基于PROSAIL模型的山地草原叶面积指数高光谱反演

2022-04-01郑逢令安沙舟阿斯娅曼力克艾尼玩艾麦尔

新疆农业科学 2022年2期

贠静，郑逢令，安沙舟，阿斯娅·曼力克，李超，艾尼玩·艾麦尔，田聪

(1.新疆畜牧科学院草业研究所，乌鲁木齐 830000；2.新疆农业大学草业与环境科学学院，乌鲁木齐 830052)

0 引言

【研究意义】叶面积指数(Leaf area index，LAI)是指测量获得单位背景表面所有植被的一半的叶面积[1]。LAI对陆地生态系统和大气系统中间的能量、水汽和CO2交换有重要影响，是重要的植物生理参数。高光谱遥感传感器光谱分辨率一般在10 nm以下，因此，高光谱数据有能力进行物质分类和理化参数的回归，其应用领域已涵盖了地球科学的各个方面[2]。掌握草地的质量与数量动态变化，监测天然草地的动态变化，对于研究草地的质量与数量有重要意义。【前人研究进展】高光谱反演理化参数的方法主要包括统计和物理模型2种，相对于统计模型，物理模型是基于物理机理的，具有普适性的优点[3]，而PROSAIL模型适于均质植被理化参数的遥感反演。山地草原每年春秋两季2次放牧利用，生态系统受到较大干扰，对其进行动态监测尤为重要。LAI遥感反演研究的主要对象是农作物和森林，天然草地LAI遥感反演研究有部分文献研究[4-7]。【本研究切入点】天然草原的异质性对理化参数的反演具有巨大影响，异质性主要表现在不同种类植物的冠层结构和叶片光学性质差异较大，目前对山地草原理化参数的遥感反演研究很少。遥感反演其生理生化成分可以弥补以前研究的缺失，可以更为深入的了解山地草原生态系统。叶面积指数(Leaf area index，LAI)是草原生态系统物质和能量循环过程中重要的生理参数，目前使用高光谱反演天然草地LAI的工作偏少，急需深入研究。【拟解决的关键问题】使用PROSAIL物理模型方法反演天然草地LAI，研究影响反演精度的因素，特别是代价函数和主要植物种类变化如何影响LAI反演的精度，为更好地反演山地草原植被理化参数提供科学依据。

1 材料与方法

1.1 材料

研究区位于天山北坡中段中山带的山地草原，研究区1行政区划属乌鲁木齐县永丰乡永盛村，87°12′50″～87°14′05″ E，43°33′14″～43°34′12″ N，地处乌鲁木齐河和头屯河之间，海拔1 530～1 700 m，主要植被由丛生小禾草、小莎草、蒿类半灌木三大类组成，建群种为针茅(Stipacapillata)、羊茅(Festucaovina)、冷蒿(Artemisiafrigida)、短柱苔草(Carexturkestanica)，伴生少量黄芪(Astragalussp.)。

研究区2行政区划属昌吉市庙尔沟乡土圈村，86°59′29″～86°55′40″ E，43°32′47″～43°33′40″ N，海拔1 780～1 880 m，主要植被组成与研究区1几乎一致，稍有不同的是针茅较多，而且地势更为平坦。2个研究区邻近，无高大山体影响，地形较为平坦，植被覆盖度较高。土壤类型为栗钙土，年平均气温6.5℃，年极端最高气温38.5℃，年极端最低气温-41.5℃，年降水量350 mm左右，年蒸发量2 750 mm。研究区1的植被覆盖度略小于研究区2的覆盖度。

1.2 方法

1.2.1 样方设计

研究区1在长2.0 km，宽1.7 km的矩形区域内随机布置22个样地；研究区2在长2.5 km，宽1.0 km的矩形区域内随机布置15个样地。每个样地30 m×30 m，在每个样地内随机取5个样方，样方框为圆形，直径47 cm。

1.2.2 光谱及数据采集

采用美国Spectral Evolution公司的PSR+3500光谱仪测量冠层光谱。该光谱仪波谱范围为350～2 500 nm，可见光近红外波段波谱分辨率为3 nm，近红外波段波谱分辨率为8 nm，短波红外波谱分辨率为6 nm。采集时依据样方框的直径、草地冠层平均高度和光纤探头视场确定探头高度为垂直于冠层1.1 m左右。在晴朗气候条件下，于12：00～17：00测冠层近地样方光谱，测量时光纤头视场角为25°。测量冠层光谱时在每块样地随机测定5个样方，每个样方重复测量3次，然后求平均作为该样方的光谱。实测的冠层光谱数据保证有适当的光照强度，测量时在样方中心保持仪器的探头垂直向下。

