高鴿 黃華國 馬晨玉
摘要:為分析太陽多角度的光譜信息在反演森林LAI中的應用潛力,本文基于高分衛(wèi)星數(shù)據(jù)構(gòu)建七種常用的植被指數(shù),并添加紋理信息,對北京市開展區(qū)域LAI反演研究。采用隨機森林和線性回歸,通過提取不同太陽角度的高分衛(wèi)星數(shù)據(jù)的植被指數(shù)以及影像紋理均值,與實測數(shù)據(jù)建立回歸模型反演葉面積指數(shù),R2和RMSE作為指標對模型進行精度評價。與以往的反演方法相區(qū)別,該文將太陽多角度光譜信息與紋理結(jié)合進行森林LAI的反演實驗,并對反演算法進行敏感性分析。研究發(fā)現(xiàn),基于高分衛(wèi)星數(shù)據(jù)構(gòu)建的單個角度下的植被指數(shù)與紋理數(shù)據(jù)的結(jié)合反演LAI的模型精度在0.3-0.5左右,添加太陽多角度后的植被指數(shù)和紋理信息的結(jié)合在一定范圍內(nèi)提高了北京市城區(qū)森林的LAI的反演精度,R2達到0.58,說明太陽多角度的光譜信息在反演森林LAI中具有一定的潛力,高分四號衛(wèi)星理論秒級的時間分辨率優(yōu)勢在定量遙感方面具有一定開發(fā)應用的價值。本結(jié)果在該實驗區(qū)驗證可行,在其他地形的區(qū)域的應用效果還需要進一步的研究。
關(guān)鍵詞:高分衛(wèi)星 太陽多角度 葉面積指數(shù) 紋理 回歸分析 隨機森林
Forest Leaf Area Index Inversion in Beijing Urban Area Using GF-4 Satellite Data
GAO Ge HUANG Huaguo* MA Chenyu
The College of Forestry of Beijing Forestry University, Beijing, 100083 China; 2. Beijing Changping Gardening And Greening Bureau, Beijing, 100000 China)
Abstract: In order to analyze the potential application of the solar multi-angular spectral information in inversion of forest LAI, the study constructs seven commonly used vegetation indexes based on GF-4 satellite data, and adds texture information to model the forest LAI in Urban Area of Beijing and conduct regional leaf area index (LAI) inversion research. The regression model for the inversion of LAI was established using random forest and linear regression, by extracting the vegetation index and image average texture of GF-4 satellite data from solar multi-angular, and the accuracy of evaluation of the model is evaluated with R2 and RMSE. In contrast to the previous inversion methods, this paper combines the solar multi-anglular spectral information with the texture information to carry out the inversion experiment of forest LAI, as well as the sensitivity analysis. Results show that the combination of vegetation indices and texture data at a single angle based on GF-4 satellite data is with an R2 of about 0.3-0.5; while by adding the solar multi-angle data improves the inversion R2 to 0.58. It can be concluded that that the solar multi-angle spectral information has some potential in the inversion forest LAI, and the high temporal resolution advantage of the GF-4 satellite is of great value in quantitative remote sensing. Despite that the experimental results are feasible in our experimental area, further research is still needed.
