EN中文

地球信息科学学报 >

2020 , Vol. 22 >Issue 8: 1725 - 1734

DOI: https://doi.org/10.12082/dqxxkx.2020.190316

遥感科学与应用技术

基于SEVI的复杂地形山区植被FPAR遥感反演与地形效应评估

  • 蒋世豪 ,
  • 江洪 , * ,
  • 陈慧
展开
  • 福州大学 数字中国研究院（福建）,空间数据挖掘与信息共享教育部重点实验室,卫星空间信息技术综合应用国家地方联合工程研究中心,福州 350108
*江 洪（1975— ）,男,福建永安人,博士,副研究员,研究方向为遥感技术与应用及电子政务等。E-mail:

蒋世豪（1994— ）,男,河南开封人,硕士生,研究方向为遥感技术与应用。E-mail:

收稿日期: 2019-06-20

  要求修回日期: 2019-10-31

  网络出版日期: 2020-10-25

基金资助

国家重点研发计划课题(2017YFB0504203)

福建省自然科学基金项目(2017J01658)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Vegetation FPAR Retrieval based on SEVI in Rugged Terrain and Terrain Effects Assessment

  • JIANG Shihao ,
  • JIANG Hong , * ,
  • CHEN Hui
Expand
  • Fuzhou University The Academy of Digital China (Fujian), Key Laboratory of Spatial Data Mining & Information Sharing of Ministry of Education, National & Local Joint Engineering Research Center of Satellite Geospatial Information Technology, Fuzhou 350108, China
*JIANG Hong, E-mail:

Received date: 2019-06-20

  Request revised date: 2019-10-31

  Online published: 2020-10-25

Supported by

National Key Research and Development Program of China(2017YFB0504203)

Natural Science Foundation of Fujian Province, China(2017J01658)

Copyright

Copyright reserved © 2020
Fold

摘要

植物吸收性光合有效辐射分量（FPAR）的遥感反演是生态环境领域的核心研究内容之一,但在复杂地形山区,其估算精度严重受到地形效应的影响（包括本影与落影）。本文利用能够消除地形阴影影响的阴影消除植被指数（SEVI）对山区遥感影像进行FPAR反演,并分别与基于不同影像预处理程度计算的归一化植被指数（NDVI）、比值型植被指数（RVI）反演的FPAR做对比分析,以评估复杂山区反演FPAR存在的地形效应。结果表明：在不做地形校正的情况下,基于NDVI与RVI反演FPAR会使得本影及落影区域的值远小于非阴影区域的值,它们的相对误差均大于70%;基于C校正后的NDVI与RVI反演FPAR可以较好地校正本影区域,相对误差降至约6.974%,但落影处的校正效果不明显,相对误差约为48.133 %;而基于SEVI反演FPAR无需DEM数据的支持,可以达到经FLAASH+C组合校正后NDVI与RVI反演FPAR相似的结果,且能改善落影区域的地形校正效果,相对误差降至约2.730%。

关键词： FPAR; 植被指数; SEVI; 地形校正; 本影; 落影; 复杂地形山区

本文引用格式

蒋世豪 , 江洪 , 陈慧 . 基于SEVI的复杂地形山区植被FPAR遥感反演与地形效应评估[J]. 地球信息科学学报, 2020 , 22(8) : 1725 -1734 . DOI: 10.12082/dqxxkx.2020.190316

Abstract

The retrival of Fraction of Absorbed Photosynthetically Active Radiation (FPAR) by remote sensing is one of the major research fields in ecological environment. However, in mountainous areas with rugged terrain, the estimation accuracy is seriously affected by terrain effect, including the influence of self and cast shadow. In this paper, Shadow-Eliminated Vegetation Index (SEVI), which can effectually remove the influence of terrain shadow, was used to conduct FPAR inversion in mountainous areas from remote sensing data. The inversion result based on SEVI was compared and analyzed with the inversion results based on Normalized Difference Vegetation Index (NDVI) and Ratio Vegetation Index (RVI) with different pre-processing degrees and evaluate the topographic effect of FPAR inversion based on different indexes in complex mountainous areas from remote sensing images. The results show that the FPAR inversion based on NDVI and RVI have much smaller values in self and cast shadow areas than that in non-shadow area without terrain correction using DEM data, their relative error are both greater than 70%. C correction can be better used in the pre-processing of NDVI and RVI deriving and effectually corrected the FPAR inversion results based on these two indexes, its relative error dropped to about 6.974%. But the results after C correction not performed well in cast shadow areas, its relative error is about 48.133%. The FPAR inversion based on the SEVI without DEM data can achieve similar results with the FPAR inversion based on NDVI and RVI after the atmospheric correction of the FLAASH and C combination, and the result shows a better terrain correction effect in shadow area where relative error dropped to about 2.730%.

