基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较

刘　轲，周清波※，吴文斌,2，陈仲新，唐华俊（.农业部农业信息技术重点实验室/中国农业科学院农业资源与农业区划研究所，北京 0008；2.华中师范大学城市与环境科学学院，武汉 430079）



基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较

刘轲1，周清波1※，吴文斌1,2，陈仲新1，唐华俊1
（1.农业部农业信息技术重点实验室/中国农业科学院农业资源与农业区划研究所，北京 100081；2.华中师范大学城市与环境科学学院，武汉 430079）

摘要：近年来，高光谱遥感数据广泛应用于农作物叶面积指数（LAI）反演。与常用的多光谱遥感数据相比，高光谱数据能否提高农作物LAI反演的精度和稳定性还存在争议。针对这一问题，该研究利用实测冬小麦冠层高光谱反射率数据，构造了不同光谱分辨率和波段组合的5种光谱数据。基于ACRM（a two-layer canopy reflectance model）模型、2套参数化方案及上述5种光谱数据，对冬小麦LAI进行反演，分析光谱分辨率、高光谱数据波段选择、模型参数不确定性3方面因素对LAI反演精度与稳定性的影响。研究结果表明：当波段选择适宜、模型参数不确定性较小且光谱数据分辨率较高时，LAI反演精度与稳定性更高，提高光谱分辨率对LAI反演精度的改进作用随光谱分辨率的升高而降低；反之，当高光谱数据波段选择不当或者模型参数不确定性较大时，提高光谱数据的分辨率并未提高LAI反演精度。该研究解释了“高光谱遥感数据能否提高植被参数反演精度”问题，为进一步发挥高光谱数据在农作物LAI反演中的潜力提供了科学参考。

关键词：植被；遥感；光谱分析；叶面积指数；高光谱；反演；波段选择

刘轲，周清波，吴文斌，陈仲新，唐华俊. 基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较[J]. 农业工程学报，2016，32（3）：155－162.doi：10.11975/j.issn.1002-6819.2016.03.022http://www.tcsae.org

Liu Ke, Zhou Qingbo, Wu Wenbin, Chen Zhongxin, Tang Huajun. Comparison between multispectral and hyperspectral remote sensing for LAI estimation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 155－162. (in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2016.03.022http://www.tcsae.org

0　引　言

叶面积指数（LAI）反映了农作物生理生化过程和生产力状况。获取农作物LAI及其动态变化信息对农作物长势监测和产量估测等应用具有重要意义[1-3]。遥感技术能够经济、高效、无损地估测农作物LAI，成为了目前获取大尺度农作物LAI的主要技术手段。高光谱数据尤其能够刻画地物光谱细节，支持波形分析技术，因此，在农作物LAI遥感反演研究中得到了广泛的应用[4-6]。较之多光谱数据，高光谱数据能否提高农作物LAI反演的精度与稳定性仍存在学术争议。部分研究表明高光谱数据有助于提高LAI反演精度[7-10]，也有研究得出与之相反的结论[11-13]，例如李小文等[13]通过Li-Strahler模型参数敏感性分析认为：结构参数与波谱无关，波段数量增加并不能提供更多关于结构参数的信息。总结前人研究可以发现，因为当时的客观条件和主流LAI反演方法，这些高光谱-宽波段的对比研究存在很多不足[7]，例如：早期常用的AVIRIS（airborne visible infrared imaging spectrometer）传感器信噪比低[12]；仅依赖冠层反射率模型模拟光谱而非实测光谱[11-12]；基于植被指数（vegetation indices，VIs）开展LAI反演而未采用更能体现高光谱数据优势的光谱特征参量，如红边参量等[7,11,14]。因此，如何合理利用高光谱数据提高LAI反演精度与稳定性仍是亟待研究的重要科学问题。

基于冠层反射率模型（物理模型）的LAI高光谱反演精度主要受“维数灾难”和“病态反演”问题制约。1）高光谱数据众多波段间的多重共线性导致“维数灾难”，致使反演模型决定系数高但是预测精度差。因此，应进行数据降维，选择尽可能正交的波段反演LAI[7,15]。2）物理模型不同的参数值组合易得到相似的光谱反射率，增加LAI反演的不确定性，导致“病态反演”问题[16]，该问题与物理模型参数化的不确定性密切相关。因此，在基于高光谱和多光谱数据反演LAI的对比研究中，一方面，应基于相同波段选择方案与物理模型参数不确定性水平，剥离除光谱分辨率以外的其他因素对反演的影响；另一方面，应验证不同的波段选择方案与物理模型不确定性水平对反演的影响，以便限制不利因素，充分发挥高光谱数据的优势。

