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(diǎn)實(shí)驗(yàn)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(gè)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(huì)存在多尺度的問題[2-3]。而現(xiàn)階段對(duì)光譜尺度效應(yīng)的系統(tǒng)研究還相對(duì)缺乏，空間尺度效應(yīng)的機(jī)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(huì)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(shí)現(xiàn)由單點(diǎn)到區(qū)域的尺度擴(kuò)展，對(duì)遙感反演LAI產(chǎn)品的驗(yàn)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(yàn)證框架[5-6]、多尺度驗(yàn)證中的抽樣策略[7]以及各種陸面變量的具體驗(yàn)證[8-9]進(jìn)行相關(guān)研究。Wang 等[10]針對(duì)中國區(qū)域尺度遙感產(chǎn)品的驗(yàn)證，進(jìn)行了從站點(diǎn)到區(qū)域的尺度擴(kuò)展研究。國內(nèi)研究一般包括異質(zhì)性地表站點(diǎn)觀測(cè)數(shù)據(jù)代表性和地面點(diǎn)觀測(cè)到像元尺度的轉(zhuǎn)換問題[11]。代表性評(píng)價(jià)對(duì)站點(diǎn)觀測(cè)數(shù)據(jù)的定量應(yīng)用是必要的[12]，提高站點(diǎn)觀測(cè)數(shù)據(jù)的代表性是遙感產(chǎn)品數(shù)據(jù)真實(shí)性檢驗(yàn)的基礎(chǔ)。很多學(xué)者在遙感產(chǎn)品真實(shí)性檢驗(yàn)領(lǐng)域進(jìn)行了站點(diǎn)觀測(cè)代表性評(píng)價(jià)研究[13-15]。站點(diǎn)觀測(cè)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(diǎn)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(shí)測(cè)LAI值之間有明顯差異，主要是由于估測(cè)值與實(shí)測(cè)值之間的尺度不匹配導(dǎo)致。對(duì)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(cè)量數(shù)據(jù)簡(jiǎn)單平均作為地面真值，這種方法對(duì)地面測(cè)量點(diǎn)的代表性要求很高。很多學(xué)者[19-20]利用這一方法對(duì)遙感反演產(chǎn)品進(jìn)行了驗(yàn)證。但采用這種方法，站點(diǎn)對(duì)遙感像元的代表性會(huì)隨著時(shí)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(yàn)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(duì)CYCLOPES、ECOCLIMAP、MODIS以及CCRS LAI 進(jìn)行了分析。Yang 等[25]分析了兩種驗(yàn)證方法的優(yōu)劣，認(rèn)為直接使用地面測(cè)量數(shù)據(jù)與MODIS LAI 進(jìn)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(cè)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(dāng)波段選擇恰當(dāng)，輸入?yún)?shù)不確定性較小時(shí)，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(jī)遙感)同步觀測(cè)數(shù)據(jù)的基礎(chǔ)上，引入無人機(jī)載可見光影像和高分1號(hào)高分辨率衛(wèi)星NDVI數(shù)據(jù)作為采樣的先驗(yàn)知識(shí)進(jìn)行地面LAI采樣，并利用高分1號(hào)不同植被指數(shù)和同尺度地面測(cè)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(cè)量數(shù)據(jù)進(jìn)行定標(biāo)，生成高分辨率LAI分布圖，進(jìn)而將其聚合到低空間分辨率上，使人工觀測(cè)與區(qū)域遙感觀測(cè)在時(shí)間和空間上得到同步與匹配，實(shí)現(xiàn)其尺度的擴(kuò)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(jìn)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(jiǎn)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(yàn)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(gè)采樣區(qū)域500 m×500 m范圍內(nèi)布設(shè)18個(gè)采樣單元，每個(gè)采樣單元為16 m×16 m。具體做法：先利用無人機(jī)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(biāo)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(gè)類別，根據(jù) NDVI 分割結(jié)果圖計(jì)算各類別的面積比例，并在各類別內(nèi)部進(jìn)行隨機(jī)采樣，每個(gè)類別取6個(gè)采樣單元。

首先下載和地面采樣時(shí)間一致或接近的研究區(qū)域高分1號(hào)16 m分辨率多光譜遙感影像(WFV)并進(jìn)行預(yù)處理(圖2)，再在ENVI5.2 bandmath中計(jì)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(jìn)行冬小麥種植像元的分類(圖4)，根據(jù)分類結(jié)果，每個(gè)類別選取6個(gè)采樣單元，兩個(gè)研究區(qū)域共36個(gè)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(shí)測(cè)方法

