基于光谱分析与角度斜率指数的植被含水量研究

邓 兵， 杨武年*， 慕 楠， 张 超

1. 成都理工大学地学空间信息技术国土资源部重点实验室， 四川 成都 610059

2. 四川省国土勘测规划研究院， 四川 成都 610045

基于光谱分析与角度斜率指数的植被含水量研究

邓 兵1， 杨武年1*， 慕 楠2， 张 超1

1. 成都理工大学地学空间信息技术国土资源部重点实验室， 四川 成都 610059

2. 四川省国土勘测规划研究院， 四川 成都 610045

植被含水量是植被生长状态的重要指示因子， 是农业、 生态和水文等研究中的重要参数， 其诊断对于监测自然植被群落的干旱状况、 预报森林火灾等都具有重要意义。 通过对植被光谱反射率与植被含水量的相关性分析， 发现植被波谱不同波段的光谱反射率与植被含水量的相关性差异很大， 其中可见光红光波段(620～700 nm)、 近红外波段(800～1 350, 1 600～1 950, 2 200～2 400 nm)的光谱反射率与植被含水量具有较好的相关性， 选取了660， 850， 1 630和2 200 nm的光谱反射率作为RED， NIR， SWIR1和SWIR2的波段值来建立角度斜率指数； 分析了植被含水量与角度斜率指数的关系， 将角度斜率指数(SANI， SASI， ANIR)作为反演植被含水量的参量， 建立植被含水量与角度斜率指数之间线性回归模型。 通过对近红外角度指数ANIR改进， 提出了近红外角度归一化指数NANI(near infrared angle normalized index)与近红外角度斜率指数NASI(near infrared angle slope index)， 建立植被含水量与NANI和NASI之间线性回归模型， 结果显示： NANI与Palacios-Orueta等提出的角度斜率指数(SANI， SASI， ANIR)相比有一定的优势， 模型可决系数R2从原最高0.791提高到0.853， RMSE也从原最小0.047降低到0.039。 确定了NANI为反演植被含水量的最佳角度斜率指数， 并建立了植被含水量反演模型。 该研究主要创新点： 在前人研究成果基础上， 通过对原角度斜率指数的改进， 提出了NANI和NASI角度斜率指数， 使其在植被含水量反演上具有更高的精度。

光谱分析； 角度斜率指数； 植被含水量； 岷江上游

引 言

植被含水量是植被生长状态的重要指示因子， 是农业、 生态和水文等研究中的重要参数， 在全球的水循环中， 扮演重要的角色[1]。 植被含水量的监测或诊断对于监测自然植被群落的干旱状况、 预报森林火灾等都具有重要意义[2]。 植被水分对光谱的吸收与反射特征是利用光学遥感反演植被含水量的基本原理， 为利用光学遥感技术估测植被含水量奠定理论基础[3-4]。 水中的羟基基团会在液态水、 潮湿土壤、 湿润植被光谱上产生诊断吸收谱段， 其基本吸收谱大约在3 000 nm处， 在1 300～2 500 nm短波红外有几处强吸收[5]。

在植被含水量监测手段上， 野外实测作为传统的测量手段， 能直接准确获取测量点的植被含水量， 但测得结果只能反映采样点周边较小范围和较短时间内的状况； 当采用野外实测手段测量较大范围时， 只能采取布设更多采样点的方法， 如此则会造成野外连续工作时间长， 测量点之间时相不统一等问题。 而遥感手段则可以很好的满足空间广泛性和时间连续性的要求， 并克服经济和技术负担等问题[6]。 利用光学遥感技术估算植被含水量常用的方法有： 基于光谱反射率的植被含水量反演、 基于植被水分指数反演植被含水量的、 基于辐射传输模型反演植被含水量等方法[7]。 国内外学者为此做了大量的研究工作， Compton， Grace等对植被叶面光谱反射特性进行研究并由此提出了利用近红外波段反演植被水分的方法[8-9]； Carter研究叶片在短波红外谱段吸收带， 发现1 300～2 500 nm范围内叶反射率对水分含量的敏感性在1 450， 1 950和2 500 nm光谱波段处达到最大[4]， Gao等从AVIRIS影像数据利用非线性和线性最小二乘法波谱匹配技术反演的植被含水量(EWT)， 与地面测量相一致[10]； 杨武年等通过光谱指数等方法， 反演了岷江上游毛尔盖地区植被含水量[6, 11-12]。

