基于HJ－1B影像的內蒙古草地葉面積指數反演

楊燦燦，吳 見，王 春，鄧岳川

（滁州學院 地理信息與旅游學院，安徽 滁州239000）

葉面積指數（LAI）是生態系統，全球碳循環和氣候變化等研究的關鍵參數，而且作為描述植被冠層幾何結構的植被特征參數可用于反映植被冠層結構變化和植被生長過程，確定水氧交換率等［1］。莊東英等利用歸一化植被指數進行反演LAI并且作為模型參數用于預測小麥生物量［2］。劉照言等基于多光譜遙感利用SAIL模型進行葉面積指數的反演［3］。包剛等對草地LAI進行高光譜數據的反演研究，取得較好的效果［4］，江淼，吳國訓等分別對植被覆蓋及植被LAI進行了反演并進行尺度變化和時空特征分析［5－6］。王強等人利用IDL處理CHRIS多角度數據并實現森林葉面積指數的反演［7－8］。韓桂華等人根據不同遙感數據選擇不同的合適的模型并建立相應的查找表反演LAI，其結果表明多角度數據反演準確率有一定的提高［9］。楊飛等利用環境星影像和T M影像進行LAI的反演并對結果進行對比分析［10］。另外，研究表明，熱點區域包含豐富的冠層結構信息，暗點包含有葉片的聚集信息，利用熱點效應可以進行準確推斷，獲取葉片的大小形狀及LAI等參數［11］。趙娟等人采用歸一化熱暗點指數反演不同株型小麥的LAI，并證明多角度遙感數據在作物結果參數提取方面更具優勢［12］。內蒙古位于我國北部邊疆，是我國最大的草場和天然牧場。估測草地LAI對于掌握其區域草地的生長狀態，了解其空間分布格局，對合理利用草場，保持其特色發展其經濟具有重要意義。本文基于HJ－1B衛星影像，應用植被指數模型、PROSAIL模型以及在此基礎上引用熱暗點指數與植被指數構建模型的思想對內蒙古草原的LAI進行反演研究，并對反演結果進行驗證和分析。

1 數據和研究區介紹

實驗區位于內蒙古自治區貢格爾大草原，屬于蒙古東部大興安嶺西麓波狀高平原地帶經度約為E116°48′，緯度為 N43°24′。該區草地類型以禾草、羊草、雜草群落為主，受地理環境和氣候特征的限制，生態具有脆弱性和易損性，在氣候、植被和土壤等方面是中國溫帶半干旱草原典型區域，在內蒙古地區具有較為廣泛的代表性，實驗區影像見圖1。

圖1 實驗區影像

本實驗采用的野外數據通過LAI－2000儀器實地測量獲得；量測時選取了30個樣地，每個樣地的大小為30 m×30 m，每個樣地又選3個小區域，大小為10 m×10 m，每個小區域測量的A（冠層上方測量數據），B（冠層下方測量數據）數據利用CV2000進行處理，得到可用的LAI數據。本文將實測點以7∶3的比率分成兩組，70%的實測點進行模型的建立與模擬，30%的實測點用來檢測葉面積指數反演的精度，參與模型統計的樣點數為20個。測量時間在2012年7月29日～2012年8月6日。因云霧影響，本次試驗選取2012年8月9日HJ1BCCD衛星影像，并對此影像進行幾何糾正，輻射定標和大氣校正等。

2 反演模型的建立

2．1 統計模型

統計模型是將可表達光譜特征的量（如植被指數、波段等）和植物的生物量參數（如葉面積指數、葉綠素含量等）通過實驗數據聯系起來，建立某種相關性關系，進而利用這種相關關系進行葉面積指數的反演。本文選擇抗大氣阻抗植被指數（ARVI）建立反演模型，ARVI的表達式為

式中：ρR，ρB，ρNIR分別為紅色、藍色和近紅外波段的反射率；γ為阻尼系數，當氣溶膠含量變化時，用于保持指數的穩定性。抗大氣植被指數與LAI之間的關系如表1所示。

表1 ARVI與LAI之間的關系

從線性、二次多項式、冪函數、指數函數四種回歸模型中可以看出，ARVI與LAI有較強的關系。但在四種關系統計模型中，相關性最高的二次多項式模型R2＝0．717 5，最低的線性模型R2＝0．69，而RSME的值則以指數模型最低，線性模型最高，但相差不大，所以選擇二次多項式模型作為本文的植被指數反演模型。

