GF-1/WFV在玉米叶面积指数估算中的应用研究

2021-05-31张矞勋璩向宁吴梦瑶于瑞鑫

浙江农业学报 2021年5期

张矞勋，王磊，*，璩向宁，曹媛，吴梦瑶，于瑞鑫，孙源

(1.宁夏大学西北土地退化与生态系统恢复省部共建国家重点实验室培育基地，宁夏银川 750021; 2.宁夏大学西北退化生态系统恢复与重建教育部重点实验室，宁夏银川 750021; 3. 中国科学院遥感与数字地球研究所，北京 100101)

叶面积指数(leaf area index，LAI)通常被定义为单位面积上所有叶片单面面积的总和[1]。叶面积指数与植物的光合、蒸腾等过程有着极其密切的联系，是显示植被冠层生理过程的重要参数[2-3]，在陆地生态过程、水热循环和地球化学循环中扮演着重要的角色[4]。通过叶面积指数的变化可以快速地了解作物产量和生长健康状况等变化[5]。叶面积指数的研究在生态系统的生产力、土壤-植物-大气系统相互作用、植被遥感信息等诸多方面已起到极其重要的作用[6]，因此，对LAI的研究具有重要意义。

遥感监测具有实时迅速、大面积监测的特点[7]，一直是大尺度LAI相关研究中的重要方法[8]。从20世纪70—80年代开始，遥感已经开始普遍地运用在监测作物长势、种植面积和产量等方面，对农业遥感的发展和科学管理具有重要意义[9]。长期以来，多是以MODIS、Landsat、SPOT等为数据来源，产出了大量的研究成果[10]。高分一号卫星(GF-1)是中国高分辨率对地观测系统的首发卫星，该卫星的高分辨率与高重访周期的特点在农业遥感领域发挥重要的作用，更是高分辨率对地观测系统的重要组成部分[11-12]。目前GF-1已经在轨运行7年，接近卫星使用寿命，结合地面实测数据对其植被监测能力进行评价具有重要意义。

植被指数是地表植物的研究中的一种简单有效的度量指标[13-14]，常用于叶面积指数的遥感研究中。李晓彤等[15]的研究中，借助植被指数对有一定梯度差异的森林LAI进行估算与反演，认为GF-1/WFV对森林LAI的反演有较好的效果。Chen等[16]使用便携光谱仪对叶面积指数等参数进行监测，并对玉米LAI进行建模，得出归一化植被指数(NDVI)和比植被指数(RVI)对玉米叶面积指数有优秀的监测能力。刘明等[17]基于MODIS数据，运用归一化植被指数(NDVI)等植被指数对玉米叶面积指数估算进行研究，得到优化土壤调节植被指数(OSAVI)和归一化植被指数(NDVI)对玉米LAI的预测能力较好。易秋香[18]借助Sentinel卫星数据，建立并验证了对棉花LAI模型的估算能力与估算精度。精度也有诸多通过植被指数，结合不同播种期、土壤水分等因素下对冬小麦LAI的估算研究[19-20]，都得到了较好的估算结果与预测模型。但目前借助GF-1/WFV传感器数据对玉米LAI估算方面的应用研究依旧较为缺乏。

本研究中借助GF-1/WFV传感器的星载数据与便携式光谱仪获取的光谱数据，选取5种植被指数，结合地面实测叶面积指数进行分析和研究。对获取的叶面积指数与植被指数建立的估算模型进行对比研究，从中筛选出最优的估算模型并对比评价星载数据和光谱仪数据建立估算模型的估算能力。

1 材料与方法

1.1 研究区域概况

本研究区(E 125°21′-125°48′，N 44°31′-44°51′)位于吉林省长春市农安县，地处松辽平原腹地。年均气温4.7 ℃，全年无霜期145 d，降水量507.7 mm，有效积温2 800 ℃，海拔250～270 m。地势平坦，四季分明，属中温带大陆性气候，雨热同季有利于作物的生长，属于东北地区典型的玉米种植区。地面观测时间内，玉米营养生长基本停止，所有叶片均已展开，植株定长，此后至成熟期叶面积指数变化不大[21-22]

1.2 样地布置

根据获取的GF-1/WFV数据的归一化植被指数计算结果，选取生长情况不同的玉米种植样地共27块，每块观测样地的大小为16 m×16 m，每个样地在沿对角线方向设置等距的7个1 m×1 m观测样方。地面观测时间为2019年7月18—20日，由于营养生长的停止，采样分布在3 d内进行对玉米叶面积的观测应无明显影响。地面测量过程中，对每块样地内的测量位置进行标记，以确保LAI与光谱的观测在相同位置。