植被覆盖度用数码相机拍照的方法测量；使用收获法采集样方框中所有植物叶片，分植物种类放入密封袋中，冰袋覆盖保持鲜度，带回实验室放入冰箱保存，称鲜重后在最短时间内计算LAI。采用丙酮法处理野外采集叶片的叶绿素[8]，用PerkinElmer公司Lambda-750紫外分光光度计在特定波长下测定光密度值，并计算叶绿素密度值。样方各种植物叶片的鲜重乘以实验室分析获取的叶绿素密度，然后求总和，得到样方的冠层叶绿素含量，除以获得的LAI值得到叶片叶绿素含量(Leaf chlorophyll content，LCC)。

叶片用双面胶平展的固定在黑板上，使用佳能70D数码相机在自然光线下垂直拍照。获取的图像在ENVI 5.1中使用最大似然法监督分类获得植物叶面积。将样方叶面积换算成1 m2叶面积获得LAI。由于植被矮小且相对稀疏，直接用植物冠层分析仪不能获取正确的LAI值[9]。

测完叶面积后，将叶片按样方和不同植物种类装入纸袋，放入烘干箱，70℃温度下48 h烘干，根据样方叶片干鲜重量、叶面积数据获得干物质含量Cm、含水量Cw。在2个研究区，3年采样和参数测量的时间都为植被生长旺盛的7月。3年2个采样区域共获427个样方的光谱数据与配套数据。

1.2.3 样方光谱数据

将同一样方3次采集的冠层光谱取平均值，导入Origin中做反射率图，剔除光谱波形不正常、噪声过大的样方光谱数据。将原始光谱重采样，光谱分辨率为1 nm，为减少干扰，去除首尾噪声较大的波段，只保留400和2 400 nm的波段，在R程序中对冠层光谱数据进行光谱平滑，利用Savitzky-Golays算法去噪平滑。

1.2.4 PROSAIL模型参数设置和模拟光谱的生成

叶片辐射传输模型PROSPECT和冠层辐射传输模型SAIL这2个模型，通常一起被称为PROSAIL模型[10]。根据实测数据和相关软件计算的结果设置的PROSAIL参数值。模拟光谱由ARTMO 3.20软件生成。ARTMO是一个将各种模型集合在一起，使用Matlab计算平台的图形界面工具[11]。表1

表1 PROSPECT-4和4SAIL模型参数设置Table 1 PROSPECT-4 and 4SAIL model parameter settings

1.2.5 代价函数

代价函数使用基于不同误差分布的三大类统计距离[12]，分别为信息度量差异(Information measures of divergence)、M估计(M-estimates)和最小对比度方法(Minimum contrast methods)。研究选择了3种方法各3个代价函数，其中信息度量差异典型代价函数包括Kullback Leibler、Person chi-square、Hellinger distance；M估计典型代价函数包括RMSE、Geman and McClure、Least absolute error；最小对比估计典型代价函数选择3种K(x)类对比估计函数，分别是K(x)={log(x)^2}、K(x)=x{log(x)}-x、K(x)=-log(x)+x。

1.2.6 反演策略

确定最优解平均值、高斯噪声都为30%这样一个组合。正则化方法采用加入高斯噪声、使用多种解决方案、使用9个不同代价函数进行反演。

1.2.7 误差评价

使用决定系数R2、均方根误差RMSE、均一化均方根误差NRMSE 3个指标来评价反演精度。其中NRMSE=(RMSE/LAI测量值范围)×100。

2 结果与分析

2.1 确定查找表尺寸(look-up table size，LUT size)

研究表明，每种代价函数取NRMSE最低情况下，4种查找表尺寸的决定系数没有变化，但是从1 000到10 000，NRMSE精度有一定的提升，30 000和50 000 两种不同LUT尺寸获得的结果精度几乎一致，说明增大LUT尺寸并不能显著提高反演的精度，可以确定30 000和50 000两种不同查找表尺寸都可以满足模拟光谱反演LAI的要求。为减少计算量，此次研究后续LUT尺寸值都取30 000。表2

2.2 不同代价函数的LAI反演精度

研究表明，除了K(x)=-log(x)+x的RMSE和NRMSE比较大外，其他代价函数反演的RMSE值都在0.26以下，NRMSE小于18.99。代价函数的R2介于0.45～0.55。K(x)={log(x)}^2、K(x)=x{log(x)}-x二者NRMSE精度表现最好，分别为17.08和17.35，均方根误差RMSE在所有代价函数反演中也最小，分别为0.23和0.24。最常使用的RMSE代价函数的表现比较一般，NRMSE近19，RMSE为0.26。代价函数中最高的反演精度都是在噪声较低和解决方案比较少的情况下获取的。M估计典型代价函数类的精度表现整体偏低，常用的RMSE的精度要低于5种代价函数。表3

2.3 LAI反演中代价函数受正则方法的影响

在这些误差矩阵中，选择单一的最佳解决方案的NRMSE值比较大，超过了25，增加噪声时，精度有所提升，但误差仍然很大。大部分代价函数都能从这种正则化方法中获得比较高的NRMSE值区域，在图像上表现出蓝或深蓝的颜色。虽然这种区域的面积、形状和位置根据不同的代价函数有所不同。其中以RMSE为代表的M估计代价函数的NRMSE矩阵图的颜色主要是浅黄和浅蓝色，比信息度量差异和最小对比度代价函数的精度低。不过同为最小对比度代价函数，K(x)=-log(x)+x的NRMSE值大于30，矩阵图的颜色为褐色，反演失败，来自同一种类的代价函数反演LAI的精度表现也会有差异。图1

