基于ACRM模型不同时期冬小麦LAI和叶绿素反演研究*

李宗南，陈仲新，王利民，姜志伟

(1.农业部资源遥感与数字农业重点开放实验室，北京 100081;2.中国农业科学院农业资源与农业区划研究所，北京 100081)

1 引言

作物叶面积指数是描述土壤—作物—大气连续系统物质、能量交换传输的关键参数;作物叶绿素含量与氮素含量关系密切，可以指示作物矿质营养状况。作物LAI和叶绿素含量可以很好地说明作物生长状况，是作物长势遥感定量评价的关键参数。在遥感技术的支持下，通过获取覆盖大区域的遥感数据，定量反演作物LAI和叶绿素含量，可实现对区域作物长势快速及准确监测，诊断作物肥料亏缺，为作物田间管理提及作物产量早期估计提供科学依据。

反演模型、反演策略及遥感数据对作物LAI和叶绿素含量的定量反演很重要［1］。目前，LAI和叶绿素含量的反演模型主要分两类:一类是基于光谱数据与LAI及叶绿素含量的相关关系建立的统计模型。常用的光谱数据包括光谱反射率［2］、植被指数［3］、导数光谱［4］、特征光谱位置变量［5］等;另一类是机理模型，包括辐射传输模型、几何光学模型、辐射传输—几何光学混合模型。统计模型结构简单和计算效率高，便于快速反演应用;但这类模型对植被冠层及其反射率关系的描述过于简单，对于不同时期类型的植被冠层LAI的反演有很大局限性，限制此类模型的反演精度及应用。植被遥感应用早期，由于机理模型需要的很多参数难以获取以及计算量大等原因不易推广使用。随着更多的先验知识加入机理模型，模型算法改进，计算机性能提高;机理模型越来越多的应用到植被的LAI及叶绿素含量的反演。金慧然［6］等在几何光学模型的基础上引入Γ函数和尼尔逊参数，建立适合于具有连续、离散双重特征行播作物的冠层辐射模型，并使用北京一号全色—多光谱数据反演冬小麦LAI。Jacquemoud［7］等利用PROSPECT叶片光学模型估算叶片叶绿素、水分、蛋白质等，Dawson［8］等应用LIBERTY模型估算叶片生化组分。Houborg等［9-11］，分别研究使用MODIS数据、SPOT多光谱数据基于ACRM模型反演植被LAI及叶绿素含量等参数。除了机理模型和统计模型外，遥感获取LAI的方法还有遥感数据同化;即使用遥感LAI反演结果与作物生长模型同化。同化方法能更好地吸收观测和模型模拟各自的优点，有助于获取连续时间段的LAI、叶绿素含量及其他作物参数结果，并提高结果精度。目前，同化方法还没有很好的解决输入多种驱动参数而引入的诸多的不确定性因素，模型及算法还在不断的改进。

适宜作作物长势遥感定量监测的遥感数据的空间分辨率一般都需要优于30m［12］。在实际监测应用中，对时间分辨率也有较高要求。同时满足时间空间分辨率要求的遥感数据源较少。2008年9月8日发射的环境减灾小卫星，装载CCD多光谱相机。相机对地观测遥感影像的主要参数如表1。通过双星4传感器联合工作将影像时间分辨率保证高于2天［13］。HJ小卫星多光谱数据已经广泛应用于环境灾害、农情等遥感监测。环境灾害方面的具体应用包括气溶胶光学厚度反演，大型水体叶绿素a浓度反演、宏观生态环境监测等［14］;农情监测方面具体应用包括作物面积提取、长势评价、作物叶面积反演［15］、作物 fPAR反演［16］、作物成熟期反演［17］、作物病虫害面积提取［18］等。在农情监测应用研究中，使用HJ小卫星多光谱数据进行LAI及叶绿素含量联合反演的研究很少。该研究将首先使用基于地面观测的冬小麦4个生育期不同长势冠层光谱数据，模拟HJ小卫星多光谱传感器的等效反射率;然后使用双层冠层反射率模型 (ACRM)反演各生育期冬小麦LAI和叶绿素含量，分析HJ小卫星多光谱数据定量反演LAI和叶绿素含量的应用潜力以及ACRM模型在不同冬小麦生育期的LAI和叶绿素含量反演误差。为进一步使用HJ小卫星多光谱数据定量反演作物LAI和叶绿素含量提供参考依据。