2．2 PROSIAL反演模型

PROSAIL是在SAIL模型的基礎上，建立包含化學組份含量的葉片散射和吸收模型，從而將葉片模型耦合到冠層模型中反演整個冠層的生化組份含量。本研究中，PROSAIL模型中生化參數及土壤背景為試驗同步取樣后分析結果，并設置時參考LOPEX′93（Leaf Optical Pr operties Experi ment）數據庫以及我國典型地物波譜知識庫。模型部分參數值設定如表2所示，葉傾角分布選擇為球形分布。

表2 PROSAIL的部分輸入參數

2．3 熱暗點植被指數模型

所謂“熱點”，即指觀測方向與太陽入射方向同側即后向散射區域存在的反射率最強點，而“暗點”則正好相反，是指觀測方向與入射方向異側即前向散射區域存在的反射率最弱點。以往的研究表明，反射率在主平面上的變化與日照情況和葉片陰影有很大的關系［10－11］。在同等光照條件下，葉片越聚集，光照葉片的數量越少，這就導致了在不同情況下反射率的差異。這種影響在熱暗點指數（HDS）有一定的表現。“熱暗點指數”可以被描述為“熱暗點差值”與“暗點”的比值，計算時表示為

式中：rHS，rDS分別為熱點和暗點對應的反射率。顯而易見，HDS越高表明“熱點”與“暗點”之間的反差越大，這種強烈的反差來自于冠層的粗糙程度，這表明HDS與冠層結構（如葉片空間分布等）有很大的關系，所以在進行植被指數反演時，將熱暗點指數和現有的植被指數模型相結合構建了具有二向反射特性的熱暗點植被指數模型，其數學表達式為擇－35°所在位置對應點，即為暗點，繼而可以計算出熱暗點指數。

圖2 不同波段的二向反射光譜

由于“熱點”效應在紅光波段和近紅外波段比較顯著，本文測試了紅色、近紅外波段熱暗點指數（HDS＿R、HDS＿NIR）與LAI之間的相關性度量R2。測試后得到HDS＿R與LAI之間的R2＝0．98，略高與HDS＿NIR。因此，本文用 HDS＿R和NDVI、ARVI分別構建復合植被指數模型，具體形式及與LAI的關系如表3所示。

表3 熱暗點植被指數模型關系表

從表3可以看出，加入熱暗點指數的模型進行模擬時的相關度與傳統的統計模型的相關度要提高很多，從0．7提升到0．89。其中 NDVI－HDS與LAI之間的關系比ARVI－HDS與LAI的關系微強，特別是二次多項式的R2最高，所以本文最終用NDVI＿HDS構建二次多項式熱暗點植被指數模型，并應用于實驗區LAI的反演。

3 反演結果及分析

3．1 反演結果

統計模型反演LAI結果如圖3（a）所示，可以看出整個區域中植被LAI的值集中在1～1．6之間。為驗證反演結果，在此區域隨機選擇了30個實地測量的樣本值，其最小值為0．73，最大值為2．1，平均值為1．207 6，這與反演得到的結果在整體上是一致的。從圖3（b）中可以看出，利用PROSAIL模型的反演結果碎塊比較多，植被LAI的最小值約為0．65，最大值為2，少部分值偏低或者偏高。從LAI集中范圍來看，PROSAIL模型的反演結果值的范圍與經驗統計模型范圍大致相同；從最大最小值的角度，PROSAIL模型得到最小值比植被統計模型的最小值大0．05，最大值相差0．2，兩種模型的反演結果大體一致。熱暗點植被指數模型的反演結果如圖3（c）所示。可以看出，LAI的范圍在0～2之間，但是植被的葉面積指數在1～1．5范圍內占有大量份額，最小值約為0．8，最大值為1．8，與經驗統計模型和輻射傳輸模型的反演結果有差異，但在整體趨勢上是一致的。結果圖比較整齊，沒有太多的碎塊，這是因為加入熱暗點指數后弱化了零散的地塊。

