基于ACRM模型不同時期冬小麥LAI和葉綠素反演研究*

李宗南，陳仲新，王利民，姜志偉

(1.農業部資源遙感與數字農業重點開放實驗室，北京 100081;2.中國農業科學院農業資源與農業區劃研究所，北京 100081)

1 引言

作物葉面積指數是描述土壤—作物—大氣連續系統物質、能量交換傳輸的關鍵參數;作物葉綠素含量與氮素含量關系密切，可以指示作物礦質營養狀況。作物LAI和葉綠素含量可以很好地說明作物生長狀況，是作物長勢遙感定量評價的關鍵參數。在遙感技術的支持下，通過獲取覆蓋大區域的遙感數據，定量反演作物LAI和葉綠素含量，可實現對區域作物長勢快速及準確監測，診斷作物肥料虧缺，為作物田間管理提及作物產量早期估計提供科學依據。

反演模型、反演策略及遙感數據對作物LAI和葉綠素含量的定量反演很重要［1］。目前，LAI和葉綠素含量的反演模型主要分兩類:一類是基于光譜數據與LAI及葉綠素含量的相關關系建立的統計模型。常用的光譜數據包括光譜反射率［2］、植被指數［3］、導數光譜［4］、特征光譜位置變量［5］等;另一類是機理模型，包括輻射傳輸模型、幾何光學模型、輻射傳輸—幾何光學混合模型。統計模型結構簡單和計算效率高，便于快速反演應用;但這類模型對植被冠層及其反射率關系的描述過于簡單，對于不同時期類型的植被冠層LAI的反演有很大局限性，限制此類模型的反演精度及應用。植被遙感應用早期，由于機理模型需要的很多參數難以獲取以及計算量大等原因不易推廣使用。隨著更多的先驗知識加入機理模型，模型算法改進，計算機性能提高;機理模型越來越多的應用到植被的LAI及葉綠素含量的反演。金慧然［6］等在幾何光學模型的基礎上引入Γ函數和尼爾遜參數，建立適合于具有連續、離散雙重特征行播作物的冠層輻射模型，并使用北京一號全色—多光譜數據反演冬小麥LAI。Jacquemoud［7］等利用PROSPECT葉片光學模型估算葉片葉綠素、水分、蛋白質等，Dawson［8］等應用LIBERTY模型估算葉片生化組分。Houborg等［9-11］，分別研究使用MODIS數據、SPOT多光譜數據基于ACRM模型反演植被LAI及葉綠素含量等參數。除了機理模型和統計模型外，遙感獲取LAI的方法還有遙感數據同化;即使用遙感LAI反演結果與作物生長模型同化。同化方法能更好地吸收觀測和模型模擬各自的優點，有助于獲取連續時間段的LAI、葉綠素含量及其他作物參數結果，并提高結果精度。目前，同化方法還沒有很好的解決輸入多種驅動參數而引入的諸多的不確定性因素，模型及算法還在不斷的改進。

適宜作作物長勢遙感定量監測的遙感數據的空間分辨率一般都需要優于30m［12］。在實際監測應用中，對時間分辨率也有較高要求。同時滿足時間空間分辨率要求的遙感數據源較少。2008年9月8日發射的環境減災小衛星，裝載CCD多光譜相機。相機對地觀測遙感影像的主要參數如表1。通過雙星4傳感器聯合工作將影像時間分辨率保證高于2天［13］。HJ小衛星多光譜數據已經廣泛應用于環境災害、農情等遙感監測。環境災害方面的具體應用包括氣溶膠光學厚度反演，大型水體葉綠素a濃度反演、宏觀生態環境監測等［14］;農情監測方面具體應用包括作物面積提取、長勢評價、作物葉面積反演［15］、作物 fPAR反演［16］、作物成熟期反演［17］、作物病蟲害面積提取［18］等。在農情監測應用研究中，使用HJ小衛星多光譜數據進行LAI及葉綠素含量聯合反演的研究很少。該研究將首先使用基于地面觀測的冬小麥4個生育期不同長勢冠層光譜數據，模擬HJ小衛星多光譜傳感器的等效反射率;然后使用雙層冠層反射率模型 (ACRM)反演各生育期冬小麥LAI和葉綠素含量，分析HJ小衛星多光譜數據定量反演LAI和葉綠素含量的應用潛力以及ACRM模型在不同冬小麥生育期的LAI和葉綠素含量反演誤差。為進一步使用HJ小衛星多光譜數據定量反演作物LAI和葉綠素含量提供參考依據。

