基于混合像元分解理论的路域植被等量水厚度遥感反演

肖祥红，刘海洋，郭云开

(1. 湖南省第二测绘院，湖南 长沙 410119； 2. 长沙理工大学交通运输工程学院,湖南 长沙 410076)

地理国情是重要的基本国情,是推进自然生态系统和环境保护、合理配置各类资源、实现绿色发展的重要支撑。植被是地理国情监测的重要对象，水分是构成植物的重要组分之一，其含量的盈缺直接影响植物的生理生化过程。快速精确地监测提取植被含水量对于研究植被生理状况、植被干旱胁迫及潜在火情的监测和预警具有重要的意义[1-3]。遥感技术作为可快速获取植被生物物理与生物化学特征的重要研究手段，被许多专家学者应用于获取植被含水量的研究，主要包括经验模型和物理模型。经验模型主要是以数理统计为手段，构建植被叶片或冠层光谱与植被含水量指标间的数学关系，从而实现植被含水量的反演。国内外学者对植被水分含量的反射率敏感波段进行了研究，认为植物在970、1240、1450、1950和2500 nm光谱反射率曲线的吸收峰特征可以用来指示植物水分状况[4-5]。在此基础上，一些能够反映植被水分变化的植被指数相继被提出，且效果良好。文献[6]分析了归一化差异植被指数(NDVI)的弱点，通过构建归一化差异水分指数(NDWI)来监测植被水分，取得了良好的研究效果。文献[7]为监测植被水分胁迫提出了湿度胁迫指数(MSI)，并证明了在多种植被类型下MSI都能够表现出与等量水厚度的良好相关性。部分研究学者对已有指数进行了改进或构建了新的植被指数，都取得了满意的研究成果。物理模型不依赖于特定的植被类型或背景，通过模拟辐射传输的过程来获取植被的冠层光谱，进而反演出植被某种植被参数[8]。文献[9]利用高光谱指数和辐射传输模型估算了棉花叶片和冠层的含水量，探讨了各种水相关植被指数在反演EWT和CWC时的能力。文献[10]通过修正PROSAIL模型以适应高植被覆盖区域，并结合支持向量机回归实现了对植被等量水厚度的反演。

在遥感影像中，由于受传感器及地面植被环境复杂多样性的影响，混合像元普遍存在于遥感影像之中[11]。而混合像元的存在势必会降低EWT的遥感反演精度[12]。本文基于PRO4SAIL模型正演所获得的数据模拟多光谱数据进行敏感性分析和植被指数的筛选，并以长常高速公路路域植被作为研究对象，利用覆盖试验区域的Landsat 8影像混合像元解混后的植被冠层反射率数据与反演模型相结合预测试验区的路域植被等量水厚度。

1 研究区域及数据处理

1.1 研究区域概况

本文以湖南省境内长沙至常德一段高速公路路域作为研究区域，研究区属于典型的亚热带季风性湿润气候，光热充足，雨水充沛且空气湿润，路域植被属于中国南部亚热带湿润森林植被区系，道路两侧植被资源丰富，树种繁多。

1.2 实测数据采集

本次试验对研究区域进行了实地调查，数据采集时间为2016年6月17日，正值南方地区典型植被生长旺季，当天天气晴朗，无云无风，外业试验数据采集区域大小为15 m×15 m，均为植被覆盖区域，包括全阔叶林覆盖、全针叶林覆盖及阔、针叶林混合覆盖。每个样区以1个中心点和4个顶点作为测点，结合影像上样区位置，综合确定样点像元空间位置，确保样区随机分布于研究区内。采集数据包括叶面积指数、叶绿素含量、叶片鲜重、叶面积和植被冠层光谱，并采集了相应的典型植被带回实验室。试验人员进行量测的同时记录地形地貌等样区特征，最终测得有效样区35个。研究区域如图1所示。

1.3 遥感影像选择与处理

本文选取覆盖研究区域的Landsat 8 OLI影像，成像时间为2016年7月23日，遥感影像少云、清晰。基于ENVI 5.3软件平台对遥感影像进行预处理，经过辐射定标和FLAASH模型大气校正后，对OLI影像进行掩膜裁剪，获取研究区域的Landsat 8 OLI多光谱影像。Lansat 8 OLI影像波段信息见表1。

波段光谱类型波段范围/μm空间分辨率/mBand 1Coastal0.433～0.45330Band 2Blue0.450～0.51530Band 3Green0.525～0.60030Band 4Red0.630～0.68030Band 5NIR0.845～0.88530Band 6SWIR11.560～1.66030Band 7SWIR22.100～2.30030Band 8PAN0.500～0.68015Band 9Cirrus1.360～1.39030

2 研究方法

2.1 PRO4SAIL模型模拟遥感影像植被冠层光谱

PROSAL模型是阔叶辐射传输模型PROSPECT与植被冠层辐射传输模型SAIL的耦合模型，其准确性得到了检验，是目前应用最为广泛的冠层辐射传输模型。叶片辐射传输模型PROSPECT所模拟的单叶叶片400～2500 nm范围内反射和透射光谱，可以同叶面积指数、热点参数、太阳天顶角、观测天顶角、太阳—观测相对方位角、土壤反射率等其他参数一起作为冠层辐射传输模型SAIL的输入参数，形成PRO4SAIL耦合模型模拟植被冠层光谱数据[13]。

利用PROSPECT5+4SAIL模型对植被冠层光谱进行模拟，通过调节等量水厚度的步长来获得等量水厚度与叶面积指数变化光谱，共模拟获得植被冠层光谱100组。从中按照一定权重随机选取60组数据，基于Landsat 8影像的光谱波段响应函数将模拟的植被冠层反射率转换为多光谱数据，转换模型为