表2 4种查找表尺寸下LAI反演精度表现Table 2 Performance of LAI inversion of cost function under four kinds of LUT size

表3 不同代价函数反演LAI获得最优NRMSE时的统计数据Table 3 LAI inversion statistics for the optimal NRMSE of cost function

图1 模拟冠层光谱LAI反演噪声和解决方案数量变化对NRMSE的影响矩阵图Fig.1 NRMSE matrix of LAI inversion with simulated canopy spectra in different noise level and number of solutions

2.4 植物种类变化对反演精度的影响

2.4.1 样方分组

研究表明，山地草原的植物种类一般在5、6种居多，但占样方总面积90%以上为4种优势种，分别为冷蒿、针茅、羊茅和短柱苔草。将427个样方根据种类多少分组。种类数≤2种的为A组，种类数≤3种的为B组，种类数≤4种的为C组，全部样方为D组。表4

2.4.2 植物种类变化对LAI高光谱反演的影响

研究表明，从三大类代价函数中选择精度表现最好的3个代价函数，分别为K(x)={log(x)}^2、Kullback-leibler和RMSE进行种类变化对LAI影响评价，用RMSE和R2精度的衡量。A、B、C组随着种类数增加，精度降低，从RMSE和R2的变化上都可以看到这一明显趋势，但C组和D组的精度几乎一致，有可能是D组的种类变化相对C组并不大，数量上也只增加了36个样方。种类变化对精度的有巨大影响，特别是R2表现最为明显。表5

表4 样方根据种类数分组Table 4 Quadrats grouped according to the species number (n=427)

3 讨论

3.1 使用不同代价函数反演天然草地LAI的必要性

RMSE在多数研究中都作为一个唯一的代价函数应用于物理模型反演植被理化参数[13, 14]，但由于自然条件复杂、变量众多，RMSE中的基本假设：带高斯噪声的最大似然估计往往是不成立的[15]。基于遥感数据的生物物理参数的估计受到不确定因素的影响，并且产生错误的来源也是多方面的，而来自冠层和土壤背景的误差常常是非零均值并且不是正态分布的。异常值和非线性使残差变形，在这种情况下违反了使用最小二乘估计的关键假设：即误差具有白噪声，零平均残差分布。此次研究使用不仅限于常用的RMSE方法，而是有3大类型，9种代价函数配合加入噪声和多个解的正则方法。通过不同的反演对策，筛选出稳定性好、综合评判精度高的代价函数，这样做既测试了各种代价函数在不同正则方案中的稳定性和精度表现，更节约了计算量和运行时间。研究发现RMSE代价函数对LAI的反演精度，在所有代价函数中精度只在中下等水平，这与先前研究[16]中多种代价函数反演农作物LAI，其中RMSE还是获得最高精度不同，显示出天然草地的多样性和复杂性，客观上需要通过对比选择最优代价函数，达到提高反演精度的目的。

3.2 植物种类变化对精度的影响原因探讨

研究结果显示种类数越多，RMSE在增大，R2在减少，对LAI反演精度越差，这与先前学者研究的结果是一致的。Darvishzadeh等[17]在地中海天然草原利用GER 3700光谱仪测量了实地光谱，应用PROSAIL模型，构建冠层反射光谱的查找表反演LAI和叶绿素含量，随着草地种类(主要物种)增加，反演的精度随之下降。精度随种类增多而下降的原因可能是不考虑背景土壤的影响，不同种类植物的混合，会导致冠层结构变化和叶片类型的变化，从而影响光与植物之间的相互作用，在用物理模型模拟出来的光谱进行参数反演时难度加大。而叶片尺度上双子叶植物和单子叶植物有不同的叶片形态结构，双子叶植物叶片上的气孔，排列的不规则；单子叶植物叶片上的气孔，排列的比较规则，多排列成行；双子叶植物的支脉末梢是不封闭的，故有自由支脉末梢；而单子叶植物的支脉末梢是封闭的，故无自由支脉末梢。

3.3 PROSAIL模型反演混合植被理化参数的局限性

PROSAIL模型是一个一维(1D)模型，适合应用自然条件简单、植被分布均匀的场景，在异质性很强的天然草地，PROSAIL模型还是有一定局限性。这是因为草地种类组成及冠层构造对模型反演精度影响较大，天然草地的上述特点将辐射传输模型应用到草地植被理化参数反演的工作效果普遍较差；由于草地植物种类的多样、科属多样，使用简化的模型并不能应对复杂多变的草地生长环境。在未来的工作中，可以考虑结合统计模型和机器学习方法进行天然草地理化参数的估算。