陶亮亮，李 京，蔣金豹，陳 曦，蔡慶空

(1.北京師范大學地表過程與資源生態(tài)國家重點實驗室，北京 100875； 2.北京師范大學環(huán)境演變與自然災害教育部重點實驗室，北京 100875； 3.中國礦業(yè)大學(北京)地球科學與測繪工程學院，北京 100083)

?

利用RADARSAT-2雷達數據與改進的水云模型反演冬小麥葉面積指數

陶亮亮1,2，李 京1,2，蔣金豹3，陳 曦1,2，蔡慶空3

(1.北京師范大學地表過程與資源生態(tài)國家重點實驗室，北京 100875； 2.北京師范大學環(huán)境演變與自然災害教育部重點實驗室，北京 100875； 3.中國礦業(yè)大學(北京)地球科學與測繪工程學院，北京 100083)

摘要：利用微波遙感反演植被參數往往受到植被分布不均、稀疏植被覆蓋、地表裸土等因素影響，導致微波遙感用于農業(yè)參數估計的效果不佳。為解決微波遙感反演地表植被參數的問題，本研究在原有的水云模型基礎上引入植被覆蓋度以及裸土對于雷達后向散射系數的直接作用信息，提出一種改進的水云模型，并充分考慮地表植被的覆蓋分布情況，結合地面實測數據及RADARSAT-2雷達數據對改進模型進行驗證，然后根據改進模型通過查找表法反演出植被含水量，最后利用葉面積指數與植被含水量的經驗關系間接得到葉面積指數的估測值。結果表明，改進的水云模型對后向散射系數的模擬精度比原有的水云模型精度高，模擬的決定系數在HH和VV極化時分別為0.850和0.739，均方根誤差分別為0.918 dB和1.475 dB。由此可見，改進的模型對研究區(qū)植被條件更為敏感，能夠較好地分離出植被與土壤信息對雷達后向散射系數的影響，同時利用其反演得到的葉面積指數精度較高，決定系數達到0.841，均方根誤差為0.233。

關鍵詞：水云模型；RADARSAT-2；葉面積指數；植被覆蓋度；植被含水量；后向散射系數

葉面積指數(leaf area index，LAI)作為表征植被生長和發(fā)育狀態(tài)的一個重要參數，描述了植被葉片生長與葉密度間的變化關系，在農業(yè)、生態(tài)、氣候變化等研究領域有著廣泛的應用[1-3]。光學遙感作為目前LAI大范圍監(jiān)測的主要途徑，主要有范圍廣、波段多、無破壞等特點[4]，然而光學遙感會受到云層、氣溶膠等因素影響，因此這些因素為LAI的遙感估測帶入了極大的不確定性。而合成孔徑雷達(SAR)不受天氣影響，可以用于全天候、全天時監(jiān)測，從而給LAI的連續(xù)觀測提供了可能，同時在時間與空間分辨率上也有一定的精度保證。

目前，LAI的反演方法主要包括經驗模型法、物理模型法及經驗-半經驗反演方法3類。經驗模型法主要是建立植被指數與LAI之間的線性或非線性關系，從而獲取LAI值，但是這種方法不具有普適性，對研究區(qū)的植被類型、區(qū)域特點有較大的依賴性。物理模型法能夠較好地模擬植被的生理生化特征，普適性較好，但模型較復雜，輸入的結構參數較多，計算繁瑣。而經驗-半經驗方法基于簡化的物理原理，包含的結構參數較少，同時具備經驗模型與物理模型的優(yōu)點，比經驗模型對于植被特征的模擬更準確，且比物理模型更簡單、有效，因此更適合LAI的田間反演。