本研究利用ACRM（a two-layer canopy reflectance model）冠层反射率模型和基于查找表（look-up table，LUT）的反演方法开展LAI反演研究。基于2个时相的冬小麦冠层反射率高光谱实测数据构造了不同光谱分辨率和波段组合的5种反射率数据，制订了ACRM模型的2套参数化方案。基于此，开展LAI反演试验，探索了遥感数据光谱分辨率、波段选择方案、物理模型参数不确定性3方面因素对LAI反演的影响，揭示了发挥高光谱数据优势的必要条件，以期为合理利用高光谱数据反演作物LAI提供科学参考。

1　田间测量与数据准备

1.1试验区与田间测量

研究区域位于河北省衡水深州市，地处华北平原，是中国典型的冬小麦种植区。田间测量分别于2014年4 月29日和5月21日进行，此时正值冬小麦拔节期和抽穗期，在反演试验中分别记为T1和T2，共测量了5块冬小麦田块，为了体现测量的代表性，不同田块种植的品种不同，各试验田块见表1。

表1　试验样地Table 1　Sample plots

大致沿田块对角线均匀布设5～6个样本点，研究区共设28个样本点。每个样本点为长50 cm、宽4垄（约150 cm）的样方，在样方中进行测量。利用FieldSpec 4 光谱仪（美国ASD 公司生产）测量冠层光谱，探头视场角为10°，垂直向下，距小麦冠层顶部高度约1 m，光谱测量范围350～2 500 nm，光谱分辨率1 nm。为减少计算量，将光谱分辨率重采样为5 nm，并采用Gao[17]提出的基于移动窗内局部均值与局部方差的方法计算各波段的信噪比，结果表明感兴趣波段445～1 200 nm信噪比均大于50，可直接用于反演。采用LAI-2200冠层分析仪（美国LI-COR公司生产）测量LAI。在每个样本点分别选取5和10株冬小麦叶片样本各一份，使用LI-3000便携式叶面积仪（美国LI-COR公司生产）现场测量各样本的总叶面积，并秤量叶鲜质量后冷藏送至实验室。5株冬小麦的叶片样本用于测量叶片叶绿素含量Cab；10株冬小麦的叶片样本烘干至恒质量，秤量叶片干质量，根据叶片干、湿质量求得冬小麦叶片干物质含量Cm、含水量Cw和比叶重（leaf specific weight，SLW）。利用各样本的总叶面积，将Cab、SLW、Cw单位换算为g/m2，以符合ACRM模型的预定义[18]。

1.2合成模拟TM多光谱数据

为探索遥感数据光谱分辨率对冬小麦LAI反演的影响，并排除不同数据源信噪比、传感器特性等干扰因素，本研究基于实测冬小麦冠层高光谱反射率，利用Landsat 5 TM传感器光谱响应函数合成TM多光谱数据红（R）、绿（G）、蓝（B）、近红外（NIR）波段[7,12,19]，公式如下

式中ρm为模拟TM多光谱反射率；ρh,λ为λ波长的高光谱反射率；RSRλ为对应波长的TM光谱响应函数，从美国地质调查局（United States Geological Survey，USGS）网站下载[20]；Lλ为太阳直射辐射亮度，由MODTRAN （moderate resolution atmospheric transmission）模型模拟得到。MODTRAN大气模型选择“中纬度夏季（MODEL=2，CARD 1）”，气溶胶模式设为“乡村气溶胶模式（IHAZE=1，CARD 2）”，其他参数取值参考相关研究[21]，限于篇幅不再赘述。

2　研究方法

本研究LAI反演步骤如下：1）通过分析ACRM模型各参数的敏感性，选取自由变量，确定模型参数化方案。2）正向运行ACRM模型，构建查找表。3）反演波段选择。4）比较模拟实测光谱，计算二者选定波段的均方根误差（RMSE）作为代价函数，得到LAI反演结果。

2.1ACRM冠层反射率模型及其反演方法

本研究选用ACRM模型原因如下：1）ACRM模型考虑了热点效应、植被叶片群聚效应和双层冠层对植被二向反射的影响。针对具有显著直立结构的作物冠层，ACRM模型利用马尔可夫链原理改进了叶倾角分布函数。2）ACRM模型耦合了PROSPECT模型描述叶片组分光谱及Price[22]提出的4个基函数（rsl1～rsl4）描述土壤光谱，并以Ångström浊度系数模拟天空光比，解决了辐射传输模型中相关输入参数难以获取的问题[23]。3）前人研究同时表明，ACRM模型模拟精度良好，是较为成熟、完善、可靠的均匀冠层反射率模型[24-27]。

