PROSAIL冠层光谱模型遥感反演区域叶面积指数_李淑敏

1、第 29卷 , 第 10期 光 谱 学 与 光 谱 分 析 Vol . 29, No . 10, pp2725-27292009年 10月 Spectro sco py and Spectr al Analy sisO cto be r , 2009PROSAIL 冠层光谱模型遥感反演区域叶面积指数李淑敏 1, 李 红 1*, 孙丹峰 2, 周连第 11. 北京市农林科学院农业综合发展研究所 , 北京 1000972. 中国农业大学资源与环境学院 , 北京 100193摘 要 大面积区域作物叶面积指数遥感反演 , 对指 导作物 管理具 有非常重 要的意 义 , 验证和 发展基 于物 理叶面积指

2、数遥感反演可避免基于经 验模型 的缺点 。 以北 京地区 青云店 、 魏善 庄和高 丽营为 研究 区 , 采 用M ODIS 和 AS T ER 两类不同空间分辨率遥感数据 , 探讨 PRO SAI L 物理模 型反演 冬小麦 叶面积 指数的 可行 性 , 尤其在不同空间分辨率遥感数据上的稳定性 , 并与经验模型进行了对比分析 。 与经验模型相 比 , 物 理模 型模拟 L AI 值更具真实性 ; 用线性 组分加权的方法 , 对小尺度物理模 型反演 LA I 进行尺度 扩展并与基 于大 尺度遥感数据的 L A I 物理反演结果相对比 , 相差不大 , 说明 LA I 物理反演方法在空间 尺度上

3、的稳定性 。 关键词 叶面积指数 ; 遥感反演 ; M O DIS ; A ST ER ; 尺度转换 ; 冬小麦 中图分类号 :T P722. 4, S127 文献标识码 :A D OI :10. 3964/j . issn . 1000-0593(2009 10-2725-05 收稿日期 :2008-10-16, 修订日期 :2009-01-20 基金项目 :国家 “ 十五 ” 科技攻关计划项目 (2004BA617B04 和国家 ” 十一五 ” 科技支撑项目 (2006BAD10A06-03, 2006BAB15B05 资助 作者简介 :李淑敏 , 1983年生 , 北京市农林科学院农业综

4、合发展研究所研究实习员 e -mail :edelweis s -bloom 163. com*通讯联系人 mail :lihsdf 引 言 植被叶面积指数 (leaf area index , L AI , 作 为陆地 生态 系统的一个十分重要的植被特征参量 , 能 够对植被 冠层结构 给出直接的量化指标 。 叶面 积指 数控制 着植 被的许 多生 物 、 物理过程 , 与许多生态过 程直接 相关 1-4。 自 1947年 提出以 来 , 叶面积指数已成 为一个 重要 的植物 学参 数和评 价指 标 , 并在农业 、 果树业 、 林业以 及生物 学 、 生 态学等 领域得 到广 泛应用 3。

5、传统 L AI 测量方法为地 面实测 , 该方 法有一 定破坏 性 , 费时费力 , 而且大区域研 究 LA I 仅靠地 面实测是 行不通 的 , 卫星遥感的应用为大区域研究 L AI 提供了唯一途径 5。 由于 遥感数据具有覆盖范围广 、 时间 与空间 分辨率高 等优点 , 所 以通过遥感反演结合地面实测提取一些重要的生物物理参数 有十分重要的意义 1, 6。 遥感反 演叶面 积指数 的方法 大致分 为两类 , 即经验模型方法和物理 模型方 法 。 经 验模型 方法简单灵活 、 应用广泛 , 但是由于函数关系是经验型的 , 随 地域 、 植被类型 、 生长季等的变化而变化等因素 使得将其 用

6、于遥感 像元尺度反演时会带 来很 大误差 2, 7,8, 尤 其当 遥感数 据分辨率过粗 , 无法简单与地面样点 相匹配 。 物理 模型方 法则具 有相当强的物理基础 , 不过分依赖于植被 的具体类 型或背景 环境的变化 , 因而更具普适性 , 这种模 型更适 用于均 匀的植 被 (如农作物 。 随着遥 感技术 的发 展和 各类参 数库 的建立 ,基于物理模型的反演方 法越来越具有吸引力 。M O DIS 遥感数据时间分辨率高 , 时效性强 , 具有高的动 态性 , 能够反映作物生长发育的动 态特征 , 但空 间分辨 率较 低 , 而 A ST ER 遥感数据空间分辨率 高 , 15m 的空间

