留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

植被冠层光谱和叶片光谱的尺度转换

于颖 宋张亮 范文义 杨曦光

于颖, 宋张亮, 范文义, 杨曦光. 植被冠层光谱和叶片光谱的尺度转换[J]. 武汉大学学报 ● 信息科学版, 2018, 43(10): 1560-1565, 1573. doi: 10.13203/j.whugis20160552
引用本文: 于颖, 宋张亮, 范文义, 杨曦光. 植被冠层光谱和叶片光谱的尺度转换[J]. 武汉大学学报 ● 信息科学版, 2018, 43(10): 1560-1565, 1573. doi: 10.13203/j.whugis20160552
YU Ying, SONG Zhangliang, FAN Wenyi, YANG Xiguang. Scale Conversion from Canopy Spectra to Leaf Spectra[J]. Geomatics and Information Science of Wuhan University, 2018, 43(10): 1560-1565, 1573. doi: 10.13203/j.whugis20160552
Citation: YU Ying, SONG Zhangliang, FAN Wenyi, YANG Xiguang. Scale Conversion from Canopy Spectra to Leaf Spectra[J]. Geomatics and Information Science of Wuhan University, 2018, 43(10): 1560-1565, 1573. doi: 10.13203/j.whugis20160552

植被冠层光谱和叶片光谱的尺度转换

doi: 10.13203/j.whugis20160552
基金项目: 

国家自然科学基金 31500518

国家自然科学基金 31500519

详细信息
    作者简介:

    于颖, 博士, 副教授, 主要从事定量遥感与遥感碳循环模型研究。yuying4458@163.com

    通讯作者: 范文义, 博士, 教授。fanwy@163.com
  • 中图分类号: P208

Scale Conversion from Canopy Spectra to Leaf Spectra

Funds: 

The National Natural Science Foundation of China 31500518

The National Natural Science Foundation of China 31500519

More Information
    Author Bio:

    YU Ying, PhD, associate professor, specializes in quantitative remote sensing technique and carbon cycling model used in forest ecosystems. E-mail: yuying4458@163.com

    Corresponding author: FAN Wenyi, PhD, professor. E-mail: fanwy@163.com
  • 摘要: 叶片光谱是估算植被生化参数的重要依据。然而,遥感影像获取的光谱为像元及冠层光谱,因此,在进行植被生化参数的遥感定量估算时,需将冠层光谱转化到叶片尺度。根据几何光学模型原理,推导出植被冠层光谱和叶片光谱的尺度转换函数,将冠层光谱转换到叶片尺度。首先,采用叶片光谱模拟模型PROSPECT模拟出叶片水平的光谱;其次,在几何光学模型4-scale模型中,通过改变叶片光谱和叶面积指数(leaf area index,LAI),模拟出不同叶片特征下的冠层光谱。最后,通过LAI建立两个查找表,一个是传感器观测到树冠光照面和背景光照面概率的查找表,另一个是多次散射因子M的查找表,从而实现冠层光谱和叶片光谱的转化。结果表明,利用4-scale模型能实现冠层光谱与叶片光谱的尺度转换,此方法有很好的适用性。
  • 图  1  研究区域HSI数据标准假彩色影像图

    Figure  1.  Standard False Color Image of HSI Data in the Study Area

    图  2  研究技术路线图

    Figure  2.  Flow Chart of This Study

    图  3  PROSPECT模型输入参数敏感性分析

    Figure  3.  The Sensitivity Analysis of Input Parameters in the PROSPECT Model

    图  4  670 nm树冠光照面光谱RT和叶片光谱RL的关系

    Figure  4.  Relationship Between Reflectance of the Sunlit Tree Crown RT and the Leaf RL at 670 nm

    图  5  670 nm处多次散射因子M与LAI的相关关系

    Figure  5.  Relationship Between Multiple Scattering Factor M and LAI at 670 nm

    图  6  670 nm处其他影响因素b与LAI的相关关系

    Figure  6.  Relationship Between LAI and the Other Factor b at 670 nm

    图  7  PTPG与LAI的关系

    Figure  7.  Relationship Between PT, PG and LAI

    图  8  研究区域的LAI分布图

    Figure  8.  LAI Distribution of the Study Area

    图  9  叶片在670 nm处的反射率分布图

    Figure  9.  Leaf Reflectivity of the Study Area at 670 nm

    图  10  670 nm处叶片光谱的实测值与估计值的比较

    Figure  10.  Comparison Between Measured and Estimated Values of the Leaf Reflectivity at 670 nm