高光谱遥感的出现使得多光谱中不能完成的连续光谱监测得以实现。 高光谱影像中各个独立波段间有着很强的相关性， 水分的折射和吸收影响的波段范围大约几百纳米[4, 13]。 光谱数据中波段间的波长关系与反射率同等重要， 在此前提下一种新的光谱指数由Palacios-Orueta和Khanna等提出， 其利用三个连续的波段间光谱的几何形状， 用参数描述三个光谱间的相互关系， 定义为角度斜率指数， 包括短波角度斜率指数SASI(shortwave angle slope index)、 短波角度归一化指数SANI(shortwave angle normalized index)、 近红外角度指数ANIR(near infrared angle index)， 可应用于土壤含水量的监测、 干物质检测、 地表覆盖辨识等[14-15]。 角度斜率指数基于波段间的波长关系， 充分考虑了反射率光谱曲线中各波段间光谱曲线的形状而提出， 因此它检测的不仅是任何波段的反射率值， 还有波段间的关系。 Palacios-Orueta等提出角度斜率指数最初主要是针对MODIS的三个连续波段NIR， SWIR1和SWIR2， 用参数刻画了三个波段间的相互关系[图1， 式(1)—式(3)]， 后又提出近红外角度指数ANIR， 用参数刻画RED， NIR， SWIR1三个波段间相互关系[图2， 式(4)]。

图1 角度βSWIR1表示了以SWIR1为顶点的RED， NIR和SWIR1波段之间的关系(引自Palacios-Orueta等[15])

Fig.1 The angleβSWIR1formed at SWIR1 and the slope of the line, c. An additive offset was applied to make spectral values equal at SWIR band (adapted from Palacios-Orueta et al[15])

SANI， SASI和ANIR计算公式如下

(1)

(2)

SASI=βSWIR1×(SWIR2-NIR)

(3)

(4)

式中a，b，c所表示的距离如图1所示，βSWIR1表示反射率光谱曲线中线段NIR-SWIR1与SWIR1-SWIR2间的夹角。a′，b′，c′表示的距离如图2所示，αNIR表示反射率光谱曲线中线段RED-NIR与NIR-SWIR1间的夹角。

Khanna等研究发现， 植被含水量的增加会导致SASI值

图2 角度αNIR表示了以NIR为顶点的RED， NIR和SWIR1波段之间的关系(引自Shruti Khanna等[14])

Fig.2 The angleαNIRformed at the NIR by the reflectance at bands, RED, NIR and SWIR1. An additive offset was applied to make spectral values equal at NIR band(adapted from Shruti Khanna et al[14])

减小， SASI也可以用来对不同含水量的植被进行区分， 也就是利用角度斜率指数可以反演植被含水量[14]。 于君明等通过SASI对黄淮海平原农作物水分含量进行反演研究， 建立了农作物水分含量的相关统计模型[16]。 本文在植被光谱分析基础上， 将SASI， SANI和ANIR应用于岷江上游地区植被含水量的估算， 并对原角度斜率指数进行一定改进， 试图通过改进角度斜率指数使其能更精确地反演岷江上游地区植被含水量。

表征植被含水量通常采用相对含水率FMC(fuel moisture content)与等价水深EWT(equivalent water thickness)， 选择FMC[式(5)]作为植被含水量的表征量。

(5)

式中FMC为植被相对含水率，R为样本植被叶片鲜重，D为样本植被叶片干重。

1 实验部分

1.1 研究区概况

以四川省岷江上游地区为研究区。 岷江是长江水系中水量较大的一条支流， 发源于岷山南麓， 属长江重要的源头区域， 按自然区划都江堰渠首以上为岷江上游， 其区域位置介于102°35′18.026″E—104°15′14.817″E, 30°45′38.072″N—33°09′12.734″N， 按行政区划包括四川省阿坝州的汶川县、 茂县、 理县、 黑水县、 松潘县5个县， 幅员面积23 037 km2， 上游干流全长337 km。 区域内植被分区属于泛北极植物区中国喜马拉雅植物亚区横断山脉地区的一部分， 垂直带分布明显， 表现出明显的温性森林、 干旱河谷灌丛、 亚高山森林、 亚高山草甸、 灌丛等生态类型[17]。

