基于Prosail模型和Landsat 8數據的小麥冠層含水量反演比較

侯學會，王 猛，劉思含,高 帥，隋學艷，梁守真,萬華偉

(1.山東省農業可持續發展研究所，山東濟南 250100;2.農業部華東都市農業重點實驗室，山東濟南 250100;3.環境保護部衛星環境應用中心，北京 100094；4.中國科學院遙感與數學地球研究所遙感科學國家重點實驗室，北京 100101)

植被含水量是農業、生態和水文研究中的重要關注參數之一，在全球水循環系統扮演著重要角色。目前基于遙感數據進行植被含水量反演的方法主要包括物理模型和統計模型兩種。物理模型由于綜合考慮了葉片、冠層、土壤、觀測情況等因素，更能反映復雜的地表環境，反演精度相對較高，被廣泛應用于冠層生化參數反演。目前應用最廣泛的物理模型為Prosail模型[1]。如宋小寧等[2]基于Hyperion數據實現了玉米冠層含水量的區域反演；Cheng等[3]基于利用機載高光譜數據實現了不同植被覆蓋下的冠層含水量反演；而Clevers等[4-5]基于地面實測ASD光譜數據，探討了植被冠層含水量反演方法。統計模型主要是建立光譜指數或光譜指數變型與地面實測植被含水量的線性、指數、多項式等統計模型，進行含水量反演，統計法簡單易懂，是估算植被含水量的常用方法[6]。如程曉娟等[7]對比發現，綜合EVI和NDWI構建的新指數對估算冬小麥冠層含水量具有更好的優勢；而王 強等[8]通過對地面實測棉花冠層高光譜數據進行所有可能的兩兩組合，構建了反演精度更好的新型比值指數和歸一化指數；Gao等[9-11]研究發現，歸一化水分指數NDWI對植被冠層水分信息比NDVI更為敏感。

綜合前人研究發現，利用遙感技術進行植被冠層含水量反演一般都是基于Praosail模型或者遙感衛星數據建立經驗模型，而對這兩種方法在反演含水量中的精度進行比較的研究鮮有少見。因此，本研究將Prosail模型與衛星影像數據相結合，借助Landsat 8光譜響應函數，通過模擬得到的高光譜窄波段反射率模擬得到 TM8寬波段反射率數據，然后利用模擬得到的反射率數據和實際衛星影像反射率分別構建植被指數，開展冬小麥冠層水分含量的遙感建模反演，并對兩類方法進行精度驗證與評價，以期為在地面觀測數據較少的情況下，開展區域作物水分遙感監測提供技術參考。

1 數據與預處理

1.1 數據來源

1.1.1 地面實測數據

田間試驗在中國科學院禹城綜合試驗站(116.57°E，36.83°N)進行。數據采集時間為2016年3月29日、4月18日、5月6日和5月11日。為保證TM8上有純凈像元，每次在試驗區內隨機選取若干個60 m×60 m且小麥長勢比較均一的小區，在每個小區內隨機選兩個30 cm×30 cm的樣方，利用比重法獲取每個樣方的LAI，小麥葉片和冠層含水量數據以烘干法獲得，并同步獲取樣方的地面光譜、葉綠素等輔助信息，兩個樣方的平均值作為小區的實測值，四次試驗共獲取47個地面數據。

1.1.2 遙感數據與處理

從遙感數據共享網站(http://ids.ceode.ac.cn/)獲取覆蓋研究區的四景Landsat 8 OLI影像，成像時間分別為2016年3月26日、4月18日、5月4日和5月13日。衛星數據獲取時間與地面數據采集時間最大相差3 d，考慮到小麥3 d之內地面實測光譜變化很小，且研究區未發生灌溉和降水，故認為地面實測數據與相近時間的衛星影像數據一致。

對Landsat 8 OLI影像的預處理基于ENVI 5.1進行，首先利用Landsat 8的定標系數，將DN值轉換成輻亮度值，然后通過Flaash大氣校正，將輻亮度值轉換成反射率，并基于地面數據的GPS信息提取對應地面點的反射率。