Key words： FPAR; vegetation indices; SEVI; topographic correction; self shadow; cast shadow

1 引言

植物吸收性光合有效辐射分量（Fraction of Absorbed Photosynthetically Active Radiation, FPAR）,是植被吸收的光合有效辐射（Photosynthetically Active Radiation, PAR）在入射太阳辐射中所占的比例,也可以称作FAPAR[1,2,3]。它是描述植被结构以及与之相关的物质与能量交换过程中的基本生理变量,也是植被水分、能量及碳循环的重要检测指标[4,5,6]。由于其重要性,FPAR已经被一些气候观测系统及陆地生态观测系统确定为影响反映全球气候变化的关键参量之一。因此,如何准确获取FPAR具有重要的意义。
FPAR的获取主要有2种途径：① 地面实地观测,主要是通过SUNSCAN、ACCUPAR、TRAC等仪器获取冠层间的PAR数据,并通过相关公式计算出FPAR[7];② 基于遥感数据,建立FPAR的估算模型进行反演。实地观测的方法虽然准确,但测量仪器价格昂贵,而且我国有些植被生长于地形崎岖复杂的山区,野外测量耗时费力,只适用于小型或少量样区。随着遥感技术的发展,植被指数在众多领域的植被变化检测中起着重要作用。在植被光谱特征中,由于植被的叶绿素在红色波段表现出较强的吸收能力,可以表征对于PAR最大的吸收能力;而植被叶片的结构特征导致在近红波段的辐射吸收较少,形成较强的反射。因此,以数学组合形式,构建以红波段、近红波段为主的植被指数,可以反映出植被冠层对可见光的吸收变化情况[8,9]。目前基于植被指数估算FPAR的方法众多,例如董恒等[10]研究发现归一化植被指数（NDVI）、土壤调节植被指数（SAVI）和增强型植被指数（EVI）与FPAR都有着较好的相关性,比较适合用来反演FPAR。陈雪洋等[11]运用回归分析的方法,比较了NDVI、EVI、SAVI、比值型植被指数（RVI）对FPAR的估算精度,结果表明各植被指数与FPAR均具有较高的相关性,且NDVI具有最高的反演精度。也有部分研究认为植被对太阳光合有效辐射的吸收比例取决于植被类型和植被覆盖状况[12],在植被覆盖比较少的情况下,差值植被指数DVI与FPAR具有近线性相关关系;在植被覆盖度并不均匀的情况下,复归一化植被指数RDVI与FPAR具有近线性相关关系;在植被覆盖度较高的区域,NDVI的灵敏度降低,易达到饱和状态,导致估算出来的FPAR偏低,而RVI对植被十分敏感,估算结果易偏高。所以,一般情况可采取由NDVI与RVI共同反演FPAR[13]。
由于我国某些地区的植被主要分布在复杂地形山区,地形的影响导致太阳辐射的传输发生畸变,在光学遥感影像上表现为：山体阴坡部分辐射亮度值变小[14]。这会对通过遥感手段反演FPAR造成一定的影响。通常在山区反演FPAR普遍会进行基于DEM的地形校正,但高精度的DEM数据常因涉密等原因难以获取,而且山区的DEM数据和遥感影像间也无法做到完全配准,这制约了DEM数据地形校正方法的应用。因此,构建一种无需DEM数据就能有效反演FPAR的方法意义重大。本文以NDVI、RVI反演FPAR的结果作为参照值,采用阴影消除植被指数（SEVI）反演FPAR,并定量分析了不同FPAR反演结果的抗地形效果。为复杂地形山区的植被FPAR反演提供参考。

2 研究区概况与数据来源

2.1 研究区概况

本文研究区为福建省武夷山国家自然保护区（图1）,地理坐标范围介于27°33"N—27°54"N,117°27"E—117°51"E之间,总面积为232 km2,其最高峰海拔2157.8 m,平均海拔1200 m,是福建省最大的自然保护区。保护区内的地形崎岖复杂,其最小坡度为0°,最大坡度大于60°,平均坡度达到27.3°,标准方差10.04。
图1 福建省武夷山国家自然保护区实验区及验证样本

