基于Sentinel-2遙感影像的玉米冠層葉面積指數反演

蘇 偉 侯 寧 李 琪 張明政 趙曉鳳 蔣坤萍

(1.中國農業大學信息與電氣工程學院， 北京 100083； 2.中國土地勘測規劃院， 北京 100035)

0 引言

葉面積指數(Leaf area index, LAI)定義為單位地表面積上單面綠葉面積的總和，是模擬陸地生態過程、生物地球化學循環以及水熱循環的重要參數[1]，在農業、林業、生態、氣候變化等領域已經得到了廣泛的應用。研究表明，LAI同作物長勢、物候期、產量、凈初級生產力等具有較強的相關關系[2]。因此快速、準確、可靠地獲取農作物LAI具有重要意義。

紅邊波段是介于紅波段和近紅外波段之間的波段，波段范圍為680～760 nm。許多研究表明，紅邊是指示綠色植物生長狀況的敏感性光譜波段[3]，紅邊范圍內的光譜數據與表征作物生長狀況的農學參數之間有很好的相關關系[4-8]。HANSEN等[4]研究表明小麥高光譜反射率與葉綠素密度、葉面積指數等變量的相關性好的敏感波段，87%集中在680～750 nm紅邊光譜范圍內；劉偉東等[9]研究水稻光譜與葉綠素密度、葉面積指數相關顯著的波段集中在紅邊740～770 nm 范圍內；唐延林等[8]對玉米、水稻、棉花的研究表明，這3種作物的冠層紅邊參數分別與其對應的葉面積指數呈極顯著的線性相關關系(R均在0.6 以上)，葉綠素含量與紅邊位置也呈極顯著的線性相關。

隨著遙感技術的發展，越來越多的衛星載荷已經開始通過增加多光譜譜段來提高衛星的應用能力，如歐洲航空局的Sentinel-2衛星[10]，德國RapidEye AG公司RapidEye衛星[11]，美國Digital globe公司的Worldview-2衛星[12]，都包含紅邊波段傳感器，為紅邊波段作物遙感監測提供了數據支持。其中，歐洲航空局的Sentinel-2衛星能夠提供高空間分辨率(10、 20、60 m)的多光譜數據，其紅邊波段對監測植被信息非常有效，對于葉面積指數(LAI)的反演具有重要意義[13]。但目前將Sentinel-2遙感影像應用在農業方面的研究較少，還未充分挖掘其應用價值，為此，本文以Sentinel-2遙感影像為信息源，結合地面同步實測玉米LAI，通過建立回歸模型研究玉米冠層葉面積指數的反演方法。

1 研究區概況與數據源

1.1 研究區概況

研究區位于河北省保定市北部的涿州市、高碑店市和定興縣(圖1)，地處 115°29′～116°14′E，39°05′～39°36′N，主要地貌為平原，地勢西北高、東南低，由西北向東南傾斜。該地區四季分明，屬暖溫帶半濕潤半干旱大陸性季風氣候，年平均氣溫為12.0～14.0 ℃，年日照率達60%左右，年降水量約為550 mm。區內農作物播種面積占耕地總面積的 80%以上，主要農作物有玉米、小麥、高粱、谷子、薯類等。大部分地區農作物一年兩熟，但各地耕作制差異很大，地塊較為零碎。

圖1 研究區Fig.1 Study area

1.2 數據源

1.2.1 地面數據調查與收集

2016年8月21日，在河北省涿州市、高碑店市和定興縣開展玉米葉面積指數野外調查，在研究區內分別選取50個采樣點，采樣點均勻分布整個研究區，測量儀器為LAI2000型植物冠層分析儀，由美國LI-COR公司生產，測量過程中用GPS記錄樣點中心坐標。根據自然條件和玉米種植情況選擇試驗點進行地面數據采集，試驗點的分布充分估計了空間分布的均勻性。選取100 m×100 m的樣方，在樣方內間隔均勻的不同位置分別測量5次，取平均值代表小樣方的LAI，以3個小樣方為單位組成一個樣方，取3個小樣方的均值作為該試驗點的LAI真實值。