表1 HJ-1 CCD多光谱遥感影像主要性能参数

2 数据与方法

2.1 地面观测实验

冬小麦冠层高光谱反射率、LAI及叶绿素SPAD数据通过不同长势冬小麦观测实验获取。实验地点位于河北省廊坊市广阳区万庄镇，东经116°36＇，北纬39°36＇。实验通过N0、N1、N2、N3、N4等5个不同氮肥处理控制冬小麦长势，N0为不追施氮肥，N1为追施氮量15kg/hm2，N2为追施氮量45kg/hm2，N3为追施氮量105 kg/hm2，N4为追施氮量225kg/hm2;每个处理4次重复，共设置20个小区。冠层反射率测量仪器为ASD FieldSpec Pro FR地物高分辨率光谱仪。仪器选用25度视场角光纤，于垂直地面1.4m高处测量冠层相对反射率，每小区测量10条反射率曲线，最后取平均值代表小区冬小麦冠层的反射率。冠层叶面积指数及平均叶倾角使用LAI-2000植被冠层分析仪测量，每小区测量4次，最后取平均值。叶绿素使用SPAD-502叶绿素仪测定，每小区选取10片代表性叶片测量，最后取平均值。数据测量日期具体为:冬小麦拔节期2009年4月14日，孕穗期2009年4月24日，抽穗期2009年5月5日，灌浆期2009年5月17日。

2.2 数据处理

2.2.1 等效多光谱反射率计算

ASD FieldSpec Pro FR光谱仪获取的数据为波谱分辨率为1nm的冠层相对反射率数据。使用冠层高光谱反射率数据和多光谱响应函数进行积分计算，可以得到等效的多光谱反射率，其计算式如下:

其中ρ(λ)是由地物光谱仪测量得到的地物反射率;f(λ)是光谱响应函数，在本研究中使用HJ小卫星1A星CCD1多光谱相机的光谱响应函数;L(λ)为入射到地表辐射亮度，即太阳下行辐射量。太阳下行辐射数据通过 MODTRAN［19］(MODerate spectral resolution atmospheric TRANsmittance algorithm and computer model)中等光谱分辨率大气透过率算法计算机模型模拟得到。MODTRAN模型描述了0.2～10 000μm波谱范围的太阳辐射在大气、地表和传感器之间的物理传输过程，可计算多种光路太阳辐射在大气中的透过率、辐射量等。本研究使用PcModwin 3.7版的MODTRAN模拟了实验地块2009年4月14日、2009年4月24日、2009年5月5日及2009年5月17日当地时间10时30分的太阳下行辐射数据，然后使用Matlab将辐射量的单位由W/(cm2·sr·cm-1)转换为W/(cm2·sr·nm)，并将光谱分辨率重采样为1nm。

通过冠层高光谱反射率数据、HJ小卫星多光谱响应函数及模拟的太阳到达地面的下行辐射数据进行积分计算，得到了4个生育期冬小麦冠层的HJ小卫星等效多光谱反射率数据。

2.2.2 ACRM双层冠层反射率模型

ACRM(A Two-Layer Canopy Reflectance Model)模型［20］是多光谱均质植被冠层辐射传输模型和马尔可夫链植被冠层反射率模型的扩展。模型的叶片光学特性使用PROSPECT叶片光学模型或LIBERTY模型描述，土壤特性使用土壤反射率模型PRICE描述，多次散射采用了与SAIL模型相同的4流参数化计算方案。ACRM考虑了土壤非朗伯特性，叶片表面的镜面反射，热点效应及冠层的双参数叶倾角分布，通过模型正向模式可以模拟波谱分辨率为1nm的双层结构冠层半球方向400～2 400nm波谱范围的反射率;通过反演模式，采用优化算法 (POWELL)估算最佳模型输入参数，如LAI、Cab等实现参数反演。模型不依赖于植被的具体类型或背景环境变化，具有较好的普适性，并得到很多实际应用。

该研究利用地面实测数据对模型的输入参数LAI、平均叶倾角、叶绿素含量等参数进行了设置，输入拔节期、孕穗期、抽穗期及灌浆期冬小麦冠层的HJ小卫星等效多光谱反射率数据，通过POWELL算法反演冬小麦不同生育期LAI及叶绿素含量。

3 分析与讨论

3.1 冬小麦LAI反演结果分析

将ACRM模型反演得到的LAI与地面实验LAI测量值进行相关及比较分析，结果如表2。冬小麦拔节后，冬小麦株高及LAI迅速增大，由于垄行种植造成的不连续植被现象明显减少，冬小麦冠层基本上满足植被冠层辐射传输模型对冠层的假设，即假设冠层是由方位随机分布、水平均一、无限扩展的各向同性叶片组成的混合体。根据表1，从拔节到灌浆4个物候期反演与实测结果的相关性都较高，分别达0.836 1，0.903 0，0.850 6，0.906 3，说明ACRM模型LAI反演结果与LAI实测值有很好的一致性。初步确定冬小麦拔节至灌浆期间，适合使用HJ小卫星4个波段的多光谱数据基于ACRM模型进行冬小麦LAI反演。根据反演与实测对比分析，最大标准误差达0.629 1，最大绝对误差为0.887 9，最小绝对误差为0.018 1，说明ACRM模型反演结果具有较高精度，部分反演结果与实测差距较大。

