资源一号02D卫星高光谱数据叶面积指数估算方法

1、资源一号02D卫星高光谱数据叶面积指数估算方法摘 要 叶面积指数（LAI）是植被最重要的结构参数,既是地表蒸散模型的重要输入参数,又 是决定生物量和产量的关键因子$资源一号02D卫星作为我国自主建造并成功运行的民用高光 谱卫星，其高光谱数据为叶面积指数这一参量的反演提供了更为精细的波段选择$文章以资源一 号02D卫星高光谱数据为数据源，应用辐射传输模型生成不同植被和土壤背景条件下的反射率光 谱，并通过特征选择减少数据冗余，筛选与叶面积指数相关的关键吸收反射信息，应用机器学习方 法构建叶面积指数的反演模型，并对所构建模型的精度进行评价$结果表明：辐射传输模型与机器 学习相结合的方法可以实现对叶面

2、积指数的估算，并得到较高的模型精度（R2=0. 77）,可尝试应 用于区域叶面积指数产品生产$关键词 资源一号02D卫星；叶面积指数；辐射传输模型；随机森林Leaf Area Index Estimation Algorithm of ZY-1-02D SatelliteAbstract: Leaf area index (LAI) is the most important structural parameter of vegetat i on. It is not only an important input parameter of surface evapotransprratio

3、n model, but also a key factor determining biomass and yield. The paper uses hyperspectral data of ZY102D satellite to carry out the estimation of leaf area index by combining a radiative transfer model with a machine learning method. Firstly, we calculate reflectance spectra under different vegetat

4、ion and soil background conditions by using the rad i at i ve transfer model. Then, we reduce redundant data by feature selecton :n order to extract key absorpton and reflecton :nformaton related to LAI.F nally , we construct the LAI :nverson model by mach ne learnng and we evaluate the accuracy of

5、the model. The method of combining radiative transfer model with machine learning can realZe the estimation of leaf area index and get a higher model accuracy (R2 = 0. 77). It can be applied to regonal leaf area :ndex products.Key words：ZY102D satellite； LAI radiative transfer model & random forest叶

6、面积指数（Leaf Area Index, LAI）指单位面 积上单面绿叶面积的总和叶面积指数反应了 生态系统中的叶子数量，由于叶面积指数可以表 征植被冠层中的物质和能量交换，它也被认为是 植被状况、生产力和光合能力的重要指标。叶 面积指数测量方法有直接法和间接法，直接法采 用地面测量方式，这种方法在植被监测中起着重 要作用，不仅可以保证测量的精度，还可作为真实 值用于间接方法的验证&当样本足够具有代表性 时，直接方法被认为比间接方法更准确，因此通常 用于验证间接方法&然而，直接方法通常耗时、劳 动强度大，并且通常对植被具有破坏性，这限制了 它们的应用，并且使得它们不适用于高时间和空 间频率测

7、量$8。如何迅速、准确且无损地获取局 部及区域尺度植被生化参数含量及其分布状况地 信息尤为重要&空间遥感技术作为快速大面积获 取对地观测的技术，在LAI定量反演方面得到了 广泛应用&资源一号02D卫星（又称为5米光学 业务卫星）于2019年9月12日成功发射，由自然 资源部主持建造，是资源一号02C星的接续星，属 于中等分辨率遥感业务卫星&该星主推光谱分辨 率，定位于中等分辨率、大幅宽观测和定量化遥感 任务，可提供丰富的地物光谱信息&本文以资源一号02D卫星的高光谱数据为数 据源，采用辐射传输模型与机器学习相结合的方 法开展植被叶面积指数的估算&首先应用辐射传 输模型生成不同条件下的植被反射光

8、谱，并通过 特征选择减少数据冗余，筛选与叶面积指数相关 的吸收反射信息，应用机器学习方法构建叶面积 指数的反演模型，并应用于高光谱数据进行叶面 积指数估算&1研究区概述本文以影像所覆盖的怀来县部分区域为研究 区，怀来县位于河北省西北部，地处燕山山脉北侧， 永定河上游，地理坐标为东经115、北纬40。东南 部与北京市延庆、昌平及门头沟区接壤，西北部与宣 化、下花园区相连，西南部与涿鹿县毗邻，北部与赤 城县交界&怀来县地貌形态主要有河川平原、丘陵 和山地等类型，地处中温带半干旱区，属温带大陆性 季风气候，具有四季分明，光照充足，雨热同季，昼夜 温差大等气候特点（见图1）。图1研究区位置Fig. 1

9、 Location of the study area2数据准备本研究选取资源一号02D卫星于2020年8月 13日成像的高光谱数据（AHSI传感器），成像参数 见表1。通过ENVI5. 3软件的FLAASH大气校正 功能，对高光谱数据进行大气校正，得到地表反射率 数据&表1资源一号02D卫星成像参数Table 1 Imaging parameters of ZYT-02D satellite传感器类型波段设置空间分辨率（m高光谱相机（AHSI）0. 402. 50$m,共166个谱段30可见光近红(Visible Nearinfrared)10 nm,共76个谱段30短波红外 (ShortW

