關(guān)于ACRM輻射傳輸模型的植被葉面積指數(shù)遙感反演研究

1、關(guān)于ACRM輻射傳輸模型的植被葉面積指數(shù)遙感反演研究    摘要:研究應(yīng)用ACRM冠層輻射傳輸模型和MODIS地表反射率數(shù)據(jù)反演了河北衡水地區(qū)3月初至5月初植被葉面積指數(shù)時(shí)空分布變化特征，其結(jié)果與當(dāng)?shù)貙?shí)際情況較為吻合，是很有應(yīng)用潛力的植被生化變量反演方法。但模型反演結(jié)果受到自身參數(shù)不確定性和遙感數(shù)據(jù)精度的影響，因此改善模型輸入數(shù)據(jù)精度，尤其是外部遙感觀測數(shù)據(jù)將明顯改善反演結(jié)果。      關(guān)鍵詞：ACRM,輻射傳輸模型,植被葉面積指數(shù),遙感反演     

2、1引言      地表植被生物物理和生物化學(xué)參數(shù)，如葉面積指數(shù)(LAI)、葉綠素含量、葉片水分等，是解釋植被冠層生物物理過程和定量評價(jià)地表與大氣物質(zhì)能量交換的關(guān)鍵結(jié)構(gòu)變量13。而遙感信息，尤其是可見光、近紅外波段，則提供了反演這些關(guān)鍵地表植被變量的空間和時(shí)間連續(xù)分布信息。這是因?yàn)橹脖还趯臃瓷渎市畔⒛軌蚍从持脖唤Y(jié)構(gòu)、葉片生化組成等特征，如LAI尤其對近紅外(NIR)反射率波譜影響較大，可見光波譜則受葉綠素影響較顯著，而葉片水分則是影響中紅外波段反射率的最顯著的因素。因此，可充分利用遙感光譜信息，有效提取區(qū)域時(shí)空連續(xù)植被關(guān)鍵生理生化參數(shù)(如LAI、

3、葉綠素含量、葉片水分含量)，實(shí)現(xiàn)區(qū)域和全球尺度植被監(jiān)測和氣候變化等研究。應(yīng)用反射可見光遙感估算植被參數(shù)的方法主要有基于經(jīng)驗(yàn)統(tǒng)計(jì)的方法和基于物理冠層反射率模型的方法?；诠趯幼兞坑^測與光譜植被指數(shù)(VI)關(guān)系的經(jīng)驗(yàn)統(tǒng)計(jì)方法因其簡單和計(jì)算效率高而廣泛應(yīng)用于大尺度遙感應(yīng)用中1，35。但是該方法估算生物物理變量是基于特定時(shí)間、地點(diǎn)和植被類型的，而冠層反射率依賴于冠層內(nèi)部和外部多因素復(fù)雜相互作用5，這些因素隨時(shí)間、空間、植被類型而顯著變化，因此，該方法應(yīng)用于大尺度時(shí)缺乏通用性4。而基于物理模型的方法則遵循物理規(guī)律，充分考慮冠層內(nèi)部輻射傳輸和相互作用，能夠清晰描述生物物理變量和冠層反射率之間的聯(lián)系。基于物

4、理模型的冠層變量反演方法有數(shù)值優(yōu)化法6、查找表法7、人工神經(jīng)網(wǎng)絡(luò)法8，9等。其中基于迭代優(yōu)化技術(shù)的模型反演是很有前途的植被冠層信息提取方法，具有廣闊的應(yīng)用潛力。應(yīng)用遙感觀測信息成功反演植被冠層變量應(yīng)考慮三方面的結(jié)合，即好的模型、恰當(dāng)?shù)姆囱葸^程和準(zhǔn)確的反射率數(shù)據(jù)集。一個(gè)好的反演模型應(yīng)是:(1)折中考慮構(gòu)建模型的輸入?yún)?shù)數(shù)量與計(jì)算復(fù)雜性(與經(jīng)驗(yàn)數(shù)據(jù)的嚴(yán)格關(guān)聯(lián))，既考慮模型構(gòu)建的物理意義，又要考慮模型參數(shù)獲取的現(xiàn)實(shí)性，不能過分依賴不可測定的數(shù)學(xué)假設(shè);(2)模型輸入?yún)?shù)應(yīng)是可測定的和可解譯的植被生物物理特性項(xiàng)。在諸多冠層反射率模型中，SAIL和ACRM模型在運(yùn)行時(shí)間和準(zhǔn)確性方面表現(xiàn)較好，是生態(tài)或農(nóng)業(yè)遙