注：南面是光照明面,北面是阴影面。

Fig. 1 Research Area and samples in Fujian Wu Yin Shan station

2.2 数据来源及预处理

研究使用北京时间2016年2月9日上午10点38分过境的一景Landsat8 OLI多光谱影像,轨道号120/041,太阳高度角40.65°,太阳方位角145.81°,同时也收集了30 m空间分辨率的ASTER DEM数据,均来源于地理空间数据云（http://www.gscloud.cn/）。 利用植被指数能较好地估算FPAR,而计算植被指数等量化值需要利用到反射率,通过对影像进行辐射定标能够实现遥感影像的像元亮度值（DN值）向反射率转化[11]。公式如下：
ρ = ( DN / C 0 + M 0 ) × cos θ
式中：ρ为反射率;DN为像元亮度值;C0为绝对定标系数增益;M0为偏移量;θ为太阳高度角。
有研究认为,大气层会影响遥感传感器的成像,大气校正能减少或消除大气对遥感图像的影响。本文大气校正采用的是ENVI中的FLAASH大气校正模块,它是由世界一流的光学成像研究所-波谱科学研究（Spectral Sciences Inc）在美国空军研究实验室（U.S.Air Force Research Laboratory）支持下开发的大气校正模块。FLAASH大气校正能够精确补偿大气影响,其适用的波长范围包括可见光至近红外及短波红外,最大波长为3 μm[15,16,17]。
此外,由于研究区内的地形崎岖复杂,地形起伏改变了地表、传感器、太阳三者之间的几何关系,遥感影像的地物光谱受到地形的干扰也比较大[18,19,20]。所以在计算地物真实反射率的时候,要考虑到地形因素的影响,本文采用半经验传输模型—C校正模型来进行地形校正。C校正模型将半经验系数c引入到了余弦校正模型中,解决了调节天空散射辐射和邻近地形反射辐射中造成的过校正问题[21,22]。公式如下：
L H = L T cos β + c cos i + c
cos i = cos ( σ ) × cos ( γ ) + sin ( σ ) × sin ( γ ) × cos ( β - ω )
式中：cosi为太阳入射角余弦值;LH为地形校正后的反射率;LT为地形校正前的反射率;γ为太阳天顶角;σ为坡度;β为坡向;ω为太阳方位角;c为像元亮度值与cosi进行线性拟合,其中截距b与斜率m的比值。

2.3 样本准备

地形阴影按照构成原理可以分为本影与落影,本影是某一时间点地物未被太阳光直接照射的阴暗区域（图2蓝色截平面）,落影是地物投射在某些区域的影子（图2红色截平面）。为了验证不同预处理程度的数据以及不同植被指数估算FPAR的抗地形效果,本文在整个研究区内选择了104组本影、落影以及相邻阳坡的3种地物样本（图2）,并采用了 3种不同的方法,包括样本数据的相对误差分析,FPAR与cosi的相关性分析,以及不同FPAR结果的统计对比分析。样本数据选择的方法如下：
（1）本影区域。首先利用常规监督分类方法将研究区遥感影像分为山体阴影区域和非阴影区域。如果一个阴影像元在太阳入射方向的坡度角大于或等于太阳高度角,那么这个阴影像元就是本影。因此,可以利用以下三角公式模型来提取本影。
tan ζ = tan σ × cos ( π - ( ω - β ) )
tan ζ > tan γ
式中：ζ表示阴影像元在太阳入射方向的坡度角;σ表示自然坡度角;β为坡向角;γ、ω表示卫星过境时的太阳高度角与太阳方位角。σ和β可以从坡度、坡向图中获取（坡度、坡向图由数字高程模型或坡度、坡向数据生成）;γ和ω可从研究区遥感影像头文件中获取。
图2 地形阴影示意

Fig. 2 Schematic diagram of terrain shadows

（2）落影区域。在不考虑坡向的情况下,如果一个阴影像元的自然坡度角小于太阳高度角,那么这个阴影像元就是落影。所以,落影样本选择在自然坡度小于40.65°的阴影区域。
（3）相邻阳坡区域。本文按照本影、落影样本选择的位置,手动选择了邻近的阳坡区域。根据地理学第一定律,一般情况下,地物间的距离越接近,它们之间的相关性也就越大。同时,也有相关研究表明,在福建省的部分亚热带地区,其山地的阴坡水热条件非常充沛,阴坡与阳坡的天然林长势状态极为接近[23,24]。所以,本影、落影像元中的植被FPAR与相邻阳坡像元的FPAR是相等或相近的。

3 研究方法

3.1 基于NDVI和RVI的FPAR遥感反演

众多研究表明,利用NDVI、RVI反演FPAR都具有良好的反演精度。但是在高植被覆盖地区,NDVI易饱和,造成反演FPAR的结果较低;而RVI对植被变化十分敏感,用它反演FPAR的结果相对较高[25,26]。所以,大量研究使用两者组合来计算FPAR[27,28,29]。公式如下：
FPAR ( x , t ) = αFPARNDVI + ( 1 - α ) FPARRVI
式中：FPARNDVI为由NDVI计算出来的FPAR;α为 2种方法之间的权重因子,通常取0.5;FPARRVI为由比值型植被指数计算出来的FPAR,计算公式为：
FPAR = RVI - RV I ( i , min ) RV I ( i , max ) - RV I ( i , min ) × ( FPA R max - FPA R min ) + FPA R min
NDVI = B nir - B red B nir + B red
RVI = B nir B red
式中：FPARmax和FPARmin的取值分别为0.95和0.001;RVI(i, max)和RVI(i, min)的取值为第i种地类RVI的95%及5%的百分位数;Bnir为近红外波段反射率;Bred为红色波段反射率。在本文研究区内,植被多为健康状态良好的常绿阔叶林,植被覆盖度较高。应用上述方法,可获取较为准确、能反映区域性差异特征的FPAR结果。本文以不同预处理程度的数据通过式（6）—式（9）计算得到的FPAR作为参考值,与SEVI计算的FPAR进行定量的对比分析。

