近日，杭州師范大學(xué)副研究員方美紅（第一作者）與南京大學(xué)居為民教授（通訊作者）發(fā)表了題為“A Normalized Spectral Angle Index for Estimating the Probability of Viewing Sunlit Leaves from Satellite Data”的論文，值得一提的是，該論文中用到的高分辨率成像數(shù)據(jù)是由本公司所售光譜相機(jī)GaiaField-F-V10測量得到。
在利用遙感數(shù)據(jù)和技術(shù)獲取植被冠層結(jié)構(gòu)和葉片生化參數(shù)特征的研究中，利用光學(xué)遙感數(shù)據(jù)，不可避免會遇到的一個問題就是BRDF效應(yīng)。BRDF效應(yīng)產(chǎn)生的根本原因是，不同觀測幾何條件下看見的地物分量比例變化了，針對植被像元而言，主要是4個分量：光照的冠層（陽葉），陰影里的冠層（陰葉），光照的地面背景和陰影里的地面背景。光照與陰影植被冠層和背景分離是植被參數(shù)定量遙感反演的需要。陽葉可視概率（PT）是影響觀測到的冠層光譜的一個重要變量。準(zhǔn)確確定像元PT值是遙感定量反演和估算植被參數(shù)的必要條件。因此本研究為解決這一問題，發(fā)展了一種新的基于光譜指數(shù)的像元PT估算方法，可以直接應(yīng)用于衛(wèi)星遙感影像。我們根據(jù)葉片和土壤背景的光譜形狀，提出了一個新的指數(shù)：以近紅外（NIR）波長和反射率為頂點(diǎn)的歸一化光譜角度指數(shù)（NSAI）。然后，利用一個近地面高分辨率成像數(shù)據(jù)集、兩個衛(wèi)星模擬數(shù)據(jù)集和一個星-地同步觀測數(shù)據(jù)集評估NSAI在估計PT方面的性能。
高分辨率成像數(shù)據(jù)是我們利用光譜相機(jī)GaiaField-F-V10測量的可見光(VIS)到近紅外(NIR)光譜區(qū)域的冠層光譜數(shù)據(jù)（如圖1所示），在全光譜分辨率下，最大半高寬(FWHM)和光譜采樣間隔(SSI)分別約為2.8 nm和0.42 nm，信噪比為200:1。獲得的全分辨率圖像，掃描面積約為2 × 1.6 m2。獲取目標(biāo)地物的像元空間分辨率大約為1.5 mm。為了確保相似的圖像大小，在觀測實驗過程中，圖像是在恒定的高度上獲取的。為了避免光照條件突變，每張圖像在2分鐘內(nèi)觀測完成，所有測量都是在無云的晴空下進(jìn)行的。
圖1近地面高分辨率成像數(shù)據(jù)集的觀測系統(tǒng)的現(xiàn)場照片和植被成像光譜數(shù)據(jù)實例。(a)光譜相機(jī)GaiaField-F-V10安裝在固定的軌道臂上，并提升到距離冠層頂部約2米的高度。(b)不同光照條件下的真彩色合成影像示例，按低(第一行)、中(第二行)和高(第三行)覆蓋度進(jìn)行分類。
為了驗證和評估歸一化光譜角度指數(shù)（NSAI）在估算PT方面的性能，我們選取了增強(qiáng)型植被指數(shù)(Enhanced Vegetation Index, EVI)、歸一化差分光譜指數(shù)(Normalized Difference spectral Index, NDSI)、歸一化差分植被指數(shù)(Normalized Difference Vegetation Index, NDVI)、簡單比值指數(shù)(Simple Ratio Index, SR)和光化學(xué)反射指數(shù)（Photochemical Reflectance Index, PRI）等5個常用的光譜指數(shù)進(jìn)行對比研究。以高分辨率影像數(shù)據(jù)的監(jiān)督分類結(jié)果為基礎(chǔ)，分析陽葉(SuL)、陰葉(ShL)、光照背景(SuB)和陰影背景(ShB)的6個光譜指數(shù)的箱形圖（圖2），結(jié)果表明NDVI、SR和NDSI這三個指數(shù)在光照和陰影分量上值域重疊。而NSAI、EVI和PRI這三個指數(shù)可以有效區(qū)分以上4個分量。因此，選擇NSAI、EVI和PRI這三個指數(shù)作為構(gòu)建PT估算模型的候選指數(shù)，進(jìn)一步驗證和評估。
