植被指數與作物葉面積指數的相關關系研究

鄭踴謙，董 恒，張城芳，黃 鵬

(1.北京大學 地球與空間科學學院，北京 100871；2.武漢理工大學 資源與環境工程學院，武漢 430070；3.武漢華夏理工學院 土木與建筑工程系，武漢 430223)

0 引言

受資源環境破壞和全球氣候變化影響，糧食生產的空間極大受限，給糧食產量的持續增長帶來了極大的挑戰[1]。現代農業科技和“3S”技術結合的精細農業，高效利用農業資源，從而提升農作物產量，是應對該挑戰的一個重要途徑[2]。作物長勢的好壞與糧食產量有著密不可分的關系，作物長勢監測不僅能夠為田間水肥管理提供及時的信息，而且能為早期估計產量提供依據，是精細農業遙感監測的重要對象[3]。

葉面積指數(Leaf Area Index, LAI)是反映作物長勢的一個重要的生理參數，也是陸地生態過程、水熱循環和生物地球化學循環的重要參數。利用遙感手段可以在大區域尺度對作物的LAI進行有效的估算，得到LAI的時空分布，為區域農業管理和生態過程模擬提供了有力的數據支撐。目前，利用遙感方法對LAI進行反演主要可以分為兩類，即輻射傳輸模型法和統計關系模型法[4-5]。

1)輻射傳輸模型法。植被對太陽光的散射具有各向異性，衛星觀測的地表反射光譜很大程度上依賴于太陽高度角和衛星觀測角的關系。這種雙向反射特性可以用雙向反射率分布函數BRDF定量表示，從而給LAI定量反演提供了理論契機。一些學者結合地表BRDF模型和輻射傳輸模型反演LAI，較常用的反演LAI模型有SAIL系列模型[6]和三維輻射傳輸模型[7]。輻射傳輸模型不能直接用來反演LAI，而是把LAI作為輸入值，采用迭代的方式以優化技術逐步調整模型參數，直到模型輸出結果與遙感觀測資料達到一致，最后的迭代結果就是反演結果。為了加快優化速度和有效精度，查找表方法和遺傳算法等被廣泛使用[8-9]。

隨著輻射傳輸模型的發展和神經網絡、遺傳算法等智能算法的應用，基于物理輻射傳輸模型的LAI估算方法的得到了很大的發展，開發出多種全球和區域的LAI產品；但其空間分辨率較為粗糙(500m～1km)，不足以滿足精細農業應用需求。

2)統計關系模型法。利用遙感定量估計LAI的依據是植被冠層的獨特光譜特性，植被葉片的葉綠素吸收可見光，尤其是紅光，進行光合作用，所以紅光波段的反射率包含了植被冠頂層葉片的大量信息。在近紅外波段，植被有很高的反射率、透射率和較低的吸收率，近紅外波段反射率包含了冠層內部葉片的大量信息。統計法以植被光譜數據或其微分變換后數據構建的植被指數為自變量，LAI作為因變量，建立兩者間的統計模型。

估算LAI的植被指數通常由紅光和近紅外波段組合而成，如比值植被指數(RVI)、垂直植被指數(PVI)和歸一化差值植被指數(NDVI)。其中，NDVI是使用最普遍的一種植被指數，被廣泛用于LAI的估算中[10-11]，但存在一定易飽和的問題，且受土壤背景影響較大。

植被指數與LAI間的關系受到植被覆蓋度、土壤背景、大氣和葉冠結構等因素的影響，導致利用植被指數估計LAI的精度不高。為了提高估計精度，學者提出了很多改進的植被指數用來估計LAI，包括土壤調節植被指數SAVI、修正土壤調節植被指數MSAVI及大氣阻抗值被指數ARVI等[12-14]。

隨著無人機技術和高光譜遙感的發展，高空間分辨率和高光譜分辨率的特定區域的影像被大量采集，植被指數法估算LAI具有高效便捷的優點，依然是作物LAI反演的主要方法。近年來，高光譜遙感的發展為新的植被指數的構建提供了更大的機會。研究發現：植被指數的選取不同波長的反射率數據，對反演結果存在著一定的影響[15]。雖然一些研究比較和總結了部分植被指數在反演LAI的穩定性和精確性[13, 15-16]，但缺少對植被指數的波段敏感性的分析。

為了尋找一種可靠的反演LAI的植被指數，本研究挑選了最常用的6個植被指數作為候選。考慮到波段組合方式對葉面積指數的反演效果具有不可忽略的影響，采用4種不同的波段組合方式，結合PROSPECT和SAIL的模擬數據，構建不同的植被指數。同時，從植被指數的飽和性和擬合精度兩個角度對這6個植被指數展開了評價，并利用地面觀測數據和高光譜數據驗證所選經驗模型反演LAI的可靠性。