1.2 数据采集及处理

植被光谱数据通过ASD FieldSpec FR便携式光谱仪测量取得， 有效光谱波段范围为350～2 500 nm， 光谱采集时间为2014年6月25日至28日。 为减少不同太阳高度角对反射率的影响， 光谱采集选择在晴朗无云的天气， 在10:00—14:00进行。 植被样本为光谱采集区域内主要植被种类， 光谱采集前进行白板校准， 为了消除光照变化对目标物反射率的影响， 每隔5～10 min再次进行白板校准。 为了消除随机噪声对光谱采集的影响， 各样本每次采集9条光谱曲线。 光谱采集的同时采摘每个采样点的样本植被叶片， 并用密封塑料袋保存， 确保植被样本不被杂物损害， 同时可以保证叶片含水量在一段时间保持恒定。 采集的植被样本在室内人工光源环境下， 再次测定其光谱曲线。 带回实验室的样本植被， 通过高精度电子秤对各样本称重， 记录为鲜重。 随即放入恒温烤箱(65 ℃)烘烤36 h， 并反复进行烘烤称重， 直至2次重量差不超过0.5 mg， 记录为干重。 此次光谱测量一共测量了31个采样点， 在各采样点附近(20米范围内)采集样本若干， 排除损坏的样本， 一共164个可用样本， 将其随机分成两组， 模型组与验证组， 模型组131个， 验证组33个。

为降低随机噪声对采集光谱的影响， 在植被样本光谱采集时， 各植被样本一次采集9条光谱曲线， 然后对9条光谱曲线做平均处理， 取最终平均值作为目标物的反射光谱曲线。 水汽作为吸收太阳辐射能量最强的介质， 对植物反射率光谱影响最大[7]。 根据植被的反射光谱特性， 植被光谱在近红外(NIR)与短波红外(SWIR)区域有水分吸收带， 对光谱曲线干扰较为明显。 为了减少水汽对光谱曲线的影响， 采用移动平均法[18][式(6)]对光谱进行降噪处理。

(6)

图3 移动平均光谱处理后光谱曲线

2 结果与讨论

2.1 植被含水量与光谱反射率相关性分析

通过植被含水量光谱分析， 选择植被含水量与植被反射光谱相关性较好的波段区间作为角度斜率指数中涉及到的光谱波段。 植被含水量光谱分析通常以植被水分敏感光谱的反射率与植被水含量的相关关系为基础， 由植被反射光谱与植被含水量相关系数分析可以得到植被含水率与植被反射光谱的相关性较好的波段区间[12]。 通过皮尔森相关系数法(Pearson correlation coefficient)[式(7)]可以得到植被光谱反射率与植被含水量的相关系数。

(7)

图4 植被含水量与光谱反射率相关性分析结果

根据光谱反射率与植被含水量相关性计算结果(图4)可以看出： 不同波段的光谱反射率与植被含水量的相关性差异很大， 植被含水量与可见光红光波段(620～700 nm)及近红外波段(800～1 350, 1 600～1 950, 2 200～2 400 nm)的光谱反射率的相关系数较高， 表明此波段范围的光谱反射率与植被含水量具有较好的相关性。

2.2 角度斜率指数与植被含水量分析

根据样本植被光谱分析结果及其光谱特性， 角度斜率指数中RED， NIR， SWIR1和SWIR2波段分别取660， 850， 1 630和2 200 nm， 该波段不仅在植被含水率与植被反射光谱的相关性较好的波段区间内， 而且能与Landsat8 OLI第4， 5， 6和7波段的中心波长相对应。 在高光谱遥感影像难获取的情况下， 可以直接用Landsat8 OLI作为反演植被含水量的遥感数据源。

