中国北方作物和草地LAI全球产品的精度评价

2020-07-15 08:34李洪墩杨飞杨洁刘丽峰
关键词:实测值叶面积反演

李洪墩,杨飞,杨洁,刘丽峰

中国北方作物和草地LAI全球产品的精度评价

李洪墩1,杨飞2,杨洁3,刘丽峰4*

1. 山东正元数字城市建设有限公司, 山东 烟台 264000 2. 中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室, 北京 100101 3. 山东农业科学院农业可持续发展研究所, 山东 济南 250100 4. 山东理工大学, 山东 淄博 250100

叶面积指数(Leaf area index, LAI)是陆地表层的生态系统、农业生产、水热能量平衡及全球气候变化等等模型中的关键参量之一。目前已有多种的全球LAI遥感产品,科学评价和对比这些LAI产品精度是准确使用这些数据的重要基础。本研究基于多个时期的地面实测LAI数据和Landsat TM、HJCCD影像数据,对中国北方重要的植被类型玉米、冬小麦和草地的GLOBMAP的LAI数据精度进行验证评价,并将其与MODIS、GEOV1产品进行比较。研究结果表明,在玉米的整个生长季过程中,与MODIS、GEOV1 LAI产品相比较,GLOBMAP LAI产品值与地面实测值、TM影像估算LAI值都更为接近。冬小麦GLOBMAP LAI产品明显低于实际值、HJCCD估算LAI值,冬小麦GLOBMAP LAI产品值较实测值低约2~5左右。草地GLOBMAP LAI值精度不高,其与实测值拟合2仅为0.231,比HJCCD影像估算值低0.6~2左右。三种全球LAI产品比较而言,GLOBMAP与MODIS LAI产品值相对较为接近,两者都明显低于GEOV1 LAI产品值,但三种LAI产品都较好刻画了玉米和冬小麦冠层LAI的生长变化过程。本研究可为LAI全球遥感产品准确应用、产品算法改进、精度提高提供科学参考。

叶面积指数; GLOBMAP; 精度评价

植被叶面积指数(Leaf area index, LAI)直接影响陆地表面植被群落的光分布、光能利用和生产力,影响着地表和大气之间的相互作用和水热能量平衡,因此叶面积指数已成为生态系统研究最重要的结构参数之一[1]。叶面积指数基本上被定义为单位地面面积上的叶片单面面积[2-7]。

遥感数据是一种获取全球尺度全天候连续观测LAI的重要数据源。国内外利用遥感手段对LAI估算已经展开大量研究,常用方法是利用植被指数估算[8]、几何和物理模型反演、半经验估算[3]等。植被指数和半经验方法应用上简单方便,但具有明显的区域适用性;几何和物理模型理论基础完善,模型参数具有明确的物理意义,首先解决生物物理参数与反射率相互作用过程,然后再利用卫星反射率数据和反演模型来估算这些生物物理参数,几何和物理模型需要输入较多的参数,参数全面获取有一定的难度,模型计算较为复杂,这在一定程度上限制了它的应用;因此也有将多种模型混合使用以提高LAI反演精度[9-11]。

国内外已生产并发布多种全球范围LAI遥感反演产品,如MODIS、GLOBCARBON, GLOBMAP等,并逐渐被广泛应用于科学研究和生产实践中。但由于全球LAI遥感产品的空间分辨率较低,产品精度仍需大量验证。至今,国内外在森林、草地、作物等主要植被覆盖类型的LAI产品精度验证工作已经取得显著进展,主要集中于LAI产品的精度评价、影响因素分析、算法改进等[10-16]。

GLOBMAP是一种重要的全球的LAI再分析产品之一,它提供1981年至今的较长时间序列的LAI产品,它由MODIS和AVHRR数据定量融合得来,主要基于重叠时期拟合每个像元的LAI与NDVI之间的拟合关系,进而结合AVHRR NDVI数据计算得到1981-2000年的LAI数据,GLOBMAP LAI产品仍需大量的精度验证和评价工作[17,18]。

本研究基于地面实测叶面积指数数据和TM、环境星(HJCCD传感器)遥感影像,分别对东北平原的玉米、华北平原的冬小麦及呼伦贝尔草原的草地的GLOBMAP LAI产品精度进行验证,并将其与MODIS、GEOV1 LAI产品进行对比分析,为LAI全球产品在中国农业生产、生态环境评估及全球碳循环等应用提供科学参考。

