基于遥感数据的净月潭公园植被冠层叶片含水率反演

孙拱 邢涛 邢艳秋 黄佳鹏

摘 要：植被冠层含水率是研究全球水循环中的重要参数之一。为了解决大范围、全天候获取植被冠层含水率的问题，本研究以长春净月潭公园植被冠层含水率为研究对象，采用Landsat8 OLI和Sentinel-1A数据，选取NDVI、NDMI、RVI和基于雷达数据构建的SARI1、SARI2、SARI3等6种植被指数，结合实测净月潭公园植被冠层含水率，通过一元线性回归、指数回归和二元线性回归等的方法建立经验模型，得到净月潭公园区域植被冠层含水率反演结果。实验结果为：二元线性回归反演模型决定系数（R2）均大于0.8，利用NDVI-NDMI与植被冠层含水率建立的反演模型决定系数（R2）为0.878，SARI3与植被冠层含水率建立的反演模型决定系数（R2）均大于0.6。实验结果表明：NDVI-NDMI的二元线性回归模型能较好的运用于植被冠层含水率的反演中，同时雷达数据在植被冠层含水率反演中有一定价值，对于多光谱数据是一个不错的补充。

关键词：植被冠层含水率;遥感数据;植被指数;模型反演;经验模型

中图分类号：S762.1    文献标识码：A   文章编号：1006-8023（2019）05-0032-07

Abstract：Vegetation canopy water content is one of the important parameters in the study of the global water cycle. In order to solve the problem of obtaining vegetation canopy water content in large-scale and all-weather， this study studied the vegetation canopy water content of Changchun Jingyuetan Park using Landsat8 OLI and Sentinel-1A data， selected 6 vegetation indexes including NDVI， NDMI， RVI and SARI1， SARI2， SARI3 based on radar data. Combined with the measured vegetation canopy water content of Jingyuetan Park， the empirical model was established by means of linear regression， exponential regression and binary linear regression， and the inversion results of vegetation canopy water content in Jingyuetan Park were obtained. The results were as follows： the coefficient of determination （R2） of the binary linear regression inversion model was greater than 0.8， and the inversion model determined by NDVI-NDMI and vegetation canopy water content coefficient （R2） was 0.878， and the determination coefficient （R2） of the inversion model established by SARI3 and vegetation canopy water content was greater than 0.6. The experimental results showed that the binary linear regression model of NDVI-NDMI can be applied to the inversion of vegetation canopy water content， and the radar data has certain value in the inversion of vegetation canopy water content， which is a good supplement for multi-spectral data.

Keywords：Vegetation canopy water content; remote sensing data; vegetation index; model inversion; empirical model

0 引言

植被冠層含水率（Vegetation Canopy Water Content，VCWC）是林业、水文研究的重要参数，在全球的水循环中占有重要的作用，森林冠层含水率的监测可用于植被长势的评估，也为森林火灾的预警提供新的途径[1]。因此，大范围的植被冠层含水率监测有着重要的现实意义和科学价值。

现有的遥感手段反演植被冠层含水率主要有基于多光谱数据的植被指数法和基于雷达数据的介电常数法[2-3]。基于多光谱数据的植被指数法是利用不同波段对植被冠层含水率光谱反射率的差异性，通过建立植被指数，将植被冠层含水率与地物光谱反射率相关联。闻熠等人基于ASTER数据利用植被指数法对黑河中游植被冠层含水率进行反演，得到较好的反演精度[4]。利用微波数据反演植被冠层含水率的原理是雷达数据中的后向散射信息与地物的介电常数直接相关，而植被冠层含水率又直接影响介电常数。据此，Moghaddam等人提出了应用雷达数据实现植被冠层含水率反演的方法[5]。基于多光谱数据的植被指数法是基于植被的光谱反射特性建立的，因此在特定种类的植被冠层含水率反演上具有较高的精度，该方法的缺点在于多光谱数据受到气候条件影响严重在天气状况不好时无法有效的获取数据。基于雷达数据的介电常数法是通过地物介电常数将雷达数据的后向散射系数与植被冠层含水率相关联，实现植被冠层含水率反演。该方法的优点在于雷达数据获取不受气候等条件影响，该方法缺点在于雷达数据存在较多的噪声点无法直观的表达地物信息。