圖2陽葉(SuL)、陰葉(ShL)、光照背景(SuB)和陰影背景(ShB)的6個光譜指數(shù)的箱形圖：不同光譜指數(shù)都?xì)w一化到0~1的范圍。紅色點(diǎn)表示指數(shù)均值，紅色線表示中位數(shù)，藍(lán)色框表示[25%，75%]百分位數(shù)，黑色須分別表示5%和95%百分位數(shù)。以上統(tǒng)計特征值根據(jù)高分辨率影像數(shù)據(jù)的監(jiān)督分類結(jié)果計算獲得。
對比監(jiān)督和非監(jiān)督分類結(jié)果（圖3），發(fā)現(xiàn)基于NSAI指數(shù)的非監(jiān)督分類結(jié)果的總體kappa系數(shù)高于EVI，而PRI的kappa系數(shù)低。但NSAI、EVI和PRI這三個指數(shù)都能夠有效區(qū)分4個分量，都具備獲取PT信息的潛在能力。
圖3陽葉(SuL)、陰葉(ShL)、光照背景(SuB)和陰影背景(ShB)的高分辨率影像分類結(jié)果圖，(a)高分辨率成像數(shù)據(jù)的真彩色合成圖(TCC)，(b-d) NSAI、EVI和PRI指數(shù)圖像，(e)高分辨率圖像的監(jiān)督分類結(jié)果，(f-h)分別基于NSAI、EVI和PRI指數(shù)圖像的非監(jiān)督分類結(jié)果，(i-l)非監(jiān)督分類結(jié)果和參考值（即監(jiān)督分類結(jié)果，假設(shè)監(jiān)督分類結(jié)果代表真實值）的kappa系數(shù)。
圖4顯示在Hyperion和MODIS模擬數(shù)據(jù)集上，均可發(fā)現(xiàn)NSAI與PT呈顯著線性相關(guān)，EVI和PRI也與PT有很強(qiáng)的相關(guān)性，但是，在給定的PT值下，它們的SDn值大于NSAI，這表明NSAI估計PT的能力對葉片光譜變化最不敏感。此外，在兩個模擬數(shù)據(jù)集上，基于PRI的散點(diǎn)圖分布比NSAI和EVI更為緊湊和聚集，表明PRI估計PT的能力對土壤背景的敏感性較低。然而，在已知土壤背景類型的情況下，NSAI估計PT值的表現(xiàn)*好。說明基于NSAI構(gòu)建的PT估算經(jīng)驗?zāi)Ｐ途哂休^好的穩(wěn)定性，對葉片光譜和地面背景光譜的變化相對不敏感。
圖4模擬的Hyperion(a-d)和MODIS(e-h)場景下，NSAI、EVI、PRI和RSL（紅波段上冠層反射率與葉片反射率的比值）指數(shù)與PT的相關(guān)性，點(diǎn)的顏色表示不同土壤類型：正常土壤(N，橙色點(diǎn))、干土壤(D，綠色點(diǎn))、濕土壤(W，藍(lán)色點(diǎn))。Hyperion樣本數(shù)量為13,950,144個，其中模擬場景數(shù)量為10,764；MODIS樣本數(shù)量為3,732,480個，模擬場景數(shù)為2,880個；每個點(diǎn)代表432個具有不同葉片光譜和相同PT的樣本的平均值，點(diǎn)的半徑為具有相同PT的432個樣本中對應(yīng)指數(shù)的歸一化標(biāo)準(zhǔn)差SDn值。
將利用模擬數(shù)據(jù)校準(zhǔn)的基于NSAI的PT估算模型應(yīng)用于高光譜-高空間分辨率的Hyperion數(shù)據(jù)時，估計的PT的歸一化均方根誤差(nRMSE)和調(diào)整R2分別為14.9%和0.744。應(yīng)用于中分辨率的MODIS影像時，PT的估計精度也非常令人滿意，nRMSE為18.71%，調(diào)整R2為0.67（圖5）。表明NSAI有巨大希望應(yīng)用于衛(wèi)星影像直接估算PT，提高植被參數(shù)的反演精度。
圖5星-地同步觀測數(shù)據(jù)集中33個Hyperion像元(a-d)和12個MODIS像元(e-h)上基于NSAI、EVI、PRI和RSL指數(shù)的模型估算的PT值與利用4-Scale模型反演的參考值的比較。紅色直線為1:1線。
小結(jié)
