聯(lián)合PROSAIL模型和植被水分指數(shù)的低矮植被含水量估算

1、聯(lián)合PROSAIL模型和植被水分指數(shù)的低矮植被含水量估算摘 要：植被冠層含水量CWC （Canopy Water Content）和植被地上部分含水量VWC （Vegetation Water Content） 對于植被健康狀況和土壤干旱監(jiān)測具有重要意義。本文聯(lián)合PROSAIL輻射傳輸模型和植被水分指數(shù)NDWI （Normalized Difference Water Index）,發(fā)展了一種簡單、通用性較好的低矮植被CWC和VWC反演方法，可實現(xiàn) 中、高空間分辨率下的CWC和VWC估算。首先對PROSAIL模型輸入?yún)?shù)進行敏感性分析，明確各參數(shù)對模型 輸出反射率的影響機制，以優(yōu)化PROSAI

2、L模型輸入?yún)?shù)設置并生成低矮植被的反射率模擬數(shù)據(jù)。基于模擬數(shù)據(jù)， 計算了4個植被水分指數(shù)NDWI（860,睥）、NDWI eg帥）、NDWI （睥，|640）和NDWI（860, ,70）用于反演低矮植被CWC 和VWC。基于模擬數(shù)據(jù)的結果表明，4個植被水分指數(shù)與ln（CWC）都存在明顯的線性關系，基于該關系建立 了 CWC估算模型。該模型可以直接用于低矮植被CWC估算，并通過VWC與CWC之間的經(jīng)驗關系間接計算得到 VWC。模型模擬結果也表明，由于NDWI（860 1640）和NDWI（1如40）高度相關（=0.99）,兩者可以提供相似且相 對較好的低矮植被CWC估算精度?；诘孛鎸崪y數(shù)據(jù)的

3、驗證結果與基于模擬數(shù)據(jù)的結果表現(xiàn)出很好的一致性， 即基于NDWI（860 1640）和NDWI（1240 1640）估算的VWC都有相似且較高的精度，決定系數(shù)（R2）都為0.88,均方根 誤差（RMSE）分別為0.4558 kg/m2和0.4380 kg/m2。利用Landsat 5 TM數(shù)據(jù)對NDWI，1640）估算效果的驗證結果 顯示，模型估算CWC與地面實測CWC的R為0.84，RMSE為0.1342 kg/m2，估算VWC的RMSE為0.5651 kg/m2。 本文提出的基于NDWI（860 1640）和NDWI（1240 1640）的CWC/VWC估算模型可被用于低矮植被的長勢監(jiān)測和

4、干旱監(jiān) 測，為低矮植被覆蓋地表的土壤水分反演提供高質量的植被水分信息。關鍵詞：光學遙感，PROSAIL，冠層含水量，植被含水量，植被水分指數(shù)，低矮植被1引言植被水分是諸多生態(tài)模型的重要因子，對植 被水分的定量描述有助于揭示農(nóng)、林以及自然生 態(tài)系統(tǒng)中的生物物理化學循環(huán)（Gao和Goetz， 1995），對于監(jiān)測和預測全球變化，理解溫室氣體 濃度變化對氣候變化的影響，估測生物圈的凈初 生產(chǎn)力，估算地表土壤水分等至關重要（Chapin 等，2002）0冠層含水量 CWC （Canopy Water Content）、葉 片等效水厚度 EWT （Equivalent Water Thickness）

5、和可燃物含水量FMC （Fuel Moisture Content）是常 用的植被水分指示因子。其中，CWC可以通過 EWT和葉面積指數(shù)LAI （Leaf Area Index）計算得 到（Yebra等，2013）。Zhang和Zhou（2019）比較 了 CWC、EWT和FMC對不同水分脅迫條件的響應 并基于光譜指數(shù)反演了這3個植被水分指示因子。 研究結果表明，CWC對水分脅迫最敏感，反演的 CWC精度最高，因此認為CWC是指示植被水分含 量和植被水分脅迫的相對最佳有效因子。植被地 上部分總含水量 VWC （Vegetation Water Content） 是實現(xiàn)土壤水分主動和被動微波遙感

6、反演的重要 參數(shù)之一 （Jackson等，2004），但由于植被冠層的 遮擋，植被莖稈光譜信息大部分不能被光學傳感 器接收，因此直接通過光學遙感較難實現(xiàn)對VWC 的直接反演。微波對植被具有很好的穿透性，對 VWC也很敏感，植被光學厚度VOD（Vegetation Optical Depth）與VWC之間存在線性關系（Jackson 和Schmugge， 1991），可由被動微波植被光學厚度 產(chǎn)品VOD計算得到VWC、生態(tài)系統(tǒng)等水度（也稱 同水度）和陸表生物量等與植被水分相關的參量 （Liu 等，2015 ； Konings 和 Gentine， 2017 ； Fan 等， 2019）。其中，V