表1 HJ-1 CCD多光譜遙感影像主要性能參數

2 數據與方法

2.1 地面觀測實驗

冬小麥冠層高光譜反射率、LAI及葉綠素SPAD數據通過不同長勢冬小麥觀測實驗獲取。實驗地點位于河北省廊坊市廣陽區萬莊鎮，東經116°36＇，北緯39°36＇。實驗通過N0、N1、N2、N3、N4等5個不同氮肥處理控制冬小麥長勢，N0為不追施氮肥，N1為追施氮量15kg/hm2，N2為追施氮量45kg/hm2，N3為追施氮量105 kg/hm2，N4為追施氮量225kg/hm2;每個處理4次重復，共設置20個小區。冠層反射率測量儀器為ASD FieldSpec Pro FR地物高分辨率光譜儀。儀器選用25度視場角光纖，于垂直地面1.4m高處測量冠層相對反射率，每小區測量10條反射率曲線，最后取平均值代表小區冬小麥冠層的反射率。冠層葉面積指數及平均葉傾角使用LAI-2000植被冠層分析儀測量，每小區測量4次，最后取平均值。葉綠素使用SPAD-502葉綠素儀測定，每小區選取10片代表性葉片測量，最后取平均值。數據測量日期具體為:冬小麥拔節期2009年4月14日，孕穗期2009年4月24日，抽穗期2009年5月5日，灌漿期2009年5月17日。

2.2 數據處理

2.2.1 等效多光譜反射率計算

ASD FieldSpec Pro FR光譜儀獲取的數據為波譜分辨率為1nm的冠層相對反射率數據。使用冠層高光譜反射率數據和多光譜響應函數進行積分計算，可以得到等效的多光譜反射率，其計算式如下:

其中ρ(λ)是由地物光譜儀測量得到的地物反射率;f(λ)是光譜響應函數，在本研究中使用HJ小衛星1A星CCD1多光譜相機的光譜響應函數;L(λ)為入射到地表輻射亮度，即太陽下行輻射量。太陽下行輻射數據通過 MODTRAN［19］(MODerate spectral resolution atmospheric TRANsmittance algorithm and computer model)中等光譜分辨率大氣透過率算法計算機模型模擬得到。MODTRAN模型描述了0.2～10 000μm波譜范圍的太陽輻射在大氣、地表和傳感器之間的物理傳輸過程，可計算多種光路太陽輻射在大氣中的透過率、輻射量等。本研究使用PcModwin 3.7版的MODTRAN模擬了實驗地塊2009年4月14日、2009年4月24日、2009年5月5日及2009年5月17日當地時間10時30分的太陽下行輻射數據，然后使用Matlab將輻射量的單位由W/(cm2·sr·cm-1)轉換為W/(cm2·sr·nm)，并將光譜分辨率重采樣為1nm。