    表  1  4-scale模型输入参数

    Table  1.   Input Parameters of the 4-scale Model

    模型输入参数针叶阔叶
    样地范围/m210 00010 000
    树冠密度/个1 1001 100
    树冠形状圆锥与圆柱结合体椭球体
    树冠高度/m57
    树干高度/m64
    树冠半径/m11.5
    集聚指数0.650.75
    叶面积指数
    0.5~10
    (步长为0.1)
    0.5~10
    (步长为0.1)
    太阳天顶角/(°)4040
    观测天顶角/(°)00
    相对方位角/(°)180180
    下载: 导出CSV

    表  2  PROSPECT模型输入参数的范围及步长

    Table  2.   Range and Step of Input Parameters in the PROSPECT Model

    参数范围步长
    结构参数(1, 3)0.2
    叶绿素含量/mg·cm-2(0, 100)5
    水含量/g·cm-20.025
    干物质含量/g·cm-2(0.002, 0.02)0.002
    下载: 导出CSV
  • [1] Renzullo L J, Blanchield A L, Guillermin R, et al. Comparison of PROSPECT and HPLC Estimates of Leaf Chlorophyll Contents in a Grapevine Stress Study[J]. Internationnl Journal of Remote Sen-sing, 2006, 27(4):817-823 doi:  10.1080/01431160500239164
    [2] Zarco-Tejada P J, Miller J R, Noland T L, et al. Scaling-up and Model Inversion Methods with Narrowband Optical Indices for Chlorophyll Content Estimation in Closed Forest Canopies with Hyperspectral Data[J]. IEEE Transactions on Geosciences and Remote Sensing, 2001, 39(7):1491-1507 doi:  10.1109/36.934080
    [3] Verhoef W. Light Scattering by Leaf Layers with Application to Canopy Reflectance Modeling:The SAIL Model[J]. Remote Sensing of Environment, 1984, 16(2):125-141 doi:  10.1016/0034-4257(84)90057-9
    [4] 于颖, 范文义, 杨曦光.三种植被冠层二向反射分布函数模型的比较[J].植物生态学报, 2012, 36(1):55-62 http://d.old.wanfangdata.com.cn/Periodical/zwstxb201201007

    Yu Ying, Fan Wenyi, Yang Xiguang. Comparisons of Three Models for Vegetation Canopy Bi-directional Reflectance Distribution Function[J]. Chinese Journal of Plant Ecology, 2012, 36(1):55-62 http://d.old.wanfangdata.com.cn/Periodical/zwstxb201201007
    [5] Huemmrich K. The GeoSAIL Model:A Simple Addition to the SAIL Model to Describe Discontinuous Canopy Reflectance[J]. Remote Sensing of Environment, 2001, 75(3):423-431 doi:  10.1016/S0034-4257(00)00184-X
    [6] Zhang Y Q, Chen J M, Miller J R, et al. Leaf Chlorophyll Content Retrieval from Airborne Hyperspectral Remote Sensing Imagery[J]. Remote Sen-sing of Environment, 2008, 112(7):3234-3247 doi:  10.1016/j.rse.2008.04.005
    [7] 杨曦光, 于颖, 黄海军, 等.森林冠层氮含量遥感估算[J].红外与毫米波学报, 2012, 31(6):536-543 http://d.old.wanfangdata.com.cn/Periodical/hwyhmb201206011

    Yang Xiguang, Yu Ying, Huang Haijun, et al. Estimation of Forest Canopy Nitrogen Content Based on Remote Sensing[J]. Journal of Infrared and Millimeter Waves, 2012, 31(6):536-543 http://d.old.wanfangdata.com.cn/Periodical/hwyhmb201206011
    [8] 杨曦光, 范文义, 于颖.基于PROSPECT+SAIL模型的森林冠层叶绿素含量反演[J].光谱学与光谱分析, 2010, 30(11):3022-3026 doi:  10.3964/j.issn.1000-0593(2010)11-3022-05

