行校驗，表明該方法具有可行性，且可改善稀疏植被覆蓋情況下LAI低估問題； 陳雪洋等[9]利用我國環境減災衛星CCD數據基于植被指數與實測LAI構建回歸模型，對山東禹城地區冬小麥進行了LAI反演，經對比認為比值植被指數(ratio vegetation index,RVI)反演精度最佳。上述研究均是利用衛星影像數據進行LAI反演，其空間分辨率仍有一定程度的局限性。機載航空高光譜遙感影像(compact airborne spectrographic imager,CASI)數據提供了一個嶄新的平臺，使植被LAI的反演研究有了新的突破[10-11]。唐建民等[12]利用CASI高光譜數據和實測LAI，通過波段組合算法對LAI敏感波段進行篩選，構建新型光譜指數歸一化差分光譜指數(normalized difference spectral index,NDSI)和比值光譜指數(ratio spectral index,RSI)來估算張掖市農作物LAI，較之寬波段和“紅邊”植被指數估算結果，其反演精度更高，該研究通過經驗模型進行LAI的反演，模型簡單易實現； Croft等[13]基于CASI數據，利用4-Scale模型與PROSPECT輻射傳輸模型反演LAI，并與Landsat5 TM數據及中分辨率成像光譜儀(medium resolution imaging spectrometer,MERIS)數據進行比對，結果表明CASI高光譜數據的估測精度更高，該研究基于物理模型，具有較廣泛的適用性。

本文以CASI高光譜影像為數據源，選取黑河流域張掖綠洲區為研究區域，針對經驗模型普適性較差，而物理模型參數難以準確估測導致反演誤差較大的問題，綜合物理模型與經驗模型的優勢構建半經驗模型，以期提高LAI的估算精度。

1 研究區與數據源

1.1 研究區概況

研究區位于中國甘肅省河西走廊黑河流域張掖綠洲區內，地理位置為E100°21′～100°22′，N38°43′～39°00′，平均海拔為1 556.06 m，屬干燥少雨的大陸性氣候區和典型的干旱—半干旱生態類型區，年平均氣溫為6 ℃[12]。該區南起祁連山，北依巴丹吉林沙漠，黑河橫穿其中，故地下水儲量豐富，作為現代綠洲灌溉農業區，以小麥、玉米、油菜、大豆、高原夏菜、馬鈴薯和水稻等為主要農作物。

1.2 數據來源

1.2.1 CASI高光譜數據

采用黑河計劃數據管理中心、寒區旱區科學數據中心(http: //westdc.westgis.ac.cn/)“黑河流域生態-水文過程綜合遙感觀測聯合試驗”提供的可見光近紅外CASI數據[14]。該數據由運-12飛機搭載CASI傳感器獲取，飛行時間為2012年7月7日，飛行相對高度為2 000 m(海拔約3 500 m)。波長范圍為382.5～1 055.5 nm，空間分辨率為1 m。

結合地面ASD同步實測光譜數據和CE-318數據，利用MODTRAN4.0模擬傳感器接收的輻射亮度，計算定標校正系數進行輻射校正，通過光學厚度數據計算大氣能見度進行FLAASH大氣校正，最后基于POS數據進行幾何粗糾正，完成對CASI高光譜數據的預處理。

1.2.2 實測數據

采用由黑河計劃數據管理中心、寒區旱區科學數據中心(http: //westdc.westgis.ac.cn/)的“黑河流域生態-水文過程綜合遙感觀測聯合試驗”提供的黑河中游LAI2000測量LAI數據[15]。該數據利用LAI2000植冠分析儀在盈科綠洲5 km×5 km樣方內進行測量，在每個樣方內測量一次冠層上入射和多次冠層下透射取其平均值，再利用間隙率模型反演冠層LAI得到，具有經緯度信息。

2 LAI遙感反演方法

本研究采用CASI數據，通過分析影像中作物光譜曲線特征，綜合利用反演LAI的物理模型與線性回歸模型，構建半經驗LAI反演模型，進行LAI的估測。技術路線如圖1所示。

圖1 技術路線Fig.1 Flowchart of technology

2.1 混合像元分解模型

在當前LAI定量反演研究中，線性光譜混合模型(linear spectral mixture model，LSMM)具有較高的普適性且沒有大量無法精確測量的參數，易于實現同一尺度下的數據分析，故選取LSMM[16]進行混合像元分解以得到植被覆蓋度Fc。其數學模型為

(1)