表2 ACRM模型反演LAI与测量LAI的比较

对比各个物候期LAI反演与实测的相关性及差异发现，两者的相关性在拔节期最小，标准误差、最大绝对误差及最小绝对误差都最大;而在灌浆期的相关性最大，标准误差、最大绝对误差及最小绝对误差都最小;而孕穗期和抽穗期的相关性、标准误差、最大绝对误差及最小绝对误差相互间有差异，但都好于拔节期而差于灌浆期。由此可认为模型在不同生育期反演误差存在差异。拔节期的模型反演误差较大，而孕穗期至灌浆期的反演误差较小。造成不同时期误差不同的因素较多，主要来自两方面。一方面是地面光谱和LAI测量本身存在误差。由于冠层光谱及LAI不是同一时间测量。光谱田间测量一般难以最理想的环境进行测量，不同时刻的测量环境造成光谱测量存在误差;LAI2000对不同物候期作物冠层的LAI测量结果存在明显不同的误差［21］。该研究使用的LAI实测为LAI2000实测值，未进行校正，使得不同时期的误差分析存在不确定性。产生误差差异的另一方面是模型在不同时期的适用性存在差异。冬小麦从拔节期到灌浆期，覆盖度及冠层结构各项参数存在明显差异，拔节期，LAI较小，还存在较明显的垄行，植被冠层介于连续植被和非连续植被间，这可能是导致拔节期反演结果误差较大的主要原因;拔节期后，冬小麦LAI接近最大值，其冠层呈典型的连续型植被，较拔节期更符合模型假设，因而反演的误差较小。

3.2 冬小麦叶绿素含量反演结果分析

大量研究表明，植物叶片SPAD值与叶绿素含量有很好的相关性。首先使用SPAD野外抽样活体测量，然后通过SPAD与实测叶绿素含量的回归关系推算其它样本叶绿素含量，是目前快速获取田间作物叶绿素含量的主要方法。由于缺乏实测叶绿素含量，本研究没有将SPAD值转换为叶绿素含量 (μg/cm2);直接使用ACRM模型反演的叶绿素含量与使用SPAD-502叶绿素测量仪测量的SPAD值进行简单的比较。结果如表2。通过相关性分析，基于ACRM模型的叶绿素含量反演结果与SPAD测量值有很好的相关系数，在拔节期至灌浆期的相关系数分别为0.593 7、0.897 7、0.909 2、0.936 8，说明使用HJ小卫星4波段多光谱数据具备叶绿素含量反演的潜力。反演结果最大值为20.17μg/cm2，最小值为20.02μg/cm2;SPAD最大值为61.3，最小值为41.0。与其它研究结果相比较［9-11］，主要问题为反演结果的差值太小，最大与最小值的差只有0.15μg/cm2，与实际情况有较大出入。初步原因是在缺乏较多冠层参数数值情况下，各时期均采用相同的模型参数值。具体原因有待下一步更深入的研究分析。

对比各个物候期叶绿素含量反演与SPAD实测的相关性发现，两者的相关性在拔节期最小，后期都较高。孕穗期至关键期间叶绿素反演与SPAD的相关性都很好。拔节期植被冠层介于连续植被和非连续植被间，较明显的垄行使传感器视场内有明显的裸露土壤，离连续植被辐射传输模型ACRM模型的假设有差距。这可能是导致拔节期叶绿素含量反演结果与SPAD值相关性较差的主要原因。

表3 ACRM模型反演叶绿素含量与SPAD测量结果的比较

4 结论

地表作物的冠层结构在不同物候期有明显的差异，即在作物生长的不同阶段，作物的株高、叶片面积、叶片倾角、叶片长度、宽度、叶片数量、色素含量等等存在差异，并呈现一定变化规律。整个作物生育期间，作物植被由离散型逐步向垄行结构的半连续型植被发展，最后作物封行封垄发展成典型的连续植被。冬小麦从拔节期开始LAI开始快速增长，其植被类型由半连续型逐步向连续型变化。从冬小麦拔节到灌浆期间，其植被类型及冠层结构基本上满足ACRM模型的假设。该研究考虑到完整获取冬小麦多个物候期HJ小卫星遥感影像数据及地面调查数据较为困难，在不考虑传感器观测角度及像元分辨率的情况下，使用冬小麦拔节—灌浆4个不同阶段不同长势冠层光谱观测数据，模拟出冬小麦冠层等效HJ小卫星多光谱反射率，然后再使用ACRM模型反演各阶段冬小麦LAI和叶绿素含量，初步分析确定HJ小卫星多光谱数据定量反演LAI和叶绿素含量的应用潜力以及ACRM模型在不同冬小麦生育期的LAI和叶绿素含量反演误差。主要结论如下。