    Yang Xiguang, Fan Wenyi, Yu Ying. Estimation of Forest Canopy Chlorophyll Content Based on PROSPECT and SAIL Models[J]. Spectroscopy and Spectral Analysis, 2010, 30(11):3022-3026 doi:  10.3964/j.issn.1000-0593(2010)11-3022-05
    [9] 钮立明, 蒙继华, 吴炳方, 等. HJ-1A星HSI数据2级产品处理流程研究[J].国土资源遥感, 2011, 88(1):77-82 http://d.old.wanfangdata.com.cn/Periodical/gtzyyg201101015

    Niu Liming, Meng Jihua, Wu Bingfang, et al. Research on Standard Preprocessing Flow for HJ-1A HSI Level 2 Data Product[J]. Remote Sensing for Land & Resources, 2011, 88(1):77-82 http://d.old.wanfangdata.com.cn/Periodical/gtzyyg201101015
    [10] Jacquemoud S. PROSPECT:A Model of Leaf Optical Properties[J]. Remote Sensing of Environment, 1990, 34(2):75-91 doi:  10.1016/0034-4257(90)90100-Z
    [11] Jacquemoud S, Ustin S L, Verdebout J, et al. Estimating Leaf Biochemistry Using the PROSPECT Leaf Optical Properties Model[J]. Remote Sensing of Environment, 1996, 56(3):194-202 doi:  10.1016/0034-4257(95)00238-3
    [12] 牛铮, 王长耀.碳循环遥感基础与应用[M].北京:科学出版社, 2008

