基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于冠层反射率模型（物理模型）的 LAI 高光谱反 演精度主要受“维数灾难”和“病态反演”问题制约。1） 高光谱数据众多波段间的多重共线性导致“维数灾难”，致 使反演模型决定系数高但是预测精度差。因此，应进行 数据降维，选择尽可能正交的波段反演 LAI[7,15]。2）物 理模型不同的参数值组合易得到相似的光谱反射率，增 加 LAI 反演的不确定性，导致“病态反演”问题[16]，该 问题与物理模型参数化的不确定性密切相关。因此，在 基于高光谱和多光谱数据反演 LAI 的对比研究中，一方 面，应基于相同波段选择方案与物理模型参数不确定性 水平，剥离除光谱分辨率以外的其他因素对反演的影响； 另一方面，应验证不同的波段选择方案与物理模型不确 定性水平对反演的影响，以便限制不利因素，充分发挥 高光谱数据的优势。
到。MODTRAN 大气模型选择“中纬度夏季（MODEL=2，
CARD 1 ） ” ， 气 溶 胶 模 式 设 为 “ 乡 村 气 溶 胶 模 式
（IHAZE=1，CARD 2）”，其他参数取值参考相关研究[21]，
限于篇幅不再赘述。
2 研究方法
本研究 LAI 反演步骤如下：1）通过分析 ACRM 模 型各参数的敏感性，选取自由变量，确定模型参数化方 案。2）正向运行 ACRM 模型，构建查找表。3）反演波 段选择。4）比较模拟实测光谱，计算二者选定波段的均 方根误差（RMSE）作为代价函数，得到 LAI 反演结果。 2.1 ACRM 冠层反射率模型及其反演方法
ρh,λ ⋅ RSRλ ⋅ Lλ 。 RSRλ ⋅ Lλ
（1）
式中 ρm 为模拟 TM 多光谱反射率；ρh,λ 为 λ 波长的高光谱 反射率；RSRλ 为对应波长的 TM 光谱响应函数，从美国 地质调查局（United States Geological Survey，USGS）网
站 下 载[20] ； Lλ 为 太 阳 直射 辐 射 亮 度， 由 MODTRAN （moderate resolution atmospheric transmission）模型模拟得
第 32 卷 第 3 期 2016 年 2 月
农业工程学报 Transactions of the Chinese Society of Agricultural Engineering
Vol.32 No.3 Feb. 2016 155
基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较
刘 轲 1，周清波 1※，吴文斌 1,2，陈仲新 1，唐华俊 1
1 田间测量与数据准备
1.1 试验区与田间测量 研究区域位于河北省衡水深州市，地处华北平原，
是中国典型的冬小麦种植区。田间测量分别于 2014 年 4 月 29 日和 5 月 21 日进行，此时正值冬小麦拔节期和抽 穗期，在反演试验中分别记为 T1 和 T2，共测量了 5 块 冬小麦田块，为了体现测量的代表性，不同田块种植的 品种不同，各试验田块见表 1。
样本量 Sample
size
6
2 37°53′02″N，115°40′25″E 331×294 衡观 35 老系 6
3 37°53′06″N，115°41′53″E 140×190
石麦 15
5
4 37°53′01″N，115°42′08″E 334×193
衡 4444
6
5 37°49′59″N，115°44′17″E 148×124
为探索遥感数据光谱分辨率对冬小麦 LAI 反演的影 响，并排除不同数据源信噪比、传感器特性等干扰因素， 本研究基于实测冬小麦冠层高光谱反射率，利用 Landsat 5 TM 传感器光谱响应函数合成 TM 多光谱数据 红（R）、绿（G）、蓝（B）、近红外（NIR）波段[7,12,19]， 公式如下
∫ ∫ ρm =
关键词：植被；遥感；光谱分析；叶面积指数；高光谱；反演；波段选择
doi：10.11975/j.issn.1002-6819.2016.03.022
中图分类号：S126；TP79
文献标志码：A
文章编号：1002-6819(2016)-03-0155-06
刘 轲，周清波，吴文斌，陈仲新，唐华俊. 基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较[J]. 农业工程 学报，2016，32(3)：155－162. doi：10.11975/j.issn.1002-6819.2016.03.022 http://www.tcsae.org Liu Ke, Zhou Qingbo, Wu Wenbin, Chen Zhongxin, Tang Huajun. Comparison between multispectral and hyperspectral remote sensing for LAI estimation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 155－162. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.03.022 http://www.tcsae.org
造了不同光谱分辨率和波段组合的 5 种光谱数据。基于 ACRM（a two-layer canopy reflectance model）模型、2 套参数化方
案及上述 5 种光谱数据，对冬小麦 LAI 进行反演，分析光谱分辨率、高光谱数据波段选择、模型参数不确定性 3 方面因素
对 LAI 反演精度与稳定性的影响。研究结果表明：当波段选择适宜、模型参数不确定性较小且光谱数据分辨率较高时，LAI
表 1 试验样地
田块 编号 Plot No.