5、感應(yīng)用較為理想的選擇6。實(shí)際上，基于物理模型的方法存在模型反演的病態(tài)特性，即不同冠層參數(shù)組合可能對應(yīng)于幾乎相同的波譜。因此，模型初始參數(shù)值的選擇則顯得十分重要，可利用關(guān)鍵冠層參數(shù)的先驗(yàn)時(shí)間過程知識(shí)來約束反演過程，進(jìn)而使反演問題規(guī)范化7，10。近年來，以基于物理模型為核心，以經(jīng)驗(yàn)統(tǒng)計(jì)為先驗(yàn)約束的植被冠層變量反演方法得到廣泛研究。如RasmusHouborg(2007，2008，2009)應(yīng)用ACRM冠層輻射傳輸模型，充分利用植被指數(shù)經(jīng)驗(yàn)關(guān)系，先后應(yīng)用MOIDS、SPOT遙感反射率信息成功反演葉面積指數(shù)(LAI)、葉綠素(Cab)、水分含量等關(guān)鍵植被冠層參數(shù)，是很好地實(shí)現(xiàn)經(jīng)驗(yàn)與物理方法有機(jī)結(jié)合的典

6、型案例2，3，11。楊飛等(2010)應(yīng)用PROSAIL模型建立基于葉面積指數(shù)、葉綠素含量、葉片含水率、干物質(zhì)含量等不同組合的查找表(LUT)，通過計(jì)算模型模擬與實(shí)際觀測反射率值的差值函數(shù)實(shí)現(xiàn)了TM影像LAI反演12。許多研究還嘗試將動(dòng)力學(xué)模型、作物生長模型與輻射傳輸模型相結(jié)合，提出了新的反演策略。如BenjaminKoetz等(2005)將冠層結(jié)構(gòu)動(dòng)力學(xué)模型(CSDM)與PROSAIL輻射傳輸模型相結(jié)合估算基于多時(shí)相遙感觀測的LAI時(shí)空變化，提出了有效改善LAI反演的方法13。王東偉等(2010)將作物生長模型(CERES)與輻射傳輸模型(SAIL)耦合，以作物生長過程中LAI地面先驗(yàn)信息為

7、約束，利用變分算法實(shí)現(xiàn)作物不同生長時(shí)刻的多時(shí)相遙感觀測和LAI先驗(yàn)知識(shí)的同化，從而提取最優(yōu)目標(biāo)參數(shù)LAI。該方法提取得到的LAI是包含了作物生長模型信息、遙感觀測信息和LAI地面先驗(yàn)信息的最優(yōu)結(jié)果14。該研究應(yīng)用MODIS反射率時(shí)間序列數(shù)據(jù)采用ACRM冠層輻射傳輸模型反演河北衡水地區(qū)植被葉面積指數(shù)時(shí)空分布特征，旨在為該地區(qū)植被監(jiān)測、農(nóng)業(yè)估產(chǎn)提供有價(jià)值的信息。      2數(shù)據(jù)與方法      2.1MODIS遙感數(shù)0據(jù)高空間分辨率遙感影像能夠較好地避免不同陸地覆蓋類型的反射率信號(hào)之間的混合干擾，