    Niu Zheng, Wang Changyao. Remote Sensing and Applications for Carbon Cycle[M]. Beijing:Sciences Press, 2008
    [13] Chen J M, Leblanc S G. A Four-scale Bidirectional Reflectance Model Based on Canopy Architecture[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(5):1316-1337 doi:  10.1109/36.628798
    [14] Zhang Y Q, Chen J M, Miller J R, et al. Leaf Chlorophyll Content Retrieval from Airborne Hyperspectral Remote Sensing Imagery[J]. Remote Sen-sing of Environment, 2008, 112(7):3234-3247 doi:  10.1016/j.rse.2008.04.005
    [15] Yang X G, Yu Y, Fan W Y. Chlorophyll Content Retrieval from Hyperspectral Remote Sensing Ima-gery[J]. Environmental Monitoring and Assessment, 2015, 187(7):456 doi:  10.1007/s10661-015-4682-4
  • [1] 张霞, 丁松滔, 岑奕, 孙伟超, 王晋年.  结合野外与实验室光谱的土壤Pb含量反演 . 武汉大学学报 ● 信息科学版, 2022, 47(9): 1479-1485. doi: 10.13203/j.whugis20200386
    [2] 雷蕾, 李振洪, 杨浩, 杨贵军.  利用无人机激光雷达提取玉米叶面积密度 . 武汉大学学报 ● 信息科学版, 2021, 46(11): 1737-1745. doi: 10.13203/j.whugis20200674
    [3] 杨曦光, 于颖, 范文义.  森林冠层光谱与林下背景光谱尺度差异分析 . 武汉大学学报 ● 信息科学版, 2020, 45(4): 511-516. doi: 10.13203/j.whugis20180254
    [4] 安如, 陆彩红, 王慧麟, 姜丹萍, 孙梦秋, JonathanArthur Quaye Ballard.  三江源典型区草地退化Hyperion高光谱遥感识别研究 . 武汉大学学报 ● 信息科学版, 2018, 43(3): 399-405. doi: 10.13203/j.whugis20150168
    [5] 王明常, 应申, 任福, 陈圣波, 张旭晴, 王凤艳, 牛雪峰.  基于稳健估计的白桦叶片铜元素含量反演 . 武汉大学学报 ● 信息科学版, 2017, 42(5): 637-642. doi: 10.13203/j.whugis20140721
    [6] 王毅, 李季.  基于SVM的高光谱遥感图像亚像元定位 . 武汉大学学报 ● 信息科学版, 2017, 42(2): 198-201. doi: 10.13203/j.whugis20150443
    [7] 林娜, 杨武年, 王斌.  利用核方法进行高光谱遥感图像线性解混 . 武汉大学学报 ● 信息科学版, 2017, 42(3): 355-361. doi: 10.13203/j.whugis20140787
    [8] 秦占飞, 申健, 谢宝妮, 严林, 常庆瑞.  引黄灌区水稻叶面积指数的高光谱估测模型 . 武汉大学学报 ● 信息科学版, 2017, 42(8): 1159-1166. doi: 10.13203/j.whugis20150132
    [9] 秦占飞, 常庆瑞, 申健, 于洋, 刘佳岐.  引黄灌区水稻红边特征及SPAD高光谱预测模型 . 武汉大学学报 ● 信息科学版, 2016, 41(9): 1168-1175. doi: 10.13203/j.whugis20140516
    [10] 高孝杰, 简季, 戴晓爱, 陈婉佳.  基于Fréchet距离的光谱曲线匹配应用分析 . 武汉大学学报 ● 信息科学版, 2016, 41(3): 408-414. doi: 10.13203/j.whugis20140147
    [11] 林娜, 杨武年, 王斌.  高光谱遥感影像核最小噪声分离变换特征提取 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 988-992.
    [12] 谭琨, 杜培军, 王小美.  利用分离性测度多类支持向量机进行高光谱遥感影像分类 . 武汉大学学报 ● 信息科学版, 2011, 36(2): 171-175.
    [13] 杜培军, 王小美, 谭琨, 夏俊士.  利用流形学习进行高光谱遥感影像的降维与特征提取 . 武汉大学学报 ● 信息科学版, 2011, 36(2): 148-152.
    [14] 宋沙磊, 李平湘, 龚威, 汪金平.  基于水稻高光谱遥感数据的PLS波长选择研究 . 武汉大学学报 ● 信息科学版, 2010, 35(2): 219-223.
    [15] 孙德勇, 李云梅, 王桥, 乐成峰.  利用高光谱数据估算太湖水体CDOM浓度的神经网络模型 . 武汉大学学报 ● 信息科学版, 2009, 34(7): 851-855.
    [16] 杜培军, 唐宏, 方涛.  高光谱遥感光谱相似性度量算法与若干新方法研究 . 武汉大学学报 ● 信息科学版, 2006, 31(2): 112-115.
    [17] 张立福, 张良培, 村松加奈子, 藤原昇.  基于高光谱卫星遥感数据的UPDM分析方法 . 武汉大学学报 ● 信息科学版, 2005, 30(3): 264-268.
    [18] 张立福, 张良培, 村松加奈子, 藤原昇.  利用MODIS数据计算陆地植被指数VIUPD . 武汉大学学报 ● 信息科学版, 2005, 30(8): 699-702.
    [19] 李均力, 贾永红.  基于分辨率退化模型的全色和多光谱遥感影像融合方法 . 武汉大学学报 ● 信息科学版, 2004, 29(4): 302-306.
    [20] 张良培, 李德仁.  鄱阳湖地区高光谱遥感数据的定标研究 . 武汉大学学报 ● 信息科学版, 1997, 22(1): 35-38.
  • 加载中
图(10) / 表(2)
计量
  • 文章访问数:  1346
  • HTML全文浏览量:  106
  • PDF下载量:  270
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-09-13
  • 刊出日期:  2018-10-05

植被冠层光谱和叶片光谱的尺度转换

doi: 10.13203/j.whugis20160552
    基金项目:

    国家自然科学基金 31500518

    国家自然科学基金 31500519

    作者简介:

    于颖, 博士, 副教授, 主要从事定量遥感与遥感碳循环模型研究。yuying4458@163.com

    通讯作者: 范文义, 博士, 教授。fanwy@163.com
  • 中图分类号: P208

摘要: 叶片光谱是估算植被生化参数的重要依据。然而,遥感影像获取的光谱为像元及冠层光谱,因此,在进行植被生化参数的遥感定量估算时,需将冠层光谱转化到叶片尺度。根据几何光学模型原理,推导出植被冠层光谱和叶片光谱的尺度转换函数,将冠层光谱转换到叶片尺度。首先,采用叶片光谱模拟模型PROSPECT模拟出叶片水平的光谱;其次,在几何光学模型4-scale模型中,通过改变叶片光谱和叶面积指数(leaf area index,LAI),模拟出不同叶片特征下的冠层光谱。最后,通过LAI建立两个查找表,一个是传感器观测到树冠光照面和背景光照面概率的查找表,另一个是多次散射因子M的查找表,从而实现冠层光谱和叶片光谱的转化。结果表明,利用4-scale模型能实现冠层光谱与叶片光谱的尺度转换,此方法有很好的适用性。