1
Table 1
中心点地理坐标 Geographic coordinates
of plot center
37°53′02″N，115°40′14″E
Sample plots
长×宽 Length×Width/
m×m
405×487
小麦品种 Cultivars
衡观 35 新系
本研究利用 ACRM（a two-layer canopy reflectance model）冠层反射率模型和基于查找表（look-up table， LUT）的反演方法开展 LAI 反演研究。基于 2 个时相的 冬小麦冠层反射率高光谱实测数据构造了不同光谱分辨 率和波段组合的 5 种反射率数据，制订了 ACRM 模型的
（1.农业部农业信息技术重点实验室/中国农业科学院农业资源与农业区划研究所，北京 100081； 2.华中师范大学城市与环境科学学院，武汉 430079）
摘 要：近年来，高光谱遥感数据广泛应用于农作物叶面积指数（LAI）反演。与常用的多光谱遥感数据相比，高光谱数据
能否提高农作物 LAI 反演的精度和稳定性还存在争议。针对这一问题，该研究利用实测冬小麦冠层高光谱反射率数据，构
156
农业工程学报（http://www.tcsae.org）
2016 年
2 套参数化方案。基于此，开展 LAI 反演试验，探索了遥 感数据光谱分辨率、波段选择方案、物理模型参数不确 定性 3 方面因素对 LAI 反演的影响，揭示了发挥高光谱 数据优势的必要条件，以期为合理利用高光谱数据反演 作物 LAI 提供科学参考。
用 的 AVIRIS （ airborne visible infrared imaging spectrometer）传感器信噪比低[12]；仅依赖冠层反射率模 型模拟光谱而非实测光谱[11-12]；基于植被指数（vegetation indices，VIs）开展 LAI 反演而未采用更能体现高光谱数 据优势的光谱特征参量，如红边参量等[7,11,14]。因此，如 何合理利用高光谱数据提高 LAI 反演精度与稳定性仍是 亟待研究的重要科学问题。
本研究选用 ACRM 模型原因如下：1）ACRM 模型 考虑了热点效应、植被叶片群聚效应和双层冠层对植被 二向反射的影响。针对具有显著直立结构的作物冠层， ACRM 模型利用马尔可夫链原理改进了叶倾角分布函 数。2）ACRM 模型耦合了 PROSPECT 模型描述叶片组 分光谱及 Price[22]提出的 4 个基函数（rsl1～rsl4）描述土 壤光谱，并以 Ångström 浊度系数模拟天空光比，解决了 辐射传输模型中相关输入参数难以获取的问题[23]。3）前 人研究同时表明，ACRM 模型模拟精度良好，是较为成 熟、完善、可靠的均匀冠层反射率模型[24-27]。
反演精度与稳定性更高，提高光谱分辨率对 LAI 反演精度的改进作用随光谱分辨率的升高而降低；反之，当高光谱数据波
段选择不当或者模型参数不确定性较大时，提高光谱数据的分辨率并未提高 LAI 反演精度。该研究解释了“高光谱遥感数据
能否提高植被参数反演精度”问题，为进一步发挥高光谱数据在农作物 LAI 反演中的潜力提供了科学参考。
济麦 22
5
Biblioteka Baidu
大致沿田块对角线均匀布设 5～6 个样本点，研究区 共设 28 个样本点。每个样本点为长 50 cm、宽 4 垄（约 150 cm）的样方，在样方中进行测量。利用 FieldSpec 4 光 谱仪（美国 ASD 公司生产）测量冠层光谱，探头视场角 为 10°，垂直向下，距小麦冠层顶部高度约 1 m，光谱测 量范围 350～2 500 nm，光谱分辨率 1 nm。为减少计算量， 将光谱分辨率重采样为 5 nm，并采用 Gao[17]提出的基于 移动窗内局部均值与局部方差的方法计算各波段的信噪 比，结果表明感兴趣波段 445～1 200 nm 信噪比均大于 50，可直接用于反演。采用 LAI-2200 冠层分析仪（美国 LI-COR 公司生产）测量 LAI。在每个样本点分别选取 5 和 10 株冬小麦叶片样本各一份，使用 LI-3000 便携式叶面积 仪（美国 LI-COR 公司生产）现场测量各样本的总叶面积， 并秤量叶鲜质量后冷藏送至实验室。5 株冬小麦的叶片样本 用于测量叶片叶绿素含量 Cab；10 株冬小麦的叶片样本烘干 至恒质量，秤量叶片干质量，根据叶片干、湿质量求得冬 小麦叶片干物质含量 Cm、含水量 Cw 和比叶重（leaf specific weight，SLW）。利用各样本的总叶面积，将 Cab、SLW、 Cw 单位换算为 g/m2，以符合 ACRM 模型的预定义[18]。 1.2 合成模拟 TM 多光谱数据
