cbers-2B 叶面积反演

利用CBERS-02B数据反演广西北部湾地区叶面积指数 武佳丽1,3,4顾行发1,3,4余涛1,3,4 李丽1,3,4 高海亮1,3,4 陈江1,3,4,5 任建福2 廖永生2 朱俊琪2（1 国家航天局航天遥感论证中心 2 广西测绘局 3 中国科学院遥感应用研究所 4 遥感科学国家重点实验室5 河南理工大学）

摘 要：以北部湾广西省南宁市宾阳县为研究区域，着重研究了典型植被、作物的叶面积指数，利用经过校正的CBERDS-02B的CCD图像红、近红、蓝波段反射率合成各种所需的植被指数，考虑模型的可行性，利用VIS-LAI统计模型来获取LAI值。通过地面实测数据对各种模型进行验证，找出各个模型的优势劣势，利用分类数据，对于不同植被类型使用不同的经验公式。最终提高了整体区域的模型精度，得到较为准确的该地区的LAI图像。 关键词：叶面积指数；植被指数；EVI；北部湾

1 引 言 叶面积指数LAI是陆面过程中的一个十分重要的结构参数，是表征植被冠层结构最基本的参量之一，它控制着植被的许多生物物理过程，如光合、呼吸、蒸腾、碳循环和降水截获等[1]。

叶面积指数的定义很多，对应于不同的测量方式。Chen等（1992）年提出了叶面积指数定义为单位地面积上总叶面积的一半，该定义较好的解决了针叶、棱柱状叶、桶状叶或其他形状叶片叶面积指数的定义问题[2]。其值从0可变化10以上，单位是m2/m2。

叶面积指数真值的获取可通过直接测量法和间接测量法得到，直接测量法包括采集法、异速增长法、落叶收集法，探针法等，间接测量法通常是基于光学孔隙率的测量，常用仪器有：LAI-2000,TRAC,半球相机等。

2 研究目标 传统的LAI地面测量获得信息有限,而且不能呈面状分布,所以,大区域研究仅仅靠地面观测是行不通的,卫星遥感为大区域研究提供了唯一的途径[3]。

本文的研究目标是利用北部湾地区的CBERS-02B的CCD图像的波段反射率图像及其

1分类数据通过适当的模型来得到该区域的叶面积指数图像。 3 实验数据（叶面积指数的采集） 研究区域位于广西省南宁市宾阳县地区，该研究区域中植被类型多样，有许多我国南方地区非常典型的植被作物。2007年11月利用LAI-2000叶面积指数冠层分析仪，针对5中不同的地物类型进行了测量。每种地物都选取尽量均一，平坦的区域，样区大小至少保证100m*100m，对应于CBERDS-02BD的CCD图像上大概3*3个像元。在样区内根据具体情况分别选择了5-15个有代表性的测点，每点至少测量2次以上，并以测得的平均值作为该区域的叶面积指数值，同时用GPS记录该测区的经纬度。

4 所用方法概述

4.1 选用经验模型 要得到LAI可用多种方法获取，从遥感反演植被结构参数的算法可以归为四类：（1）利用LAI与植被指数VI之间的经验关系；（2）利用传统优化算法对植被冠层模型进行反演；（3）利用查找表方法进行反演；（4）利用神经网络进行反演。 其中基于LAI-VI经验模型的反演：此种方法属于统计方法，主要通过建立LAI与光谱数据或表征光谱属性的光谱指数间的统计关系来求算LAI，通常使用的是植被指数VI（vegetation indices）。植被指数是由两个或者两个以上波段的反射因子以一定形式组合而成的对植被长势、生物量等有一定指示意义的参数 [11]，它可以在一定程度上消除冠层光谱中

大气和背景土壤的干扰，并且与一些重要的生物物理参数(如LAI，干物质产生率等)有着密切的函数关系。 当前常用的植被指数有归一化植被指数(NDVI)、比值植被指数(SR)、环境植被指数(EVI)、缨帽变换中的绿被植被指数(GVI)和正交植被指数(PVI)等[5]。