1.2.2 遙感影像數據收集與處理

本研究采用的是Sentinel-2遙感影像數據，其獲取的多光譜數據包含13個波段，不同波段的空間分辨率略有不同(Sentinel-2波段信息見表1)，其中B5、B6的主要用途為獲取紅邊位置，B7用于反演葉面積指數，B8a是對LAI、葉綠素和生物量敏感的波段。影像獲取時間為2016年8月21日，Sentinel-2遙感影像數據通過歐洲航空局的數據共享網站進行下載(下載網址：https:∥scihub.copernicus.eu/s2/#/home)，所有數據均為已經進行過幾何校正處理過的L1C大氣頂反射率。因此，只需對影像數據進行大氣校正。本文使用最近鄰插值法，將處理后的各波段重采樣至10 m后，用于LAI反演的研究。

表1 Sentinel-2波段信息Tab.1 Bands information of Sentinel-2 remote sensing image

2 模型與方法

2.1 分析方法

目前，葉面積指數的遙感反演一般有經驗模型法和物理模型法。物理模型法主要以PROSPECT+SAIL模型為主，從物理機理角度反演植被葉面積指數[14-17]，反演過程需要輸入葉片的生化參數和結構參數，調參過程比較復雜。經驗模型法主要通過遙感技術獲取各種植被指數，計算植被指數與LAI的回歸關系模型[18-19]。經驗模型法雖然存在模型參數隨時間或研究區域變化的缺陷，但具有輸入參數少、計算效率高、容易實現等優點，且大量的研究表明，植被指數與LAI指數之間具有良好的定量關系，這是經驗模型反演LAI的理論基礎。因此，本文采用經驗模型法進行玉米LAI反演研究，其具體反演流程為：①以處理后的Sentinel-2遙感影像為數據源，提取試驗點的植被指數。②基于經驗模型法建立單變量和多變量反演模型，對比分析不同波段組合的植被指數與LAI的模型擬合精度，利用驗證數據分析檢驗最優模型的玉米LAI預測能力。

2.2 模型的評價標準

選用決定系數、均方根誤差對模型進行分析檢驗，其中均方根誤差(RMSE)主要用于模型驗證，反映了模擬值與真實值的偏離程度，其值越小，模型精度越高；決定系數(R2)表示模擬值與實測值的擬合優度，其值越接近1，表示模型的參考價值越高。

2.3 植被指數的選擇

考慮到Sentinel-2遙感影像的紅邊波段、紅波段和近紅外波段的反射率組合與葉面積指數具有較好的相關性，以波段或波段組合信息含量大和各波段之間的相關性小為波段選取原則，本文選取了B4、B5、B6、B7、B8和B8a構建光譜指數(表2)。

表2 選用的反演玉米葉面積指數(LAI)的植被指數公式Tab.2 Spectral indices expression of leaf area index (LAI) retrieving for corn

注：R是光譜反射率，本文分別用R665和R842代替R680和R800；i和j是一定范圍內任意2個波段。

3 結果與分析

3.1 植被指數與LAI的相關分析

在進行回歸分析前，首先分析光譜指數與LAI的相關關系，結果如表3所示。根據分析結果，22種光譜指數與LAI均顯著相關，相關系數均在0.49以上，整體來看有紅邊波段參與構建的光譜指數與LAI的相關性要高于無紅邊波段參與構建的光譜指數，其中NDSI(783,705)與LAI的相關性最強，相關系數為0.730 9。

3.2 玉米LAI遙感反演模型的建立

在30個玉米LAI實測值中進行隨機抽樣，剔除異常點后選出12個作為建模樣本，12個作為檢驗樣本。從構建的22種光譜指數中選取經典的植被指數NDVI和RVI，以及覆蓋所有紅邊波段并與玉米LAI取得較好相關關系的光譜指數NDSI(783,705)、NDSI(865,705)、NDSI(740,705)、NDSI(783,740)、RSI(783,705)、RSI(865,705)、RSI(740,705)、RSI(783,740)構建玉米LAI遙感反演模型。針對每種光譜指數分別使用線性、對數、指數和冪等模型進行擬合，從中選取與玉米LAI高度相關且擬合精度相對較高的回歸模型，結果如表4。整體上基于Sentinel-2遙感影像構建的單變量模型都顯著正相關；模型的決定系數R2在0.33以上，表明單變量光譜指數與玉米LAI擬合效果較好，其中NDSI(783,705)具有最大值，R2為0.534 2；RMSE均在0.35以下，說明回歸模型對LAI具有較好解釋能力，其中NDSI(783,705)具有最小值，RMSE為0.288 5。在線性、對數、冪、指數4種模型中，線性模型對玉米LAI的解釋能力最強。在由10種光譜指數構建的單變量回歸模型中，由NDSI(783,705)構建的模型精度最高，R2為0.534 2，RMSE為0.288 5。多變量回歸模型中，選取10種光譜指數參與模型構建，得到的多元回歸模型R2為0.983 6，RMSE為0.054 2。從整體水平來看，選用紅邊波段和未選用紅邊波段的光譜指數構建的反演模型精度進行對比，選用紅邊波段的光譜指數構建的反演模型精度比未選用紅邊波段的光譜指數的反演模型精度更高；進一步對選用不同紅邊波段的光譜指數的反演模型進行橫向比較，綜合分析選用紅邊B5構建的光譜指數的模型反演精度高于其他紅邊波段，對玉米葉面積指數具有更強的解釋能力。

