基于CASI数据的黑河绿洲区叶面积指数反演

杨雨薇， 戴晓爱，2， 牛育天， 刘汉湖， 杨晓霞， 兰 燕

(1.成都理工大学地球科学学院，成都 610059； 2.国土资源部地学空间信息技术重点实验室，成都 610059)

基于CASI数据的黑河绿洲区叶面积指数反演

杨雨薇1， 戴晓爱1，2， 牛育天1， 刘汉湖1， 杨晓霞1， 兰 燕1

(1.成都理工大学地球科学学院，成都 610059； 2.国土资源部地学空间信息技术重点实验室，成都 610059)

叶面积指数(leaf area index，LAI)作为植被冠层的重要参数，对作物长势监测及产量估算具有重要意义。本研究以黑河流域张掖绿洲试验区为例，基于机载航空高光谱遥感影像(compact airborne spectrographic imager，CASI)数据，利用物理模型与统计模型对研究区的LAI进行估测反演。首先，利用归一化植被指数(normalized difference vegetation index，NDVI)与相应实测LAI数据建立最佳线性回归模型； 然后，基于混合像元分解模型和多次散射植被冠层模型构建物理模型； 最后，以线性回归模型为参比修正多次散射植被冠层模型，构建半经验LAI反演模型，并比较上述模型拟合效果。研究结果表明，半经验模型为绿洲区LAI反演最优模型，模型估算精度R2达到0.89，精度提高较显著。研究对提升作物LAI的估算精度有一定意义，并将进一步推动精细农业定量遥感理论的研究与应用。

CASI高光谱数据； 叶面积指数； 线性回归模型； 多次散射植被冠层模型； 半经验模型

0 引言

叶面积指数(leaf area index，LAI)表征叶片冠层结构特征,体现植被光合、呼吸和蒸腾作用等生物物理过程的能力,是描述土壤—植被—大气之间物质和能量交换的关键参数[1]，在植被定量遥感反演等方面也起着重要作用，被广泛地应用于植被冠层反射率模型与气候模型等方面的研究[2-4]。

随着遥感技术的发展，高光谱遥感的出现提供了丰富的高光谱分辨率数据信息，其连续精细的地物波谱信息在反演LAI的研究领域中得到广泛应用[5-7]。李新辉等[8]利用CHRIS/PROBA多角度高光谱数据，基于双层冠层模型(a two-layer canopy reflectance model,ACRM)实现了内蒙古锡林河流域草地的LAI反演，并与MODIS-LAI数据进行校验，表明该方法具有可行性，且可改善稀疏植被覆盖情况下LAI低估问题； 陈雪洋等[9]利用我国环境减灾卫星CCD数据基于植被指数与实测LAI构建回归模型，对山东禹城地区冬小麦进行了LAI反演，经对比认为比值植被指数(ratio vegetation index,RVI)反演精度最佳。上述研究均是利用卫星影像数据进行LAI反演，其空间分辨率仍有一定程度的局限性。机载航空高光谱遥感影像(compact airborne spectrographic imager,CASI)数据提供了一个崭新的平台，使植被LAI的反演研究有了新的突破[10-11]。唐建民等[12]利用CASI高光谱数据和实测LAI，通过波段组合算法对LAI敏感波段进行筛选，构建新型光谱指数归一化差分光谱指数(normalized difference spectral index,NDSI)和比值光谱指数(ratio spectral index,RSI)来估算张掖市农作物LAI，较之宽波段和“红边”植被指数估算结果，其反演精度更高，该研究通过经验模型进行LAI的反演，模型简单易实现； Croft等[13]基于CASI数据，利用4-Scale模型与PROSPECT辐射传输模型反演LAI，并与Landsat5 TM数据及中分辨率成像光谱仪(medium resolution imaging spectrometer,MERIS)数据进行比对，结果表明CASI高光谱数据的估测精度更高，该研究基于物理模型，具有较广泛的适用性。

本文以CASI高光谱影像为数据源，选取黑河流域张掖绿洲区为研究区域，针对经验模型普适性较差，而物理模型参数难以准确估测导致反演误差较大的问题，综合物理模型与经验模型的优势构建半经验模型，以期提高LAI的估算精度。