这种利用植被指数和叶面积指数的统计经验关系方法的方法来获取LAI的方法简单易于计算，在局部区域和特定条件下，能得到比较准确的解。在遥感应用方面常采用这种方法。 其他方法计算复杂，而该方便快捷，可实现性强，为了今后业务化运行的快速可行性，决定采用经验模型。通过CBERDS-02B CCD传感器的可见红波段、近红外波段和蓝波段地表反射率数据合成的植被指数，通过植被指数与LAI之间的经验模型关系来得到叶面积指数值。

24.2 模型局限性 理想状况指天气晴朗、植被指数不受大气、土壤背景变化影响。“太阳一地物一传感器”相对位置固定。这时传感器收到的信号来自地物，没有信号丢失和噪音介入。但是现实中没有这种理想状况，存在着各种局限性： 常用经验模型模型概述及其局限性 遥感植被指数的真正优势是空间覆盖范围广、时间序列长、数据具有一致可比性。但是，获得这样的植被指数至少需要解决以下问题：大气影响、土壤影响、角度影响。 植被指数影响因子很多，具体使用时应适时修正。由于植被光谱受到植被本身、环境条件、大气状况等多种因素的影响，因此植被指数往往具有明显的地域性和时效性，所以使用时应因地适宜的选用和修正，尤其要注意建立植被指数与具体应用对象的数学模型，以实现植被指数能客观地反演应用对象的特征[8]。

常用的基于波段简单线性组合的植被指数，最早的比值植被指由Jordan(1969)提出。RVI比用单波段信息监测植被更为稳定，因为RVI强化了植被在近红外和红外波段反射率的差异。但当植被覆盖不够浓密时(小于50％)，RVI的分辨能力很弱；当植被覆盖越来越茂密时， 由于反射的红光辐射很小，以至RVI将无限增长。 总之，这一类植被指数大都是基于波段的简单线性组合或原始波段的比值， 由经验方法发展而来，没有考虑大气、土壤等因子的综合影响，由于针对特定的遥感器并为特定目的而设计，所以应用也有严重的限制性[15]。

还有很多新发展的经验模型，相对复杂，但仍有缺陷，总之经验模型虽然简便、适用性强，所含参数较少。但其理论基础不完备，缺乏对物理机理的足够理解和认识，具有很强的地域性和时效性；所建立的函数关系也不稳定，对于植被类型和土壤背景都比较敏感,缺乏广泛的普适性。并且LAI与一些遥感参数间并非简单的线性关系，还需要考虑方向反射、结构变化的非线性影响等[13] 。

（2）区域局限性 由于所选区域植被类型多样,并且覆盖疏密程度不均,影像混合像元比重大,土壤背景对植被指数提取会产生较大影响。 (3) LAI值偏大的区域用传统经验模型产生的误差 所选区域有很多植被覆盖度很高的样区，用常规的经验模型都会使结果偏小，如何找到合理的模型也是尤为重要的一点。 尽管许多新的植被指数考虑了土壤、大气等多种因素并得到发展，但陈镜明（2004）等 3发现SR、NDVI等形式较为简单的植被指数比其它植被指数对LAI更为敏感。 但是如果只用NDVI来计算LAI，由于目前广泛应用的AVHRR—NDVI还有某些不足，这主要表现在：(1)在植被高覆盖区容易饱和，原因之一是红光通道容易饱和，之二是NDVI算式本身固有的容易饱和的缺陷；(2)对大气干扰所做的校正有限；(3)没有考虑树冠背景对植被指数的影响；(4)NDVI的比值算式和最大值合成算法(MVC)确实消除了某些内部和外部噪音，但MVC不能确保选择最小视角内的最佳像元，最终的合成产品仍然有较多噪音。 当利用以冠层反射率为基础的VIs来估算冠层LAI时，预测的精度会不可避免地受到叶片空间取向的影响，只是对于不同的指数，这种影响的表现强弱不同。对于NDVI，当植被冠层的LAI超过3~4时，其值迅速达到饱和且不再随着LAI的增大而变化，这样在一定程度上也就削弱了NDVI与LAI的相关性。 因此，用常规的NDVI-LAI在普通区域进行反演是没有太大问题的，但是应用于植被覆盖度比较大的地区就会产生一些误差，广西地区有很多植被覆盖度比较高的区域和地物，如何解决好这个问题也是很关键的。