3.2 基于SEVI的FPAR遥感反演

众所周知,植被在红色波段有较强的吸收能力,在近红色波段有较强的反射能力,这是它明显区别于其他地物的光谱反射特征,所以大部分的植被指数均采用了这2个可见光波段进行组合。但是在复杂地形山区,地形阴影造成太阳光的辐射传输发生畸变,阴影区域植被的近红色波段未呈现出较高的反射率（图3（a））。体现在比值型植被指数（RVI）上,阴影区域要远远小于相邻阳坡区域的数值;同时,由于阴影区域的红色波段的反射率同样被削弱,体现在阴影植被指数（SVI）上,阴影区域要大于相邻阳坡区域的数值（图3（b））。
图3 阴影区域和相邻阳坡区域的TOA反射率以及VI值

Fig. 3 TOA reflectance and VI values on shady and sunny slopes

阴影消除植被指数（SEVI）是一种特殊的植被指数,公式如下：
SEVI = B nir B red + f ( Δ ) × 1 B red
式中：Bnir为近红外波段反射率;Bred为红色波段反射率;f(∆)为地形调节因子,可以控制它来调节阴阳坡的植被指数数值。f(∆)的算法公式如下：
r 1 = n ∑ x y 1 - ∑ x ∙ ∑ y 1 n ∑ x 2 - ∑ x 2 ∙ n ∑ y 1 2 - ∑ y 1 2
r 2 = n ∑ x y 2 - ∑ x ∙ ∑ y 2 n ∑ x 2 - ∑ x 2 ∙ n ∑ y 2 2 - ∑ y 2 2
r 1 - r 2 ≤ ε , ε → 0
式中：x为SEVI;y1为RVI;y2为SVI;n为影像中的像素数。设定f(∆)以0.001为步长,从0到1,当2个相关系数趋近相等时,确定为最优调节因子。
SEVI具有较好的抗地形效果,通过比值型植被指数与阴影植被指数间的组合计算,可以校正由于地形阴影造成的植被指数发生的畸变[30,31]。由图3(b)可以发现,阴影区域SEVI的数值相较RVI有了较大的提升,相邻阳坡SEVI的数值增量较小,这可以拉近阴阳坡植被指数的差异。通过式（10）可以发现,SEVI的主要构成是RVI,在高植被覆盖地区也不易饱和,本文拟采用以下公式反演FPAR：
FPAR = SEVI - SEV I ( i , min ) SEV I ( i , max ) - SEV I ( i , min ) × ( FPA R max - FPA R min ) + FPA R min
式中：FPARmax和FPARmin的取值分别为0.95和0.001;SEVI(i, max)和SEVI(i, min)的取值为第i种地类SEVI的95%及5%的百分位数。

4 结果与分析

4.1 目视对比分析

从图4可看出,由表观反射率计算的FPAR在 视觉上有很强的浮雕效果（式（6）—式（9）,图4（a））, C模型地形校正后的数据计算出来的FPAR地形纹理弱化（式（6）—式（9）,图4（b））,由FLAASH+C组合校正计算的FPAR减少地形起伏阴影的效果最好（式（6）—式（9）,图4（c））。值得注意的是,SEVI反演FPAR的结果（式（10）—式（14）,图4（d））,整体呈现出平坦的特征,其中浮雕的影响大大减少,与FLAASH大气校正和C模型组合校正数据的反演结果具有一定的相似度。
图4 研究区内的FPAR

注：FPAR-t、FPAR-c和FPAR-fc分别表示由表观反射率、C模型地形校正数据以及FLAASH大气校正和C模型组合校正的数据计算的FPAR(式（6）—式（9））;FPAR-s表示由表观反射率计算的FPAR(式(10)—式(14))。下同。

Fig. 4 Fpars in the research area

4.2 本影、落影的定量比较分析

图5展示了104组样本的FPAR结果的折线图。显然,由表观反射率按照式（6）—（9）计算得出的FPAR,本影及落影的数值远低于阳坡（图5(a)）,且二者呈现接近的状态,均值均在0.2左右。在C模型地形校正后,这些本影中的FPAR得到校正,向阳坡的水平靠近,而落影中的FPAR并没有像本影那样得到充分的校正（图5(b)）,且比阳坡所有样本的均值低了0.3左右。经过FLAASH大气校正和C模型组合校正后,本影和落影中的FPAR明显恢复并接近阳坡的水平,但是落影的值仍然较低（图5(c)）,相比阳坡所有样本的均值低了0.1左右。相比之下,SEVI反演FPAR的结果在本影和落影中均取得了较好的地形阴影消除效果,并与阳坡的值十分接近（图5(d)）。
图5 104组3种地类样本的FPAR折线图

