1 成都信息工程大学资源环境学院, 四川 成都 610225
2 青海省气象科学研究所, 青海 西宁 810001
冬季牧草即枯草的存量是生态补偿计算与畜牧生产科学管理的关键基础, 而对青藏高原枯草关键参数认识的不足, 直接限制了高寒冬季枯草监测研究与应用发展。 PROSAIL是一种光学辐射传输模型, 它可以定量描述植被参数与冠层反射率的关系。 利用最新版本PROSAIL模型, 结合野外实测的枯草光谱及叶面积、 叶绿素等10个性状参数数据, 模拟生成了15 000组潜在的枯草光谱数据序列。 通过冬、 夏实测枯草与绿草样方的反射光谱特征分析, 揭示了枯草在可见光波段与近红外波段与绿草的显著差异性, 描述了青藏高原冬季枯草在400~1 300 nm波段近似线性的独特光谱分布特征。 在此基础上, 提出了以红光与绿光波段差值为依据的鲜/枯草光谱区分方法, 并据此实现了15 000组模拟光谱中枯草光谱的初级与二级筛选, 建立了枯草模拟光谱数据序列集。 该模拟光谱数据序列集与实测光谱在400~2 500 nm全波段明显相关, 所有模拟谱线R2均在0.904~0.994之间, 表明该模型能够很好地模拟高寒冬季枯草的反射率光谱。 进一步采用EFAST方法, 对枯草模拟光谱数据序列进行全局敏感性分析, 识别出棕色素、 类胡萝卜素、 花青素、 叶片结构、 热点5个对枯草光谱变化不敏感的参数, 并在此基础上优化枯草敏感参数阈值区间。 最终, 以99%置信区间为标准、 余弦距离为评价函数, OFAT方式再次运行模型, 界定了枯草敏感的参数阈值: 叶面积指数阈值区间为0.2~0.89、 叶绿素含量为0~1.29 μg·cm-2、 平均叶倾角为11°~90°、 等效水厚度为0.000 1~0.005 cm、 干物质含量为0.008~0.05 g·cm-2。 通过对10个枯草性状参数及其取值区间的率定, 提出了枯草光谱关键参数数值区间参考表, 为提高对高寒冬季枯草性状特征的科学认识及探究遥感反演应用技术方法提供理论依据与基础数据。
枯草 PROSAIL模型 参数阈值 敏感性分析 青藏高原 Withered grass PROSAIL model Threshold estimate Sensitivity analysis Qinghai-Tibet Plateau 光谱学与光谱分析
2022, 42(4): 1144
南京大学国际地球系统科学研究所, 江苏 南京 210023
叶绿素含量是评价农作物健康状况、 生产能力和环境胁迫的重要指标, 实时、 快速、 准确获取农作物叶片叶绿素含量对监测农作物生长状况具有重要意义。 遥感是获取区域和全球农作物叶片叶绿素含量的有效途径, 但已有的作物叶片叶绿素含量遥感反演研究未充分考虑下垫面背景的干扰, 影响了反演精度。 为此, 以Sentinel-2遥感卫星影像为数据源, 结合典型水稻田的观测数据, 使用PROSAIL辐射传输模型建立了水稻田叶片叶绿素含量反演查找表, 评估了利用绿光波段和不同红边波段构建的叶绿素指数(CI)和两个不同红边波段构建的Zarco and Miller指数(ZM)反演叶片叶绿素含量的差异, 引入G(Greenness index)指数减小背景干扰对叶片叶绿含量反演的影响。 研究结果表明: (1)基于不同波段构建的光谱指数反演的叶片叶绿素含量精度存在差异, 其中CI740(R2=0.79, RMSE=9.02 μg·cm-2) 反演精度最高, 其次为ZM(R2=0.71, RMSE=10.53 μg·cm-2)、 CI705(R2=0.69, RMSE=9.17 μg·cm-2) 和CI783(R2=0.67, RMSE=10.84 μg·cm-2); (2)水稻叶片叶绿素含量反演结果受背景影响明显, 特别在水稻生长早期, 由于背景干扰较大, 反演结果明显偏低[平均相对误差(MRE)为-18.87%~-31.94%]; (3)引入G指数构建的CI/G和ZM/G可以有效消除背景的影响, 提高水稻叶片叶绿素含量反演精度(MRE为8.11%~18.11%)。 结果对提高水稻不同叶面积指数水平下的叶片叶绿素含量遥感反演精度具有重要参考意义。
叶片叶绿素含量 遥感反演 Leaf chlorophyll content Remote sensing inversion Sentinel-2 PROSAIL Sentinel-2 PROSAIL
1 中国农业大学土地科学与技术学院, 北京 100083
2 农业部农业灾害遥感重点实验室, 北京 100083