10、ave infrared)20nm,共90个谱段3研究方法3. 1辐射传输模型生成模拟数据冠层辐射传输模型定量描述了植被覆盖度与冠 层光谱反射率之间的物理依赖关系& PROSAIL模 型山因其高精度和计算效率$5#而被广泛用于生物 物理参数估计&在PROSAIL模型中，PROSPEC- 模型用于模拟4002500 nm之间的叶片反射率和 透射率&然后，叶片的光谱信息作为SAIL模型的 输入参量$5。由于参数设置会影响计算速度和输出 的冗余度，已有研究结果表明:PROSAIL辐射传输 模型的输入参数在一定的合理误差范围内是允许 的，并且不会明显降低参数反演的精度因此根据 之前的研究，设置PROS

11、AIL耦合辐射传输模型 的输入参数(见表2)。在模拟400-2500 nm冠层反射率之后，根据资 源一号02D卫星AHSI高光谱数据的光谱响应函 数，经光谱重采样获得与传感器波段及带宽相一致 的模拟数据，训练数据集和验证数据集分别生成。表2 PROSAIL模型参数设置Table 2 Parameter settings of the PROSAIL model模型表述变化范围分布PROSPECT叶片结构参数12均匀分布叶片叶绿素a+b含量/ ($g cm 2)20 80均匀分布叶片干物质含量/(gcm2)0. 002-0. 2均匀分布等效水厚度/cm0. 005-0. 02均匀分布SAIL太阳

12、天顶角/()35叶面积指数07均匀分布平均叶倾角/()20 50均匀分布热点参数0. 1土壤反射率作为PROSAIL模型的重要输入参 量，本文选取中心构建的波谱库中的地面实测的18 种类型土壤光谱数据作为输入，用来代表不同类型 土壤的反射率(见图2)。0 I111400700100013001600波长/nm0 I111400700100013001600波长/nm白浆土 一 粗骨土一 褐土砂疆黑土 一盐土 一紫色土 黑土 一黄褐土一峻土，红壤 水稻土灰土190022002500黑钙土棕壤潜育土 黄壤黑坊土潮土图2不同土壤类型的反射光谱Fig. 2 Reflectance spectra of

13、 different soil types3. 2随机森林算法随机森林(Random Forest, RF)算法具有诸多 优势，如计算速度快、经验关系好，对噪声不敏感以 及不会产生过拟合等，被广泛用于处理变量选择、分 类和回归问题。在遥感技术中，随机森林算法常用 来处理高维数据，如高光谱数据，随机森林算法也经 常被用于遥感影像分类和遥感参数反演等研究，因 此，在生态重点区域的监测中具有巨大的应用潜力。随机森林回归(RFR)是众多回归树的集合，这 些回归树通常是二叉决策树T$,每棵树的预测值的 平均值作为随机森林的预测结果。随机森林回归的 主要优势是随着森林中树的数量增加，它不会过拟 合，而且生

14、成一个泛化误差的极限值，同时，随机森 林对噪声数据有很强的鲁棒性#10$。对于数据维度 和样本量大致相等或大于样本量的情况，随机森林 回归仍然能取得很好的表现。随机森林使用一些衡 量变量重要性的指标来对变量进行排序，然后进行 变量选择以降低数据维度。资源一号02D卫星 AHSI高光谱数据，由于波段之间的相关性较大，需 要进行降维处理，随机森林算法根据计算得到的输 入变量的重要性，筛选出波段15、19、23、28、35、39、 42)49和53,用于模型的构建。4结果与分析通过随机森林方法构建预测模型用于资源一号 02D卫星高光谱数据叶面积指数的估算。基于模拟 数据的模型验证精度见图3,相关系数

15、R2为0. 770 高光谱数据真彩色合成图和叶面积指数反演结果见 图 4(a)和(b)。图3基于模拟数据的精度验证Fig. 3 Validation based on simulated data(a) AHSI数据真彩色合成图(b) AHSI数据LAI(a) AHSI数据真彩色合成图(b) AHSI数据LAI估算结果图4 资源一号02D卫星AHSI数据及L(I估算结果Fig. 4 AHSI data and LAI estimations ofZY-1-02D通过对阴影区像元光谱进行分析，阴影区地物光谱 的吸收反射特征由于所接收到太阳辐射减少，虽谱 形特征变化较小，但反射率整体降低随机森林算 法所筛选出的特征波段，主要集中在绿光、红光、红 边及近红外波段，在此波谱范围内，阴影区像元与临 近正常光照区域像元光谱特征相比较存在差异，这 可能导致阴影区估算结果的异常5结束语本文以资源一号02D卫星的高光谱数据为数 据源，采用辐射传输模型与机器学习相结合的方法 开展植被叶面积指数的估算通过对结果分析可以 得到：资源一号02D卫星的高光谱数据可以通过辐 射传输模型与机器学习的方法实现对植被叶面积指 数的估算，并且得到较为理想的估算结果高光谱 数据166个谱段，为植被生物物理参量的估算提供 了更多的波段选择和精细化的波谱信息，可提高估 算结果的准确性