7、OD可通過微波極化差異指數(shù)MPDI （Microwave Polarization Difference Index） （Becker和 Choudhury， 1988）或微波植被指數(shù) MVI （Microwave Vegetation Index） （Shi 等，2008）來計算。但星載 被動微波觀測數(shù)據(jù)存在空間分辨率較低的問題，基 于被動微波遙感技術估算的VWC精度難于滿足實 際生產(chǎn)應用需求。研究表明，相同植被類型的CWC 和VWC之間存在一定的線性關系，結合光學遙感數(shù) 據(jù)獲取的CWC來間接反演VWC（Yilmaz等，2008a） 是獲取較高空間分辨率VWC的有效途徑之一。光學遙感技術是植

8、被含水量反演的最常用方 法。利用紅光（RED）、近紅外（NIR）和短波紅 外（SWIR）波段的反射率構建植被水分指數(shù)，建 立植被水分指數(shù)與植被水分含量之間的經(jīng)驗關系 可以實現(xiàn)對植被含水量的估算（鄭興明等， 2014）。Penuelas 等（1993, 1997）設計了 WI （Water Index）指數(shù)，認為植被水分在970 nm處的 吸收特征對于監(jiān)測植被水分很有意義。有研究表 明，從作物到沙漠多肉植物，不同物種的葉片水 分脅迫指數(shù)MSI （Moisture Stress Index）（定義為葉 片在1600 nm和850 nm處的反射率比值）和葉片 EWT之間存在對數(shù)線性關系（Hunt和R

9、ock， 1989）。比值指數(shù)與歸一化差異指數(shù)之間存在一對 一的映射關系，但歸一化差異指數(shù)一定程度上能 消除土壤背景和大氣效應的影響。Yilmaz等 （2008a, 2008b）的研究表明，基于 850/1600 nm 兩個波段的歸一化差異紅外指數(shù)NDII（Normalized Difference Infrared Index） （Kimes 等，1981）與 CWC之間存在強相關關系，比較適合CWC的反 演。Gao（1996）基于近紅外波段860 nm和短波紅 外波段1240 nm提出歸一化差異水分指數(shù)NDWI （Normalized Difference Water Index），該指數(shù)

10、對植 被冠層液態(tài)水分變化比較敏感。Chen等（2005） 進一步結合850 nm的近紅外波段和1640/2130 nm 的短波紅外波段，對NDWI指數(shù)的波段范圍做了進 一步的擴展。需要指出的是，由于大氣中的水汽 在970 nm和1200 nm也表現(xiàn)出較強的光譜吸收特 性，用這兩個波段反演植被水分要考慮去除大氣 的影響（Clevers 等，2008，2010）。Cosh 等 （2019）利用Landsat影像數(shù)據(jù)建立VWC與基于 830/1650 nm的NDWI之間的回歸關系，反演了玉 米、大豆和冬小麥等植被的VWC，結果表明不同 地區(qū)或不同植被類型的估算精度存在比較大的差 異。Chai（202

11、0）等基于歸一化差異指數(shù)的公式形 式，將其應用于860 nm和970 nm的波段組合，并 發(fā)現(xiàn)在這種組合模式下，其對稀疏植被的水分監(jiān) 測精度要優(yōu)于860 nm和1240 nm的波段組合。輻射傳輸模型（物理模型）也可以實現(xiàn)CWC 的反演，該方法不限定于特定區(qū)域或站點，具有 明確的物理意義且反演精度較高。常用的輻射傳 輸模型有 PROSAIL 模型（Jacquemoud 等，2009）、 GeoSail 模型（Huemmrich， 2001）和 ACRM 模型 （Kuusk 和 Nilson，2001）等，其中 PROSAIL模型 最常用。Jacquemoud 等（2009）基于 PROSAIL

12、模 型的正演模式模擬了冠層光譜，并且通過 PROSAIL模型的反演模式實現(xiàn)了植被多個生物物 理參數(shù)的定量反演。輻射傳輸模型反演模式計算 非常復雜，一些方法被相繼引入以克服計算機計 算能力的限制，比如查找表（Schaepman等， 2005）、人工神經(jīng)網(wǎng)絡（Trombetti等，2008）、基 因遺傳算法（Li等，2007）、偏最小二乘法（F6ret 等，2011）等。但是當模擬數(shù)據(jù)量較大時，這些 方法的計算效率仍不能滿足實際需求。在植被含水量反演方法中，統(tǒng)計模型計算簡 單高效，但可推廣性欠佳；物理模型具有明確的 物理意義，計算精度高，其正演模型得到了廣泛 的應用，但其反演模式計算復雜。本文基于

