基于遙感數據的凈月潭公園植被冠層葉片含水率反演

孫拱 邢濤 邢艷秋 黃佳鵬

摘 要：植被冠層含水率是研究全球水循環(huán)中的重要參數之一。為了解決大范圍、全天候獲取植被冠層含水率的問題，本研究以長春凈月潭公園植被冠層含水率為研究對象，采用Landsat8 OLI和Sentinel-1A數據，選取NDVI、NDMI、RVI和基于雷達數據構建的SARI1、SARI2、SARI3等6種植被指數，結合實測凈月潭公園植被冠層含水率，通過一元線性回歸、指數回歸和二元線性回歸等的方法建立經驗模型，得到凈月潭公園區(qū)域植被冠層含水率反演結果。實驗結果為：二元線性回歸反演模型決定系數（R2）均大于0.8，利用NDVI-NDMI與植被冠層含水率建立的反演模型決定系數（R2）為0.878，SARI3與植被冠層含水率建立的反演模型決定系數（R2）均大于0.6。實驗結果表明：NDVI-NDMI的二元線性回歸模型能較好的運用于植被冠層含水率的反演中，同時雷達數據在植被冠層含水率反演中有一定價值，對于多光譜數據是一個不錯的補充。

關鍵詞：植被冠層含水率;遙感數據;植被指數;模型反演;經驗模型

中圖分類號：S762.1 ? ?文獻標識碼：A ? 文章編號：1006-8023（2019）05-0032-07

Abstract：Vegetation canopy water content is one of the important parameters in the study of the global water cycle. In order to solve the problem of obtaining vegetation canopy water content in large-scale and all-weather， this study studied the vegetation canopy water content of Changchun Jingyuetan Park using Landsat8 OLI and Sentinel-1A data， selected 6 vegetation indexes including NDVI， NDMI， RVI and SARI1， SARI2， SARI3 based on radar data. Combined with the measured vegetation canopy water content of Jingyuetan Park， the empirical model was established by means of linear regression， exponential regression and binary linear regression， and the inversion results of vegetation canopy water content in Jingyuetan Park were obtained. The results were as follows： the coefficient of determination （R2） of the binary linear regression inversion model was greater than 0.8， and the inversion model determined by NDVI-NDMI and vegetation canopy water content coefficient （R2） was 0.878， and the determination coefficient （R2） of the inversion model established by SARI3 and vegetation canopy water content was greater than 0.6. The experimental results showed that the binary linear regression model of NDVI-NDMI can be applied to the inversion of vegetation canopy water content， and the radar data has certain value in the inversion of vegetation canopy water content， which is a good supplement for multi-spectral data.

Keywords：Vegetation canopy water content; remote sensing data; vegetation index; model inversion; empirical model

0 引言

植被冠層含水率（Vegetation Canopy Water Content，VCWC）是林業(yè)、水文研究的重要參數，在全球的水循環(huán)中占有重要的作用，森林冠層含水率的監(jiān)測可用于植被長勢的評估，也為森林火災的預警提供新的途徑[1]。因此，大范圍的植被冠層含水率監(jiān)測有著重要的現實意義和科學價值。

現有的遙感手段反演植被冠層含水率主要有基于多光譜數據的植被指數法和基于雷達數據的介電常數法[2-3]。基于多光譜數據的植被指數法是利用不同波段對植被冠層含水率光譜反射率的差異性，通過建立植被指數，將植被冠層含水率與地物光譜反射率相關聯(lián)。聞熠等人基于ASTER數據利用植被指數法對黑河中游植被冠層含水率進行反演，得到較好的反演精度[4]。利用微波數據反演植被冠層含水率的原理是雷達數據中的后向散射信息與地物的介電常數直接相關，而植被冠層含水率又直接影響介電常數。據此，Moghaddam等人提出了應用雷達數據實現植被冠層含水率反演的方法[5]。基于多光譜數據的植被指數法是基于植被的光譜反射特性建立的，因此在特定種類的植被冠層含水率反演上具有較高的精度，該方法的缺點在于多光譜數據受到氣候條件影響嚴重在天氣狀況不好時無法有效的獲取數據?；诶走_數據的介電常數法是通過地物介電常數將雷達數據的后向散射系數與植被冠層含水率相關聯(lián)，實現植被冠層含水率反演。該方法的優(yōu)點在于雷達數據獲取不受氣候等條件影響，該方法缺點在于雷達數據存在較多的噪聲點無法直觀的表達地物信息。