7、尺 度与 地面实测尺度更易 比较和 结合 , 但时间 分辨率 低 。 因此 , 本 文以北京地区青云店 、 魏善庄和高 丽营为 研究区 , 在县 域尺 度作物类型 、 种植模式分类基础上 , 采用 M O DIS 和 A ST ER 两类不同空间分辨率 遥感数 据 , 探 讨 P ROSA I L 物理模 型反 演冬小麦叶面积指数的 可行性 , 尤其在不同 空间分辨率 遥感 数据上的稳定性 , 并与经验模型进行了对比分析 。1 研究方法1. 1 研究区北京市冬小麦的种 植情况从分布区县来看 , 仍主要 集中 在传 统粮食主产区 , 即通州 、 大兴 、 顺义 、 房山 , 这四个区的 冬小麦播

8、种面积占到全 市冬小麦播种面积的 80%以上 。 从冬 小麦品质来看 , 硬粒小麦播种面积占冬小麦 播种面积的 比例 最大 , 种植区主要分布在 :通州 、 大兴 、 顺义 和房山 。 其次 , 参考两景 AS T ER 遥感影像 数据覆 盖的区 域范 围 。 最终 , 研 究区选在大兴区青云店 镇 、 魏善庄镇 , 顺义区高丽营镇 。 1. 2 遥感影像及其处理采用的遥感数据包括 2006年 4月 23日的 M O DIS 09数 据 (地表比反射率 和 2006年 4月 22日 的 A ST ER 2B05V 数 据 (地表反射系数 VN I R 。M OD09数据空 间分 辨率 为 25

9、0m , 已 经过了 大气 辐射 校正和几何粗校正 , 对其进一步 的处理 有几何精 校正 、 图像 镶嵌 、 波段运算等 ; A ST ER 2B05V 数据空间分 辨率为 15m , 已经过了几何粗校正 、 辐射校 正 、 大气较正 , 对 其进行 的预 处理包括几何精校正 、 图像镶嵌 、 波段运算等 。1. 3 叶面积指数反演方法1. 3. 1 经验模型方法通过建立 L AI 与光谱数据 , 和 (或 基于光谱数据计算的 光谱指数之间的统计关系来求算 LA I , 通 常使用的 是植被指 数 V I 。 目前逐渐形成了 VI 与 L AI 之间的一 些经验 、 半经验 定量关系 , 从

10、而估算 大区 域尺度 的 LA I 8, 9。 在 各种植 被指 数中 , 最常使用的 光谱 植被指 数是 归一 化差 植被 指数 (N D -V I 。1. 3. 2 物理模型方法叶面积指数的物理模型反演方法关键在于给定样区实测 反射率数据 , 根据不同的辐射传输模型找 到一系列 最适模型 参数 , 以便由模型计算得到的反射率值与 实测数据 获得较好 的匹配 。 匹配情况的验证通过 “ 误差函数 ” 公式 102= nj =1(r j -r *j 2(1其中 , rj是实测反射率 ; r *j 是模拟反射率 。进行植物生化 组分 含量 与光 谱特 征之 间的 关系 模 拟研 究 , 主要集中

11、在两个方 面 :一是利 用统计分 析方法 , 由 叶片 和冠层光谱特征 估 算化 学组 分 含量 ; 第 二 方面 的应 用 比如 PRO SAI L 模型 , 它是在 SA IL , P ROSP ECT 模型基础 上 , 建 立包含化学组分含量的叶片散射和吸收模型 (机理 模型 , 将 叶片模型 耦 合 到 冠 层模 型 中 反 演 整 个 冠 层 的生 化 组 分 含 量 11。 P RO SA IL 模型的输入参 数包括 三部 分 :冠层生 理生 化参数 ; 土壤参数和其他参数 12, 13。使用模型模拟时 , 首先通过对生理生 化参数的 敏感性分 析确定对冠层反射率影响较为敏感的参数

12、 , 对这部 分参数取 多个经验值模拟 冠 层反 射率 , 不敏 感参 数 则直 接赋 予 经验 值 ; 其他参数则根据成 像 、 观测条 件进行取 值 。 参数敏 感性 分析表明 , 在红 、 近红波段 对应的 光谱区域 , 除 了叶片 叶肉 结构参数 N 和叶片水分含量外 , 其他参数对反射率的影响是 灵敏的 (可 参 阅 北 京 市 农 林 科 学 院 李 淑 敏 的 博 士 论 文 , 2008 。1. 4 样点布设及田间观测根据遥感影像和实地考察 , 在研究区 内尽量选 择冬小麦 连续种植面积至少 250m ×250m 大小 (一个 M ODIS 像元大 小 的地块为测量样