13、 PROSAIL模型模擬的反射率數(shù)據(jù)并結合植被水分 指數(shù)，發(fā)展了低矮植被含水量反演算法。該算法 結合了物理模型的精確性和統(tǒng)計模型的簡便性， 具有精度高、計算高效的優(yōu)點，同時也具有一定 的通用性和普適性，可以推廣到不同研究區(qū)域。2研究區(qū)和數(shù)據(jù)2.1研究區(qū)介紹2017年一2021年，灤河流域碳、水循環(huán)和能 量平衡遙感綜合試驗（閻廣建等，2021）在灤河 上游地區(qū)開展，地表覆蓋（圖1）以草原、農(nóng)田、 森林為主，類型多樣。其中，閃電河流域水循環(huán) 和能量平衡遙感綜合試驗（趙天杰等，2021）以 地勢較為平坦的閃電河流域為核心試驗區(qū)，本研 究使用了該試驗中2018-0809的試驗數(shù)據(jù)。117 E118E草

14、地匚Z1灌木 水體 裸土117 E118E草地匚Z1灌木 水體 裸土匚二1雪/冰云土地利用圖1灤河研究區(qū)范圍及相應的基于MODIS MCD12Q1 數(shù)據(jù)的地表覆蓋類型Fig.1 The Luanhe study area and the corresponding land cover type based on the MODIS MCD12Q1 dataset:.f塞116 E匚Z1農(nóng)田森林 不透水表面試驗設計開展了土壤水分遙感專題試驗SMELR （Soil Moisture Experiment in the Luan River） （Zhao 等，2020），試驗內容包括機載飛行觀測試

15、驗、地 面參數(shù)測量試驗和地面同步觀測試驗。本文主要 用到的是地面參數(shù)測量試驗和地面同步觀測試驗 中所獲取的實測地面數(shù)據(jù)。地面參數(shù)測量試驗包 括土壤參數(shù)測量和植被參數(shù)測量，觀測的植被類 型包括草地、土豆、胡蘿卜、莜麥、谷子和玉米。 先在子樣方內隨機選取植被覆蓋地面測量其植被 光譜和土壤水分，同時測量葉面積指數(shù)和植被高 度，然后在光譜測量的可視地面范圍內選取0.5 mx 0.5 m地塊，用鐮刀或剪刀收割土壤以上部分的植 被，測量其鮮重并裝入密封袋，帶回實驗室烘干 測量干重，以計算植被含水量。在每個植被采樣 點上記錄植被類型、冠層高度、土壤水分以及壟 間距等信息。上述植被光譜均使用ASD公司Fiel

16、dspec 4 Hi-Res便攜式地物光譜儀測量，該儀器可以獲取地 物在可見光到近紅外波段范圍（3502500 nm）內的 波譜，光譜儀光纖視場角為25。ASD光譜儀有3個 探測器單元，探測波段范圍分別為3501000 nm. 10001800 nm 和 18002500 nm，其光譜分辨率 分別為3 nm、8 nm 和 8 nm。 每次測量植被光譜 前，均利用白板對光譜儀進行校正。測量時光譜 儀探頭在植被冠層頂部以上1m左右的距離處進行 測量，對應視域半徑為0.22 m，并取3次測量的 光譜均值作為本次測量的最終光譜。土壤水分基 于TDR土壤水分儀測量，獲取了 0 cm， 13 cm和 35

17、 cm土壤深度的土壤水分。葉面積指數(shù)使用美 國LI-COR LAI-2200C植物冠層分析儀測量，該儀 器內置GPS可記錄測量點的經(jīng)緯度信息，并可以同 時測量平均葉傾角、無截取散射、聚類因子等冠層 結構參數(shù)。Fig.2 The spectra of different vegetation types within theLuanhe study area圖 2 展示 了 2018-09-04 和 2018-09-05 用 ASD 光譜儀測量的草地、胡蘿卜、土豆、小米、玉米 等不同植被類型的光譜。從圖2中可以看出，不同 植被類型在近紅外（7501200 nm）以及短波紅 外（1600 nm）波

18、段附近的實測光譜存在明顯差 異。從圖2也可以看出，ASD實測光譜在1400 nm、 1900 nm和2500 nm附近出現(xiàn)明顯的波動誤差，這 主要是由大氣中水汽的影響所導致。其中1400 nm、 1900 nm 和 2500 nm 附近（鄧孺孺等，2012）均 位于大氣吸收帶，這使得在該波長下幾乎沒有太 陽輻射到達地球表面，從而導致這些波段上異常 高的測量值（Clever 等，2008， 2010）。Fig.2 The spectra of different vegetation types within theLuanhe study area2018-08-2709-12在正藍旗昕元牧場