收稿日期：2015-04-10 修订日期：2015-12-16 基金项目：测绘地理信息公益性行业科研专项（201512028）；国家自然科 学基金项目（41271112） 作者简介：刘 轲，男，四川攀枝花人，博士生，主要从事作物参数遥感反 演方法研究。北京 中国农业科学院农业资源与农业区划研究所，100081。 Email：billc_st@163.com ※通信作者：周清波，男，湖南沅江人，博士，研究员，博士生导师。主要 从事农情遥感领域的基础研究和应用基础研究。北京 中国农业科学院农业 资源与农业区划研究所，100081；Email：zhouqingbo@caas.cn
0引言
叶面积指数（LAI）反映了农作物生理生化过程和生 产力状况。获取农作物 LAI 及其动态变化信息对农作物 长势监测和产量估测等应用具有重要意义[1-3]。遥感技术 能够经济、高效、无损地估测农作物 LAI，成为了目前获 取大尺度农作物 LAI 的主要技术手段。高光谱数据尤其 能够刻画地物光谱细节，支持波形分析技术，因此，在 农作物 LAI 遥感反演研究中得到了广泛的应用[4-6]。较之 多光谱数据，高光谱数据能否提高农作物 LAI 反演的精 度与稳定性仍存在学术争议。部分研究表明高光谱数据 有助于提高 LAI 反演精度[7-10]，也有研究得出与之相反的 结论[11-13]，例如李小文等[13]通过 Li-Strahler 模型参数敏感 性分析认为：结构参数与波谱无关，波段数量增加并不 能提供更多关于结构参数的信息。总结前人研究可以发 现，因为当时的客观条件和主流 LAI 反演方法，这些高 光谱-宽波段的对比研究存在很多不足[7]，例如：早期常
到。MODTRAN 大气模型选择“中纬度夏季（MODEL=2，
CARD 1 ） ” ， 气 溶 胶 模 式 设 为 “ 乡 村 气 溶 胶 模 式
（IHAZE=1，CARD 2）”，其他参数取值参考相关研究[21]，
限于篇幅不再赘述。
2 研究方法
本研究 LAI 反演步骤如下：1）通过分析 ACRM 模 型各参数的敏感性，选取自由变量，确定模型参数化方 案。2）正向运行 ACRM 模型，构建查找表。3）反演波 段选择。4）比较模拟实测光谱，计算二者选定波段的均 方根误差（RMSE）作为代价函数，得到 LAI 反演结果。 2.1 ACRM 冠层反射率模型及其反演方法
ρh,λ ⋅ RSRλ ⋅ Lλ 。 RSRλ ⋅ Lλ
（1）
式中 ρm 为模拟 TM 多光谱反射率；ρh,λ 为 λ 波长的高光谱 反射率；RSRλ 为对应波长的 TM 光谱响应函数，从美国 地质调查局（United States Geological Survey，USGS）网
站 下 载[20] ； Lλ 为 太 阳 直射 辐 射 亮 度， 由 MODTRAN （moderate resolution atmospheric transmission）模型模拟得
第 32 卷 第 3 期 2016 年 2 月
农业工程学报 Transactions of the Chinese Society of Agricultural Engineering
Vol.32 No.3 Feb. 2016 155
基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较
刘 轲 1，周清波 1※，吴文斌 1,2，陈仲新 1，唐华俊 1
1 田间测量与数据准备
1.1 试验区与田间测量 研究区域位于河北省衡水深州市，地处华北平原，
是中国典型的冬小麦种植区。田间测量分别于 2014 年 4 月 29 日和 5 月 21 日进行，此时正值冬小麦拔节期和抽 穗期，在反演试验中分别记为 T1 和 T2，共测量了 5 块 冬小麦田块，为了体现测量的代表性，不同田块种植的 品种不同，各试验田块见表 1。
样本量 Sample
size
6
2 37°53′02″N，115°40′25″E 331×294 衡观 35 老系 6
3 37°53′06″N，115°41′53″E 140×190
石麦 15
5
