利用CHRIS/PROBA数据定量反演草地LAI方法研究

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

李新辉，宋小宁，冷 佩

(中国科学院研究生院资源与环境学院，北京 100049)

以内蒙古锡林河流域典型草地为研究样区，基于新一代微卫星CHRIS/PROBA高光谱遥感数据，利用双层冠层反射率模型(A two－layer Canopy Reflectance Model，ACRM)定量反演叶面积指数(LAI)。首先对高光谱数据进行预处理和统计分析，并结合反演结果对角度信息的敏感性进行分析，确定适于该区的最优波段组合和参数，实现了区域尺度的草地叶面积指数定量反演;然后利用该区多年实测数据的统计结果对ACRM模型进行检验，并将反演结果与MODIS的LAI数据进行相互校验分析。结果表明，CHRIS/PROBA数据用于反演稀疏草地的LAI是可行的，且利用多角度信息可以改善稀疏植被覆盖情况下LAI低估问题。本研究可为草地生态系统研究提供更精确的参数，具有一定的实际意义。

CHRIS/PROBA;稀疏草地;叶面积指数(LAI);双层冠层反射率模型(ACRM)

0 引言

叶面积指数(Leaf Area Index，LAI)是植被生态系统的重要参数，也是生态系统研究中最重要的群落结构参数之一，还是估算多种生态过程和功能(包括蒸腾蒸发、能量交换、光合作用、叶凋落、土壤固氮和气体发散等)的重要变量［1］。随着全球变化研究的深入及全球范围和大区域尺度碳循环模型的建立，LAI常常作为重要的输入因子而成为碳循环模型中不可或缺的组成部分［2］。因此，快速有效地获取LAI对不同尺度生态系统的研究具有重要意义。

近些年来，国内外学者对LAI估算做了大量研究，对不同尺度空间范围采用的估算方法也不尽相同。小尺度的LAI估算方法主要是地面测量法，区域乃至全球尺度的LAI估算方法主要通过遥感来估算。目前用遥感定量反演LAI、植被生产力、生物量等生物物理参数已成为植被生态遥感的重要内容之一，但多数是基于多光谱遥感数据进行研究的。高光谱遥感具有光谱分辨率高、波段多且连续性强、信息量丰富(能利用很窄的电磁波波段从感兴趣的物体获取有关数据)、谱像合一等优点［3］，在LAI估算中具有较明显的优势。然而，利用高光谱遥感反演LAI的研究起步较晚，并且对植被生化参数遥感估测机理和方法的研究也相对较少，多数研究侧重于建立光谱特征值与生化参数间简单的统计模型关系，简单、便于运用;但由于存在生化参数间、生化参数与其他植被参数及环境条件间的相互干扰，使得对其中某一生化参数的分析变得非常复杂;而且仅仅用统计方法得出的模型，其机理不明确，应用范围较窄，且反演精度有限。

因此，本文选择具有多角度信息的新一代微卫星CHRIS/PROBA高光谱数据，基于机理模型——双层冠层反射率模型(A two－layer Canopy Reflectance Model，ACRM)，反演了内蒙古锡林河地区典型草原样地的LAI。

1 研究区及数据源

1.1 研究区概况

研究区为内蒙古锡林河流域中的一个稀疏草地样区，位于内蒙古自治区的中部，属我国温带草原的典型区域。区内主要覆盖类型有沙地、水体及不同退化程度的草地。本次研究中的样区大小约为13 km×13 km，地理位置为 43.97°～44.11°N，115.89°～116.11°E。

1.2 数据源

所用数据包括遥感数据和野外观测数据。遥感数据主要获取了欧空局的CHRIS/PROBA高光谱图像1景，其空间分辨率为17 m，获取时间为2010年6月29日，成像模式为陆地成像模式3，成像角度分别为0°、±36°和 ±55°;另外，还获取了NASA 的MODIS LAI数据产品。野外观测数据主要采用了在内蒙古锡林河流域多年观测的地面生物量及LAI等数据，部分植被和土壤参数参考了文献中的相关资料［4，5］。