注：虚线是3种不同样本对应的均值。

Fig. 5 Plots of FPAR for 104 sets of samples

上述方法能从宏观的角度判断植被指数的地形校正的结果。为了定量地描述与分析SEVI在本影和落影处的校正结果,本研究计算了各方法地形校正前后本影和落影植被信息的相对误差（E）。相对误差计算公式如下：
E = | V I shadow - V I sunny | / V I sunny × 100 %
式中：VIshadow为本影和落影中的植被指数;VIsunny为相邻非阴影阳坡面的植被指数。
统计结果如表1所示,由表观反射率按照 式（6）—式（9）计算得出的FPAR在本影和落影处的相对误差均大于70%,这说明在校正前地形效应十分明显。经过C模型地形校正后,FPAR在本影中的相对误差降至约6.974%,但落影的相对误差大概是本影的七倍,为48.133%。这些对比结果验证了一些观点：基于DEM的地形校正模型,如C模型校正,在一定程度上会失去对落影的校正效果。对于FLAASH+C组合校正的结果,FPAR在本影和落影处均有较低的相对误差,但落影中的相对误差仍然比本影的相对误差大。这些相对误差的结果表明,在地形校正前应用大气校正时,校正落影植被指数的准确度会提高,但仍然低于本影的校正程度。综上所述,即使基于DEM的传统地形校正与大气校正相结合,也会明显地失去校正落影的效果。相比之下,SEVI的本影、落影的相对误差仅为0.382%、2.730%,尤其对于落影而言,会远低于大气和地形校正数据计算的相对误差。这与Jiang等[30]发现SEVI能有效校正落影区域的结论一致。
表1 FPAR在本影、落影、阳坡样本处的均值(M)以及相对误差(E)

Tab. 1 Mean (M) and relative error (E) of vegetation indices in self shadows, cast shadows and sunny slopes

结果 数据类别 Mself Mcast Msunny Mself /% Mcast /%
FPAR-t TOA 0.217 0.240 0.838 74.046 71.340
FPAR-c C 0.558 0.311 0.600 6.974 48.133
FPAR-fc FLAASH+C 0.582 0.486 0.643 9.560 24.413
FPAR-s TOA 0.634 0.619 0.637 0.382 2.730

4.3 FPAR与cosi的相关性分析

与太阳入射角余弦值（cosi）之间的相关性分析是评估地形阴影影响消除效果的经典方法[32],cosi的公式可见式（3）。cosi与FPAR的散点图如图6所示,其中蓝色样点是本影,红色样点是落影,黑色样点是阳坡。在散点图中,3种类型的样本被明显地分开。首先,本影中的点被线条（cosi=0）与落影、阳坡的点分开,表明按照式（4）—式（5）提取本影及落影是正确的。实际上落影位于较平坦的地区或者被较高山峰遮蔽住入射光的斜坡区域（自然坡度角>太阳高度角）。其次,样本的线性回归分析表明,由表观反射率按照式（6）—式（9）计算得出的FPAR与cosi具有很高的相关性,决策系数为0.830（图6(a)与表2）。由于地形阴影的影响,FPAR的分布成离散型,变异系数（标准差/均值）为67.627%。然而,在C模型地形校正后,计算出FPAR的数值发生了较大的变化,本影的变化相对落影的变化大,并且接近没有阴影的阴坡的值（图6（b）与表2）。其中,与cosi的决策系数降至了0.034,变异系数降至了30.359%。观察FLAASH+C组合校正后的结果,落影中散点的位置进一步向本影及阳坡靠近（图6（c）与表2）。变异系数降至了21.042%,但整体与cosi的决策系数稍增至0.080,这也正面论证了与cosi的相关性分析并不能完全代表地形校正的效果。相比之下,观察SEVI反演FPAR的结果,3种样本的值较接近,与cosi的决策系数为0.002,变异系数为6.202%（图6（d）与表2）。从这些散点图和变异系数可以判断,利用SEVI反演FPAR（式（10）-式（14））具有和FLAASH+C组合校正后数据计算FPAR （式（6）-式（9））相似的结果,且在落影区域上要优于传统地形校正的效果。
图6 104组样本的FPAR与cosi的散点图

Fig. 6 Scatter plots of FPAR and cosi with 104 sets of samples

表2 104组样本的线性相关分析以及变异系数(Std/Mean)

Tab. 2 Linear correlation analysis and coefficient of variation (Std/Mean) of 104 sets of samples

结果 数据类别 r2 k d Mean Std Std/Mean/%
FPAR-t TOA 0.830 1.123 -0.146 0.432 0.292 67.627
FPAR-c C 0.034 0.444 0.121 0.490 0.149 30.359
FPAR-fc FLAASH+C 0.080 0.849 -0.146 0.570 0.120 21.042
FPAR-s TOA 0.002 0.396 0.089 0.630 0.039 6.202