4 37°53′01″N，115°42′08″E 334×193
衡 4444
6
5 37°49′59″N，115°44′17″E 148×124
为探索遥感数据光谱分辨率对冬小麦 LAI 反演的影 响，并排除不同数据源信噪比、传感器特性等干扰因素， 本研究基于实测冬小麦冠层高光谱反射率，利用 Landsat 5 TM 传感器光谱响应函数合成 TM 多光谱数据 红（R）、绿（G）、蓝（B）、近红外（NIR）波段[7,12,19]， 公式如下
∫ ∫ ρm =
关键词：植被；遥感；光谱分析；叶面积指数；高光谱；反演；波段选择
doi：10.11975/j.issn.1002-6819.2016.03.022
中图分类号：S126；TP79
文献标志码：A
文章编号：1002-6819(2016)-03-0155-06
刘 轲，周清波，吴文斌，陈仲新，唐华俊. 基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较[J]. 农业工程 学报，2016，32(3)：155－162. doi：10.11975/j.issn.1002-6819.2016.03.022 http://www.tcsae.org Liu Ke, Zhou Qingbo, Wu Wenbin, Chen Zhongxin, Tang Huajun. Comparison between multispectral and hyperspectral remote sensing for LAI estimation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 155－162. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.03.022 http://www.tcsae.org
造了不同光谱分辨率和波段组合的 5 种光谱数据。基于 ACRM（a two-layer canopy reflectance model）模型、2 套参数化方
案及上述 5 种光谱数据，对冬小麦 LAI 进行反演，分析光谱分辨率、高光谱数据波段选择、模型参数不确定性 3 方面因素
对 LAI 反演精度与稳定性的影响。研究结果表明：当波段选择适宜、模型参数不确定性较小且光谱数据分辨率较高时，LAI
表 1 试验样地
田块 编号 Plot No.
1
Table 1
中心点地理坐标 Geographic coordinates
of plot center
37°53′02″N，115°40′14″E
Sample plots
长×宽 Length×Width/
m×m
405×487
小麦品种 Cultivars
衡观 35 新系
本研究利用 ACRM（a two-layer canopy reflectance model）冠层反射率模型和基于查找表（look-up table， LUT）的反演方法开展 LAI 反演研究。基于 2 个时相的 冬小麦冠层反射率高光谱实测数据构造了不同光谱分辨 率和波段组合的 5 种反射率数据，制订了 ACRM 模型的
（1.农业部农业信息技术重点实验室/中国农业科学院农业资源与农业区划研究所，北京 100081； 2.华中师范大学城市与环境科学学院，武汉 430079）
摘 要：近年来，高光谱遥感数据广泛应用于农作物叶面积指数（LAI）反演。与常用的多光谱遥感数据相比，高光谱数据
能否提高农作物 LAI 反演的精度和稳定性还存在争议。针对这一问题，该研究利用实测冬小麦冠层高光谱反射率数据，构
156
农业工程学报（http://www.tcsae.org）
2016 年
2 套参数化方案。基于此，开展 LAI 反演试验，探索了遥 感数据光谱分辨率、波段选择方案、物理模型参数不确 定性 3 方面因素对 LAI 反演的影响，揭示了发挥高光谱 数据优势的必要条件，以期为合理利用高光谱数据反演 作物 LAI 提供科学参考。
用 的 AVIRIS （ airborne visible infrared imaging spectrometer）传感器信噪比低[12]；仅依赖冠层反射率模 型模拟光谱而非实测光谱[11-12]；基于植被指数（vegetation indices，VIs）开展 LAI 反演而未采用更能体现高光谱数 据优势的光谱特征参量，如红边参量等[7,11,14]。因此，如 何合理利用高光谱数据提高 LAI 反演精度与稳定性仍是 亟待研究的重要科学问题。
