资源一号02D卫星高光谱数据叶面积指数估算方法

魏丹丹 赵世湖 肖晨超 崔航 刘书含

(自然资源部国土卫星遥感应用中心，北京 100048)

叶面积指数(Leaf Area Index，LAI)指单位面积上单面绿叶面积的总和[1]。叶面积指数反应了生态系统中的叶子数量，由于叶面积指数可以表征植被冠层中的物质和能量交换，它也被认为是植被状况、生产力和光合能力的重要指标[2]。叶面积指数测量方法有直接法和间接法，直接法采用地面测量方式，这种方法在植被监测中起着重要作用，不仅可以保证测量的精度，还可作为真实值用于间接方法的验证。当样本足够具有代表性时，直接方法被认为比间接方法更准确，因此通常用于验证间接方法。然而，直接方法通常耗时、劳动强度大，并且通常对植被具有破坏性，这限制了它们的应用，并且使得它们不适用于高时间和空间频率测量[3]。如何迅速、准确且无损地获取局部及区域尺度植被生化参数含量及其分布状况地信息尤为重要。空间遥感技术作为快速大面积获取对地观测的技术，在LAI定量反演方面得到了广泛应用。资源一号02D卫星(又称为5米光学业务卫星)于2019年9月12日成功发射，由自然资源部主持建造，是资源一号02C星的接续星，属于中等分辨率遥感业务卫星。该星主推光谱分辨率，定位于中等分辨率、大幅宽观测和定量化遥感任务，可提供丰富的地物光谱信息。

本文以资源一号02D卫星的高光谱数据为数据源，采用辐射传输模型与机器学习相结合的方法开展植被叶面积指数的估算。首先应用辐射传输模型生成不同条件下的植被反射光谱，并通过特征选择减少数据冗余，筛选与叶面积指数相关的吸收反射信息，应用机器学习方法构建叶面积指数的反演模型，并应用于高光谱数据进行叶面积指数估算。

1 研究区概述

本文以影像所覆盖的怀来县部分区域为研究区，怀来县位于河北省西北部，地处燕山山脉北侧，永定河上游，地理坐标为东经115°、北纬40°。东南部与北京市延庆、昌平及门头沟区接壤，西北部与宣化、下花园区相连，西南部与涿鹿县毗邻，北部与赤城县交界。怀来县地貌形态主要有河川平原、丘陵和山地等类型，地处中温带半干旱区，属温带大陆性季风气候，具有四季分明，光照充足，雨热同季，昼夜温差大等气候特点(见图1)。

图1 研究区位置Fig.1 Location of the study area

2 数据准备

本研究选取资源一号02D卫星于2020年8月13日成像的高光谱数据(AHSI传感器)，成像参数见表1。通过ENVI5.3软件的FLAASH大气校正功能，对高光谱数据进行大气校正，得到地表反射率数据。

表1 资源一号02D卫星成像参数Table 1 Imaging parameters of ZY-1-02D satellite

3 研究方法

3.1 辐射传输模型生成模拟数据

冠层辐射传输模型定量描述了植被覆盖度与冠层光谱反射率之间的物理依赖关系。PROSAIL模型[4]因其高精度和计算效率[5-6]而被广泛用于生物物理参数估计。在PROSAIL模型中，PROSPECT模型用于模拟400～2500 nm之间的叶片反射率和透射率。然后，叶片的光谱信息作为SAIL模型的输入参量[5]。由于参数设置会影响计算速度和输出的冗余度，已有研究结果表明：PROSAIL辐射传输模型的输入参数在一定的合理误差范围内是允许的，并且不会明显降低参数反演的精度。因此根据之前的研究[7-9]，设置PROSAIL耦合辐射传输模型的输入参数(见表2)。

在模拟400～2500 nm冠层反射率之后，根据资源一号02D卫星AHSI高光谱数据的光谱响应函数，经光谱重采样获得与传感器波段及带宽相一致的模拟数据，训练数据集和验证数据集分别生成。

表2 PROSAIL模型参数设置Table 2 Parameter settings of the PROSAIL model

土壤反射率作为PROSAIL模型的重要输入参量，本文选取中心构建的波谱库中的地面实测的18种类型土壤光谱数据作为输入，用来代表不同类型土壤的反射率(见图2)。

图2 不同土壤类型的反射光谱Fig.2 Reflectance spectra of different soil types

3.2 随机森林算法

随机森林(Random Forest, RF)算法具有诸多优势，如计算速度快、经验关系好，对噪声不敏感以及不会产生过拟合等，被广泛用于处理变量选择、分类和回归问题。在遥感技术中，随机森林算法常用来处理高维数据，如高光谱数据，随机森林算法也经常被用于遥感影像分类和遥感参数反演等研究，因此，在生态重点区域的监测中具有巨大的应用潜力。

随机森林回归(RFR)是众多回归树的集合，这些回归树通常是二叉决策树[10]，每棵树的预测值的平均值作为随机森林的预测结果。随机森林回归的主要优势是随着森林中树的数量增加，它不会过拟合，而且生成一个泛化误差的极限值，同时，随机森林对噪声数据有很强的鲁棒性[10]。对于数据维度和样本量大致相等或大于样本量的情况，随机森林回归仍然能取得很好的表现。随机森林使用一些衡量变量重要性的指标来对变量进行排序，然后进行变量选择以降低数据维度。资源一号02D卫星AHSI高光谱数据，由于波段之间的相关性较大，需要进行降维处理，随机森林算法根据计算得到的输入变量的重要性，筛选出波段15、19、23、28、35、39、42、49和53，用于模型的构建。

4 结果与分析

通过随机森林方法构建预测模型用于资源一号02D卫星高光谱数据叶面积指数的估算。基于模拟数据的模型验证精度见图3，相关系数R2为0.77。高光谱数据真彩色合成图和叶面积指数反演结果见图4(a)和(b)。

图3 基于模拟数据的精度验证Fig.3 Validation based on simulated data

图4 资源一号02D卫星AHSI数据及LAI估算结果Fig.4 AHSI data and LAI estimations of ZY-1-02D satellite

通过对比图4(a)、(b)可知，从空间上来看，高光谱影像LAI估算值的高低与真彩色合成的影像图(见图4(a))可见的植被低覆盖区、裸土地、居民用地等地区分布范围基本吻合，而且对应不同地表覆盖类型估算结果表现出较为明显的空间差异。图4(b)高光谱数据叶面积指数估算结果，因为受到云及其阴影的影响，产生异常。其中，云有较高的反射率和异于植被的吸收反射特征，在算法中首先通过植被指数的阈值判别，进行植被与非植被区的区分，将完全没有植被特征的云覆盖区域LAI赋值为0。通过对阴影区像元光谱进行分析，阴影区地物光谱的吸收反射特征由于所接收到太阳辐射减少，虽谱形特征变化较小，但反射率整体降低。随机森林算法所筛选出的特征波段，主要集中在绿光、红光、红边及近红外波段，在此波谱范围内，阴影区像元与临近正常光照区域像元光谱特征相比较存在差异，这可能导致阴影区估算结果的异常。

5 结束语

本文以资源一号02D卫星的高光谱数据为数据源，采用辐射传输模型与机器学习相结合的方法开展植被叶面积指数的估算。通过对结果分析可以得到：资源一号02D卫星的高光谱数据可以通过辐射传输模型与机器学习的方法实现对植被叶面积指数的估算，并且得到较为理想的估算结果。高光谱数据166个谱段，为植被生物物理参量的估算提供了更多的波段选择和精细化的波谱信息，可提高估算结果的准确性，丰富刻画地表、地物之间差异性。