叶面积指数(LAI)与植被光合作用、 蒸腾作用、 生物量的形成等有密切联系, 是玉米长势监测、 灾害胁迫监测、 产量预测等重要参数之一, 也是辐射传输模型、 作物生长模型等机理模型的一个重要参数。 Sentinel-2卫星是“全球环境与安全监测”计划的第二颗卫星, 具有较高的时空分辨率, 且具有红边波段, 其可见光和近红外波段的分辨率为10m, 是农业遥感应用的理想数据源。 PROSAIL辐射传输模型是遥感反演玉米冠层LAI的有效途径, 然而在反演中存在输入参数不确定性大、 调参困难、 病态反演、 速度慢等问题。 模型的参数标定能够获取观测反射率及不确定性范围内的参数取值, 提供丰富准确的参数信息, 降低模型反演过程中的偏差。 为探索参数标定在玉米冠层LAI反演中的应用, 研究以Sentinel-2A卫星影像为数据源, 使用马尔可夫链蒙特卡洛方法(MCMC)对PROSAIL模型进行参数标定, 通过加入5%的观测光谱不确定性, 获取各参数在不确定性范围内的后验取值概率分布, 以优化反演过程中的参数设置, 提高LAI反演精度。 研究结果表明: （1）PROSAIL模型对可见光和近红外波段较为敏感的输入参数有LAI、 叶片叶绿素含量及结构系数, 将此三个参数作为查找表反演中的可变参数能够有效地进行LAI的反演, 反演精度的决定系数达0.7以上。 （2）MCMC方法能够对PROSAIL模型进行参数标定, 获取研究区内玉米各参数取值分布信息, 参数后验分布与实际情况接近, 表明利用MCMC方法进行参数标定可行有效。 （3）通过参数标定可以有效提高LAI的反演精度, 在降低反演偏差和异常值方面尤为明显, 参数标定优化后的反演平均偏差由原先的20%降低至8%, 同时估算精度由76%提高至90%。 研究结果表明: 利用MCMC进行PROSAIL模型参数标定, 能够提高PROSAIL模型的LAI反演精度, 降低反演偏差, 为利用PROSAIL辐射传输模型提高作物冠层参数反演精度提供借鉴。
Sentinel-2卫星 PROSAIL辐射传输模型 参数标定 LAI反演 敏感性分析 Sentinel-2 PROSAIL radiative transfer model Parameter calibration LAI retrieval Sensitivity analysis 光谱学与光谱分析
2021, 41(6): 1891
1 江苏师范大学城建与环境学部，江苏 徐州 221116
2 中国科学院遥感与数字地球研究所，北京 100094
针对高光谱图像数据难以获取的情况，提出了一种基于PROSAIL辐射 传输模型的高光谱图像模拟方法。首先，对PROSAIL模型的输入参数进行了敏感性分析。以 此为基础，针对5个典型生化参数(叶片结构参数N、叶绿素含量Cab、叶片干物质含量Cm、类 胡萝卜素含量Car和叶面积指数LAI)，基于支持向量机构建了一种基于多光谱数据的参数计算模型。其 次，根据得到的典型生化参数图，通过利用PROSAIL模型逐像元计算获得了高光谱模拟图像。 对HJ1A环境卫星的CCD1多光谱图像数据进行了实验，实现了高光谱图像数据模拟。在将等效计算后的模拟结果 与HJ1A CCD1多光谱图像数据进行对比后发现，两幅图像对应波段的 平均结构相似度都超过了95%；除了蓝光波段之外，全图的相对误差均小于10%。结果表明，本文方 法可以很好地实现基于多光谱数据的高光谱图像模拟。
图像模拟 高光谱 植被 辐射传输模型 image simulation hyperspectral vegetation radiative transfer model PROSAIL PROSAIL
1 宁夏大学西北退化生态系统恢复与重建教育部重点实验室, 宁夏 银川 750021
2 南京大学国际地球系统科学研究所, 江苏 南京 210093
基于MODIS光谱反射信息的干旱指数在农业生产实践中有广泛的应用.利用PROSAIL模型和山东2010年的观测数据,研究了植被叶面积指数和生理生长周期等结构特征对MODIS光谱干旱指数的影响.结果表明,MODIS近红外与短波红外三个波段的反射率随植被叶片含水量变化明显,由他们构建的五种MODIS光谱干旱指数能够监测植被叶片水分含量.然而,各干旱指数均受叶面积指数(LAI)的影响,在LAI较低时影响较为严重,随着LAI的增大,这一影响逐渐减弱;植被生理生长周期也会影响干旱指数的大小.因此,在使用MODIS光谱干旱指数进行区域干旱监测时,必须考虑植被结构特征,谨慎分析监测结果.研究结论将为干旱遥感监测提供理论基础.