1 研究区与数据源

1.1 研究区概况

研究区位于中国甘肃省河西走廊黑河流域张掖绿洲区内，地理位置为E100°21′～100°22′，N38°43′～39°00′，平均海拔为1 556.06 m，属干燥少雨的大陆性气候区和典型的干旱—半干旱生态类型区，年平均气温为6 ℃[12]。该区南起祁连山，北依巴丹吉林沙漠，黑河横穿其中，故地下水储量丰富，作为现代绿洲灌溉农业区，以小麦、玉米、油菜、大豆、高原夏菜、马铃薯和水稻等为主要农作物。

1.2 数据来源

1.2.1 CASI高光谱数据

采用黑河计划数据管理中心、寒区旱区科学数据中心(http: //westdc.westgis.ac.cn/)“黑河流域生态-水文过程综合遥感观测联合试验”提供的可见光近红外CASI数据[14]。该数据由运-12飞机搭载CASI传感器获取，飞行时间为2012年7月7日，飞行相对高度为2 000 m(海拔约3 500 m)。波长范围为382.5～1 055.5 nm，空间分辨率为1 m。

结合地面ASD同步实测光谱数据和CE-318数据，利用MODTRAN4.0模拟传感器接收的辐射亮度，计算定标校正系数进行辐射校正，通过光学厚度数据计算大气能见度进行FLAASH大气校正，最后基于POS数据进行几何粗纠正，完成对CASI高光谱数据的预处理。

1.2.2 实测数据

采用由黑河计划数据管理中心、寒区旱区科学数据中心(http: //westdc.westgis.ac.cn/)的“黑河流域生态-水文过程综合遥感观测联合试验”提供的黑河中游LAI2000测量LAI数据[15]。该数据利用LAI2000植冠分析仪在盈科绿洲5 km×5 km样方内进行测量，在每个样方内测量一次冠层上入射和多次冠层下透射取其平均值，再利用间隙率模型反演冠层LAI得到，具有经纬度信息。

2 LAI遥感反演方法

本研究采用CASI数据，通过分析影像中作物光谱曲线特征，综合利用反演LAI的物理模型与线性回归模型，构建半经验LAI反演模型，进行LAI的估测。技术路线如图1所示。

图1 技术路线Fig.1 Flowchart of technology

2.1 混合像元分解模型

在当前LAI定量反演研究中，线性光谱混合模型(linear spectral mixture model，LSMM)具有较高的普适性且没有大量无法精确测量的参数，易于实现同一尺度下的数据分析，故选取LSMM[16]进行混合像元分解以得到植被覆盖度Fc。其数学模型为

(1)

式中：Ri为混合像元反射率；i为波段数，i=1，2，...，m；k为端元数，k=1，2，...，n；Rik为第i波段第k个端元的反射率；fk为第k个端元占该像元的面积百分比；εi为第i波段随机误差。

2.2 多次散射植被冠层模型

众所周知，植被冠层由无数位置、倾角和倾向不同的叶子组成，易发生多次散射和透射作用。散射光的能量主要集中在第一次，随着散射次数的增加，散射强度呈等比级数锐减，一般考虑3次散射即可满足LAI的估算精度，因此首先采用第一次透射率T1代替总透射率进行初始LAI的计算[17]，即

(2)

得到

(3)

式中：τ1(h)为高度在h以上部分冠层的光学厚度；Λ(z)=dL/dh，为LAI密度；k1(z)为冠层在入射方向上的消光系数；μ1=cosθs，θs为太阳天顶角；L为LAI。

在植被覆盖区域，

(4)

得到LAI计算公式为

(5)

其第2次和第3次散射透射率(T2和T3)分别表示为[17]

(6)

即

T2=RlLe-L,

(7)

(8)

积分得

(9)

式中:τ(z)和T(z)分别为高度在z以上冠层部分垂直向上的光学厚度和透射率；Rl=ρl/2,ρl为近红外波段反射率。

由于求解初始LAI时降低了植被冠层的透射率，造成LAI的反演误差，因此修正一次散射透射率T为

T=T1+T2+T3。

(10)

