基于微缩模型的森林BRF测量

黄华国， 王诗瑞

(北京林业大学省部共建森林培育与保护教育部重点实验室，北京 100083)

0 引言

双向反射率分布函数(bidirectional reflectance distribution function，BRDF)是物体表面反射率随入射角、反射角和波长变化的函数，描述了物体表面的空间反射分布特性和光谱特性，根据不同地物的双向反射特性差异可以识别植被类型或植被结构特性[1-2]。植被BRDF模型具体实现了植被反射率与入射角和观测角度的关系[3-5]，能够帮助完成卫星数据的角度归一化，也可以实现利用多角度观测反演地表结构参数[6-7]。在自然条件下，测量BRDF比较困难，所以人们常用双向反射率因子(bidirectional reflectance factor，BRF)来代替BRDF表述目标物的二向性反射特征[8-10]。由于野外环境的不确定性以及所使用测量工具的局限性，测量获得的BRF数据也存在精确度和完整性不足的缺陷[11-12]。近年来卫星对地观测技术发展较快，且应用较广泛，但由于目前卫星数目仍偏少，测量的空间尺度偏大，所观测结果也存在种种缺陷； 而利用航空测量时观测角度太少[13-15]，限制因素较多，且费用昂贵。另外，对于室内测量的研究也相对较少，且方向单一[16]。

本文探索利用森林微缩模型开展森林BRF研究，试图降低真实森林BRF的测量难度，提高测量精度，增加测量数据，为森林遥感建模、卫星反演和定量遥感教学提供支撑。

1 材料与方法

1.1 材料选取与模型制作

实验材料有： 剪刀、聚氯乙烯(poly vinyl chloride，PVC)板、若干普通阔叶树叶片、小树枝、树粉、沙盘林木模型等。

1.1.1 抽象林木模型

利用较大叶片修剪出半径为1.2 cm，1.4 cm，1.6 cm和2.0 cm的圆叶，将其依次以1.2 cm，1.4 cm，1.6 cm，2.0 cm，2.0 cm，1.6 cm，1.4 cm和1.2 cm为半径穿过细小树枝形成水平层状叠置的椭圆树形模型，树高8.0 cm，冠幅2.0 cm，叶面积指数(leaf area index,LAI)为2.5。

1.1.2 近真实林木模型

选择沙盘林木模型作为逼近真实的林木模型，模拟自然界中椭圆树形林木的真实形态。沙盘林木模型采用树粉材料制作而成，其反射光谱在绿光波段有明显的波峰，且近红外波段光谱明显高于可见光部分，具有植被波谱的基本特点[17]。研究选用的林木模型为阔叶树，树高8.0 cm，冠幅4.0 cm。由于树木太小(高仅8.0 cm)，树粉叶面积难以直接测量。从不同方向对林木进行拍照，获得孔隙率，然后通过比尔消光定律进行估算，即

,

(1)

式中：P为某观测方向的模型孔隙率；k为消光系数，假设叶片均匀分布，可取常数值0.5；θ为观测天顶角； 对0°，45°和60°等多个观测角度得到的LAI取平均，最终求得模型的LAI为2.4。微缩模型及微型观测架等见图1。

(a) 抽象林木模型(b) 近真实林木模型(c) 多角度观测架

从不同角度得到的微缩模型反射率见图2。

(a) 抽象微缩模型叶片反射率和透过率(b) 近真实林木模型反射率

为分析林木空间位置分布和地形对森林BRF的影响，设计了8个场景(图3)。

(a) 稀疏分布的抽象模型(b) 密集分布的抽象模型(c) 高斯地形上稀疏分布(d) 高斯地形上密集分布的抽象模型的抽象模型

(e) 稀疏分布的近真实模型(f) 密集分布的近真实模型(g) 高斯地形上稀疏分布(h) 高斯地形上密集分布的近真实模型的近真实模型

8个场景的结构参数见表1。

表1 微缩森林结构参数

1.2 仪器与测量方法

使用荷兰Avantis公司生产的AvaSpec-VIS-USB2光纤光谱测定仪测量光谱，该光谱仪波段为0.38～0.85 μm，光谱分辨率为0.289 μm。使用美国ASD公司生产的Pro Lamp灯近似代替室内太阳光源，其波谱范围较宽(350～2 500 nm)，强度适中(14.5 V，50 W)。通过三脚架设定照射角度(天顶角分别为20°和40°)模拟太阳光入射角度的调节。为避免其他光线辐射影响，实验在暗室中进行。如图1(c)所示，设计了一个有导轨的多角度观测架。该观测架与中科院和北京师范大学联合研制的观测架以及其他室外观测架[18]结构类似，更小巧简单，包含基座(50 cm×50 cm)、圆形导轨(半径20 cm)、观测臂(可调节长度40～55 cm)。光纤置于观测臂顶部，垂直向下固定。