3．2 驗證與分析

本文利用30%的實測點檢測葉面積指數反演的精度，各指標如表4所示。

表4 LAI驗證結果表

從表4可以看出，實測檢測點的平均值為1．207 6，傳統二次多項式統計模型反演得到的LAI平均值為1．216 8，比實測值高0．099 2；PROSAIL模型反演的平均值為1．267比實測值高出0．069 4熱暗點植被指數模型得到的LAI平均值為1．188，比實測值低0．019 6，與實測值最為接近。在與LAI的相關度方面，傳統二次多項式統計模型的R2＝0．612 3，PROSAIL模型為0．670 8，復合型植被指數模型為0．700 1；后者與PROSAIL模型比較接近，但略高于PROSAIL模型。在反演的理論精度方面，傳統二次多項式統計模型的均方根誤差RMSE為0．112 9，PROSAIL 模 型 的 RMSE 為0．076 8，熱暗 點植被 指數模 型為 0．089 8，僅比PROSAIL模型低0．013。

圖3 各反演模型的LAI反演結果

引入HDS因子的植被指數模型反演后的R2相對于PROSAIL模型沒有明顯優勢，但是其可以避免過多參數的獲取。熱暗點植被指數模型與傳統的植被指數模型相比，其均值比傳統植被指數模型反演結果的均值更接近實測值，且相關性R2較高，誤差RMSE更小。由此說明引入HDS的統計模型比傳統統計模型更適合用來反演內蒙古草地的LAI。

4 結 論

本文分別利用植被指數模型，PROSAIL模型和熱暗點植被指數模型對內蒙古自治區貢格爾大草原的LAI進行了定量反演研究。反演結果證明熱暗點植被指數統計模型的R2＝0．7，PROSAIL模型R2＝0．67，而傳統的植被指數模型R2＝0．61；對于內蒙古草地而言引入熱暗點指數的模型反演LAI效果較好，該模型不但與LAI的相關度高，而且對于范圍在1～2之間的草地葉面積指數反演也有一定的適應性。但是這三種模型反演的精度普遍不高，可能的原因是：建立的模型和驗證的實測數據比較少，從而使模型建立時的統計性不足；影像數據處理產生的殘差也是定量反演精度不高的原因之一，有待進一步改善。

［1］ POCOCK M J O，EVANS D M，MEMMOTT J．The i mpact of far m management on species－specific leaf area index far m－scale data and predictive models［J］．Agriculture Ecosystems ＆ Environ ment，2010，135（4）：279－287．

［2］ 莊東英，李衛國，武立權．冬小麥生物量衛星遙感估測研究［J］．干旱區資源與環境，2013，27（10）：158－162．

［3］ 劉照言，馬靈玲，唐伶俐，等．基于SAIL模型的多角度多光譜遙感葉面積指數反演［J］．干旱區地理，2010，33（1）：93－98．

［4］ 包剛，覃志豪，周義，等．基于高光譜數據和RBF神經網絡方法的草地葉面積指數反演［J］．國土資源遙感，2012（2）：7－11．

［5］ 江淼，張顯峰，孫權，等．不同分辨率影像反演植被覆蓋度的參數確定與尺度效應分析［J］．武漢大學學報：信息科學版，2011，36（3）：312－315．

［6］ 吳國訓，阮宏華，李顯風，等．基于MODIS反演的2000－2011年江西省植被葉面積指數時空變化特征［J］．南京林業大學學報：自然科學版，2013，37（1）：11－17．

［7］ 王強，白帆，唐彥，等．利用IDL與VC＋＋聯合構建森林葉面積指數反演系統［J］．測繪工程，2012，21（3）：1－4．

［8］ 付海強，汪長城，朱建軍，等．一種改進的POLINSAR PCT方法反演植被垂直結構［J］．測繪工程，2014，23（11）：56－61．

［9］ 韓桂華，王強，劉丹丹．基于多角度遙感物理模型的葉面積指數反演［J］．測繪科學，2010，35（3）：77－79．

［10］YANG F，WANG J，CHEN P，et al．Comparison of HJ－1 A CCD and T M data and for esti mating grass LAI and fresh biomass［J］．Journal of Remote Sensing．2012，16（5）：1000－1023．

［11］陳瀚閱，牛錚，黃文江，等．基于熱點植被指數的冬小麥葉面積指數估算［J］．農業工程學報，2012，28（1）：167－172．

［12］趙娟，張耀鴻，黃文江，等．基于熱點效應的不同株型小麥LAI反演［J］．光譜學與光譜分析，2014，34（1）：207－211．