EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 10: 1243 - 1248

DOI: https://doi.org/10.3724/SP.J.1047.2015.01243

Orginal Article

Estimating Leaf Area Index of Maize Based on Multi-angular CHRIS/PROBA Data

  • QIAO Hailang , 1, 2 ,
  • LI Wang 1, 2 ,
  • NIU Zheng , 1, *
Expand
  • 1.The State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
  • 2.College of resources and environment, University of Chinese Academy of Sciences,Beijing 100049, China
*Corresponding author: NIU Zheng, E-mail:

Received date: 2014-11-17

  Request revised date: 2015-01-08

  Online published: 2015-10-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Leaf area index is an important parameter for evaluating vegetation ecological conditions and estimating crop yields. Thus, the estimation of LAI has always been a hotspot of quantitative remote sensing research. A growing number of studies have focused on estimating the leaf area index (LAI) of vegetation using several traditional vegetation indices(the Normalized Difference Vegetation index (NDVI), the Ratio Vegetation Index (RVI), and the Enhanced Vegetation Index (EVI)). These vegetation indices were all based on the data of single view zenith angle, which limited the accuracy of LAI estimation. In this article, we compared the sensitivity of the three vegetation indices for crop canopies, and then put forward a new vegetation index named Multi-angle Normalized Difference Vegetation Index (MNDVI) based on CHRIS/PROBA data which includes information with respect to five different view zenith angles. Using the ground crop LAI data obtained in Zhangye city from Gansu Province in June 2008, this paper compared the estimation models of LAI based on the four vegetation indices including the three traditional indices (NDVI, RVI and EVI) and MNDVI. The result shows that: compared with the traditional ones, MNDVI has a much better correlation with LAI, and the correlation coefficient R2 of the LAI calculation model reaches up to 0.716. Besides, in order to verify the accuracy of LAI retrieval model based onMNDVI, this paper calculated the RMSE between the estimated LAI using MNDVI model and the ground-measured LAI, finding that the RMSE was 0.127, which was averagely 33.3% lower comparing with methods using traditional vegetation indices.

Key words： vegetation Index; leaf area index; multi-angle hyperspectral data

Cite this article

QIAO Hailang , LI Wang , NIU Zheng . Estimating Leaf Area Index of Maize Based on Multi-angular CHRIS/PROBA Data[J]. Journal of Geo-information Science, 2015 , 17(10) : 1243 -1248 . DOI: 10.3724/SP.J.1047.2015.01243

1 引言

叶面积指数（Leaf Area Index,LAI）是单位土地面积上植物叶片总面积占土地面积的倍数,也用单位面积柱体内叶片表面积的一半来表示。它是衡量植被生态状况和农作物长势的一个重要指标[1-3]。
利用传统测量方法获取地面植被LAI只适合小范围的研究,无法满足大范围乃至全球植被生态变化状况的监测和研究需求。因此,LAI反演一直是国内外定量遥感领域内的研究热点[4]。Chen等人使用TM影像探索了NDVI等多种光谱指数与LAI之间的关系,并建立了一系列的经验模型[5],但这种经验统计模型是针对特定时间、空间和研究对象做出的规律探究,当时间、空间和研究对象发生改变,这类模型很难保证反演精度。而与经验统计方法相对应的是辐射传输模型的物理反演LAI方法,这类方法虽然具有物理意义和严谨的推理过程,但过于理想的参数设定和复杂多变的现实状况形成了鲜明对比,因此物理模型方法的LAI反演精度也受到一定的限制。
Haboudane等人曾采用半物理半经验的反演方法,利用PROSPECT和SAIL模型模拟的数据和实测高光谱数据联合反演了LAI显示,其精度相对于前2种单一的方法得到了提高[6]。但是,当LAI较高时,反演精度达到一个饱和点,这是因为可见光波段和近红外波段,地物反射率和NDVI等植被指数,对植被冠层叶绿素含量同样有着灵敏的感应度。因此,设法削弱甚至去除LAI以外其他因素（如叶绿素）的影响,是进一步提升LAI反演精度的一个解决途径。
近年来,Yang等使用多角度光谱辐射计MISR数据和MODIS数据,利用多角度数据充分体现地物BRDF特性,对冬小麦的LAI进行估算,精度显著提高[7];另外,高光谱数据越来越多地应用于植被结构参数的反演,提升了反演精度。
欧空局于2001年10月22日发射了新一代卫星PROBA（Project for On-Board Autonomy）,其上搭载了紧凑式高分辨率成像分光计CHRIS（Compact High-Resolution Imaging Spectrometer）传感器,具有成像模式多、光谱范围宽、分辨率高、同一地点5个不同角度成像（分别为0°、±36°、±55°）的特点[8]。其不仅具有高光谱、多角度的特点,而且较理想的空间分辨率也适合LAI的估算反演。Verrelst等[9]使用CHRIS/PROBA数据,在FLIGHT模型的基础上,反演出芬兰河漫滩的LAI,并比较了不同观测角度反演的优劣,发现观测角度为-36°时反演效果最好。Duan等[10]使用CHRIS/PROBA数据在PROSAIL模型的基础上建立了LAI查找表,成功反演玉米、土豆、向日葵3种典型作物的LAI,并发现使用双角度观测数据反演的精度明显高于单角度观测数据。Cao等[11]利用CHRIS/PROBA数据,探究了不同植被指数在不同观测角度下,对LAI的响应灵敏度的问题,发现和研究作物的群落分布,以及观测角度有非常密切的关系。Cernicharo等利用CHRIS/PROBA数据,对植被生化组分进行了反演,精度明显提升[12];杨贵军等将CHRIS/PROBA数据用于小麦LAI反演,获得较理想结果,充分体现出CHRIS/PROBA数据在LAI反演方向的优势[13]。
单一观测角度的植被指数NDVI,虽然在一定程度上可降低背景土壤对反射率的影响,但无法体现植被的反响性反射特性。如若能将NDVI扩展到多角度数据中,构造出新型的多角度归一化植被指数,在兼顾NDVI优点的同时,加入多角度信息,则有可能提高LAI的反演精度。