将T代替式(5)中的T1，求解一次迭代后LAI修正值。同理多次迭代后，即可得到准确的LAI估测值。

3 结果与分析

3.1 线性回归模型模拟结果

对CASI高光谱数据红光(611.9～754.9 nm)和近红外(812～1 055.5 nm)波段反射率进行提取，将波段以两两组合的方式组建归一化植被指数(normalized difference vegetation index，NDVI)，并与相应实测LAI计算拟合精度R2，以拟合度最高为原则，得到对实测LAI值具有较高敏感度的NDVI，结果如图2所示。显而易见，呈深红色区域即是R2最大值区，得到分别位于883.5 nm,897.8 nm,940.7 nm,969.4 nm,983.7 nm,1 041.1 nm,1 055.5 nm,611.9 nm和626.2 nm的近红外与红光波段组合计算的NDVI对LAI估算潜力较大。

图2 基于红光与近红外波段组合NDVI与LAI线性回归判定系数等值线Fig.2 Contour of linear regression R2 between LAI and NDVI based on red and near infrared bands

通过筛选出的最佳NDVI结合实测LAI构建线性回归模型，以R2和均方根误差(root mean square error,RMSE)作为模型的精度评价标准，结果如表1所示。表1中P为显著性水平判定值。

表1 基于不同波段组合NDVI与LAI线性回归模型Tab.1 Linear regression models of NDVI and LAI based on different band combination

对各线性回归模型反演精度对比分析结果显示，位于940.7 nm的近红外波段与611.9 nm的红光波段反射率构建的NDVI反演效果最佳，其R2可达0.57，RMSE为0.51。

3.2 多次散射植被冠层模型模拟结果

鉴于CASI高光谱数据中382.5～425.7 nm波段噪声较大，本文将425.7～1 055.5 nm波段范围内的反射率作为研究对象。在黑河流域张掖绿洲区内，基于地理位置方面的考虑，确定植被、土壤和水体为端元类型进行像元解混，得到各端元的光谱曲线(图3)及其丰度局部图(图4)。图3清晰呈现了各端元的光谱反射率在不同波段范围的变化。图4中分别显示了研究区局部植被、土壤和水体3类端元在混合像元内所占面积比的变化情况： 颜色越亮，表示该端元所占面积比越大。经归一化处理得到一个十分重要的建模参数(Fc)，其表示光通过植被冠层时被截获的概率，是反映地表作物生长动态变化的指标，可作为植被LAI反演等研究领域中定量模型的关键输入参数进行定量分析[16]。

图3 研究区植被、土壤和水体的光谱曲线Fig.3 Spectral curves of vegetation, soil and water in the study area

(a) 植被(b) 土壤 (c) 水体

图4研究区植被、土壤和水体丰度局部影像

Fig.4Fractionimagesofvegetation,soilandwaterinpartofthestudyarea

将线性光谱混合模型解混后得到的Fc代入多次散射植被冠层模型，进行LAI的反演。其中，在公式(7)和(9)的计算过程中，涉及到对近红外波段反射率的提取。通过对CASI高光谱数据近红外波段进行主成分分析，选取包含99%以上信息量的第一主成分分量作为建模参数进行计算。将反演结果与实测LAI进行拟合，其反演精度R2为0.72，RMSE为0.41。

3.3 构建最优半经验模型

在线性回归模型中，基于各近红外及红光波段反射率两两组合计算的NDVI与实测LAI进行反演，估测精度R2达到0.57。其属于经验模型，具有一定的区域局限性，同时忽略了作物冠层的各向散射及环境背景影响，因此估测的LAI值存在误差。在多次散射植被冠层模型中，其反演精度较高，R2为0.72。该模型虽考虑了作物冠层的二向反射性，却忽略了对近红外波段的选取，导致LAI估测值出现偏差，故将近红外波段反射率作为多次散射植被冠层模型估测LAI的关键因子。将线性回归模型中计算NDVI所筛选出的近红外波段冠层反射率作为关键因子的选取范围，进一步优化多次散射植被冠层模型，构建反演LAI的半经验模型。半经验模型反演的LAI值与相应的实测LAI拟合精度如表2所示。