8、但往往時(shí)間分辨率很低，并不適合監(jiān)測重要冠層變量的時(shí)間變化特征。而MODIS遙感影像則較好地折中空間分辨率和時(shí)間頻率之間的矛盾。Terra和Aqua兩種MODIS反射率數(shù)據(jù)(MOD/MYD09)用于目標(biāo)冠層變量(LAI)反演的ACRM模型輸入，而氣溶膠數(shù)據(jù)產(chǎn)品(MOD/MYD04)主要用于提取0.47m和0.66m處的氣溶膠光學(xué)厚度()計(jì)算ACRM模型Angstrom濁度系數(shù)()。MODIS反射率產(chǎn)品(MOD/MYD09)是將大氣和地表二向反射率模型(BRDF)與鄰近效應(yīng)模型(大氣點(diǎn)擴(kuò)散函數(shù))連接，經(jīng)MODISL1B數(shù)據(jù)氣體吸收、分子和氣溶膠散射校正處理后的產(chǎn)品15。該產(chǎn)品提供7個(gè)波段的全球逐日

9、反射率數(shù)據(jù)，其中紅(648nm)和近紅外NIR(858nm)反射率數(shù)據(jù)空間分辨率為250m，藍(lán)(470nm)、綠(555nm)、中紅外MIR(1240nm、1640nm、2130nm)反射率數(shù)據(jù)空間分辨率為500m。MODIS氣溶膠產(chǎn)品(MOD/MYD04)是NASA業(yè)務(wù)化處理的二級(jí)產(chǎn)品，該數(shù)據(jù)經(jīng)過嚴(yán)格濾云、陸地和渾濁水體以及耀斑像元剔除等處理，以10km×10km為參數(shù)輸入窗口，其空間分辨率為10km。MODIS氣溶膠光學(xué)厚度反演中心波長分別位于470、550、660、865、1240、1640、2130nm16。研究需要從MDOIS氣溶膠產(chǎn)品中提取0.47m和0.66m處的氣溶膠

10、光學(xué)厚度()計(jì)算入射太陽輻射的散射系數(shù)。MODIS相關(guān)數(shù)據(jù)產(chǎn)品可從EOSDataGateway官方網(wǎng)站獲取。根據(jù)需要可應(yīng)用MRT(MODISReprojectionTool)、ENVI等遙感數(shù)據(jù)處理工具對MODIS數(shù)據(jù)產(chǎn)品進(jìn)行相應(yīng)的預(yù)處理，如將正弦柵格投影校正到UTM坐標(biāo)。2.2ACRM冠層反射率模型ACRM(ATwoLayerCanopyReflectanceModel)17模型是多光譜均質(zhì)植被冠層反射率模型MSRM(MultispectralCRmodel)18模型和馬爾可夫鏈植被冠層反射率模型MCRM(MarkovchainCRmodel)19的擴(kuò)展模型。該模型耦合了葉片的反射率模型PR

11、OSPECT和LIBERTY，以及土壤反射率模型PRICE，考慮土壤的非朗伯特性，葉片的鏡面反射，植被冠層的熱點(diǎn)效應(yīng)以及雙參數(shù)的葉傾角分布，能夠很好地描述具有雙層結(jié)構(gòu)的均勻植被冠層的反射特性。ACRM模型假定植被冠層由植被均質(zhì)層和地表植被薄層組成。ACRM模型可以正向模式(directmode)計(jì)算波譜分辨率為1nm的冠層半球方向4002500nm反射率，同時(shí)也可以反向模式(inversionmode)應(yīng)用優(yōu)化算法(POWELL)估算最佳模型輸入?yún)?shù)，如LAI、Cab等。ACRM模型所需輸入外部參數(shù)(表1)中太陽天頂角(sza)、觀測天頂角(bza)和方位角(raa)輸入?yún)?shù)可從MODIS表面