Key Words: GF satellite; Solar multi-angular; Leaf area index; Texture; Regression analysis; Random forest
習近平總書記在十九大報告中指出,必須樹立和踐行綠水青山就是金山銀山的理念。準確的森林資源監(jiān)測是掌握綠水青山的資源現(xiàn)狀和消長變化動態(tài)的重要方式。北京市作為首都,應在綜合先進科學技術(shù)與人力獲取精準、大尺度的森林資源數(shù)據(jù)方面起到示范表率作用。但目前基于人力的森林資源清查方法,需要耗費大量的人力、物力和財力,遙感作為一種快捷迅速的技術(shù)手段,對森林資源監(jiān)測具有得天獨厚的優(yōu)勢[1]。
葉面積指數(shù)(Leaf Area Index,LAI)是研究植物冠層表面物質(zhì)和能量交換的一個很重要參數(shù),葉面積指數(shù)的大小與森林樹木的長勢密切相關(guān),并且能夠提供樹木生長的動態(tài)信息[2]。目前,關(guān)于反演葉面積指數(shù)的研究主要集中在如何提高葉面積指數(shù)反演的精度問題上。相關(guān)嘗試有很多,包括增加實驗數(shù)據(jù)源,采用多個遙感數(shù)據(jù)來源與葉面積指數(shù)建立模型;利用光譜與紋理的融合來提取信息反演葉面積指數(shù)等[3][4]。這些方法雖都能夠在一定程度上提高反演精度,但其難以滿足我國業(yè)務化的精度要求。新的信息源的挖掘仍然是當前研究熱點。
高分四號是我國首顆地球同步軌道的高空間分辨率衛(wèi)星,高重返周期(最高20秒)和多角度信息對葉面積指數(shù)提取及精度的提高提供了可能,其覆蓋范圍達960萬平方公里,這對全國的森林資源葉面積指數(shù)監(jiān)測具有重要意義[5]。
本實驗以挖掘高分四號的多角度信息價值為主要目的,探索高分四號多角度影像信息對森林葉面積指數(shù)反演的精度的提高是否具有貢獻。主要解決太陽多角度對森林調(diào)查參數(shù)反演精度的貢獻,回答利用高分四號的多角度信息提高LAI遙感產(chǎn)品精度的可行性問題,同時,生成北京市五環(huán)內(nèi)森林的LAI分布圖,對于北京市城區(qū)的園林綠化設計、區(qū)域森林健康狀況評估等具有一定的參考價值。本實驗的創(chuàng)新之處在于將高分四號衛(wèi)星的多角度信息與森林參數(shù)的反演結(jié)合起來,利用高分四號衛(wèi)星數(shù)據(jù)提供統(tǒng)一區(qū)域多太陽角度遙感數(shù)據(jù),有效解決了傳統(tǒng)遙感數(shù)據(jù)源中單一觀測角度植被指數(shù)和葉面積指數(shù)函數(shù)關(guān)系飽和點低的問題。
數(shù)據(jù)采集與數(shù)據(jù)處理
地面數(shù)據(jù)采集
本實驗區(qū)位于北京市城區(qū)五環(huán)范圍內(nèi)(39°48′28.7″~40°04′1.68″N,116°13′10.36″~116°34′41.75″E),如圖1所示,這里氣候溫和,年平均氣溫11℃,年降水量620.6mm,夏季炎熱多雨,降水集中,盛行東南風,屬于典型的暖溫帶半濕潤季風大陸性氣候[6]。
在北京市五環(huán)內(nèi)50余處森林公園里設置樣地152個,采用GPS定位,以樣地中心位置的經(jīng)緯度作為該樣地的地理標識,每個樣地大小為50m*50m,實測樣地時間為2017年夏季,與選取遙感影像的拍攝時間保持較短的間隔期,采用魚眼鏡頭測量葉面積指數(shù)。<!-- 沒有看到圖1 -->
地面實測的森林LAI的范圍在0.83-4.67之間(圖2),平均值為2.52,標準差為0.49,中等大小的LAI值在一定程度上減小受到光學遙感信息的飽和帶來的誤差。對實測的LAI值進行Shapiro檢測,認為測得的LAI數(shù)值來自于正態(tài)分布(P>0.05)。
影像與數(shù)據(jù)的獲取與預處理
影像獲取