2 LAI反演实验方法

在太阳光与地面作用的主平面内,地物反射率,随着观测天顶角的变化而体现出规律性的变化,即遵循了BRDF函数（Bi-directional Reflectance Distribution Function）。而各观测角度下的植被指数是源于该方向的地物反射率,因此,李小文等提出了二向性NDVI的概念（Bi-NDVI）[14-16]。为了验证NDVI的方向性,本文抽取了影像中若干像元（为了尽量避免混合像元的影响,选取了各个包含相似像元的区域中的中心像元）作为样本,绘制出NDVI随观测角度的变化趋势图（图1）。通过查看HDFexplorer得到获取影像时的太阳天顶角为-25°和 -36°的观测天顶角最为接近,图中明显可看出,在近似热点-36°观测角下NDVI曲线处于低谷,这与梁守真等[17]通过SAILH模型模拟的结果相符。
Fig. 1 NDVI distribution with respect to the view zenith angles

图1 NDVI随观测天顶角的变化趋势

为了突显主平面内NDVI在热点处（本文中近似为-36°）和非热点处（-55°、0°、55°）形成的明显差异,可考虑对二者进行归一化的植被指数构造。因为CHRIS/PROBA数据5个观测角度的影像,在获取时具有微小的时间差,所以,这5幅影像在卫星轨道方向上有一个空间差,导致部分实测数据点处于-55°和55°影像外。因此,考虑影像数据和地面数据的实际情况,选择-36°和0°观测天顶角下 的NDVI,进行构造新型多角度归一化植被指数 MNDVI（式（1））。
MNDVI = NDV I 0 - NDV I - 36 NDV I 0 + NDV I - 36 （1）
式中,NDVI0、 NDV I - 36 分别为观测天顶角0、 -36°时的NDVI值。NDVI一定程度上可消除地形、大气引起的辐照度误差,增强对植被的响应能力;而热点和非热点下的NDVI之间的归一化运算,又将多角度因素考虑进去,一定程度上可消除NDVI受太阳天顶角、观测角度的影响。因此,结合以上2方面优势的新型植被指数MNDVI,很大程度可提升LAI的估算精度。

3 LAI的CHRIS/PROBA数据反演实验结果与分析

研究区位于甘肃省张掖市,区域范围是38°45′30″~38°49′36″N,100°21′26″~100°26′5″E。数据采集时间为2008年6月4日,其中LAI测量时采用LAI-2000植被冠层分析仪,共32个玉米样区,每个样区大约为影像像元实际大小的5倍。在测量过程中,为能使数据尽可能代表玉米测区平均LAI水平,共测量10个样点,每个样点测量3次取平均值,以此来代表该样区LAI水平。另外,在每个测区配有照片,以备发现异常数据点时对比照片对异常点进行取舍。将32个样区随机分为2部分：一是用于建立模型的实验组数据（共17个样本）,二是用于最终精度评定的验证组数据（共15个样本）。

3.1 影像遥感数据预处理

本文采用数据是2008年6月4日以张掖市为中心的CHRIS/PROBA模式3（陆地探测模式）的数据,分0°、+36°、-36°、+55°、-55°共5个观测角度,每个角度波长从442~1018 nm共分18个波段,具体波长与波宽如表1所示。
Tab. 1 Band settings of the third mode of CHRIS data(nm)

