一種針對遙感影像直接提取像元陽葉可視概率的新方法

近日，杭州師范大學(xué)副研究員方美紅（第一作者）與南京大學(xué)居為民教授（通訊作者）發(fā)表了題為“A Normalized Spectral Angle Index for Estimating the Probability of Viewing Sunlit Leaves from Satellite Data”的論文，值得一提的是，該論文中用到的高分辨率成像數(shù)據(jù)是由本公司所售光譜相機(jī)GaiaField-F-V10測量得到。

在利用遙感數(shù)據(jù)和技術(shù)獲取植被冠層結(jié)構(gòu)和葉片生化參數(shù)特征的研究中，利用光學(xué)遙感數(shù)據(jù)，不可避免會(huì)遇到的一個(gè)問題就是BRDF效應(yīng)。BRDF效應(yīng)產(chǎn)生的根本原因是，不同觀測幾何條件下看見的地物分量比例變化了，針對植被像元而言，主要是4個(gè)分量：光照的冠層（陽葉），陰影里的冠層（陰葉），光照的地面背景和陰影里的地面背景。光照與陰影植被冠層和背景分離是植被參數(shù)定量遙感反演的需要。陽葉可視概率（PT）是影響觀測到的冠層光譜的一個(gè)重要變量。準(zhǔn)確確定像元PT值是遙感定量反演和估算植被參數(shù)的必要條件。因此本研究為解決這一問題，發(fā)展了一種新的基于光譜指數(shù)的像元PT估算方法，可以直接應(yīng)用于衛(wèi)星遙感影像。我們根據(jù)葉片和土壤背景的光譜形狀，提出了一個(gè)新的指數(shù)：以近紅外（NIR）波長和反射率為頂點(diǎn)的歸一化光譜角度指數(shù)（NSAI）。然后，利用一個(gè)近地面高分辨率成像數(shù)據(jù)集、兩個(gè)衛(wèi)星模擬數(shù)據(jù)集和一個(gè)星-地同步觀測數(shù)據(jù)集評估NSAI在估計(jì)PT方面的性能。

高分辨率成像數(shù)據(jù)是我們利用光譜相機(jī)GaiaField-F-V10測量的可見光(VIS)到近紅外(NIR)光譜區(qū)域的冠層光譜數(shù)據(jù)（如圖1所示），在全光譜分辨率下，最大半高寬(FWHM)和光譜采樣間隔(SSI)分別約為2.8 nm和0.42 nm，信噪比為200:1。獲得的全分辨率圖像，掃描面積約為2 × 1.6 m2。獲取目標(biāo)地物的像元空間分辨率大約為1.5 mm。為了確保相似的圖像大小，在觀測實(shí)驗(yàn)過程中，圖像是在恒定的高度上獲取的。為了避免光照條件突變，每張圖像在2分鐘內(nèi)觀測完成，所有測量都是在無云的晴空下進(jìn)行的。

圖1近地面高分辨率成像數(shù)據(jù)集的觀測系統(tǒng)的現(xiàn)場照片和植被成像光譜數(shù)據(jù)實(shí)例。(a)光譜相機(jī)GaiaField-F-V10安裝在固定的軌道臂上，并提升到距離冠層頂部約2米的高度。(b)不同光照條件下的真彩色合成影像示例，按低(第一行)、中(第二行)和高(第三行)覆蓋度進(jìn)行分類。

為了驗(yàn)證和評估歸一化光譜角度指數(shù)（NSAI）在估算PT方面的性能，我們選取了增強(qiáng)型植被指數(shù)(Enhanced Vegetation Index, EVI)、歸一化差分光譜指數(shù)(Normalized Difference spectral Index, NDSI)、歸一化差分植被指數(shù)(Normalized Difference Vegetation Index, NDVI)、簡單比值指數(shù)(Simple Ratio Index, SR)和光化學(xué)反射指數(shù)（Photochemical Reflectance Index, PRI）等5個(gè)常用的光譜指數(shù)進(jìn)行對比研究。以高分辨率影像數(shù)據(jù)的監(jiān)督分類結(jié)果為基礎(chǔ)，分析陽葉(SuL)、陰葉(ShL)、光照背景(SuB)和陰影背景(ShB)的6個(gè)光譜指數(shù)的箱形圖（圖2），結(jié)果表明NDVI、SR和NDSI這三個(gè)指數(shù)在光照和陰影分量上值域重疊。而NSAI、EVI和PRI這三個(gè)指數(shù)可以有效區(qū)分以上4個(gè)分量。因此，選擇NSAI、EVI和PRI這三個(gè)指數(shù)作為構(gòu)建PT估算模型的候選指數(shù)，進(jìn)一步驗(yàn)證和評估。

