基于改進距離投影比值指數的植被冠層水分反演

雷俊杰 楊武年 楊鑫 李紅

摘要：針對兩個特征波段組成的植被指數存在的飽和以及植物類型依賴問題，利用便攜式地物光譜儀（analytical spectral devices，ASD）和哨兵2號多光譜衛(wèi)星（Sentinel 2，S2）數據，使用改進的距離投影比值指數（improved distance projection ratio index，DPRI2）建立新葉片等效水厚度（leaf equivalent water thickness，LEWT）反演模型，進而反演冠層等效水厚度（canopy equivalent water thickness，CEWT）。研究表明：① R語言隨機森林（random forest，RF）算法可減少特征波段選取過程中人為因素;② DPRI2結構簡單，能充分反映特征波段之間角度、距離、投影三者組合關系，有利于提高LEWT、CEWT反演精度;③ DPRI2不受植被類型限制，適用于具有多種植被類型的研究區(qū)CEWT反演。通過遙感手段監(jiān)測CEWT，有利于探究植被在區(qū)域水文循環(huán)中的調控機制，以及科學評估區(qū)域水資源儲量。

關 鍵 詞：植被水文效應;冠層等效水厚度;遙感反演;高光譜分析;多光譜衛(wèi)星;特征波段;R語言

中圖法分類號：TP75;TP79

文獻標志碼：A

文章編號：1001-4179（2021）09-0113-06

DOI：10.16232/j.cnki.1001-4179.2021.09.018

0 引 言

植被與生態(tài)系統(tǒng)中的水文循環(huán)關系密切[1-2]，二者相互作用[3-4]。植被本身含水量及其水源涵養(yǎng)量是區(qū)域水資源儲量的組成部分，估算植被含水量有利于探究植被在水文循環(huán)中的調控機制，以及科學評估區(qū)域水資源量。

遙感技術為大面積、無損監(jiān)測區(qū)域植被冠層水分提供了較好的平臺，光學遙感技術具有科學反演冠層水分的巨大潛力 [5]，冠層等效水厚度（canopy equivalent water thickness，CEWT）可用于表征植被冠層水分含量。通常利用經驗模型或物理輻射模型得到葉片等效水厚度（leaf equivalent water thickness，LEWT）反演模型，乘以葉面積指數（leaf area index，LAI）計算CEWT。

有關CEWT的研究仍存在一些問題需解決：2個特征波段組成的植被指數存在飽和[6] 以及植被種類依賴問題，3個特征波段組成的植被指數包含較多特征信息，如何在大量的高光譜波段中選擇兩個以上特征波段組成新的植被指數[7]。本次研究利用FieldSpec便攜式地物光譜儀（analytical spectral devices，ASD）和哨兵2號多光譜衛(wèi)星（Sentinel 2，S2）數據，使用一種改進的距離投影比值指數（improved distance projection ratio index，DPRI2），建立新的LEWT反演模型，進而反演區(qū)域CEWT。本次研究創(chuàng)新點包括：改進角度斜率指數，DPRI2可減輕兩波段指數飽和問題以及特定波段構成的植被指數的種類依賴問題;建立新的LEWT、LAI、CEWT反演模型。

1 研究區(qū)簡介與數據處理

1.1 研究區(qū)簡介

研究區(qū)位于

長江上游支流岷江上游，該區(qū)域生態(tài)區(qū)位特殊，是四川盆地及長江上游重要生態(tài)屏障（見圖1）。

1.2 數據處理

1.2.1 S2數據處理

考慮研究對象為枯水期植被CEWT，本次研究選取2019年11月16日的S2多光譜衛(wèi)星數據，S2具有13個光譜波段，該數據（見表1）從歐洲航天局哥白尼開放接入中心官方網站下載。利用Sen2Cor 2.5.5軟件[8]對1C級產品進行輻射校正，轉換為2A級產品，經預處理（主要包括大氣校正、幾何校正）的S2影像重投影為UTM 48 WGS84，重采樣為10 m空間分辨率。

1.2.2 葉片樣品預處理

在研究區(qū)采集不同樹種葉子樣品，具體為在每棵樹的3個方向每隔120°采集樹葉，將葉子存入密封塑料袋，及時將葉片樣品運至實驗室測量光譜。

在實驗室里獲取每片葉子鮮重、高光譜曲線以及干重。具體為：首先用萬分位天平測量葉子的鮮重;接著將葉子置于黑色天鵝絨布上，使用裝有高強度探頭的ASD（光譜范圍為350～2 500 nm，波段間隔為1 nm，共計2 151個波段），從每片葉子中心測量光譜數據[9];接著利用MapGIS對繪制的每片葉子輪廓進行數字化，計算葉面積;最后，利用恒溫烘箱烘干葉片，及時稱重。