表2 半经验模型反演LAI与实测LAI拟合精度Tab.2 Fitting accuracy of measured LAI and predicted LAI based on using semi-empirical model

由表2可知，由位于883.5 nm的近红外波段反射率构建的半经验模型反演的LAI拟合精度最高，R2由0.72提高至0.89，效果较为显著。故将公式(7)和(9)进行优化，即

T2=R883.5Le-L，

(11)

(12)

式中R883.5=ρ883.5/2，ρ883.5为位于883.5 nm的近红外波段反射率。

基于线性回归模型和多次散射植被冠层模型构建最优半经验模型，反演结果如图5所示。由图5可知，黑河绿洲区LAI值在1.07～3.56范围内，图中大范围区域呈绿色，LAI值在2.71～3.56之间，表明研究区内作物长势较好，其中部小范围区域呈黄色和棕色，LAI值偏低，应对其进行重点培育与监测，以期提高作物产量。

图5 半经验模型反演黑河绿洲区LAI密度分布Fig.5 Map of LAI density distribution in Heihe Oasis based on semi-empirical model

4 结论

本研究以CASI高光谱数据为数据源，针对黑河流域张掖绿洲区的作物叶面积指数(LAI)这一重要的植被参数，采用线性回归模型与多次散射植被冠层模型2种方式进行估测反演，并以线性回归模型为参比，修正多次散射植被冠层模型，构建最优半经验模型。得到以下结论：

1)线性回归模型和多次散射植被冠层模型反演的LAI值与实测LAI之间相互拟合后发现，多次散射植被冠层模型拟合度与精度更高，R2与RMSE分别为0.72和0.41，而线性回归模型的R2仅为0.57，RMSE为0.51。

2)为进一步提高LAI的反演精度，本研究选择以线性回归模型中组建NDVI的优选近红外波段反射率为参比，对多次散射植被冠层模型进行修正，构建既具有经验模型的优势，又能与物理模型进行耦合的半经验模型，其模型精度R2达到0.89，展示了半经验模型在高光谱影像反演LAI中的应用优势。

在后继的研究中，将在修正多次散射植被冠层模型时，综合考虑引入相关变量因子进一步比对分析，以期使LAI估测精度有更大幅度提升。

志谢： 本研究依托国家自然科学基金委会“中国西部环境与生态科学数据中心”(http: //westdc.westgis.ac.cn/)“黑河流域生态-水文过程综合遥感观测联合试验”提供的可见光近红外高光谱航空遥感CASI数据及黑河流域中游LAI2000测量LAI数据，在此谨致谢忱。

[1] 刘 洋,刘荣高,陈镜明,等.叶面积指数遥感反演研究进展与展望[J].地球信息科学学报,2013,15(5):734-743.

Liu Y,Liu R G,Chen J M,et al.Current status and perspectives of leaf area index retrieval from optical remote sensing data[J].Journal of Geo-Information Science,2013,15(5):734-743.

[2] 任 哲,陈怀亮,王连喜,等.利用交叉验证的小麦LAI反演模型研究[J].国土资源遥感,2015,27(4):34-40.doi:10.6046/gtzyyg.2015.04.06.

Ren Z,Chen H L,Wang L X,et al.Research on inversion model of wheat LAI using cross-validation[J].Remote Sensing for Land and Resources,2015,27(4):34-40.doi:10.6046/gtzyyg.2015.04.06.

[3] 陈 健,王文君,盛世杰,等.基于机载MASTER数据的果园叶面积指数遥感反演[J].国土资源遥感,2015,27(2):69-74.doi:10.6046/gtzyyg.2015.02.11.

Chen J,Wang W J,Sheng S J,et al.Leaf area index retrieval of orchards based on airborne MASTER data[J].Remote Sensing for Land and Resources,2015,27(2):69-74.doi:10.6046/gtzyyg.2015.02.11.