本文影像數(shù)據(jù)來源有兩種,一是采用高分四號多光譜凝視相機數(shù)據(jù),二是從Google Earth Pro上下載結(jié)合衛(wèi)星和航拍圖像的影像。
高分四號可見光譜段分辨率為50米,影像幅寬優(yōu)于400km。在地面數(shù)據(jù)采集期間共獲取15景影像。另外考慮到一年內(nèi)林木生長很小,森林LAI變化可忽略不計,因此補充10景相隔一年的同季節(jié)的2016年的遙感影像輔助以增加數(shù)據(jù)集。影像獲取時間與太陽天頂角如所示,從中篩選出10景影像云量較小,精度較高的影像。影像太陽角度分布如圖4所示
圖4太陽角度分布
谷歌地球(Google Earth,GE)是一款谷歌公司開發(fā)的虛擬地球軟件,其遙感影像數(shù)據(jù)主要分為兩部分:衛(wèi)星數(shù)據(jù)和航拍數(shù)據(jù)。其中衛(wèi)星數(shù)據(jù)主要來自于美國Landsat系列衛(wèi)星數(shù)據(jù),Space Imagine公司的IKONOS數(shù)據(jù)及法國SPOT系列數(shù)據(jù);而航拍數(shù)據(jù)則主要來自BlueSky公司和Sunbun公司。本文采用矩形選框的方法把北京市行政區(qū)劃范圍框取在內(nèi)下載影像,最高的分辨率為0.44米,再使用envi軟件按照北京市行政區(qū)劃范圍對其進行裁剪,最終得到北京市范圍的谷歌影像[7][8]。
影像預處理
GF-4影像預處理主要包括幾何校正、輻射定標、大氣校正。輻射定標的目的是將圖像上的DN值轉(zhuǎn)化為表觀反射率,本研究中輻射定標采用中國資源衛(wèi)星中心(http://www.cresda.com/CN/Downloads/dbcs/index.shtml)下載的絕對定標系數(shù)進行;大氣校正采用ENVI中的FLAASH大氣校正模塊,以獲得地表真實反射率。
從圖5可以看出,經(jīng)過大氣校正,基本去除了空氣中水汽等的影響;在0.5~0.8μm內(nèi),植被光譜反射曲線與實際植被光譜反射曲線基本吻合。
多角度光譜提取
本文從GF-4影像上提取了各樣地的光譜數(shù)據(jù)。圖6為同一個位置的多個太陽觀測角的反射率變化圖,主要以紅光和近紅外兩個波段為例,按照葉面積指數(shù)大小的分布,從中分別選取4個樣地,觀測每個樣地下不同的太陽角度對應的紅外和近紅外反射率特征,從中不難發(fā)現(xiàn)他們在可見光紅光波段和近紅外波段反射特征極其相似
植被指數(shù)的提取
本文通過選取以下7種光學植被指數(shù)與實測葉面積指數(shù)建立回歸模型(表1),并分析和評價其精度。
三波段梯度差值植被指數(shù)
TGDVI
ρNIR、ρR、ρB、ρG分別表示近紅外波段,紅波段,藍波段,綠波段。
紋理信息的提取
紋理作為一種物體表面的基本屬性,描述的是圖像像素鄰域灰度空間分布規(guī)律,是物體表面具有不依賴顏色或亮度變化的內(nèi)在特性,可以有效抑制異物同譜、同物異譜現(xiàn)象的發(fā)生。根據(jù)植被LAI遙感反演的先驗知識,不同的LAI會在遙感圖像上形成不同的紋理,紋理數(shù)據(jù)的加入在一定范圍內(nèi)能夠提高葉面積反演的精度[9]。
本實驗中的紋理信息來自谷歌影像(Google Earth Pro),谷歌地球是一款Google公司開發(fā)的虛擬地球儀軟件,中國區(qū)域的空間精度通常為30m,北京市等一些區(qū)域具有高分辨率的影像,最高可達0.11m。利用ENVI5.3軟件進行紋理數(shù)據(jù)的提取,首先進行主成分分析,然后以0.6m的精度進行重采樣,紋理提取采用灰度共生矩陣法,設置窗口分別為3*3,5*5,7*7,灰度等級為16,32,和64,最后使用App Store里的統(tǒng)計工具V5.3(Zonal Statistics)插件輸出紋理信息數(shù)據(jù)結(jié)果。本研究選用均值(Mean,ME),標準差(STD)2種紋理參數(shù)來表征研究區(qū)紋理空間結(jié)構(gòu)。紋理分析在ENVI5.3中texture的Co-occurrence模塊中實現(xiàn)。
實驗方法
基于植被指數(shù)的經(jīng)驗關(guān)系方法
LAI與植被指數(shù)有很強的正相關(guān)性,一般認為兩者具有某種函數(shù)形式的關(guān)系,通過建立這種函數(shù)關(guān)系,找到最佳模型進行模擬,可用來反演LAI。