2 CHRIS/PROBA数据预处理

CHRIS传感器是一种推扫式CCD成像光谱仪，由于传感器CCD各单元光学性质的差异、构建传感器时单元排列的方式以及PROBA卫星平台的在轨运动，光学元件的排列受到热扰动的影响而引起微小差异，使得CHRIS图像上往往有水平与垂直两种条带噪声。另外，CHRIS数据的获取有5个角度，每个角度包括18个波段，但各波段之间存在着高相关性和高冗余度，一般需进行波段筛选，以压缩数据量、提高图像信息提取的效率和质量。

鉴于此，本研究中遥感数据的预处理除辐射定标、大气校正和几何纠正等常规处理外，还重点进行了去条带处理和最佳波段选择。

2.1 去条带处理

很多研究者曾先后采用多种方法对CHRIS图像进行条带处理，如矩匹配法、校正因子法、比值法、迭代拟合法等［6－8］，处理后的图像灰度值接近原始值，去噪效果比较明显。然而大多都是基于熟悉噪声形成机理并通过编写程序实现的，这无疑降低了其使用和处理的简便性。

本文采用欧空局提供的HDFclean程序对CHRIS/PROBA图像进行去条带处理。这种方法操作简单，容易理解，且能够满足实际应用要求［9］。图1是去条带前后的对比图像，从处理结果看，图像灰度变化不大，对图像中无规律可循的垂直条带的去条带效果明显。

图1 HDFclean去条带前(左)、后(右)图像对比Fig.1 Comparison of images before(left)and after(right)dis－striped by using HDFclean

2.2 大气校正及几何纠正

2.2.1 大气校正

在遥感数据获取过程中，由传感器本身产生的内部误差和由环境影响产生的外部误差，会通过不同途径混杂到遥感数据中来。辐射定标的目的就是消除传感器本身产生的辐射误差，进行DN值与辐射亮度L之间的转换。对于CHRIS/PROBA数据来说，其获取的是大气层顶太阳辐亮度，所以只需要进行由大气层顶辐亮度到反射率的转换即可。

大气顶部反射率计算公式为

式中，L(x，y，λ)为图像上(x，y)处的大气层顶太阳辐射亮度;θ(x，y)为太阳天顶角;式中第二项为波段i瞬时大气外太阳辐射的倒数，它是经过时间(计算日地距离)和波段校正的(具体参考Thuillier等［10］的方法);Si(λ)为 CHRIS/PROBA 数据在各波段的波谱响应函数，其计算公式为

式中，波段宽度Δλi和中心波长λi均可从元数据中查看。

目前已有的大气校正方法中，物理意义最明确、精度最高的是辐射传输模型法，即利用基于大气辐射传输原理建立的模型对遥感图像进行大气校正，常用的有6S、LOWTRAN、MORTRAN和AC－TOR2/3模型等。

结合遥感图像的实际情况及现有气象条件，本次研究选用6S模型校正CHRIS图像，其输入参数主要包括太阳天顶角、太阳方位角、卫星天顶角、卫星方位角、过顶时间和卫星高度等，以及对大气模型、气溶胶模型和参数的选择。其中，大气参数可从当地气象部门获得，考虑到研究区的地表覆盖相对均匀，CHRIS图像的图幅较小，本文假设在图幅覆盖范围内气溶胶是均匀不变的。

以典型植被为例，对大气校正结果进行分析。图2是对CHRIS图像进行大气校正前后的对比。从图2中可以看出，在大部分谱段，校正后图像的反射率相对于校正前的反射率略有降低。但总体来看，校正前后图像反射率变化不明显，这与当时成像条件有关，说明此图像的质量较好。

图2 大气校正前后典型植被反射波谱Fig.2 Reflection spectrum of the typical vegetation before and after atmospheric correction

2.2.2 几何纠正

本文首先根据遥感图像的元属性数据以及Google Earth提供的显著地物点，通过人机交互方式选择地面控制点，采用多项式法对CHRIS图像进行几何纠正。纠正后经随机抽点检验，误差控制在0.5个像元之内，其精度能够满足本次研究需要。考虑到CHRIS/PROBA是多角度数据，每幅图像覆盖的范围不完全一样，因此在几何纠正的基础上，还需要进行公共区域截取，以作为本次的研究区(其子区如图3所示)。

图3 研究子区图像Fig.3 Sub －image of study area

2.3 最佳波段选择

图4 ±55°成像的CHRIS/PROBA假彩色合成图像Fig.4 CHRIS/PROBA false color composite images observed in ±55°