冠层反射率模型反演方法主要有迭代优化[12]、基于查找表的反演[28]以及基于人工神经网络[29]、支持向量回归[16]等统计方法的反演。本研究选择基于查找表的反演方法，主要原因：一方面，该方法在近年来冠层反射率模型反演研究中应用非常广泛[9,28,30-32]，针对该方法的验证和改进有广泛的指导意义；另一方面，基于查找表的反演方法原理简单、计算快捷、反演精度较高[31-32]。

2.2ACRM模型输入参数敏感性分析

合理确定自由变量对于查找表反演精度有很明显的影响。本研究采用EFAST（extended Fourier amplitude sensitivity test）方法[33]分析了ACRM模型11个主要参数[26,34]在各波段的敏感性。EFAST方法考虑了参数间的交互作用，因而比常用的局部敏感性分析方法更全面、客观[34]。设待分析参数的取值在其允许范围内均匀分布，随机抽取5 000组参数取值组合，代入ACRM模型，生成模拟反射率数据集。将参数取值组合与模拟反射率数据集输入SimLab软件，现EFAST敏感性分析。由分析结果（图1）可知，在可见光-近红外（VNIR）范围内，有8个参数全局敏感性指数大于0.1，分别是LAI、叶绿素含量Cab、SLW、平均叶倾角θm、土壤反射率参数rsl1、叶肉结构参数N、Ångstrom浊度系数β、马尔可夫群聚参数Sz。

图1　ACRM模型输入参数敏感性分析Fig.1　Sensitivity analysis of variables in ACRM model

2.3ACRM模型参数化与查找表的构建

为研究ACRM模型参数不确定性对LAI反演的影响，本研究测试了2套参数化方案，分别记为S1、S2，见表2。β在较大空间尺度上相对均一，可固定为期望值。在缺乏先验知识的情况下，设全局敏感性指数大于0.1的其余7个变量为自由变量，即方案S1。小麦叶肉结构参数N的取值相对固定[33]，预试验表明N=0.5适用于本研究大多数田块；参数Sz取值范围为0.4～1.0，本研究封垄后小麦的几何形态为均匀冠层，Sz取值1，鉴于此，方案S2模拟了实际研究中作物种类及其时相已知的情况，即封垄后冬小麦，将N与Sz固定为0.5和1，其余自由变量的取值及变化范围与方案S1相同。

表2　ACRM模型参数取值范围Table 2　Ranges of input variables for ACRM model

本研究中自由变量取值范围较宽（见表2），模拟了实际应用中缺乏先验知识的通常情况。热点参数SL参数化为LAI的函数[35]。叶片表面蜡质折射指数n、叶片干物质含量Cm、椭圆叶片角分布参数eL对VNIR范围内反射率贡献低，固定为各自期望值[26]。叶片棕色素含量Cbp仅对衰老叶片的反射率影响显著。本研究中，绿色叶片占绝对优势，故Cbp设为0[36]。β表征大气总体浑浊状况，与波长无关。本研究依据MODIS气溶胶产品（MOD/MYD04）获取470、660 nm处的气溶胶光学厚度τ，根据Iqbal[37]的算法求得β。太阳天顶角θsza根据各样本点田间光谱观测时刻和田块经纬度，基于美国俄勒冈大学太阳辐射监测实验室提供的Solar Position Calculator计算生成。

2.4光谱分辨率和波段选择

参照相关研究[9,28,38]，本研究以VNIR波长范围（445～1 065 nm）的冠层反射率反演LAI，尝试了5种不同光谱分辨率和波段组合的光谱数据，分别记为B1～B5，见表3。其中B1为模拟TM多光谱数据；B2、B3分别为VNIR范围内所有波段、TM敏感波段的高光谱数据；B4为用于LAI反演的高光谱优选波段数据。为进一步考察光谱分辨率对LAI高光谱反演的影响，以B4选定波段为中心波长，求其附近±10 nm范围内各波段的平均反射率，合成光谱分辨率20 nm的多光谱数据，记为B5。