English Abstract

于颖, 宋张亮, 范文义, 杨曦光. 植被冠层光谱和叶片光谱的尺度转换[J]. 武汉大学学报 ● 信息科学版, 2018, 43(10): 1560-1565, 1573. doi: 10.13203/j.whugis20160552
引用本文: 于颖, 宋张亮, 范文义, 杨曦光. 植被冠层光谱和叶片光谱的尺度转换[J]. 武汉大学学报 ● 信息科学版, 2018, 43(10): 1560-1565, 1573. doi: 10.13203/j.whugis20160552
YU Ying, SONG Zhangliang, FAN Wenyi, YANG Xiguang. Scale Conversion from Canopy Spectra to Leaf Spectra[J]. Geomatics and Information Science of Wuhan University, 2018, 43(10): 1560-1565, 1573. doi: 10.13203/j.whugis20160552
Citation: YU Ying, SONG Zhangliang, FAN Wenyi, YANG Xiguang. Scale Conversion from Canopy Spectra to Leaf Spectra[J]. Geomatics and Information Science of Wuhan University, 2018, 43(10): 1560-1565, 1573. doi: 10.13203/j.whugis20160552
  • 叶片光谱模拟模型为定量估算叶片生物化学参数提供了一种有效的手段[1-2]。但是,传感器观测数据是以像元为单位,每个像元中包含了不同的地物类型(如树木、草地、土壤、水体等),所以传感器观测到的光谱数据是混合地物的光谱。直接将基于叶片光谱建立的色素反演模型应用到遥感影像上必然存在误差,甚至还会导致反演失败。这就是存在的尺度问题,因此,在估算叶片尺度生化参数时需要将冠层尺度上的光谱转换到叶片尺度上。

    植被冠层光谱模拟的辐射传输模型的代表是SAIL(scattering by arbitrarily in clined leaves)模型[3],它综合考虑了多次散射的影响,但是没有考虑到树木的几何结构[4];几何光学模型的代表为4-scale模型,它考虑了树木的几何结构,但是对多次散射的模拟不如辐射传输模型;混合模型的代表为GeoSAIL模型[5],但它只有垂直观测信息。这些模型都可以通过输入叶片尺度的反射率,从而获得冠层水平上的反射率, 均有其适用性和局限性。

    很多学者在冠层光谱和叶片光谱尺度转换问题上提供了一些好的方法。Zhang等提出了一种冠层和叶片光谱的转换方法,并用转换后的叶片光谱估算森林冠层的生化参数[6]; 杨曦光等估算森林冠层氮含量时,利用4-scale模型建立冠层光谱和叶片光谱的转化函数,实现冠层光谱和叶片光谱的尺度转换[7]; 同时还利用叶片尺度的PROSPECT模型和冠层尺度的SAIL模型建立查找表,反演研究区域的叶片尺度叶绿素含量,再利用叶面积指数(leaf area index, LAI)将叶片尺度的叶绿素含量转换到冠层尺度[8]

    本研究采用叶片尺度的PROSPECT模型和冠层尺度的几何光学模型4-scale模型,通过森林结构参数LAI,建立查找表,推导出冠层光谱和叶片光谱的转化函数,从而实现植被冠层和叶片光谱的尺度转换。

    • 研究区域为黑龙江省西北部的加格达奇地区(见图 1)。研究区总面积为1 587 km2,森林覆盖率为64%,树种组成为白桦、落叶松、樟子松、山杨和蒙古栎。

      图  1  研究区域HSI数据标准假彩色影像图

      Figure 1.  Standard False Color Image of HSI Data in the Study Area

      2013年8月在研究区域内布设13个样点,使用便携式地物光谱仪FieldSpec 4(350~2 500 nm)进行野外光谱采集。在一个暗光实验室进行叶片光谱测量。光谱测定背景为纯黑色背景板,以降低测量误差。实验室光源为50 W卤素灯光源。每次测定前进行参考白板校正,测量时探头垂直向下,光谱仪视场角为25°,距离叶片垂直高度为0.1 m。每片叶子选取3个测点,每个测点测量5次,以其平均值作为叶片的反射光谱[15]