CHRIS/PROBA具有5个成像角度，分别为0°、±36°和 ±55°。从原始图像可以看出 ±55°的图像畸变很明显(图4)，所以本文只采用0°和±36°3个成像角度的图像进行方法研究。在高光谱遥感数据中，各波段间存在着高相关性和高冗余度，且其信息的冗余度要比多光谱数据大得多，这使得最佳波段选择成为高光谱遥感数据预处理的一个重要环节。

本次研究中，针对CHRIS/PROBA图像的特点进行了波段选择。CHRIS/PROBA数据本身带有标志其质量的掩模数据，通过对掩模数据中异常像元的统计分析(图5)，剔除质量较差的波段。

图5 异常像元统计Fig.5 Statistical results of the abnormal pixels

从图5中很容易发现，±55°图像数据出现异常像元的波段数和像元数比其他3个角度的高很多。同时从图5中也可看出各角度数据所需剔除的波段数。

另外还对各波段信息量及其相关性进行了统计分析(其中相关系数如图6所示)。从图6可以看出，相邻波段间的相关系数较大，相隔较远的波段间的相关系数较低。

图6 波段1～18相关系数图Fig.6 Correlation coefficient figure of band 1 ～18

综合上述分析结果，并且考虑各波段与LAI的相关性问题，分析了可见光红光部分和近红外部分的波段，最终实现了对数据的降维，完成了最佳波段的选择(表1)。

表1 波段选择统计表Tab.1 Statistical table of band selection

3 LAI的定量反演

目前利用遥感定量估算区域尺度LAI的方法主要包括统计模型法、基于冠层反射物理特性的冠层反射模型法等。通过对LAI反演方法的对比研究，并充分考虑研究区的实际情况，本文选择双层冠层反射率模型(ACRM)，利用高光谱数据进行LAI的定量反演。

ACRM模型是多光谱冠层反射率模型(Multispectral Canopy Reflectance Model，MSRM)和马尔科夫链反射率模型(Markov chain Canopy Reflectance Model，MCRM)的延伸［11］。该模型假设植被冠层包含一个主要的均匀的植被层和一个地面植被层，这2个植被层具有一系列相似的参数(LAI、叶角分布参数、叶片大小和控制叶片光学特性的生化参数)，即

式中，ρ1为二向反射率中的单次散射成分;ρD为半球方向反射率中共有的漫射通量;S'λ和Qλ分别为冠层上方某一水平面上的太阳直接辐射和总辐射。

其中，单次散射成分由低层和高层植被冠层单次散射及土壤单次散射组成。高层植被冠层的单次散射计算方式与单层模型相同［11］，而单层内的漫反射通量的计算与SAIL模型［12］相似。模型的反演策略类似于 Goel 等［13］或者 Kuusk［14］的方法，即建立一个价值函数，当反射率的测量值与计算值最吻合时，其值达到最小。

ACRM模型的主要结构参数有 LAI、叶子大小、Markov参数、叶倾角(LAD)和叶片蜡质层折射指数;生物化学参数主要有叶绿素浓度，叶子的水分含量、蛋白质含量、木质素和纤维素含量等，在进行LAI计算时，这些参数也都是输入参数，主要通过实测获得;部分参数采用经验值(如干物质含量)，而对于一些难以确定的参数(如土壤参数、椭圆分布参数等)，需要通过实测值进行调整。考虑到本研究采用CHRIS/PROBA数据的多角度信息，还着重对该反演结果的方向敏感性进行了研究，分别进行了单一角度的LAI反演和多角度共同反演。

4 结果与分析

4.1 多角度反演结果

首先利用CHRIS/PROBA的 0°和±36°三个角度的数据分别进行LAI反演，然后利用多角度数据共同进行LAI反演。本文截取了一个稀疏草地子区(图7)对反演结果进行对比分析。从图像来看，各角度反演结果总体趋势表现一致，但有一定的差别。多角度反演结果整体上比单一角度反演结果的差别要大。同时还可以看出±36°图像上存在少量异常点(－36°图像上的异常点更为明显)。