1.2 研究思路與方法

1.2.1 植被含水量指標選取

常用的植被含水量指標有可燃物水分含量FMC(fuel moisture content)、相對葉片含水量RWC(relative water content)和等效水厚度EWT(equivalent water thickness)。為與Prosail模型輸入參數一致，本研究利用EWT作為表征小麥冠層的水分含量。

EWTL=FW-DW/A

(1)

ECTC=EWTL×LAI

(2)

式中EWTL和EWTC分別為葉片和冠層水平的等效水厚度(kg·m-2)； FW、DW分別為樣品的鮮重和干重(kg)；A為樣品植株的葉面積(m2)；LAI為葉面積指數。

1.2.2 研究思路

本研究的主要思路如圖1所示。

圖1 主要研究思路

1.3 Prosail模型

Prosail模型是葉片輻射傳輸模型PROSPECT和冠層輻射傳輸模型SAIL的耦合模型。PROSPECT模型主要描述植物葉片在400～2 500 nm光譜范圍內的光學特征，通過輸入葉片等效水厚度EWTL、葉綠素濃度Cab、葉片結構參數Ns、干物質量Cm等參數，可以得到400～2 500 nm光譜范圍內的葉片透射率和反射率。SAIL模型是在水平均勻的假設下主要考察冠層的垂直分層結構和葉傾角分布，主要輸入參數為葉片透過率和反射率、LAI、LAD(leaf inclination angle distribution )、土壤反射率、太陽天頂角和觀測天頂角等。Cm、Cab為地面實測數據均值，EWTL、LAI輸入最大值和最小值根據地面實測數據的范圍確定，其他主要參數依據參考文獻和模型建議值(表1)。

利用Prosail模型得到的植被冠層反射率，然后基于Landsat 8的波段響應函數，將Prosail模型得到的高光譜反射率數據模擬等效的TM藍波段(436～528 nm)、紅波段(625～691 nm)、近紅外波段(829～900 nm)和兩個短波紅外(1 550～1 750 nm、2 090～2 350 nm)的反射率數據以構建植被指數。轉換模型為：

表1Prosail模型輸入參數設置

Table1NominalvaluesandrangeofparametersusedforthecanopysimulationswiththeProsailmodel

輸入參數Parameter輸入值ValuesandrangeEWTL0．01～0．09g·cm-2(步長0．01)0．01～0．09g·cm-2(0．01steplength)LAI0．5～8(步長0．1)0．5～8(0．1steplength)Cm0．005g·cm-2Cab42．7mg·cm-2Ns1．3

(3)

式中,Reg為模擬的等效TM8反射率；RASD(λ)為Prosail模擬高光譜反射率；fTM(λ)為TM8傳感器目標波段的光譜響應函數。

1.4 植被指數構建

基于模擬可見光、近紅外和兩個短波紅外波段以及對應Landsat 8四個波段反射率分別構建四種常用的植被指數(表2)。

表2植被指數計算公式

Table2Formulasofvegetationindices

植被指數Vegetationindex計算公式FormulaNDVI(Rnir-Rred)/(Rnir+Rred)EVI2．5?(Rnir-Rred)/(Rnir+6?Rred-7．5?Rblue+1)NDWI5(Rnir-Rswir5)/(Rnir+Rswir5)NDWI7(Rnir-Rswir7)/(Rnir+Rswir7)

Rblue、Rred、Rnir、Rswir5、Rswir7分別代表Landsat 8數據的第2波段(436～528 nm)、第4波段(625～691 nm)、第5波段(829～900 nm)、第6波段(1 550～1 750 nm)和第7波段(2 090～2 350 nm)反射率。

Rblue,Rred,Rnir,Rswir5andRswir7represent the reflectivity of the second wave land(436-528 nm),fourth wave land(625-691 nm),fifth wave land(829-900 nm),sixth wave land(1 550-1 750 nm)and seventh wave land(2 090-2 350 nm) from Landsat 8 data,respectively.