12、反射率數(shù)據(jù)產(chǎn)品中同步獲取。Angstrom濁度系數(shù)()用于計(jì)算入射輻射的散射分?jǐn)?shù)，可應(yīng)用Angstrom的濁度公式計(jì)算得到，該公式需要輸入0.47m、0.66m氣溶膠光學(xué)厚度0.47和0.66，這兩個(gè)輸入?yún)?shù)可從MODIS氣溶膠產(chǎn)品中獲得。波長()、光學(xué)厚度()和大氣Angstrom濁度系數(shù)()關(guān)系表達(dá)式為20:=?=1?1=2?2=ln(1/2)/ln(2/1)為Angstrom波長指數(shù)，與氣溶膠粒子的平均半徑有關(guān)，其值為04，氣溶膠粒子越大，值越小。和不依賴于波長，用于描述大氣總的渾濁狀況和氣溶膠顆粒大小分布。0.1表示相對清潔大氣，0.2表示相對渾濁大氣。表達(dá)式中波長單位必須為微米(如5

13、00nm=0.500m)。模型對熱點(diǎn)參數(shù)SL的敏感性通常非常低，可參數(shù)化為LAI的函數(shù)，即SL=0.5/LAI21，通過SL和LAI的反比關(guān)系來反映作物在垂直方向上的生長主要通過新葉片的增加而非原有葉片的生長。在僅考慮觀測天頂角時(shí)，將其設(shè)定為0.1522。馬爾可夫簇塊參數(shù)(Sz)變化范圍為0.41.0。其中Sz=0.4時(shí)代表顯著成簇塊的非均質(zhì)的植物冠層，如森林等;Sz=1.0時(shí)代表葉片生長位置較為隨機(jī)的均質(zhì)冠層，如小麥、大麥等2，3。eL、m為橢圓葉片角分布參數(shù)，通常采用平均葉傾角(l)來參數(shù)化這兩個(gè)參數(shù)，即僅考慮水平型(m=0)和豎直型(m=90)葉片方向11。如將eL、m均設(shè)置為0時(shí)，則不

14、再依賴葉片角m1。ACRM應(yīng)用葉片光學(xué)模型PROSPECT來計(jì)算葉片反射和透射波譜。PROSPECT模型輸入中，葉綠素含量(Cab)、等價(jià)水分厚度(Cw)、葉片干物質(zhì)含量(Cm)和葉棕色素含量(Cbp)主要用于計(jì)算葉片吸收特性。而葉片散射特性則主要通過葉肉結(jié)構(gòu)參數(shù)(N)(葉片內(nèi)部有效層數(shù))和葉片表面蠟質(zhì)折射指數(shù)(n)來反映。葉面積指數(shù)(LAI)和葉綠素含量(Cab)可由LAI2000、SPAD502等儀器測定。葉片水分含量(Cw)參數(shù)對可見光(400700nm)和近紅外(7001350nm)波段反射率無影響，該值設(shè)置并不重要2，可設(shè)置為0.02cm。葉片干物質(zhì)含量(Cm)主要對波長大于1200

15、nm的波段影響較為顯著24，設(shè)置該值為葉片光學(xué)特性試驗(yàn)(LOPEX93，theLeafOpticalPropertiesExperiment)測得的平均值50g?m23，24。在葉片衰老階段，葉片通過棕色素吸收光能。棕色素含量(Cbp)在06g?m2之間變化。其中Cbp=0g?m2時(shí)表示無棕色素光吸收，Cbp=6g?m2時(shí)表示棕色素最大光吸收。研究應(yīng)用中通過分別賦值將綠色葉片和衰老葉片分離。如Houborgetal.(2009)將Cbp=0代表綠色葉片，Cbp=3代表黃色葉片，衰老葉片的葉肉結(jié)構(gòu)和葉綠素含量分別設(shè)置為2.5和0g?m23。葉肉結(jié)構(gòu)參數(shù)(N)對反射率信號(hào)的貢獻(xiàn)非常低，設(shè)置為1.5

16、5，該值適用于各種作物，如小麥、大麥等6，25。葉片表面蠟質(zhì)折射指數(shù)(n)設(shè)定為默認(rèn)值0.926。ACRM模型考慮非朗伯土壤反射率，其波譜變化可近似為rsl1、rsl2、rsl3、rsl44個(gè)矢量函數(shù)，其中前兩個(gè)矢量可解釋土壤反射率波譜變化的94.2%27。因此，研究應(yīng)用通常僅考慮前兩個(gè)矢量。      3ACRM模型參數(shù)敏感性分析      應(yīng)用ACRM冠層反射率模型反演植被冠層變量時(shí)需要輸入大量的參數(shù)，這些參數(shù)的不確定性波動(dòng)將極大地影響反演結(jié)果。因此，確定_c&_賥_c合理的模型自由