植被指數(shù)的經(jīng)驗關(guān)系方法需要確定3個關(guān)鍵的要素:植被指數(shù),模型形式和用于模型擬合的LAI數(shù)據(jù)。根據(jù)研究區(qū)域森林的波譜吸收反射規(guī)律,在紅波段強吸收,近紅波段強反射,隨著葉面積指數(shù)的增大,紅波段反射率逐漸降低,而近紅外波段反射率增大,因此常用這兩個波段所構(gòu)造的指數(shù)來進行葉面積指數(shù)的反演。葉面積指數(shù)和植被指數(shù)的函數(shù)形式隨著區(qū)域和植被類型的不同而存在差異,模型參數(shù)的葉面積指數(shù)數(shù)據(jù)可以通過地表測量和模型模擬兩種方式獲得。將地表測量作為地面植被葉面積指數(shù)的真值,通過擬合其與遙感植被指數(shù)的關(guān)系,可以建立兩者之間的經(jīng)驗模型用于葉面積指數(shù)反演[10]。
建模方法
線性回歸
首先利用一元線性回歸的方法對7個植被指數(shù)進行LAI的回歸分析,將7個植被指數(shù)按照相關(guān)性從大到小進行排序,從中選出5個相關(guān)性較好的植被指數(shù);其次根據(jù)5個植被指數(shù)的多角度信息采用隨機森林的方法進行回歸擬合,共獲得5個預測模型。利用地面數(shù)據(jù)集對兩種模型進行驗證,分析比較多角度信息的加入是否有利于提高LAI反演的精度。
隨機森林
隨機森林(RF)是由Breiman等提出的一種機器學習算法,其實質(zhì)是對決策樹算法的一個改進,通過自助法(oot-strap)重采樣技術(shù),從訓練樣本集中隨機抽取k個樣本形成新的訓練樣本集,從而形成k個決策樹,組成隨機森林,采用決策樹投票來輸出結(jié)果[11][12][11]。這種方法建模過程簡單且結(jié)果比較精確,已廣泛應用在不同領(lǐng)域。因此本研究使用隨機森林算法對北京市城區(qū)森林LAI開展反演工作。
精度評定指標
通過精度評定,可以有效地評價出植被指數(shù)與實測葉面積指數(shù)的擬合狀況,得到最優(yōu)的反演模型,使得利用該模型反演后的影像值與其對應的實測值相一致。本實驗采用十折交叉驗證的方式,把數(shù)據(jù)集分為10個子集,每個子集均做一次測試集,其余的作為訓練集。交叉驗證重復10次,每次選擇一個子集作為測試集,并將10次的平均交叉驗證識別正確率作為結(jié)果。相關(guān)系數(shù)是描述兩個具備相關(guān)性的數(shù)據(jù)之間密切程度的指標。本文選取了均方根誤差(Root Mean Square Error,RMSE)和決定系數(shù)(Coefficient of Determination,R2)2種指標評價模型精度,如公式(1)和(2)所示。RMSE用來評估預測值與實測值之間的偏差,RMSE越小,模型預測的越準確。R2可以衡量光譜指數(shù)、紋理值與森林LAI之間的相關(guān)密切程度,R2越接近于1,光譜指數(shù)、紋理值與LAI之間的關(guān)系越密切,反之亦然。將相關(guān)變量放入機器中進行訓練;訓練好的模型用來預測目標變量,最后選擇預測精度較高的模型估算研究區(qū)LAI。
結(jié)果與分析
模型建立與評價
單角度下不同植被指數(shù)與LAI反演模型的比較分析
以相關(guān)性系數(shù)和均方根誤差為指標對各葉面積指數(shù)估測結(jié)果進行比較分析,結(jié)果見表2,在本實驗所涉及的植被指數(shù)中,反演結(jié)果最好的5個植被指數(shù)依次是NDVI、MSR、EVI、MSAVI、TGDVI,其中NDVI所建模型的R2達到0.52,在所有指數(shù)中最高,RMSE為0.0033,在所有指數(shù)中最低,表明NDVI對LAI有最佳的預測能力,是建立北京市城區(qū)森林LAI反演模型的優(yōu)選植被指數(shù)。
多角度下不同植被指數(shù)與LAI反演模型的比較分析
選取NDVI、TGDVI、EVI、MSR、MSAVI這5個植被指數(shù),利用隨機森林與LAI建立模型進行回歸分析,結(jié)果見表3,在這5個植被指數(shù)中,多角度信息的加入使相關(guān)系數(shù)得到不同程度的提高。
谷歌影像紋理數(shù)據(jù)與LAI反演模型
為了得到北京市城區(qū)森林LAI更加精確的反演結(jié)果,因此加入紋理信息以生成更加精確的北京市城區(qū)森林LAI分布圖。輸入變量為紋理均值(ME)與紋理方差(VAR),使用Weka的RandomForest 模塊處理數(shù)據(jù),R2結(jié)果如表4所示,其中回歸關(guān)系比較好的是16灰度值下的各個窗格,因此將光譜變量與紋理變量作為共同輸入變量反演森林LAI,得到的結(jié)果如表4所示。
表4表明5*5窗格的空間分辨率驗證數(shù)據(jù)對于LAI數(shù)據(jù)反演結(jié)果檢驗最優(yōu),該分辨率下葉面積指數(shù)與紋理參數(shù)之間的相關(guān)性最大,因此認為該紋理參數(shù)更適用于北京市森林葉面積指數(shù)的反演。