基于此，本研究結合兩種遙感數據的優(yōu)點，通過Sentinel-1A和Landsat8 OLI數據，基于3種常用的植被指數和基于雷達數據建立的植被指數，先對各植被指數與植被冠層含水率之間進行相關性分析，然后采用一元線性回歸、指數回歸和二元線性回歸等方法，建立了植被冠層含水率反演模型。通過分析對比不同的植被冠層含水率模型，選出其中最優(yōu)的模型對長春凈月潭區(qū)域植被冠層含水率進行反演。

1 研究數據與研究方法

1.1 研究區(qū)簡介

研究區(qū)的地點為吉林省長春市凈月潭森林公園，位于長春市建成區(qū)東南9 km，東經125°25′52″-125°30′35″，北緯43°45′-43°48′18″，總面積112 km2。凈月潭公園森林面積60 km2，人工林占地達到56 km2，主要樹種為樟子松（Pinus）、長白落葉松（Lolgensis）、黑皮油松（nigrum Chinese abiete）、冷杉（Abies fabri Craib）和水曲柳（Cinis）等。

1.2 地面實測數據

通過高分辨率影像觀察研究區(qū)空間分布特征，本研究在2017年9月15日至22日，在研究區(qū)內隨機選取了50塊樣地進行測量，樣方大小為20 m×20 m的正方形，樣點位置及分布情況如圖1所示。在數據采集時通過使用手持GPS接收機記錄樣地的中心位置。對研究區(qū)中的每塊樣地采集優(yōu)勢樹種的冠層樣本，數據采集期間天氣狀況良好。

樣本的數據處理主要分以下3個步驟：①鮮重測量：在樣本點將采集到的植被冠層放入事先編號并稱重的塑料袋中密封，帶回室內去除冠層的枝干，保留植被葉片部分放入塑料袋中，使用精度為1 mg的電子秤進行稱重，并將稱得重量減去塑料袋的重量記為冠層鮮重。②干重測量：將葉片放入牛皮紙袋密封，在75 ℃的烘干箱中將葉片連續(xù)烘烤10個小時，連袋一起使用電子秤測量，減去紙袋重量得到冠層干重。③冠層含水率計算：通過公式（3）計算得到植被冠層含水率。

1.3 遙感數據及預處理

實驗使用了Landsat8 OLI和Sentinel-1A兩種類型的遙感數據，獲取的時間分別為2017年9月22號和2017年9月25日，基本上與地面實測數據時間同步。對Landsat8 OLI數據，本研究采用了ENVI進行了預處理，包括數據融合、輻射定標和FLASSH大氣校正，最后得到地表反射率數據產品，分辨率為15 m×15 m，處理后數據如圖2（a）所示。對Sentinel-1A數據，本研究采用GAMMA進行了預處理，包括多視處理、濾波處理、地理編碼和分貝計量等，最后得到以分貝表示的地表后向散射系數，分辨率為40 m×40 m處理后的數據如圖2（b）所示。

1.4 研究方法

為了研究植被冠層含水率，研究人員提出了多種評價標準，常見的植被冠層含水率表示方式有三種[6]，分別是等效水深（Equivalent Water Thickness，EWT）、相對含水率（Relative Water Content，RWC）、葉片含水率（Fuel Moisture Content，FMC），見公式（1）-公式（3）。

EWT=（FW-DW）A。（1）

RWC=（FW-DW）（TW-DW）。 （2）

FMC=（FW-DW）FW×100%。 （3）

式中：FW表示葉片鮮重;DW表示葉片干重;TW表示葉片飽和鮮重;A表示葉面面積。EWT、RWC和FMC是表征植被冠層含水率的三個不相關量，基于實驗數據的獲取情況，本研究中采取的植被冠層含水率為FMC。