2 結果與分析

2.1 植被指數與小麥冠層含水量的相關性

經相關分析，植被指數NDVI、EVI、NDWI5和NDWI7與植被冠層含水量的相關性均達到極顯著水平(表3)。其中，基于短波紅外構建的NDWI與植被冠層含水量的相關性優于常用的NDVI和EVI，且利用第5波段構建的指數NDWI5與植被含水量相關性比利用第7波段構建的指數NDWI7更好。基于TM8數據構建的植被指數與植被觀測含水量的相關系數高于Prosail模型模擬的植被指數。

2.2 小麥冠層含水量反演模型的建立

根據相關性分析結果，分別選取基于Prosail模型模擬的植被指數NDWI5和冠層含水量數據，以及37個地面實測小麥冠層含水量數據和對應點的Landsat 8的NDWI5指數，建立線性、指數、多項式和冪函數模型(表4)。在四種模型中，兩種NDWI與冠層含水量的統計關系中都以指數函數模型的決定系數(r2)最大，且除線性模型外，且基于Prosail模型的NDWI5所構建的反演模型的r2均優于基于TM8的NDWI5所構建的反演模型。因此，將NDWI5與植被冠層含水量的指數模型作為最佳反演模型。

表3寬波段植被指數與植被冠層含水量的的相關性

Table3CorrelationbetweenEWTcandvegetationindex

植被參數VegetationindexrProrTM8NDVI0．419??0．831??EVI0．488??0．841??NDWI50．808??0．862??NDWI70．711??0．850??

**：P<0.01。rPro、rTM8分別代表基于Prosail模型和TM8得到的植被指數與冠層含水量的相關系數。

**:P<0.01.rProandrTM8represent correlation coefficients of the vegetation indices based on Prosail model and Landsat 8 data with EWTc,respectively.

表4基于寬波段NDWI5與冠層含水量的統計模型

Table4StatisticsmodelsbetweenNDWI5andEWTc

NDWI5來源NDWI5source反演模型Inversionmodelr2Prosaily=0．8102x-0．1850．659y=0．0412e4．7306x0．854y=1．7843x2-0．8736x+0．14180．762y=0．6012x1．73960．806TM8y=0．8587x-0．01990．718y=0．0477e4．515x0．806y=-0．4210x2+1．1049x-0．04640．720y=0．6468x0．87630．675

2.3 小麥冠層含水量反演模型的驗證

為進一步對比分析Prosail模擬反射率和衛星TM8數據反射率在反演植被冠層含水量中的效果，利用剩余的10個地面實測值和對應點的Landsat 8 NDWI5數據對上述兩個最佳模型分別進行驗證。從圖2可以看出，兩個模型模擬的冠層含水量值與實測值相關性和平均相對誤差都比較一致，決定系數r2分別為0.790 0和0.794 8，RMSE分別為0.151 2和0.152 8 kg·m-2。該精度能夠滿足農業、生態對區域植被冠層含水量信息的需求。

3 討 論

經驗統計模型和輻射傳輸模型是作物長勢參數遙感模擬最常用的兩種方法。本研究依托地面實測數據和衛星遙感數據的光譜響應函數，分別基于Prasail模型和Landsat 8 OLI衛星數據進行小麥冠層含水量反演，結果表明，在有地面數據數據支持的情況下，基于Prosail模型模擬得到的NDWI5和基于Landsat 8構建的NDWI5在植被冠層含水量反演中的精度均優于NDVI、EVI和NDWI7，與程曉娟等基于近地高光譜與TM遙感影像的冬小麥冠層含水量反演的結果比較一致[12]。Chuvieco等[13]基于TM開展植株含水量FMC研究也發現，與TM第7被段相比，TM第5波段與FMC的相關性更強。本研究進一步開展兩種方法結果精度的對比分析，結果發現，在有地面數據支持的情況下，兩種方法在小麥冠層含水量反演中的精度較為一致。

圖2 小麥反演植被冠層含水量與地面實測值的比較

本研究結果對于植被冠層含水量遙感反演有重要意義，尤其是為地面實測數據過少時擬開展植被含水量反演研究提供了一種新的思路，但本研究是基于有限的試驗樣本進行相關探討的，且供試品種單一，所建立的小麥冠層含水量反演模型仍然存在一定的不確定性，因而還需要更多的試驗加以驗證補充。

參考文獻：

[1] JACKSON T J,CHEN D Y,COSH M,etal.Vegetation water content mapping using Landsat data water index for corn and soybeans [J].RemoteSensingofEnvironment,2004,92:475.