表3　LAI反演各光谱数据Table 3　Spectral data applied for LAI retrieval

高光谱波段选择的步骤如下：1）基于逐步回归的数据降维。为避免“维数灾难”，参与反演的波段应尽量正交，且充分保持原始数据中有用的信息。由图1可知，LAI 是NIR、红谷范围内最敏感参数；Cab是除红谷外的可见光范围内的最敏感参数。因此，在全部28个实测样本点中随机选取6个样本点，分别以选定样本点的LAI、Cab实测值为自变量，各波段高光谱反射率为因变量进行逐步回归，逐步回归结果即为高光谱数据中反映LAI或Cab变化的相对独立的波段，见表4。从中选择NIR、红谷范围内与LAI最相关，以及除红谷外的可见光范围内与Cab最相关的波段，实现数据降维[15]。2）选取光谱模拟误差最小的波段。当模型输入参数取值尽可能准确（代入参数实测值或最优估计值）时，模拟光谱与实测光谱间仍然存在误差，本研究称之为“光谱模拟误差”。该误差与波段相关，包含物理模型的模拟误差和不可避免的模型参数取值不当导致的误差两部分，反映了客观因素造成的反演误差。为了估计并排除光谱模拟误差对LAI高光谱反演的影响，本研究随机抽取6个样本点，将其参数实测值或最优估计值代入ACRM模型，得到各样本点的最优模拟光谱。逐样本点、逐波段计算最优模拟光谱与实测光谱的距离，得到该样本点的光谱模拟误差。然后，按波段求所选6个样本点光谱模拟误差的均值，得到各波段的平均光谱模拟误差，见图2。以此为基础，排除逐步回归结果中光谱模拟误差较大的波段，按照光谱模拟误差最小的原则修正余下的波段，最终确定LAI高光谱反演较优波段为B4。

表4　基于逐步回归法的LAI、叶绿素含量Cab敏感波段选择Table 4　Bands selected for LAI and Chlorophyll content Cabby stepwise regression

图2　光谱模拟误差Fig.2　Errors of spectral simulation

2.5基于查找表的ACRM模型反演

本研究以代价函数χRMSE衡量查找表中模拟光谱与实测光谱的差异，见式（2）。代价函数χRMSE应用广泛、反演精度较高[28]，适用于本研究。

式中χRMSE为代价函数值；nb为参与反演的波段数；Ri,measured、Ri,simulated分别为波段i实测和模拟光谱反射率。

理论上，查找表中代价函数最小的参数组合即为反演结果。实际上，病态现象的存在使得最优解不唯一。因此，本研究选取所有参数组合中χRMSE最小的前20%，分别对各参数求均值，以其作为反演结果[30,32]。

2.6LAI反演精度的评价

以线性回归决定系数（R2）、反演值均方根误差（RMSE）与平均相对误差（MRE）3个统计量评估LAI反演的精度与稳定性。

3　结果与分析

本研究使用ACRM模型2套参数化方案，基于不同分辨率和波段组合的5种光谱数据来反演2个时相的冬小麦LAI，比较全部（28个）实测样本点上LAI实测值与反演值。见图3。

3.1高光谱数据波段选择对冬小麦LAI反演的影响

从图3可见，不同波段选择方案（B2、B3、B4）对冬小麦LAI高光谱反演精度与稳定性有明显影响。1）VNIR范围全波段高光谱数据（B2，见图3b）并未比TM敏感波段高光谱数据（B3，见图3c）得到更好的反演结果。可见，实测高光谱数据更宽的光谱覆盖无助于提高LAI反演精度。因此，本研究中数据B2仅适用于T1-S2的反演试验。2）比较基于B3与B4（高光谱优选波段）的反演结果（分别对比图3c与图3d；图3g与图3h；图3k与图3l；图3o与图3p）可见，基于B4反演结果的RMSE和MRE较低，R2多数较高（除反演试验T1-S2-B3/B4外）。该结果表明合理的波段选择提高了LAI高光谱反演的精度与稳定性。波段选择对LAI反演的提高作用在模型参数不确定性较大（基于参数化方案S1）时更明显。

