植被叶面积指数与叶片聚集度系数遥感反演方法研究

【摘要】：叶面积指数(Leaf Area Index, LAI)表征了单位地表面积的叶子总量,它是陆地表层生态系统最重要的植被结构参数之一,显著影响地表与大气间的能量和物质交换,是水文、生态、生物地球化学和气候等模型所需的关键参数。随着遥感技术的发展,遥感反演成为获取大区域LAI的行之有效的方法。但是基于冠层孔隙率模型的光学仪器测量或传统的LAI遥感反演方法,通常假定叶片在空间是随机分布的,只能获取有效叶面积指数(effective LAI,LAIe)。植被叶片聚集度系数(Foliage Clumping Index)作为另一个重要的植被结构参数,表征了冠层叶片的空间分布集聚特征,它可以将LAIe转化为真实LAI,同时还可以区分冠层“光照叶”和“阴叶”,从而改进各种地表过程模型。但是由于遥感资料的限制,基于多角度遥感的聚集度系数反演理论与技术还处于探索阶段。虽然少数的国外研究已开始用POLDER (Polarization and Directionality of Earth Reflectance)多角度遥感资料提取聚集度系数,但其6 km的空间分辨率不能满足LAI反演和生态系统模型的实际需要。由于目前还没有更高分辨率(小于1 km)的实用性的区域或全球聚集度系数产品,大多数地表过程模型仅考虑聚集度系数随植被类型的变化,而没有考虑它的时空变化,因此增加了模拟结果的不确定性,制约了LAI和模型模拟精度的提高。因此发展更高分辨率(小于1 km)叶片聚集度系数的遥感反演理论与技术,对于全球变化研究是非常现实和迫切的要求。 本研究基于4尺度几何光学模型和多源多角度遥感数据,发展了利用16天合成的500 m分辨率的MODIS (Moderate Resolution Imaging Spectroradiometer) BRDF (Bidirectional Reflectance Distribution Function)模型参数产品(MCD43A1)提取植被聚集度系数的理论与方法,首次生产了我国2003-2008年500 m分辨率的聚集度系数时空变化分布图。利用MODIS地表反射率数据(MOD09A1),考虑聚集度系数,采用物理模型反演生成了我国2003-2008年每隔8天的500 m分辨率的真实LAI产品。在多个代表性的区域对LAI和聚集度系数进行实地采样,并利用本研究发展的具有减小地表背景和地形影响的湿度调节植被指数(Moisture Adjusted Vegetation Index, MAVI)反演研究区的LAI地面参考图,验证了本研究生产的聚集度系数和LAI产品具有较为满意的反演精度。该研究成果对于提高我国LAI产品质量和生态系统模型结果的可靠性具有重要的科学意义。 本文的主要研究内容和相关结论叙述如下： (1)评估和改进了Ross-Li核驱动BRDF模型 利用地物的特征散射角(如热点,暗点)的反射率构建各向异性角度指数是多角度遥感反演聚集度系数的常用方法。聚集度系数反演的可靠性依赖于热点和暗点反射率的模拟精度。本文首先用全球分布的地表覆盖均一的POLDER-3/PARASOL BRDF数据评估了MCD43A1产品及其所采用的RossThick-LiSparseR核驱动BRDF模型(Ross-Li模型)的二向反射拟合能力。结果表明,Ross-Li模型总体上可以有效地模拟地物的二向反射,714652个不同观测角度的近红外反射率模拟值与POLDER观测数据之间的R2达到0.943,RMSE (Root Mean Square Error)为0.016(模拟的反射率的]RMSE为森林灌木农地草地裸地)。对于农田与草地而言,Ross-Li模型的模拟精度随NDVI (Normalized Difference Vegetation Index)的增加而降低；但在森林与灌木覆盖条件下,当NDVI约为0.5时,Ross-Li模型的模拟效果最差。Ross-Li模型模拟精度随太阳天顶角和观测天顶角的增大而降低,对天底、暗点等特征方向反射率的模拟较为准确。但是Ross-Li模型明显低估了热点反射率,模拟结果比POLDER数据平均偏低了14%,模拟值的R2为0.824,RMSE为0.07。对热点反射率模拟的误差与地表覆盖类型有关,针叶林的热点反射率模拟值偏低18.6%,RMSE为0.083；阔叶林的热点反射率模拟值偏低16%,RMSE为0.076；草地与农田的热点反射率模拟值偏低约15%,RMSE分别为0.07和0.068；灌木与裸地的热点反射率模拟值偏低11%和13%,RMSE分别为0.065和0.048。通过修改Ross-Li模型的体散射核与几何光学核,本文发展了改进型的Ross-Li模型(Ross-Li-H模型)实现了热点反射率的订正。验证结果表明Ross-Li-H模型不但显著改进了热点反射率模拟(R2=0.87, RMSE=0.04),而且在其他观测角度具有与原来的Ross-Li模型相同的二向反射模拟能力。 (2)发展了基于MODIS BRDF模型参数产品的聚集度系数反演方法 采用Ross-Li-H模型和MCD43A1产品数据模拟了热点和暗点反射率,用于计算规一化的热点与暗点反射率差值指数(Normalized Difference between Hotspot and Darkspot, NDHD)。根据4尺度几何光学模型模拟的NDHD与聚集度系数的关系,反演了2003-2008年每隔8天的500 m空间分辨率的全国植被叶片聚集度系数产品,并利用90 m分辨率的数字高程模型(Digital Elevation Model, DEM)对聚集度系数产品进行地形影响订正。