第一作者简介: 陈雪洋(1982-),男,硕士研究生,主要从事遥感应用方面研究。
通讯作者: 蒙继华(1977-),男,博士、副研究员,长期从事农情遥感监测及作物参数遥感反演技术研究。电话: 010-64869473; Email:mengjh@irsa.ac.cn。
以山东禹城为研究区,利用我国自主研发的环境星数据,计算了4种植被指数,即归一化植被指数(NDVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)及增强型植被指数(EVI); 结合同步观测数据,将植被指数与实测叶面积指数(LAI)进行回归分析,比较各种植被指数模型对冬小麦LAI的估测精度。结果表明,4种植被指数与LAI均具有较高的相关性,其中,比值植被指数(RVI)对LAI反演精度最高,即 LAI=2.967 ln RVI-1.201是估算冬小麦LAI的最优模型。使用2009年5月冬小麦LAI观测数据对模型进行验证,平均相对误差为19%。
With Yucheng County in Shandong Province as the study area, the authors estimated the LAI based on HJ-1 data and calculated four vegetation indices (NDVI, RVI, SAVI, EVI) to analyze their relationship with the observed LAI. A comparison of the four models has proved that the relationships between LAI and the four vegetation indices are all acceptable, and RVI seems to be the best parameter for estimating LAI ( LAI=2.967ln RVI-1.201). With the RVI-LAI model, LAI map of Yucheng was retrieved in May 2009, with the average error being 19% or so, which suggests that the model achieves a high precision.
叶面积指数(Leaf Area Index, LAI)是植被定量遥感的重要参数, 是表征植被冠层结构的最基本参量之一, 广泛应用于生态系统功能模型、作物生长模型、净初级生产力模型、大气模型、水循环模型、生物地理化学模型和生态模型[1, 2, 3, 4, 5, 6, 7, 8]中。作物叶面积指数是反映作物长势和预报作物产量的一个重要农学参数[9], 准确获取该数据, 可以为作物长势监测、作物识别、单产预测甚至粮食产量的估算提供有效的数据源[10, 11]。LAI有很多定义[12, 13, 14], 其中Chen[15]等把叶面积指数定义为单位面积上总叶面积的一半, 目前该定义已被广泛应用, 本文所涉及的LAI也采用该定义。
植被指数法是利用卫星遥感数据估算LAI的一种常用方法[16]。通过建立LAI与各种植被指数的经验关系, 以函数的形式估算LAI, 这种方法简单, 便于计算。Myneni等[17]在南非博茨瓦纳地区, 对5 km× 5 km范围内MODIS LAI和地表实测LAI、ETM+ LAI以及IKONOS LAI分别进行了平均, 对比结果表明, MODIS LAI具有较高的精度; Privette等[18]将南非撒哈拉沙漠地区地表实测LAI和MODIS LAI对比发现, MODIS LAI算法能够体现半干旱区森林的结构和物候变化; 胡少英等[19]基于Landsat影像, 建立观测LAI和Landsat植被指数间的经验关系, 获得30 m分辨率的LAI, 通过计算像元平均值获得1 km× 1 km像元的LAI图像, 用来验证MODIS LAI黑河及汉江区数据产品。
本文以HJ-CCD数据为信息源, 结合地面同步获取LAI实测数据, 分析环境星CCD植被指数对冬小麦LAI变化的响应能力, 分析4种植被指数与LAI的相关性, 建立最优的估算模型。
研究区位于山东省禹城市, 介于东经116° 18'~116° 48', 北纬36° 37'~37° 12'间。地貌类型为黄河冲积平原, 以潮土和盐化潮土为主。所在地区属暖温带半湿润季风气候区, 雨热同期, 有利于农业生产。据2009年作物种植结构调查, 冬小麦面积在90%以上。
使用2009年4月17日摄取的HJ-1A CCD1影像, 数据级别为2级。数据处理流程如图1所示。
大气校正采用常用的6S模型(Second Simulation of the Satellite Signal in the Solar Spectrum); 几何精纠正基于中国TM参考影像数据库, 采用二次多项式法进行, 纠正误差控制在0.5个像元。最后得到了环境星CCD数据4个波段的归一化地表反射率。
样区的大小为300 m× 300 m, 每个样方中布设3个样地, 样地大小为30 m× 30 m(与环境星数据的分辨率匹配, 不小于一个像元), 在每个样地内均匀选择3个观测点进行观测。结合实验区高分辨率遥感图像及地形图, 进行的实际样方和样地布设如图2所示。
2009年4月15~17日期间, 使用美国LI-COR公司LAI 2000冠层分析仪采集LAI数据, 数据采集时天气状况良好, 设置一个天空光, 8个测试目标值, 探头佩带45° 张角的镜头盖。每个样点测取3组数据, 取平均值作为该样点的最终结果, 同时用GPS读出该样点的经纬度。