图7 不同角度反演的LAIFig.7 LAIs extracted with different angles

图8 LAI频率分布Fig.8 Frequency distribution of LAI

图9 子区均值/方差统计图Fig.9 Mean and variance lines of the sub －areas

从图8可以看出，从0°到±36°单一角度反演的LAI直方图频率曲线的波峰出现微小的右移，而多角度反演结果的直方图频率曲线波峰相对于3个单一角度的反演结果右移现象明显，LAI有明显的增大现象。从出现波峰处的频率看，0°和多角度方向的频率较低且平滑，而±36°方向的频率较高且起伏不平，从图7可看出这是由于±36°图像存在少量异常点造成的。

由图9可知，单一角度反演结果及多角度反演结果总体趋势一致;单一角度反演结果在各子区的均值相差不大，而多角度反演结果在各子区的均值均略高于单一角度反演结果，这正应了“草色远看近却无”的说法。对于稀疏草地，其垂直观测的反射率信息受到的土壤背景的影响相对于其他角度要大，植被指数也受到了土壤背景信息的影响。相对于垂直观测，多角度数据能从不同角度观测地表，为推断一个像元的波谱和空间结构提供更多的信息，在一定程度上可以改善植被覆盖稀疏造成的LAI低估现象。因此，同时获取多个不同角度的高光谱数据，为地表覆盖类型的高精度识别与分类提供了新的可能。

4.2 校验分析

本次研究中，还获取了研究区多年同期实测站点的LAI数据。统计分析结果显示，该区6月底～7月初的实际LAI约为0.585 7，与CHRIS/PROBA数据反演结果对比(表2)，表明多角度反演结果与实测数据吻合得更好，能够准确反映研究区的实际情况。所以，利用CHRIS/PROBA的多角度数据反演该区LAI是可行的。

表2 反演结果与实测值对比Tab.2 Comparation between the inversion results and measured data

同时，鉴于本次研究是基于区域尺度的，而且考虑到实测数据的数量有限，本文还下载了同时相MODIS的LAI产品，对LAI的反演结果进行了初步校验和分析(图10)。

图10 MODIS LAI对反演LAI的校验Fig.10 Validation between MODIS LAI and inversed LAI

从图10可以看出，利用CHRIS/PROBA单一角度数据反演的LAI的变化趋势一致，且利用3个角度反演的结果与MODIS的LAI值吻合得较好(均值几乎相同);多角度反演的LAI值虽与MODIS的LAI值在趋势上更为相似，但其值总是高于MODIS LAI产品和单一角度反演的结果。迄今，多位学者对MODIS LAI产品进行过验证，表明MODIS LAI在一定程度上存在低估现象，尤其是对于植被覆盖稀疏的地区［15，16］。因此可以说，利用 CHRIS/PROBA的多角度信息可以改善植被覆盖稀疏造成的LAI低估的问题。

5 结论

(1)基于双层冠层反射率模型ACRM，充分利用CHRIS/PROBA数据的高光谱和多角度信息，对内蒙古锡林河流域稀疏草地样区进行了LAI的反演，并利用实测LAI数据和MODIS的LAI产品对反演结果进行了检验，证明反演结果可靠。

(2)结合CHRIS/PROBA数据本身的多角度信息对LAI的反演结果进行方向敏感性分析的结果表明，对于稀疏草地，综合运用多角度信息可以改善植被覆盖稀疏造成的LAI低估的问题，从而提高LAI的估算精度。

(3)由于实验条件的限制，同步实验数据尚显不足，下一步将继续地开展实验工作，以便进行更充分的验证。

致谢:本研究得到王宽诚教育基金会的资助;中科院研究生院王艳芬教授和项目组为本次研究提供了内蒙古锡林河流域LAI观测数据;郝彦宾老师对数据进行了收集和整理;欧空局ESA提供了CHRIS/PROBA数据;在此一并表示感谢!

［1］ Cramer W，Kicklighter D W，Bondeau A.Comparing Global Models of Terrestrial Net Primary Productivity(NPP):Overview and Key Results［J］.Global Change Biology，1999，5(S1)，1 －15.

［2］ Seller P J，Randall D A，Collata 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.

［3］ 宫 鹏，黎 夏，徐 冰.高分辨率影像解译理论与应用方法中的一些研究问题［J］.遥感学报，2006，10(1):1 －5.

［4］ 冯晓明.多角度MISR数据用于区域生态环境定量遥感研究［D］.北京:中国科学院研究生院遥感应用研究所，2006:33－42.

