冬小麥葉面積指數(shù)真實性檢驗尺度擴展方法研究

李軍玲，張 弘，鄒春輝

(中國氣象局河南省農(nóng)業(yè)氣象保障與應(yīng)用技術(shù)重點實驗室/河南省氣象科學(xué)研究所，河南鄭州 450003)

地球表面空間是一個復(fù)雜的巨系統(tǒng)，在某一尺度上觀察到的性質(zhì)、總結(jié)出的原理或規(guī)律，在另一尺度上可能有效、相似或需要修正[1]，因此從定量遙感出發(fā)的地學(xué)描述會存在多尺度的問題[2-3]。而現(xiàn)階段對光譜尺度效應(yīng)的系統(tǒng)研究還相對缺乏，空間尺度效應(yīng)的機理研究仍較為薄弱。小麥作為典型的連續(xù)型分布植被，不同生育期的冠層結(jié)構(gòu)和生理特征具有明顯差異，這會造成其光譜特征及像元空間異質(zhì)性的不同。因此，高精度模擬冬小麥葉面積指數(shù)(LAI)，實現(xiàn)由單點到區(qū)域的尺度擴展，對遙感反演LAI產(chǎn)品的驗證及遙感與作物模型同化等都具有重要意義。

尺度轉(zhuǎn)換問題是定量遙感最核心的問題之一[4]。目前，國外學(xué)者通過建立遙感產(chǎn)品驗證框架[5-6]、多尺度驗證中的抽樣策略[7]以及各種陸面變量的具體驗證[8-9]進行相關(guān)研究。Wang 等[10]針對中國區(qū)域尺度遙感產(chǎn)品的驗證，進行了從站點到區(qū)域的尺度擴展研究。國內(nèi)研究一般包括異質(zhì)性地表站點觀測數(shù)據(jù)代表性和地面點觀測到像元尺度的轉(zhuǎn)換問題[11]。代表性評價對站點觀測數(shù)據(jù)的定量應(yīng)用是必要的[12]，提高站點觀測數(shù)據(jù)的代表性是遙感產(chǎn)品數(shù)據(jù)真實性檢驗的基礎(chǔ)。很多學(xué)者在遙感產(chǎn)品真實性檢驗領(lǐng)域進行了站點觀測代表性評價研究[13-15]。站點觀測的代表性誤差與空間異質(zhì)性有著密切聯(lián)系[16]，優(yōu)化采樣方法是提高站點代表性的有效途徑。盧 偉等[17]研究發(fā)現(xiàn)，從MODIS上提取的LAI 生長曲線與實測LAI值之間有明顯差異，主要是由于估測值與實測值之間的尺度不匹配導(dǎo)致。對于這種尺度差異需要通過尺度轉(zhuǎn)換來解決[18]。方法一般有兩種。一種是直接將地面測量數(shù)據(jù)簡單平均作為地面真值，這種方法對地面測量點的代表性要求很高。很多學(xué)者[19-20]利用這一方法對遙感反演產(chǎn)品進行了驗證。但采用這種方法，站點對遙感像元的代表性會隨著時間和空間發(fā)生變化，并不穩(wěn)定[21]。另一種方法是以高空間分辨率遙感影像作為過渡產(chǎn)品，生成高分辨率地表參數(shù)分布圖后平均到遙感產(chǎn)品像元尺度。Liang等[22]和Chen等[23]采用這種方法驗證了MODIS反照率產(chǎn)品和AVHRR、VEGETATION的LAI產(chǎn)品。Garrigues等[24]也用這種方法對CYCLOPES、ECOCLIMAP、MODIS以及CCRS LAI 進行了分析。Yang 等[25]分析了兩種驗證方法的優(yōu)劣，認為直接使用地面測量數(shù)據(jù)與MODIS LAI 進行比較是不可行的。由此可以看出，第二種方法可以較好地解決地面測量數(shù)據(jù)代表范圍與遙感像元尺度不匹配的問題。但是這種方法的精度取決于生成高分辨率地表參數(shù)分布圖的擬合精度。劉 軻等[26]研究表明，當波段選擇恰當，輸入?yún)?shù)不確定性較小時，光譜分辨率較高的數(shù)據(jù)表現(xiàn)出更優(yōu)的LAI反演精度與穩(wěn)定性。