應用最廣的半經驗模型為水云模型(Water-cloud model，WCM)，其由Attema和Ulaby于1978年提出[5]，常被應用于地表土壤水分、植株水分、LAI、生物量等的反演中[6-9]。Ulaby等[6]通過水云模型建立總的后向散射系數與冠層LAI的相關關系，認為在LAI值大于0.5的情況下，雷達頻率為8.6、13.0、17.0及35.6 GHz時，總的后向散射系數的變化與綠葉LAI的變化有關。Prevot等[7]基于C和X波段的雷達數據，采用水云模型對冬小麥的LAI及地表土壤水分進行反演，均方根誤差分別為0.64和 0.065。Inoue等[10]采用多種頻率、多種入射角的雷達數據，結合水云模型對作物LAI和生物量進行研究，結果表明LAI與C波段HH和交叉極化數據有較好的關系，而生物量與L波段的HH和交叉極化有較好的關系。由于水云模型對各參數的反演精度相對較低，因此許多研究對水云模型進行改進與校正，取得了一定的效果[11-15]。Svoray等[12]通過引入綠色植被的體積密度來反映草本植被與灌木植被散射機制的差異，從而獲取較精確的植被生物量值，決定系數達到0.82。Beriaux等[13]對水云模型的參數進行校正，并結合C波段VV極化雷達數據進行驗證，結果表明，估計得到的LAI的RMSE平均為0.26，最高為0.56。Kweon等[14]通過在水云模型中加入葉傾角分布的平均標準差，進而精確估計植被冠層散射部分對后向散射系數的角度影響，實驗數據驗證結果表明，估計的后向散射系數與測量值的RMSE小于1.5 dB。然而這些研究得到的植被參數估計值精度均較低，且未充分考慮植被覆蓋情況以及裸土地表對反演精度的影響。

本研究在水云模型的基礎上加入植被覆蓋度以及裸土對雷達信號的影響，充分考慮植被與土壤的實際分布情況，使得模型對地表植被覆蓋狀態(tài)的刻畫更加準確，同時結合2014年在陜西關中平原地區(qū)的冬小麥地面試驗以及RADARSAT-2雷達數據，對改進的模型進行驗證，同時利用查找表法以及LAI與植被含水量的定量關系對小麥LAI進行反演，獲取研究區(qū)的LAI估測值。

1研究區(qū)和數據源

1.1研究區(qū)與試驗

研究區(qū)位于陜西省關中平原的部分地區(qū)，包括楊凌、扶風、武功等區(qū)域，以楊凌國家農業(yè)示范基地為主要試驗區(qū)(圖1)，其地處北緯34.1°～34.5°，東經107.8°～108.3°，占地面積近34 000 km2，海拔高度為431～563 m，屬于暖溫帶半濕潤大陸性季風氣候，氣候溫和，多年平均氣溫13 ℃，雨量適中，年均降水量636.1～663.9 mm，研究區(qū)以小麥玉米輪作為主，小麥生長季從10-11月到第二年的5-6月，生育期長達180 d左右。

試驗在2014年3月28日到3月30日之間進行，在研究區(qū)內共設立三個小麥觀測區(qū)，每個觀測區(qū)根據種植面積設立不同的固定觀測點，對于每個觀測點，試驗主要記錄田塊內小麥的生育期、株高、播種密度、LAI、地表0～10 cm的土壤水分、地表粗糙度等參數。LAI主要采用LI-COR LAI2000進行測量，測得的數據范圍為1.2～4.9。土壤水分含量利用時域反射儀(TDR)的7.6 cm探針測定，選取樣點共112個，測定時每個樣點周圍均勻采集五個點的土壤水分含量數據，然后取這五個點的平均值作為該點的土壤水分含量值，測得的土壤水分數據范圍為8.2%～58.3%。另外，在每個觀測點隨機獲取土樣和小麥植物樣，并分別編號和稱取鮮重，然后放入烘箱中，在105 ℃下烘48 h，稱其干重。地表粗糙度的提取方法是將2 m長的粗糙度板放置于待測地表，對粗糙度地表拍攝照片，然后對拍攝的地表照片進行二值化，獲取土壤粗糙度的輪廓曲線，最后提取出土壤粗糙度的參數：均方根高度和表面相關長度[16]。