3.2光谱分辨率和ACRM模型输入参数不确定性对LAI反演的影响

对比基于多光谱数据（B1和B5）与高光谱数据（B3 和B4）的反演结果可知：1）ACRM模型参数不确定性较小（参数化方案S2）时，基于高光谱优选波段数据的反演结果（T1/T2-S2-B4）最优，基于光谱分辨率20 nm的模拟多光谱数据的反演结果（T1/T2-S2-B5）次之，基于模拟TM多光谱数据的反演结果（T1/T2-S2-B1）再次之。此时，提高数据光谱分辨率对反演精度的改善作用随光谱分辨率的升高而逐渐减小。以拔节期为例，试验T1-S2-B4（图3d）的RMSE比T1-S2-B5（图3e）仅减小0.037；而T1-S2-B5的RMSE较之T1-S2-B1（图3a）减小了0.207，改进更显著。LAI高光谱反演最优结果T1-S2-B4与模拟TM多光谱数据反演结果T1-S2-B1相比，表征反演稳定性的R2虽无增加，但RMSE、MRE明显减小，且散点图的线性回归线更接近于1:1线，表明系统误差明显减小。基于抽穗期数据（T2）的反演试验也反映出大致相同的趋势。2）ACRM模型参数不确定性较大（参数化方案S1）时，基于模拟TM多光谱数据（B1）、光谱分辨率20 nm的多光谱数据（B5）与高光谱优选波段数据（B4）三者的反演结果差异很小。例如，反演试验T2-S1-B4（图3p）较之T2-S1-B1（图3n），前者R2虽然从0.0757升至0.2162，但反映误差水平的RMSE反而增加了0.02。

综上所述，1）当ACRM模型参数不确定性较小（基于参数化方案S2）时，光谱分辨率较高且经过合理波段选择的数据表现出更优的LAI反演精度与稳定性。此时，提高光谱分辨率对反演精度的改善作用随光谱分辨率的升高而逐渐减小。2）模型参数不确定性较大（参数化方案S1）时，一方面，合理的波段选择对LAI高光谱反演精度与稳定的改进程度比模型参数不确定性较小时更显著；另一方面，提高数据的光谱分辨率难以明显改善LAI反演精度。

图3　基于不同光谱数据和不同参数方案的拔节期和抽穗期LAI反演结果Fig.3　LAI retrieval results at jointing stage and heading stage based on remote sensing data with different spectral resolution and different schemes of parameterization

3.3讨论

1）本研究为高光谱数据能否提高LAI反演精度的学术争论提供了一个可能的解释。合理的波段选择与冠层反射率模型参数不确定性足够小是光谱分辨率较高的数据能够提高LAI反演精度与稳定性的必要条件。当上述条件满足时，应优先选择光谱分辨率较高的数据。除高光谱数据外，光谱分辨率相对较高且能区分LAI特征波段（如红谷、红边和NIR）的多光谱数据源（如MODIS、Landsat 8 OLI和WorldView 3）也有提高LAI反演精度的潜力，应在未来进一步加以探索。

2）为充分发挥高光谱数据在LAI反演方面的优势和潜力，未来研究应一方面深入研究高光谱数据波段选择方法，寻找LAI反演最优波段组合；另一方面提高模型参数化精度，例如，探索面向对象的参数优化方法[38]。

3）为了合理选择LAI高光谱反演波段，并兼顾波段选择方法的普适性，本研究从全部28个样本点中2次独立地抽取6个样本点，分别用于数据降维与光谱模拟误差评估。虽然该波段选择方法需要少量实测数据，然而其最大限度确保了波段选择的准确性。未来研究中，应从以下2方面完善波段选择方法。一方面，实际应用中，冠层参数真值未知。因此，应深入探索光谱模拟误差的成因及影响因素，发展普适的、较少依赖先验知识的光谱模拟误差评估方法和限制对策。另一方面，采用逐步回归进行数据降维依赖LAI、Cab的实测值。未来研究中，应进一步探索基于高光谱数据自相关分析、主成分分析等无需实测数据的数据降维方法。

4　结　论

本研究使用ACRM模型2套参数化方案，基于不同光谱分辨率和波段组合的5种光谱数据来反演2个时相的冬小麦LAI，系统比较和分析了其反演精度与稳定性。结果表明，基于ACRM模型的冬小麦LAI反演精度受遥感数据光谱分辨率、反演波段选择与模型参数不确定性三方面因素影响。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。此时，提高数据光谱分辨率对反演精度的改善作用随光谱分辨率的升高而逐渐减小。反之，未进行合理的波段选择，或模型输入参数不确定性较大时，提高数据的光谱分辨率难以显著提升LAI反演精度。

[参考文献]

[1] Sakamoto T, Shibayama M, Kimura A, et al. Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(6): 872－882.