通過冠層高光譜反射率數據、HJ小衛星多光譜響應函數及模擬的太陽到達地面的下行輻射數據進行積分計算，得到了4個生育期冬小麥冠層的HJ小衛星等效多光譜反射率數據。

2.2.2 ACRM雙層冠層反射率模型

ACRM(A Two-Layer Canopy Reflectance Model)模型［20］是多光譜均質植被冠層輻射傳輸模型和馬爾可夫鏈植被冠層反射率模型的擴展。模型的葉片光學特性使用PROSPECT葉片光學模型或LIBERTY模型描述，土壤特性使用土壤反射率模型PRICE描述，多次散射采用了與SAIL模型相同的4流參數化計算方案。ACRM考慮了土壤非朗伯特性，葉片表面的鏡面反射，熱點效應及冠層的雙參數葉傾角分布，通過模型正向模式可以模擬波譜分辨率為1nm的雙層結構冠層半球方向400～2 400nm波譜范圍的反射率;通過反演模式，采用優化算法 (POWELL)估算最佳模型輸入參數，如LAI、Cab等實現參數反演。模型不依賴于植被的具體類型或背景環境變化，具有較好的普適性，并得到很多實際應用。

該研究利用地面實測數據對模型的輸入參數LAI、平均葉傾角、葉綠素含量等參數進行了設置，輸入拔節期、孕穗期、抽穗期及灌漿期冬小麥冠層的HJ小衛星等效多光譜反射率數據，通過POWELL算法反演冬小麥不同生育期LAI及葉綠素含量。

3 分析與討論

3.1 冬小麥LAI反演結果分析

將ACRM模型反演得到的LAI與地面實驗LAI測量值進行相關及比較分析，結果如表2。冬小麥拔節后，冬小麥株高及LAI迅速增大，由于壟行種植造成的不連續植被現象明顯減少，冬小麥冠層基本上滿足植被冠層輻射傳輸模型對冠層的假設，即假設冠層是由方位隨機分布、水平均一、無限擴展的各向同性葉片組成的混合體。根據表1，從拔節到灌漿4個物候期反演與實測結果的相關性都較高，分別達0.836 1，0.903 0，0.850 6，0.906 3，說明ACRM模型LAI反演結果與LAI實測值有很好的一致性。初步確定冬小麥拔節至灌漿期間，適合使用HJ小衛星4個波段的多光譜數據基于ACRM模型進行冬小麥LAI反演。根據反演與實測對比分析，最大標準誤差達0.629 1，最大絕對誤差為0.887 9，最小絕對誤差為0.018 1，說明ACRM模型反演結果具有較高精度，部分反演結果與實測差距較大。

表2 ACRM模型反演LAI與測量LAI的比較

對比各個物候期LAI反演與實測的相關性及差異發現，兩者的相關性在拔節期最小，標準誤差、最大絕對誤差及最小絕對誤差都最大;而在灌漿期的相關性最大，標準誤差、最大絕對誤差及最小絕對誤差都最小;而孕穗期和抽穗期的相關性、標準誤差、最大絕對誤差及最小絕對誤差相互間有差異，但都好于拔節期而差于灌漿期。由此可認為模型在不同生育期反演誤差存在差異。拔節期的模型反演誤差較大，而孕穗期至灌漿期的反演誤差較小。造成不同時期誤差不同的因素較多，主要來自兩方面。一方面是地面光譜和LAI測量本身存在誤差。由于冠層光譜及LAI不是同一時間測量。光譜田間測量一般難以最理想的環境進行測量，不同時刻的測量環境造成光譜測量存在誤差;LAI2000對不同物候期作物冠層的LAI測量結果存在明顯不同的誤差［21］。該研究使用的LAI實測為LAI2000實測值，未進行校正，使得不同時期的誤差分析存在不確定性。產生誤差差異的另一方面是模型在不同時期的適用性存在差異。冬小麥從拔節期到灌漿期，覆蓋度及冠層結構各項參數存在明顯差異，拔節期，LAI較小，還存在較明顯的壟行，植被冠層介于連續植被和非連續植被間，這可能是導致拔節期反演結果誤差較大的主要原因;拔節期后，冬小麥LAI接近最大值，其冠層呈典型的連續型植被，較拔節期更符合模型假設，因而反演的誤差較小。