表1 CHRIS模式3数据波段设置（nm）

波段 中心波长 波宽
1 442 11
2 490 12
3 530 12
4 551 13
5 570 11
6 631 14
7 661 16
8 674 11
9 697 12
10 706 6
11 712 6
12 741 12
13 752 7
14 780 23
15 872 27
16 895 19
17 909 10
18 1018 43
CHRIS/PROBA数据的预处理主要包括噪声去除、辐射校正、几何纠正（CHRIS原始数据一般会存在水平和垂直的2种条带噪声）,本文采用了欧空局开发的HDFclean软件进行处理[17]。辐射校正部分,CHRIS数据在接收的过程中增加了一个增益系数（Gain Information）,增益系数可通过HDFexplorer打开数据查看,首先用辐射亮度值除以增益系数获取增益前的真实辐射亮度值,整个过程在ENVI软件的波段运算功能下进行。然后进行大气校正,并将辐射亮度值图像转换成实验需求的地标反射率图像,用ENVI软件的Flaash模块[18-19]中的高光谱传感器类别。最后利用2.5 m分辨率的SPOT影像地图对图像进行几何校正,选取了15个均匀分布的控制点,采用二次多项式校正的方法,校正RMS误差控制在1个像元内。

3.2 波段的选择与组合分析

相关植被指数涉及到蓝、红、近红外3个波段,而从表1可看出,该数据波谱分辨率较高,因此,需采用一定的方法选定实验所需波段。
为了选择可用波段中包含信息量最大的波段,本文采用主成分分析的方法[20],具体步骤：首先,获取18个波段的相关系数矩阵,将相关性较高的分为一组,如图2所示,第1-12与12-18波段之间相关性较高,分为a、b两组;然后,分别对这2组波段进行主成分分析,分别得到a组的第一主成分b1,b组第一主成分b2;最后,分别选出b1、b2中贡献率最高的2个波段,即697、872 nm,而这2个波长正好分别位于红光和近红波段内,因此,将这2个波段选为植被指数所用红色波段和近红波段,而蓝色波段则选择常规的442 nm。
Fig. 2 The heatmap of correlogram between 18 bands

图2 各波段间的相关性热图

选好波段后,进行传统植被指数的构造,包括NDVI、RVI、EVI：
NDVI = ρ 872 - ρ 697 ρ 872 + ρ 697 RVI = ρ 872 ρ 697 EVI = 2.5 × ρ 872 - ρ 697 ρ 872 + 6.0 ρ 697 - 7.5 ρ 442 + 1 （2）
式中, ρ 442 、 ρ 697 、 ρ 872 分别代表CHRIS数据在442、697、872 nm处反射率。

3.3 实验结果与精度评定

根据式（2）,在ENVI软件中利用波段运算,得出CHRIS/PROBA图像5个观测角度下的NDVI、RVI、EVI值。由于样地是30 m×30 m,而图像分辨率为17 m,因此,每一块样地在图像上对应4~5个像元,本文取这些像元的植被指数平均值作为该样区的对应的最终植被指数值。为了考虑到不同观测角度下3种传统植被指数的反演情况,对0°和-36°处的NDVI、RVI、EVI分别进行回归分析。由表2可知,观测天顶角为0°时的植被指数与LAI的相关性更高。
Tab. 2 The estimation models between three traditional vegetation indices and LAI with the view zenith angles of 0 and -36

表2 观测天顶角为0°和-36°时3种植被指数反演模型

植被指数 观测天顶角(°) 线性回归方程 决定系数R²
NDVI 0~36 y=3.774x–0.663
y=3.549–0.594		 0.4950.308
RVI 0~36 y=0.199x+0.938
y=0.154+1.213		 0.3590.316
EVI 0~36 y=1.304x–0.292
y=1.507–0.324		 0.4310.416
利用0°观测数据得到的3种传统植被指数,分别对实验组数据的实测LAI进行回归分析,再用本文构造的新型多角度植被指数MNDVI,对实测LAI进行线性回归分析,并与拟合方程对比,得到以下结果。
如图3所示,新型的多角度归一化植被指数MNDVI与LAI的拟合效果对比传统植被指数NDVI、RVI、EVI与LAI的拟合效果提升明显,NDVI、RVI、EVI分别对于LAI最优拟合决定系数R2,分别为0.495、0.359、0.431,而MNDVI对于LAI的最优拟合决定系数 R 2 ,则是达到0.716。
Fig. 3 The estimation models between different vegetation indices and LAI

图3 不同植被指数与LAI的估算模型

为更好地说明MNDVI对LAI拟合效果的实用性,利用均方根误差（Root-Mean-Square Error,RMSE）对验证组数据进行反演精度的评定。结果如图4所示,传统植被指数NDVI、RVI、EVI反演LAI检验RMSE分别为：0.180、0.196、0.198,而MNDVI反演LAI检验RMSE为0.127,平均减小了33.3%。
Fig. 4 The estimation accuracy of the four estimation models