1 數據與方法

1.1 輻射傳輸模型模擬數據

本文利用Prospect+SAIL模型模擬在不同葉片生理參數和冠層結構參數下的冠層光譜數據。Prospect模型是目前為止最為廣泛認可和使用的葉片反射率模擬模型，能夠根據葉片的生化組分和散射參數模擬400～2 500nm范圍葉片向上和向下的半球反射。SAIL模型是一種基于四流近似的輻射傳輸方程，可以結合Prospect模型模擬的葉片反射率數據，模擬冠層反射率數據。為了模擬不同LAI和不同葉片葉綠素含量條件下的冠層光譜數據，分離LAI和葉綠素的交叉影響。在此過程中，其他的輸入參數保持固定值，具體的輸入參數如表1所示。

表1 Prospect+SAIL模型的輸入參數

續表1

1.2 地面實測數據

地面實測數據來源于 2011年3-6月在中國科學院山東禹城綜合試驗站，對小麥冠層同步進行了光譜數據和LAI數據的測量。本次試驗共采用了32個試驗小區，設計了5組不同施氮量和2組不同澆水量，水氮控制總共10個控制級別，在田間呈隨機分布，每個控制級別至少有3個重復。觀測從返青期(3月27日)開始，成熟期結束(5月25日)。參考王紀華等的研究[17]，觀測的周期確定為7～10天。

小麥冠層光譜測量采用ASD公司生產的FieldSpec Pro FR便攜式分光輻射光譜儀，光譜分辨率在350～1 050nm為3.5nm，在1 000～2 500nm為10nm。每個小區內設定4個樣點，在每個樣點采集5條光譜曲線，每次測量前都要利用標準白板進行校正。在去除異常樣點和異常曲線的基礎上，將每個小區的采集的光譜曲線進行平均，從而得到每個小區冠層的反射率光譜。所有光譜均在在天氣晴朗、少云、風力小的情況下觀測，觀測時間范圍為10:00-14:00，使用25°鏡頭，探頭方向垂直于冠層。

LAI的測量采用破壞法，在每塊樣地中選取一塊20cm×20cm的典型區域，將該區域中所有小麥采集進密封袋。在實驗室將葉片和莖分離，將分離出的葉片利用葉面積掃描儀(LI-3000)測量其面積，將所有葉片單面面積求和，除以樣方面積，從而獲得小區的LAI。

1.3 高光譜遙感影像

本文采用張掖市盈科灌區的EO-1 Hyperion高光譜影像來驗證模型，成像時間為2008年7月15日。與之同步的LAI地面實測數據為2008年7月15日中國科學院西部行動計劃課題組在張掖盈科，利用LAI-2000冠層分析儀開展的地面觀測，配合手持GPS定位，在圖像覆蓋區域內共有24個地面點。

Hyperion影像的地面空間分辨率為30m，在可見光—近紅外(356～1 058nm)內具有70個波段，光譜分辨率約為10nm。本文針對L1級影像，先剔除了未定標和水汽影響的波段，利用“全局均衡”方法[18]去除條紋，借助SOPT-5精校正影像進行空間幾何校正，利用FLAASH模型進行大氣校正，得到地面反射率數據。

1.4 植被指數

本文共選擇歸一化植被指數(NDVI)[19]、簡單比植被指數(SR)[20]、改進的簡單比植被指數(MSR)[21]、三角植被指數(TVI)[22]、改進的土壤可調節植被指數(MSAVI)[12]和改進的葉綠素吸收指數(MCARI2)[13]6個植被指數(見表2)作為候選，對LAI的估算進行研究。其中，綠色波段的位置選擇550nm，紅色波段的位置選擇680nm，近紅外波段的位置選擇710、750、800nm。選擇710nm代替傳統的680nm紅色波段可以一定程度上改善植被指數的飽和性問題[23]。另外，某些波段的組合(如800～680nm)對于分離葉綠素信息也有較好的效果[13]。本文對每個植被指數選取4種波段組合，即NIR-Red: 750～710nm，750～680nm，800～680nm，800～710nm。

表2 6個候選植被指數

2 結果與討論

2.1 模擬數據的評價

根據Prospect+SAIL模擬的冠層光譜數據，選擇不同的波段組合，按表2計算各植被指數的值。

2.1.1 植被指數的飽和性

飽和性是植被指數評價的一個重要指標。隨著LAI增大至某一值，繼續增大LAI對植被指數值影響不大，這種現象稱為植被指數達到飽和。圖1為在葉綠素含量為50μg/cm2時各植被指數隨LAI的變化曲線。為了便于比較，對各植被指數進行了歸一化處理，令其值范圍為0～1。