1.3 叶面积指数获取

玉米LAI的测量使用Li-COR公司的LAI-2200冠层分析仪进行，对玉米叶面积指数进行测量，每块样地共测量7组LAI数值，受到仪器测量过程中太阳直射的限制，根据仪器工作原理，选取阴天、日出、日落等时段进行。每块样地中在沿对角线方向上测量7个LAI值，每个数据在测量时先在冠层上无遮挡处测量一次天空光A值，之后在冠层下测量3次B值，通过FV2200对测量的LAI值进行测算。

1.4 地面光谱数据获取

使用Spectral Evolution公司的SR-8800光谱仪对玉米冠层进行采样，光谱范围350～2 500 nm，光谱分辨率在波长350～700 nm为2.5 nm，700～1 500 nm为8 nm，1 500～2 100 nm为nm。数据采集时，从玉米冠层以上对其进行光谱测量(实测)，探头竖直向下，每块样方地测量7组数据，每组共测量3条光谱曲线，每块样地测量前均先对照白板。测量时将探头维持在玉米冠层以上1.5 m处。每个样点测量后取平均值。

1.5 遥感影像数据与处理

实验选取的GF-1/WFV数据，重访周期为4 d，传感器的空间分辨率为16 m。本次实验中选取与地面测样时间最为接近且云量最少的影像。对所获取的高分一号影像，使用ENVI 5.3对卫星影像进行PCR正射校正，再采用从中国资源卫星获取的绝对定标系数进行辐射定标，之后采用FLAASH模块对高分一号影像进行大气校正。基于地面控制点数据，采用二次项多项式等模型对影响进行几何精校正，校正误差控制在0.5个像元内。

1.6 植被指数

图1 研究区GF-1/WFV影像及观测样地分布图Fig.1 GF-1/WFV image and plot distribution in study area

植被指数(vegetation index)是指两个或者多个波长范围内的地物反射率进行线性或者非线性组合，产生的对植物的生长、生物量等具有一定指示作用的数值[23]。本文选取归一化植被指数(normalized vegetation index，NDVI)[16]、比植被指数(ratio vegetation index，RVI)[15]、大气阻抗植被指数(atmospheric regulation vegetation index，ARVI)[24]、土壤调节植被指数(soil regulation vegetation index，SAVI)[25]、修改性土壤调节植被指数(modified soil regulation vegetation index，MSAVI)[1]共5种植被指数进行玉米叶面积指数的估算研究。

根据Huete[25]和Almeida等[26]对土壤调节植被指数(SAVI)的研究，本文中土壤调节系数(L)取值为0.5 。通过ENVI 5.3获取对应样点的植被指数。对采集的地面实测光谱数据经过光谱响应函数重采样后，得到与高分一号波段范围相同的光谱数据；通过计算，得到地面实测光谱和GF-1/WFV数据的植被指数；使用SPSS 20对各类植被指数建立不同类型的LAI的估算模型，并对各类植被指数与LAI拟合程度进行比较，进而筛选出各类植被指数对LAI的最优模型，并对得到的最优模型进行精度评价，最后对所得模型的模拟值进行验证，并评价高分一号对玉米LAI的估算能力。

1.7 模型精度分析

对于筛选出不同植被指数相对应的最优模型，通过均方根误差(root-mean-square error，RMSE)、相对误差(relative error，RE)和预测残差(residual prediction deviation，RPD)3个验证标准来评价模型的精度与植被指数对LAI的预测能力。

(1)

(2)

(3)

一般来说，优秀的预测模型中R2和RPD较大而RMSE较小，但由于RMSE的范围与测量值大小有关，故无法直接通过RMSE大小判断不同参数模型精度。因此，可以同时以R2和RPD为标准对模型精度进行分析，当RPD<1.4、R2<0.5时，模型的质量较差，预测能力较低；当1.4≤RPD<2.0、0.5≤R2<0.8时，可认为模型为中等质量预测模型，可进行中等程度的预测；RPD≥2.0、R2≥0.8时，模型为优秀的预测模型，可认为模型有很好的预测能力[27]。

2 结果与分析

2.1 玉米冠层光谱曲线

图2中显示了研究中各样地地面实测玉米冠层特征光谱曲线，可以发现，不同样地之间玉米冠层光谱反射率有着较大的差异，因此，选取的样地和采集的数据较为合理。

2.2 模型建立与筛选

LAI对地面实测数据、GF-1/WFV数据得到的各种植被指数模型的相关性如表1所示。

同时以R2与调整R2为判断标准，从表1筛选出与叶面积指数相关性最高的函数类型，筛选后结果如表2所示。由表2可发现，对所得植被指数建模后，各类植被指数与叶面积指数的最优模型R2均较高。对于地面实测数据中，5种植被指数对LAI而言均有较高的相关性，不同函数关系建立模型的R2均大于0.7，模型函数关系中R2