[2] 李卫国，王纪华，赵春江，等. 基于定量遥感反演与生长模型耦合的水稻产量估测研究[J]. 农业工程学报，2008，24(7)：128－131. Li Weiguo, Wang Jihua, Zhao Chunjiang, et al. Estimating rice yield based on quantitative remote sensing inversion and growth model coupling[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(7): 128－131. (in Chinese with English abstract)

[3] 黄健熙，马鸿元，田丽燕，等. 基于时间序列LAI和ET同化的冬小麦遥感估产方法比较[J]. 农业工程学报，2015，31(4)：197－203. Huang Jianxi, Ma Hongyuan, Tian Liyan, et al. Comparison of remote sensing yield estimation methods for winter wheat based on assimilating time-sequence LAI and ET[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 197－203. (in Chinese with English abstract)

[4] Herrmann I, Pimstein A, Karnieli A, et al. LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands[J]. Remote Sensing of Environment, 2011, 115(8): 2141－2151.

[5] 夏天，吴文斌，周清波，等. 冬小麦叶面积指数高光谱遥感反演方法对比[J]. 农业工程学报，2013，29(3)：139－147. Xia Tian, Wu Wenbin, Zhou Qingbo, et al. Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(3): 139－147. (in Chinese with English abstract)

[6] 林卉，梁亮，张连蓬，等. 基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演[J]. 农业工程学报，2013，29(11)：139－146. Lin Hui, Liang Liang, Zhang Lianpeng, et al. Wheat leaf area index inversion with hyperspectral remote sensing based on support vector regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(11): 139－146. (in Chinese with English abstract)

[7] Lee K-S, Cohen W B, Kennedy R E, et al. Hyperspectral versus multispectral data for estimating leaf area index in four different biomes[J]. Remote Sensing of Environment, 2004, 91(3/4): 508－520.

[8] Pu R, Gong P, Yu Q. Comparative analysis of EO-1 ALI and Hyperion, and Landsat ETM+ data for mapping forest crown closure and leaf area index[J]. Sensors, 2008, 8(6): 3744－3766.

[9] Verrelst J, Romijn E, Kooistra L. Mapping vegetation density in a heterogeneous river floodplain ecosystem using pointable CHRIS/PROBA data[J]. Remote Sensing, 2012, 4(12): 2866－2889.

[10] 范闻捷，闫彬彦，徐希孺. 尺度转换规律与同步反演作物播种面积和叶面积指数[J]. 中国科学：地球科学，2010，40(12)：1725－1732. Fan Wenjie, Yan Binyan, Xu Xiru. Crop area and leaf area index simultaneous retrieval based on spatial scaling transformation[J]. Science China Earth Sciences, 2010, 40(12): 1725－1732. (in Chinese with English abstract)

[11] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment, 2000, 76(2): 156－172.

[12] Jacquemoud S, Baret F, Andrieu B, et al. Extraction of vegetation biophysical parameters by inversion of the PROSPECT+ SAIL models on sugar beet canopy reflectance data: Application to TM and AVIRIS sensors[J]. Remote Sensing of Environment, 1995, 52(3): 163－172.

[13] 李小文，高峰，王锦地，等. 遥感反演中参数的不确定性与敏感性矩阵 [J]. 遥感学报，1997，1(1)：5－14. Li Xiaowen, Gao Feng, Wang Jindi et al. Uncertainty and sensitivity matrix of parameters in inversion of physical BRDF model[J]. Journal of Remote Sensing, 1997, 1(1): 5－14. (in Chinese with English abstract)

[14] 梁亮，杨敏华，张连蓬，等. 基于SVR算法的小麦冠层叶绿素含量高光谱反演[J]. 农业工程学报，2012，28(20)：162－171. Liang Liang, Yang Minhua, Zhang Lianpeng, et al. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on support vector regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(20): 162－171. (in Chinese with English abstract)

[15] 宋开山，张柏，王宗明，等. 大豆叶绿素含量高光谱反演模型研究 [J]. 农业工程学报，2006，22(8)：16－21.Song Kaishan, Zhang Bai, Wang Zongming, et al. Inverse model for estimating soybean chlorophyll concentration using in-situ collected canopy hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(8): 16－21. ( in Chinese w ith English abstract )

[16] Durbha S S, King R L, Younan N H. Support vector machines regression for retrieval of leaf area index from multiangle imaging spectroradiometer[J]. Remote Sensing of Environment, 2007, 107(1/2): 348－361.

[17] Gao B-C. An operational method for estimating signal to noise ratios from data acquired with imaging spectrometers[J]. Remote Sensing of Environment, 1993, 43(1): 23－33.

[18] Kuusk A. Two-layer canopy reflectance model ACRM user Guide[Z]. Tartu: Tartu Observatory, 2009.

[19] 田国良. 热红外遥感[M]. 北京：电子工业出版社，2006.