圖2陽葉(SuL)、陰葉(ShL)、光照背景(SuB)和陰影背景(ShB)的6個(gè)光譜指數(shù)的箱形圖：不同光譜指數(shù)都?xì)w一化到0~1的范圍。紅色點(diǎn)表示指數(shù)均值，紅色線表示中位數(shù)，藍(lán)色框表示[25%，75%]百分位數(shù)，黑色須分別表示5%和95%百分位數(shù)。以上統(tǒng)計(jì)特征值根據(jù)高分辨率影像數(shù)據(jù)的監(jiān)督分類結(jié)果計(jì)算獲得。

對比監(jiān)督和非監(jiān)督分類結(jié)果（圖3），發(fā)現(xiàn)基于NSAI指數(shù)的非監(jiān)督分類結(jié)果的總體kappa系數(shù)高于EVI，而PRI的kappa系數(shù)最低。但NSAI、EVI和PRI這三個(gè)指數(shù)都能夠有效區(qū)分4個(gè)分量，都具備獲取PT信息的潛在能力。

圖3陽葉(SuL)、陰葉(ShL)、光照背景(SuB)和陰影背景(ShB)的高分辨率影像分類結(jié)果圖，(a)高分辨率成像數(shù)據(jù)的真彩色合成圖(TCC)，(b-d) NSAI、EVI和PRI指數(shù)圖像，(e)高分辨率圖像的監(jiān)督分類結(jié)果，(f-h)分別基于NSAI、EVI和PRI指數(shù)圖像的非監(jiān)督分類結(jié)果，(i-l)非監(jiān)督分類結(jié)果和參考值（即監(jiān)督分類結(jié)果，假設(shè)監(jiān)督分類結(jié)果代表真實(shí)值）的kappa系數(shù)。

圖4顯示在Hyperion和MODIS模擬數(shù)據(jù)集上，均可發(fā)現(xiàn)NSAI與PT呈顯著線性相關(guān)，EVI和PRI也與PT有很強(qiáng)的相關(guān)性，但是，在給定的PT值下，它們的SDn值大于NSAI，這表明NSAI估計(jì)PT的能力對葉片光譜變化最不敏感。此外，在兩個(gè)模擬數(shù)據(jù)集上，基于PRI的散點(diǎn)圖分布比NSAI和EVI更為緊湊和聚集，表明PRI估計(jì)PT的能力對土壤背景的敏感性較低。然而，在已知土壤背景類型的情況下，NSAI估計(jì)PT值的表現(xiàn)*好。說明基于NSAI構(gòu)建的PT估算經(jīng)驗(yàn)?zāi)Ｐ途哂休^好的穩(wěn)定性，對葉片光譜和地面背景光譜的變化相對不敏感。

圖4模擬的Hyperion(a-d)和MODIS(e-h)場景下，NSAI、EVI、PRI和RSL（紅波段上冠層反射率與葉片反射率的比值）指數(shù)與PT的相關(guān)性，點(diǎn)的顏色表示不同土壤類型：正常土壤(N，橙色點(diǎn))、干土壤(D，綠色點(diǎn))、濕土壤(W，藍(lán)色點(diǎn))。Hyperion樣本數(shù)量為13,950,144個(gè)，其中模擬場景數(shù)量為10,764；MODIS樣本數(shù)量為3,732,480個(gè)，模擬場景數(shù)為2,880個(gè)；每個(gè)點(diǎn)代表432個(gè)具有不同葉片光譜和相同PT的樣本的平均值，點(diǎn)的半徑為具有相同PT的432個(gè)樣本中對應(yīng)指數(shù)的歸一化標(biāo)準(zhǔn)差SDn值。

將利用模擬數(shù)據(jù)校準(zhǔn)的基于NSAI的PT估算模型應(yīng)用于高光譜-高空間分辨率的Hyperion數(shù)據(jù)時(shí)，估計(jì)的PT的歸一化均方根誤差(nRMSE)和調(diào)整R2分別為14.9%和0.744。應(yīng)用于中分辨率的MODIS影像時(shí)，PT的估計(jì)精度也非常令人滿意，nRMSE為18.71%，調(diào)整R2為0.67（圖5）。表明NSAI有巨大希望應(yīng)用于衛(wèi)星影像直接估算PT，提高植被參數(shù)的反演精度。

圖5星-地同步觀測數(shù)據(jù)集中33個(gè)Hyperion像元(a-d)和12個(gè)MODIS像元(e-h)上基于NSAI、EVI、PRI和RSL指數(shù)的模型估算的PT值與利用4-Scale模型反演的參考值的比較。紅色直線為1:1線。

小結(jié)

