高分一号影像水稻叶面积指数反演真实性检验

杨闫君，田庆久，黄彦，王磊，耿君，杨冉冉

(1.南京大学国际地球系统科学研究所，南京 210023；2.南京大学江苏省地理信息技术重点实验室，南京 210023)

高分一号影像水稻叶面积指数反演真实性检验

杨闫君1，2，田庆久1，2，黄彦1，2，王磊1，2，耿君1，2，杨冉冉1，2

(1.南京大学国际地球系统科学研究所，南京 210023；2.南京大学江苏省地理信息技术重点实验室，南京 210023)

为了解决常规卫星遥感叶面积指数真实性检验方法存在的破坏样地植被、操作复杂、耗时费力，且难以用于对应大范围的植被采样等问题，该文以安徽省来安县为研究区，利用实测水稻冠层光谱结合GF1-WFV传感器进行光谱重采样并计算水稻NDVI，基于此进行LAI反演建模，通过光谱计算的LAI反演结果对GF-1星多光谱遥感水稻LAI的反演结果进行真实性检验，并结合野外LAI观测数据证明了该方法的有效性和可行性。研究表明，该方法操作简单，准确度高，大大减少了野外试验的工作量，为快速、准确获取大量真实性检验数据及定量化应用提供了有效的途径。

GF-1星；水稻冠层光谱；NDVI；LAI反演；真实性检验

0 引 言

叶面积指数(leaf area index，LAI)，即为单位水平地面上所有叶片表面积的一半或总叶片投影面积的一半[1]，作为陆地生态系统的一个十分重要的植被特征参量，能够对植被冠层结构给出直接的量化指标[2]。LAI也是植被定量遥感的重要参数，在反演方法上主要是通过植被指数建立与其相关的模型实现[3]。20世纪70年代初，通过对植被光谱反射特性的研究，Wiegand等首次在植被LAI与实测光谱数据特征之间建立相关关系，为遥感反演植被LAI提供了可能[4]。随后，利用特定的光谱波段进行组合建立不同植被指数的研究相继出现，而且利用不同植被指数与LAI的相关关系进行LAI反演的研究也越来越多。1974年，Rouse在提出归一化植被指数NDVI后[5]，基于NDVI与LAI关系进行植被叶面积指数反演的研究更加广泛。Shibayama等通过试验说明冠层光谱归一化植被指数NDVI可以用于反演水稻叶面积指数等生物量[6]。宋开山等通过实测光谱，分析不同波段的作物光谱反射率，研究了NDVI等植被指数与LAI的相关关系，结果表明利用高光谱反射率构建的NDVI等指数与作物的LAI有着密切的相关性，对预测LAI的精度较高[7]。以上研究表明，利用植被实测冠层光谱进行LAI反演具有可行性。

卫星影像地物参数反演结果在应用之前需要对其进行真实性检验，卫星传感器数据的真实性检验是遥感领域的一个重要发展方向[8]。由于卫星传感器接收地物反射或者辐射的电磁波信息时会受到大气条件等因素的影响，使得其接受到的信息与地表状况不一致。因此，当直接利用卫星影像进行LAI反演时需要对反演结果进行真实性检验。地面观测实验是卫星传感器数据真实性检验的基础，它既要在地面获取地面传感器视场内定量遥感反演产品的真值，又要运用地面传感器获取模拟的遥感信号，建立模型或检验模型[9]。植物LAI的实地测量方法主要有直接测量法和间接测量法[10]。直接测量方法主要靠人工采集植被叶片进行测量计算，不仅操作复杂、费时耗力，采集样本的代表性也较差，而且直接测量对植被与环境的破坏较大。间接测量法是用光学仪器测得LAI，减少了对植被的破坏，测量相对快捷，但仪器对光环境等条件要求较高，也限制了验证数据的大量获取。