[4] Sellers P J,Randall D A,Collatz G J,et al.A revised land surface parameterization(SiB2) for atmospheric GCMS.Part I:Model formulation[J].Journal of Climate,1996,9(4):676-705.

[5] 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.

[6] Liang L,Di L P,Zhang L P,et al.Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method[J].Remote Sensing of Environment,2015,165:123-134.

[7] 包 刚,覃志豪,周 义,等.基于高光谱数据和RBF神经网络方法的草地叶面积指数反演[J].国土资源遥感,2012,24(2):7-11.doi:10.6046/gtzyyg.2012.02.02.

Bao G,Qin Z H,Zhou Y,et al.The application of Hyper-spectral data and RBF neural network method to retrieval of leaf area index of grassland[J].Remote Sensing for Land and Resources,2012,24(2):7-11.doi:10.6046/gtzyyg.2012.02.02.

[8] 李新辉,宋小宁,冷 佩.利用CHRIS/PROBA数据定量反演草地LAI方法研究[J].国土资源遥感,2011,23(3):61-66.doi:10.6046/gtzyyg.2011.03.11.

Li X H,Song X N,Leng P.A quantitative method for grassland LAI inversion based on CHRIS/PROBA data[J].Remote Sensing for Land and Resources,2011,23(3):61-66.doi:10.6046/gtzyyg.2011.03.11.

[9] 陈雪洋,蒙继华,杜 鑫,等.基于环境星CCD数据的冬小麦叶面积指数遥感监测模型研究[J].国土资源遥感,2010,22(2):55-58,62.doi:10.6046/gtzyyg.2010.02.12.

Chen X Y,Meng J H,Du X,et al.The monitoring of the winter wheat leaf area index based on HJ-1 CCD dada[J].Remote Sensing for Land and Resources,2010,22(2):55-58,62.doi:10.6046/gtzyyg.2010.02.12.

[10] Fernandes R A,Miller J R,Chen J M,et al.Evaluating image-based estimates of leaf area index in boreal conifer stands over a range of scales using high-resolution CASI imagery[J].Remote Sensing of Environment,2004,89(2):200-216.

[11] Fernandes R,Miller J R,Hu B,et al.A multi-scale approach to mapping effective leaf area index in boreal picea Mariana stands using high spatial resolution CASI imagery[J].International Journal of Remote Sensing,2002,23(18):3547-3568.

[12] 唐建民,廖钦洪,刘奕清,等.基于CASI高光谱数据的作物叶面积指数估算[J].光谱学与光谱分析,2015,35(5):1351-1356.

Tang J M,Liao Q H,Liu Y Q,et al.Estimating leaf area index of crops based on hyperspectral compact airborne spectrographic imager(CASI) data[J].Spectroscopy and Spectral Analysis,2015,35(5):1351-1356.

[13] Croft H,Chen J M,Zhang Y,et al.Modelling leaf chlorophyll content in broadleaf and needle leaf canopies from ground,CASI,Landsat TM 5 and MERIS reflectance data[J].Remote Sensing of Environment,2013,133:128-140.

[14] 肖 青,闻建光.黑河生态水文遥感试验:可见光近红外高光谱航空遥感(2012年7月7日)[DB].黑河计划科学数据中心,2013,doi:10.3972/hiwater.011.2013.db.

Xiao Q,Wen J G.HiWATER:Visible and near-infrared hyperspectral radiometer(7 July,2012)[DB].Heihe Plan Science Data Center,2013,doi:10.3972/hiwater.011.2013.db.

[15] 赵 静,李 云,汪 艳,等.黑河生态水文遥感试验:黑河流域中游LAI2000测量LAI数据集[R].黑河计划科学数据中心,2013,doi:10.3972/hiwater.058.2013.db.

Zhao J,Li Y,Wang Y,et al.HiWATER:Dataset of Vegetation LAI Measured by LAI2000 in the Middle Reaches of the Heihe River Basin[R].Heihe Plan Science Data Center,2013,doi:10.3972/hiwater.058.2013.db.