图4 不同植被指数LAI估算模型精度

3.4 反演结果分析

基于地面反射率BRDF特性,以及NDVI的二向性,利用CHRIS/PROBA数据的5个不同的观测角度,得到NDVI随着观测角度变化而变化的规律,并多角度植被指数MNDVI对LAI反演,结果表明,利用MNDVI建立的LAI估算模型相比传统植被指数NDVI、RVI、EVI,其决定系数R2显著地提升,而评定精度指标的均方根误差RMSE也更加优越。可见,考虑NDVI方向性这一重要因素,通过构造不同角度间的归一化植被指数,减弱甚至消除冠层叶绿素等含量对NDVI的影响,很大程度上提升估算LAI模型的反演精度。
但由于受实验条件的限制,实验对象玉米在应用范围上有一定的局限性,故在今后的研究中,可考虑应用到更加广泛的作物中去;样本个数受到限制,导致估算模型的建立准确性受到影响,今后需更多实验数据,对该估算模型不断改进和完善;另外,对NDVI方向性研究受到CHRIS/PROBA数据的角度有限的（5个角度）影响,因此,本文只对NDVI变化规律做了部分观测角度规律的探讨,今后还应在全角度层面,进行更多的相关研究。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Stern W R, Donald C M.Relationship of radiation, leaf area index and crop growth-rate[J]. Nature, 1961,189(476):597.

[2]
Aber J D, Reich P B, Goulden M L.Extrapolating leaf CO2 exchange to the canopy: A generalized model of forest photosynthesis compared with measurements by eddy correlation[J]. Oecologia, 1996,106:257-265.

[3]
Pocewicz A, Vierlizing L A, Lentile L B, et al.View angle effects on relationships between MISR vegetation indices and leaf area index in a recently burned ponderosa pine forest[J]. Remote Sensing of Environment, 2007,107:322-333.

[4]
方秀琴,张万昌.叶面积指数(LAI)的遥感定量方法综述[J].国土资源遥感,2003(57):58-62.

[5]
Chen J M, Cihlar J.Retrieving leaf area index of boreal conifer forests using landsat TM images[J]. Remote Sensing of Environment, 1996,55(2):153-162.

[6]
Haboudane D, Miller J R, Pattey E, et al.Hyper-spectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2003,90(3):337-352.

[7]
Yang QY, Huang W J, Zhao J L, et al.Effect of canopy geometry on estimation of leaf area index in winter wheat using multi-angle spectrum[J]. International Journal of Agriculture and Biology, 2013,15(6):1187-1192.

[8]
ESA. CHRIS Mission[EB/OL].

[9]
Verelst J, Romijn E, Kooistra L.Mapping vegetation density in a heterogeneous river floodplain ecosystem using pointable CHRIS/PROBA data[J]. Remote Sensing, 2002,4(9):2866-2889.

[10]
Duan S B, Li Z L, Wu H,et al.Inversion of the PROSAIl model to estimate leaf area index of maize, potato, and sunflowers fields from unmanned aerial vehicle hyperspectral data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014,26:12-20.

[11]
Cao J J, Gu Z J, Xu J H, et al.Sensitivity analysis for leaf area index(LAI) estimation from CHRIS/PROBA data[J]. Frontiers of Earth Science,2014,8(3):405-413.

[12]
Cernicharo J, Verger A, Camacho F.Empirical and physical estimation of canopy water content from CHRIS/PROBA data[J].Remote Sensing, 2013,5(10):5265-5284.

[13]
杨贵军,赵春江,邢著荣,等.基于PROBA/CHRIS遥感数据和PROSPECT模型的春小麦LAI反演[J].农业工程学报,2011,27(10):88-94.

[14]
Li XW, Gao F, Wang J D,et al.Bi-directional normalized difference vegetation index: Concept and application[J]. Progress of Natural Science, 2002,12(2):115-119.

[15]
李小文,闫广建,刘毅,等.BRDF物理模型反演中的不确定性与敏感性矩阵[J].遥感学报,1997,1(1):121-130.

[16]
李小文,王锦地,刘毅,等.不连续植被二向性反射的几何光学与辐射传输一体化综合模型初探[J].环境遥感,1993(3):161-172.

[17]
梁守真,施平,周迪.基于SAILH模型的植被冠层NDVI二向性分析[J].遥感信息,2011(1):22-26.

[18]
董广香,张继贤,刘正军.CHRIS/PROBA数据条带噪声去除方法比较[J].遥感信息,2006(6):36-39.

[19]
盖利亚,刘正军,张继贤. CHRIS/PROBA高光谱数据的预处理[J].测绘工程,2008(1):40-43.

[20]
王明常,王亚楠,陈圣波,等.多角度高光谱CHRIS/PROBA植被模式数据大气校正[J].吉林大学学报,2011(2):609-614.

Options
Outlines

/

〈 〉