19、 (115.95E, 42.05N)開展光譜儀/輻射計/雷達配 套觀測草地實驗，在晴朗天氣條件下觀測草地光 譜，并同時測量土壤水分和植被含水量。此外， 還在昕元牧場的周邊地區(qū)進行了其他植被類型 (包括胡蘿卜、土豆、谷子和玉米)的光譜測量及 配套參數(shù)測量，以獲取更多植被類型的光譜數(shù)據(jù) 和相應的植被參數(shù)數(shù)據(jù)。2018-09-1609-26在 機載飛行試驗期間開展地面同步觀測試驗，在 70 kmX12 km飛行區(qū)域中選取植被覆蓋樣方進行植 被含水量測量，并同步進行地物光譜和葉面積指 數(shù)的測量，測量的植被類型包括草地、胡蘿卜、 土豆、莜麥、蔬菜等。同時包含實測光譜和植被 含水量的有效數(shù)據(jù)有71條，其中

20、草地44條，其他 植被類型27條。本研究除了用到灤河流域土壤水分試驗 (SMELR)數(shù)據(jù)，還用到了 SMEX02(Soil Moisture EXperiment 2002)試驗數(shù)據(jù)(Jacobs 等，2004)。 SMEX02試驗于2002年在美國Iowa南部的Creek流域 開展，研究區(qū)位于4152,N4204,N，9323,W 9401,W，主要土地覆蓋是農(nóng)田，其中玉米和大豆 覆蓋了該區(qū)域的近90%。所使用的SMEX02的實 驗數(shù)據(jù)包括地面實測的玉米和大豆含水量數(shù)據(jù) (包括有效數(shù)據(jù)70條；其中，玉米49條，土豆21條) 以及基于Landsat5TM影像計算的NDWI數(shù)據(jù)。基 于Lands

21、at 5 TM影像計算NDWI的方法如下：NDWI = (R1650nm - R830nm)/(R 1650nm + R 830nm)(D式中，R 830nm和R 650nm分別表示Landsat 5 TM在近紅 外波段和短波紅外波段的反射率。3模型和方法3.1模型介紹PROSPECT 模型(Jacquemoud 和 Bacour， 1990) 是在平板模型基礎上發(fā)展起來的，它通過模擬葉 片從4002500 nm的上行和下行輻射通量而得到 葉片的反射率Pl和透射率在4002500 nm波 段內，影響葉片光譜吸收系數(shù)的葉片參量包括含 水量、纖維素、糖、蛋白質和有機質等，其中經(jīng) 常被考慮到的參量包

22、括葉片結構參數(shù)N，葉綠素 %,、葉片含水量Cw、葉片干物質含量Cm和褐色素 Cbrown。其中，Cw在數(shù)值上與EWT相等。PROSPECT 模型的表達式為(PlT = PROSPECT ( NCb，Cw，Cm，Cbgn)(2)SAIL模型(Verhoef， 1984)是一個冠層二向 平、均一及無限擴展的各向同性葉片組成的混合 體，并且葉子的反射、散射均有漫反射性質。PROSAIL模型是PROSPECT模型和SAIL模型 的耦合模型。它通過將PORPSECT模型輸出的葉 片反射率Pi和透射率輸入到SAIL模型中，并輸 入冠層結構參數(shù)、觀測幾何參數(shù)和土壤反射率P, 實現(xiàn)PROSPECT與SAIL模

23、型的耦合，從而模擬得 到冠層光譜反射率。冠層結構參數(shù)包括葉面積指 數(shù)(LAI)、葉傾角分布函數(shù)(LIDF)和熱點參數(shù) (hspot)，觀測幾何參數(shù)是指太陽天頂角(tts)、觀 測天頂角(tto)和太陽一觀測間相對方位角(psi)。 PROSAIL模型的表達式如下：P = SAIL (LAI, LIDF,pi, rl,ps, hspot, tts, tto,psi)(3)本文的土壤反射率是通過基于干土反射率Pdry、 飽和土壤反射率Psat和土壤濕度的簡單土壤反射率 模型(Wang 等，2008; Lobell 和 Asner， 2002)計 算得到的，如下式所示：P, = f x Piry +

24、 (1 - f x p如 x exp(-c x 0)(4)式中，f=Psa/Pdry，為飽和土壤反射率與干土反射率 的比值，c表示土壤反射率隨濕度變化的速率， 0表示土壤體積含水量百分比。3.2參數(shù)敏感性分析通過對PROSAIL模型參數(shù)的敏感性分析可知 不同輸入?yún)?shù)對輸出反射率的影響波段范圍、影 響作用規(guī)律和影響的強度。本文假設PROSAIL模 型各輸入?yún)?shù)之間相互獨立，通過固定其它參數(shù) 值并設置一個參數(shù)變化，來分析PROSAIL模型輸 出結果對該參數(shù)的敏感性。在PROSAIL模型中， 觀測幾何參數(shù)tts、tto和psi分別固定為30，0和 0，其他各參數(shù)的固定取值如表1所示。模擬結果 見圖3

