冬小麦叶面积指数真实性检验尺度扩展方法研究

李军玲，张 弘，邹春辉

(中国气象局河南省农业气象保障与应用技术重点实验室/河南省气象科学研究所，河南郑州 450003)

地球表面空间是一个复杂的巨系统，在某一尺度上观察到的性质、总结出的原理或规律，在另一尺度上可能有效、相似或需要修正[1]，因此从定量遥感出发的地学描述会存在多尺度的问题[2-3]。而现阶段对光谱尺度效应的系统研究还相对缺乏，空间尺度效应的机理研究仍较为薄弱。小麦作为典型的连续型分布植被，不同生育期的冠层结构和生理特征具有明显差异，这会造成其光谱特征及像元空间异质性的不同。因此，高精度模拟冬小麦叶面积指数(LAI)，实现由单点到区域的尺度扩展，对遥感反演LAI产品的验证及遥感与作物模型同化等都具有重要意义。

尺度转换问题是定量遥感最核心的问题之一[4]。目前，国外学者通过建立遥感产品验证框架[5-6]、多尺度验证中的抽样策略[7]以及各种陆面变量的具体验证[8-9]进行相关研究。Wang 等[10]针对中国区域尺度遥感产品的验证，进行了从站点到区域的尺度扩展研究。国内研究一般包括异质性地表站点观测数据代表性和地面点观测到像元尺度的转换问题[11]。代表性评价对站点观测数据的定量应用是必要的[12]，提高站点观测数据的代表性是遥感产品数据真实性检验的基础。很多学者在遥感产品真实性检验领域进行了站点观测代表性评价研究[13-15]。站点观测的代表性误差与空间异质性有着密切联系[16]，优化采样方法是提高站点代表性的有效途径。卢 伟等[17]研究发现，从MODIS上提取的LAI 生长曲线与实测LAI值之间有明显差异，主要是由于估测值与实测值之间的尺度不匹配导致。对于这种尺度差异需要通过尺度转换来解决[18]。方法一般有两种。一种是直接将地面测量数据简单平均作为地面真值，这种方法对地面测量点的代表性要求很高。很多学者[19-20]利用这一方法对遥感反演产品进行了验证。但采用这种方法，站点对遥感像元的代表性会随着时间和空间发生变化，并不稳定[21]。另一种方法是以高空间分辨率遥感影像作为过渡产品，生成高分辨率地表参数分布图后平均到遥感产品像元尺度。Liang等[22]和Chen等[23]采用这种方法验证了MODIS反照率产品和AVHRR、VEGETATION的LAI产品。Garrigues等[24]也用这种方法对CYCLOPES、ECOCLIMAP、MODIS以及CCRS LAI 进行了分析。Yang 等[25]分析了两种验证方法的优劣，认为直接使用地面测量数据与MODIS LAI 进行比较是不可行的。由此可以看出，第二种方法可以较好地解决地面测量数据代表范围与遥感像元尺度不匹配的问题。但是这种方法的精度取决于生成高分辨率地表参数分布图的拟合精度。刘 轲等[26]研究表明，当波段选择恰当，输入参数不确定性较小时，光谱分辨率较高的数据表现出更优的LAI反演精度与稳定性。

本研究拟在冬小麦生育关键期在星(遥感卫星)地(叶面积仪)空(无人机遥感)同步观测数据的基础上，引入无人机载可见光影像和高分1号高分辨率卫星NDVI数据作为采样的先验知识进行地面LAI采样，并利用高分1号不同植被指数和同尺度地面测量LAI数据建立光谱估算模型，获取冬小麦LAI反演的敏感指数。然后将高分辨率遥感影像与地面测量数据进行定标，生成高分辨率LAI分布图，进而将其聚合到低空间分辨率上，使人工观测与区域遥感观测在时间和空间上得到同步与匹配，实现其尺度的扩展。

1 材料与方法

1.1 研究区域

研究区位于河南省鹤壁市，2017年4月11日在淇滨区矩桥镇小麦万亩示范方、4月12日在淇县西岗镇小麦万亩示范方进行采样，区域内冬小麦普遍处于拔节—抽穗期。该区域地表覆盖类型简单，除田间小路外均为小麦种植区，分别选择500 m×500 m的区域作为地面采样方法的研究试验区，具体位置见图1。