选取归一化植被指数(NDVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)及增强型植被指数(EVI), 研究各种指数与实验区内冬小麦LAI之间的关系, 4种植被指数计算公式为
NDVI=(RNIR-RR)/(RNIR+RR)(1)
RVI =RNIR/RR(2)
SAVI=(1+L)(RNIR-RR)/(RNIR+RR+L)(3)
EVI=2.5(RNIR-RR)/(RNIR+6RR-7.5RB+1) (4)
式中, RNIR 、RR 和RB 分别为环境星CCD近红外波段、红波段和蓝波段亮度值; L是土壤调节系数, 一般取0.5。
首先对实测LAI数据进行描述性统计分析, 剔除奇异点, 提取与LAI在时间和空间上一致的4种植被指数, 形成LAI与所在像元植被指数的数据对。分析4种植被指数与实测LAI数据, 建立回归方程, 如图3所示。
根据各种植被指数与LAI相关关系所建立的LAI估算模型和拟合结果如表1所示。
可以看出, 所有模型的回归显著性概率均小于0.01, 置信度达到99.9%以上, 通过4种植被指数拟合的回归模型方程都达到极显著。通过比较相关系数和RMSE可以看出, 用环境星4种植被指数构建的冬小麦LAI估算模型拟合结果差异较小, RMSE最小的RVI对数模型与RMSE最大的NDVI对数模型相比, RMSE低了18.9%, 相关系数高了3.6%。在LAI< 3.0时, LAI与植被指数呈线性关系, 随着LAI的增大, 植被指数也以线性速度增大, 当LAI达到3.0以上时, NDVI、SAVI、EVI均有不同程度的饱和现象, 而RVI没有明显的饱和趋势, RVI的饱和点低于其他3个植被指数。叶绿素a吸收使红光波段很快饱和, 近红外波段是反映植被变化的因子, 当LAI增加时, 红光波段的吸收趋于饱和, 近红外波段的反射率持续增加, RVI持续增加; NDVI、EVI、SAVI算式本身是非线性的, 构建时有局限性, 随着LAI的增大, 3种植被指数存在被压缩的现象, 无法随着LAI的增加同步增长。
研究区植被覆盖类型相对均一, 实验区位于冬小麦密集的区域, 种植成数在90%以上, 植被波谱信息基本一致, 这是模型精度较高的原因之一。在4种一元线性回归模型中, NDVI的拟合程度最好, 当LAI=0时, NDVI=0.216 4, 这与蒙继华的结果相一致[20]。在NDVI的3个回归模型中, 二次多项式模型相关系数最高, RMSE最小, 其他3个植被指数模拟效果最好的依次是RVI的对数模型、SAVI的一元线性模型以及EVI的二次多项式模型。在所有模型中, RVI对数模型的相关系数(0.924 7)最高, 而RMSE(0.408 3)最低, 拟合结果最好。
选择2009年5月13日的HJ-1A CCD 2数据, 结合1:10万全国土地利用图对图像进行了非耕地去除, 使用RVI-LAI对数模型计算了山东禹城冬小麦LAI, 结果如图4所示。
从图4可以看出, 2009年5月13日禹城市LAI的分布呈西部和北部较低, 中部和南部较高的趋势。禹城市北部的辛店地区属于禹城市低产田区域, 土壤类型属于砂土, 土质疏松, 土壤含水量低, 冬小麦长势较差, LAI较低。东部为禹城市的老城区— — 市中办, 耕地面积较少, 人口密集, 主要为工业用地和居民地。LAI较高区域主要集中在禹城市中西部和南部, 该区域是冬小麦主产区, 耕地面积大, 土壤肥沃, 雨水充足, 冬小麦长势良好, LAI较高。
建立LAI估算模型时往往会出现“ 过度拟合” 现象[21], 现有的验证表明, 中高分辨率的LAI误差在25%~50%之间, 这是一个很大的误差区间[10], 所以有必要通过野外实测数据对建立的模型进行检验, 以增加数据的可靠性和有效性。
用独立的2009年5月12~15日野外实测LAI数据进行冬小麦NDVI-LAI模型检验, 在像元尺度上对模型计算结果和实测LAI数据进行对比, 结果如图5所示:
通过对26组数据的比较, 最大的相对误差为37%, 最小的为3%, 相对误差大于30%的仅有3组, 平均相对误差为19%, 说明模型达到了较高的精度, 利用环境星影像的RVI可以快速、准确地监测冬小麦的LAI。
(1)相对于NDVI、SAVI和EVI, RVI更适合用来建立冬小麦LAI的估算模型, 这与许多学者的研究结果相符合[8]。RVI-LAI模型的相关系数达到了0.924 7, 而RMSE仅为0.408 3, 与同类研究相比, 取得了比较满意的结果。
(2)利用2009年5月LAI观测数据对模型进行了验证, 平均相对误差为19%, 模型达到了较高的精度, 观测LAI的时间为冬小麦的抽穗— 开花期, 叶面积指数较大, 保证模型计算结果的相对误差位于一个较低水平。
(3)由于受像元的异质性、样本数量和实验区环境的影响, 该估算模型在外推到其他地区时, 要依据研究区具体的LAI实测样本和研究区环境进行拟合。影响模型估算LAI精度的因素很多, 比如像元的异质性、几何精确校正与重建地理参考造成的误差、植被分类精度造成的误差、非线性模型带来的误差和植被的物候期等。
(4)环境星具有分辨率高、成像周期短的特点, 可以通过不同时期的环境星影像, 对LAI做季节差异变化分析。
The authors have declared that no competing interests exist.
[1] |
|
[2] |
|
[3] |
|
[4] |
|
[5] |
|
[6] |
|
[7] |
|
[8] |
|
[9] |
|
[10] |
|
[11] |
|
[12] |
|
[13] |
|
[14] |
|
[15] |
|
[16] |
|
[17] |
|
[18] |
|
[19] |
|
[20] |
|
[21] |
|