一般来说，高分辨率遥感数据能更好地反映地表信息，但高分辨率影像有时又过高地反映了地表真实情况使得研究对象太复杂而失去了宏观特征，反而不利于陆面参数的反演[11]。使得在实际应用中，中分辨率多光谱影像成为应用能力最强的作物长势监测遥感数据源。我国GF-1星于2013年4月26日成功发射，其4天重访周期和16m空间分辨率优势为获取时间序列数据、准确及时地对作物生长状况进行监测提供了有利条件。但目前尚未有研究对GF-1卫星多光谱数据LAI反演的结果进行真实性检验评价分析，明确其在该领域的适用性。

1 地面观测实验

1.1 研究区概况

研究区位于安徽省东部的来安县境内(图1)，地理坐标为30°12′N～32°45′N，118°20′E～118°40′E。来安县地势平坦，河流众多，水系发达，为大面积的水稻种植提供了丰富的水源，该地属于北亚热带季风气候区，光照充足，雨热同季，对作物生长十分有利。此外，来安县自古以来农业生产为主，水稻是来安县种植面积最多的作物，全县耕地总面积4.8×104ha，其中水田占4.3×104ha。该区域作物熟制是一年两熟、稻麦轮作，水稻在5月中旬播种，6月中旬移栽。野外观测实验的时间为2013年7月10日、11日，与GF-1卫星影像获取时间基本同步，在来安县的水口镇和汊河镇汪波荡农场选取样地进行地面水稻冠层光谱及LAI的观测，选取观测样地共29块，其中光谱与LAI同步观测样地21块用于建模分析，另外8块LAI观测样地用于LAI反演验证。

图1 研究区样地分布

1.2 实验设计方案

(1)水稻冠层光谱观测

水稻冠层光谱的测量采用美国ASD公司生产的Field Spec Hand Held 2型手持式光谱仪(仪器波长范围：325nm～1075nm，采样间隔：1nm，光谱分辨率：3.0nm，视场角：25°)，光谱采集选择在风力小于3级，光照稳定，无卷云与浓积云的晴朗天气下进行，测量时间为10∶00～14∶00，以保证太阳天顶角大于50°。

根据GF1-WFV影像的空间分辨率和实地考察情况，在研究区内尽量选择水稻长势具有分布梯度的稻田作为观测样地进行水稻冠层光谱测量。布设32m×32m大小的样地共21块，在每块样地沿着样地东西方向的中心线上设置3个观测样点，样点间隔为8m，这样布设样点可以保证至少有两个样点位于16m分辨率的高分影像同一个像元之内。每个样点光谱重复观测5次取平均作为该点的实测光谱数据，当同一个像元内包含3个样点时，将每个样点的光谱数据取平均后，再求3个样点的均值作为该像元的实测光谱数据；当同一个像元内包含两个样点时，将每个样点的光谱数据取平均后，再求两个样点的均值作为该像元的实测光谱数据；当像元内只有一个观测样点时，将该点观测的5次光谱数据取平均作为该像元的实测光谱数据。根据样地布设可以知道地面观测数据对应高分影像的像元个数至少有21个，最多有42个，可以满足用于LAI反演建模及反演结果的精度验证。借助差分为1m的Mobile Mapper GPS记录样点的坐标，每块样地布设如图2所示。在测量过程中，光谱仪保持水平，传感器探头垂直向下，高度保持在冠层上方1.2m附近，每个样点重复记录5条光谱曲线，且每半小时用参考板对仪器进行一次校正以消除环境变化所带来的影响。

图2 观测样地布设

(2)水稻LAI观测

LAI采用美国LI-COR公司生产的植物树冠分析仪(LAI-2000)测定，LAI-2000是通过“鱼眼”光学感应传感器从5个不同角度的天顶角方向测定冠层上下光强的变化，并通过辐射传播模型进行计算。LAI观测与光谱测量同步进行，选在光谱观测当天日出日落时进行，尽可能避免直射阳光，采用180°视角的遮盖帽有效地避免了观测者自身的影响。LAI的观测样地与冠层光谱测量样地一致，每块样地观测3个样点，并记录样点的GPS坐标，样地布设方法同上，用于LAI反演建模。观测中要保证传感器镜头未被植被遮挡，保持仪器探头水平，在每个样点重复测量2次，求平均值作为该点的实测LAI。注意测定A值的时间和地点应该尽可能接近B值的测定条件。