表4 玉米葉面積指數(LAI)與各類光譜指數構建的反演模型及模型精度檢驗結果(n=12)Tab.4 The best inversion models and accuracy verification of leaf area index (LAI) of corn and spectral indices (n=12)

3.3 模型反演精度

經驗回歸模型預測精度的高低與參與建模的樣本數量密切相關，使用未參與建模的12個樣本數據對單變量回歸模型以及由NDVI、NDSI(783,705)、NDSI(865,705)、NDSI(740,705)、NDSI(783,740)、RVI、RSI(783,705)、RSI(865,705)、RSI(740,705)、RSI(783,740)10種光譜指數構建的多元回歸模型進行精度驗證，綜合評價兩種模型對玉米LAI的預測能力(表5)。實驗結果顯示，雖然多變量模型的建模精度較高，但其對玉米LAI的預測能力較差，出現這種情況的原因是這10種光譜指數與玉米LAI的相關性都很高，并不是相互獨立，且受野外實測樣本數量較少的限制，在兩種以光譜指數為自變量，玉米LAI為因變量的多元回歸模型中，出現自變量數據對因變量數據過度擬合現象[22],導致在NDVI、NDSI(783,705)、NDSI(865,705)、NDSI(740,705)、NDSI(783,740)、RVI、RSI(783,705)、RSI(865,705)、RSI(740,705)、RSI(783,740)構建的多元回歸模型時發生過度擬合，導致模型的精度較高，但是預測效果不理想，這與高林等[23]的研究結果一致。

表5 不同反演模型下的玉米葉面積指數(LAI)預測值與實測值的精度比較Tab.5 Comparison between predicted and measured values of corn leaf area index (LAI) by different retrieving models

經過驗證分析，綜合評價NDSI(783,705)是反演玉米LAI的最佳光譜指數，其構建的線性回歸模型y=12.339 4NDSI(783,705)-4.810 1對玉米LAI的預測效果最理想，玉米LAI預測值和測量值擬合程度最高，為最優反演模型。

3.4 玉米LAI遙感反演及空間分析

在生態學中，LAI是衡量地表植被生產力的重要指標。利用由NDSI(783,705)光譜指數構建的線性回歸模型y=12.339 4NDSI(783,705)-4.810 1對研究區的玉米葉面積指數進行反演(圖2)。如圖2，研究區LAI空間分布規律整體上呈西北低、東南高的趨勢，全區LAI主要分布在3.0～5.0之間。玉米LAI的高值區域主要分布在東南部和西南部，是玉米種植的集中區域；低值區主要分布在西北部，該區主要是道路和建筑的分布區，種植區域破碎化，長勢較差。

4 結論

(1)構建的歸一化差異光譜指數和比值型光譜指數都與葉面積指數達到了顯著相關，紅邊波段參與構建的光譜指數與玉米葉面積指數取得更好的相關性，其中光譜指數NDSI(783,705)與玉米LAI達到最佳相關系數。

圖2 基于NDSI(783,705)線性模型遙感反演的研究區內玉米葉面積指數(LAI)Fig.2 Retrieved corn leaf area index (LAI) in study area based on NDSI(783,705) linear model

(2)通過回歸分析發現，由10種光譜指數參與構建的多元回歸反演模型精度雖然高于單變量回歸模型，其R2為0.983 6，但是模型存在過度擬合的缺點，其預測能力不及由NDSI(783,705)構建的單變量反演模型，因此綜合評價由NDSI(783,705)構建的反演模型為最佳玉米LAI反演模型。

1 梁順林,李小文,王錦地,等. 定量遙感: 理念與算法[M].北京: 科學出版社,2013: 317.