为了进一步研究角度斜率指数与植被含水量的关系， 进行如下实验： 同一植被样本， 在恒温箱烘烤不同时间内， 对其重量及光谱曲线进行测量， 得到不同含水率状况下植被光谱曲线(图5)。 从图5可以看出， 角度随植被干湿程度变化明显， 植被越干燥角度越大， 当植被含水率为0.00%时，αNIR角度最大； 红光波段(RED)的反射率与近红外波段(NIR)反射率两点之间斜率(图2中线段a′斜率)随植被含水率的减少而减少， 植被含水率越少， 其斜率越小， 但均为正值； 近红外波段(NIR)反射率与短波红外波段(SWIR1)的反射率两点之间斜率(图2中线段b′斜率)随植被含水率的减少而增大， 植被含水率越小， 其斜率越大， 但均为负值； 红光波段(RED)处的反射率与短波红外波段(SWIR1)处的反射率两点之间斜率(图2中线段c′斜率)随植被含水率的减少而减小， 植被含水率越少， 其斜率越小， 其值均为正值； 随着植被含水量的减小， SWIR1-RED值会减小， 但均为正值， 因此利用αNIR与SWIR1-RED来区分不同含水率的植被从理论上是可行的。 而对于βSWIR1， 其变化规律在此实验中不是很明显。

图5 不同含水率状况下植被光谱曲线

Fig.5 Vegetation spectrum with multiple levels of vegetation moisture illustrated using the dataset of study area

将SANI， SASI和ANIR三指数引入到植被含水率的反演， 用最小二乘法拟合植被含水量与角度斜率指数之间线性回归函数(图6， 表1)， 选择可决系数R2(coefficient of determination)高， 均方根误差RMSE(root-mean-square error)小的回归模型， 建立角度斜率指数与植被含水量( FMC)之间的转换模型。 可决系数R2指回归方程对测量值的拟合程度， 其取值范围是0到1， 可作为回归值与实际测量值之间线性拟合程度高低度量指标，R2越接近1说明回归值与实际测量值拟合程度越好， 自变量对因变量的解释程度越高， 测量值在回归直线附近越密集，R2越接近于0说明回归直线对观测值的拟合程度越差。 均方根误差RMSE是用来衡量观测值同真值之间的偏差， 其值越小说明观测值同真值之间的偏差越小， 转换模型可信度越高。

从表1可以看出， 不是所有的角度斜率指数都能很好的与植被含水率FMC建立线性回归模型， SANI与FMC线性拟合度较低， 而SASI， ANIR与FMC线性拟合度较高， 之间能建立较好的线性转换模型。

βSWIR1与FMC线性回归拟合度较低(R2=0.086)， 而SANI， SASI与βSWIR1相比， 线性回归拟合度高很多(R2=0.464，R2=0.713)。 从式(2)和式(3)可以看出， SANI， SASI是与斜率指数的乘积， 表明通过斜率指数与角度指数相乘在一定条件下可以提高角度指数与植被含水量的线性回归拟

图6 SANI， SASI， ANIR与植被含水量拟合的线性回归函数

AngleslopeindexTheformularCoefficientofdetermination(R2)RMSEβSWIR1y=0 237x+0 1010 2930 0860 098SANIy=-0 270x+0 5470 6810 4640 075SASIy=0 287x+0 5440 8440 7130 055ANIRy=-0 392x+1 3740 8890 7910 047

合度。 对于直接表示αNIR的ANIR， 可以将其乘以植被在近红外(NIR)光谱反射率的斜率指数， 在理论上有可能也会提高其线性拟合度。

NASI=ANIR×(SWIR1-RED)

(8)

(9)

将NASI，NANI两指数引入到植被含水率的反演， 同样采用最小二乘法拟合线性回归函数(图7)， 并计算可决系数R2与均方根误差RMSE(表2)。 从结果可以看出，NANI与FMC线性拟合效果较理想， 可决系数R2达到0.853， 均方根误差RMSE也只有0.039， 说明NANI比NASI与FMC线性回归拟合度高， 观测值同真值之间的偏差也更小， 线性回归模型可信度也较高；NANI与改进之前ANIR相比， 回归模型的可决系数提高了(从0.791提高到0.853)， 均方根误差减小了(从0.047减小到0.039)。 与Palacios-Orueta等提出的角度斜率指数(SANI，SASI和ANIR)相比，NANI在岷江上游地区反演植被含水量上有一定的优势， 模型可决系数R2从原最高0.791提高到0.853，RMSE也从原最小0.047降低到0.039。 表明FMC与NANI建立的线性回归模型具有更高的拟合度， 观测值同真值之间的偏差也更小， 模型可信度也更高， 对原有角度斜率指数的改进是切实有效的。

