雷俊杰 楊武年 楊鑫 李紅

摘要：針對(duì)兩個(gè)特征波段組成的植被指數(shù)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(hào)多光譜衛(wèi)星（Sentinel 2，S2）數(shù)據(jù)，使用改進(jìn)的距離投影比值指數(shù)（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(jìn)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(jī)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(jié)構(gòu)簡單，能充分反映特征波段之間角度、距離、投影三者組合關(guān)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(diào)控機(jī)制，以及科學(xué)評(píng)估區(qū)域水資源儲(chǔ)量。

關(guān) 鍵 詞：植被水文效應(yīng);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(hào)：TP75;TP79

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：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(guān)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(chǔ)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(diào)控機(jī)制，以及科學(xué)評(píng)估區(qū)域水資源量。

遙感技術(shù)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(tái)，光學(xué)遙感技術(shù)具有科學(xué)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(jīng)驗(yàn)?zāi)Ｐ突蛭锢磔椛淠Ｐ偷玫饺~片等效水厚度（leaf equivalent water thickness，LEWT）反演模型，乘以葉面積指數(shù)（leaf area index，LAI）計(jì)算CEWT。

有關(guān)CEWT的研究仍存在一些問題需解決：2個(gè)特征波段組成的植被指數(shù)存在飽和[6] 以及植被種類依賴問題，3個(gè)特征波段組成的植被指數(shù)包含較多特征信息，如何在大量的高光譜波段中選擇兩個(gè)以上特征波段組成新的植被指數(shù)[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(hào)多光譜衛(wèi)星（Sentinel 2，S2）數(shù)據(jù)，使用一種改進(jìn)的距離投影比值指數(shù)（improved distance projection ratio index，DPRI2），建立新的LEWT反演模型，進(jìn)而反演區(qū)域CEWT。本次研究創(chuàng)新點(diǎn)包括：改進(jìn)角度斜率指數(shù)，DPRI2可減輕兩波段指數(shù)飽和問題以及特定波段構(gòu)成的植被指數(shù)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(shù)據(jù)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(shù)據(jù)處理

1.2.1 S2數(shù)據(jù)處理

考慮研究對(duì)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(shù)據(jù)，S2具有13個(gè)光譜波段，該數(shù)據(jù)（見表1）從歐洲航天局哥白尼開放接入中心官方網(wǎng)站下載。利用Sen2Cor 2.5.5軟件[8]對(duì)1C級(jí)產(chǎn)品進(jìn)行輻射校正，轉(zhuǎn)換為2A級(jí)產(chǎn)品，經(jīng)預(yù)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(yù)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(gè)方向每隔120°采集樹葉，將葉子存入密封塑料袋，及時(shí)將葉片樣品運(yùn)至實(shí)驗(yàn)室測量光譜。

在實(shí)驗(yàn)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(qiáng)度探頭的ASD（光譜范圍為350～2 500 nm，波段間隔為1 nm，共計(jì)2 151個(gè)波段），從每片葉子中心測量光譜數(shù)據(jù)[9];接著利用MapGIS對(duì)繪制的每片葉子輪廓進(jìn)行數(shù)字化，計(jì)算葉面積;最后，利用恒溫烘箱烘干葉片，及時(shí)稱重。

1.2.3 葉片高光譜數(shù)據(jù)預(yù)處理

葉片高光譜數(shù)據(jù)預(yù)處理軟件為View SpecPro，預(yù)處理步驟如下：① 通過View SpecPro軟件中Splice Correction模塊對(duì)葉片光譜曲線進(jìn)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(gè)葉片光譜數(shù)據(jù)（見圖2）。

1.2.4 采集LAI

LAI指一個(gè)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(jié)構(gòu)[12]。本次研究使用Delta公司生產(chǎn)的Sunscan冠層分析儀（型號(hào)SS1）測量野外植被LAI，利用Trimble掌上電腦讀取Sunscan測量結(jié)果，測量時(shí)間為晴天10：00～14：00。

野外實(shí)測樣地尺度植被LAI范圍為0.1～5.2，平均值為2.1，標(biāo)準(zhǔn)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(jìn)

（1）選取特征波段。使用R語言隨機(jī)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(jī)森林特征波段（random forest feature bands，RFFBs），RF算法可對(duì)每個(gè)變量進(jìn)行綜合分析，根據(jù)變量重要性進(jìn)行排序，本研究將節(jié)點(diǎn)純度總增加值（IncNodePurity）峰值所在的波段作為RFFBs。

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

式中：βSWIR1表示SWIR1頂點(diǎn)處NIR、SWIR1和SWIR2之間的關(guān)系（見圖4）[13];a表示從NIR點(diǎn)到SWIR1點(diǎn)的向量;b表示從SWIR1點(diǎn)到SWIR2點(diǎn)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(diǎn)積。