25、。表1參數(shù)敏感性分析過程中PROSAI L模型參數(shù)所采用的基礎值Table 1 The basic values of the input parameters of thePROSAIL model during the sensitivity analysis參數(shù)基礎值葉片結構參數(shù)N1.5葉綠素含量Cab/( |xg/cm2)40葉片含水量Cw/(g/cm2)0.03葉片干物質含量/(g/cm2)0.01葉面積指數(shù)LAI/(m2/m2)3葉傾角分布LIDFuniform熱點參數(shù)hspot0.02土壤濕度 sm( cm3/cm3)0.2(a) N的光譜響應(a) The spectra re

26、sponse of N(b) Cab的光譜響應(b) The spectra response of Cab0.50.40.3回0.20.1JCw=0.01 g/cm2Cw=0.02 g/cm25001000150020002500波長/nm(c) Cw的光譜響應(c) The spectra response of Cw(d) Cm的光譜響應(d) The spectra response of Cm(e) LAI的光譜響應(e) The spectra response of LAI(f) LIDF的光譜響應(f) The spectra response of LIDF(g) sm的光譜

27、響應(LAI=1)(g) The spectra response of sm(LAI=1)(h) The spectra response of sm(LAI=5)圖3不同參數(shù)值下的光譜響應Fig.3 Spectral response under different input parameter values圖3 (a) - (h)顯示了模型輸出反射率對7個 模型輸入?yún)?shù)的光譜響應。圖3 (a)表明葉片結構 參數(shù)N在4002500 nm整個波段范圍對反射率都有 影響，反射率隨著N的增大而增大。圖3 (b)表明 葉綠素含量Cab對反射率的影響主要在400800 nm 之間，反射率隨Cab的

28、增大而減小。圖3 (c)表明 葉片含水量Cw在8002500 nm波段范圍內對反射 率有影響，反射率隨著Cw的增大而減小，Cw在 5個水分吸收谷(970 nm、1250 nm、1450 nm、 1650 nm和2130 nm)影響作用最為顯著，其中對 1650 nm附近的反射率影響作用最大。圖3 (d)表 明葉片干物質含量Cm在近紅外波段和短波紅外波 段對反射率都有影響，反射率隨C的增大而減小， 其中在7501300 nm波段范圍的影響作用最為明 顯。圖3 (e)表明葉面積指數(shù)LAI在4002500 nm 整個波段范圍對反射率都有影響，在7001100 nm 范圍內，反射率隨LAI的增大而增大

29、；而在400 500 nm和14502500 nm范圍內，反射率隨LAI的 增大而減小。特別的，在7001100 nm，1450 nm 附近，1650 nm附近和2130 nm附近，LAI對冠層 反射率的影響最為顯著。圖3 (f)是6種葉傾角分 布LIDF對反射率的影響，可以看出不同LIDF對 7001400 nm之間的反射率有較大的影響，除了 喜直型分布，LIDF對1450 nm和1600 nm附近以及 19002500 nm的反射率影響較小。圖3 (g)和圖 3 (h)表明土壤濕度.g對冠層反射率的影響作用 受到LAI大小的影響。當LAI很小時，sm對整個 4002500 nm波段內的反射

30、率影響作用明顯，當 LAI大于5時，sm對冠層反射率的影響作用幾乎可 以忽略。結合以上參數(shù)敏感性分析可知，用近紅外和 短波紅外波段反射率反演植被冠層含水量CWC時， 主要受葉片干物質含量Cm,葉傾角分布LIDF和土 壤濕度.弘等參數(shù)的影響。由于在中等植被覆蓋情 況下，邕、sm和LIDF對冠層反射率的主要影響作用 范圍大概都在7001400 nm范圍，所以1450 nm. 1650 nm和2200 nm附近的波段成為了短波紅外波 段范圍內植被含水量反演的較佳選擇。3.3算法構建本文針對常見農(nóng)作物和草地(文中統(tǒng)稱低矮 植被)發(fā)展植被水分含量反演算法的具體思路為： 首先基于參數(shù)敏感性分析、實測數(shù)據(jù)和

31、相關參考 文獻對PROSAIL模型進行參數(shù)配置，生成低矮植 被反射率模擬數(shù)據(jù)，再基于反射率模擬數(shù)據(jù)計算 植被水分指數(shù)，然后構建植被冠層含水量(CWC) 與植被水分指數(shù)的函數(shù)關系，得到低矮植被的 CWC估算模型，最后基于低矮植被地上部分含水 量(VWC)與冠層含水量(CWC)之間的關系實 現(xiàn)對低矮植被VWC的估算。Quan等(2015)的研究表明，相比設置為均 勻分布，PROSAIL模型參數(shù)設置為高斯分布更符 合生態(tài)標準，并且可以獲得更好的反演結果。表2 為PROSAIL模型的參數(shù)配置，其中N、C,、C.,、 LAI和sm設置為高斯分布，其值域范圍、均值和 方差是根據(jù)實測參數(shù)范圍及相關文獻來設定

