基于PIE的叶面积指数(LAI)和光合有效辐射率(FPAR)反演
    来源:北京航天宏图  时间:2017/09/08

    1引言

        叶面积指数(LAI)是陆面过程中的一个十分重要的结构参数,是表征植被冠层结构最基本的参量之一。它控制着植被的许多生物、物理过程,如光合、呼吸、蒸腾、碳循环和降水截获等。

        LAI反演方法总体有两类:统计模型法和理论模型法。对于统计模型法的依据是植被冠层的光谱特征。绿色植物叶片的叶绿素在光照条件下发生光合作用,强烈吸收可见光,尤其是红光。因此,红光波段反射率包含了植冠顶层叶片的大量信息。在近红外波段,植被有很高的反射率、透射率和很低的吸收率。因此,近红外反射率包含了冠层内叶片的很多信息。植被的这种光谱特征与地表其它因子的光学特性存在很大差别。


        机理模型的一个主要优势就在于其具有物理基础,不依赖于观测数据,具有普适性。但是,由于光学模型是需要通过反演来估算LAI的,而反演过程中有些函数是不收敛的,这样可能导致反演结果存在很大的不确定性,或者造成错误的反演结果;另外,由于目前计算能力的局限和模型本身的复杂性,模型反演非常耗时,对于大区域的遥感图像处理尤其不利。

        LAI和FPAR都是反映植被生长状况的重要定量参数。PIE中提供了基于神经网络的LAI和FPAR反演。在进行反演时使用ORNL提供的FLUXNET等地表观测站点位置的MODIS产品数据作为训练数据集,利用后向传播神经网络(BP神经网络)训练反演模型。本文下面将对上述反演功能的原理进行介绍,并对相关反演成果进行展示。


    2算法原理

        BP神经网络由输入层、输出层、隐含层构成,通过样本的学习和训练,调整各层直接的传递系数。在BP网络中包括信息正向传播和误差反向传播两个重复交替的过程。正向传播过程中,输入信息通过隐含层传向输出层,每层神经元的数值和权值影响下一层的神经元的数值。而反向传播过程则会对误差进行反向传播,在误差较大时,对上一次的神经元的权值进行修正,从而逐渐减小误差,使误差最小。BP神经网络通过不断的进行模拟->反馈->调整的过程,循环往复,模拟数据与参考数据不断贴合,直至满足误差允许值为止。理论上,包含一层隐含层的BP神经网络即可准确的拟合大多数函数关系。

    图 1 神经网络模型示意图


    2.1训练数据集

        选用美国航天局(NASA)下数据中心(ORNL DAAC)提供的全球通量网络及试验站点观测数据集,包括MODIS土地利用土地覆盖(LULC)、植被指数(包括NDVI、EVI及蓝、红、近红外反射率)以及叶面积指数(LAI)和光合有效辐射率(FPAR)。训练数据集对上述数据进行筛选,去除掉数据中质量较差的部分,筛选出质量较好,可以反映地表类型客观变化规律的数据。


    图 2 训练站点分布图


    2.2数据分析

        下图为同一地物类别同一日期(一年中的同一时间点,由于涉及到南北半球的问题,各站点有可能处于不同物候)的NDVI与LAI的关系。从图中可以看出,对于落叶阔叶林,LAI随NDVI变化明显,但在不同时间,其经验关系不同。而对于农田而言,在NDVI较小时,其与LAI相关性较明显,NDVI较大时,与LAI的对应关系相对较差,但仍有较明确的经验关系。由此可见,对于不同日期、不同种类、不同位置的情况下,LAI与NDVI间虽然存在一定关系,但其关系并不统一,很难总结出适用于全球范围内植被的经验关系。然而在对数据进行划分后,LAI、FPAR与NDVI间的经验关系相对简单,通过神经网络按位置、NDVI、地表类型、入射角度等输入对NDVI与LAI和FPAR间的关系进行全面模拟,从而对不同情况下的植被情况进行反映。

      
    (a 落叶阔叶林193天)      (b落叶阔叶林001天)          (a 农田193天)            (b 农田001天)
    图 3 训练数据集不同地表类型及日期下LAI随NDVI变化

    2.3BP神经网络训练

        通过对数据的分析,LAI、FPAR与植被指数的关系会随地物种类、时间、位置等客观因素而变化。BP神经网络方法具有良好的自适应性和自学习性,可以通过隐含层神经元根据训练样本自动调整输入参数与输出参数之间的关系。反演LAI和FPAR时,引入NDVI、EVI、蓝光、红光、近红外反射率以及数据采集时间和站点经纬度、地表覆盖等九个参数,参与LAI和FPAR的BP神经网络训练。通过对ORNL提供的遍布全球的1211个站点,五万余条数据的训练学习,BP神经网络可以较好的根据输入参数反演LAI和FPAR参数。

        经大量抽样检验结果显示,BP神经网络对样本数据模拟的均方根误差RMSE:LAI为0.28,FPAR为0.06。


    图 4 神经网络草地LAI模拟验证

    3反演结果

        图 5为对2010年7月19日宁夏银川附近的HJ标准假彩色合成图(左)和FPAR反演图(右)。图中信息显示,该地区植被主要分布于河流两岸的灌溉农田区域。流域西部为荒漠地带,植被分布较少。流域西部地区水资源相对丰沛,存在部分河流,植被覆盖相对较好。右图中FPAR的反演结果所揭示的规律与假彩色合成图相同,准确的反映了植被生长的空间分布情况。


    图 5银川地区HJ标准假彩色合成图及FPAR分布


        图 6为对2010年7月19日黑河中上游流域的HJ标准假彩色合成图(左)和LAI反演结果(右)。图中显示LAI小于1的低值区域主要分布在图中的戈壁荒漠和山顶的积雪区域。LAI在1至3之间的区域主要分布在张掖市周边的农田区域以及山前冲积扇上的耕地和草地区域。LAI大于3的高值区域则主要分布于南部山区的森林覆盖部分。

    图 6 黑河中上游流域HJ假彩色合成图及LAI反演结果(左图:黑河中上游流域HJ假彩色合成图(黄色五角星为叶面积指数和光合有效辐射率的验证点位置),右图:LAI反演结果)


    3.1算法验证

        为了验证算法的精度,本功能模块选取2012年6月30日至9月30日的张掖周边农田区域(38.83°N,100.39°E;见下图)共4景HJ星影像和对应时间和位置的MODIS数据进行处理。对HJ星影像进行LAI和FPAR反演,并进行降尺度和投影转换。提取相同时间空间的MODIS LAI和FPAR数据进行比较。
        
        验证结果如图 7中所示,本功能模块反演的LAI和FPAR与MODIS数据具有较好的一致性,反映了相同的植被覆盖情况变化。但是相对于MODIS数据而言,反演结果存在一定程度的高估,这可能是由于MODIS像元尺度相对HJ像元尺度较粗,像元内地物类型复杂,不如HJ像元地物纯净造成的。此外,反演数据与MODIS产品的时间分辨率也无法完全匹配,因为MODIS的LAI和FPAR产品是对其16天内数据的平滑,代表一段时间内的参数,而HJ数据只能代表其中某一天,这可能是造成验证中2012年9月2日误差较大的主要原因。时间和空间尺度的差异在验证中造成了一定的不确定性,使得验证无法完全准确的评价算法精度。


    图 7 基于HJ数据反演LAI和FPAR与MODIS数据比较