图2 传感器光谱响应特征及实测光谱曲线Fig.2 Sensor spectral response characteristics and measured spectral curve

表1 植被指数不同函数类型相关性对比

表2 实测光谱数据和GF-1/WFV传感器数据植被指数模型的最优函数类型

最大为MSAVI，可达到0.814。GF-1/WFV影像构造所得植被指数，所有模型的R2均超过0.66。函数关系所得模型R2最大同样为修改性土壤调节植被指数(MSAVI)，可达到0.742。

地面实测数据与GF-1/WFV数据得到的各种植被指数对叶面积指数的拟合公式，各类型植被指数最优模型的函数类型与函数表达式如表3所示。

拟合后实测与GF-1的LAI-植被指数模型及拟合曲线如图3、图4所示。对比图3与图4后可以发现，基于地面实测光谱数据构建的植被指数，与玉米LAI建立模型后，数据分布有一定的集中，主要集中在LAI较大的区域内。光谱仪采集数据时，由于在此生长阶段，叶面积指数高的样地，玉米的长势更好、冠层叶片较大，郁闭程度也更高，数据采集时仅得到了冠层的反射率，而低LAI的样地，郁闭度较低，在采集光谱的同时，也反映了未被叶片遮盖的土壤的光谱特征，因此导致了数据在高LAI范围内的集中分布。相比之下，GF-1/WFV传感器影像的单个像元同时包含了冠层、土壤等多种信息。因此，构建模型后，数据的分布更均匀。

2.3 模型精度分析与评价

植被指数对玉米LAI所建立的模型分别通过计算RMSE、RPD、RE来评价模型的精度，具体结果如表4所示。综合以上3种精度评价指标进行分析，各类植被指数建立的模型，对于地面实测数据模型的RMSE和RE均小于卫星，其数值最小均为MSAVI模型。对于地面实测数据构建模型RPD均大于GF-1/WFV的模型，且模型的RPD均大于1.4。

表3 实测光谱数据和GF-1/WFV传感器数据计算植被指数与LAI的拟合方程

图3 基于地面实测光谱模拟GF-1/WFV波段数据预测模型散点图及拟合曲线Fig.3 Scatter plot map and curve fitting of predicted model based on measured spectral data of GF-1/WFV analog band

图4 基于GF-1/WFV传感器数据的预测模型散点图及拟合曲线Fig.4 Scatter plot map and curve fitting of predicted model for GF-1/WFV data

表4 估算模型精度

综合R2与RPD对模型进行分析，基于地面实测数据建立的模型，除MSAVI外，其余4种植被指数NDVI、RVI、ARVI、SAVI建立的模型可以认为均能够中等程度地预测LAI。这4种植被指数建立模型后RPD均大于1.6，最大为ARVI建立的模型，达到1.78，而MSAVI对LAI建立的模型R2>0.80，RPD>2.0，可认为此模型对LAI是优秀的预测模型，对玉米LAI有很好的预测能力。基于GF-1/WFV传感器数据建立的模型，5种植被指数建立模型后的RPD均大于1.4，可认为均能够有中等能力预测LAI，RPD最大为对MSAVI所建立的模型，为1.71。

基于以上因素考虑可以认为各类植被指数预预测能力依次为，地面实测数据：MSAVI>SAVI>NDVI>RVI>ARVI；高分一号：MSAVI>SAVI>NDVI>RVI>ARVI。所选用的植被指数，在基于高分一号和地面实测数据中对LAI建模后的预测精度和预测能力有着相近规律。

2.4 模型实用性分析

对高分一号和地面实测光谱的观测值与模拟值进行相关分析，其相关性如表5所示。所有植被指数观测值与模拟值相关性均大于0.75，在0.01水平上显著相关。地面实测光谱和GF-1/WFV预测值之间相关性最高均为MSAVI模型预测结果，分别可达到0.894和0.857，可认为使用MSAVI对玉米叶面积指数的预测能力最好。

对GF-1/WFV和实测光谱数据建模后的5种植被指数NDVI、RVI、ARVI、SAVI和MSAVI的模拟值之间进行相关分析，其Pearson相关系数分别为0.792、0869、0.722、0.809、0.853，且均在0.01水平上显著相关。基于GF-1/WFV和地面实测光谱数据得到的预测值相关性依次为RVI>MSAVI>SAVI>NDVI>ARVI。