以植被指數為自變量，利用植被冠層光譜反射特征，通過植被冠層含水率與植被指數的經驗回歸關系估算植被冠層含水率，這種方法是現今較常用的一種反演植被冠層含水率的建模方法。參考已有的植被指數[7]，本研究中選擇了歸一化差值植被指數（Normalized Difference Vegetation Index，NDVI）、歸一化濕度指數（Normalized Difference Moisture Index， NDMI）和比值植被指數（Ratio Vegetation Index，RVI）等三種常見的植被指數[8]，同時利用雷達數據建立了SARI1、SARI2和SARI3等3種新的植被指數進行對比分析（表1）。

結合上述的6種植被指數，為確定這6種植被指數與植被冠層含水率之間的相關性。本研究首先對各植被指數與植被冠層含水率之間進行了Spearman相關系數的計算。通過計算得到相關系數的結果，剔除與植被冠層含水率相關性較低的植被指數，對相關性較高的植被指數進行主成分分析，并提取主成分析的第一主成分。最后利用各植被指數和主成分分析的第一主成分與植被冠層含水率通過回歸分析建立經驗模型，實現植被冠層含水率的反演。本研究根據回歸模型的類型首先選取了一元線性回歸模型和指數回歸模型[9]，然后根據自變量和因變量的對應關系又選取了二元線性回歸模型[10]，對植被冠層含水率與植被指數之間進行了回歸分析?；貧w模型見表2。

2 實驗結果與分析

為了選取最優(yōu)的植被指數對長春凈月潭區(qū)域植被冠層含水率進行反演，本研究首先通過Landsat8 OLI和Sentinel-1A數據對RVI、NDVI、NDMI、SARI1、SARI2、SARI3等植被指數進行計算，并根據各樣地點的位置信息提取出了各樣地點對應的植被指數。然后計算了6種植被指數和樣地實測植被冠層含水率相互之間的相關關系，根據相關關系選取相關性較強的幾種植被指數進行主成分分析，并將其中第一主成分作為參數參與植被冠層含水率反演。最后對各種植被指數參數與實測植被冠層含水率進行一元線性回歸分析、指數回歸分析和二元線性回歸分析。

2.1 相關性分析

為了研究植被指數與植被冠層含水率之間的相關關系，本研究將6種植被指數與植被冠層含水率之間進行相關性分析。本研究采用Spearman相關系數來進行相關性分析（表3）。由表3可以看出，植被冠層含水率與NDVI、NDMI、RVI、SARI2、SARI3之間的相關性較高，且這5種植被指數之間相關性較高，為了獲取一個最優(yōu)解，本研究中將這5種植被指數進行主成分分析，并將第一主成分分量作為變量與植被指數一起對植被冠層含水率進行回歸分析，為了便于敘述，將主成分分量命名為VSI。植被冠層含水率與SARI1之間呈負相關關系，由于其相關性較低，在后續(xù)的研究中將SARI1剔除。

2.2 回歸分析

為了研究NDVI、NDMI、RVI、SARI2、SARI3、VSI分別與植被冠層含水率之間的關系，本研究先對植被冠層含水率與6種植被指數進行一元線性回歸分析，得到回歸模型、決定系數（R2）、F檢驗統(tǒng)計量和F檢驗顯著性（表4）。

對于回歸分析方法，按回歸模型的類型可劃分為線性回歸模型和非線性回歸模型。除表4中線性關系外，植被冠層含水率還可能與植被指數之間存在非線性關系。為了進一步的探究植被冠層含水率與植被指數的相關關系，本研究對上述6種植被指數進行指數分析，得到指數回歸模型、決定系數（R2）、F檢驗統(tǒng)計量和F檢驗顯著性（表5）。

為了更為直觀的比較一元線性回歸模型與指數回歸模型，圖3展示了植被冠層含水率與植被指數間的散點圖。

對于回歸分析方法，按回歸模型的因變量與自變量之間的對應關系還可以劃分為一元回歸模型和多元回歸模型。結合各植被指數之間的相關關系，由于NDVI、RVI、SARI2、SARI3之間的相關性較強，而這4種植被指數與NDMI之間的相關性相對較弱，本研究利用NDVI-NDMI、RVI-NDMI、SARI2-NDMI、SARI3-NDMI以及VSI-NDMI與植被冠層含水率建立二元線性回歸模型，得到指數回歸模型、調整復測定系數（調整R2）、F檢驗統(tǒng)計量和F檢驗顯著性（表6）