式中：Ri為混合像元反射率；i為波段數，i=1，2，...，m；k為端元數，k=1，2，...，n；Rik為第i波段第k個端元的反射率；fk為第k個端元占該像元的面積百分比；εi為第i波段隨機誤差。

2.2 多次散射植被冠層模型

眾所周知，植被冠層由無數位置、傾角和傾向不同的葉子組成，易發生多次散射和透射作用。散射光的能量主要集中在第一次，隨著散射次數的增加，散射強度呈等比級數銳減，一般考慮3次散射即可滿足LAI的估算精度，因此首先采用第一次透射率T1代替總透射率進行初始LAI的計算[17]，即

(2)

得到

(3)

式中：τ1(h)為高度在h以上部分冠層的光學厚度；Λ(z)=dL/dh，為LAI密度；k1(z)為冠層在入射方向上的消光系數；μ1=cosθs，θs為太陽天頂角；L為LAI。

在植被覆蓋區域，

(4)

得到LAI計算公式為

(5)

其第2次和第3次散射透射率(T2和T3)分別表示為[17]

(6)

即

T2=RlLe-L,

(7)

(8)

積分得

(9)

式中:τ(z)和T(z)分別為高度在z以上冠層部分垂直向上的光學厚度和透射率；Rl=ρl/2,ρl為近紅外波段反射率。

由于求解初始LAI時降低了植被冠層的透射率，造成LAI的反演誤差，因此修正一次散射透射率T為

T=T1+T2+T3。

(10)

將T代替式(5)中的T1，求解一次迭代后LAI修正值。同理多次迭代后，即可得到準確的LAI估測值。

3 結果與分析

3.1 線性回歸模型模擬結果

對CASI高光譜數據紅光(611.9～754.9 nm)和近紅外(812～1 055.5 nm)波段反射率進行提取，將波段以兩兩組合的方式組建歸一化植被指數(normalized difference vegetation index，NDVI)，并與相應實測LAI計算擬合精度R2，以擬合度最高為原則，得到對實測LAI值具有較高敏感度的NDVI，結果如圖2所示。顯而易見，呈深紅色區域即是R2最大值區，得到分別位于883.5 nm,897.8 nm,940.7 nm,969.4 nm,983.7 nm,1 041.1 nm,1 055.5 nm,611.9 nm和626.2 nm的近紅外與紅光波段組合計算的NDVI對LAI估算潛力較大。

圖2 基于紅光與近紅外波段組合NDVI與LAI線性回歸判定系數等值線Fig.2 Contour of linear regression R2 between LAI and NDVI based on red and near infrared bands

通過篩選出的最佳NDVI結合實測LAI構建線性回歸模型，以R2和均方根誤差(root mean square error,RMSE)作為模型的精度評價標準，結果如表1所示。表1中P為顯著性水平判定值。

表1 基于不同波段組合NDVI與LAI線性回歸模型Tab.1 Linear regression models of NDVI and LAI based on different band combination

對各線性回歸模型反演精度對比分析結果顯示，位于940.7 nm的近紅外波段與611.9 nm的紅光波段反射率構建的NDVI反演效果最佳，其R2可達0.57，RMSE為0.51。

3.2 多次散射植被冠層模型模擬結果

鑒于CASI高光譜數據中382.5～425.7 nm波段噪聲較大，本文將425.7～1 055.5 nm波段范圍內的反射率作為研究對象。在黑河流域張掖綠洲區內，基于地理位置方面的考慮，確定植被、土壤和水體為端元類型進行像元解混，得到各端元的光譜曲線(圖3)及其豐度局部圖(圖4)。圖3清晰呈現了各端元的光譜反射率在不同波段范圍的變化。圖4中分別顯示了研究區局部植被、土壤和水體3類端元在混合像元內所占面積比的變化情況： 顏色越亮，表示該端元所占面積比越大。經歸一化處理得到一個十分重要的建模參數(Fc)，其表示光通過植被冠層時被截獲的概率，是反映地表作物生長動態變化的指標，可作為植被LAI反演等研究領域中定量模型的關鍵輸入參數進行定量分析[16]。

圖3 研究區植被、土壤和水體的光譜曲線Fig.3 Spectral curves of vegetation, soil and water in the study area