17、變量是獲得理想反演結(jié)果的關(guān)鍵。該研究應(yīng)用EFAST(ExtendedFourierAmplitudeSensitivityTest)法2830對ACRM模型參數(shù)進(jìn)行全局敏感性分析，篩選出對MODIS紅和近紅外波段反射率較為敏感的參數(shù)，并將其設(shè)定為自由變量，而不敏感的參數(shù)在反演中固定。表1ACRM輻射傳輸模型輸入?yún)?shù)符號(hào)參數(shù)取值范圍Angstromturbiditycoefficient0.10.5szaSolarzenithangle(°)3080raaRelativeazimuthangle(°)98141bzaViewzenithangle(°)0.35.5L

18、AILeafareaindex*08SLRatioofleaflineardimensionandcanopyheight*0.5/LAISzMarkovclumpingparameters*0.41.0eLEccentricityoftheleafangledistribution(°)0.04.5mModalleafangleoftheellipticalLAD(°)0.090SLWLeafspecificweight(g?m2)100CabChlorophylla+bcontent(%ofSLW)*0.30.8CwLeafwatercontent(%ofSLW)，10

19、0200CmLeafdrymattercontent(%ofSLW)95100CbpBrownpigmentcontent(%ofSLW)0.00024.0NLeafmesophyllstructure*1.55nFactorforrefractiveindex0.9rsl1WeightofthefirstPricefunction*00.5rsl2WeightofthesecondPricefunction0.10.1EFAST法是基于方差的定量全局敏感性分析方法，即應(yīng)用因模型輸入?yún)?shù)變化而產(chǎn)生的模型結(jié)果的方差來反映研究參數(shù)的重要性(或敏感度)和對模型結(jié)果變化的貢獻(xiàn)程度。模型結(jié)果Y的總方差V

20、(Y)由各研究參數(shù)xi及參數(shù)間相互作用得到，模型結(jié)果的總方差V(Y)可分解為:V(Y)=iVi+ijVij+ijmVijm+V12k式中，Vi=VE(Y/xi)，表示每個(gè)參數(shù)xi的一階影響;Vij=VE(Y/xi，xj)ViVj，為參數(shù)xi通過參數(shù)xj作用所貢獻(xiàn)的方差;Vij至V12k表示各參數(shù)相互作用的方差。條件期望的方差VE(Y/xi，xj)稱為主影響(Maineffect)，可反映參數(shù)xi對模型結(jié)果Y方差的顯著性。因此，各參數(shù)及參數(shù)相互作用的方差與總方差的比值，即敏感性指數(shù)，能很好地說明各參數(shù)對模型結(jié)果變化的貢獻(xiàn)。參數(shù)xi的一階敏感性指數(shù)Si反映了參數(shù)xi對模型結(jié)果總方差的直接貢獻(xiàn)率，可

21、定義為:Si=ViV同理，參數(shù)xi的二階及三階敏感性指數(shù)可定義為:Sij=VijV，Sijm=VijmV獨(dú)立參數(shù)xi和參數(shù)間的相互影響可用總敏感性指數(shù)來表示，即為各階敏感性指數(shù)之和:ST.i=Si+Sij+Sijm+S12ik圖1ACRM模型參數(shù)全局敏感性指數(shù)各研究參數(shù)的總敏感指數(shù)反映了參數(shù)直接貢獻(xiàn)率和通過參數(shù)間的交互耦合作用間接對模型輸出總方差的貢獻(xiàn)率之和。當(dāng)各研究參數(shù)間無耦合作用時(shí)，Sij、Sijm等項(xiàng)均為0，ST.i等于Si，等同于局部敏感性分析，所有研究參數(shù)的總敏感性指數(shù)之和為1。當(dāng)各研究參數(shù)間交互耦合作用存在時(shí)，每個(gè)參數(shù)的總敏感性指數(shù)為各階敏感性指數(shù)之和，所有研究參數(shù)的總敏感性指數(shù)之