3.2 冬小麥葉綠素含量反演結果分析

大量研究表明，植物葉片SPAD值與葉綠素含量有很好的相關性。首先使用SPAD野外抽樣活體測量，然后通過SPAD與實測葉綠素含量的回歸關系推算其它樣本葉綠素含量，是目前快速獲取田間作物葉綠素含量的主要方法。由于缺乏實測葉綠素含量，本研究沒有將SPAD值轉換為葉綠素含量 (μg/cm2);直接使用ACRM模型反演的葉綠素含量與使用SPAD-502葉綠素測量儀測量的SPAD值進行簡單的比較。結果如表2。通過相關性分析，基于ACRM模型的葉綠素含量反演結果與SPAD測量值有很好的相關系數，在拔節期至灌漿期的相關系數分別為0.593 7、0.897 7、0.909 2、0.936 8，說明使用HJ小衛星4波段多光譜數據具備葉綠素含量反演的潛力。反演結果最大值為20.17μg/cm2，最小值為20.02μg/cm2;SPAD最大值為61.3，最小值為41.0。與其它研究結果相比較［9-11］，主要問題為反演結果的差值太小，最大與最小值的差只有0.15μg/cm2，與實際情況有較大出入。初步原因是在缺乏較多冠層參數數值情況下，各時期均采用相同的模型參數值。具體原因有待下一步更深入的研究分析。

對比各個物候期葉綠素含量反演與SPAD實測的相關性發現，兩者的相關性在拔節期最小，后期都較高。孕穗期至關鍵期間葉綠素反演與SPAD的相關性都很好。拔節期植被冠層介于連續植被和非連續植被間，較明顯的壟行使傳感器視場內有明顯的裸露土壤，離連續植被輻射傳輸模型ACRM模型的假設有差距。這可能是導致拔節期葉綠素含量反演結果與SPAD值相關性較差的主要原因。

表3 ACRM模型反演葉綠素含量與SPAD測量結果的比較

4 結論

地表作物的冠層結構在不同物候期有明顯的差異，即在作物生長的不同階段，作物的株高、葉片面積、葉片傾角、葉片長度、寬度、葉片數量、色素含量等等存在差異，并呈現一定變化規律。整個作物生育期間，作物植被由離散型逐步向壟行結構的半連續型植被發展，最后作物封行封壟發展成典型的連續植被。冬小麥從拔節期開始LAI開始快速增長，其植被類型由半連續型逐步向連續型變化。從冬小麥拔節到灌漿期間，其植被類型及冠層結構基本上滿足ACRM模型的假設。該研究考慮到完整獲取冬小麥多個物候期HJ小衛星遙感影像數據及地面調查數據較為困難，在不考慮傳感器觀測角度及像元分辨率的情況下，使用冬小麥拔節—灌漿4個不同階段不同長勢冠層光譜觀測數據，模擬出冬小麥冠層等效HJ小衛星多光譜反射率，然后再使用ACRM模型反演各階段冬小麥LAI和葉綠素含量，初步分析確定HJ小衛星多光譜數據定量反演LAI和葉綠素含量的應用潛力以及ACRM模型在不同冬小麥生育期的LAI和葉綠素含量反演誤差。主要結論如下。

(1)ACRM模型LAI反演結果與LAI實測值的相關性高，反演誤差較小;具備較高時空分辨率的的HJ小衛星遙感影像在定量反演LAI應用中有很大潛力。

(2)ACRM模型葉綠素含量反演結果與冬小麥葉片SPAD實測值有很好的相關性，HJ小衛星遙感影像在具有定量反演葉綠素含量的潛力;但具體反演結果及最大值最小值的差距偏小，與實際情況有較大出入。提高葉綠素含量反演的準確性有待收集到更具體輸入參數值，進行更深入地研究。

(3)ACRM模型在不同生育期LAI和葉綠素含量的反演誤差存在差異，在冬小麥拔節期的反演誤差較大，在孕穗—灌漿期的反演誤差較小;模型較適用于連續型的作物冠層，在非連續型植被冠層中的反演有較大誤差。