      环境和灾害监测预报小卫星星座A星(HJ-1A星)上搭载了高光谱成像仪(hyper-spectral imager,HSI),在波长450~950 nm范围内包含115个波段。本研究使用了14景无云HSI二级产品, 包括2012年8月的5景影像,2013年8月的9景影像。2/3的样地数据均分布在2013年8月的遥感影像上。HSI数据预处理包括垂直条纹噪声去除和大气校正。垂直条带噪声去除采用全局去条纹法[9]。对HSI数据的大气校正使用ENVI(Environment for Visualizing Images)的FLAASH模块。

    • PROSPECT模型是一个在平板模型基础上发展起来的辐射传输模型,可以模拟叶片400~2 500 nm的光谱反射特性[10]。PROSPECT模型假设叶片为层状结构,用叶肉结构参数N和一个折射指数n来描述散射过程。吸收过程由吸收系数来描述,并可以通过叶组分浓度(如叶片叶绿素含量Cab、水含量Cw、干物质含量Cm等)和特定的吸收系数模拟[11]

      除了结构参数N、折射指数n之外,该模型还需要入射角α和透射系数τ,透射系数由叶片的生化参数决定,而αn常取其经验最适值α=59°[12]n=1.4。因此,PROSPECT通过改变结构参数N、叶绿素含量Cab、水含量Cw和干物质含量Cm的值模拟出不同情况下的叶片反射率和透射率。

    • 4-scale模型是几何光学辐射传输模型的代表[13],该模型从群落尺度、树冠尺度、树枝尺度和树梢尺度这4个尺度考虑各因素对冠层光谱的影响。因此,4-scale模型能够更准确地模拟出不均匀森林的树冠双向反射特征。

      模型用椭球体模拟阔叶林的树冠,圆锥和圆柱的结合体模拟针叶林树冠。4-scale模型的输入参数主要包括3类[14]:叶片和背景的光谱特征、样地参数和树木结构参数。根据研究区域特点和HSI影像参数,4-scale模型的参数设置如表 1所示。

      表 1  4-scale模型输入参数

      Table 1.  Input Parameters of the 4-scale Model

      模型输入参数针叶阔叶
      样地范围/m210 00010 000
      树冠密度/个1 1001 100
      树冠形状圆锥与圆柱结合体椭球体
      树冠高度/m57
      树干高度/m64
      树冠半径/m11.5
      集聚指数0.650.75
      叶面积指数
      0.5~10
      (步长为0.1)
      0.5~10
      (步长为0.1)
      太阳天顶角/(°)4040
      观测天顶角/(°)00
      相对方位角/(°)180180
    • 对于PROSPECT模型的参数敏感性分析采用定量分析,考察某一参考点X0在以ΔX为步长变化的过程中对模型结果的影响。敏感度的计算公式[8]为:

      $$ S = \frac{{\sqrt {{{(r({X_0} + \Delta X) - r({X_0}))}^2}} + \sqrt {{{(t({X_0} + \Delta X) - t({X_0}))}^2}} }}{{\Delta X}} $$ (1)

      式中,X0为模型的某一输入参数;ΔXX0的变化步长;r(X0)为模型某一参数为X0时的叶片反射率;t(X0)为叶片透射率。在做参数敏感性分析时,其他参数固定不变,只对X0参数以ΔX为步长改变模拟结果,分析模型模拟结果对该参数的敏感度,从而确定模型的每个参数的敏感性与变动范围。

      4-scale模型输入参数为实地测量得到,不作参数敏感性分析。

    • 几何光学模型4-scale中,像元光谱的反射率为背景光照面、背景阴影面、树冠光照面和树冠阴影面4个组分光谱的线性组合[15]。表达式为:

      $$ \begin{array}{l} R = {R_T} \times {P_T} + {R_{ZT}} \times {P_{ZT}} + \\ \;\;\;\;\;\;{R_G} \times {P_G} + {R_{ZG}} \times {P_{ZG}} \end{array} $$ (2)

      式中,R代表传感器观测的冠层光谱; RT代表树冠光照面反射率;RZT代表树冠阴影面反射率;RG代表背景光照面反射率;RZG代表背景阴影面反射率;PTPZTPGPZG代表传感器观测到4分量的概率。