(1)

式中，Reg为模拟的等效Landsat 7反射率；RPR(λ)为PROSAIL模拟的高光谱反射率；fTM(λ)为Landsat 8 OLI传感器目标波段的光谱响应函数。

2.2 线性混合像元分解

混合像元普遍存在于遥感影像中，它记录了多种地物类型的综合光谱信息，在地表地物分布较复杂的区域更是如此。因此，混合像元使得利用遥感技术手段进行植被参数的反演存在着偏差。在不考虑二次散射的情况下，可认为一个像元的反射率值是由各地物反射率(端元)按照其在该像元内所占的面积比(丰度)进行线性组合得到的[14]。

线性光谱混合模型(LSMM)如下

(2)

在路域研究区内，混合像元可认为是由植被冠层光谱和土壤光谱两个端元组合而成，则线性光谱混合模型可简化为像元二分模型

ri=avrvi+asrsi+ei

(3)

式中，av为植被冠层在混合像元中的丰度；as为土壤在混合像元中的丰度；rvi为像元内第i个波段植被冠层的反射率；rsi为像元内第i个波段土壤的反射率。则剔除土壤光谱后植被冠层在第i个波段中的光谱信息为

rvi=(ri-asrsi-ei)/av

(4)

通过对混合像元的线性分解，获取更加精确的植被冠层信息将有助于利用遥感手段进行植被参数的反演。

3 结果与分析

3.1 端元提取及冠层反射率反演

混合像元线性分解主要分为以下步骤：①端元提取，提取“纯”地物的光谱；②混合像元的分解，将混合像元分解为端元和其丰度的组合。端元选择正确与否决定了混合像元分解的成败。本文基于ENVI 5.3软件平台，采用MNF变换、PPI像元纯度计算及N维可视化分析对影像端元进行提取。经MNF变换、PPI计算对像元进行提纯后，将处理结果导入N维空间中，通过交互式判断像元点的聚集情况以确定终端端元组分数及植被冠层光谱和土壤光谱值。利用完全约束最小二乘法对研究区域进行线性混合像元分解，经式(4)计算获得混合像元内植被冠层光谱。以样点植被冠层实测光谱反射率为依据，计算遥感影像像元反射率和混合像元解混后植被冠层反射率的各波段平均值的相对误差，计算结果见表2。可以看出，经混合像元解混后植被冠层反射率更接近于真实冠层光谱。

表2 反射率相对误差对比 (%)

3.2 植被指数的筛选

根据400～2500 nm光谱范围内多植被水分敏感的波段，专家学者提出和发展了RVI、NDWI及MSI等成熟的、可用于植被水分含量反演的植被指数。本文计算了较为常用的多个植被指数，见表3。

表3 常用植被指数及其计算公式

利用PRO4SAIL模型模拟的遥感影像宽波段植被冠层光谱数据进行上述植被指数的计算，并与等量水厚度进行相关性分析，结果见表4。综合考虑植被指数与等量水厚度的相关性和植被指数之间的相关性，结合与等量水厚度相关性较高的遥感影像波段，选取Band6、Band7、NDWI2、RVI5、GVMI用于反演植被的等量水厚度。

表4 植被指数与等量水厚度的相关系数

注：**相关性在0.01水平上显著(双侧)，*相关性在0.05水平上显著(双侧)。

3.3 等量水厚度反演模型的建立与验证

采用支持向量机回归方法建立等量水厚度反演模型，核函数类型选择径向基函数(RBF)，采用分步格网法进行交叉验证，以Band6、Band7、NDWI1、RVI4和GVMI为自变量，以等量水厚度值为因变量。建模样本选择PRO4SAIL和光谱响应函数模拟的Landsat 8遥感影像植被冠层光谱数据作为数据源，从模拟数据中随机抽取60个数据构建NDWI1、RVI4和GVMI植被指数，且将Band6、Band7光谱值作为自变量，对应的模拟等量水厚度作为因变量。验证样本选择实测等量水厚度作为因变量，通过GPS定位采样点在遥感影像中对应的位置，以混合像元分解前、分解后的35个像元光谱数据计算NDWI1、RVI4和GVMI植被指数，且将Band6、Band7光谱值作为自变量，验证经混合像元分解后所得植被光谱数据的有效性。利用反演模型对预测集的EWT进行估测，并将估测EWT与实测EWT进行拟合分析。由图2可知，二者的预测集斜率均接近于1，经混合像元解混后预测集决定系数R2为0.809 9，未经混合像元分解的预测集决定系数R2为0.665 6。

4 结 语

本文以南方典型植被作为研究对象，利用Landsat 8 OLI遥感影像和地面实测数据，对植被等量水厚度的遥感反演进行了研究。研究结果表明：利用PROSAIL模拟植被冠层光谱获取植被指数并对EWT的敏感性进行分析，可有效弥补地面实测数据的不足，能够判断出与EWT显著相关的植被指数为NDWI1、RVI4、GVMI；在利用模拟多光谱数据所建立的反演模型下，遥感影像光谱数据的反演R2为0.809 9,通过混合像元分解获得的阔叶林冠层光谱反演EWT的R2为0.665 6，后者表现出了更加出色的反演能力。同时，可作为有效数据参与到其他植被参数遥感反演中，为路域植被环境研究提供基础支持。此外，等量水厚度的精确提取，将促使该指标成为一种针对植被的、标准化的新型地理国情监测指标，进一步丰富地理国情产品形式。