将制作好的不同的林木模型按照一定的空间分布插在直径为36 cm的圆形黑色PVC纸板上，并在其上覆盖泥土(模拟土壤效果)，放入多角度观测架的基座即可进行观测。光纤探头位于底座中心的正上方，距离底座50 cm。光纤探测器视场角为25°，所探测面积为386 cm2，占实际模型面积的37.9%(实际模型面积约为1 018 cm2)，这样可以尽可能地排除探测视场周围的部分不确定因素，保证观测的准确性。光纤探测器均从后向(光源同侧的方向)开始，逐步观测到前向(面向光源)。后向取观测角度为负，观测天顶角变化范围为-70°～70°，手动转动观测臂，观测步长10°，共测量15个观测角度。从光源主平面开始，依次顺时针旋转45°方位角，实现4个平面观测，分别为： 主平面、加密平面1、垂直主平面和加密平面2。每个平面观测前，都需要测量一下白板的反射辐射。

1.3 数据处理和分析方法

1.3.1 双向反射率因子(BRF)计算

扣除暗电流后，将白板的反射辐射记为R0，某个角度的方向反射辐射记为R1，白板反射率为99%，则BRF为

BRF=0.99R1/R0。

(2)

1.3.2 分析波段选择

以红光和近红外为主要波段进行分析。由于ASD Pro Lamp在近红外波段的发射能量偏低，噪声较强，偶有光源照射不稳定的现象存在，导致测量数据在近红外波段范围存在抖动。故在数据分析时，将近红外波段800～850 nm数据进行了均值平滑处理，增强了测量结果的稳定性与可研究性。

1.3.3 BRF分析对比

设计获取8组不同林分结构、4个不同平面、15个不同天顶角和3个不同波段、2个太阳入射角下的BRF。将每个平面的红光、近红外波段的观测结果绘制成折线图，分析天顶角的变化。使用Matlab软件将所得到4组反射率光谱生成极坐标图，显示BRF在整个上半球空间的变化规律。分析以下情况的BRF差异： ①土壤和地形对BRF的影响； ②林分稀疏程度对BRF的影响； ③红光和近红外波段的BRF差异； ④不同太阳天顶角下的BRF差异。

2 测量结果与分析

2.1 背景土壤BRF

图4显示了土壤BRF测量结果。

(a) 平地(b) 高斯地形(坡度45°)

由图4可以看出，土壤反射率存在明显的“热点效应”[19]，光源入射方向的BRF较高，后向BRF一般大于前向反射率，光源天顶角和坡地也对BRF有影响。以上测量结果表明，建模时应该考虑土壤的BRF，尤其是在稀疏冠层下土壤贡献较大的时候。

2.2 稀疏与密集冠层BRF的对比

图5为不同太阳天顶角和稀疏条件下测量得到的BRF。

(a) 20°入射角抽象模型(b) 40°入射角抽象模型

(c) 20°入射角近真实模型(d) 40°入射角近真实模型

由图5(a)(b)可知，整体上，在红波段，稀疏冠层的BRF高于密集冠层，而在近红外波段正好相反。冠层的热点位置分别位于20°和40°左右，和真实的直射入射光的角度一致[19]。这个结果符合通常的植被BRF分布规律。40°入射角时，密集冠层在近红外波段的“碗边效应”[20-22]较为明显。图5(c)(d)显示了近真实林冠模型的BRF测量结果，角度效应(包括“热点效应”)也较为明显。和抽象树冠的结果有明显差异的是观测到的近红外BRF显著偏低，“碗边效应”不显著。这是由于椭球树冠采用塑料树粉制作而成，其近红外反射率和透过率不高，多次散射贡献并不大，而相互遮荫带来的反射率降低则起到了主导作用。稀疏冠层中，土壤背景反射率较高，对总体的贡献也大，因此无论在红光还是近红外波段都较高。虽然测量结果在近红外波段和正常森林不一致，但是对于叶片受到严重伤害，而导致树冠反射率下降的森林而言，其结果是有参考价值的。

2.3 太阳位置的影响

图6显示了密集分布的绿光波段的BRF极坐标图，展示了不同太阳入射角导致的冠层整体BRF分布差异。

(a) 平地20°入射角(b) 平地40°入射角(c) 坡地40°入射角

从图6可以看出，光源入射角不同所产生的热点位置(红色区域)不同，太阳天顶角40°时，BRF随着方位变化更加明显； 不同地形对BRF有影响，45°坡地显著增强了BRF的角度差异，坡后向BRF整体大于平地，而前向BRF则小于平地。