2.3 結果與分析

由表3中可以看出，NDVI、NDMI、RVI、SARI2、SARI3與植被冠層含水率之間呈正相關，SARI1與植被冠層含水率之間呈負相關。其中NDVI、NDMI、RVI、SARI2、SARI3與植被冠層含水率之間的相關系數均大于0.7，并且在0.01的顯著水平上通過雙尾顯著性檢驗，說明這5種植被指數與植被冠層含水率之間具有較好的相關性，可用于植被冠層含水率的反演。這與韓曉勇[10]在植被指數與植被冠層含水率間的相關關系研究結果具有一致性。

由表4中結果可以看出，NDVI、NDMI、RVI、SARI3、VSI與植被冠層含水率反演模型的決定系數（R2）均大于0.6，并且在0.01顯著性水平上通過F檢驗，說明這5種植被指數與植被冠層含水率之間存在著良好的線性關系，其中FMC-NDMI和FMC-VSI反演模型的決定系數（R2）達到0.8以上，這兩種線性回歸模型可以較好的用于植被冠層含水率的反演。對比表4與表5可以看出，利用指數回歸分析植被冠層含水率與植被指數之間的關系中，NDVI、SARI2、SARI3、VSI與植被冠層含水率建立反演模型中的決定系數（R2）在增大，說明植被冠層含水率與這4種植被指數間呈指數函數關系。而NDMI、RVI與植被冠層含水率建立反演模型中的決定系數（R2）在減小，說明植被冠層含水率與這兩種植被指數間的指數關系與線性關系比較弱。通過圖3中植被指數與植被冠層含水率的散點圖分布可以看出，反演精度較高的點集中在植被冠層含水率為0.6附近，這與張海威[11]等在被指數對不同植被冠層含水率上反演精度的研究相一致。由表5可以看出，NDVI-NDMI、RVI-NDMI、SARI2-NDMI、SARI3-NDMI和VSI-NDMI等通過二元線性回歸建立反演模型的決定系數（R2）均大于0.8，并且在0.01顯著性水平上通過F檢驗，并且通過對比表4-表6的結果發(fā)現，不同的植被指數在二元線性回歸建立的反演模型上相對于一元線性回歸模型和指數回歸模型的決定系數（R2）均有一定程度的提升。說明二元線性回歸反演植被冠層含水率優(yōu)于一元線性回歸模型和指數回歸模型。在二元線性回歸模型中，由NDVI-NDMI構建的反演模型最優(yōu)，其決定系數（R2）為0.878。

對比表4-表6的結果可以看出，針對雷達數據提出的SARI2與SARI3植被指數建立的反演模型中，SARI3模型的決定系數（R2）均大于SARI2模型，說明VH數據在植被冠層含水率反演中的效果要優(yōu)于VV數據。

由表4-表6的結果可以看出，采用SARI3建立反演模型的決定系數均大于0.6，說明雷達數據能較好的運用于植被冠層含水率的反演中，雷達數據對于多光譜數據在植被冠層含水率的反演中是一個較好的補充。

本研究利用決定系數（R2）最高的NDVI-NDMI二元線性回歸模型對長春凈月潭區(qū)域植被冠層含水率進行了反演（圖4）。由圖4的長春凈月潭植被冠層含水率反演結果中可以看出，長春凈月潭區(qū)域植被冠層含水率主要分布在0.5～0.8，與實地測量結果吻合。圖中藍色區(qū)域為凈月潭水體部分，紅色區(qū)域為植被冠層含水率較低的區(qū)域，主要集中在山的陰坡面。野外調查的時間為9月底，正好是落葉林的葉片開始掉落的時間，而圖中整體植被冠層含水率偏低正好相吻合。

3 結論與討論

本研究通過Sentinel-1A和Landsat8 OLI數據，首先計算傳統(tǒng)的植被指數以及參考傳統(tǒng)植被指數建立基于雷達數據的植被指數，然后將不同的植被指數與植被冠層含水率進行相關性分析，根據相關性分析的結果對植被指數進行主成分分析，最后結合植被指數和相關性分析得出第一主成分，通過一元線性回歸、指數回歸和二元線性回歸等方法，實現對長春凈月潭區(qū)域植被冠層含水率的反演。結果表明：