2 王東偉，王錦地，梁順林. 作物生長模型同化MODIS反射率方法提取作物葉面積指數[J]. 中國科學：地球科學，2010,40(1)：73-83. WANG Dongwei, WANG Jindi, LIANG Shunlin. Retrieving crop leaf area index by assimilation of MODIS data into crop growth model [J]. Science China: Earth Science,2010,40(1): 73-83.(in Chinese)

3 FILELLA I, PENUELAS J. The red edge position and shape as indictors of plant chlorophyll content, biomass and hydric status [J]. International Journal of Remote Sensing,1994,15(7)：1459-1470.

4 HANSEN P M, SCHJOERRING J K. Reflectance measurement of canopy biomass and nitrogen statue in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote Sensing of Environment,2003,86(4)：542-553.

5 黃敬峰,王淵,王福民,等.油菜紅邊特征及其葉面積指數的高光譜估算模型[J].農業工程學報,2006,22(8)：22-26. HUANG Jingfeng, WANG Yuan, WANG Fumin, et al. Red edge characteristics and leaf area index estimation model using hyperspectral data for rape [J]. Transactions of the CSAE,2006,22(8)：22-26.(in Chinese)

6 宋開山,張柏,李方,等.高光譜反射率與大豆葉面積及地上鮮生物量的相關分析[J].農業工程學報,2005,21(1)：36-40. SONG Kaishan, ZHANG Bai, LI Fang,et al. Correlative analyses of hyperspectral reflectance, soybean LAI and aboveground biomass[J]. Transactions of the CSAE,2005,21(1)：36-40.(in Chinese)

7 王登偉,李少昆,田慶玖,等.棉花主要栽培生理參數的高光譜估測研究[J].中國農業科學,2003,36(7)：770-774. WANG Dengwei, LI Shaokun, TIAN Qingjiu, et al. Estimating of main cultivation physiology parameters of cotton by using hyperspectral remote sensing [J]. Scientia Agricultura Sinica,2003,36(7)：770-774.(in Chinese)

8 唐延林,黃敬峰,王秀珍,等.水稻、玉米、棉花的高光譜及其紅邊特征比較[J].中國農業科學,2004,37(1)：29-35. TANG Yanlin, HUANG Jingfeng, WANG Xiuzhen, et al. Comparison of the characteristics of hyperspectra and the red edge in rice, corn and cotton[J]. Scientia Agricultura Sinica,2004,37(1)：29-35.(in Chinese)

9 劉偉東,項月琴,鄭蘭芬,等.高光譜數據與水稻葉面積指數及葉綠素密度的相關分析[J].遙感學報,2000,4(4)：279-283. LIU Weidong, XIANG Yueqin, ZHENG Lanfen, et al. Relationships between rice LAI,CH. D and hyperspectra data [J]. Journal of Remote Sensing,2000,4(4)：279-283.(in Chinese)

10 RICHTER K, ATZBERGER C, VUOLO F, et al. Evaluation of Sentinel-2 spectral sampling for radiative transfer model based LAI estimation of wheat sugar beet, and corn[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2011, 4(2):458-464.

11 TIGGES J, LAKES T, HOSTEN P. Urban vegetation classification: benefits of multitemporal RapidEye satellite data [J]. Remote Sensing of Environment, 2013, 136(5): 66-75.

12 UPADHYAY P, GHOSH S K, KUMAR A, et al. Effect on specific crop mapping using WorldView-2 multispectral add-on bands: soft classification approach [J]. Journal of Applied Remote Sensing, 2012，6(3):325-336.

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. CAI Bofeng，SHAO Xia. Leaf area index retrieval based on remotely sensed data and PROSPECT+SAIL model [J]. Remote Sensing for Land and Resource, 2007(2): 39-43. (in Chindse)

15 JACQUEMOUD S. Inversion of the PROSPECT+SAIL canopy reflectance model from AVIRIS equivalent spectra: theoretical study[J]. Remote Sensing of Environment，1993,44(2-3):281-292.

16 劉照言，馬靈玲，唐伶俐. 基于SAIL模型的多角度多光譜遙感葉面積指數反演[J]. 干旱區地理,2010,33(1):93-98. LIU Zhaoyan，MA Lingling,TANG Lingli. Inversion of LAI based on SAIL model with multi-angle and multi-spectral remote sensing data [J]. Arid Land Geography，2010,33(1):93-98. (in Chinese)

17 陳艷華,張萬昌,雍斌. 基于分類知識利用神經網絡反演葉面積指數[J]. 生態學報,2007,27(7):2785-2793. CHEN Yanhua, ZHANG Wanchang, YONG Bin. Retrieving leaf area index using a neural network based on classification knowledge [J]. Acta Ecologica Sinica, 2007，27(7): 2785-2793. (in Chinese)

18 ZHU G L, JU W M, CHEN J M, et al. Forest canopy leaf area index in Maoershan Mountain: ground measurement and remote sensing retrieval [J]. Chinese Journal of Applied Ecology, 2010，21(8):2117-2124.