研究區(qū)LAI反演
本文選取估算精度高的RF模型,基于高分四號影像,對北京市城區(qū)森林LAI進行估算,結(jié)果如圖8所示。<!-- 按照圖片順序標注 -->
以5個植被指數(shù)為自變量,通過ENVI的Band Math模塊對北京市森林LAI進行反演,圖像越亮的地方代表LAI越大,圖像越黑越暗的地方代表LAI越小。由圖 8 研究區(qū)LAI估算結(jié)果可以看出,北京市中部及東南部的森林比較稀疏,北部、西部地區(qū)的森林相對更加密集。線性回歸估算LAI主要集中在0.8~4.7之間,大于4的地方很少,與實測LAI值較接近。LAI值在2~3的區(qū)域主要為稀疏林地。
結(jié)語
主要結(jié)論
本文應用高分四號衛(wèi)星多角度遙感數(shù)據(jù),通過經(jīng)驗模型法實現(xiàn)北京市城取森林葉面積指數(shù)的反演,使用語言鏡頭實測樣地森林的葉面積指數(shù),通過高分四號影像數(shù)據(jù)提取若干植被指數(shù)建立回歸模型,探討了高分四號的多角度信息對提高森林LAI反演精度的貢獻。
所選取的7種典型植被指數(shù)(NDVI,MSR, EVI, MSAVI,TGDVI,DVI,OSAVI)中,NDVI,MSR, EVI, MSAVI,TGDVI等5個植被指數(shù)與LAI的關(guān)系密切,能較好的反應森林生長狀況,可作為模型輸入因子。
多角度信息的加入能夠在一定程度上提高森林LAI反演的精度,添加多角度的信息,植被指數(shù)與LAI的相關(guān)性接近0.6,與單角度下的相關(guān)性相比,各植被指數(shù)對應的相關(guān)性均有不同程度的增加,均方根誤差均有所減小。
探討了北京市城區(qū)森林不同尺度下的紋理參數(shù)對森林LAI反演的精度的影響,不同窗口下的紋理參數(shù)與森林LAI的建立的反演模型的精度有較大的的差別,因此尺度對建模模型的優(yōu)劣有顯著影響。本實驗地區(qū)LAI的反演上,5*5、7*7兩個窗格的反演精度優(yōu)于其它兩個窗格。
研究展望
在實際試驗過程中,高分影像的拍攝時間與地面LAI的測量時間是同時期的,谷歌影像的獲取時間要早于這個時間,影像與地面數(shù)據(jù)獲取的時間差對結(jié)果也會有一定的影響;另外高分四號影像成像,太陽角度的擴散也會帶來一定的誤差;本論文涉及紋理特征統(tǒng)計量是紋理均值和方差,后續(xù)也可以補充一些特征值,比如協(xié)同性,對比度等來更好的體現(xiàn)相關(guān)性;對于更近一步的研究通過獲取同時相的谷歌衛(wèi)星圖,補充高分系列的影像信息源來減少太陽角度擴散帶來的誤差。
參考文獻
劉振波,鄒嫻,葛云健,陳健,曹雨濛.基于高分一號WFV影像的隨機森林算法反演水稻LAI[J].遙感技術(shù)與應用,2018,33(03):458-464.
邢著榮,馮幼貴,李萬明,王萍,楊貴軍.高光譜遙感葉面積指數(shù)(LAI)反演研究現(xiàn)狀[J].測繪科學,2010,35(S1):162-164+62.
王梟軒,左小清,孟慶巖,占玉林,劉苗,楊澤楠,李雨秦.基于高分3號和高分2號葉面積指數(shù)反演與分析[J].云南大學學報(自然科學版),2019,41(04):731-737.
焦志敏,張曉麗,李法玲,石寬,寧亮亮,王月婷,趙明瑤.Landsat_8多光譜波段紋理對葉面積指數(shù)的影響分析[J].地理與地理信息科學,2014,30(03):42-45.
王殿中,何紅艷.“高分四號”衛(wèi)星觀測能力與應用前景分析[J].航天返回與遙感,2017,38(01):98-106.
劉浩. 基于RS的城市森林提取及動態(tài)變化研究[D].中國地質(zhì)大學(北京),2019.
王旭旺;王凡.基于全球IGS站坐標的Google Earth地圖精度分析.測繪通報.2019年(S1):23-26
焦雯雯.基于Google Earth的遙感圖像信息獲取.科學技術(shù)創(chuàng)新.2020年(05):81-82
趙安玖,楊長青,廖成云.基于影像紋理特征的川西南山地常綠闊葉林有效葉面積指數(shù)的空間分析[J].應用生態(tài)學報,2014,25(11):3237-3246.
劉洋,劉榮高,陳鏡明,程曉,鄭光.葉面積指數(shù)遙感反演研究進展與展望[J].地球信息科學學報,2013,15(05):734-743.
Breiman L.Random forests[J].Machine Learning,2001,45(1):5-32.
王麗愛,周旭東,朱新開,郭文善.基于HJ-CCD數(shù)據(jù)和隨機森林算法的小麥葉面積指數(shù)反演[J].農(nóng)業(yè)工程學報,2016,32(03):149-154.