1 数据与方法

1.1 研究区概况

东北平原是国家重要的粮食基地,玉米是该区域最主要的农作物和土地覆被类型。华北平原是我国最重要的传统冬小麦种植区域和生产基地。呼伦贝尔草原是世界著名的草原之一,是典型的草甸草原。本文选择吉林省长春市野外大田玉米、山东省滨州、德州、聊城和济宁市的冬小麦、内蒙古自治区呼伦贝尔盟的草地为主要研究区进行GLOBMAP LAI产品精度评价(见图1)。

1.2 数据获取与处理

吉林省地区玉米的生长周期约在每年5月底至9月底;山东省冬小麦的生长周期约在每年10月底至次年的6月初;内蒙古呼伦贝尔草地的生长周期约在每年6月初至10月底。为准确获取地面实测的LAI数据资料,本文对每个1000 m×1000 m象元大小范围的样地多次重复测量,在样地内采集3个、5个或9个样本点数据,取平均作为验证参考数据。地面实测数据获取时期和实测方案见表1。

表 1 LAI数据地面实测时期和实测方案表

注:日期20070626代表2007年6月26日,其他日期类似。Note: date 20070626 indicates June 26 2007, the same as other dates.

吉林省长春市的玉米LAI、山东省聊城和德州市冬小麦LAI的测定是采用LI-COR公司生产的LAI-2000植被冠层分析仪进行。测量具体时间选择在当日6:30~9:00或16:30~19:00,以尽量避免因太阳光线的直射而引起的测量误差。LAI-2000设置为1个天空光,6个测量目标值,探头佩带45°张角的镜头盖(cap)。测量时,从第一垄玉米开始沿与垄呈45°角度方向向前,逐渐向第二垄方向移动,当移至第二垄时再转而移向第一垄,继续向前(也与垄呈45°角),共记录6个测量值,取平均值用于验证分析。

内蒙古的呼伦贝尔地区草地LAI是利用AccuPAR (LP-80, PAR/LAI Ceptometer, Decagon Devices, Inc., Pullman, WA)来测量。它探头中包括80个光合有效辐射光量子传感器,每两个传感器的分布间隔为1 cm,用于接收环境光照中光合有效辐射部分的变化,仪器可以计算天顶角、叶角分布参数和冠层上下光合有效辐射的比率,进而计算植被冠层的LAI值。

山东省滨州和济宁市的冬小麦叶面积指数测量采用收割后量测的途径获取得到。在每个样地收割3垄(各50 cm长)小麦后,随机摘取50棵小麦的叶子平铺在桌面上,用尺子量测每片叶子的长和宽、并乘以系数0.83得到每片叶子的面积。最后,叶面积指数由下面公式计算得到:

=*/ (* 50) (1)

式中,是样地收割的小麦总棵数,是样地收割面积(cm2),是50棵冬小麦叶片总面积。

GLOBMAP LAI数据从网站http://www.globalmapping.org/globalLAI/中下载得到,MODIS LAI数据从网站http://reverb.echo.nasa.gov/reverb下载得到,GEOV1 LAI亚洲区域数据从网站http://www.geoland2.eu下载得到,均分别获取2006-2012年间的各时期数据。

HJ-1A CCD 和TM影像分别从网站http://www.cresda.com/n16/index.html和http://glovis.usgs.gov/获取。本研究共获取到长春地区2007年8月29日、2008年8月15日的Landsat TM影像,获取到山东聊城和德州部分地区的2010年4月7日、5月12日的HJ1A-CCD影像,获取到内蒙古呼伦贝尔地区2009年8月8日、2012年7月15日的HJ1A-CCD影像数据。HJ-1A CCD和TM遥感影像均经过严格的辐射校正、大气校正和几何校正,详细处理过程可参考前期研究[18]。

1.3 精度评价指标

为清晰量化GLOBMAP LAI产品精度,本文利用拟合回归确定性系数2、均方根误差RMSE (Root Mean Squared Error)、误差()作为评价指标:

式中:(,)是协方根误差,()、()分别为自变量、的标准差,YY分别为估算的、实测的LAI值,是样本数,E-CCD为GLOBMAP LAI数据与TM或HJCCD影像反演LAI比较的误差,LAI-CCD是TM或HJCCD反演的LAI值,LAI是GLOBMAP LAI产品值。