圖1 各植被指數的不同波段組合方式下歸一化值隨LAI的變化

由圖1可以看出：所有的指數都存在一定的飽和效應，但不同的指數之間存在較大的差異。SR具有較好的抗飽和性，在6個指數中總體表現最好，且不同的波段組合之間沒有明顯的差別；MSR作為SR 的改進，在飽和效應去除方面沒有明顯的改進，但兩者在去除飽和效應方面都比其他指數效果好，具體表現為在低植被覆蓋區域這兩個指數的變化相對于其他指數較慢，這也與Chen(1996)[21]的研究結果是一致的；NDVI是6個指數中飽和效應最明顯的，在低植被覆蓋區域，隨著LAI的增大，NDVI的增大速度最快，與Wu(2009)[23]的研究結果一致。對比幾種波段組合方式，750～710nm、800～710nm波段組合要比750～680nm、800～680nm波段組合在去除飽和效應問題上有一定提高。例如，后者在LAI為3時就明顯飽，而利用800～710nm波段組合則提高到LAI為4～5時才會明顯飽和。

TVI、MSAVI和MCARI2三者在飽和效應問題上沒有明顯的差別，都存在一定的飽和問題，不過在LAI大于5之前都不會出現明顯的飽和性問題；同時，三者還表現出一個特點，即750～710nm、800～710nm波段組合比750～680nm、800～680nm波段組合具有更好的抗飽和性效果。

2.1.2 LAI反演定量評價

基于Prospect+SAIL模擬數據，利用指數函數和線性函數建立植被指數與LAI之間的經驗關系，從而定量評價植被指數反演LAI的效果。表3列出兩種模型的R2。

表3 不同植被指數的不同波段組合與LAI擬合的擬合精度(R2)

指數模型的形式為y=alnx+b，線性模型的形式為y=ax+b，括號里面的R2為線性模型的擬合精度。

2.2 地面觀測數據評價

為了評價各植被指數的經驗模型反演LAI的可靠性，利用在禹城站實測的冠層光譜數據和同步測量的LAI數據，應用最小二乘法擬合得到植被指數與LAI的線性或指數關系。波段組合采用在模擬數據中反演效果較好的750～680nm，如圖2所示。

由圖2可知：6個植被指數與LAI之間都有較顯著的線性或指數關系。其中，SR和MSR與LAI之間表現出很明顯的線性關系，其他4個植被指數隨著LAI的增大，表現出一定的飽和性，呈現對數關系；6個植被指數對應的經驗模型的擬合精度沒有明顯的區別。從上述結果來看，由實地測量數據驗證得出的結論和模型模擬數據得出的結論存在著一定沖突，特別是SR和MSR表現最為明顯，這兩個指數的精度并沒有因為葉綠素濃度的影響受到很大的限制。不過分析認為，這和試驗區觀測樣本的范圍有關。由已有研究[24]可以發現：禹城試驗站各小區的LAI和葉綠素濃度具有較高的相關性，這樣也就不存在模擬數據中葉綠素含量干擾的問題；同時，由于SR和MSR都采用了近紅外波段與紅色波段的比值的處理方法，也使得植被指數與LAI之間的線性關系變得很好。

圖2 基于實測冠層光譜的植被指數與LAI的線性或指數關系

2.3 高光譜遙感數據評價

為了進一步對模擬結論進行驗證，分析這些植被指數在真實的情況下經驗地反演LAI的效果，利用Hyperion影像及同步實測的地面LAI數據對2.2中提出的經驗模型進行評價。具體為識別地面實測數據對應的影像像元，利用像元的反射率光譜計算表2中的植被指數，同樣應用最小二乘法擬合植被指數(波段組合為750～680 nm)與LAI之間的線性或指數函數關系，用R2評價模型可靠性，結果如圖3所示。

由圖3可知：各個指數對LAI都表現了不同程度的飽和。本文選擇對數回歸分析， 6個指數與LAI擬合曲線的R2分別為0.579 8、0.563 3、0.57 2、0.554 1、0.600 8和0.578 1。這說明，利用這些植被指數通過經驗方法反演LAI是一種比較可靠的方法。但是，6個指數之間沒有明顯的差異，這與樣本量較少有一定關系。

圖3 基于Hyperion數據的植被指數和LAI之間的指數關系

綜上模擬數據、實測數據和遙感數據的評價，TVI、MSAVI和MCARI2是較為合適地用來反演LAI的植被指數。

3 結論

本文旨在尋找一個合適的植被指數，與LAI建立經驗模型，從而可靠地反演作物的LAI。本文首先利用Porspect+SAIL模型模擬的冠層反射率光譜，從飽和性方面對候選的6個植被指展開了評價，結果表明：TVI、MSAVI和MCARI2等3個植被指數表現較優，波段的組合也對植被指數的這兩個特性產生影響。然后，利用這6個植被指數，根據模擬數據建立了其與LAI的經驗函數關系(線性和指數關系)，并利用地面實測數據和星載高光譜遙感數據對6個植被指數進行了進一步的評價。結果表明，利用TVI、MSAVI和MCARI2這3個植被指數建立的與LAI的經驗關系較顯著，且認為750～680 nm波段組合更加適合于LAI的反演。由于本文使用數據的局限性(驗證數據的值范圍小、驗證數據量少等)，研究也存在一些不足，今后需要更多的實測數據參與驗證。