本研究擬在冬小麥生育關(guān)鍵期在星(遙感衛(wèi)星)地(葉面積儀)空(無人機遙感)同步觀測數(shù)據(jù)的基礎(chǔ)上，引入無人機載可見光影像和高分1號高分辨率衛(wèi)星NDVI數(shù)據(jù)作為采樣的先驗知識進行地面LAI采樣，并利用高分1號不同植被指數(shù)和同尺度地面測量LAI數(shù)據(jù)建立光譜估算模型，獲取冬小麥LAI反演的敏感指數(shù)。然后將高分辨率遙感影像與地面測量數(shù)據(jù)進行定標，生成高分辨率LAI分布圖，進而將其聚合到低空間分辨率上，使人工觀測與區(qū)域遙感觀測在時間和空間上得到同步與匹配，實現(xiàn)其尺度的擴展。

1 材料與方法

1.1 研究區(qū)域

研究區(qū)位于河南省鶴壁市，2017年4月11日在淇濱區(qū)矩橋鎮(zhèn)小麥萬畝示范方、4月12日在淇縣西崗鎮(zhèn)小麥萬畝示范方進行采樣，區(qū)域內(nèi)冬小麥普遍處于拔節(jié)—抽穗期。該區(qū)域地表覆蓋類型簡單，除田間小路外均為小麥種植區(qū)，分別選擇500 m×500 m的區(qū)域作為地面采樣方法的研究試驗區(qū)，具體位置見圖1。

1.2 采樣方法

1.2.1 采樣單元的選取

分別在兩個采樣區(qū)域500 m×500 m范圍內(nèi)布設(shè)18個采樣單元，每個采樣單元為16 m×16 m。具體做法：先利用無人機可見光影像排除非冬小麥種植區(qū)域，再根據(jù) NDVI 頻率分布直方圖，以層內(nèi)方差的加權(quán)和取最小作為目標函數(shù)確定最佳分割閾值，將生成的冬小麥純像元NDVI圖分割成3個類別，根據(jù) NDVI 分割結(jié)果圖計算各類別的面積比例，并在各類別內(nèi)部進行隨機采樣，每個類別取6個采樣單元。

首先下載和地面采樣時間一致或接近的研究區(qū)域高分1號16 m分辨率多光譜遙感影像(WFV)并進行預(yù)處理(圖2)，再在ENVI5.2 bandmath中計算獲得鶴壁地區(qū)NDVI分布圖(圖3)，裁剪獲取采樣區(qū)域并進行冬小麥種植像元的分類(圖4)，根據(jù)分類結(jié)果，每個類別選取6個采樣單元，兩個研究區(qū)域共36個采樣單元。

圖1 鶴壁市矩橋鎮(zhèn)和西崗鎮(zhèn)采樣區(qū)域Fig.1 Sampling area of Juqiao town and Xigang town in Hebi city

圖2 GF-1預(yù)處理流程Fig.2 Preprocessing flow of GF-1

1.2.2 采樣單元LAI數(shù)據(jù)的實測方法

根據(jù)無人機影像和LAI高光譜估算模型計算采樣單元16 m×16 m尺度LAI值。從可見光圖像能夠明顯看出，由于播種方式、小麥品種、管理措施等的差別，不同地塊綠度值和疏密程度存在差異，這會直接導(dǎo)致LAI有所不同。因此，在已經(jīng)選取的16 m×16 m尺度內(nèi)，根據(jù)可見光圖像進行采樣點的選取(圖5)。根據(jù)冬小麥不同長勢及不同管理把采樣單元分成為5類區(qū)域，每種類型取3個采樣點(1 m×1 m)，并通過詳細測量獲得1～5類區(qū)域占采樣單元的面積比例(分別用R1～R5表示)。用LAI2200對采樣點1 m×1 m尺度LAI進行測量。按照公式“LAI1×R1+ LAI2×R2+LAI3×R3+LAI4×R4+ LAI5×R5” 計算所有采樣單元的LAI值，LAI1、LAI2、LAI3、LAI4、LAI5分別表示1～5類3個采樣點的平均LAI值。