光照與陰影植被冠層和背景分離是植被參數(shù)定量遙感反演的需要。陽葉可視概率（PT）是影響觀測到的冠層光譜的一個(gè)重要變量。準(zhǔn)確確定像元PT值是遙感定量反演和估算植被參數(shù)的必要條件。本研究發(fā)展了一種新的基于光譜指數(shù)的像元PT估算方法，可以直接應(yīng)用于衛(wèi)星遙感影像。我們根據(jù)葉片和土壤背景的光譜形狀，提出了一個(gè)新的指數(shù)：以近紅外(NIR)波長和反射率為頂點(diǎn)的歸一化光譜角度指數(shù)(NSAI)。然后，利用一個(gè)近地面高分辨率成像數(shù)據(jù)集、兩個(gè)衛(wèi)星模擬數(shù)據(jù)集和一個(gè)星-地同步觀測數(shù)據(jù)集評估NSAI在估計(jì)PT方面的性能。結(jié)果表明，NSAI比增強(qiáng)型植被指數(shù)(Enhanced Vegetation Index, EVI)、歸一化差分光譜指數(shù)(Normalized Difference spectral Index, NDSI)、歸一化差分植被指數(shù)(Normalized Difference Vegetation Index, NDVI)、簡單比值指數(shù)(Simple Ratio Index, SR)和光化學(xué)反射指數(shù)（Photochemical Reflectance Index, PRI）等5種常用的光譜指數(shù)更適合直接估算衛(wèi)星遙感影像像元的PT值。NSAI不僅可以有效地區(qū)分光照和陰影的冠層與背景，而且NSAI與像元PT呈顯著的線性相關(guān)。基于NSAI構(gòu)建的PT估算經(jīng)驗(yàn)?zāi)Ｐ途哂休^好的穩(wěn)定性，對葉片光譜和地面背景光譜的變化相對不敏感。更為重要的是，模型具有極佳的可移植性，利用模擬數(shù)據(jù)校準(zhǔn)的基于NSAI的PT估算模型可以直接應(yīng)用于遙感觀測數(shù)據(jù)。應(yīng)用于高光譜-高空間分辨率的Hyperion數(shù)據(jù)時(shí)，估計(jì)的PT的歸一化均方根誤差(nRMSE)和調(diào)整R2分別為14.9%和0.744。應(yīng)用于中分辨率的MODIS影像時(shí)，PT的估計(jì)精度也非常令人滿意，nRMSE為18.71%，調(diào)整R2為0.67。結(jié)果表明NSAI有巨大希望應(yīng)用于衛(wèi)星影像直接估算PT，提高植被參數(shù)的反演精度。

作者簡介

第一作者 方美紅，博士，杭州師范大學(xué)信息科學(xué)與技術(shù)學(xué)院副研究員，碩士生導(dǎo)師。目前為杭州師范大學(xué)遙感與地球科學(xué)研究院、浙江省城市濕地與區(qū)域變化研究重點(diǎn)實(shí)驗(yàn)室研究人員，主要從事植被生化參數(shù)遙感定量反演研究。作為負(fù)責(zé)人主持的項(xiàng)目有**自然科學(xué)基金青年基金項(xiàng)目、中國博士后面上基金、江蘇省博士后科研資助和日常資助項(xiàng)目等。曾在《Remote Sensing of Environment》、《IEEE Transactions on Geoscience and Remote Sensing》、《Terrestrial Atmospheric & Oceanic Sciences》、《光譜學(xué)與光譜分析》、《生態(tài)學(xué)報(bào)》等國內(nèi)外學(xué)術(shù)期刊上發(fā)表論文10余篇。先后獲得杭州師范大學(xué)“**班主任”、“**綜合指導(dǎo)教師”等榮譽(yù)稱號(hào)。

通訊作者 居為民，南京大學(xué)二級教授、博士生導(dǎo)師。主要研究方向包括：植被參數(shù)遙感反演、生態(tài)模型開發(fā)及應(yīng)用、陸地生態(tài)系統(tǒng)碳通量優(yōu)化計(jì)算同化等。近年來，主持承擔(dān)“全球變化與應(yīng)對”**重點(diǎn)研發(fā)計(jì)劃項(xiàng)目、全球變化重大科學(xué)計(jì)劃項(xiàng)目課題和**自然科學(xué)基金面上項(xiàng)目等科研項(xiàng)目10余項(xiàng)。在《Science》、 《Nature子刊》、《Remote Sensing of Environment》、《Global Biogeochemical Cycles》、《Agricultural and Forest Meteorology》和《Journal of Geophysical Research》等刊物發(fā)表SCI論文180多篇；兩次入選江蘇省“333”人才工程，6次獲得省部級科技獎(jiǎng)勵(lì)；現(xiàn)任《Journal of Geophysical Research-Biogeosciences》期刊Associate Editor。

歡迎下載瀏覽：M. Fang et al., "A Normalized Spectral Angle Index for Estimating the Probability of Viewing Sunlit Leaves From Satellite Data," in IEEE Transactions on Geoscience and Remote Sensing, vol. 61, pp. 1-19, 2023, Art no. 4401519, doi: 10.1109/TGRS.2023.3249129.