2 结果与分析

2.1 GLOBMAP LAI地面实测数据验证

地面实测样点数据是全球LAI遥感产品精度验证的重要途径和数据源,本研究中基于对吉林省长春玉米、山东省聊城等小麦、内蒙古呼伦贝尔地区草地的多时期、多样本、多次重复取平均的实测数据作为LAI产品的验证值,最大程度地保证了实测数据的可靠性。

图2中展示了玉米、冬小麦、草地的实测LAI值与GLOBMAP产品LAI值的相关关系。在玉米主要生长时期内,GLOBMAP LAI产品值与玉米LAI实测值较为接近,2为0.654,斜率为0.943。在冬小麦主要生长时期内,GLOBMAP LAI值都显著低于实测值,2为0.387,斜率为0.346,GLOBMAP LAI值大都小于4,而山东地区的冬小麦实际LAI值可达6以上,特别是小麦LAI值在灌浆期之后大都高于4。呼伦贝尔研究地区的草地LAI值一般都在1.5以下,其与GLOBMAP LAI与实测值拟合2仅为0.231,可看出该地区草地LAI遥感产品反演效果不理想。

图 2 基于实测LAI数据的GLOBMAP LAI产品验证

2.2 多种LAI产品的时序比较分析

本研究基于定点、多期实测LAI来评价GLOBMAP LAI产品时序变化的精度,并将GLOBMAP LAI与MODIS、GEOV1 LAI产品进行对比分析(如图3)。由于缺乏草地长时间序列实测值,本研究仅对玉米和小麦LAI产品进行时间序列验证分析。

由图3可知,长春地区玉米GLOBMAP LAI值介于MODIS和GEOV1 LAI产品值之间,但GEOV1 LAI有时会高估实际LAI值,MODIS LAI值则大都低估实际LAI值,GLOBMAP LAI值相对较为接近于玉米实际LAI值。从图3中与山东济宁和滨州地区多时相冬小麦LAI实测结果对比分析发现,GLOBMAP、MODIS、GEOV1三种LAI产品在冬小麦返青后的都显著小于冬小麦实测LAI值(三种产品LAI基本都小于4,而实际LAI值可达5以上)。

总体来说,GLOBMAP和MODIS LAI值较为接近,但都明显小于GEOV1 LAI产品值。

图3 基于实测数据的GLOBMAP LAI时间序列产品验证

2.3 基于TM和HJCCD影像的GLOBMAP LAI数据验证

2.3.1 基于TM和HJCCD影像估算LAI模型建立为进一步降低实测样点与LAI产品之间的尺度差异,本文中也利用TM和HJCCD中高分辨率遥感影像估算LAI来评价GLOBMAP LAI产品精度(图4)。由图可看出,玉米、冬小麦和草地的实测LAI与TM、HJCCD的NDVI都呈较好的指数关系,拟合决定性系数2分别达到0.894、0.736、0.639,进而利用该拟合结果计算玉米、冬小麦和草地LAI的空间分布。

图4 TM和HJCCD估算LAI的模型

2.3.2 基于TM和HJCCD影像估算LAI 的GLOBMAP LAI产品精度评价图5展示了TM和HJCCD遥感影像估算LAI值与GLOBMAP产品的差异,由图可看出,长春玉米LAI估算值与GLOBMAP LAI产品值间的差异主要在-1到2之间。长春地区玉米生长周期在每年5月底至9月底,在8月15日玉米LAI值处于较高值,GLOBMAP LAI值在该时期大都低于TM影像估算值;在8月29日玉米LAI有所下降,GLOBMAP LAI值则与实测值较为接近。

图5c和5d中看出,冬小麦GLOBMAP LAI值在4月和5月份都明显低于HJCCD影像估算LAI值,两者差异一般在2~5之间;其中在一些冬小麦面积种植比例较小的混合象元中,如城镇工矿地区,两者之间差异主要在1~2之间,由此可见混合象元对高植被覆盖度地区的GLOBMAP LAI产品精度影响作用显著。