      M表示多次散射因子,b表示其他因素对树冠光照面反射率RT的影响。那么,树冠光照面的反射率RT与光照面叶片的反射率RL的关系可以表示为[7]

      $$ {R_T} = M \times {R_L} + b $$ (3)

      与光照面反射率相比较,阴影面的反射率较小[7],可忽略不计,式(2)可表示为:

      $$ R = {R_T} \times {P_T} + {R_G} \times {P_G} $$ (4)

      将式(3)代入式(4)得:

      $$ R = (M \times {R_L} + b) \times {P_T} + {R_G} \times {P_G} $$ (5)

      观测角度、太阳光入射角以及叶片之间的孔隙率对传感器观测到树冠光照面和背景光照面的概率有一定的影响。遥感影像成像时,传感器和太阳的相对位置不变,孔隙率又是一个与LAI有关的量,所以可以将PTPG表示为LAI的函数,设PT=F(LAI), PG=G(LAI),R可以从遥感影像中得到,RG是已知的。式(5)可变形为:

      $$ {R_L} = \frac{{R - G({\rm{LAI}}) \times {R_G}}}{{M \times F({\rm{LAI}})}} - \frac{b}{M} $$ (6)

      在4-scale模型中输入多组叶片反射率和透射率可以模拟出相应的冠层反射率,组成数据集,并通过此数据集与LAI反演得到PTPGMb。通过式(6),实现冠层光谱R和叶片光谱RL的相互转化。

      本文研究的技术路线如图 2所示。

      图  2  研究技术路线图

      Figure 2.  Flow Chart of This Study

    • 根据式(1)定量分析PROSPECT模型各输入参数的敏感度(见图 3)。可以看出,叶绿素含量的敏感度在900 nm之后几乎为0,在400~900 nm之间敏感度较高,说明叶绿素含量对400~900 nm的叶片反射率和透射率影响很大,因为叶绿素的吸收主要集中在可见光波段,尤其是绿光波段。结构参数和干物质含量对400~2 500 nm的反射率都有影响,结构参数对叶片反射率的影响大于干物质。水含量的敏感度在900 nm之前几乎为0,在900 nm之后敏感度较高,说明叶片水含量对叶片反射率的影响主要集中在900 nm之后。在400~900 nm之间各个参数的敏感度在数值上的大小排序为Cab>N>Cm>Cw

      图  3  PROSPECT模型输入参数敏感性分析

      Figure 3.  The Sensitivity Analysis of Input Parameters in the PROSPECT Model

      本研究以670 nm为例说明冠层光谱与叶片光谱的尺度转换方法。根据PROSPECT模型各个输入参数的敏感性定量分析结果,各参数的变化范围及步长设置如表 2所示,将各参数的变动值代入模型中来模拟不同情况下的叶片反射率。

      表 2  PROSPECT模型输入参数的范围及步长

      Table 2.  Range and Step of Input Parameters in the PROSPECT Model

      参数范围步长
      结构参数(1, 3)0.2
      叶绿素含量/mg·cm-2(0, 100)5
      水含量/g·cm-20.025
      干物质含量/g·cm-2(0.002, 0.02)0.002
    • 在PROSPECT模型中输入不同参数组合模拟出不同情况下的叶片反射率RL和透射率。将PROSPECT模型的输出结果作为4-scale模型的数据源,4-scale模型通过设置不同叶片光谱和叶面积指数模拟出不同叶片特征下的冠层光谱。4-scale模型的输出结果中包括冠层反射率R、传感器观测到的树冠光照面概率PT、树冠阴影面概率PZT、背景光照面概率PG以及背景阴影面概率PZG

      当叶面积指数LAI=3.5时,输入670 nm处不同情况下的叶片反射率,模拟出一组670 nm处的冠层反射率R。利用式(4)可以得到一组树冠光照面的反射率RT,并拟合在波长670 nm处的叶片光谱RL和树冠光照面光谱RT的关系。如图 4所示,RLRT的关系呈明显的线性关系,决定系数R2为0.999 5。

      图  4  670 nm树冠光照面光谱RT和叶片光谱RL的关系

      Figure 4.  Relationship Between Reflectance of the Sunlit Tree Crown RT and the Leaf RL at 670 nm