［5］ 宋小宁.基于植被蒸散法的区域缺水遥感监测方法研究［D］.北京:中国科学院研究生院遥感应用研究所，2004:40－42.

［6］ Mannheim S，Segl K，Heim B，et al.Monitoring of Lake Water Quality Using Hyperspectral CHRIS－PROBA Data［C］∥Proc of the 2nd CHRIS/Proba Workshop，ESA/ESRIN Frascati，2004:ESA SP－578.

［7］ Barducci A，Guzzi D，Marcoionnip P.CHRIS － PROBA Performance Evaluation:Sigal－to－Noise Ratio，Instrument Efficiency and Data Quality form Acquisitions Over San Rossore Italy Test Site［C］.Proc of the 3rd ESA CHRIS/PROBA Workshop Frascati，2005:21－23.

［8］ 董广香，张继贤，刘正军.CHRIS/PROBA数据条带噪声去除方法比较［J］.遥感信息，2006(6):36－39.

［9］ Miltion T.The Contribution of CHRIS/PROBA to NCAVEO，A Knowledge Transfer Network for the Calibration and Validation of EO Data［C］∥Proc of the 4th ESA CHRIS/PROBA Workshop Frascati，2006:19 － 21.

［10］ Thuillier G，Hersé M，Labs D，et al.The Solar Spectral Irradiance from 200 to 2400 nm as Measured by the SOLSPEC Spectrometer from the ATLAS and EURECA Missions［J］.Solar Physics，2003，214(1):1－22.

［11］ Kuusk A.Two－ Layer Canopy Reflectance Model ACRM User Guide Version［R］.Tartu Observatory，2009:1 －21.

［12］ Verhoef W.Light Scattering by Leaf Layers with Application to Canopy reflectance Modeling:the SAIL Model［J］.Remote Sensing of Environment，1984，16(2):125 －141.

［13］ Goel N S，Strebel D E.Inversion of Vegetation Canopy Reflectance Models for Estimating Agronomic Variables.I.Problem Definition and Initial Results Using the Suits Model［J］.Remote Sensing Environment，1983，13(6):487 －507.

［14］ Kuusk A.The Hot Spot Effect in Plant Canopy Reflectance［C］//Myneni R B，Ross J，Editors.Photon － vegetation Interactions，Applications in Optical Remote Sensing and Plant Ecology.Berlin:Springer，1991:139 －159.

［15］胡少英，张万昌.黑河及汉江流域MODIS叶面积指数产品质量评价［J］.遥感信息，2005(4):22－27.

［16］杨 飞，孙九林，张 柏.基于PROSAIL模型及TM与实测数据的MODISLAI精度评价［J］.农业工程学报，2010，26(4):192－197.

A Quantitative Method for Grassland LAI Inversion Based on CHRIS/PROBA Data

LI Xin－hui，SONG Xiao－ning，LENG Pei
(College of Resources and Environment，Graduate School of Chinese Academy of Sciences，Beijing 100049，China)

Based on the CHRIS/PROBA hyperspectral remote sensing data，the authors retrieved the leaf area index(LAI)by A two－layer Canopy Reflectance Model(ACRM).The process consists of three main steps:Firstly，the high－ spectral data was preprocessed and statistically analyzed.Secondly，sensitivity of the model to observing directions was analyzed.And finally，the best combinations of bands and parameters for the study area were chosen.The process was used to study the LAI of typical grass plots of Xilin River basin in Inner Mongolia.The results show that the application of CHRIS/PROBA data to the inversion of sparse grassland LAI is practical，and the multi－angle information of CHRIS/PROBA data has the potential advantages in decreasing the extent of LAI underestimation.

CHRIS/PROBA;Sparse grassland;Leaf Area Index(LAI);A two－layer Canopy Reflectance Model(ACRM)

TP 701

A

1001－070X(2011)03－0061－06

2010－12－06;

2011－01－04

中国科学院知识创新工程重要方向项目“基于遥感的流域尺度土壤水分反演”(编号:XMXX280722)和中国科学院研究生院院长基金共同资助。

李新辉(1986－)，女，地图学与地理信息系统硕士研究生，现主要从事定量遥感及生态系统应用研究。

宋小宁，E －mail:songxn@gucas.ac.cn。

(责任编辑:刘心季)