本研究选用 ACRM 模型原因如下：1）ACRM 模型 考虑了热点效应、植被叶片群聚效应和双层冠层对植被 二向反射的影响。针对具有显著直立结构的作物冠层， ACRM 模型利用马尔可夫链原理改进了叶倾角分布函 数。2）ACRM 模型耦合了 PROSPECT 模型描述叶片组 分光谱及 Price[22]提出的 4 个基函数（rsl1～rsl4）描述土 壤光谱，并以 Ångström 浊度系数模拟天空光比，解决了 辐射传输模型中相关输入参数难以获取的问题[23]。3）前 人研究同时表明，ACRM 模型模拟精度良好，是较为成 熟、完善、可靠的均匀冠层反射率模型[24-27]。
反演精度与稳定性更高，提高光谱分辨率对 LAI 反演精度的改进作用随光谱分辨率的升高而降低；反之，当高光谱数据波
段选择不当或者模型参数不确定性较大时，提高光谱数据的分辨率并未提高 LAI 反演精度。该研究解释了“高光谱遥感数据
能否提高植被参数反演精度”问题，为进一步发挥高光谱数据在农作物 LAI 反演中的潜力提供了科学参考。
济麦 22
5
Biblioteka Baidu
大致沿田块对角线均匀布设 5～6 个样本点，研究区 共设 28 个样本点。每个样本点为长 50 cm、宽 4 垄（约 150 cm）的样方，在样方中进行测量。利用 FieldSpec 4 光 谱仪（美国 ASD 公司生产）测量冠层光谱，探头视场角 为 10°，垂直向下，距小麦冠层顶部高度约 1 m，光谱测 量范围 350～2 500 nm，光谱分辨率 1 nm。为减少计算量， 将光谱分辨率重采样为 5 nm，并采用 Gao[17]提出的基于 移动窗内局部均值与局部方差的方法计算各波段的信噪 比，结果表明感兴趣波段 445～1 200 nm 信噪比均大于 50，可直接用于反演。采用 LAI-2200 冠层分析仪（美国 LI-COR 公司生产）测量 LAI。在每个样本点分别选取 5 和 10 株冬小麦叶片样本各一份，使用 LI-3000 便携式叶面积 仪（美国 LI-COR 公司生产）现场测量各样本的总叶面积， 并秤量叶鲜质量后冷藏送至实验室。5 株冬小麦的叶片样本 用于测量叶片叶绿素含量 Cab；10 株冬小麦的叶片样本烘干 至恒质量，秤量叶片干质量，根据叶片干、湿质量求得冬 小麦叶片干物质含量 Cm、含水量 Cw 和比叶重（leaf specific weight，SLW）。利用各样本的总叶面积，将 Cab、SLW、 Cw 单位换算为 g/m2，以符合 ACRM 模型的预定义[18]。 1.2 合成模拟 TM 多光谱数据
收稿日期：2015-04-10 修订日期：2015-12-16 基金项目：测绘地理信息公益性行业科研专项（201512028）；国家自然科 学基金项目（41271112） 作者简介：刘 轲，男，四川攀枝花人，博士生，主要从事作物参数遥感反 演方法研究。北京 中国农业科学院农业资源与农业区划研究所，100081。 Email：billc_st@163.com ※通信作者：周清波，男，湖南沅江人，博士，研究员，博士生导师。主要 从事农情遥感领域的基础研究和应用基础研究。北京 中国农业科学院农业 资源与农业区划研究所，100081；Email：zhouqingbo@caas.cn
0引言
叶面积指数（LAI）反映了农作物生理生化过程和生 产力状况。获取农作物 LAI 及其动态变化信息对农作物 长势监测和产量估测等应用具有重要意义[1-3]。遥感技术 能够经济、高效、无损地估测农作物 LAI，成为了目前获 取大尺度农作物 LAI 的主要技术手段。高光谱数据尤其 能够刻画地物光谱细节，支持波形分析技术，因此，在 农作物 LAI 遥感反演研究中得到了广泛的应用[4-6]。较之 多光谱数据，高光谱数据能否提高农作物 LAI 反演的精 度与稳定性仍存在学术争议。部分研究表明高光谱数据 有助于提高 LAI 反演精度[7-10]，也有研究得出与之相反的 结论[11-13]，例如李小文等[13]通过 Li-Strahler 模型参数敏感 性分析认为：结构参数与波谱无关，波段数量增加并不 能提供更多关于结构参数的信息。总结前人研究可以发 现，因为当时的客观条件和主流 LAI 反演方法，这些高 光谱-宽波段的对比研究存在很多不足[7]，例如：早期常