4.3 解决的方法 （1）不同经验模型的引入 田庆久（1998）认为植被指数主要分为三类：第一类植被指数是基于波段的线性组合（差或和）或原始波段的比值，由经验方法发展而来的（如比植被指数SR、差值植被指数DVI 等）。第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，并通过数理和逻辑经验及模拟将原植被指数不断改进而发展的（如垂直植被指数PVI、归一化植被指数NDVI等）。第三类植被指数是针对高光谱遥感及热红外遥感而发展的植被指数（如叶绿素吸收比值指数CARI等）。 前面已经介绍过基于波段的线性组合（差或和）或原始波段的比值植被指数，下面考虑如何消除土壤、大气等对其的影响。 消除影响因子的植被指数：针对波段简单线性组合的植被指数的局限性，后来又发展了许许多多消除影响因子的植被指数，归纳起来大致可以按土壤、大气及综合影响因子三个方向进一步划分。 自归一化植被指数(NDVI)被提出以来，就以其稳定性受到广泛关注，成为过去2O多年使用最广泛的植被指数之一。但是，NDVI存在一些缺陷，在NDVI的基础上开发新的植被指数要考虑消除土壤背景和大气噪声。在弱化土壤背景影响上，Huete(1988)开发了土壤调

4节植被指数(SAVI)，引入土壤调节参数，以减少土壤背景的影响。在减少大气影响方面，Kaufman等(1992)开发了抗大气植被指数(ARVI)。Liu等引入一个反馈项来同时对土壤背景与大气进行订正，开发了增强型植被指数(enhanced vegetation index，EVI)。NDVI和EVI是对中分辨率成像光谱仪数据(M0DIS)选用的两种植被指数，开发M0DIS—NDVI的目的是继承已有20年时间序列的AVHRR—NDVI；而开发MODIS—EVI的目的是改进NDVI的某些缺陷，特别是大气噪声、土壤背景、饱和度等问题。 EVI对原始数据经过较好的大气校正，所以EVI的设计避免了基于比值的植被指数的饱和问题。同时，利用蓝光和红光对气溶胶的差异，采用“抗大气植被指数”进一步减小了气溶胶的影响，采用“土壤调节植被指数”减少了土壤背景的影响，耦合以上两种植被指数，开发r同对减少大气和土壤背景影响的“增强型植被指数(EVI)”。EVI的合成，是以数据质量为基础，优先选择晴天时传感器视角小的像元。EVI在这些方面的改进，为遥感定量研究提供了更好的基础[6]。

结论 归一化差值植被指数NDVI 由Rouse 等(1973)在对RVI非线性归一化处理后得到的植被指数。NDVI增强了对植被的响应能力，是目前应用最广的植被指数。但许多研究也表明，NDVI也受到定标和仪器特性、云和云影、大气、双向反射率、土壤及叶冠背景、高生物量区饱和等因素影响， 使其应用受到限制。 常规的经验模型法只采用单一的VI-LAI公式来获取叶面积指数，本文准备利用该地区的分类数据和多种经验模型方法相结合来减小模型局限性和区域局限性的影响，最终得到LAI。 因此除常用的标准化植被指数（NDV I） 、比值植被指数（S R）外，这次工作中还采用增强型植被指数（EVI）来对抗土壤背景和大气背景的影响。再加上分类信息，不同区域使用不同的LAI-VI经验模型来计算地表植被LAI，以提高精度。