2 数据预处理

2.1 GF-1星遥感影像预处理

GF-1星多光谱影像获取时间为2013年7月12日(水稻分蘖期)，8月30日(水稻抽穗期)，影像是从中国卫星资源中心得到，在晴天获取，研究区没有云覆盖，是经过相对辐射校正和系统几何校正处理后的2级数据产品，星下点分辨率16m，4台WFV组合幅宽800km，影像文件为DN值产品，具有4个波段(蓝光：0.45μm～0.52μm，绿光：0.52μm～0.59μm，红光：0.63μm～0.69μm，近红外：0.77μm～0.89μm)，数据格式为GeoTiff。对获取的两幅GF1-WFV影像使用ENVI 4.8软件进行辐射定标、大气校正、几何精校正、NDVI和NDWI(归一化水体指数)计算等处理。

首先，根据定标公式和定标系数进行辐射定标，利用绝对定标系数将DN值图像转换为辐亮度图像的公式为：

L=DN/g+L0

(1)

其中，L为辐亮度，g为绝对定标系数增益，L0为偏移量，转换后辐亮度单位为W/(m2*μm*sr)。

使用FLAASH模块进行大气校正，由于辐射定标后数据单位是W/(m2*μm*sr)与FLAASH要求的单位(μW)/(cm2*nm*sr)相差10倍，因此在大气校正前需要设置缩放系数为10。大气模型(Atmospheric Model)需要根据研究区的经纬度和影像获取时间进行选择，本文所用数据属于中纬度夏季，所以选择MLS(Mid-Latitude Summer)模型。波谱响应文件选择时，使用波谱曲线来描述波谱响应函数，x轴为波长(单位：nm)，y轴为波谱响应值，如图3所示。

图3 GF1-WFV2波谱响应函数曲线

根据实地调查记录的地面控制点坐标，在Map Registration模块使用二次多项式法进行几何精校正，舍弃误差较大的点，保证用于几何校正的控制点至少为25个，误差控制在1个像元之内。

利用来安县的矢量边界对几何校正之后的影像进行裁剪，得到只包含来安县范围的两幅反射率影像。

最后，对所得来安县范围的GF-1反射率影像计算NDVI和NDWI，计算公式如下：

NDVI=(NIR-R)/(NIR+R)

(2)

其中，NIR代表近红外波段的反射值，R代表红光波段的反射值。

NDWI=(B-NIR)/(B+NIR)

(3)

其中，B代表绿光波段的反射值，NIR代表近红外波段的反射值。

2.2 光谱数据重采样

利用光谱仪后处理软件View Spec Pro对采集的光谱数据进行预处理，根据显示每个样点记录的5条光谱曲线，剔除其中明显异常的数据，对每个样点剩余的光谱数据求平均，计算所有样点的平均光谱曲线，最后将结果输出为文本文件以便后续计算。

(4)

其中，ρi是待拟和波段的光谱反射率，fi(λ)是待拟和波段的光谱响应函数，ρ(λ)是实测光谱各波长处的反射率，λmax和λmin分别是光谱波段取值范围的上下界。

根据公式(4)将实测水稻冠层光谱进行重采样，计算得到水稻冠层红光和近红外两个波段的真实反射率，由此计算出所有实测样点的NDVI。

2.3 水稻LAI数据处理

利用FV2200软件对实测的LAI进行处理，仪器光圈角度共有5个：7°、22°、38°、52°、68°，光圈环在68°时有可能探测不到叶子，为了保证计算精度将其舍掉。在计算LAI时，FV2200软件默认的是以最接近B值的A值进行计算，天空光稳定时，一组A值可以用于计算若干B值，最后存储成文本格式输出，再将每个样点两次观测值取平均作为该点的LAI值。