13、区 , 并 且每 个样区 内冬 小麦 生长状 况具 有代表性 ; 借助 G PS 和 1 1万地 形图 , 由样区 西南角 开始 设样点 , 记录该点 的地 理坐标 , 由 此点 向北每 隔 30m 设一 个样点 , 然后再由每点分别向东每 30m 设样点 。冠层光谱反射率的测量使用 Field -spec P ro F R 便携式分 光辐射光谱 仪 , 光谱 范围 为 3251075nm , 采样 间隔 为 1 nm -, 2000使用 320490nm 的感应波段 。 每样点处重复测量光谱 反射率十次 、 叶面积指数五次 , 取均 值 。 2008年 4月 16日 、 17日 、 18日

14、3d 进行冠层反射率 、 叶 面积指数实 地测量 , 均 为晴朗微风天气 , 天空无 积云 , 大气能 见度较 好 , 测量时 间 为每天 10:00-14:00。2 结果与讨论2. 1 经验模型反演结果(1 经验模型建立经验模型 , 首先根据实测 反射光 谱曲线 , 计算 遥感 数据对应 波 段 的 波段 反 射 率 , 然 后 计 算 N DV I , 从 而 建 立 N DV I 与 LA I 的经验关系 。 关于波 段反射 率的计算 , 王 璐使 用了根据多光谱传感器 各波段的光谱响应函数 , 光谱曲 线重 采样的方法 14, 而陈俊惠用的则是计 算均值 的方法 (可 参阅 陈俊惠的博

15、士论文 , 中国农业大学 , 2005 。 本研究使用 了后 一种方法 , 再根据 N DV I 计算公 式 , 计算 每个 实测点 N DV I 值 。 建立 N DV I 和 LA I 关系的散点 图 , 添 加趋势线 。 趋 势线 类型按照以往经验选择 线性 、 对数 和指数 三种函数 关系 , 生 成经验模型及 R 2值 。Table 1 Correlation coeff icient of experiencemodel based on MODIS and ASTER模型的函数关系 M ODIS AST ER线性 0. 4390. 448对数 0. 4190. 423指数 0.

16、5100. 519 由表 1, 发现指数关系模型拟合程度相对更好些 。 所以 , 用于 M O DIS 的 LA I 经验反演模型为y =0. 3775e 2. 4293x (2 用于 AS T ER 的 L A I 经验反演模型为y =0. 3773e 2. 4317x (3 (2 AS T ER -L AI 模拟值与 L AI 实测值的相关分析 利用建好 的经验模型得到 LA I 模 拟值 。 假设由于样区内 冬小麦的生长状况 均一 , 实测 点数 据可 以代表 30m ×30m (AS T ER 遥感 尺度 面数 据 , 所 以可 以 直 接对 A ST ER -LA I 模拟

17、 值 和 L AI 实 测值 进 行 相 关分 析 。 对模 拟 LA I 与 实 测 LA I 的相关分 析 使用 了 SPSS 简单 相 关分 析 里的 Spearman 等级相关分析 (Spear man 相关系数又 称秩相 关系数 , 对 原始 数据分布不作要求 , 属非参数统计方法 , 使用范围广 。 分析 结果见表 2。Table 2 Relationship analysis of real data and simulation ASTER -LAI inversion from experience mo del 青云店 魏善庄 高丽营 经验模型R 值P 值-0. 0420.

18、 8180. 1440. 447-0. 009 0. 958值2726光谱 学与光谱分析 第 29卷(表示进行相关分析二 者的 相关 系数 , 值越 大表 示相关 性越 大 和 P 值 (表示 二 者在 =0. 001水 平下 相关 关系 显著 性 , 越接近于 0说明相关性 越显著 , 说明 二者 不具 有显著 线性 关系 。 表征实测值与模拟值相关 关系的 散点图 (图 1 更进一 步反映了这一结论 。 2. 2 物理模型反演结果(1 物理模型前文已给出 P RO SA IL 物理模 型参数的设 置 , 在 其基础 之上结合正向模型源代码编写 L AI 物理反演模型的程序 。 使 用实测反

19、射率数据得到 L A I 模拟值 。(2 A ST ER -L A I 模拟值与 LA I 实测值的相关分析同样 , 对用物理模型模拟的 A ST ER -LA I 与实测 L AI 进行 Spearman 等级相关分析 , 分析结果见表 3。 由分析 结果 的 R 值 和 P 值 可以 看出 , 3个 研究 区实 测 LA I 与反演 LA I 二者在 =0. 001水平 下线性 关系 显著 。 作 出反映二者相关性的散 点图 (图 2 。Ta ble 3 Relationship analysis of sim ulation ASTER -LA Iinversion fro m expe