圖3 鶴壁地區(qū)GF-1 NDVI分布圖Fig.3 NDVI distribution map in Hebi city produced by GF-1

圖4 西崗鎮(zhèn)采樣區(qū)域NDVI分類圖Fig.4 NDVI classification map of the sampling area in Xigang town

圖5 無人機可見光圖像上采樣點的選取Fig.5 Selection of sampling points on UAV visible light image

1.3 過渡尺度遙感數(shù)據(jù)

1.3.1 遙感數(shù)據(jù)的獲取

相對于待檢驗的MODIS LAI產(chǎn)品而言，將高分辨率遙感數(shù)據(jù)稱之為過渡尺度遙感數(shù)據(jù)[27]。本研究選取與地面采樣單元尺度一致的高分1號WFV數(shù)據(jù)，其空間分辨率為16 m。根據(jù)研究區(qū)域的地理位置和實測LAI數(shù)據(jù)獲取時間，同時又考慮云的影響，在中國資源衛(wèi)星應(yīng)用中心網(wǎng)站(http://www.cresda.com/CN/)下載了2017年4月17日的高分1號WFV數(shù)據(jù)，進行預(yù)處理(圖2)并裁剪為相應(yīng)的研究區(qū)域。

1.3.2 植被指數(shù)的選取

綠色植物的反射光譜特征主要體現(xiàn)為紅光波段的強吸收和近紅波段的強反射。以紅光和近紅外通道組合為主的多種植被指數(shù)可以增強植被信息，反映植物生長狀況[28]。針對高分1號WFV傳感器的參數(shù)特點，參考前人研究成果及研究區(qū)植被分布狀況，本研究選用NDVI、SAVI、RDVI和RVI四種植被指數(shù)對地面LAI進行模擬估算。

1.4 估算模型的建立和驗證方法

在研究區(qū)域共設(shè)置采樣單元36個，隨機把樣本分為訓(xùn)練樣本(20個)和驗證樣本(16個)。從訓(xùn)練樣本與驗證樣本的LAI分布直方圖(圖6)可以看出，訓(xùn)練樣本和驗證樣本分布較為均勻，說明兩種樣本數(shù)據(jù)具有同質(zhì)性。在遙感反演NDVI、SAVI、RDVI和RVI的基礎(chǔ)上，利用訓(xùn)練樣本分別建立線性、對數(shù)、二次函數(shù)、指數(shù)和冪函數(shù)LAI估算模型，依據(jù)決定系數(shù)和絕對誤差篩選最優(yōu)模型，再采用均方根誤差(RMSE)對最優(yōu)模型預(yù)測精度進行評價。

2 結(jié)果與分析

2.1 小麥LAI估算模型的篩選結(jié)果

從表1可以看出，每種植被指數(shù)對應(yīng)的線性、對數(shù)、二次函數(shù)、指數(shù)和冪函數(shù)估算模型均通過0.01水平的顯著性檢驗，其中均以二次函數(shù)模型的決定系數(shù)r2較大，建模RMSE較小。4種植被指數(shù)相比，NDVI對LAI的擬合程度更高，r2為0.788 7，建模RMSE和預(yù)測RMSE均較小，因此認為以NDVI為自變量的二次函數(shù)模型最優(yōu)?；隍炞C樣本的NDVI二次函數(shù)模型模擬LAI預(yù)測值與實測值的1∶1關(guān)系圖(圖7)表明，其對LAL具有較高的預(yù)測精度，適用于冬小麥拔節(jié)—抽穗期LAI的估測。

圖6 訓(xùn)練樣本與驗證樣本的LAI分布直方圖Fig.6 LAI distribution of training samples and validation samples

表1 地面LAI與高分1號植被指數(shù)的擬合模型參數(shù)Table 1 Fitting parameters of surface LAI and GF-1 vegetation indices

線性方程：y=a+bx；對數(shù)模型：y=a+blnx；二次函數(shù)模型：y=a+bx+cx2；指數(shù)模型：y=aebx；冪函數(shù)模型：y=axb。**:P<0.01。

Linear equation:y=a+bx; Logarithmic model:y=a+blnx; Quadratic function model:y=a+bx+cx2；Exponential model:y=aebx；Power exponent model:y=a+bx+cx2; y=axb.**:P<0.01.