圖1　研究區(qū)及其冬小麥近景和遠景照片

1.2衛(wèi)星數據與預處理

本研究獲取2014年3月29日覆蓋試驗研究區(qū)的RADARSAT-2雷達全極化數據產品，近距離入射角約為27°，空間分辨率約為8 m，中心頻率為5.405 GHz，幅寬25 km，RADARSAT-2數據的預處理主要在Next ESA SAR Toolbox (NEST，version 5.0.16)雷達處理軟件中完成，包括輻射和地形校正、幅度-強度圖像轉換及后向散射系數圖像生成，同時利用Enhanced Lee圖像濾波算法對數據進行去噪處理，濾波窗口大小為5×5，最后利用20個地面控制點對影像數據進行配準。圖2是預處理后雷達假彩色影像，其中暗紅色的為小麥種植區(qū)，其間混雜有些許建筑。

另外,本研究使用的光學影像為中分辨率多光譜Landsat-8數據，時間分辨率為16 d，幅寬185 km，空間分辨率為30 m，獲取時間為2014年3月24日。Landsat-8數據的適中分辨率、對植被的良好監(jiān)測能力及數據的連續(xù)性使得其成為區(qū)域范圍水土保持研究中的重要遙感數據源[17]。該數據的預處理工作在ENVI 5.0遙感處理軟件中完成，主要包括影像裁剪、輻射校正和大氣校正，最后利用地面控制點分別與雷達影像進行配準。

圖2　2014年3月29日RADARSAT-2假彩色影像

2研究方法

2.1水云模型的改進

水云模型是以農作物為研究對象提出的。它對植被覆蓋層的散射機制進行了簡化。水云模型將植被層假定為一個各向均質的散射體，忽略了植被層與地表之間的相互多次散射，將植被覆蓋區(qū)的總后向散射系數進行簡化，主要包括由植被直接反射回來的體散射項和經作物雙次衰減后地面的后向散射項[18]。該模型表述如下[19]：

(1)

(2)

γ2=exp(-2B·mveg·secθ)

(3)

水云模型能夠模擬不同作物的不同生長條件下的后向散射系數[20-23]。本研究中，我們引入植被覆蓋度以及裸土對雷達信號的影響信息，以考慮地表植被的實際分布狀況。改進后的模型表述如下：

(4)

其中植被覆蓋度用像元二分模型(DPM)求出，即fveg=(NDVI-NDVImin)/(NDVImax-NDVImin)，式中NDVI為從Landat-8光學數據計算得到的歸一化植被指數；NDVImin和NDVImax分別為完全裸土與完全覆蓋情況下研究區(qū)域的歸一化植被指數。

本研究中，土壤背景后向散射系數由積分方程模型(Integrated Equation Model，IEM)計算得出，積分方程模型是由Fung A K等[24]提出的基于電磁波輻射傳輸方程的地表散射模型，該模型能夠在很寬的地表粗糙度范圍內再現真實地表后向散射系數，其HH與VV極化的后向散射系數可由下式表示：

(5)

其中pq為極化方式HH或VV極化；Wn為地表粗糙度譜，kz=k0cosθ；fpq為基爾霍夫系數；Fpq為菲涅爾反射系數。

2.2葉面積指數反演模型構建

結合以上方程可以得出，在給定入射角的情況下，HH與VV極化后向散射系數可由下式計算得到：

(6)

其中mv為地表土壤水分含量。下標p為發(fā)射或接收極化，即H或V極化。s為均方根高度，l為相關長度。

根據試驗測得的植被含水量、地表土壤水分及粗糙度參數，結合得到的RADARSAT-2雷達數據，采用Levenberg-Marquardt非線性最小二乘法計算模型結構參數A和B，不同極化的參數A和B的數值見表1。為了解決式(6)的反演問題，本研究采用建立查找表的方法，通過求取模型模擬的后向散射系數與實測值的誤差平方和，選取誤差平方和最小的一組值作為反演參數的最優(yōu)值。

表1　模型結構參數估計值

為了得到LAI的值，本研究隨機選取實驗測得的LAI 和植被含水量數據進行分析，結果表明LAI與植被含水量存在一定的線性關系(圖3)，其決定系數達到0.853。因此通過查找表法得到植被含水量 ，進而可以得到葉面積指數LAI的估計值。