20、rience model and real data青云店 魏善庄高丽营物理模型R 值 P 值0. 5500. 0010. 6660. 0000. 5750. 000 (3 由 (1 和 (2 的比较分析 物理模型反演 L AI 值普遍高于实测值 ; 而经验模型反 演 L AI 值普遍低于实测值 。 通过 Spea rman 相关系数 R 值 和 P 值 , 发现经 验模型 模拟值与实测值相关性不显著 , 而物理模 型模拟值 与实测值 在 =0. 001水平下线性 显著相关 。 由经验模型得到不同观测点 L A I 值相差不大 , 说明经 验模型模拟值反映的是某 一时期 冬小麦 生长状况 的总

21、趋 势 , 忽略了区域 L AI 分布的空间异质性 ; 而物理模型模拟值则能 够反映出随空间短距离变动 L A I 也 会相应 发生改 变 。 因 此 , 采用线性组分加权的方法对物理模型模拟 的 A ST ER -LA I 与 M ODIS -LA I 进行了检验 。2. 3 对物理反演 MOD IS -LAI 的检验分析由于 LA I 地 面点测 量的代 表尺度 不到 1m 2, 如果 以野 外实测 L AI 数据直接 检验 M O DIS 尺度为 250m ×250m 的 , , 测数据与 AST ER 小尺度 L AI 采用线性组分加权的方法扩展 至 M ODIS 大 尺度

22、L AI 15。低分辨率像元的叶 面积指数通过下式计算L AI L = Ni =1LA I H(i ×H(i (4其中 , L AI L 为低分辨率像元的叶面积指 数 , LA I H (i 为 组成 该低分辨率像 元的第 i 组高分辨率的叶面积指数 , H (i 为第 i 组高分辨率像元面积占区域总面积百分比 。对于不同尺度叶面 积指数的比较 , 使用 线性组分加 权公 式 , 计算结果见表 4。 由表 4可以看出 :A 1值越大 , M 值越大 , 表明物理模型 用于 AST ER /M O DIS 两种不同遥感数据 , 模拟 LA I 值 有效 性相差不大 ; 魏善庄区域内有

23、10m ×250m 大 小的裸地 , 所 以 A1与 M 的相对误 差明显 高于青 云店和 魏善庄 ; A 2与 S 相对误差均在 0. 2左右 , 此值稳定又一次说 明物理模型 模拟 I 2727第 10期 光谱学与光谱分析Table 4 Co mparison between linear weighted of small scale LAI and large scale LAIA1A2S M (A2-S /S ABS (A1-M /M青云店 4. 354. 113. 444. 250. 190. 0235魏善庄 1. 533. 793. 032. 250. 250. 32高

24、丽营 3. 523. 963. 273. 250. 210. 0831 注 :表中各个字母代表含义 ; A1:每个研究区 (一个 M ODIS 像元 对应 AS TE R 遥感影像上 16×16个像元 , 对这 16×16个像元 LAI 值进 行 线性综合 ; A2:与实测点相对的 AS T ER 影像像元 LAI 值的线性综合 ; S :实测点 LAI 值的线性综合 ; M :每个研究区所代表 M ODIS 像 元经物理模型反演的 LAI 值3 结 论 本文应用经验模型和物理模型对北京地区区域冬小麦叶 面积指数进行 了反 演 , 并 对实 测 LA I 值 、 A ST

25、ER 、 M ODIS 不同尺度遥感反演 L A I 值进行了比较分析 , 得出结论为 , (1 反演 叶面 积指 数的 经验 模型 一般 为指 数关 系模 型 , 模型的拟 合 程 度 比 较 理 想 。 经 验 模 型 反 演 结 果 低 于 实 测 LA I , 而且反演值反映的是 冬小 麦生长 状况 的总趋 势 , 模拟 值与实测值线性关系不显著 , 经验模型反演 LA I 忽视了叶面 积指数的空间分布情况 ;(2 物理模型反演叶 面积指 数的过 程因多 个比较 难以获 取的输入参数而变得较 为复 杂 , 多次迭 代使 得计算 量较 大 , 而且模拟值普遍高于实测值 , 但模拟值与 实