植被含水量与改进角度斜率指数NANI的线性回归拟合度最高， 观测值同真值之间的偏差最小， 线性回归模型可

信度也最高。 最终确立研究区植被含水量反演模型为[式(10)]

y=-0.423x+1.279

(10)

式(10)中y为FMC， x为NANI。

图7 改进角度斜率指数NANI， NASI与植被含水量线性拟合

AngleslopeindexTheformularCoefficientofdetermination(R2)RMSENANIy=-0 423x+1 2790 9240 8530 039NASIy=-0 012x+0 7260 0000 0000 102

2.3 反演模型精度评价

对植被含水量反演模型[式(10)]进行精度分析(表3)及显著性检验(表4)， 其结果可以看出， FMC与NANI线性回归模型相关系数(r)达到0.924， 可决系数(R2)达到0.853， 说明该线性模型能很好的反映FMC与NANI之间的关系。 线性模型进行显著性检验(F检验)的结果可以看出，F0为74.910远远大于F0.05(1, 129)临界值3.91(通过查表得)， 回归方程F显著性检验概率为0.000， 即由F检验法可知， 近红外角度归一化指数x与植被含水量y之间的线性关系是极为显著的。

为进一步验证模型精度， 将模型验证组33个实测样本数据带入反演模型， 将计算结果与实测结果进行线性拟合分析(图8)， 线性拟合模型可决系数达到0.876， RMSE为0.033， 说明预测模型能很好地对植被含水量进行预测， 该模型能很好地反映近红外角度归一化指数与植被含水量之间的关系， 且该模型能对研究区植被含水率进行预测。

表3 模型精度分析结果

表4 模型显著性检验结果

3 结 论

通过遥感手段测量大面积范围内植被含水量， 可以很好地满足空间广泛性和时间连续性的要求， 并能克服经济和技术负担等问题。 本文在分析了角度斜率与不同含水量植被的关系的基础上， 将角度斜率指数(SANI， SASI， ANIR)应用于岷江上游地区植被含水量的遥感反演， 结果显示FMC与指数ANIR建立线性回归模型拟合度最高， 其可决系数R2

图8 模型计算结果与实测结果的线性拟合

可达0.791， RMSE可达0.047。 对近红外角度指数ANIR的改进， 提出两种新的角度斜率指数： 近红外角度归一化指数NANI(near infrared angle normalized index)与近红外角度斜率指数NASI(near infrared angle slope index)， 并建立了FMC与NANI， NASI线性回归模型， 其中FMC与NANI线性拟合效果较理想， 可决系数R2达到0.853， 均方根误差RMSE只有0.039， 其拟合度比改进前有一定程度提高。

归纳主要研究成果： (1)在前人研究成果基础上， 提出了两新角度斜率指数NANI和NASI， 丰富了原角度斜率指数； (2)通过对原角度斜率指数的改进， 使其在植被含水量反演上具有更高的精度。

[1] Ceccato P, Gobron N, Flasse S, et al. Remote Sens. Environ., 2002, 82: 188.

[2] Zarco-Tejada P J, Rueda C A, Ustin S L. Remote Sens. Environ., 2003, 85: 109.

[3] Kramer P J. Water Relations of Plants: Academic Press, 1983. 489.

[4] Carter G A. American Journal of Botany, 1991， (7): 916.

[5] Williams C W R A. Journal of the Optical Society of America, 1971， (10): 1316.

[6] LI Yu-xia, YANG Wu-nian, TONG Ling, et al(李玉霞， 杨武年， 童 玲, 等). Acta Optica Sinica (光学学报), 2009， (5): 1403.

[7] ZHANG Jia-hua, XU Yun, YAO Feng-mei, et al(张佳华， 许 云， 姚凤梅, 等). Scientia Sinica Technologica (中国科学: 技术科学), 2010， (10): 1121.

[8] Grace J. Journal of Ecology, 1982， (2): 696.

[9] Garratt C J T A. Applied Optics, 1977， (3): 635.

[10] Bc G, Afh G. Remote Sensing of Environment, 1995, (3): 155.

[11] PAN Pei-fen, YANG Wu-nian, JIAN Ji, et al(潘佩芬， 杨武年， 简 季, 等). Remote Sensing Information(遥感信息), 2013， (3): 69.