圖3　葉面積指數與植被含水量的線性擬合

3結果與分析

3.1模型驗證與分析

為研究改進模型的可靠性，采用試驗測得的野外數據對改進模型和原模型的驗證結果進行比較分析。在小麥拔節(jié)后期，選取2/3的實測數據作為模型訓練數據，其余的數據作為驗證數據，用于模型模擬后向散射系數的精度驗證。

a：HH極化的原模型；b：VV極化的原模型；c：HH極化的改進模型；d:VV極化的改進模型

a:original model in HH polarization; b:original model in VV polarization; c:modified model in HH polarization; d:modified model with HH polarization

圖4改進的水云模型和原模型模擬的后向散射系數與實測值的比較及其驗證

Fig.4Comparison between measured and simulated backscatter coefficients

calculated by the modified and original water-cloud model and validation

利用小麥拔節(jié)后期的后向散射系數實測數據與改進的水云模型和原水云模型模擬的后向散射系數分別進行驗證比較，驗證結果如圖4所示。

從圖4可以看出，改進模型的模擬精度相對于原模型有較大的提高。對于HH極化，改進的水云模型的決定系數從原水云模型的0.668提高到0.850， RMSE也從1.156 dB降低為0.918 dB，而VV極化下的模擬效果也相應得到提高。說明改進的水云模型對于研究區(qū)的植被條件比較敏感，通過引入植被覆蓋度，使得改進的模型能夠充分考慮地表植被覆蓋情況，較好地區(qū)分植被覆蓋與裸土對于雷達后向散射系數的影響，有利于稀疏植被的參數反演。同時無論對于哪種模型，HH極化的模擬精度都高于VV極化，說明在HH極化下模型對于植被條件的敏感度比VV極化高，更有利于植被參數的反演。

當然，改進的模型在反演過程中也存在一定的誤差，主要包括：①粗糙度等參數在計算時是假設粗糙度地表的表面自相關函數滿足指數分布，而實際地表比較復雜，使得測得的粗糙度參數值具有一定的不確定性；②地面測量以點為測量單元，而研究所使用的遙感數據空間分辨率為30 m，使得在模型驗證時利用點數據去模擬預測值會產生一定的誤差；③從Landsat-8光學數據計算得到的植被覆蓋分布與實際地表情況的差異也會給模型反演帶來誤差。

3.2葉面積指數的獲取

根據實驗測得的地面數據以及獲取的遙感影像，利用查找表法并結合式(6)反演出植被含水量值，通過上文中建立的LAI與植被含水量的線性關系，得到研究區(qū)LAI的估測值。如圖5所示，利用雷達影像與地面測量數據反演得到的LAI具有較高的精度，通過與實驗測得的LAI擬合比較得出，其決定系數達到0.841，RMSE達到0.233。由此表明本研究所建立的方法適合于作 物LAI的估算。

圖5　利用RADARSAT-2雷達數據反演LAI及其驗證

4討 論

本研究通過引入植被覆蓋度及裸土對雷達信號的直接影響信息，對水云模型進行了改進和優(yōu)化，并利用研究區(qū)的地面觀測數據以及RADARSAT-2雷達數據對模型進行構建及對反演結果進行驗證，結果表明，改進的水云模型可以較好地區(qū)分植被覆蓋和裸土各自對雷達信號的影響，與原模型相比，改進模型對研究區(qū)植被覆蓋下后向散射系數的模擬精度在HH和VV極化下均優(yōu)于原模型，同時利用查找表方法及LAI與植被含水量的經驗關系得到LAI估測值，相關系數達到0.841，RMSE為0.233。因此，改進的模型通過考慮植被和裸土的覆蓋分布，能夠完成從全植被覆蓋到稀疏植被覆蓋下植株參數的定量反演，為大范圍作物參數的獲取提供了新思路。此外，由于受到野外實驗條件的限制，未獲取整個研究區(qū)的土壤水分觀測值，因此改進模型的普適性還需要進一步驗證。

參考文獻：

[1]劉镕源,王紀華,楊貴軍,等.冬小麥葉面積指數地面測量方法的比較[J].農業(yè)工程學報,2011,27(3):220-224.

Liu R Y,Wang J H,Yang G J,etal.Comparison of ground-based LAI measuring methods on winter wheat [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2011,27(3):220-224.

[2]Thorp K R,Wang G,West A L,etal.Estimating crop biophysical properties from remote sensing data by inverting linked radiative transfer and ecophysiological models [J].RemoteSensingofEnvironment,2012,124:224-233.