2.4 来安县水稻覆盖区域提取

由于影像中不仅有水稻，还包含了其他地物，为避免其他地物对反演结果造成干扰，在建立模型之前先进行水稻作物覆盖区域的提取。利用两个时期的NDVI和NDWI特征对影像中水稻信息进行提取，所有地物被分为水稻和非水稻两种，然后利用ENVI 4.8的掩膜技术对非水稻进行0值处理，提取出水稻分布如图4所示。

图4 来安县水稻信息分布

3 GF-1影像水稻LAI反演

遥感反演模型通常建立在实测数据之上，由于实测数据的观测范围大约是1m×1m，而GF-1星影像空间分辨率为16m，推测观测尺度的差异可能对模型建立产生一定的误差。但已有研究表明，连续植被区域的尺度效应是很小的，稀疏植被区域的尺度效应相对较大[15]。当反演函数为线性或者地表数据测量值均一时，地表参数的反演不存在尺度效应[16]。由于水稻作物长势相对均一，且LAI反演模型为线性关系，所以尺度效应可以忽略不计。

水稻LAI反演选择在分蘖期，由于该时期水稻长势分布有一定程度差异，利于提高模型构建的精度。根据影像预处理得到的来安县水稻NDVI图像，结合实测点坐标提取观测样点的水稻NDVI值，利用有实测光谱及实测LAI数据的21块水稻样地进行LAI的分析反演建模，21块观测样地在高分WFV影像上对应了33个像元，去除异常值后选取其中28组数据分析样点NDVI与实测LAI关系，如图5所示。

图5 GF1-NDVI与实测LAI关系

从上图可以看出，由GF-1影像计算的水稻NDVI值与实测水稻LAI有较高的相关性，R2达到了0.67。由此，基于GF-1影像提取的NDVI建立水稻作物的LAI反演模型为：

LAI=4.84*NDVI-1.26

(5)

将基于GF-1多光谱影像的LAI反演模型应用到水稻NDVI图像中进行空间量化表达，反演来安县的水稻LAI，并利用ARCGIS软件对其进行制图，如图6所示。

4 反演结果真实性检验

4.1 实测光谱反演LAI

由于卫星传感器接收地表信息时会受到大气影响，虽然影像是经过大气校正，但校正采用的大气标准模型大气实际情况并不能完全相符，而实测光谱数据采集时不经过大气，相对于GF-1影像计算的NDVI会更加准确，因此采用实测光谱数据重采样计算的NDVI建模反演水稻LAI，据此对GF-1影像LAI反演结果进行真实性检验。实测光谱模拟WFV重采样得到红光、近红外波段反射率后，根据NDVI计算公式得到观测点的NDVI值，选用与公式(5)所示模型相同的21块观测样地，结合实测LAI选取其中17组数据建立基于实测光谱数据的NDVI-LAI关系，如图7所示。

图7 光谱计算的NDVI与实测LAI关系

从以上关系图可以看出，实测水稻冠层光谱重采样计算得到的NDVI与实测LAI之间有着更高的线性相关关系，其R2达到了0.75，因此，利用基于实测冠层光谱构建水稻LAI反演模型：

LAI = 2.73 *NDVI-0.25

(6)

将基于实测光谱建立的LAI反演模型应用到水稻NDVI图像中进行空间量化表达，进行水稻LAI反演。

4.2 结果真实性检验

在进行GF-1多光谱遥感LAI反演结果真实性检验时采用均方根误差RMSE对其分析，其定义为：

(7)