(a) 植被(b) 土壤 (c) 水體

圖4研究區植被、土壤和水體豐度局部影像

Fig.4Fractionimagesofvegetation,soilandwaterinpartofthestudyarea

將線性光譜混合模型解混后得到的Fc代入多次散射植被冠層模型，進行LAI的反演。其中，在公式(7)和(9)的計算過程中，涉及到對近紅外波段反射率的提取。通過對CASI高光譜數據近紅外波段進行主成分分析，選取包含99%以上信息量的第一主成分分量作為建模參數進行計算。將反演結果與實測LAI進行擬合，其反演精度R2為0.72，RMSE為0.41。

3.3 構建最優半經驗模型

在線性回歸模型中，基于各近紅外及紅光波段反射率兩兩組合計算的NDVI與實測LAI進行反演，估測精度R2達到0.57。其屬于經驗模型，具有一定的區域局限性，同時忽略了作物冠層的各向散射及環境背景影響，因此估測的LAI值存在誤差。在多次散射植被冠層模型中，其反演精度較高，R2為0.72。該模型雖考慮了作物冠層的二向反射性，卻忽略了對近紅外波段的選取，導致LAI估測值出現偏差，故將近紅外波段反射率作為多次散射植被冠層模型估測LAI的關鍵因子。將線性回歸模型中計算NDVI所篩選出的近紅外波段冠層反射率作為關鍵因子的選取范圍，進一步優化多次散射植被冠層模型，構建反演LAI的半經驗模型。半經驗模型反演的LAI值與相應的實測LAI擬合精度如表2所示。

表2 半經驗模型反演LAI與實測LAI擬合精度Tab.2 Fitting accuracy of measured LAI and predicted LAI based on using semi-empirical model

由表2可知，由位于883.5 nm的近紅外波段反射率構建的半經驗模型反演的LAI擬合精度最高，R2由0.72提高至0.89，效果較為顯著。故將公式(7)和(9)進行優化，即

T2=R883.5Le-L，

(11)

(12)

式中R883.5=ρ883.5/2，ρ883.5為位于883.5 nm的近紅外波段反射率。

基于線性回歸模型和多次散射植被冠層模型構建最優半經驗模型，反演結果如圖5所示。由圖5可知，黑河綠洲區LAI值在1.07～3.56范圍內，圖中大范圍區域呈綠色，LAI值在2.71～3.56之間，表明研究區內作物長勢較好，其中部小范圍區域呈黃色和棕色，LAI值偏低，應對其進行重點培育與監測，以期提高作物產量。

圖5 半經驗模型反演黑河綠洲區LAI密度分布Fig.5 Map of LAI density distribution in Heihe Oasis based on semi-empirical model

4 結論

本研究以CASI高光譜數據為數據源，針對黑河流域張掖綠洲區的作物葉面積指數(LAI)這一重要的植被參數，采用線性回歸模型與多次散射植被冠層模型2種方式進行估測反演，并以線性回歸模型為參比，修正多次散射植被冠層模型，構建最優半經驗模型。得到以下結論：

1)線性回歸模型和多次散射植被冠層模型反演的LAI值與實測LAI之間相互擬合后發現，多次散射植被冠層模型擬合度與精度更高，R2與RMSE分別為0.72和0.41，而線性回歸模型的R2僅為0.57，RMSE為0.51。

2)為進一步提高LAI的反演精度，本研究選擇以線性回歸模型中組建NDVI的優選近紅外波段反射率為參比，對多次散射植被冠層模型進行修正，構建既具有經驗模型的優勢，又能與物理模型進行耦合的半經驗模型，其模型精度R2達到0.89，展示了半經驗模型在高光譜影像反演LAI中的應用優勢。

在后繼的研究中，將在修正多次散射植被冠層模型時，綜合考慮引入相關變量因子進一步比對分析，以期使LAI估測精度有更大幅度提升。

志謝： 本研究依托國家自然科學基金委會“中國西部環境與生態科學數據中心”(http: //westdc.westgis.ac.cn/)“黑河流域生態-水文過程綜合遙感觀測聯合試驗”提供的可見光近紅外高光譜航空遙感CASI數據及黑河流域中游LAI2000測量LAI數據，在此謹致謝忱。

[1] 劉 洋,劉榮高,陳鏡明,等.葉面積指數遙感反演研究進展與展望[J].地球信息科學學報,2013,15(5):734-743.

Liu Y,Liu R G,Chen J M,et al.Current status and perspectives of leaf area index retrieval from optical remote sensing data[J].Journal of Geo-Information Science,2013,15(5):734-743.

[2] 任 哲,陳懷亮,王連喜,等.利用交叉驗證的小麥LAI反演模型研究[J].國土資源遙感,2015,27(4):34-40.doi:10.6046/gtzyyg.2015.04.06.