最后，改進(jìn)角度斜率類指數(shù)DPRI，具體如下：

2.2 CEWT反演

2.2.1 LEWT

（1）利用公式（7）[14]計(jì)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(shù)以及DPRI2中篩選最優(yōu)植被指數(shù)或方程用于建立最佳LEWT反演模型。

2.2.2 LAI

當(dāng)前遙感反演LAI的主要方法有經(jīng)驗(yàn)?zāi)Ｐ头?、光學(xué)模型法。本次研究利用實(shí)測樣地LAI與NDVI的統(tǒng)計(jì)關(guān)系，建立LAI反演模型。

2.2.3 高光譜數(shù)據(jù)重采樣

由于ASD測得的葉片高光譜數(shù)據(jù)不能直接用于基于衛(wèi)星等寬波段光學(xué)數(shù)據(jù)的植被冠層含水量（如CEWT）反演，因此需對(duì)高光譜數(shù)據(jù)重采樣，本次研究采用算數(shù)平均法[15]將葉片高光譜窄波段重采樣為對(duì)應(yīng)的S2寬波段。

2.2.4 CEWT

首先利用DPRI2對(duì)應(yīng)的S2波段建立DPRI2指數(shù)，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(jié)果與討論

3.1 隨機(jī)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(xiàn)峰值，呈明顯分層與陡升陡降現(xiàn)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(biāo)準(zhǔn)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(yàn)證R2=0.82，rRMSE=9.11%。

基于配對(duì)t檢驗(yàn)（p>0.05），實(shí)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(shù)或方程中篩選的有利于反演LEWT的植被指數(shù)或方程，可以看出利用NIR和SWIR構(gòu)建的植被指數(shù)較優(yōu)，DPRI2優(yōu)于以前的部分植被指數(shù)或方程。

通過分析DPRI2指數(shù)及其在LEWT反演中的應(yīng)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(shù)和方程使用特定波段構(gòu)建，特定波段通常與植被類型有關(guān)。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(shù)可靈活地用于識(shí)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(duì)LEWT反演精度存在一定不利影響。DPRI2指數(shù)結(jié)構(gòu)簡單，比一個(gè)波段、兩個(gè)波段或只考慮角度和波段之間關(guān)系的指數(shù)具有更多的特征信息。

（3）DPRI2指數(shù)可較為準(zhǔn)確地反演LEWT，原因?yàn)椋孩?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(shù)在一定程度上減輕兩波段指數(shù)飽和問題。③ 對(duì)NDPI指數(shù)進(jìn)行歸一化處理，在此基礎(chǔ)上建立DPRI2指數(shù)，歸一化后的植被指數(shù)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(gè)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(shù)（normalized differential vegetation index，NDVI，[B8-B4]/[B8+B4]）與LAI之間的統(tǒng)計(jì)關(guān)系建立LAI反演模型（見式（9）），該模型10折交叉驗(yàn)證R2= 0.87，rRMSE=9.89%。基于配對(duì)t檢驗(yàn)（p>0.05），實(shí)測LAI和預(yù)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(xiàn)西北低，東南高的空間分布規(guī)律。主要原因?yàn)檠芯繀^(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(duì)應(yīng)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(jié)果代入公式（8）得到LEWT，進(jìn)而計(jì)算CEWT（見圖9）。

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

（1）利用S2波段建立的 DPRI2指數(shù)同樣考慮了S2的3個(gè)寬特征波段之間角度、距離、投影和波段間關(guān)系，含有大量的與CEWT相關(guān)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(shù)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(shù)與CEWT呈現(xiàn)負(fù)相關(guān)關(guān)系，DPRI2值越低，CEWT越高。

（4）研究區(qū)CEWT空間分布上呈現(xiàn)西北低，東南高，林地CEWT較高。主要原因?yàn)槲鞅辈亢０?、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(chǔ)水量較大。

4 結(jié)論與展望

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

（2）DPRI2結(jié)構(gòu)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(guān)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(diào)控機(jī)制以及準(zhǔn)確評(píng)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(jìn)一步研究;林木干、根系含水量定量遙感反演方法也值得進(jìn)一步探究。

參考文獻(xiàn)：

[1] 金林，李養(yǎng)龍.森林植被對(duì)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(xì)根.氣候與森林植被變化對(duì)水文影響的定量研究進(jìn)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(xué)，2017.

[4] 金棟梁.森林對(duì)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(chǎn)量和生長性狀的高光譜預(yù)測技術(shù)研究[D].南京：南京農(nóng)業(yè)大學(xué)，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(xué)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，F(xiàn)ATEMI 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(duì)土壤質(zhì)地高光譜預(yù)測模型精度的影響[J].土壤通報(bào)，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，F(xiàn)LASSE 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）