（1）NDVI、NDMI、RVI、SARI2、SARI3這5種植被指數與植被冠層含水率之間具有較好的相關性，可用于植被冠層含水率的反演。

（2）NDVI-NDMI二元線性回歸反演模型可較好的對長春凈月潭區(qū)域植被冠層含水率進行反演。

（3）SARI2和SARI3建立的反演模型中，SARI3反演模型的決定系數（R2）均大于SARI2反演模型，說明VH數據在植被冠層含水率反演中的效果要優(yōu)于VV數據。

（4）SARI3反演模型的決定系數（R2）均達到0.6以上，說明雷達數據在植被冠層含水率的反演中有一定價值，對于多光譜數據是一個較好的補充。

本研究在過程中僅針對6種植被指數進行反演，由于Landsat8 OLI數據波段限制并未對雷達數據組合形成更多的植被指數，在雷達數據反演植被冠層含水率中，可能由于建模方式的局限性，導致模型決定系數（R2）偏低，在今后的研究中應進一步研究，提高雷達數據在植被冠層含水率反演中的反演精度，為應對不同氣候條件下植被冠層含水率的反演提供新思路。

【參 考 文 獻】

[1]肖化順，張貴，符朝曦，等.基于溫度植被干旱指數的湖南省林地干旱反演研究[J].中南林業(yè)科技大學學報，2018，38（7）：8-13.

XIAO H S， ZHANG G， FU Z X， et al. Forestry drought inversion based on temperature vegetation drought index in Hunan province[J]. Journal of Central South University of Forestry and Technology， 2018， 38（7）：8-13.

[2]ZHANG L J， MA H Z， ZHU X B， et al. Retrieval of vegetation canopy water content based on spectral index method[J]. Applied Mechanics and Materials， 2013，295-298：2446-2450.

[3]HUNT E R， DAUGHTRY C S T， QU J J， et al. Comparison of hyperspectral retrievals with vegetation water indices for leaf and canopy water content[J]. Proceedings of SPIE - The International Society for Optical Engineering， 2011， 8156：5.

[4]聞熠，黃春林，盧玲，等.基于ASTER數據黑河中游植被含水量反演研究[J].遙感技術與應用，2015，30（5）：876-883.

WEN Y， HUANG C L， LU L， et al. The retrieval of vegetation water content based on ASTER images in middle of Heihe River Basin[J]. Remote Sensing Technology and Application， 2015， 30（5）：876-883.

[5]USTIN S L， RIANO D， HUNT E R. Estimating canopy water content from spectroscopy[J]. Israel Journal of Plant Sciences， 2012， 60（1）：9-23.

[6]MAFFEI C， LEONE A P， VELLA M， et al. Retrieval of vegetation moisture indicators for dynamic fire risk assessment with simulated MODIS radiance[C]. IEEE International Geoscience & Remote Sensing Symposium， 2007：4648-4651.

[7]GLENN E P， NAGLER P L， HUETE A R. Vegetation index methods for estimating evapotranspiration by remote sensing[J]. Surveys in Geophysics， 2010， 31（6）：531-555.

[8]CHEN D Y， HUANG J F， JACKSON T J. Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands[J]. Remote Sensing of Environment， 2005， 98（2）：225-236.

[9]豐明博，牛錚.基于經驗模型的Hyperion數據植被葉綠素含量反演[J].國土資源遙感，2014，26（1）：71-77.

FENG M B， NIU Z. Chlorophyll content retrieve of vegetation using Hyperion data based on empirical models[J]. Remote Sensing for Land and Resources， 2014， 26（1）：71-77.

[10]韓曉勇.基于MODIS和地物光譜的植被水分定量遙感研究——以大興安嶺林區(qū)為例[D].西安：長安大學，2009.

HAN X Y. Quantitative study on estimation of vegetation water based on MODIS data and canopy spectra of vegetation - a case study in the Greater Hinggan Mountains forested areas[D]. Xian： Changan University， 2009.

[11]張海威，張飛，張賢龍，等.光譜指數的植被葉片含水量反演[J].光譜學與光譜分析，2018，38（5）：218-224.

ZHANG H W， ZHANG F， ZHANG X L， et al. Inversion of vegetation leaf water content based on spectral index[J]. Spectroscopy and Spectral Analysis， 2018， 38（5）：218-224.