注：r2、k、d分别为判定系数、斜率、截距。

5 结论

本文以地形崎岖复杂的福建省武夷山国家自然保护区为研究区,采用了不同预处理程度的遥感影像数据以及不同的植被指数估算FPAR,并根据104组验证样本详细分析了4种FPAR反演结果的抗地形效果,能为复杂地形山区反演FPAR提供一些理论和方法支持。得到主要结论如下：
（1）地形阴影包括本影及落影,它们会导致山体阴坡部分辐射亮度值变小。这使得在本影及落影区域估算的FPAR的值远小于非阴影区域,其相对误差均大于70%,变异系数为67.627%。因此,在地形崎岖复杂的区域估算FPAR,要考虑到地形效应的影响。
（2）利用传统地形校正模型-C模型进行地形校正后,本影处的FPAR数值会向阳坡靠近,但是落影处的FPAR仍处于较低水平。在利用FLAASH+C模型组合校正后估算FPAR,本影和落影区域中的FPAR明显恢复并接近阳坡的水平,但是落影区域的值仍然较低,相对误差约为48.133%。这是因为传统地形校正模型主要是利用太阳入射角余弦值（cosi）进行地形校正的,而绝大多数落影位于平坦区域或面向太阳的斜坡,所以利用传统地形校正模型,理论上落影处的校正效果会失效。
（3）与cosi的相关性分析是评估地形阴影影响消除效果的经典方法,但是在复杂地形山区,落影的影响易造成这种分析方法失效。相对于仅经过C模型校正后计算FPAR的结果,加入FLAASH大气校正后的地形校正效果明显变好,本影与落影处的相对误差分别降至了9.560%、24.413%,变异系数降至了21.042%,但与cosi的决策系数稍增至0.080。因此,可以采取相对误差、变异系数等多种统计方法进行地形效应的评估。
（4）利用未做大气校正和地形校正的SEVI反演FPAR具有和FLAASH+C组合校正后估算FPAR相似的结果,且拥有更好地抗地形效果,在本影与落影处的相对误差分别为0.382%与2.730%,变异系数为6.202%。由于SEVI无需DEM和大气参数等外部数据,一方面数据需求降至最小,另一方面没有引入新的数据误差,制图结果更自然。因此,SEVI是山区植被反演FPAR的更好选择。
为了评估SEVI反演FPAR的抗地形效果,本文假定众多研究中反演FPAR的方法（式（6）-式（9））是有效的,但有相关研究表明[33,34],地物存在着不同程度的非朗伯体特性,双向反射因子对太阳高度角、观测方位角极为敏感,从而影响FPAR与VI的关系,模拟植被的二向反射特性能取得更高的反演精度。因此,下一步需要进行实地调查与测量来搜集FPAR与光谱数据,进一步优化能有效消除和抑制地形影响的FPAR估算模型。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Yan K, Park T, Yan G, et al. Evaluation of MODIS LAI/FPAR Product Collection 6. Part 2: Validation and Intercomparison[J]. Remote Sensing, 2016,8(6):460.

[2]
Turner D P, Ritts W D, Wharton S, et al. Assessing FPAR source and parameter optimization scheme in application of a diagnostic carbon flux model[J]. Remote Sensing of Environment, 2015,113(7):1529-1539.

[3]
Majasalmi, Titta, Rautiainen, et al. Modeled and measured FPAR in a boreal forest: Validation and application of a new model[J]. Agricultural & Forest Meteorology, 2014, 189-190(189-190):118-124.

[4]
Chen C, Knyazikhin Y, Park T, et al. Prototyping of LAI and FPAR retrievals from MODIS Multi-Angle Implementation of Atmospheric Correction (MAIAC) data[J]. Remote Sensing, 2017,9(4):370.

[5]
Cheng, Yenben, Zhang Q, et al. Impacts of light use efficiency and FPAR parameterization on gross primary production modeling[J]. Agricultural & Forest Meteorology, 2014, 189-190(6):187-197.

[6]
Peng D, Bing Z, Liu L, et al. Characteristics and drivers of global NDVI-based FPAR from 1982 to 2006[J]. Global Biogeochemical Cycles, 2012,26(3):GB3015.

[7]
周晓东, 朱启疆, 王锦地, 等. 夏玉米冠层内PAR截获及FPAR与LAI的关系[J]. 自然资源学报, 2002,17(1):110-116.

[ Zhou X D, Zhu Q J, Wang J D, et al. Interception of PAR, relationship between FPAR and LAI in summer maize canopy[J]. Journal of Natural Resources, 2002,17(1):110-116. ]

[8]
Liang S, Hou X, Sui X, et al. Deciduous broadleaf forests green FPAR and its relationship with spectral vegetation indices[C]. International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), Shanghai, China, 2017.