基于此，本研究结合两种遥感数据的优点，通过Sentinel-1A和Landsat8 OLI数据，基于3种常用的植被指数和基于雷达数据建立的植被指数，先对各植被指数与植被冠层含水率之间进行相关性分析，然后采用一元线性回归、指数回归和二元线性回归等方法，建立了植被冠层含水率反演模型。通过分析对比不同的植被冠层含水率模型，选出其中最优的模型对长春净月潭区域植被冠层含水率进行反演。

1 研究数据与研究方法

1.1 研究区简介

研究区的地点为吉林省长春市净月潭森林公园，位于长春市建成区东南9 km，东经125°25′52″-125°30′35″，北纬43°45′-43°48′18″，总面积112 km2。净月潭公园森林面积60 km2，人工林占地达到56 km2，主要树种为樟子松（Pinus）、长白落叶松（Lolgensis）、黑皮油松（nigrum Chinese abiete）、冷杉（Abies fabri Craib）和水曲柳（Cinis）等。

1.2 地面实测数据

通过高分辨率影像观察研究区空间分布特征，本研究在2017年9月15日至22日，在研究区内随机选取了50块样地进行测量，样方大小为20 m×20 m的正方形，样点位置及分布情况如图1所示。在数据采集时通过使用手持GPS接收机记录样地的中心位置。对研究区中的每块样地采集优势树种的冠层样本，数据采集期间天气状况良好。

样本的数据处理主要分以下3个步骤：①鲜重测量：在样本点将采集到的植被冠层放入事先编号并称重的塑料袋中密封，带回室内去除冠层的枝干，保留植被叶片部分放入塑料袋中，使用精度为1 mg的电子秤进行称重，并将称得重量减去塑料袋的重量记为冠层鲜重。②干重测量：将叶片放入牛皮纸袋密封，在75 ℃的烘干箱中将叶片连续烘烤10个小时，连袋一起使用电子秤测量，减去纸袋重量得到冠层干重。③冠层含水率计算：通过公式（3）计算得到植被冠层含水率。

1.3 遥感数据及预处理

实验使用了Landsat8 OLI和Sentinel-1A两种类型的遥感数据，获取的时间分别为2017年9月22号和2017年9月25日，基本上与地面实测数据时间同步。对Landsat8 OLI数据，本研究采用了ENVI进行了预处理，包括数据融合、辐射定标和FLASSH大气校正，最后得到地表反射率数据产品，分辨率为15 m×15 m，处理后数据如图2（a）所示。对Sentinel-1A数据，本研究采用GAMMA进行了预处理，包括多视处理、滤波处理、地理编码和分贝计量等，最后得到以分贝表示的地表后向散射系数，分辨率为40 m×40 m处理后的数据如图2（b）所示。

1.4 研究方法

为了研究植被冠层含水率，研究人员提出了多种评价标准，常见的植被冠层含水率表示方式有三种[6]，分别是等效水深（Equivalent Water Thickness，EWT）、相对含水率（Relative Water Content，RWC）、叶片含水率（Fuel Moisture Content，FMC），见公式（1）-公式（3）。

EWT=（FW-DW）A。（1）

RWC=（FW-DW）（TW-DW）。 （2）

FMC=（FW-DW）FW×100%。 （3）

式中：FW表示叶片鲜重;DW表示叶片干重;TW表示叶片饱和鲜重;A表示叶面面积。EWT、RWC和FMC是表征植被冠层含水率的三个不相关量，基于实验数据的获取情况，本研究中采取的植被冠层含水率为FMC。