在此基础上分析了全国2003-2008年聚集度系数季节变化规律,结果表明大多数植被的聚集度系数在4月和8月呈现相对的高值,在6—7月呈现相对的低值,但是落叶针叶林的聚集度系数在整个生长季的变化都很小。聚集度系数空间分布模式与地表植被覆盖类型密切相关,平均而言,针叶林具有最小聚集度系数(叶片分布最聚集)；其次是阔叶林、灌木；农田和草地的聚集度系数最大(叶片分布接近随机)。利用全国5个典型研究区的森林和灌木聚集度系数的实测数据,验证了该方法提取的聚集度系数具有较高的反演精度(R2=0.61, RMSE=0.08)。本研究发展的聚集度系数反演方法解决了目前可用于区域聚集度系数反演的多角度遥感数据源缺乏的困境,实现了利用易于获取的MODIS资料,进行区域或全球尺度的较高空间分辨率(500 m)的定期(8天)的叶片聚集度系数遥感反演,可以满足各种地表进程模型的实际需求。 (3)发展了用于改进LAI反演的湿度调节植被指数 短波红外(1.5—1.75μm)对于冠层叶片水分变化十分敏感,而叶片水分总量与LAI呈线性相关,因此短波红外反射率可以作为表征植被密度变化的一个指示因子。本研究利用短波红外反射率替代土壤调节植被指数(Soil Adjusted Vegetation Index, SAVI)中土壤调节因子,构造了一个新的湿度调节植被指数(MAVI)。MAVI具有自我调节的土壤因子可以有效地减小土壤背景的影响,避免了SAVI应用时需要植被密度先验知识的难题。通过2个森林和2个草地研究区的LAI实测数据和基于Landast-5 TM数据计算的植被指数之间的回归分析表明：相对于常用的两波段植被指数如NDVI、SAVI, OSAVI(Optimized Soil Adjusted Vegetation Index), MSAVI (Modified Soil Adjusted Vegetation Index)和三波段植被指数如MNDVI (Modified Normalized Difference Vegetation Index)和RSR (Reduced Simple Ratio), MAVI对LAI的变化更为敏感,表现出更强更稳定的相关关系。基于4尺度几何光学模型的模拟数据验证表明MAVI与RSR都能够减小地表覆盖背景的影响,提高森林冠层LAI的反演精度,但MAVI避免了RSR计算中需要确定最大与最小短波红外反射率的困难。另外,MAVI是一个波段比值型指数,可以有效地消除部分噪声对LAI反演的影响,如地形影响、大气影响、辐射定标误差和遥感角度变化等影响。 (4)评估了地形对植被指数的影响 统计LAI反演模型通常利用植被指数来反演LAI,但是植被指数容易受到大气、地形、地表背景等多种干扰因素的影响。我国是一个多山区的国家,地形对我国植被LAI反演精度不可忽略。因此有必要评估地形对不同植被指数的影响,以便选择合适的植被指数反演区域LAI。本研究利用帽儿山地区的Landsat5 TM数据、30 m DEM数据和森林调查数据评估地形对不同植被指数的影响。结果表明,非比值型植被指数如RSR、MNDVI等受地形影响非常强烈,导致阳坡的植被指数被低估,阴坡的植被指数被相对高估,并且随坡度的增加,地形影响迅速增加。因此,即使在坡度较小的地区应用非比值植被指数时,也需要做地形订正。相反,比值型植被指数如NDVI、SR (Simple Ratio). MAVI等可以很大程度消除了地形影响,但在坡度大于20度时,其地形影响仍然不能被忽略。同是比值型的SR比NDVI、MAVI对地形变化更为敏感,这是因为更多的天空散射光使可见光受地形影响相对小于红外和短波红外波段。与简单的余弦地形校正方法相比较,C校正方法具有更优的地形校正效果,特别在坡度较大的地区其效果更为明显。 (5)反演并验证了基于MODIS的真实LAI产品 利用MODIS地表反射率数据(MOD09A1)和反演的聚集度系数,采用Deng等发展的物理模型和Chen等发展的平滑技术反演生成了我国2003-2008年每隔8天的500 m分辨率的真实LAI产品(MOD_NJU LAI),并分析了我国LAI的时空变化特征。结果表明7月份全国LAI平均值达到最大,其中森林的LAI平均值大于6,灌木的LAI平均值为2.45,农田和草地的LAI平均值为1.5和1.0。我国有效LAI和真实LAI的空间分布变化特征大体相似,真实LAI通常大于有效LAI,但是森林的两者差值最大(3),农田和草地的两者差值最小。 科学、严格的真实性检验是遥感产品生成链中极其重要的一个环节,是改进遥感反演模型、提高遥感产品精度和数据使用可靠性的重要保证。本研究利用2个森林和2个草地研究区的LAI野外观测数据并结合Landsat TM数据,采用新发展的MAVI植被指数反演研究区LAI,有效地减小地表背景和地形的影响,获取相对“真值”的TM LAI地面参考图,并将其升尺度到500 m分辨率,选择其中由森林或草地覆盖的“纯像元”验证模型反演的MOD_NJU LAI,同时还进行了MOD_NJU LAI与MODIS LAI产品(MOD15A2)的相互比较。验证结果表明每个研究区的3类LAI的空间分布模式基本一致,但是MOD_NJU LAI与TM LAI的相关性明显高于MOD15A2 LAI与TM LAI的相关性。MOD NJU LAI在2个森林研究区的平均反演精度达到73.5%,但是该算法相对低估了2个草地研究区的LAI。因此将来需要进一步改进LAI反演算法,并在更多的区域和不同的地表覆盖类型进行更广泛的验证工作。