    • 多次散射因子与森林结构参数高度相关[15],在4-scale模型中输入同一组叶片光谱不变,LAI从1开始取值,并以0.2为步长变化,可以得到同一组叶片光谱在不同LAI下的冠层光谱。模拟多组叶片光谱在不同LAI下的冠层光谱,计算出不同LAI下多次散射因子M和其他影响因素b,拟合LAI与Mb的关系。如图 5所示,波长670 nm处的多次散射因子M和LAI的关系呈负对数关系,决定系数R2为0.976。由图 6可知,在波长670 nm处的其他影响因素b与LAI的关系呈正对数关系,决定系数R2为0.912 6。方程分别为:

      $$ M = - 0.097\ln ({\rm{LAI}}) + 1.498{\rm{ }}7 $$ (7)
      $$ b = 0.019\;6\ln ({\rm{LAI}}) - 0.053\;2 $$ (8)

      图  5  670 nm处多次散射因子M与LAI的相关关系

      Figure 5.  Relationship Between Multiple Scattering Factor M and LAI at 670 nm

      图  6  670 nm处其他影响因素b与LAI的相关关系

      Figure 6.  Relationship Between LAI and the Other Factor b at 670 nm

    • 在4-scale模型中输入固定的叶片光谱,以0.2为步长改变LAI的值,模拟出不同LAI下的冠层光谱,并得到不同LAI下PTPG的值。PTPG随LAI的变化情况如图 7所示。

      图  7  PTPG与LAI的关系

      Figure 7.  Relationship Between PT, PG and LAI

      图 7可知,PT与LAI有着明显的正对数关系,决定系数R2为0.999 5;PG与LAI的关系为负对数关系,决定系数R2为0.932 9。它们的相关性方程如下:

      $$ {P_T} = 0.050{\rm{ }}6\ln \left( {{\rm{LAI}}} \right) + 0.087 $$ (9)
      $$ {P_G} = - 0.16\ln \left( {{\rm{LAI}}} \right) + 0.381\;3 $$ (10)
    • 森林结构参数LAI在像元光谱和叶片光谱的相互转化中有着关键性的作用。本研究对叶面积指数LAI的估算使用统计方法,利用SR建立的LAI反演模型为式(11),模型的决定系数R2为0.815 6,拟合精度为88.33%,检验精度为83.02%,均方根误差RMSE为0.5426[15]。计算得到实验区域的LAI分布图见图 8

      $$ {\rm{LAI}} = 0.942{\rm{ }}5 \times {\rm{SR}} - 1.306 $$ (11)

      图  8  研究区域的LAI分布图

      Figure 8.  LAI Distribution of the Study Area

    • 利用上述的转换方法可以将HSI冠层光谱转换为叶片光谱(见图 9)。由冠层光谱转换得到的叶片光谱为估计值,与叶片光谱实测值作对比。图 10是670 nm处实测的叶片光谱与模拟的叶片光谱的散点图,决定系数R2为0.494 8。

      图  9  叶片在670 nm处的反射率分布图

      Figure 9.  Leaf Reflectivity of the Study Area at 670 nm

      图  10  670 nm处叶片光谱的实测值与估计值的比较

      Figure 10.  Comparison Between Measured and Estimated Values of the Leaf Reflectivity at 670 nm

    • 本研究以HSI数据为基础,结合野外实测数据,利用4-scale模型实现冠层光谱到叶片光谱的转换。得出以下结论:

      1) 树冠光照面的反射率与叶片反射率线性相关,决定系数R2达到了0.999 5。

      2) 波长670 nm处的多次散射因子M和LAI的关系呈负对数关系,决定系数R2为0.976。波长670 nm处的其他因素b与LAI的关系呈正对数关系,决定系数R2为0.912 6。

      3) PT与LAI有着明显的正对数关系,决定系数R2达到了0.999 5;PG与LAI的关系为负对数关系,决定系数R2为0.932 9。

      4) 叶片光谱的实测值与估计值的决定系数R2为0.494 8,均方根误差RMSE为0.250 8。说明利用4-scale模型能够实现冠层光谱与叶片光谱的尺度转换,此方法有很好的参考价值。

参考文献 (15)

目录

    /

    返回文章
    返回