以植被指数为自变量，利用植被冠层光谱反射特征，通过植被冠层含水率与植被指数的经验回归关系估算植被冠层含水率，这种方法是现今较常用的一种反演植被冠层含水率的建模方法。参考已有的植被指数[7]，本研究中选择了归一化差值植被指数（Normalized Difference Vegetation Index，NDVI）、归一化湿度指数（Normalized Difference Moisture Index， NDMI）和比值植被指数（Ratio Vegetation Index，RVI）等三种常见的植被指数[8]，同时利用雷达数据建立了SARI1、SARI2和SARI3等3種新的植被指数进行对比分析（表1）。

结合上述的6种植被指数，为确定这6种植被指数与植被冠层含水率之间的相关性。本研究首先对各植被指数与植被冠层含水率之间进行了Spearman相关系数的计算。通过计算得到相关系数的结果，剔除与植被冠层含水率相关性较低的植被指数，对相关性较高的植被指数进行主成分分析，并提取主成分析的第一主成分。最后利用各植被指数和主成分分析的第一主成分与植被冠层含水率通过回归分析建立经验模型，实现植被冠层含水率的反演。本研究根据回归模型的类型首先选取了一元线性回归模型和指数回归模型[9]，然后根据自变量和因变量的对应关系又选取了二元线性回归模型[10]，对植被冠层含水率与植被指数之间进行了回归分析。回归模型见表2。

2 实验结果与分析

为了选取最优的植被指数对长春净月潭区域植被冠层含水率进行反演，本研究首先通过Landsat8 OLI和Sentinel-1A数据对RVI、NDVI、NDMI、SARI1、SARI2、SARI3等植被指数进行计算，并根据各样地点的位置信息提取出了各样地点对应的植被指数。然后计算了6种植被指数和样地实测植被冠层含水率相互之间的相关关系，根据相关关系选取相关性较强的几种植被指数进行主成分分析，并将其中第一主成分作为参数参与植被冠层含水率反演。最后对各种植被指数参数与实测植被冠层含水率进行一元线性回归分析、指数回归分析和二元线性回归分析。

2.1 相关性分析

为了研究植被指数与植被冠层含水率之间的相关关系，本研究将6种植被指数与植被冠层含水率之间进行相关性分析。本研究采用Spearman相关系数来进行相关性分析（表3）。由表3可以看出，植被冠层含水率与NDVI、NDMI、RVI、SARI2、SARI3之间的相关性较高，且这5种植被指数之间相关性较高，为了获取一个最优解，本研究中将这5种植被指数进行主成分分析，并将第一主成分分量作为变量与植被指数一起对植被冠层含水率进行回归分析，为了便于叙述，将主成分分量命名为VSI。植被冠层含水率与SARI1之间呈负相关关系，由于其相关性较低，在后续的研究中将SARI1剔除。

2.2 回归分析

为了研究NDVI、NDMI、RVI、SARI2、SARI3、VSI分别与植被冠层含水率之间的关系，本研究先对植被冠层含水率与6种植被指数进行一元线性回归分析，得到回归模型、决定系数（R2）、F检验统计量和F检验显著性（表4）。

对于回归分析方法，按回归模型的类型可划分为线性回归模型和非线性回归模型。除表4中线性关系外，植被冠层含水率还可能与植被指数之间存在非线性关系。为了进一步的探究植被冠层含水率与植被指数的相关关系，本研究对上述6种植被指数进行指数分析，得到指数回归模型、决定系数（R2）、F检验统计量和F检验显著性（表5）。

为了更为直观的比较一元线性回归模型与指数回归模型，图3展示了植被冠层含水率与植被指数间的散点图。

对于回归分析方法，按回归模型的因变量与自变量之间的对应关系还可以划分为一元回归模型和多元回归模型。结合各植被指数之间的相关关系，由于NDVI、RVI、SARI2、SARI3之间的相关性较强，而这4种植被指数与NDMI之间的相关性相对较弱，本研究利用NDVI-NDMI、RVI-NDMI、SARI2-NDMI、SARI3-NDMI以及VSI-NDMI与植被冠层含水率建立二元线性回归模型，得到指数回归模型、调整复测定系数（调整R2）、F检验统计量和F检验显著性（表6）