[20] USGS. Spectral characteristics viewer[DB/OL]. (2013-12-03) [2015-03-22]. http://landsat.usgs.gov/tools_ spectral Viewer.php.

[21] 刘勇洪，权维俊，夏祥鳌，等. 基于MODTRAN模式与卫星资料的晴空净太阳辐射模拟[J]. 高原气象，2008，27(6)：1410－1415. Liu Yonghong, Quan Weijun, Xia Xiangao, et al. Net surface solar radiation in the clear sky based on MODTRAN model and satellite data [J]. Plateau Meteorology, 2008, 27(6): 1410－1415. (in Chinese with English abstract)

[22] Price J C. On the information content of soil reflectance spectra[J]. Remote Sensing of Environment, 1990, 33(2): 113－121.

[23] Kuusk A. A two-layer canopy reflectance model[J]. Journal of Quantitative Spectroscopy and Radiative Transfer, 2001, 71(1): 1－9.

[24] Delalieux S, Somers B, Hereijgers S, et al. A near-infrared narrow-waveband ratio to determine Leaf Area Index in orchards[J]. Remote Sensing of Environment, 2008, 112(10): 3762－3772.

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

[26] 姜志伟，陈仲新，任建强. 基于ACRM辐射传输模型的植被叶面积指数遥感反演[J]. 中国农业资源与区划，2011，32(1)：57－63. Jiang Zhiwei, Chen Zhongxin, Ren Jianqiang. The inversion of vegetation leaf area index based on the canopy radiative transfer model ACRM[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2011, 32(1): 57－63. (in Chinese with English abstract)

[27] 王东伟，孟宪智，王锦地，等. 叶面积指数遥感反演方法进展[J]. 五邑大学学报：自然科学版，2009，23(4)：47－52. Wang Dongwei, Meng Xianzhi, Wang Jindi, et al. The development of leaf area index inversion from remote sensing[J]. Journal of Wuyi University: Natural Science Edition, 2009, 23(4): 47－52. (in Chinese with English abstract)

[28] Duan S B, Li Z L, Wu H, et al. Inversion of the PROSAIL model to estimate leaf area index of maize, potato, and sunflower fields from unmanned aerial vehicle hyperspectral data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 26(2): 12－20.

[29] Duveiller G, Weiss M, Baret F, et al. Retrieving wheat green area index during the growing season from optical time series measurements based on neural network radiative transfer inversion[J]. Remote Sensing of Environment, 2011, 115(3): 887－896.

[30] Dorigo W A. Improving the robustness of cotton status characterisation by radiative transfer model inversion of multi-angular CHRIS/PROBA data[J]. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, 2012, 5(1): 18－29.

[31] Richter K, Atzberger C, Vuolo F, et al. Experimental assessment of the Sentinel-2 band setting for RTM-based LAI retrieval of sugar beet and maize[J]. Canadian Journal of Remote Sensing, 2009, 35(3): 230－247.

[32] Vohland M, Mader S, Dorigo W. Applying different inversion techniques to retrieve stand variables of summer barley with PROSPECT+SAIL[J]. International Journal of Applied Earth Observation and Geoinformation, 2010, 12(2): 71－80.

[33] Saltelli A, Tarantola S, Campolongo F. Sensitivity Analysis in Practice: A Guide to Assessing Scientific Models[M]. Chichester: John Wiley & Sons Inc, 2004.

[34] 何维，杨华. 模型参数全局敏感性分析的EFAST方法[J].遥感技术与应用，2013，28(5)：836－843. He Wei, Yang Hua. EFAST method for global sensitivity analysis of remote sensing model’s parameters[J]. Remote Sensing Technologyand Application, 2013, 28(5): 836－843. (in Chinese with English abstract)

[35] Verhoef W, Bach H. Simulation of hyperspectral and directional radiance images using coupled biophysical and atmospheric radiative transfer models[J]. Remote Sensing of Environment, 2003, 87(1): 23－41.

[36] 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[J]. Remote Sensing of Environment, 2009, 113(1): 259－274.

[37] Iqbal M. An Introduction to Solar Radiation[M]. Toronto: Academic Press, 1983.

[38] Atzberger C, Richter K. Spatially constrained inversion of radiative transfer models for improved LAI mapping from future Sentinel-2 imagery[J]. Remote Sensing of Environment, 2012, 120(120): 208－218.