图5e和5f中,草地GLOBMAP LAI值也明显低于HJCCD估算LAI值,一般低估0.1~1.5,且在草地覆盖度较高地区,GLOBMAP LAI低估更多。

图 5 TM和HJCCD估算LAI值与GLOBMAP LAI产品差异

3 结论与讨论

通过本研究可看出,作物和草地的遥感反演LAI全球产品与实际值总体仍有显著差异,全球LAI遥感产品在区域范围内进行定量分析等应用中,非常有必要对其进行产品评估以确定其误差范围。LAI产品精度因植被种类不同而迥然不同,总体来讲,玉米GLOBMAP LAI产品值与实测值较为接近,而冬小麦和草地GLOBMAP LAI值则显著低估实际值;草地GLOBMAP LAI产品较其实际值约低估0.6~2左右,而冬小麦GLOBMAP LAI产品较其实际值大都约低估2~5左右。作物和草地的不同生长阶段,LAI全球产品所表现出的精度差异也很显著,在LAI较小的生长初期,LAI全球产品值与实测值大都比较接近;但在生长中后期,LAI全球产品值则大都显著低于实测值。不同LAI遥感产品精度差别显著,GLOBMAP LAI与MODIS LAI产品值相对较为接近,两者都明显低于GEOV1 LAI产品值,但三种LAI全球产品都能够较好地刻画玉米和冬小麦冠层LAI的生长变化过程。

虽然冬小麦和草地的植被冠层结构较为接近,国内外全球LAI产品遥感反演中也时而将两种植被归为同一土地覆被类型,但事实上冬小麦远比草地生长密度要大,因此冬小麦的高密度种植对其LAI遥感反演精度产生严重影响,致使冬小麦实际LAI值显著高于遥感反演的LAI产品值。在经验模型中,植被覆盖度较高引起的植被指数饱和现象直接影响冬小麦LAI准确估算,而在大部分物理模型中,难以考虑到冬小麦的高密度种植。因此,针对冬小麦这种高密度种植作物,物理反演模型和经验模型在反演LAI时,都需做进一步的修正改进。另外,本研究地面实测数据方法不一致可能会对LAI值稍有影响,这在本研究中尚未进行评价,这在以后研究中仍需进一步甄别;本研究仅对玉米、冬小麦和草地这三种典型植被进行GLOBMAP LAI产品精度评价,对于森林、湿地等其它土地覆被类型或复杂陆表下垫面的LAI产品精度仍需进一步验证。

[1] Cohen W, Maiersperger T, Yang Z,Comparisons of land cover and LAI estimates derived from ETM+ and MODIS for four sites in North America: A quality assessment of 2000/2001 provisional MODIS products [J]. Remote Sensing of Environment, 2003,88:233-255

[2] Muhammad A, Carsten M, Stadler A,. Estimation and Validation of RapidEye-Based Time-Series of Leaf Area Index for Winter Wheat in the Rur Catchment (Germany) [J]. Remote Sensing, 2015,7(3):2808-2831

[3] Bacour C, Baret F, Beal D,. Neural network estimation ofandC, from top of canopy MERIS reflectance data: Principles and validation [J]. Remote Sensing of Environment, 2006,105(4):313-325

[4] Baret F, Hagolle O, Geiger B,.,andCYCLOPES global products derived from VEGETATION, Part 1: Principles of the algorithm [J]. Remote Sensing of Environment, 2007,110:275-286

[5] Baret F, Weiss M, Lacaze R,. GEOV1:andessential climate variables andglobal time series capitalizing over existing products. Part1: Principles of development and production [J]. Romote Sensing of Environment, 2013,137:299-309

[6] Camacho F, Cernicharo J, Lacaze R,.:,essential climate variables andglobal time series capitalizing over existing products. Part 2: Validation and intercomparison with reference products [J]. Remote Sensing of Environment, 2013,137:310-329

[7] Chen J, Black T. Defining leaf area index for non-flat leaves [J]. Plant, Cell & Environment, 1992,15:421-429

[8] Chen J, Cihlar J. Retrieving leaf area index of boreal conifer forests using Landsat TM images [J]. Remote Sensing of Environment, 1996,55:153-162

[9] Claverie M, Vermote EF, Weiss M,. Validation of coarse spatial resolutionandtime series over cropland in southwest France [J]. Remote Sensing of Environment, 2013,139:216-230

[10] De Kauwe MG, Disney MI, Quaife T,. An assessment of thecollection 5 leaf area index product for a region of mixed coniferous forest [J]. Remote Sensing of Environment, 2011,115:767-780