2.3 结果与分析

由表3中可以看出，NDVI、NDMI、RVI、SARI2、SARI3与植被冠层含水率之间呈正相关，SARI1与植被冠层含水率之间呈负相关。其中NDVI、NDMI、RVI、SARI2、SARI3与植被冠层含水率之间的相关系数均大于0.7，并且在0.01的显著水平上通过双尾显著性检验，说明这5种植被指数与植被冠层含水率之间具有较好的相关性，可用于植被冠层含水率的反演。这与韩晓勇[10]在植被指数与植被冠层含水率间的相关关系研究结果具有一致性。

由表4中结果可以看出，NDVI、NDMI、RVI、SARI3、VSI与植被冠层含水率反演模型的决定系数（R2）均大于0.6，并且在0.01显著性水平上通过F检验，说明这5种植被指数与植被冠层含水率之间存在着良好的线性关系，其中FMC-NDMI和FMC-VSI反演模型的决定系数（R2）达到0.8以上，这两种线性回归模型可以较好的用于植被冠层含水率的反演。对比表4与表5可以看出，利用指数回归分析植被冠层含水率与植被指数之间的关系中，NDVI、SARI2、SARI3、VSI与植被冠层含水率建立反演模型中的决定系数（R2）在增大，说明植被冠层含水率与这4种植被指数间呈指数函数关系。而NDMI、RVI与植被冠层含水率建立反演模型中的决定系数（R2）在减小，说明植被冠层含水率与这两种植被指数间的指数关系与线性关系比较弱。通过图3中植被指数与植被冠层含水率的散点图分布可以看出，反演精度较高的点集中在植被冠层含水率为0.6附近，这与张海威[11]等在被指数对不同植被冠层含水率上反演精度的研究相一致。由表5可以看出，NDVI-NDMI、RVI-NDMI、SARI2-NDMI、SARI3-NDMI和VSI-NDMI等通过二元线性回归建立反演模型的决定系数（R2）均大于0.8，并且在0.01显著性水平上通过F检验，并且通过对比表4-表6的结果发现，不同的植被指数在二元线性回归建立的反演模型上相对于一元线性回归模型和指数回归模型的决定系数（R2）均有一定程度的提升。说明二元线性回归反演植被冠层含水率优于一元线性回归模型和指数回归模型。在二元线性回归模型中，由NDVI-NDMI构建的反演模型最优，其决定系数（R2）为0.878。

對比表4-表6的结果可以看出，针对雷达数据提出的SARI2与SARI3植被指数建立的反演模型中，SARI3模型的决定系数（R2）均大于SARI2模型，说明VH数据在植被冠层含水率反演中的效果要优于VV数据。

由表4-表6的结果可以看出，采用SARI3建立反演模型的决定系数均大于0.6，说明雷达数据能较好的运用于植被冠层含水率的反演中，雷达数据对于多光谱数据在植被冠层含水率的反演中是一个较好的补充。

本研究利用决定系数（R2）最高的NDVI-NDMI二元线性回归模型对长春净月潭区域植被冠层含水率进行了反演（图4）。由图4的长春净月潭植被冠层含水率反演结果中可以看出，长春净月潭区域植被冠层含水率主要分布在0.5～0.8，与实地测量结果吻合。图中蓝色区域为净月潭水体部分，红色区域为植被冠层含水率较低的区域，主要集中在山的阴坡面。野外调查的时间为9月底，正好是落叶林的叶片开始掉落的时间，而图中整体植被冠层含水率偏低正好相吻合。

3 结论与讨论

本研究通过Sentinel-1A和Landsat8 OLI数据，首先计算传统的植被指数以及参考传统植被指数建立基于雷达数据的植被指数，然后将不同的植被指数与植被冠层含水率进行相关性分析，根据相关性分析的结果对植被指数进行主成分分析，最后结合植被指数和相关性分析得出第一主成分，通过一元线性回归、指数回归和二元线性回归等方法，实现对长春净月潭区域植被冠层含水率的反演。结果表明：