2.4 平地和坡地BRF的对比

图7显示了地形在主平面上影响抽象冠层BRF的情况。

(a) 稀疏分布20°入射角(b) 稀疏分布40°入射角

(c) 密集分布20°入射角(d) 密集分布40°入射角

由图7可知，冠层的热点位置有10°的偏移，原因可能是测量天顶角控制偏差。总体而言，坡度的存在增强了后向BRF，而降低了前向BRF。

3 模型验证

3.1 与真实结构模型的比较

计算机真实结构模型(radiosity-graphics combined model,RGM)以植被三维(3D)结构为基础，利用辐射度方法准确求解植被冠层内部多次散射，获得场景BRF，已经在植被定量遥感研究中得到了较为广泛的研究和应用，模拟精度较为可信[23]。通过比较RGM模拟结果和测量结果，可检验微缩测量结果是否可以用于验证BRF模型。图8给出了稀疏抽象冠层和浓密近真实场景在平地条件下测量曲线和模拟结果的散点图。

(a) 抽象模型(b) 近真实模型

由图8可以看出，测量和模拟的结果基本一致，吻合较好(R2>0.6,RSME<3.5)，说明测量结果

可以用于后续验证，具有参考价值。

误差产生的原因主要是光源。首先，光源并非完全平行，随着照射距离的增大，光线会发生小幅度发散，与模型的平行入射光假设略有不同； 其次，光源发射能量随着距离增大而衰减，靠近光源的目标接受到的能量偏大，而远离光源的目标则会偏小。而RGM仅能模拟稳定均匀的平行光条件下的BRF，2者之间会存在偏差。此外，光源温度较高，测量中会不断对叶片和土壤产生加热作用，造成湿度降低，进而引起组分反射率变化。另一个原因来自于微缩林木模型。抽象模型由平行叶片组成，但是叶片本身存在一定的方向性，RGM中并未考虑。近真实模型的近红外反射率达不到真实叶片的要求，且组分反射率仅仅靠估算获得，也影响了模拟精度。

3.2 与实测数据的比较

由于野外实测的森林BRF数据非常缺乏，因此通过产生与野外森林完全符合的场景进行室内BRF观测的验证是非常困难的。本文选用加拿大北方森林的3组观测数据(白杨、云杉和短叶松)[21]和室内测量进行直观比较，结果见图9。

由于野外测量和室内测量的结构参数和组分反射率并不完全相同，所以部分数值存在较大偏差，但是“热点”位置和曲线形状是基本一致的。密集近真实冠层在红光波段的组分反射率和野外冠层较为接近，BRF吻合较好； 但是近红外波段叶片反射率太低，导致整体BRF显著偏低。密集抽象冠层2(160株)在2个波段基本类似，但是由于叶片为水平型叶片，株数密度略低，还是存在一定的差异。

4 结论与讨论

目前，除了在热红外遥感领域采用不透明模型进行过温度观测[24]外，类似的研究还很少。本文使用了微缩模型模拟森林的林分，并用于研究观测植被的双向反射特性。得到如下结论：

1)本实验表明，大部分数据接近理论预测，基本符合真实森林测量数据的“热点”和形状特征。

2)通过对测量进行对比分析发现,抽象树木模型为稀疏分布时，在可见光波段反射率值大于密集分布，但在近红外则相反。模型以45°坡度分布时，热点效应更加明显。

3)可找到一些敏感参数对植被双向反射特性的影响，如地形因素，即坡度的影响以及林分密度，即不同郁闭度的影响。这些有效参数对于卫星对地观测中的地物判别有较好的作用。

4)采用微缩模型方法进行森林BRF测量分析的思路是可行的，值得进一步挖掘和应用。其中，一个简单、形象的应用就是用其进行课堂教学演示。

然而，微缩模型方法研究也存在一些问题，需要今后注意： ①要配备好的光源。光源输出光线一定要是平行光，能量要强而稳定，以增强信噪比； 同时不能靠近目标太近，避免高温加热引起水分散失。②微缩模型材料最好选择活体植物。离体叶片会很快干枯，反射率变化较大； 活体植物的反射率更接近实际，能保证测量精度，但通常体积较大，需要增大观测架半径至1～2 m，测量不便。③光谱仪探头的视场角要尽可能小，以捕捉热点效应。

参考文献(References)：

[1] Román M O,Gatebe C K,Schaaf C B,et al.Variability in surface BRDF at different spatial scales(30 m～500 m)over a mixed agricultural landscape as retrieved from airborne and satellite spectral measurements[J].Remote Sensing of Environment,2011,115(9):2184-2203.

[2] 齐超,成思竹,赵忠义,等.植被双向反射分布函数的模型及其发展[J].光学技术,2007,33(4):487-490,493.

Qi C,Cheng S Z,Zhao Z Y,et al.Models of vegetation bidirectional reflectance distribution function and development[J].Optical Technique,2007,33(4):487-490,493.