先将基于实测光谱反演的LAI结果结合野外实测LAI对反演精度进行验证，根据8块验证样地，选取11组数据对基于实测光谱反演的LAI进行验证(图8)，其中RMSE为0.31，R2达到0.75，说明光谱反演的精度比较高，可以用于GF-1反演结果的验证。然后结合野外考察记录的坐标点，将实测光谱反演得到的LAI与GF-1影像反演的相同坐标点LAI值进行数据拟合分析，利用实测光谱反演的结果对GF-1影像反演的LAI结果进行真实性检验(图9)，因为反演结果LAI图像的分辨率都是16m，所以在两者比较时不存在尺度差异。从两者比较来看，均方根误差为0.21，相关系数达到0.9，拟合效果很好，真实性检验结果精度比较高，说明经过大气校正后GF-1多光谱影像反演LAI的效果比较好，大气效应对其影响并不明显。

图8 实测光谱反演LAI的精度验证

图9 真实性检验的相关关系

5 结束语

常规的LAI真实性检验方法样本采集困难，野外操作复杂，需要耗费大量的人力物力，而且难以获取大量的观测数据，因此本文采用实测冠层光谱重采样建模反演的LAI进行验证，可以快速准确地获取更多的LAI数据，为GF-1的LAI反演结果进行真实性检验提供有效支持。

卫星传感器在接收地面数据时需要穿过大气层，受大气条件影响使得接收到的信息与地表真实情况出现差异，虽然影像经过大气校正处理，但校正所用的标准大气与实际情况可能并不完全相符，相比地面实测数据会有一定程度差异，而实测冠层光谱数据不需要经过大气作用直接得到真实地表反射率，避免了大气的影响。利用实测冠层光谱模拟GF1-WFV重采样得到可以地表真实反射率数据，基于此计算NDVI建模反演获得LAI的可靠性更强，因此文中利用实测冠层光谱模拟GF1-WFV重采样计算NDVI与GF-1多光谱影像计算NDVI分别进行LAI反演建模，控制两者其他反演条件相同，只有建模所用NDVI不同，一是来自实测光谱重采样，二是来自GF-1影像，利用实测光谱反演结果对基于GF-1多光谱影像建模的反演结果进行真实性检验，可以评价GF-1多光谱影像进行LAI反演的准确性。

由于作物长势分布相对均一，稻田地势也比较平坦，野外观测都是选在成片稻田区域，所以尺度差异的影响在水稻作物LAI反演中并不是很大。但是，本文的研究对象是水稻，如果换作其他植被，尺度问题可能会成为影响反演精度的重要因素，而且不同的植被类型、相同植被的不同生长期尺度问题的影响效应也可能会不同，这需要进一步研究。

GF-1卫星影像4天重访周期的高时间分辨率和16m的空间分辨率为植被LAI反演提供了可靠的数据支持，与传统方法比较大大地减少野外试验的工作量，体现了GF-1卫星多光谱数据在农作物LAI反演中的应用价值及优势。

[1] CHENJM，BLACKTA.Defining leaf area index for non-flat leaves[J].Plant Celland Environment，1992，15：421-429.

[2] 李淑敏，李红.PROSAIL冠层光谱模型遥感反演区域叶面积指数[J].光谱学与光谱分析，2009(10)：2725-2729.

[3] LI K L，JIANG J J，MAO R Z，et al.The modeling of vegetation through leaf area index by means of remote sensing[J].Acta Ecologica Sinica，2005，6：1491-1495.

[4] WIEGAND C L，GAUSMAN H W，CUELLAR J A，et al.Vegetation density as deduced from ERST-1MSS response[A].Third ETRS Symposium，1974：93-116.

[5] ROUSE J W，HAAS R H，SCHELL J A etal.Monitoring the vernal advancement and retrogradation of natural vegetation[R].NASA/GSFC，Type，Final ⅢReport，Greenbelt，MD，USA，1974：1-371.

[6] SHIBAYAMA M，AKIYAMA T.Seasonal visible，near-infrared and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry phytomass.[J] Remote Sensing of Environment，1989，27：119-127.