（1）NDVI、NDMI、RVI、SARI2、SARI3这5种植被指数与植被冠层含水率之间具有较好的相关性，可用于植被冠层含水率的反演。

（2）NDVI-NDMI二元线性回归反演模型可较好的对长春净月潭区域植被冠层含水率进行反演。

（3）SARI2和SARI3建立的反演模型中，SARI3反演模型的决定系数（R2）均大于SARI2反演模型，说明VH数据在植被冠层含水率反演中的效果要优于VV数据。

（4）SARI3反演模型的决定系数（R2）均达到0.6以上，说明雷达数据在植被冠层含水率的反演中有一定价值，对于多光谱数据是一个较好的补充。

本研究在过程中仅针对6种植被指数进行反演，由于Landsat8 OLI数据波段限制并未对雷达数据组合形成更多的植被指数，在雷达数据反演植被冠层含水率中，可能由于建模方式的局限性，导致模型决定系数（R2）偏低，在今后的研究中应进一步研究，提高雷达数据在植被冠层含水率反演中的反演精度，为应对不同气候条件下植被冠层含水率的反演提供新思路。

【参 考 文 献】

[1]肖化顺，张贵，符朝曦，等.基于温度植被干旱指数的湖南省林地干旱反演研究[J].中南林业科技大学学报，2018，38（7）：8-13.

XIAO H S， ZHANG G， FU Z X， et al. Forestry drought inversion based on temperature vegetation drought index in Hunan province[J]. Journal of Central South University of Forestry and Technology， 2018， 38（7）：8-13.

[2]ZHANG L J， MA H Z， ZHU X B， et al. Retrieval of vegetation canopy water content based on spectral index method[J]. Applied Mechanics and Materials， 2013，295-298：2446-2450.

[3]HUNT E R， DAUGHTRY C S T， QU J J， et al. Comparison of hyperspectral retrievals with vegetation water indices for leaf and canopy water content[J]. Proceedings of SPIE - The International Society for Optical Engineering， 2011， 8156：5.

[4]聞熠，黄春林，卢玲，等.基于ASTER数据黑河中游植被含水量反演研究[J].遥感技术与应用，2015，30（5）：876-883.

WEN Y， HUANG C L， LU L， et al. The retrieval of vegetation water content based on ASTER images in middle of Heihe River Basin[J]. Remote Sensing Technology and Application， 2015， 30（5）：876-883.

[5]USTIN S L， RIANO D， HUNT E R. Estimating canopy water content from spectroscopy[J]. Israel Journal of Plant Sciences， 2012， 60（1）：9-23.

[6]MAFFEI C， LEONE A P， VELLA M， et al. Retrieval of vegetation moisture indicators for dynamic fire risk assessment with simulated MODIS radiance[C]. IEEE International Geoscience & Remote Sensing Symposium， 2007：4648-4651.

[7]GLENN E P， NAGLER P L， HUETE A R. Vegetation index methods for estimating evapotranspiration by remote sensing[J]. Surveys in Geophysics， 2010， 31（6）：531-555.

[8]CHEN D Y， HUANG J F， JACKSON T J. Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands[J]. Remote Sensing of Environment， 2005， 98（2）：225-236.

[9]丰明博，牛铮.基于经验模型的Hyperion数据植被叶绿素含量反演[J].国土资源遥感，2014，26（1）：71-77.

FENG M B， NIU Z. Chlorophyll content retrieve of vegetation using Hyperion data based on empirical models[J]. Remote Sensing for Land and Resources， 2014， 26（1）：71-77.

[10]韩晓勇.基于MODIS和地物光谱的植被水分定量遥感研究——以大兴安岭林区为例[D].西安：长安大学，2009.

HAN X Y. Quantitative study on estimation of vegetation water based on MODIS data and canopy spectra of vegetation - a case study in the Greater Hinggan Mountains forested areas[D]. Xian： Changan University， 2009.

[11]张海威，张飞，张贤龙，等.光谱指数的植被叶片含水量反演[J].光谱学与光谱分析，2018，38（5）：218-224.

ZHANG H W， ZHANG F， ZHANG X L， et al. Inversion of vegetation leaf water content based on spectral index[J]. Spectroscopy and Spectral Analysis， 2018， 38（5）：218-224.