光照與陰影植被冠層和背景分離是植被參數(shù)定量遙感反演的需要。陽葉可視概率（PT）是影響觀測到的冠層光譜的一個重要變量。準(zhǔn)確確定像元PT值是遙感定量反演和估算植被參數(shù)的必要條件。本研究發(fā)展了一種新的基于光譜指數(shù)的像元PT估算方法，可以直接應(yīng)用于衛(wèi)星遙感影像。我們根據(jù)葉片和土壤背景的光譜形狀，提出了一個新的指數(shù)：以近紅外(NIR)波長和反射率為頂點(diǎn)的歸一化光譜角度指數(shù)(NSAI)。然后，利用一個近地面高分辨率成像數(shù)據(jù)集、兩個衛(wèi)星模擬數(shù)據(jù)集和一個星-地同步觀測數(shù)據(jù)集評估NSAI在估計PT方面的性能。結(jié)果表明，NSAI比增強(qiáng)型植被指數(shù)(Enhanced Vegetation Index, EVI)、歸一化差分光譜指數(shù)(Normalized Difference spectral Index, NDSI)、歸一化差分植被指數(shù)(Normalized Difference Vegetation Index, NDVI)、簡單比值指數(shù)(Simple Ratio Index, SR)和光化學(xué)反射指數(shù)（Photochemical Reflectance Index, PRI）等5種常用的光譜指數(shù)更適合直接估算衛(wèi)星遙感影像像元的PT值。NSAI不僅可以有效地區(qū)分光照和陰影的冠層與背景，而且NSAI與像元PT呈顯著的線性相關(guān)?；贜SAI構(gòu)建的PT估算經(jīng)驗?zāi)Ｐ途哂休^好的穩(wěn)定性，對葉片光譜和地面背景光譜的變化相對不敏感。更為重要的是，模型具有很好的可移植性，利用模擬數(shù)據(jù)校準(zhǔn)的基于NSAI的PT估算模型可以直接應(yīng)用于遙感觀測數(shù)據(jù)。應(yīng)用于高光譜-高空間分辨率的Hyperion數(shù)據(jù)時，估計的PT的歸一化均方根誤差(nRMSE)和調(diào)整R2分別為14.9%和0.744。應(yīng)用于中分辨率的MODIS影像時，PT的估計精度也非常令人滿意，nRMSE為18.71%，調(diào)整R2為0.67。結(jié)果表明NSAI有巨大希望應(yīng)用于衛(wèi)星影像直接估算PT，提高植被參數(shù)的反演精度。
作者簡介
第一作者 方美紅，博士，杭州師范大學(xué)信息科學(xué)與技術(shù)學(xué)院副研究員，碩士生導(dǎo)師。目前為杭州師范大學(xué)遙感與地球科學(xué)研究院、浙江省城市濕地與區(qū)域變化研究重點(diǎn)實驗室研究人員，主要從事植被生化參數(shù)遙感定量反演研究。作為負(fù)責(zé)人主持的項目有**自然科學(xué)基金青年基金項目、中國博士后面上基金、江蘇省博士后科研資助和日常資助項目等。曾在《Remote Sensing of Environment》、《IEEE Transactions on Geoscience and Remote Sensing》、《Terrestrial Atmospheric & Oceanic Sciences》、《光譜學(xué)與光譜分析》、《生態(tài)學(xué)報》等國內(nèi)外學(xué)術(shù)期刊上發(fā)表論文10余篇。先后獲得杭州師范大學(xué)“**班主任”、“**綜合指導(dǎo)教師”等榮譽(yù)稱號。
通訊作者 居為民，南京大學(xué)二級教授、博士生導(dǎo)師。主要研究方向包括：植被參數(shù)遙感反演、生態(tài)模型開發(fā)及應(yīng)用、陸地生態(tài)系統(tǒng)碳通量優(yōu)化計算同化等。近年來，主持承擔(dān)“全球變化與應(yīng)對”**重點(diǎn)研發(fā)計劃項目、全球變化重大科學(xué)計劃項目課題和**自然科學(xué)基金面上項目等科研項目10余項。在《Science》、 《Nature子刊》、《Remote Sensing of Environment》、《Global Biogeochemical Cycles》、《Agricultural and Forest Meteorology》和《Journal of Geophysical Research》等刊物發(fā)表SCI論文180多篇；兩次入選江蘇省“333”人才工程，6次獲得省部級科技獎勵；現(xiàn)任《Journal of Geophysical Research-Biogeosciences》期刊Associate Editor。
© 2019 版權(quán)所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術(shù)支持：化工儀器網(wǎng) GoogleSitemap 管理登陸
在線客服