22、和則大于1。ACRM冠層反射率模型參數(shù)全局敏感性分析顯示(圖1)，葉面積指數(shù)(LAI)、葉片結(jié)構(gòu)參數(shù)(N)、葉綠素含量(Cab)、馬爾可夫簇塊參數(shù)(Sz)的全局敏感性指數(shù)均大于0.1，是紅波反射率敏感參數(shù)。而對于近紅外反射率來說，葉面積指數(shù)(LAI)、葉片結(jié)構(gòu)參數(shù)(N)、熱點(diǎn)參數(shù)(SL)的全局敏感性指數(shù)均大于0.1則表現(xiàn)出較高的敏感性。另外，土壤反射率參數(shù)(rsl1)對紅波反射率的全局敏感性指數(shù)為0.9，是影響植被反射率的不可忽視的影響因素。為此，該研究篩選出LAI、N、Cab、Sz、SL、rsl16個(gè)參數(shù)作為自由變量，而其他變量設(shè)定為固定經(jīng)驗(yàn)值。4葉面積指數(shù)反演ACRM冠層反射率模型反向模式

23、(inversionmode)應(yīng)用POWELL算法迭代優(yōu)化模型輸入?yún)?shù)，如本研究所選定的六個(gè)自由變量，直到模型模擬的反射率與遙感觀測反射率偏差最小，此時(shí)所優(yōu)化的模型參數(shù)即為反演的最佳植被冠層參數(shù)。為避免模型病態(tài)反演和反射率數(shù)據(jù)的不確定性，模型考慮參數(shù)值專家先驗(yàn)知識(shí)約束。模型反演的代價(jià)函數(shù)F為:F(X)=mj=1(*jjj)2+ni=1(xixi，b)42i+(xixe，idxi)2圖22009年基于ACRM模型反演的衡水植被葉面積指數(shù)(LAI)時(shí)空序列變化X為模型輸入?yún)?shù);*j為遙感觀測冠層反射率;j為模擬冠層反射率;j為觀測反射率誤差，即不確定性估計(jì);m為觀測反射率值個(gè)數(shù);xi為模型參數(shù)，x

24、i，b為該參數(shù)的邊界值;i為權(quán)重，當(dāng)xi落在閾值范圍內(nèi)時(shí)，i=0，否則為一個(gè)常數(shù);xe，i為參數(shù)xi的專家估計(jì);dxi為參數(shù)xi的容差，控制優(yōu)化函數(shù)對專家估計(jì)的敏感性。研究將提取處理MODIS地表可見光、近紅外反射率數(shù)據(jù)和由氣溶膠數(shù)據(jù)計(jì)算得到的Angstrom濁度系數(shù)()數(shù)據(jù)讀入ACRM冠層反射率模型，應(yīng)用反向模式反演河北衡水地區(qū)植被葉面積指數(shù)(LAI)時(shí)空序列。2009年3月初至5月初河北衡水地區(qū)植被類型以冬小麥作物為主，其葉面積指數(shù)(LAI)時(shí)空序列變化特征(圖2)變現(xiàn)為中部植被覆蓋度較高，北部其次，南部最差。衡水地區(qū)3月初植被LAI在0.00.5之間，主要在安平縣西部、深州市中南部、武邑縣、衡水市南部、景縣、阜城縣東北部植被發(fā)育較早。4月初植被LAI增加到7.0左右，其中深州市、武強(qiáng)縣、阜城縣植被LAI最高，也是變化最大的地區(qū)，而冀州市和棗強(qiáng)縣植被變化不明顯。4月中旬植被覆蓋度顯著增加，LAI大于1.0比重明顯增大，但冀州市和棗強(qiáng)縣植被覆蓋度偏低。5月初植被整體覆蓋面積增大，但LAI值開始減小。這主要是因?yàn)槎?/p>