[9]
Chen X, Meng J, Wu B, et al. Monitoring corn FPAR based on HJ-1 CCD[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010,26(s1):241-245.

[10]
董恒, 何枋键, 张城芳. 基于辐射传输模型的FPAR_(green)与几种植被指数的关系研究[J]. 华中农业大学学报, 2016,35(4):70-75.

[ Dong H, He F J, Zhang C F. Relationship between FPAR green and several vegetation indices based on radiative transfer model[J]. Journal of Huazhong Agricultural University, 2016,35(4):70-75. ]

[11]
陈雪洋, 蒙继华, 吴炳方, 等. 基于HJ-1 CCD的夏玉米FPAR遥感监测模型[J]. 农业工程学报, 2010,26(S1):241-245.

[ Chen X Y, Meng J H, Wu B F, et al. Monitoring corn FPAR based on HJ-1 CCD[J]. Transactions of the CSAE, 2010,26(s1):241-245. ]

[12]
董泰锋, 蒙继华, 吴炳方. 基于遥感的光合有效辐射吸收比率(FPAR)估算方法综述[J]. 生态学报, 2012,32(22):7190-7201.

[ Dong T F, Meng J H, Wu B F. Overview on methods of deriving fraction of absorbed photosynthetically active radiation (FPAR) using remote sensing[J]. Acta Ecologica Sinica, 2012,32(22):7190-7201. ]

[13]
吴炳方, 曾源, 黄进良. 遥感提取植物生理参数LAI/FPAR的研究进展与应用[J]. 地球科学进展, 2004,19(4):585-590.

[ Wu B F, Zeng Y, Huang J L. Overview of LAI/FPAR retrieval from remotely sensed data[J]. Advances in Earth Science, 2004,19(4):585-590. ]

[14]
江洪, 何国金, 黄海明, 等. 基于波段比模型的地形调节植被指数组合算法构建与验证[J]. 农业工程学报, 2017,33(5):156-161.

[ Jiang H, He G J, Huang H M, et al. Construction and validation of combination model of topography-adjusted vegetation index based on band-ratio model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017,33(5):156-161. ]

[15]
陈趁新, 胡昌苗, 霍连志, 等. Landsat TM数据不同辐射校正方法对土地覆盖遥感分类的影响[J]. 遥感学报, 2014,18(2):320-334.

[ Chen C X, Hu C M, Huo L Z, et al. Effect of different radiation correction methods of Landsat TM data on land-cover remote sensing classification[J]. Journal of Remote Sensing, 2014,18(2):320-334. ]

[16]
孔金玲, 杨晶, 孙晓明, 等. 多光谱遥感影像大气校正与悬沙浓度反演——以曹妃甸近岸海域为例[J]. 国土资源遥感, 2016,28(3):130-137.

[ Kong J L, Yang J, Sun X M, et al. Atmospheric correction and suspended sediment concentration retrieval based on multi-spectral remote sensing images: A case study of Caofeidian offshore area[J]. Remote Sensing for Land & Resources, 2016,28(3):130-137. ]

[17]
温素馨, 韦玉春, 汪美会. TM遥感图像FLAASH大气校正异常值的改正[J]. 测绘科学, 2017,42(7):165-171.

[ Wen S X, Wei Y C, Wang M H. Improvement of outlier in TM image after FLAASH atmospheric correction[J]. Science of Surveying and Mapping, 2017,42(7):165-171. ]

[18]
陈建珍, 何超, 寇卫利. 高山峡谷地区遥感图像地形校正[J]. 山地学报, 2016,34(5):623-631.

[ Chen J Z, He C, Dou W L. Topographic correction of remote sensing image at high mountain and gorge regions[J]. Journal of Mountain Science, 2016,34(5):623-631. ]

[19]
Vázquez-Jiménez R, Id R, Romero-Calcerrada, et al. Topographic Correction to Landsat Imagery through Slope Classification by Applying the SCS + C Method in Mountainous Forest Areas[J]. International Journal of Geo-information, 2017,6(287):1-16.

[20]
廖钰冰, 陈新芳, 陈喜, 等. 地形校正对叶面积指数遥感估算的影响[J]. 遥感信息, 2011(5):47-51.

[ Liao Y B, Chen X F, Chen X, et al. Effect of topographic correction on the estimation of leaf area index based on landsat TM[J]. Remote Sensing Information, 2011(5):47-51. ]

[21]
王飒, 李熙, 张奇, 等. Landsat影像地形校正方法的适用性分析[J]. 华中师范大学学报(自然科学版), 2013,47(4):571-577.

[ Wang F, Li X, Zhang Q, et al. Analysis on the applicability of the topographic correction models for Landsat images[J]. Journal of Central China Normal University (Natural Sciences), 2013,47(4):571-577. ]

[22]
林起楠, 黄华国, 陈玲, 等. 陡峭山区影像的半经验地形校正[J]. 遥感学报, 2017(5):776-784.