(1)ACRM模型LAI反演结果与LAI实测值的相关性高，反演误差较小;具备较高时空分辨率的的HJ小卫星遥感影像在定量反演LAI应用中有很大潜力。

(2)ACRM模型叶绿素含量反演结果与冬小麦叶片SPAD实测值有很好的相关性，HJ小卫星遥感影像在具有定量反演叶绿素含量的潜力;但具体反演结果及最大值最小值的差距偏小，与实际情况有较大出入。提高叶绿素含量反演的准确性有待收集到更具体输入参数值，进行更深入地研究。

(3)ACRM模型在不同生育期LAI和叶绿素含量的反演误差存在差异，在冬小麦拔节期的反演误差较大，在孕穗—灌浆期的反演误差较小;模型较适用于连续型的作物冠层，在非连续型植被冠层中的反演有较大误差。

［1］Jacquemoud.S，Bacour.C，Poilv.H，et al.Comparison of Four Radiative Transfer Models to Simulate Plant Canopies Reflectance:Direct and Inverse Mode.Remote Sensing of Environment.2000，74(3):471 ～481

［2］Wessman.C.A，Aber.J.D，Peterson.D.L，et al.Remote Sensing of Canopy Chemistry and Nitrogen Cyclingin Temperate Forest Ecosystems.Nature，1988，335:154 ～156

［3］Datt B.Visible/near Infrared Reflectance and Chlorophyll Content in Eucalyptus Leaves.Int.J.Remote Sensing，1999，20(14):2741～2459

［4］Broge.N.H，Mortensen.J.V.Deriving Green Crop Area Index and Canopy Chlorophyll Density of Winter Wheat from Spectral Reflectance Data.Remote Sensing of Environment，2002，81:45 ～57

［5］Miller.J.R.Quantitative Characterization of the Vegetation Red Edge Reflectance.1.An Inverted Gaussian Reflectance Model.Int.J.Remote Sensing，1990，11:1775～1795

［6］金慧然，陶欣，范闻捷，等.应用北京一号卫星数据监测高分辨率叶面积指数的空间分布.自然科学进展，2007(09):1229～1234

［7］Jacquemoud.S，Ustin.S.L，Verdebout.J，et al.Estimating Leaf Biochemistry Using the PROSPECT Leaf Optical Properties Model.Remote Sensing of Environment，1996，56:194～202

［8］Dawson.T.P，Curran.P.J，Plummer.S.E.Liberty-Modeling the Effects of Leaf Biochemical Concentration on Reflectance Spectra.Remote Sensing of Environment，1998，65:50 ～60

［9］Houborg.R，Soegaard.H，Boegh.E.Combining vegetation index and model inversion methods for the extraction of key vegetation biophysical parameters using Terra and Aqua MODIS reflectance data.Remote Sensing of Environment.2007，106(1):39 ～58

［10］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.Remote Sensing of Environment.2009，113(1):259 ～274

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

［12］王纪华，赵春江，黄文江.农业定量遥感基础与应用.北京:科学出版社，2008

［13］白照广.中国的环境与灾害监测预报小卫星星座A/B星.中国航天，2009，(5):10～15

［14］王桥，吴传庆，厉青.环境一号卫星及其在环境监测中的应用.遥感学报，2010，14(1):113～121

［15］陈劲松，黄健熙，林珲，等.基于遥感信息和作物生长模型同化的水稻估产方法研究.中国科学:信息科学，2010(S1):173～183

［16］陈雪洋，蒙继华，吴炳方，等.基于HJ-1 CCD的夏玉米FPAR遥感监测模型.农业工程学报，2010(S1):241～245

［17］蒙继华，吴炳方，杜鑫，等.基于HJ-1A/1B数据的冬小麦成熟期遥感预测.农业工程学报，2011，27(03):225～229

［18］冯炼，吴玮，陈晓玲，等.基于HJ卫星CCD数据的冬小麦病虫害面积监测.农业工程学报，2010，26(07):213～219

［19］A.Berk，G.P.Anderson，P.K.Acharya，et al.MODTRAN4 USER’S MANUAL.Massachusetts.20004

［20］A.Kuusk.Two-Layer Canopy Reflectance Model ACRM User Guide(Version 07.2009).Tartu Observatory，2009.7

［21］李宗南，陈仲新，王利民，等.2种植物冠层分析仪测量夏玉米LAI结果比较分析.中国农学通报，2010，26(7):84～88