根據(jù)無人機(jī)影像和LAI高光譜估算模型計(jì)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(huì)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(jìn)行采樣點(diǎn)的選取(圖5)。根據(jù)冬小麥不同長勢(shì)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(gè)采樣點(diǎn)(1 m×1 m)，并通過詳細(xì)測(cè)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(duì)采樣點(diǎn)1 m×1 m尺度LAI進(jìn)行測(cè)量。按照公式“LAI1×R1+ LAI2×R2+LAI3×R3+LAI4×R4+ LAI5×R5” 計(jì)算所有采樣單元的LAI值，LAI1、LAI2、LAI3、LAI4、LAI5分別表示1～5類3個(gè)采樣點(diǎn)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(jī)可見光圖像上采樣點(diǎn)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(duì)于待檢驗(yàn)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(hào)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(shí)測(cè)LAI數(shù)據(jù)獲取時(shí)間，同時(shí)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(hào)WFV數(shù)據(jù)，進(jìn)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(qiáng)吸收和近紅波段的強(qiáng)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(qiáng)植被信息，反映植物生長狀況[28]。針對(duì)高分1號(hào)WFV傳感器的參數(shù)特點(diǎn)，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(duì)地面LAI進(jìn)行模擬估算。

1.4 估算模型的建立和驗(yàn)證方法

在研究區(qū)域共設(shè)置采樣單元36個(gè)，隨機(jī)把樣本分為訓(xùn)練樣本(20個(gè))和驗(yàn)證樣本(16個(gè))。從訓(xùn)練樣本與驗(yàn)證樣本的LAI分布直方圖(圖6)可以看出，訓(xùn)練樣本和驗(yàn)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(duì)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(duì)誤差篩選最優(yōu)模型，再采用均方根誤差(RMSE)對(duì)最優(yōu)模型預(yù)測(cè)精度進(jìn)行評(píng)價(jià)。

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(duì)應(yīng)的線性、對(duì)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(yàn)，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(duì)LAI的擬合程度更高，r2為0.788 7，建模RMSE和預(yù)測(cè)RMSE均較小，因此認(rèn)為以NDVI為自變量的二次函數(shù)模型最優(yōu)?；隍?yàn)證樣本的NDVI二次函數(shù)模型模擬LAI預(yù)測(cè)值與實(shí)測(cè)值的1∶1關(guān)系圖(圖7)表明，其對(duì)LAL具有較高的預(yù)測(cè)精度，適用于冬小麥拔節(jié)—抽穗期LAI的估測(cè)。

圖6 訓(xùn)練樣本與驗(yàn)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(hào)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(duì)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(kuò)展

在高分1號(hào)衛(wèi)星NDVI分布圖的基礎(chǔ)上，利用此模型進(jìn)行LAI格點(diǎn)數(shù)據(jù)的計(jì)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(diǎn)圖(圖8)，從而實(shí)現(xiàn)從地面點(diǎn)測(cè)量數(shù)據(jù)到衛(wèi)星尺度數(shù)據(jù)的擴(kuò)展。在鶴壁2個(gè)采樣區(qū)域，中心經(jīng)緯點(diǎn)(114.299°E，35.678°N)和(114.197°E，35.573°N)的預(yù)測(cè)LAI值分別為7.47和6.55，實(shí)測(cè)點(diǎn)值平均為7.17和6.32，相對(duì)誤差分別為4.18%和3.64%，表明這種尺度擴(kuò)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(shí)現(xiàn)其由單點(diǎn)到區(qū)域的尺度擴(kuò)展對(duì)遙感反演LAI產(chǎn)品的驗(yàn)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(yàn)知識(shí)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(chǎng),分析對(duì)比了此方法的精度及穩(wěn)定性，但這種方法能提供的先驗(yàn)知識(shí)是有限的，同時(shí)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(jī)可見光影像和高分1號(hào)NDVI分類圖作為取樣方法的先驗(yàn)知識(shí)。與以往研究相比，本研究有效提高了站點(diǎn)觀測(cè)數(shù)據(jù)的代表性。通過優(yōu)化觀測(cè)數(shù)據(jù)的取樣方法，實(shí)現(xiàn)從觀測(cè)點(diǎn)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(kuò)展，通過統(tǒng)計(jì)分析獲得采樣單元葉面積指數(shù)的相對(duì)真值，與以往研究[19-20]直接使用地面采樣點(diǎn)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(jì)方法都更科學(xué)合理。

圖7 基于驗(yàn)證樣本的NDVI二次函數(shù)模型的LAI預(yù)測(cè)值與實(shí)測(cè)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(diǎn)圖Fig.8 LAI distribution map of 250 m×250 m scale

在獲得采樣單元相對(duì)真值的基礎(chǔ)上，引入高分辨率高分1號(hào)衛(wèi)星數(shù)據(jù)，經(jīng)過精確的地理坐標(biāo)校正之后，和地面采樣單元一一對(duì)應(yīng)。為了更好地研究?jī)烧咧g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(yàn)證精度均最高，表明此經(jīng)驗(yàn)?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(qiáng)，更有說服力。

本研究從點(diǎn)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(shí)現(xiàn)從地面點(diǎn)測(cè)量數(shù)據(jù)到衛(wèi)星尺度數(shù)據(jù)的擴(kuò)展。兩個(gè)研究區(qū)域模擬值和實(shí)測(cè)值的相對(duì)誤差分別為4.18%和3.64%，表明這種尺度擴(kuò)展方法是科學(xué)可行的。當(dāng)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(gè)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(jìn)行方法的研究和驗(yàn)證。