[12] PAN Pei-fen, YANG Wu-nian, DAI Xiao-ai(潘佩芬， 杨武年， 戴晓爱). Remote Sensing for Land & Resources(国土资源遥感), 2013， (3): 38.

[13] Tucker C J. Remote Sensing of Environment, 1980， (1): 23.

[14] Khanna S, Palacios-Orueta A, Whiting M L, et al. Remote Sensing of Environment, 2007, 109(2): 154.

[15] Palacios-Orueta A, Susan U. Remote Sensing of Environment, 1996, 57(2): 108.

[16] YU Jun-ming, LAN Chao-zhen, ZHOU Yi, et al(于君明， 蓝朝桢， 周 艺, 等). Geomatics and Information Science of Wuhan University(武汉大学学报·信息科学版), 2009， (2): 210.

[17] ZHANG Wen-hui, LU Tao, ZHOU Jian-yun, et al(张文辉， 卢 涛， 周建云, 等). Acta Botanica Boreali-Occidentalia Sinica(西北植物学报), 2003， (6): 888.

[18] WU Hai-long， YU Xin-xiao， ZHANG Zhen-ming, et al(吴海龙， 余新晓， 张振明, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2014， 34(6): 1615.

*Corresponding author

The Research of Vegetation Water Content Based on Spectrum Analysis and Angle Slope Index

DENG Bing1, YANG Wu-nian1*, MU Nan2， ZHANG Chao1

1. Key Laboratory of Geoscience Spatial Information Technology, Ministry of Land and Resources, Chengdu University of Technology, Chengdu 610059, China

2. Sichuan Institute of Land Planning and Survey, Chengdu 610045, China

Vegetation water content is an important indicator of vegetal state, and a vital parameter of studying agriculture, ecological and hydrological. The diagnosis of vegetation water content has great significance for forest fire forecast and natural vegetation drought condition monitoring. The correlation analysis of the vegetation spectral reflectance and vegetation water content shows that the relativity between the spectral reflectance of different wavelengths and the vegetation water content varies considerably. The spectral reflectance of red band of visible light (620～700 nm) and the near-infrared band(800～1 350, 1 600～1 950, 2 200～2 400 nm) had a higher correlation with the vegetation water content. The slope angle indexes were used as parameters for estimating the vegetation water content based on analyzing the relation between the slope angle indexes and vegetation water content. An evaluation model of vegetation water content was set up by utilizing statistical linear regression model method. The band of 660, 850, 1 630, 2 200 nm were selected as RED, NIR, SWIR1 and SWIR2 band value of the slope angle index based on the analysis of the correlation between spectral reflectance and vegetation water content. A large amount of vegetation spectral information and vegetation water content were collected in the study area(the upstream of Minjiang River), and the linear regression model of the slope angle index (SANI, SASI, ANIR) and vegetation water content (FMC) was build. The linear regression model of ANIR and FMC has the highest of linear fitting and the linearity is up to 0.791. The near infrared angle index(ANIR)was improved on the basis of the analysis the linear regression results of angle slope vegetation index and water content. Near infrared angle normalized index (NANI) and near infrared angle slope index (NASI) were defined, and the linear regression model was established. Compared with the slope angle index (SANI, SASI, ANIR) which were proposed by Palacios-Orueta, NANI had more advantages in the vegetation water content inversion in the study area. The determination coefficient (R2) of the inversion model increased from 0.791 to 0.853, and root-mean-square error (RMSE) reduced from 0.047 to 0.039. Angle slope index had higher linear fitting and estimation accuracy by improving the angle of slope index. NANI and FMC linear regression model was established to estimate the vegetation water content in the study area. In this paper, the main innovation point is that the slope angle index NANI and NASI has been proposed on the basis of predecessors' research results, and the improved angle slope index has higher linear fitting and estimation accuracy compared with SANI, SASI, ANIR.

Spectrum analysis ； Angle slope index； Vegetation water content； The upstream of Minjiang River

Jul. 27, 2015; accepted Nov. 22, 2015)

2015-07-27，

2015-11-22

国家自然科学基金项目(41071265， 41372340)资助

邓 兵， 1987年生， 成都理工大学博士研究生 e-mail： dengbing2000@163.com *通讯联系人 e-mail： ywn@cdut.edu.cn

TP79

A

10.3964/j.issn.1000-0593(2016)08-2546-07