Comparison between multispectral and hyperspectral remote sensing for LAI estimation

Liu Ke1, Zhou Qingbo1※, Wu Wenbin1,2, Chen Zhongxin1, Tang Huajun1
(1. Key Laboratory of Agri-informatics, Ministry of Agriculture/Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China;2. College of Urban & Environmental Sciences, Central China Normal University, Wuhan 430079, China)

Abstract:Hyperspectral remote sensing has been commonly employed for crop LAI estimation in recent years. However, the advantages of hyperspectral data compared with multispectral data in LAI estimation remain debate. To compare multispectral and hyperspectral remote sensing for LAI estimation, five datasets with different spectral resolution, spectral coverage, and band selection were tested for retrieving LAI by inverting the ACRM (A Two-Layer Canopy Reflectance Model) model in this study. The study area is located in Shenzhou, Hebei Province, China. A field experiment was conducted during the jointing and heading stages of winter wheat (Triticum aestivum) in 2014. In situ measurements were performed in five winter wheat cultivars. The canopy spectra and the biophysical variables (LAI, leaf chlorophyll content, and leaf specific weight etc.) were measured. The inversion technique based on a look-up table (LUT) is adopted with the following procedure. Firstly, for determining the free variables of the LUT, sensitivities of the ACRM variables were evaluated using the EFAST algorithm. Two schemes of parameterizations were designed, separately denoted as “S1” and “S2”. The scheme S1 had 7 variables, whose EFAST global sensitivity index was larger than 0.1, as free variables. The scheme S2 further was used to fixe leaf mesophyll structure and Markov clumping parameter to their best estimation. Secondly, to select the optimum hyperspectral bands for LAI estimation, stepwise regression was adopted to eliminate the multicollinearity in hyperspectral data. The results of stepwise regression were further adjusted to avoid errors in spectral simulation. Thirdly, five datasets, separately denoted as B1 to B5, were composed based on the in situ measured hyperspectral spectra and the result of band selection, including B1: the synthetic Landsat 5 TM data; B2: hyperspectral data (5 nm spectral resolution) of visible light and near inferred (VNIR, 445-1 065 nm); B3: hyperspectral data covering the sensitive bands of TM within VNIR (445-945 nm); B4: the selected hyperspectral bands for LAI estimation; B5: multispectral data of 20 nm spectral resolution, with their center wavelengths located at the selected hyperspectral bands. The accuracy and stability between LAI retrieval based on the two schemes of ACRM parameterization and using the five datasets were compared. The experiments showed that: first, within the range of VNIR, LAI estimation did not benefit from the wider spectral coverage of in situ measured hyperspectral data than the synthetic TM data.Second, if the bands participating in the inversion were properly selected and the uncertainty in the parameterization of the ACRM model was fairly low, remote sensing data of higher spectral resolution would generally result in a more accurate LAI estimation. In this case, the effects of spectral resolution to the inversion accuracy were not linear. With the increase of spectral resolution, the benefit from higher spectral resolution could decrease. For instance, B5 yielded significantly more accurate LAI estimations than B1; however, B4 performed merely slightly better than B5. Third, if the bands for retrieving LAI were not properly selected (for instance, using dataset B3), or the parameterization of ACRM model was fairly uncertain (for instance, using the scheme S1), remotely sensed data with higher spectral resolution could not result in more accurate LAI estimation. In conclusion, remotely sensed data with higher spectral resolution generally yielded more accurate LAI estimation only when the band selection was properly performed and the uncertainty of the parameters was fairly low.Otherwise, there was no significant difference between multispectral and hyperspectral data for crop LAI retrieval. This study provides information for the advantages of using hyperspectral data to estimate LAI. Moreover, this study reveals the great potential to enhance the accuracy of LAI estimation by using multispectral data with relevantly high spectral resolution, for instance, MODIS, Landsat 8 OLI and WorldView 3.

Keywords:vegetation; remote sensing; spectrum analysis; leaf area index; hyperspectral data; inversion; band selection

通信作者：※周清波，男，湖南沅江人，博士，研究员，博士生导师。主要从事农情遥感领域的基础研究和应用基础研究。北京中国农业科学院农业资源与农业区划研究所，100081；Email：zhouqingbo@caas.cn

作者简介：刘轲，男，四川攀枝花人，博士生，主要从事作物参数遥感反演方法研究。北京中国农业科学院农业资源与农业区划研究所，100081。Email：billc_st@163.com

基金项目：测绘地理信息公益性行业科研专项（201512028）；国家自然科学基金项目（41271112）

收稿日期：2015-04-10

修订日期：2015-12-16

中图分类号：S126；TP79

文献标志码：A

文章编号：1002-6819(2016)-03-0155-06

doi：10.11975/j.issn.1002-6819.2016.03.022