[2] 宋小寧,馬建威,李小濤,等.基于Hyperion高光譜數據的植被冠層含水量反演[J].光譜學與光譜分析,2013(10):2833.

SONG X N,MA J W,LI X T,etal.Estimation of vegetation canopy water content using hyperion hyperspectral data [J].SpectroscopyandSpectralAnalysis,2013(10):2833.

[3] CHENG Y B,ZARCO T P J,RIANO D,etal.Estimating vegetation water content with hyperspectral data for different canopy scenarios:Relationships between AVIRIS and MODIS indexes [J].RemotesensingofEnvironment,2006,105:354.

[4] CLEVERS J G P W,KOOISTRA L,SCHAEPMAN M E.Using spectral information from the NIR water absorption features for the retrieval of canopy water content [J].InternationalJournalofAppliedEarthObservationandGeoinformation,2008,10(3):388.

[5] CLEVERS J G P W,KOOISTRA L,SCHAEPMAN M E.Estimating canopy water content using hyperspectral remote sensing data [J].InternationalJournalofAppliedEarthObservationandGeoinformation,2010,12(2):119.

[6] GHULAM A,LI Z L,QIN Q M,etal.Estimating crop water stress with ETM+NIR and SWIR data [J].AgriculturalandForestMeteorology,2008,148:1679.

[7] 程曉娟,楊貴軍,徐新剛,等.新植被水分指數的冬小麥冠層水分遙感估算[J].光譜學與光譜分析,2014(12):3391.

CHENG X J,YANG G J,XU X G,etal.Estimating canopy water content in wheat based on new vegetation water index [J].SpectroscopyandSpectralAnalysis,2014(12):3391.

[8] 王 強,易秋香,包安明,等.棉花冠層水分含量估算的高光譜指數研究[J].光譜學與光譜分析,2013(2):507.

WANG Q,YI Q X,BAO A M,etal.Discussion on hyperspectral index for the estimation of cotton canopy water content [J].SpectroscopyandSpectralAnalysis,2013(2):507.

[9] GAO B C.NDWI-a normalized difference water index for remote sensing of vegetation liquid water from space [J].RemoteSensingofEnvironment,1996,58:257.

[10] 劉小磊,覃志豪.NDWI與NDVI指數在區域干旱監測中的比較分析-以2003年江西夏季干旱為例[J].遙感技術與應用,2007(5):608.

LIU X L,QIN Z H.Comparative Analysis between NDWI and NDVI indices in regional drought monitoring [J].RemoteSensingTechnologyandApplication,2007(5):608.

[11] 田永超,朱 艷,曹衛星,等.小麥冠層反射光譜與植株水分狀況的關系[J].應用生態學報,2004,15(11):2072.

TIAN Y C,ZHU Y,CAO W X,etal.Relationship between canopy reflectance and plant water status of wheat [J].ChineseJournalofAppliedEcology,2004,15(11):2072.

[12] 程曉娟,楊貴軍,徐新剛,等.基于近地高光譜與TM遙感影像的冬小麥冠層含水量反演[J].麥類作物學報,2014,34(2):227.

CHENG X J,YANG G J,XU X G,etal.Inferred water content of winter wheat based on ground hyperspectral and remote sensing data of TM5 [J].JournalofTriticeaeCrops,2014,34(2):227.

[13] CHUUVIECO E,RIANO D,AGUADO I,etal.Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data:Applications in fire danger assessment [J].InternationalJournalofRemoteSensing,2002,23(11):2145.