植被结构特征 光谱干旱指数 叶片含水量 Vegetation structure MODIS MODIS Spectral drought index Leaf water content PROSAIL PROSAIL
1 中国科学院东北地理与农业生态研究所, 吉林 长春130102
2 中国科学院长春净月潭遥感实验站, 吉林 长春130102
3 吉林大学电子科学与工程学院, 吉林 长春130012
4 东北大学测绘遥感与数字矿山研究所, 辽宁 沈阳110819
植被含水量是作物长势好坏的指示因子, 利用遥感技术及时准确监测植被含水量对农业生产、 作物估产和干旱状况评价具有重要意义。 基于新一代对地观测计划Landsat 8 OLI传感器(Operational Land Imager, 陆地成像仪), 评价其植被含水量反演的能力与局限性。 首先, 利用ProSail冠层模型模拟冠层光谱反射率数据集, 分析OLI传感器的植被含水量敏感波段以及土壤背景对各波段反射率的影响, 然后利用基于Landsat OLI影像计算的植被水分指数和2013年6月1日—8月14日期间采样的植被含水量数据, 比较12种植被水分指数与地面实际采样的植被含水量的相关性, 评价估算植被含水量的最佳植被水分指数。 结果表明: OLI传感器的红、 近红外和两个短波红外对植被含水量敏感, 其中近红外波段最为敏感;在低植被覆盖度时, 土壤背景反射率的太阳辐射将达到光谱传感器影响植被水分指数与植被含水量之间的关系, 利用ProSail模拟干湿土壤背景反射率结果也表明土壤背景对植被冠层反射率的影响很大;引入优化土壤调整植被指数(OSAVI)去除土壤背景对植被水分指数的影响;在12种植被水分指数中, MSI2与植被含水量的拟合关系最好(R2=0.948), 植被含水量的平均拟合误差为0.52 kg·m-2;在植被生长晚期即植被含水量大于2 kg·m-2时, 各植被水分指数出现饱和情况, 植被含水量的估算结果不佳。
植被含水量 植被水分指数 ProSail模型 Vegetation water content Landsat 8 Landsat8 Vegetation water index ProSail model 光谱学与光谱分析
2014, 34(12): 3385
1 中国科学院大学资源与环境学院, 北京100049
2 中国水利水电科学研究院, 北京100048
植被冠层含水量广泛应用于农业、 生态和水文等研究中。 本文基于PROSAIL模型, 建立了利用Hyperion高光谱数据定量反演植被冠层含水量的模型。 首先, PROSAIL模型模拟植被冠层反射特征表明, 970 nm水吸收带右侧曲线（980～1 070 nm）一阶导数D980～1 070与冠层含水量关系密切, 决定系数达0.96。 基于此, 利用Hyperion数据的983, 993, 1 003, 1 013, 1 023, 1 033, 1 043, 1 053, 1 063 nm共9个波段计算D980～1 070, 并利用所建模型反演植被冠层含水量。 最后, 利用黑河流域盈科绿洲的实测数据对反演结果进行了验证, 其平均相对误差为12.5%, 均方根误差在0.1 kg·m-2内, 结果表明该模型可靠。 该研究可以为大范围获取植被含水量信息提供有效方法。
PROSAIL模型 一阶导数 植被冠层含水量 Hyperion Hyperion PROSAIL model First derivative Vegetation canopy water content 光谱学与光谱分析
2013, 33(10): 2833