1.2.3 葉片高光譜數據預處理

葉片高光譜數據預處理軟件為View SpecPro，預處理步驟如下：① 通過View SpecPro軟件中Splice Correction模塊對葉片光譜曲線進行校正;② 采用連續(xù)統(tǒng)去除（continuum removal，CR）[10]法減輕光譜噪聲;③ 刪除350～399 nm以及1 790～1 950 nm范圍的低信噪比波段。最終得到CR處理后762個葉片光譜數據（見圖2）。

1.2.4 采集LAI

LAI指一個生態(tài)系統(tǒng)中單位面積上的葉面積[11]，可以一定程度上反映植被冠層結構[12]。本次研究使用Delta公司生產的Sunscan冠層分析儀（型號SS1）測量野外植被LAI，利用Trimble掌上電腦讀取Sunscan測量結果，測量時間為晴天10：00～14：00。

野外實測樣地尺度植被LAI范圍為0.1～5.2，平均值為2.1，標準偏差為1.2，LAI從高到低依次為：林地（常綠林、混交林、落葉林）、灌草、草地（見圖3）。

2 方 法

2.1 DPRI及其改進

（1）選取特征波段。使用R語言隨機森林（random forest，RF）算法選取近紅外（NIR，700～900 nm）、短波近紅外SWIR1（901～1 600 nm）和SWIR2（1 601～2 500 nm）處的隨機森林特征波段（random forest feature bands，RFFBs），RF算法可對每個變量進行綜合分析，根據變量重要性進行排序，本研究將節(jié)點純度總增加值（IncNodePurity）峰值所在的波段作為RFFBs。

（2）根據βSWIR1角[13]以及NIR、SWIR1和SWIR2之間的距離，投影構建歸一化投影指數（normalized differential projection index，NDPI）和DPRI。NDPI和DPRI計算過程[9]如下：

式中：βSWIR1表示SWIR1頂點處NIR、SWIR1和SWIR2之間的關系（見圖4）[13];a表示從NIR點到SWIR1點的向量;b表示從SWIR1點到SWIR2點的向量;a、b和c分別是NIR與SWIR1，SWIR1與SWIR2，SWIR2與NIR之間的距離;VQPSWIR1為a和b的點積。

最后，改進角度斜率類指數DPRI，具體如下：

2.2 CEWT反演

2.2.1 LEWT

（1）利用公式（7）[14]計算LEWT。

LEWT=FW-DWA（7）

式中：FW、DW分別表示葉片鮮重、干重，A表示葉片面積。

（2）建立DPRI2和LEWT的線性回歸模型法。最后建立最優(yōu)LEWT反演模型，具體為從150種植被指數以及DPRI2中篩選最優(yōu)植被指數或方程用于建立最佳LEWT反演模型。

2.2.2 LAI

當前遙感反演LAI的主要方法有經驗模型法、光學模型法。本次研究利用實測樣地LAI與NDVI的統(tǒng)計關系，建立LAI反演模型。

2.2.3 高光譜數據重采樣

由于ASD測得的葉片高光譜數據不能直接用于基于衛(wèi)星等寬波段光學數據的植被冠層含水量（如CEWT）反演，因此需對高光譜數據重采樣，本次研究采用算數平均法[15]將葉片高光譜窄波段重采樣為對應的S2寬波段。

2.2.4 CEWT

首先利用DPRI2對應的S2波段建立DPRI2指數，接著建立基于S2的LEWT反演模型，最后將LEWT乘以LAI得到CEWT。

3 結果與討論

3.1 隨機森林特征波段

通過RF算法得出NIR、SWIR1和SWIR2處RFFBs分別為821，1 600 nm和2 167 nm（見圖5）。波段IncNodePurity值越高，該波段所反映的LEWT特征信息越豐富，在NIR、SWIR1和SWIR2處，IncNodePurity值均出現峰值，呈明顯分層與陡升陡降現象，不同葉子LEWT在這些波段處差異較為明顯，表明在NIR、SWIR1和SWIR2各光譜范圍選擇RFFBs具有一定優(yōu)勢。