32、的。 C“,對近紅外和短波紅外波段的反射率幾乎沒有影 響，因此設定為固定值。熱點效應參數(shù)(hspot) 設置為隨 LAI 變化，即 hspot=0.5/LAI (Houborg 等， 2007，2009)。觀測幾何參數(shù)通常為已知值，可結 合研究區(qū)域經(jīng)緯度和傳感器的觀測角度來設定。 在本文中，模型的3個觀測幾何參數(shù)，即太陽天頂 角、觀測天頂角和相對方位角，分別設定為30。、 0。和0，葉傾角分布函數(shù)LIDF設置為球面型分布； 近紅外波段的波寬和光譜間隔分別設置為60 nm和 1nm，短波紅外波段的波寬和光譜間隔分別設置 為100 nm和1 nm?；谂渲煤蟮腜ROSAIL模型生 成了 10000

33、條低矮植被反射率模擬數(shù)據(jù)。這些模擬 數(shù)據(jù)被全部用于構建NDWI與CWC之間的經(jīng)驗回 歸關系。根據(jù) Kimes 等(1981)、Gao 等(1996)、Chen 等(2005)和Chai等(2020)的研究并結合歸一 化差異指數(shù)的方程形式，同時考慮到植被光譜在 860 nm和1240 nm波段的相關性，在本文中選擇近 紅外的860 nm和970 nm， 以及短波紅外的1240 nm 和1640 nm這4個水分吸收的敏感波段，來研究 基于4種波段組合的廣義的NDWI指數(shù)，即NDWI(860, 1240)， NDWI 啊詢)，NDWI(1240,泓和NDWI(860, 970)?；谑?1)，廣義N

34、DWI的計算如下：R1 - R 2NDWI(R*=(5)式中，R和R2分別代表兩個不同波段的反射率。表2 PROSAIL模型輸入?yún)?shù)設置Table 2 The input parameter settings of PROSAIL model參數(shù)單位范圍(均值，方差)葉片結構參數(shù)(N)一12(1.5, 0.1)葉片含水量(C,)g/cm20.0020.08(0.03，0.01 )葉片干物質含量(CQg/cm20.0010.021(0.01，0.005)葉綠素含量(Cm)ug/cm240葉面積指數(shù)(LAI)m2/m20.56(3，1 )葉傾角分布(LIDF)球面型熱點效應(hspot)0.5/L

35、AI太陽天頂角(tts)。30觀測天頂角(tto)。0相對方位角(psi)。0土壤濕度(sm)cm3/cm30.050.35(0.2，0.1 )通過分析基于低矮植被反射率模擬數(shù)據(jù)的4個 植被水分指數(shù)，即 NDWI(860, 1240)，NDWI(860, 1640)， NDWI (1240, 1640)和 NDWI(860, 970),分別與模擬的冠層 含水量CWC的關系后發(fā)現(xiàn)，4個植被水分指數(shù)與 冠層含水量CWC的自然對數(shù)函數(shù)(In)有較好的 線性關系，4個指數(shù)與ln (CWC)的決定系數(shù)都達 到0.9及以上(圖4)。其中，NDWI s,1640)的R最 大，其次是 NDWI (1240,

36、1640)和 NDWI (860, 1240), NDWI (860, 970)的R最小。值得指出的是，依據(jù)表2 中仁與LAI的單位，基于模擬數(shù)據(jù)的冠層含水量 CWC應為葉片含水量C,與葉面積指數(shù)LAI乘積的 10倍，即 CWC=10 xC* XLAI?；谀M數(shù)據(jù)獲取的植被水分指數(shù)NDWI與 ln (CWC)的線性關系，本文構建了估算低矮植 被冠層含水量CWC的經(jīng)驗回歸模型，如表3所 示。從表3中可以看出，4個植被水分指數(shù)NDWI 與CWC之間回歸關系的R2都大于0.9。其中， NDWI (860, 1640)與CWC的相關性最好，R2最高， RMSE最小。NDWI (1240, 1640)

37、也表現(xiàn)出較高的估算 精度，與NDWI (860, 1640)比較接近。4個指數(shù)中， NDWI (860, 970)估算CWC能力相對較差。圖5顯示了由表3中4個CWC-NDWI經(jīng)驗回歸 模型估算的冠層含水量與PROSAIL模型模擬的冠 層含水量(即10XC.XLAI)的對比關系。可以看 出，NDWI (860, 1640)估算的CWC最精確，其次是 NDWI (睥，泗,而NDWI 估算的CWC效果是最差的。從圖5 (b)和圖5 (c)中可以看出， NDWI (炒I，”和NDWI(|240,國。)估算效果比較接 近；從圖5 (a)和圖5 (d)中可以看出， NDWI (炒I240)和NDWI(8