[ Lin Q N, Huang H G, Chen L, et al. Topographic correction method for steep mountain terrain images[J]. Journal of Remote Sensing, 2017(5):776-784. ]

[23]
吴志杰, 何国金, 黄绍霖, 等. 南方丘陵区植被覆盖度遥感估算的地形效应评估[J]. 遥感学报, 2017,20(1):159-167.

[ Wu Z J, He G J, Huang S L, et al. Terrain effects assessment on remotely sensed fractional vegetation cover in hilly area of southern China[J]. Journal of Remote Sensing. 2017,20(1):159-167. ]

[24]
吴志杰, 何国金, 王猛猛, 等. 南方丘陵区植被覆盖度遥感估算与时空变化研究——以福建省永定县为例[J]. 遥感技术与应用, 2016,31(6):1201-1208.

[ Wu Z J, He G J, Wang M M, et al. Estimation of fractional vegetation cover and its spatial-temporal variation in hilly area of southeastern China: Yongding county, Fujian province[J]. Remote Sensing Technology and Application, 2016,31(6):1201-1208. ]

[25]
Jiao W, Chen Y, Li W, et al. Estimation of net primary productivity and its driving factors in the Ili River Valley, China[J]. Journal of Arid Land, 2018,5:781-793.

[26]
管小彬, 沈焕锋, 甘文霞, 等. 基于Landsat TM/ETM+影像的武汉市冬季NPP估算及其时空变化分析[J]. 遥感技术与应用, 2015,30(5):884-890.

[ Guan X B, Shen H F, Gan W X, et al. Estimation and spatiotemporal analysis of winter NPP in wuhan based on landsat TM/ETM+ images[J]. Remote Sensing Technology and Application, 2015,30(5):884-890. ]

[27]
尹锴, 田亦陈, 袁超, 等. 基于CASA模型的北京植被NPP时空格局及其因子解释[J]. 国土资源遥感, 2015,27(1):133-139.

[ Yin K, Tian Y C, Yuan C, et al. NPP spatial and temporal pattern of vegetation in Beijing and its factor explanation based on CASA model[J]. Remote Sensing for Land & Resources, 2015,27(1):133-139. ]

[28]
张时煌, 彭公炳, 黄玫. 基于遥感与地理信息系统支持下的地表植被特征参数反演[J]. 气候与环境研究, 2004,9(1):80-91.

[ Zhang S H, Peng G B, Huang Z. Derivation of earth surface parameters in vegetation properties supported by GIS techniques[J]. Climatic and Environmental Research, 2004,9(1):80-91. ]

[29]
袁烨城, 李宝林, 王双, 等. 基于GF-1/WFV数据的三江源草地月度NPP反演研究[J]. 地球信息科学学报, 2018,20(12):1799-1809.

[ Yuan Y C, Li B L, Wang S, et al. Monthly net primary production estimation of grassland in the Three-River Headwater Region using GF-1/WFV data[J]. Journal of Geo-information Science, 2018,20(12):1799-1809. ]

[30]
Jiang H, Wang S, Cao X, et al. A shadow- eliminated vegetation index (SEVI) for removal of self and cast shadow effects on vegetation in rugged terrains[J]. International Journal of Digital Earth, 2019,12(9):1013-1029.

[31]
江洪, 张兆明, 汪小钦, 等. 基于TAVI的山区毛竹林LAI反演分析[J]. 地球信息科学学报, 2015,17(4):500-504.

[ Jiang H, Zhang Z M, Wang X Q, et al. Bamboo forest LAI retrieval and analysis in mountainous area based on TAVI[J]. Journal of Geo-information Science, 2015,17(4):500-504. ]

[32]
张兆明, 何国金, 刘定生, 等. 一种改进的遥感影像地形校正物理模型[J]. 光谱学与光谱分析, 2010,30(7):1839-1842.

[ Zhang Z M, He G J, Liu D S, et al. An improved physical model to correct topographic effects in remotely sensed imagery[J]. Spectroscopy and Spectral Analysis, 2010,30(7):1839-1842. ]

[33]
徐希孺, 范闻捷, 李举材, 等. 植被二向性反射统一模型[J]. 中国科学(地球科学), 2017,47(2):217-232.

[ Xu X R, Fun W J, Li J C, et al. A unified model of bidirectional reflectance distribution function for the vegetation canopy[J]. Science China Earth Sciences, 2017,47(2):217-232. ]

[34]
于颖, 范文义, 杨曦光. 三种植被冠层二向反射分布函数模型的比较[J]. 植物生态学报, 2012,36(1):55-62.

[ Yu Y, Fun W Y, Yang Y G. Comparisons of three models for vegetation canopy bi-directional reflectance distribution function[J]. Chinese Journal of Plant Ecology, 2012,36(1):55-62. ]

Options
文章导航

/

〈 〉