[16] Carlson T N,Ripley D A.On the relation between NDVI,fractional vegetation cover,and leaf area index[J].Remote Sensing of Environment,1997,62(3):241-252.

[17] 邓孺孺,田国良,柳钦火.基于多次散射的植被-土壤二向反射模型[J].遥感学报,2004,8(3):193-200.

Deng R R,Tian G L,Liu Q H.Bi-directional reflectance model of canopy and soil based on multi-scatterings[J].Journal of Remote Sensing,2004,8(3):193-200.

InversionofleafareaindexinHeiheOasisbasedonCASIdata

YANG Yuwei1, DAI Xiaoai1,2, NIU Yutian1, LIU Hanhu1, YANG Xiaoxia1, LAN Yan1

(1.AcademicofEarthSciences,ChengduUniversityofTechnology,Chengdu610059,China; 2.KeyLaboratoryofGeoscienceSpatialInformationTechnology,MinistryofLandandResourcesofChina,Chengdu610059,China)

As the vegetation canopy’s important parameter, the leaf area index (LAI) has important significance for crop growth monitoring and yield estimation. In this study, the authors used the hyperspectral compact airborne spectrographic imager (CASI) data of Zhangye Oasis experimental area in Heihe River Basin as the experiment object and relied on physical and statistical model to estimate the inversion of the LAI. The process is as follows: First, the optimal linear regression model is established by using the normalized difference vegetation index (NDVI) and the corresponding measured LAI data. Then the physical model is adopted based on the combination of the mixed pixel decomposition model and the multiple scattering vegetation canopy model. With the linear regression model as the reference, the multiple scattering vegetation canopy model is modified, and the semi-empirical LAI inversion model is constructed. Finally, the fitting effects of the models are compared with each other. The results show that the semi-empirical model is the best model for LAI inversion in oasis area and its estimation accuracy ofR2increases significantly to 0.89. This study provides technical support for the estimation of crop leaf area index in high precision, and will further promote the study and application of quantitative remote sensing theory about precision agriculture.

hyperspectral data of CASI; leaf area index (LAI); linear regression model; multiple scattering vegetation canopy model; semi-empirical model

10.6046/gtzyyg.2017.04.27

杨雨薇,戴晓爱,牛育天,等.基于CASI数据的黑河绿洲区叶面积指数反演[J].国土资源遥感,2017,29(4):179-184.(Yang Y W,Dai X A,Niu Y T,et al.Inversion of leaf area index in Heihe Oasis based on CASI data[J].Remote Sensing for Land and Resources,2017,29(4):179-184.)

TP 751.1

A

1001-070X(2017)04-0179-06

2016-05-05；

2016-08-19

国家自然科学基金项目“汶川强震区潜在泥石流危险性判识及其差异性分析”(编号： 41102225)、高等学校博士学科点专项科研基金项目“岷江上游高原林区不同植被类型的土壤持水特征研究”(编号： 201351221200092013)、四川省教育厅科研项目“基于光谱相似度的森林树种识别方法研究——以青城山地区为例”(编号： 15ZB0066)、国土资源部地学空间信息技术重点实验室课题项目“非线性混合光谱模型在生态水遥感估算中的应用研究”(编号： KLGSIT2013-02)、成都理工大学研究基金项目“基于混合像元分解的岷江上游植被覆盖度定量估算研究”(编号： 2012YG02)、成都理工大学骨干教师培养计划(编号： DG0002)、国家自然科学基金项目“任务感知的遥感信息服务动态组合方法”(编号： 41201440)、四川省教育厅理科重点项目 “基于用户兴趣特征的遥感信息智能服务方法”(编号： 15ZA0078)和四川省应急测绘与防灾减灾工程技术研究中心开放基金项目“天地图与小区域地理信息整合移动服务系统构建与实现”(编号： K2015B003)共同资助。

杨雨薇(1991-),女，硕士研究生，主要研究方向为地图学与地理信息系统。Email： 18200329209@163.com。

戴晓爱(1979-),女，副教授，主要研究方向为地理信息系统。Email： daixiaoa@cdut.cn。

(责任编辑：张仙)