38、60,心估算效果接近，且在 含水量大于2 kg/m2時，CWC-NDWI回歸模型估算 的CWC與PROSAIL模擬CWC之間存在明顯的差 異。從圖5也可發(fā)現(xiàn)，4個指數(shù)在植被含水量很低 時，都會表現(xiàn)出不同程度的高估現(xiàn)象。(a) Ln(CWC)與 NDWI&。(a) Ln(CWC)and NDWIg(a) Ln(CWC)與 NDWI&。(a) Ln(CWC)and NDWIg(b) Ln(CWC)and NDWIwoNDWuMgo)(膏 MoMomH-l(c) Ln(CWC)與 NDWI|240,|640(d) Ln(CWC)與 NDWI(囪,響(c) Ln(CWC) and NDWIgo*”(d

39、) Ln(CWC) and NDWI o圖4基于模型模擬數(shù)據(jù)的Ln(CWC)與4個植被水分指數(shù)的關系NDWuMgo)(膏 MoMomH-lFig.4 The relationship between Ln(CWC) and four vegetationwater indices based on model simulations表3基于模型模擬數(shù)據(jù)的低矮植被冠層含水量估算模型 Table 3 The short vegetation CWC estimation algorithmderived from model simulations自變量*回歸函數(shù)RRMSE/(kg/m2)NDWI

40、(860I240CWC :二exp(7.705*0.931)0.920.I338NDWI(860I640CWC :=exp(4.II4*-I.88I)0.940.095INDWI(I240I640CWC=exp(6.25I*2.248 )0.930.I0I9NDWI(860970CWC=exp( I6.03*0.854)0.900.I688低矮植被地上部分含水量(VWC)與冠層含 水量存在一定的關系。草地的VWC與CWC可以看 作是相等的，而土豆、胡蘿卜、玉米等低矮植被 的VWC包含了很大一部分莖稈含水量，因此這些 低矮植被的VWC不能等同于CWC?；趯崪y數(shù)據(jù) 分析發(fā)現(xiàn)土豆、胡蘿卜、玉米等低

41、矮植被的VWC 與CWC存在明顯的線性關系，低矮植被的VWC可 近似認為等于kxCWC,其中k為經(jīng)驗系數(shù)(Hunt 等，20II)。ndwi(860.1240):RMSE=0.B38kg/mndwi(860.1240):RMSE=0.B38kg/m2輸入 CWC/(kg/m2)(a)基于NDWI(860I240(a )Based on NDWI 倒,I240 (c)基于 NDWInm I640I240 (c )Based on NDWI(I240I64001234輸入 CWC/(kg/m2)(b)基于NDWI&0,I640(b) Based on NDWI 01234輸入 CWC/(kg/m2

42、)(b)基于NDWI&0,I640(b) Based on NDWI 所I640d基于 NDWI(860970(d) Based on NDWI(860,970Fig.5 Comparisons between the PROSAIL-based CWCsimulations and the CWC estimations derived from the fourregressed equations in Table 34結果與分析本文首先用基于ASD的地面實測植被光譜數(shù) 據(jù)和相應的含水量數(shù)據(jù)對低矮植被含水量估算方 法進行驗證。驗證過程中涉及到的植被類型包括 草地、玉米、胡蘿卜、土豆和莜麥

43、等。依據(jù)表3中回歸模型的精度，選擇具有最高R2 和最低RMSE的NDWI的波段組合形式，即 NDWI(860, I640)來比較對應的實測 NDWI(860, I640)與 實測植被含水量的關系。鑒于已有地面實測ASD 光譜數(shù)據(jù)對應的VWC數(shù)據(jù)絕大部分不包括CWC數(shù) 據(jù)，本文比較了實測VWC和基于ASD實測光譜計 算的NDWI(860, I640)的關系(圖6)?？梢钥闯?，兩 者之間同樣存在指數(shù)關系而非線性關系，這與基 于模型模擬數(shù)據(jù)的結果是一致的。圖7顯示了基于 本文構建的CWC-NDWI(860 I640)關系估算的CWC 與地面實測VWC之間的關系?？梢钥闯?，兩者相 關性較好，并且草地的

44、CWC估算值與VWC實測值 比較接近，而農(nóng)作物的CWC估算值與VWC實測值 存在明顯差異。這主要是因為草地VWC近似等于 CWC,而農(nóng)作物的莖稈含水量占VWC的比重較 大。因此，在進行低矮植被含水量VWC反演時, 可基于本文發(fā)展的低矮植被CWC-NDWI反演算法分植被類型開展。具體的，當植被類型為類似土 豆、玉米、胡蘿卜等包括垂直莖稈的農(nóng)作物時, 應在本文CWC-NDWI經(jīng)驗回歸算法基礎上，結合 不同作物CWC與VWC之間的經(jīng)驗系數(shù)來間接計算 得到。本文中，設置農(nóng)作物VWC=3.64xCWC,其 中系數(shù)3.64是通過SMELR試驗和SMEX02試驗中 農(nóng)作物實測VWC與實測CWC的線性回歸關系