在对筛选得到的5种植被指数建模的预测值的进行相关分析后，可以看出，使用RVI来预测玉米叶面积指数时星上数据和实测数据相关性最好，两种RVI模型精度较高且较为接近。但两种数据源所得到的RVI建模后，模型的RPD均明显低于MSAVI，而MSAVI的模拟值之间相关性为0.853，与RVI的0.869差距较小，且MSAVI模型和RVI模型相比，RMSE和RE均较低。

模型验证后可认为，对于地面实测光谱和GF-1/WFV数据，均表现出使用MSAVI模型对玉米LAI估算效果更好。植被指数ARVI在基于不同数据来源建模后模型与预测值之间的相关性低于其他4种植被指数，故在估算时应优先选用其他的植被指数。

表5 地面实测光谱和GF-1/WFV的LAI观测值与预测值相关性

2.5 LAI分布结果

基于GF-1/WFV数据得到的MSAVI构造二项式模型估算结果与玉米LAI分布情况分别如图5、图6所示。

图5 研究区LAI估算结果图(基于GF-1/WFV数据MSAVI二项式模型)Fig.5 LAI estimation results in the research area(based on MSAVI quadratic model of GF-1/WFV data)

图6 玉米冠层不同LAI值域范围分布图Fig.6 Distribution of different LAI range of maize canopy

3 讨论

在光谱获取时，大气因素在卫星成像时造成的影响相比光谱仪对地物测量时更大，这将进一步对植被指数计算的结果和建模结果造成影响。大气因素的影响也可能是大气阻抗植被指数在GF-1与地面测量所得的模型精度差异较大的原因。

相比于GF-1/WFV数据，使用光谱仪对玉米冠层LAI进行监测时，根据光谱仪成像原理与实际操作时仪器高度，每次拍摄范围不超过1.33 m2(约为半径64 cm圆形区域)，光谱反射率数据与LAI数据之间的对应程度更高。GF-1/WFV数据影像像元大小为16 m×16 m，每个像元的数据是像元范围所有植被LAI综合后的结果，反射率与采样得到冠层LAI之间的对应程度有一定的降低，这是使用不同植被指数对玉米冠层LAI估算时，光谱仪数据建立模型拟合程度普遍高于GF-1/WFV的原因。

在不同植被指数之间，SAVI与MSAVI由于引进了冠层调节因子，减小了土壤信息的干扰，但SAVI对植被覆盖度的反映有一定程度的缺失，而MSAVI对不同覆盖度的地面有很好的调节能力，并且更适于高植被覆盖度的土地。在当前生长阶段，由于玉米叶片的展开程度普遍较高，导致研究区范围内的覆盖度普遍处于较高水平，研究中也较为明显地显示出MSAVI相比其余4种植被指数对玉米冠层LAI有更好的估算能力。植被指数ARVI可以降低模型对大气的敏感性，在使用GF-1/WFV数据对玉米LAI研究时应当有更好的表现，但对ARVI的应用需要得到大气的实况参数[28]。研究中由于该参数的缺少，仅代入了理想状态下的大气订正系数，大气订正系数与实际大气条件之间的差异，应当是使用ARVI对玉米LAI估算时，模型的精度明显低于其余4种植被指数的原因。

分析GF-1/WFV和地面实测光谱数据的最优模型可发现，影像所得数据在叶面积指数大于3.5时，植被指数变化范围较大而叶面积指数变化范围较小，而在地面实测数据中LAI和植被指数的变化则不是如此。因此，在地面实测数据中，5种植被指数最优模型的函数类型主要为线性和指数模型，而GF-1/WFV数据得到的5种植被指数最优模型的函数类型为二项式和对数模型。由于光饱和现象，NDVI等植被指数对应的模型应倾向于指数型，在郑踊谦等[29]和Wang等[30]的研究中，利用PRO_SAIL模型模拟，不同波段组合的植被指数的分析显示，在光饱和的影响下，LAI-植被指数之间的关系均倾向于指数分布。而在胡古月等[31]对叶面积指数研究中，用多种函数类型对Landsat 7影像得到的数据和4种常见植被指数进行拟合，其研究中LAI测量范围在3.0～4.5，所得结果中非线性模型就二项式、指数、对数函数和幂函数而言，二项式函数的R2最大且RMSE最小并且模型R2优于线性模型，以此可表明在实际研究中，LAI在部分分布范围内可能会由于随机采样误差或样本数量较小等原因而与理论结果不完全吻合。且由于所有样点之间的空间差异以及实际情况下不同植株的生长状况差异，如植被叶绿素含量、株高、生物量等因素的差异，也可能导致LAI在某些范围内的变化趋势不完全符合指数分布。