19 趙傳燕,沈衛華,彭煥華.祁連山區青海云杉林冠層葉面積指數的反演方法[J]. 植物生態學報,2009,33(5):860-869. ZHAO Chuanyan, SHEN Weihua, PENG Huanhua .Methods for determining canopy leaf area index of Picea Crassifolia Forest in QILIAN Mountain，CHINA[J]. Chinese Journal of Plant Ecology，2009,33(5):860-869. (in Chinese)

21 LI F, MISTELE B, HU Y, et al. Comparing hyperspectral index optimization algorithms to estimate aerial N uptake using multi-temporal winter wheat datasets from contrasting climatic and geographic zones in China and Germany[J]. Agricultural and Forest Meteorology,2013,180: 44-57.

22 趙英時. 遙感應用分析原理與方法[M].2 版.北京:科學出版社,2013:309-310.

23 高林,楊貴軍,王寶山,等. 基于無人機遙感影像的大豆葉面積指數反演研究[J]. 中國生態農業學報,2015,23(7)：868-876. GAO Lin, YANG Guijun, WANG Baoshan, et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle) remote sensing imagery [J]. Chinese Journal of Eco-Agriculture, 2015,23(7): 868-876. (in Chinese)

24 李延峰,毛德華,王宗明,等. 雙臺河口國家級自然保護區蘆葦葉面積指數遙感反演與空間格局分析[J]. 濕地科學,2014，12(2):163-169. LI Yanfeng, MAO Dehua, WANG Zongming, et al. Remote sensing retrieval and spatial pattern analysis of leaf area index of phragmites australis in Shuangtai estuary national nature reserve [J]. Wetland Science，2014，12(2):163-169. (in Chinese)

25 高林,李長春,王寶山, 等. 基于多源遙感數據的大豆葉面積指數估測精度對比[J]. 應用生態學報, 2016,27(1):191-200. GAO Lin, LI Changchun, WANG Baoshan, et al. Comparison of precision in retrieving soybean leaf area index based on multi-source remote sensing data[J]．Chinese Journal of Applied Ecology, 2016,27(1):191-200. (in Chinese)

26 IMMITZER M, VUOLO F, ATZBERGER C. First experience with Sentinel-2 data for crop and tree species classifications in central europe [J]. Remote Sensing, 2016, 8(3): 166-192.

27 VERRELST J, RIVERA J P, VEROUSTRAETE F, et al. Experimental Sentinel-2 LAI estimation using parametric, non-parametric and physical retrieval methods-A comparison[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2015，108(4):260-272.

28 VAN DER MEER F D, VAN DER WERFF H M A, VAN RUITENBEEK F J A. Potential of ESA’s Sentinel-2 for geological application [J]. Remote Sensing of Environment,2014, 148(3):124-133.

29 DU Y, ZHANG Y, LING F, et al. Water bodies’ mapping from Sentinel-2 imagery with modified normalized difference water index at 10 m spatial resolution produced by sharpening the SWIR band [J]. Remote Sensing，2016, 8(4): 354-372.

30 PESARESI M, CORBANE C, JULEA A, et al. Assessment of the added-value of sentinel-2 for detecting built-up areas[J]. Remote Sensing, 2016，8(4):299-316.

31 Fernandez-Manso A, Fernandez-Manso O, Quintano C.Sentinel-2A red-edge spectral indices suitability for discriminating burn severity [J]. International Jouranl of Applied Earth Observation and Geoinformation,2016，50(8):170-175.

32 何亞娟,潘學標,裴志遠,等.基于SPOT遙感數據的甘蔗葉面積指數反演和產量估算[J/OL].農業機械學報,2013,44(5):226-231. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130539&flag=1.DOI: 10.6041/j.issn.1000-1298.2013.05.039. HE Yajuan, PAN Xuebiao, PEI Zhiyuan,et al. Estimation of LAI and yield of sugarcane based on SPOT remote sensing data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery，2013,44(5):226-231. (in Chinese)