26、测值线 性显著相 关 , 说明物理模型反演结果对叶面积指数的 空间分布情 况具 有一定代表性 ;(3 比 较线 性 组 分 加权 的 结 果 , 表 明 物 理模 型 应 用 于 A ST ER /M ODIS 不同 遥感 数 据上 的模 拟结 果差 别不 大 , 推 测 LA I 物理反演模型对遥感数据的类 型具有普适性 , 并且物 理反演模型可用于大尺 度遥感数据 ;(4 地面试验与遥 感数据 获取 时间有 差别 , 利 用经验 统 计模型建立样 点光谱数据和 LA I 关系 应用到遥感数据时 , 实 测值与模拟值不具有显 著相关关系 , 一方面 可能年份间 环境 条件的差别导致 , 但在

27、一定程度上说明经验 统计模型在 实践 上的不稳定 ; 而物理模型用于 L AI 反演的结果表明尽管存在 年份间差异的可能 , 但遥感数据反演结果与 地面实测值 具有 显著相关性 , 一定程度表明物理模型具有时间上的稳定性 。参 考 文 献1 YAO Yan -juan , C HEN Liang -fu , LIU Qin -h uo , et al (姚延娟 , 陈良富 , 柳钦火 , 等 . Jou rn al of Remote Sensing (遥感学报 , 2006, 10 (6 :869.2 LI Kai -li , JIANG Jian -jun , M AO Rong -zhe

28、ng , et al (李开丽 , 蒋建军 , 茅荣 正 , 等 . Acta E cologica Sinica (生态 学报 , 2005, 25(6 : 1491.3 W ANG Xi -qun , M A L -yi , J IA Zhong -kui , et al (王希群 , 马履一 , 贾忠奎 , 等 . Chinese Journal of Ecology (生 态学杂志 , 2005, 24 (5 :537.4 W U Bing -fang , ZENG Yuan , H UANG Jin -liang (吴炳方 , 曾 源 , 黄进良 . Advances in Eart

29、h S cience (地球科学 进展 , 2004, 19(4 : 585.5 FANG Xiu -qin , ZH ANG W an -ch ang (方秀琴 , 张万昌 . Rem ote S ensing for Land &Resou rces (国土资源遥感 , 2003,(3 :58.6 Qi J , M oran M S , Cabot F , et al . Remote Sensing of En vironmen t , 1995, 54(1 :71.7 C HEN Jian , NI Sh ao -xiang , LI Yun -m ei , et al (陈

30、健 , 倪绍祥 , 李云梅 , 等 . Remote S en sing for Land &Resources (国土资源遥感 , 2005, (2 :20.8 J esu sw c , Valefxr , C oelhor r . Agronomy Journal , 2001, 93(5 :989.9 S Jacquem ou d , et al . Rem ote S en sing of Environment , 1995, 53(3 :163.10 Privette J L , Emery W J , S chim el D S . Remote Sensing of E

31、nvironm en t , 1996, 58(2 :187.11 RUAN Wei -li , NI U Zheng (阮伟利 , 牛 铮 . Journal of the Graduate School of th e Chinese Academy of S ciences (中国科学院研究生院 学报 , 2004, 21(1 :78.12 S HI Ru n -h e , ZH UANG Da -fang , NIU Zheng , et al (施润和 , 庄大 方 , 牛 铮 , 等 . Chinese Journal of E cology (生态学 杂志 , 2006, (5

32、:1.13 C HE N Xin -fang , AN Sh u -qin g , CHE N Jing -ming , et al (陈新芳 , 安树青 , 陈镜明 , 等 . C hinese Journal of Ecology (生态学杂志 , 2005, 24(9 :1074.14 W ANG Lu , LIN Qi -z hong , J IA Don g , et al (王 璐 , 蔺启忠 , 贾 东 , 等 . Environmental S cience (环境科学 , 2007, 28:1822. 15 TANG S hi -hao , ZH U Qi -jiang ,

33、S UN Rui (唐世浩 , 朱启疆 , 孙 睿 . Prog ress in Natu ral Science (自然科学进展 , 2006, 16(3 :331.Estimation of Regional Leaf Area Index by Remote Sensing Inversion of PROSAIL Canopy Spectral ModelLI Shu -min 1, L I Ho ng 1*, S U N Dan -feng 2, Z HO U Lian -di 11. Institute o f Ag ricultural Integ ra ted Developm

34、ent , Beijing A cademy of Ag ricultural and F orestr y Sciences , Beijing 100097, China2. Reso urces and Enviro nment College , China A g ricultur al Univ ersity , Beijing 100193, ChinaA bstract T he pre sent pa per selected Qingy und ian tow n and Weishanzhuang to w n in DaX ing District , and Gaoling ying to wn in Shuny i District as test areas , using M O DIS data and A ST ER da ta in different scales . T he fea sibility of winte r wheat L AI in -v ersio n by P ROSA I L phy sical mo del , especially the stability o f r emo te sen