[11] Chen J, Pavlic G, Brown L,. Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements [J]. Remote Sensing of Environment, 2002,80:165-184

[12] Claverie M, Vermote EF, Weiss M,. Validation of coarse spatial resolution LAI and FAPAR time series over cropland in southwest France [J]. Remote Sensing of Environment, 2013,139:216-230

[13] Yang F, Yang J, Wang JL,. Assessment and Validation ofandwith Ground-Measured Data and an Analysis of the Effect of Residential Area in Mixed Pixel [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,8:763-774

[14] 杨飞,孙九林,姚作芳,等.基于PROSAIL物理模型和TM影像的MODIS农作物LAI产品精度验证[J].农业工程学 报,2010,26(4):192-197

[15] 向阳,肖志强,梁顺林,等.GLASS叶面积指数产品验证[J].遥感学报,2014,18(3):573-596

[16] Jin HA, Li AN, Bia JH,. Intercomparison and validation ofand GLASS leaf area index () products over mountain areas: A case study in southwestern China [J]. International Journal of Applied Earth Observations and Geoinformation, 2017, 55:52-67

[17] Deng F, Chen M, Plummer S,Algorithm for global leaf area index retrieval using satellite imagery [J]. Geoscience and Remote Sensing, IEEE Transactions on, 2006,44:2219-2229

[18] Liu Y, Liu RG, Chen JM. Retrospective retrieval of long-term global Leaf Area Index (1981-2011) from combined AVHRR and MODIS data [J]. Journal of Geophysical Research, 2012, 117:G04003.doi:10.1029/2012JG002084

Evaluation the LAI Precision of Global Products of Crops and Grasses over North China

LI Hong-dun1, YANG Fei2, YANG Jie3, LIU Li-feng4*

1.264000,2.100101,3.250100,4.250100,

Leaf area index (LAI) is a critical variable in land surface ecosystem, agricultural production, water and heat energy balance model and global climate change simulation models. Global LAI product retrieved from remote sensing image is an important LAI data source, it is very necessary to evaluate and asses the global LAI product accuracy for its scientific utilization. Based on the ground measured LAI data of several years and Landsat TM, Environmental Remote Sensing Satellite images (HJCCD), MODIS and GEOV1 LAI data, this study evaluated the GLOBMAP product accuracy of most important vegetation types of corn, winter wheat and grass over North and Northern China. The studied results showed that, during the entire maize growing period, maize GLOBMAP LAI data are closer to the ground measured LAI and estimated LAI from TM images, compared to MODIS and GEOV1 LAI data. For winter wheat, GLOBMAP LAI product was significantly smaller than the LAI data estimated from HJCCD images, they are smaller than the ground measured LAI about 2-5. The grass GLOBMAP LAI data is not accurate enough, the regression R2of which with ground LAI is only 0.231, most GLOBMAP LAI data are smaller than the estimated data with HJCCD about 0.6-2. In general, although the three LAI global products could describe well the general growth process of crop and grass canopy LAI changes, the GLOBMAP LAI and MODIS LAI product values are relatively close, both of which are significantly lower than the GEOV1 LAI product value. This study can provide scientific reference to accurately utilization, algorithm and data improvement of global LAI products.

leaf area index; LAI; GLOBMAP; validation

F323.21

A

1000-2324(2020)03-0414-06

10.3969/j.issn.1000-2324.2020.03.005

2018-11-26

2019-01-28

中国科学院战略性先导科技专项(XDA20030302);国家重点研发计划课题(2017YFA0604804);中国科学院前沿科学重点研究项目(QYZDY-SSW-DQC007)

李洪墩(1986-),男,硕士,研究方向为地理信息系统技术与应用. E-mail:1058660484@qq.com

Author for correspondence. E-mail:hebeiliu@163.com

猜你喜欢
实测值叶面积反演
水稻叶面积指数与产量关系研究进展
反演对称变换在解决平面几何问题中的应用
基于ADS-B的风场反演与异常值影响研究
Meteo-particle模型在ADS-B风场反演中的性能研究
2种水培观叶植物叶面积回归测定①
考虑相关长度误差的含水层渗透系数反演研究
变电站集合式电容器故障分析和处理
长期运行尾矿库的排渗系统渗透特性的差异化反演分析
作物叶面积测量的研究进展
基于Ansys屋盖不同单元类型下的模态分析