[3]趙 虎,裴志遠,馬尚杰,等.利用 HJ-1-A/BCCD2 數據反演冬小麥葉面積指數[J].農業(yè)工程學報,2012,28(10):172-176.

Zhao H,Pei Z Y,Ma S J,etal.Retrieving leaf area index of winter wheat using HJ-1-A/B CCD2 data [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2012,28(10):172-176.

[4]李鑫川,徐新剛,鮑艷松,等.基于分段方式選擇敏感植被指數的冬小麥葉面積指數遙感反演[J].中國農業(yè)科學,2012,45(17):3486-3496.

Li X C,Xu X G,Bao Y S,etal.Retrieving LAI of winter wheat based on sensitive vegetation index by the segmentation method [J].ScientiaAgriculturaSinica,2012,45(17):3486-3496.

[5]Attema E P W,Ulaby F T.Vegetation modeled as a water cloud [J].RadioScience,1978,13(2):357-364.

[6]Ulaby F T,Allen C T,Eger G,etal.Relating the microwave backscattering coefficient to leaf area index [J].RemoteSensingofEnvironment,1984,14(1):113-133.

[7]Prevot L,Champion I,Guyot G.Estimating surface soil moisture and leaf area index of a wheat canopy using a dual-frequency (C and X bands) scatter meter [J].RemoteSensingofEnvironment,1993,46(3):331-339.

[8]Taconet O,Vidal-Madjar D,Emblanch C,etal.Taking into account vegetation effects to estimate soil moisture from C-band radar measurements [J].RemoteSensingofEnvironment,1996,56(1):52-56.

[9]Champion I,Prevot L,Guyot G.Generalized semi-empirical modeling of wheat radar response [J].InternationalJournalofRemoteSensing,2000,21(9):1945-1951.

[10]Inoue Y,Kurosu T,Maeno H,etal.Season-long daily measurements of multifrequency (Ka,Ku,X,C,and L) and full-polarization backscatter signatures over paddy rice field and their relationship with biological variables [J].RemoteSensingofEnvironment,2002,81(2):194-204.

[11]Svoray T,Shoshany M.SAR-based estimation of areal aboveground biomass (AAB) of herbaceous vegetation in the semi-arid zone:a modification of the water-cloud model [J].InternationalJournalofRemoteSensing,2002,23(19):4089-4100.

[12]Svoray T,Shoshany M.Herbaceous biomass retrieval in habitats of complex composition:A model merging SAR images with unmixed Landsat TM data [J].IEEETransactionsonGeoscienceandRemoteSensing,2003,41(7):1592-1601.

[13]Beriaux E,Lucau-Danila C,Auquiere E,etal.Multiyear independent validation of the water cloud model for retrieving maize leaf area index from SAR time series [J].InternationalJournalofRemoteSensing,2013,34(12):4156-4181.

[14]Kweon S K,Oh Y.A modified water-cloud model with leaf angle parameters for microwave backscattering from agricultural fields [J].IEEETransactionsonGeoscienceandRemoteSensing,2015,53(5):2802-2809.

[15]Xing M,Quan X,Li X,etal.An extended approach for biomass estimation in a mixed vegetation area using ASAR and TM data [J].PhotogrammetricEngineering&RemoteSensing,2014,80(5):429-438.

[16]王 剛.基于人機交互的半自動土壤粗糙度測量系統[J].計算機工程與應用,2004,40(11):226-228.

Wang G.A semiautomatic soil roughness measure system based on human-computer interaction [J].ComputerEngineeringandApplications,2004,40(11):226-228.

[17]周 鵬,丁建麗,王 飛,等.植被覆蓋地表土壤水分遙感反演[J].遙感學報,2010 (5):959-973.

Zhou P,Ding J L,Wang F,etal.Retrieval methods of soil water content in vegetation covering areas based on multi-source remote sensing data [J].JournalofRemoteSensing,2010,14(5):959-973.

[18]劉萬俠,劉旭攏,王 娟,等.華南農作物覆蓋區(qū)土壤水分 ENVISAT-ASAR 與 MODIS 數據聯合反演算法研究[J].干旱地區(qū)農業(yè)研究,2008,26(3):39-43.