Ren Z,Chen H L,Wang L X,et al.Research on inversion model of wheat LAI using cross-validation[J].Remote Sensing for Land and Resources,2015,27(4):34-40.doi:10.6046/gtzyyg.2015.04.06.

[3] 陳 健,王文君,盛世杰,等.基于機載MASTER數據的果園葉面積指數遙感反演[J].國土資源遙感,2015,27(2):69-74.doi:10.6046/gtzyyg.2015.02.11.

Chen J,Wang W J,Sheng S J,et al.Leaf area index retrieval of orchards based on airborne MASTER data[J].Remote Sensing for Land and Resources,2015,27(2):69-74.doi:10.6046/gtzyyg.2015.02.11.

[4] Sellers P J,Randall D A,Collatz G J,et al.A revised land surface parameterization(SiB2) for atmospheric GCMS.Part I:Model formulation[J].Journal of Climate,1996,9(4):676-705.

[5] Herrmann I,Pimstein A,Karnieli A,et al.LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands[J].Remote Sensing of Environment,2011,115(8):2141-2151.

[6] Liang L,Di L P,Zhang L P,et al.Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method[J].Remote Sensing of Environment,2015,165:123-134.

[7] 包 剛,覃志豪,周 義,等.基于高光譜數據和RBF神經網絡方法的草地葉面積指數反演[J].國土資源遙感,2012,24(2):7-11.doi:10.6046/gtzyyg.2012.02.02.

Bao G,Qin Z H,Zhou Y,et al.The application of Hyper-spectral data and RBF neural network method to retrieval of leaf area index of grassland[J].Remote Sensing for Land and Resources,2012,24(2):7-11.doi:10.6046/gtzyyg.2012.02.02.

[8] 李新輝,宋小寧,冷 佩.利用CHRIS/PROBA數據定量反演草地LAI方法研究[J].國土資源遙感,2011,23(3):61-66.doi:10.6046/gtzyyg.2011.03.11.

Li X H,Song X N,Leng P.A quantitative method for grassland LAI inversion based on CHRIS/PROBA data[J].Remote Sensing for Land and Resources,2011,23(3):61-66.doi:10.6046/gtzyyg.2011.03.11.

[9] 陳雪洋,蒙繼華,杜 鑫,等.基于環境星CCD數據的冬小麥葉面積指數遙感監測模型研究[J].國土資源遙感,2010,22(2):55-58,62.doi:10.6046/gtzyyg.2010.02.12.

Chen X Y,Meng J H,Du X,et al.The monitoring of the winter wheat leaf area index based on HJ-1 CCD dada[J].Remote Sensing for Land and Resources,2010,22(2):55-58,62.doi:10.6046/gtzyyg.2010.02.12.

[10] Fernandes R A,Miller J R,Chen J M,et al.Evaluating image-based estimates of leaf area index in boreal conifer stands over a range of scales using high-resolution CASI imagery[J].Remote Sensing of Environment,2004,89(2):200-216.

[11] Fernandes R,Miller J R,Hu B,et al.A multi-scale approach to mapping effective leaf area index in boreal picea Mariana stands using high spatial resolution CASI imagery[J].International Journal of Remote Sensing,2002,23(18):3547-3568.

[12] 唐建民,廖欽洪,劉奕清,等.基于CASI高光譜數據的作物葉面積指數估算[J].光譜學與光譜分析,2015,35(5):1351-1356.

Tang J M,Liao Q H,Liu Y Q,et al.Estimating leaf area index of crops based on hyperspectral compact airborne spectrographic imager(CASI) data[J].Spectroscopy and Spectral Analysis,2015,35(5):1351-1356.

[13] Croft H,Chen J M,Zhang Y,et al.Modelling leaf chlorophyll content in broadleaf and needle leaf canopies from ground,CASI,Landsat TM 5 and MERIS reflectance data[J].Remote Sensing of Environment,2013,133:128-140.

[14] 肖 青,聞建光.黑河生態水文遙感試驗:可見光近紅外高光譜航空遙感(2012年7月7日)[DB].黑河計劃科學數據中心,2013,doi:10.3972/hiwater.011.2013.db.

Xiao Q,Wen J G.HiWATER:Visible and near-infrared hyperspectral radiometer(7 July,2012)[DB].Heihe Plan Science Data Center,2013,doi:10.3972/hiwater.011.2013.db.

[15] 趙 靜,李 云,汪 艷,等.黑河生態水文遙感試驗:黑河流域中游LAI2000測量LAI數據集[R].黑河計劃科學數據中心,2013,doi:10.3972/hiwater.058.2013.db.