1.2 采样方法

1.2.1 采样单元的选取

分别在两个采样区域500 m×500 m范围内布设18个采样单元，每个采样单元为16 m×16 m。具体做法：先利用无人机可见光影像排除非冬小麦种植区域，再根据 NDVI 频率分布直方图，以层内方差的加权和取最小作为目标函数确定最佳分割阈值，将生成的冬小麦纯像元NDVI图分割成3个类别，根据 NDVI 分割结果图计算各类别的面积比例，并在各类别内部进行随机采样，每个类别取6个采样单元。

首先下载和地面采样时间一致或接近的研究区域高分1号16 m分辨率多光谱遥感影像(WFV)并进行预处理(图2)，再在ENVI5.2 bandmath中计算获得鹤壁地区NDVI分布图(图3)，裁剪获取采样区域并进行冬小麦种植像元的分类(图4)，根据分类结果，每个类别选取6个采样单元，两个研究区域共36个采样单元。

图1 鹤壁市矩桥镇和西岗镇采样区域Fig.1 Sampling area of Juqiao town and Xigang town in Hebi city

图2 GF-1预处理流程Fig.2 Preprocessing flow of GF-1

1.2.2 采样单元LAI数据的实测方法

根据无人机影像和LAI高光谱估算模型计算采样单元16 m×16 m尺度LAI值。从可见光图像能够明显看出，由于播种方式、小麦品种、管理措施等的差别，不同地块绿度值和疏密程度存在差异，这会直接导致LAI有所不同。因此，在已经选取的16 m×16 m尺度内，根据可见光图像进行采样点的选取(图5)。根据冬小麦不同长势及不同管理把采样单元分成为5类区域，每种类型取3个采样点(1 m×1 m)，并通过详细测量获得1～5类区域占采样单元的面积比例(分别用R1～R5表示)。用LAI2200对采样点1 m×1 m尺度LAI进行测量。按照公式“LAI1×R1+ LAI2×R2+LAI3×R3+LAI4×R4+ LAI5×R5” 计算所有采样单元的LAI值，LAI1、LAI2、LAI3、LAI4、LAI5分别表示1～5类3个采样点的平均LAI值。

图3 鹤壁地区GF-1 NDVI分布图Fig.3 NDVI distribution map in Hebi city produced by GF-1

图4 西岗镇采样区域NDVI分类图Fig.4 NDVI classification map of the sampling area in Xigang town

图5 无人机可见光图像上采样点的选取Fig.5 Selection of sampling points on UAV visible light image

1.3 过渡尺度遥感数据

1.3.1 遥感数据的获取

相对于待检验的MODIS LAI产品而言，将高分辨率遥感数据称之为过渡尺度遥感数据[27]。本研究选取与地面采样单元尺度一致的高分1号WFV数据，其空间分辨率为16 m。根据研究区域的地理位置和实测LAI数据获取时间，同时又考虑云的影响，在中国资源卫星应用中心网站(http://www.cresda.com/CN/)下载了2017年4月17日的高分1号WFV数据，进行预处理(图2)并裁剪为相应的研究区域。

1.3.2 植被指数的选取

绿色植物的反射光谱特征主要体现为红光波段的强吸收和近红波段的强反射。以红光和近红外通道组合为主的多种植被指数可以增强植被信息，反映植物生长状况[28]。针对高分1号WFV传感器的参数特点，参考前人研究成果及研究区植被分布状况，本研究选用NDVI、SAVI、RDVI和RVI四种植被指数对地面LAI进行模拟估算。

1.4 估算模型的建立和验证方法

在研究区域共设置采样单元36个，随机把样本分为训练样本(20个)和验证样本(16个)。从训练样本与验证样本的LAI分布直方图(图6)可以看出，训练样本和验证样本分布较为均匀，说明两种样本数据具有同质性。在遥感反演NDVI、SAVI、RDVI和RVI的基础上，利用训练样本分别建立线性、对数、二次函数、指数和幂函数LAI估算模型，依据决定系数和绝对误差筛选最优模型，再采用均方根误差(RMSE)对最优模型预测精度进行评价。