3.2 LEWT反演模型

LEWT范圍為0.001 1～0.021 9 g/cm2，平均值為0.011 3 g/cm2，標準偏差為0.002 9 g/cm2，從不同樹種LEWT來看，闊葉樹鮮葉LEWT高于針葉樹鮮葉LEWT（見圖6）。

DPRI2和LEWT的線性回歸模型如下：

LEWTDPRI2=-0.0002-0.1229DPRI2 （8）

該模型10折交叉驗證R2=0.82，rRMSE=9.11%。

基于配對t檢驗（p>0.05），實測和LEWT（DPRI2）反演的LEWT之間無顯著差異（見圖7）。

表2為從150種植被指數或方程中篩選的有利于反演LEWT的植被指數或方程，可以看出利用NIR和SWIR構建的植被指數較優(yōu)，DPRI2優(yōu)于以前的部分植被指數或方程。

通過分析DPRI2指數及其在LEWT反演中的應用效果，得出：

（1）DPRI2具有一定的通用性。表2中的部分光譜指數和方程使用特定波段構建，特定波段通常與植被類型有關。通過RF算法選取的RFFBs非特定波段，因此，DPRI2受植被種類變化的影響較小，表明DPRI2指數可靈活地用于識別不同種類植被葉片LEWT中的微小變化。

（2）不同含水量的葉片具有相似或相等的βSWIR1角，僅從角度大小來分析LEWT，對LEWT反演精度存在一定不利影響。DPRI2指數結構簡單，比一個波段、兩個波段或只考慮角度和波段之間關系的指數具有更多的特征信息。

（3）DPRI2指數可較為準確地反演LEWT，原因為：① 使用RF算法，有利于減少特征波段選擇中的主觀因素。② 3波段指數在一定程度上減輕兩波段指數飽和問題。③ 對NDPI指數進行歸一化處理，在此基礎上建立DPRI2指數，歸一化后的植被指數通常用于減輕光譜測量中外界環(huán)境的不利影響。④ DPRI2包含大量特征波段信息，每個特征波段反映的LEWT信息較為豐富。

3.3 LAI反演模型

利用歸一化植被指數（normalized differential vegetation index，NDVI，[B8-B4]/[B8+B4]）與LAI之間的統(tǒng)計關系建立LAI反演模型（見式（9）），該模型10折交叉驗證R2= 0.87，rRMSE=9.89%?；谂鋵檢驗（p>0.05），實測LAI和預測LAI 之間無顯著差異。

LAI=1.2-3.0759×ln（1-NDVI0.79）（9）

利用公式（9）反演研究區(qū)LAI（見圖8）。研究區(qū)LAI呈現西北低，東南高的空間分布規(guī)律。主要原因為研究區(qū)西北部主要植被類型為灌草、草地，林地主要分布在南部、東部高山地區(qū)。

3.4 CEWT反演制圖

將RFFBs對應的S2波段B8（NIR波段）、B11（SWIR1波段）、B12（SWIR2波段）代入DPRI2反演模型，該結果代入公式（8）得到LEWT，進而計算CEWT（見圖9）。

通過分析利用S2波段建立的DPRI2指數及其在CEWT反演中運用效果，可得出：

（1）利用S2波段建立的 DPRI2指數同樣考慮了S2的3個寬特征波段之間角度、距離、投影和波段間關系，含有大量的與CEWT相關的特征信息。

（2）由于DPRI2受植被類型影響較小，加之S2衛(wèi)星具備大面積監(jiān)測植被生長狀況的能力，因此，DPRI2指數適用于具有多種植被類型的景觀尺度以及較大區(qū)域尺度CEWT反演。

（3）DPRI2指數與CEWT呈現負相關關系，DPRI2值越低，CEWT越高。

（4）研究區(qū)CEWT空間分布上呈現西北低，東南高，林地CEWT較高。主要原因為西北部海拔、緯度較高，11月份氣溫低，草、部分灌叢、灌木葉子枯萎，而南部、東部的高山常綠樹種無落葉或較少落葉，常綠樹種鮮葉儲水量較大。

4 結論與展望

（1）R語言遙感數據分析、制圖方法在定量遙感研究中具有較好的應用前景，R語言可用于室內葉片高光譜曲線數據分析，建立新LEWT、LAI、CEWT反演模型，還可用于遙感反演結果制圖。

（2）DPRI2結構簡單，較為充分地反映特征波段之間的角度、距離、投影三者組合關系，有利于提高LEWT、CEWT反演精度，適用于具有多種植被類型的景觀尺度以及較大區(qū)域尺度CEWT反演。通過遙感手段監(jiān)測CEWT，有利于探究植被在區(qū)域水文循環(huán)中的調控機制以及準確評估區(qū)域水資源量。

（3）雖然DPRI2可較好地反演CEWT，但仍存在一定不足：本研究從NIR、SWIR1和SWIR2光譜范圍分別選取特征波段，其余光譜范圍比如紅光波段值得進一步研究;林木干、根系含水量定量遙感反演方法也值得進一步探究。

參考文獻：

[1] 金林，李養(yǎng)龍.森林植被對河川徑流及泥沙影響的分析[J].人民長江，2008，39（1）：41-42，45.