Liu W X,Liu X L,Wang J,etal.Remote sensing retrieval of soil moisture using ENVISAT- ASAR and MODIS images in vegetated areas of Huanan [J].AgriculturalResearchintheAridAreas,2008,26(3):39-43.

[19]Bindlish R,Barros A P.Parameterization of vegetation backscatter in radar-based,soil moisture estimation [J].RemoteSensingofEnvironment,2001,76(1):130-137.

[20]Moran M S,Vidal A,Troufleau D,etal.Ku-and C-band SAR for discriminating agricultural crop and soil conditions [J].IEEETransactionsonGeoscienceandRemoteSensing,1998,36(1):265-272.

[21]Champion I,Prevot L,Guyot G.Generalized semi-empirical modelling of wheat radar response [J].InternationalJournalofRemoteSensing,2000,21(9):1945-1951.

[22]Graham A J,Harris R.Estimating crop and waveband specific water cloud model parameters using a theoretical backscatter model [J].InternationalJournalofRemoteSensing,2002,23(23):5129-5133.

[23]Inoue Y,Kurosu T,Maeno H,etal.Season-long daily measurements of multifrequency (Ka,Ku,X,C,and L) and full-polarization backscatter signatures over paddy rice field and their relationship with biological variables [J].RemoteSensingofEnvironment,2002,81(2):194-204.

[24]Fung A K,Li Z,Chen K S.Backscattering from a randomly rough dielectric surface [J].IEEETransactionsonGeoscienceandRemoteSensing,1992,30(2):356-369.

Leaf Area Index Inversion of Winter Wheat Using RADARSAT-2 Data and Modified Water-cloud Model

TAO Liangliang1,2,LI Jing1,2,JIANG Jinbao3,CHEN Xi1,2,CAI Qingkong3

(1.State Key Laboratory of Earth Surface Processes and Resource Ecology,Beijing Normal University,Beijing 100875,China; 2.Key Laboratory of Environmental Change and Natural Disaster,Beijing Normal University,Beijing 100875,China; 3.College of Geosciences and Surveying Engineering,China University of Mining and Technology,Beijing 100083,China)

Abstract:The inversion of vegetation parameters using microwave remote sensing is usually affected by the heterogeneous distribution of vegetation,sparse vegetation cover and the influence from bare soil,which leads to the unsatisfactory results in parameter estimation for agricultural applications.In this study,in order to solve the problem of surface vegetation parameters retrieval using microwave remote sensing,a modified water-cloud model was developed to retrieve leaf area index (LAI) by adding vegetation coverage and the direct effect of bare soil on the total backscatter coefficients,which gave full consideration to the distribution of vegetation coverage.The modified model was validated between the simulated backscatter coefficients and measurements based on ground observations and RADARSAT-2 data in China.Consequently,a look-up table algorithm was applied to calculate the value of vegetation water content and retrieve LAI according to the linear relationship between the vegetation water content and LAI.Results indicated that the modified model was more sensitive to the vegetation condition and the estimation accuracy was higher than that of water-cloud model.The R2 and RMSE were 0.850 and 0.739 dB in HH polarization,0.918 and 1.475 dB in VV polarization,respectively.Meanwhile,the modified model could effectively distinguish the scattering influences produced by the vegetation cover and bare soil component on the backscatter coefficients.The accuracy of LAI retrieval was significantly high with the R2 and RMSE of 0.841 and 0.233.This method provides support to estimate the LAI of winter wheat using radar data in a wide range.

Key words:Water-cloud model; RADARSAT-2; Leaf area index; Vegetation coverage; Vegetation water content; Backscatter coefficient

中圖分類號：S512.1；S314

文獻標識碼：A

文章編號：1009-1041(2016)02-0236-07

通訊作者：李 京(E-mail：lijing@bnu.edu.cn)

基金項目：北京共建項目“北京雨洪災害監(jiān)測與風險評估”

收稿日期：2015-09-01修回日期：2015-09-29

網絡出版時間：2016-01-26

網絡出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20160126.1946.030.html

第一作者E-mail：taoliangliang2007@163.com