2.2 尺度擴展

在高分1號衛(wèi)星NDVI分布圖的基礎(chǔ)上，利用此模型進行LAI格點數(shù)據(jù)的計算，獲得16 m×16 m尺度的研究區(qū)域的LAI分布圖，在Arcgis中經(jīng)過重采樣聚合為250 m×250 m尺度的LAI格點圖(圖8)，從而實現(xiàn)從地面點測量數(shù)據(jù)到衛(wèi)星尺度數(shù)據(jù)的擴展。在鶴壁2個采樣區(qū)域，中心經(jīng)緯點(114.299°E，35.678°N)和(114.197°E，35.573°N)的預(yù)測LAI值分別為7.47和6.55，實測點值平均為7.17和6.32，相對誤差分別為4.18%和3.64%，表明這種尺度擴展方法是可行的。

3 討 論

高精度模擬冬小麥葉面積指數(shù)，實現(xiàn)其由單點到區(qū)域的尺度擴展對遙感反演LAI產(chǎn)品的驗證及遙感與作物模型同化都具有重要意義。曾也魯?shù)萚29]提出了基于NDVI先驗知識的采樣單元布設(shè)方法,并采用不同植被類型、不同均勻程度的地表作為模擬場,分析對比了此方法的精度及穩(wěn)定性，但這種方法能提供的先驗知識是有限的，同時MODIS-NDVI分辨率低，無法為采樣提供精確的參考信息。 本研究從最基本的采樣方法入手，用無人機可見光影像和高分1號NDVI分類圖作為取樣方法的先驗知識。與以往研究相比，本研究有效提高了站點觀測數(shù)據(jù)的代表性。通過優(yōu)化觀測數(shù)據(jù)的取樣方法，實現(xiàn)從觀測點數(shù)據(jù)(1 m×1 m)到采樣單元數(shù)據(jù)(16 m×16 m)的尺度擴展，通過統(tǒng)計分析獲得采樣單元葉面積指數(shù)的相對真值，與以往研究[19-20]直接使用地面采樣點的數(shù)據(jù)均值代表采樣單元的值相比，本研究的采樣方法和統(tǒng)計方法都更科學(xué)合理。

圖7 基于驗證樣本的NDVI二次函數(shù)模型的LAI預(yù)測值與實測值的1∶1關(guān)系Fig.7 1∶1 relation diagram between LAI predicted value and measured value

圖8 250 m×250 m尺度的LAI格點圖Fig.8 LAI distribution map of 250 m×250 m scale

在獲得采樣單元相對真值的基礎(chǔ)上，引入高分辨率高分1號衛(wèi)星數(shù)據(jù)，經(jīng)過精確的地理坐標校正之后，和地面采樣單元一一對應(yīng)。為了更好地研究兩者之間的關(guān)系，本研究選取了4種不同的植被指數(shù)并模擬其與LAI的關(guān)系。結(jié)果顯示，NDVI為自變量的拋物線模型最優(yōu)，其訓(xùn)練樣本擬合與驗證精度均最高，表明此經(jīng)驗?zāi)Ｐ瓦m用于此研究區(qū)域冬小麥拔節(jié)-抽穗期LAI的估算。與直接采用比值植被指數(shù)(RSR)[17]和NDVI[18]的方法相比，本研究方法系統(tǒng)性更強，更有說服力。

本研究從點到面，再從面到高分辨率衛(wèi)星，之后再到中分辨率衛(wèi)星(MODIS)，一步步實現(xiàn)從地面點測量數(shù)據(jù)到衛(wèi)星尺度數(shù)據(jù)的擴展。兩個研究區(qū)域模擬值和實測值的相對誤差分別為4.18%和3.64%，表明這種尺度擴展方法是科學(xué)可行的。當然，本研究只是在特定區(qū)域和冬小麥特定發(fā)育階段的一個研究結(jié)果，今后還需要在不同區(qū)域和不同發(fā)育階段進行方法的研究和驗證。