[3] Chen J M,Leblanc S G.A four-scale bidirectional reflectance model based on canopy architecture[J].IEEE Transactions on Geoscience and Remote Sensing,1997,35(5):1316-1337.

[4] Li X W,Strahler A,Woodcock C.A hybrid geometric optical-radiative transfer approach for modeling albedo and directional reflectance of discontinuous canopies[J].IEEE Transactions on Geoscience and Remote Sensing,1995,33(2):466

[5] Myneni R B,Asrar G A three-dimensional radiative transfer method for optical remote sensing of vegetated land surfaces[J].Remote Sensing of Environment,1992,41(2/3):105-121.

[6] Wang Z S,Schaaf C B,Lewis P,et al.Retrieval of canopy height suing moderate-resolution imaging spectroradiometer(MODIS) data[J].Remote Sensing of Environment, 2011,115(6):1595-1601.

[7] Milton E J,Schaepman M E,Adnerson K,et al.Progress in field spectroscopy[J].Remote Sensing of Environment,2009,113(s1):S92-S109.

[8] Sandmeier S,Müller C,Hosgood B,et al.Sensitivity analysis and quality assessment of laboratory BRDF data[J].Remote Sensing of Environment,1998,64(2):176-191.

[9] Sandmeier S R,Itten K I.A field goniometer system (FIGOS) for acquisition of hyperspectral BRDF data[J].IEEE Transactions on Geoscience and Remote Sensing,1999,37(2):978-986.

[10]Sandmeier S R.Acquisition of bidirectional reflectance factor data with field goniometers[J].Remote Sensing of Environment,2000,73(3):257-269.

[11]Roman M O,Schaaf C B,Woodcock C E,et al.The MODIS (Collection V005) BRDF/albedo product:Assessment of spatial representativeness over forested landscapes[J].Remote Sensing of Environment,2009,113(11):2476-2498.

[12]Brakke T W,Smith J A,Harnden J M.Bidirectional scattering of light from tree leaves[J].Remote Sensing of Environment,1989,29(2):175-183.

[13]Kuusk A,Kuusk J,Lang M.A dataset for the validation of reflection models[J].Remote Sensing of Environment,2009,113(5):889-892.

[14]Peltoniemi J I,Kaasalainen S,Näränen J,et al.BRDF measurement of understory vegetation in pine forests:Dwarf shrubs,lichen,and moss[J].Remote Sensing of Environment,2005,94(3):343-354.

[15]Kuusk A.A fast invertible canopy reflectance model[J].Remote Sensing of Environment,1995,51(3):342-350.

[16]Combes D,Bousquet L,Jacquemoud S,et al.A new spectrogoniophotometer to measure leaf spectral and directional optical properties[J].Remote Sensing of Environment,2007,109:107-117.

[17]Pisek J,Rautiainenb M,Heiskanenb J,et al.Retrieval of seasonal dynamics of forest understory reflectance in a northern European boreal forest from MODIS BRDF data[J].Remote Sensing of Environment,2012,117:464-468.

[18]李新,郑小兵,寻丽娜,等.多角度测量系统实现室外BRDF测量[J].光电工程,2008,35(1):66-70.

Li X,Zheng X B,Xun L N,et al.Realization of field BRDF acquisition by multiangular measurement system[J].Opto-Electronic Engineering,2008,35(1):66-70.

[19]Qin W,Goel N S.An evaluation of hotspot models for vegetation canopies[J].Remote Sensing Reviews,1995,18:182-306.

[20]Gerard F F,North P R J.Analyzing the effect of structural variability and canopy gaps on forest BRDF using a geometric-optical model[J].Remote Sensing of Environment,1997,62(1):46-62.

[21]Gastellu-Etchegorry J P,Guillevic P,Zagolski F,et al.Modeling BRF and radiation regime of boreal and tropical forests:I.BRF[J].Remote Sensing of Environment,1999,68(3):281-316.

[22]Rautiainen M,Lang M,Mõttus M,et al.Multi-angular reflectance properties of a hemiboreal forest:An analysis using CHRIS PROBA data[J].Remote Sensing of Environment,2008,112(5):2627-2642.

[23]Qin W H,Gerstl S A W.3-D scene modeling of semidesert vegetation cover and its radiation regime[J].Remote Sensing of Environment,2000,74(1):145-162.

[24]苏红波,王锦地,李小文,等.三维非同温表面热辐射方向性模型的室内模拟实验验证[J].遥感学报,2000,4(s1):71-80.

Su H B,Wang J D,Li X W,et al.The indoor simulation and validation of thermal radiation directionality model for three dimensional surface with heterogeneous temperature[J].Journal of Remote Sensing,2000,4(s1):71-80.