Zhao J,Li Y,Wang Y,et al.HiWATER:Dataset of Vegetation LAI Measured by LAI2000 in the Middle Reaches of the Heihe River Basin[R].Heihe Plan Science Data Center,2013,doi:10.3972/hiwater.058.2013.db.

[16] Carlson T N,Ripley D A.On the relation between NDVI,fractional vegetation cover,and leaf area index[J].Remote Sensing of Environment,1997,62(3):241-252.

[17] 鄧孺孺,田國良,柳欽火.基于多次散射的植被-土壤二向反射模型[J].遙感學報,2004,8(3):193-200.

Deng R R,Tian G L,Liu Q H.Bi-directional reflectance model of canopy and soil based on multi-scatterings[J].Journal of Remote Sensing,2004,8(3):193-200.

InversionofleafareaindexinHeiheOasisbasedonCASIdata

YANG Yuwei1, DAI Xiaoai1,2, NIU Yutian1, LIU Hanhu1, YANG Xiaoxia1, LAN Yan1

(1.AcademicofEarthSciences,ChengduUniversityofTechnology,Chengdu610059,China; 2.KeyLaboratoryofGeoscienceSpatialInformationTechnology,MinistryofLandandResourcesofChina,Chengdu610059,China)

As the vegetation canopy’s important parameter, the leaf area index (LAI) has important significance for crop growth monitoring and yield estimation. In this study, the authors used the hyperspectral compact airborne spectrographic imager (CASI) data of Zhangye Oasis experimental area in Heihe River Basin as the experiment object and relied on physical and statistical model to estimate the inversion of the LAI. The process is as follows: First, the optimal linear regression model is established by using the normalized difference vegetation index (NDVI) and the corresponding measured LAI data. Then the physical model is adopted based on the combination of the mixed pixel decomposition model and the multiple scattering vegetation canopy model. With the linear regression model as the reference, the multiple scattering vegetation canopy model is modified, and the semi-empirical LAI inversion model is constructed. Finally, the fitting effects of the models are compared with each other. The results show that the semi-empirical model is the best model for LAI inversion in oasis area and its estimation accuracy ofR2increases significantly to 0.89. This study provides technical support for the estimation of crop leaf area index in high precision, and will further promote the study and application of quantitative remote sensing theory about precision agriculture.

hyperspectral data of CASI; leaf area index (LAI); linear regression model; multiple scattering vegetation canopy model; semi-empirical model

10.6046/gtzyyg.2017.04.27

楊雨薇,戴曉愛,牛育天,等.基于CASI數據的黑河綠洲區葉面積指數反演[J].國土資源遙感,2017,29(4):179-184.(Yang Y W,Dai X A,Niu Y T,et al.Inversion of leaf area index in Heihe Oasis based on CASI data[J].Remote Sensing for Land and Resources,2017,29(4):179-184.)

TP 751.1

A

1001-070X(2017)04-0179-06

2016-05-05；

2016-08-19

國家自然科學基金項目“汶川強震區潛在泥石流危險性判識及其差異性分析”(編號： 41102225)、高等學校博士學科點專項科研基金項目“岷江上游高原林區不同植被類型的土壤持水特征研究”(編號： 201351221200092013)、四川省教育廳科研項目“基于光譜相似度的森林樹種識別方法研究——以青城山地區為例”(編號： 15ZB0066)、國土資源部地學空間信息技術重點實驗室課題項目“非線性混合光譜模型在生態水遙感估算中的應用研究”(編號： KLGSIT2013-02)、成都理工大學研究基金項目“基于混合像元分解的岷江上游植被覆蓋度定量估算研究”(編號： 2012YG02)、成都理工大學骨干教師培養計劃(編號： DG0002)、國家自然科學基金項目“任務感知的遙感信息服務動態組合方法”(編號： 41201440)、四川省教育廳理科重點項目 “基于用戶興趣特征的遙感信息智能服務方法”(編號： 15ZA0078)和四川省應急測繪與防災減災工程技術研究中心開放基金項目“天地圖與小區域地理信息整合移動服務系統構建與實現”(編號： K2015B003)共同資助。

楊雨薇(1991-),女，碩士研究生，主要研究方向為地圖學與地理信息系統。Email： 18200329209@163.com。

戴曉愛(1979-),女，副教授，主要研究方向為地理信息系統。Email： daixiaoa@cdut.cn。

(責任編輯：張仙)