2 结果与分析

2.1 小麦LAI估算模型的筛选结果

从表1可以看出，每种植被指数对应的线性、对数、二次函数、指数和幂函数估算模型均通过0.01水平的显著性检验，其中均以二次函数模型的决定系数r2较大，建模RMSE较小。4种植被指数相比，NDVI对LAI的拟合程度更高，r2为0.788 7，建模RMSE和预测RMSE均较小，因此认为以NDVI为自变量的二次函数模型最优。基于验证样本的NDVI二次函数模型模拟LAI预测值与实测值的1∶1关系图(图7)表明，其对LAL具有较高的预测精度，适用于冬小麦拔节—抽穗期LAI的估测。

图6 训练样本与验证样本的LAI分布直方图Fig.6 LAI distribution of training samples and validation samples

表1 地面LAI与高分1号植被指数的拟合模型参数Table 1 Fitting parameters of surface LAI and GF-1 vegetation indices

线性方程：y=a+bx；对数模型：y=a+blnx；二次函数模型：y=a+bx+cx2；指数模型：y=aebx；幂函数模型：y=axb。**:P<0.01。

Linear equation:y=a+bx; Logarithmic model:y=a+blnx; Quadratic function model:y=a+bx+cx2；Exponential model:y=aebx；Power exponent model:y=a+bx+cx2; y=axb.**:P<0.01.

2.2 尺度扩展

在高分1号卫星NDVI分布图的基础上，利用此模型进行LAI格点数据的计算，获得16 m×16 m尺度的研究区域的LAI分布图，在Arcgis中经过重采样聚合为250 m×250 m尺度的LAI格点图(图8)，从而实现从地面点测量数据到卫星尺度数据的扩展。在鹤壁2个采样区域，中心经纬点(114.299°E，35.678°N)和(114.197°E，35.573°N)的预测LAI值分别为7.47和6.55，实测点值平均为7.17和6.32，相对误差分别为4.18%和3.64%，表明这种尺度扩展方法是可行的。

3 讨 论

高精度模拟冬小麦叶面积指数，实现其由单点到区域的尺度扩展对遥感反演LAI产品的验证及遥感与作物模型同化都具有重要意义。曾也鲁等[29]提出了基于NDVI先验知识的采样单元布设方法,并采用不同植被类型、不同均匀程度的地表作为模拟场,分析对比了此方法的精度及稳定性，但这种方法能提供的先验知识是有限的，同时MODIS-NDVI分辨率低，无法为采样提供精确的参考信息。 本研究从最基本的采样方法入手，用无人机可见光影像和高分1号NDVI分类图作为取样方法的先验知识。与以往研究相比，本研究有效提高了站点观测数据的代表性。通过优化观测数据的取样方法，实现从观测点数据(1 m×1 m)到采样单元数据(16 m×16 m)的尺度扩展，通过统计分析获得采样单元叶面积指数的相对真值，与以往研究[19-20]直接使用地面采样点的数据均值代表采样单元的值相比，本研究的采样方法和统计方法都更科学合理。

图7 基于验证样本的NDVI二次函数模型的LAI预测值与实测值的1∶1关系Fig.7 1∶1 relation diagram between LAI predicted value and measured value

图8 250 m×250 m尺度的LAI格点图Fig.8 LAI distribution map of 250 m×250 m scale

在获得采样单元相对真值的基础上，引入高分辨率高分1号卫星数据，经过精确的地理坐标校正之后，和地面采样单元一一对应。为了更好地研究两者之间的关系，本研究选取了4种不同的植被指数并模拟其与LAI的关系。结果显示，NDVI为自变量的抛物线模型最优，其训练样本拟合与验证精度均最高，表明此经验模型适用于此研究区域冬小麦拔节-抽穗期LAI的估算。与直接采用比值植被指数(RSR)[17]和NDVI[18]的方法相比，本研究方法系统性更强，更有说服力。

本研究从点到面，再从面到高分辨率卫星，之后再到中分辨率卫星(MODIS)，一步步实现从地面点测量数据到卫星尺度数据的扩展。两个研究区域模拟值和实测值的相对误差分别为4.18%和3.64%，表明这种尺度扩展方法是科学可行的。当然，本研究只是在特定区域和冬小麦特定发育阶段的一个研究结果，今后还需要在不同区域和不同发育阶段进行方法的研究和验证。