[2] 劉士余，孫閣，郭細根.氣候與森林植被變化對水文影響的定量研究進展[J].人民長江，2012，43（2）：30-33.

[3] 莫康樂.水分控制下的生態(tài)水文過程研究[D].北京：清華大學，2017.

[4] 金棟梁.森林對水文要素的影響[J].人民長江，1989，20（1）：30-37.

[5] GU Y，HUNT E，WARDLOW B，et al.Evaluation of MODIS NDVI and NDWI for vegetation drought monitoring using Oklahoma Mesonet soil moisture data[J].Geophysical Resenrch Letters，2008，35（22）：1092-1104.

[6] HUETE A，DIDAN K，MIURA T，et al.Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J].Remote Sensing of Environment，2002，83（1-2）：195-213.

[7] 齊波.大豆育種中產量和生長性狀的高光譜預測技術研究[D].南京：南京農業(yè)大學，2014.

[8] SOLA I，GARCIA M A，SANDONIS P L，et al.Assessment of atmospheric correction methods for Sentinel-2 images in Mediterranean landscapes[J].International Journal of Applied Earth observation and Geoinformation，2018，73：63-76.

[9] LEI J，YANG W，LI H，et al.Leaf equivalent water thickness assessment by means of spectral analysis and a new vegetation index[J].Journal of Applied Remote Sensing，2019，13（3）：1.

[10] PANIGADA C，TAGLIABUE G，ZAADY E，et al.A new approach for biocrust and vegetation monitoring in drylands using multi-temporal Sentinel-2 images[J].Progress in Physical Geography，2019，43（4）：496-520.

[11] 梁順林，李小文，王錦地，等.定量遙感理念與算法[M].北京：科學出版社，2013.

[12] XIE X Y，LI A N，JIN H A，et al.Assessment of five satellite-derived LAI datasets for GPP estimations through ecosystem models[J].Science of the Total Environment，2019，690：1120-1130.

[13] KHANNA S，PALACIOS O A，WHITING M L，et al.Development of angle indexes for soil moisture estimation，dry matter detection and land-cover discrimination[J].Remote Sensing of Environment，2007，109（2）：154-165.

[14] MOBASHERI M R，FATEMI S B.Leaf equivalent water Thickness assessment using reflectance at optimum wavelengths[J].Theoretical and Experimental Plant Physiology，2013，25（3）：196-202.

[15] 肖文憑，呂成文，喬天，等.重采樣間隔對土壤質地高光譜預測模型精度的影響[J].土壤通報，2018，49（6）：1279-1285.

[16] STIMSON H C，BRESHEARS D D，USTIN S L，et al.Spectral sensing of foliar water conditions in two co-occurring conifer species：Pinus edulis and Juniperus monosperma[J].Remote Sensing of Environment，2005，96（1）：108-118.

[17] YILMAZ M T，HUNT E R，JACKSON T J.Remote sensing of vegetation water content from equivalent water thickness using satellite imagery[J].Remote Sensing of Environment，2008，112（5）：2514-2522.

[18] PENUELAS J，PINOL J，OGAYA R，et al.Estimation of plant water concentration by the reflectance Water Index WI （R900/R970）[J].International Journal of Remote Sensing，1997，18（13）：2869-2875.

[19] CECCATO P，FLASSE S，TARANTOLA S，et al.Detecting vegetation leaf water content using reflectance in the optical domain[J].Remote Sensing of Environment，2001，77（1）：22-33.

[20] PALACIOS O A，KHANNA S，LITAGO J，et al.Assessment of NDVI and NDWI spectral indices using MODIS time series analysis and development of a new spectral index based on MODIS shortwave infrared bands[C]∥Proceedings of the 1st Int Conf Remote Sens and Geoinf Process Assess and Monit Land Degrad and Desertification，Trier，2005.

（編輯：黃文晉）