［1］Jacquemoud.S，Bacour.C，Poilv.H，et al.Comparison of Four Radiative Transfer Models to Simulate Plant Canopies Reflectance:Direct and Inverse Mode.Remote Sensing of Environment.2000，74(3):471 ～481

［2］Wessman.C.A，Aber.J.D，Peterson.D.L，et al.Remote Sensing of Canopy Chemistry and Nitrogen Cyclingin Temperate Forest Ecosystems.Nature，1988，335:154 ～156

［3］Datt B.Visible/near Infrared Reflectance and Chlorophyll Content in Eucalyptus Leaves.Int.J.Remote Sensing，1999，20(14):2741～2459

［4］Broge.N.H，Mortensen.J.V.Deriving Green Crop Area Index and Canopy Chlorophyll Density of Winter Wheat from Spectral Reflectance Data.Remote Sensing of Environment，2002，81:45 ～57

［5］Miller.J.R.Quantitative Characterization of the Vegetation Red Edge Reflectance.1.An Inverted Gaussian Reflectance Model.Int.J.Remote Sensing，1990，11:1775～1795

［6］金慧然，陶欣，范聞捷，等.應用北京一號衛星數據監測高分辨率葉面積指數的空間分布.自然科學進展，2007(09):1229～1234

［7］Jacquemoud.S，Ustin.S.L，Verdebout.J，et al.Estimating Leaf Biochemistry Using the PROSPECT Leaf Optical Properties Model.Remote Sensing of Environment，1996，56:194～202

［8］Dawson.T.P，Curran.P.J，Plummer.S.E.Liberty-Modeling the Effects of Leaf Biochemical Concentration on Reflectance Spectra.Remote Sensing of Environment，1998，65:50 ～60

［9］Houborg.R，Soegaard.H，Boegh.E.Combining vegetation index and model inversion methods for the extraction of key vegetation biophysical parameters using Terra and Aqua MODIS reflectance data.Remote Sensing of Environment.2007，106(1):39 ～58

［10］Houborg.R，Anderson.M，Daughtry.C.Utility of an image-based canopy reflectance modeling tool for remote estimation of LAI and leaf chlorophyll content at the field scale.Remote Sensing of Environment.2009，113(1):259 ～274

［11］Houborg.R，Boegh.E.Mapping leaf chlorophyll and leaf area index using inverse and forward canopy reflectance modeling and SPOT reflectance data.Remote Sensing of Environment.2008，112(1):186 ～202

［12］王紀華，趙春江，黃文江.農業定量遙感基礎與應用.北京:科學出版社，2008

［13］白照廣.中國的環境與災害監測預報小衛星星座A/B星.中國航天，2009，(5):10～15

［14］王橋，吳傳慶，厲青.環境一號衛星及其在環境監測中的應用.遙感學報，2010，14(1):113～121

［15］陳勁松，黃健熙，林琿，等.基于遙感信息和作物生長模型同化的水稻估產方法研究.中國科學:信息科學，2010(S1):173～183

［16］陳雪洋，蒙繼華，吳炳方，等.基于HJ-1 CCD的夏玉米FPAR遙感監測模型.農業工程學報，2010(S1):241～245

［17］蒙繼華，吳炳方，杜鑫，等.基于HJ-1A/1B數據的冬小麥成熟期遙感預測.農業工程學報，2011，27(03):225～229

［18］馮煉，吳瑋，陳曉玲，等.基于HJ衛星CCD數據的冬小麥病蟲害面積監測.農業工程學報，2010，26(07):213～219

［19］A.Berk，G.P.Anderson，P.K.Acharya，et al.MODTRAN4 USER’S MANUAL.Massachusetts.20004

［20］A.Kuusk.Two-Layer Canopy Reflectance Model ACRM User Guide(Version 07.2009).Tartu Observatory，2009.7

［21］李宗南，陳仲新，王利民，等.2種植物冠層分析儀測量夏玉米LAI結果比較分析.中國農學通報，2010，26(7):84～88