[7] 宋开山，张柏，王宗明，等.基于人工神经网络的大豆叶面积高光谱反演研究[J].中国农业科学，2006，39(6)：1138-1145.

[8] JUSTICE C，BELWARD A，MORISETTE J，et al.Developments in the ‘validation’ of satellite sensor products for the study of the land surface[J].International Journal of Remote Sensing，2000，21(17)：3383-3390.

[9] 张仁华，田静，李召良，等.定量遥感产品真实性检验的基础与方法[J].中国科学地球科学，2010，40(2)：211-222.

[10] WU W B，HONG T S，WANG X P，et al.Advancing round based LAI measurement methods[J].Journal of Hua Zhong Agricultural University(Natural Science Edition)，2007，26(2)：270-275.

[11] 李小文.地球表面时空多变要素的定量遥感项目综述[J].地球科学进展，2006，21(8)：771-780.

[12] ZHANG T，DING J L，WANG F.Simulation of image mult-spectrum using field measured endmember spectrum[J].Spectroscopy and Spectral Analysis，2010，30(11)：2889-2893.

[13] YE Z T，GU X F.Simulation of remote sensing images based on MIVIS data[J].Acta Geodaetica et Cartographica Sinica，2000，29(3)：235-239.

[14] 刘绥华，晏磊.光谱参数对基于光谱重构的高光谱数据模拟的影响[J].光谱学与光谱分析，2013，(2)：513-516.

[15] 刘艳，王锦地，周红敏，等.黑河中游试验区不同分辨率LAI数据处理，分析和尺度转换[J].遥感技术与应用，2010，25(6)：805-813.

[16] 张万昌，钟山，胡少英.黑河流域叶面积指数(LAI)空间尺度转换[J].生态学报，2008，28(6)：2495-2503.

Validation of Rice Leaf Area Index Inversion on GF-1 Satellite Remote Sensing Imagery

YANG Yan-jun1，2，TIAN Qing-jiu1，2，HUANG Yan1，2，WANG Lei1，2，GENG Jun1，2，YANG Ran-ran1，2

(1.InternationalInstituteforEarthSystemScience，NanjingUniversity，Nanjing210023；2.JiangsuProvincialKeyLaboratoryofGeographicInformationScienceandTechnology，NanjingUniversity，Nanjing210023)

Validation of satellite remote sensing leaf area index (LAI) products is the important technical link of quantitative applications of vegetation LAI inversion on satellite remote sensing.Conventional validation methods are mostly based on vegetation leaf collection from field，or through direct measurement by instruments.It not only causes damage to vegetation samples，and operation is complex，time-consuming.It is also difficult to use for the sample corresponding to a wide range of vegetation.To solve the above problems，this paper takes Lai'an in Anhui Province as the research area.Combined GF1-WFV sensor to resample the mea measured spectra of rice canopy for NDVI computing，based on this to conduct LAI inversion model.Then using the results of LAI inversion from spectra computing to validate the results of rice LAI inversion on GF-1 satellite multispectral remote sensing，and combined with field LAI data to demonstrate the effectiveness and feasibility of this method.Study shows that this method is simple，accurate，and it can greatly reduce the workload of the field experiments.It also provides an effective way for quickly and accurately getting a lot of validation data and quantitative applications.

GF-1 satellite；rice canopy spectra；NDVI；LAI inversion；validation

2014-09-01

2014-11-25

国家科技重大专项(30-Y20A01-9003-12/13)；国家重点基础研究发展计划项目(2010CB951503)。

杨闫君(1992—)，女，博士研究生，研究方向为高光谱遥感与遥感信息定量化、遥感信息产品的真实性检验。

E-mail：yangyanjun0726@163.com

田庆久(1964—)，男，教授，研究方向为高光谱遥感与遥感信息定量化研究。

E-mail：tianqj@nju.edu.cn

10.3969/j.issn.1000-3177.2015.05.010

TP79

A

1000-3177(2015)141-0062-07