45、獲圖6實測VWC與ASD光譜儀觀測NDWI(S60.1640)的關系Fig.6 The relationship between the measured VWC and theASD-observed NDWI(S60,1640)Fig.7 The relationship between estimated CWC and measured VWC基于本文發(fā)展的低矮植被CWC-NDWI回歸模 型(表3)，以及VWC-CWC的經(jīng)驗回歸關系式, 圖8顯示了基于ASD光譜儀的NDWI(860,1640)的VWC 估算值與SMELR實測VWC的關系?？梢钥闯?， VWC-NDWI (炒倒)(R2=0

46、.88，RMSE=0.4558 kg/m2) 和 VWC-NDWI (1240, 1640)(R2=0.88， RMSE=0.4380 kg/m2)的估算精度較好，明顯高于另外兩個指數(shù)。 同時，圖8也顯示，農(nóng)作物的VWC估算偏差明顯 大于草地，這可能是在農(nóng)作物VWC估算過程中使 用了 VWC-CWC的經(jīng)驗回歸關系所導致。 J?2=0.72-RMSE=0.6892 (kg/m2)012345實測 VWC/(kg/m2) J?2=0.72-RMSE=0.6892 (kg/m2)012345實測 VWC/(kg/m2)1240的(a)基于 NDWI(860VWC估算值aNDWI(8601240bas

47、edVWC estimates012345實測 VWC/(kg/m2)012345實測 VWC/(kg/m2)1640的5 4 3 2. G日a言M(b)基于NDWI(860bNDWI(8601640basedVWC estimates(c)基于 NDWI(1240. 1640VWC估算值cNDWI12401640basedVWC estimates。草地012345實測 VWC/(kg/m2)Q日旬芝UMAM012345實測 VWC/(kg/m2)Q日旬芝UMAM坦d基于 NDWI(860970的VWC估算值(d) NDWI(860,970basedVWC estimates農(nóng)作物Fig.8

48、 The relationship between estimated and measured VWC基于模擬數(shù)據(jù)的回歸結果和基于實測數(shù)據(jù)的 驗證結果都表明，NDWI(860,1640)和 NDWI (1240, 1640) 在CWC估算上均表現(xiàn)出相似的精度，這是因為 860 nm和1240 nm避開了大氣水汽吸收帶,位于近 紅外波段的高反射區(qū)，存在強相關關系，并進一步 導致NDWI，1640)和NDWI(1240，1640)兩個指數(shù)之間很 強的線性相關性。圖9基于模型模擬的 NDWI(860, 1640)和 NDWI (1240, 1640)兩個指數(shù)的比對表 明，兩者之間R高達0.99。F

49、ig.9 The relationship between NDWI(S60 1640)and NDWI(1240 1640)derived from model simulations在衛(wèi)星觀測尺度上，利用SMEX02試驗提供的 地面實測CWC和VWC數(shù)據(jù)，以及對應的基于 Landsat 5 TM影像所獲取的NDWIg,面。)數(shù)據(jù)來驗 證本文所提出的CWC-NDWI 360, 1640)以及VWC- NDWI 360, 1640)回歸模型的估算精度。圖10顯示， 基于CWC-NDWI 360, 1640)回歸模型估算的CWC與 實測CWC之間有較好的相關性(R2=0.84)，RMSE 也相對

50、較小(RMSE=0.1342 kg/m2)。從圖10還能 看出，當CWC較小時，模型估算的CWC要偏大, 這與模擬數(shù)據(jù)的情況一致。圖11展示了實測VWC 與基于CWC估算的VWC之間的關系。結果顯示，兩 者有較好的相關性(R2=0.84, RMSE=0.5651 kg/m2), 但VWC估算值要明顯高于VWC實測值。這一方面 是由對CWC本身的高估所導致，另一方面可能與 模擬波段(860/1640 nm)和 Landsat 5 TM 波段 830/1650 nm )之間的差異有關。基于SMELR和 SMEX02試驗數(shù)據(jù)的CWC和VWC的驗證結果表 明，本研究提出的CWC-NDWI(860, 1

51、640)算法對于估 算不同研究區(qū)域的CWC有較好的適應性，但在應 用于不同研究區(qū)域或不同植被類型的VWC時, VWC-CWC的經(jīng)驗轉換系數(shù)k的取值會對最后的 VWC估算精度產(chǎn)生較大影響，應針對研究區(qū)域和 植被類型對k值進行校正后再使用。00.51.01.52.0實測00.51.01.52.0實測CWC/(kg/n?)圖 10 基于 Landsat 5 TM 的 NDWI(830J650)的 CWC 估算值與SMEX02實測CWC的關系Fig.10 The relationship between estimated CWC derived from Landsat 5 TM-based NDWI(830 1650)and measured CWC from SMEX02(ZE/S 學。Mum坦本研究基于模擬數(shù)據(jù)得到的植被含水量估算 方法在應用到實