基于吉林一号光谱星影像的农作物叶面积指数反演

doi:10.11873/j.issn.1004-0323.2023.4.0816

基于吉林一号光谱星影像的农作物叶面积指数反演

杜一博^,¹^,², 朱瑞飞^,¹^,², 巩加龙¹^,², 王栋¹^,², 钟兴¹^,²

1.长光卫星技术股份有限公司，吉林长春 130000

2.吉林省卫星应用重点实验室，吉林长春 130000

Retrieval of Crop Leaf Area Index based on Jilin-1GP Image

DU Yibo^,¹^,², ZHU Ruifei^,¹^,², GONG Jialong¹^,², WANG Dong¹^,², ZHONG Xing¹^,²

1.Chang Guang Satellite Technology Company Limited，Ltd，Changchun 130000，China

2.Jilin Provincial Key Laboratory of Satellite Application，Changchun 130000，China

通讯作者: 朱瑞飞（1986-），男，山西朔州人，博士，主要从事遥感数据挖掘研究。E⁃mail：zhuruifei1105@163.com

收稿日期: 2022-09-03 修回日期: 2023-06-28

基金资助:

国家重点研发计划.  2019YFE0127000
吉林省遥感信息技术应用创新基地项目.  20180623058TC
吉林省西部典型湿地生态系统生态承载力遥感评估与应用.  20210203176SF

Received: 2022-09-03 Revised: 2023-06-28

作者简介 About authors

杜一博（1993-），男，黑龙江双鸭山人，硕士研究生，主要从事植被定量遥感研究E⁃mail:940301442@qq.com , E-mail：940301442@qq.com

摘要

吉林一号光谱星的发射提高了我国对地观测能力，并且在农业定量反演方面具有较大的潜力，为了准确、有效地反演农作物关键参数，分析吉林一号光谱星影像的反演能力具有重要意义。以内蒙古乌拉特前旗、正蓝旗、科尔沁右翼前旗的农田为研究区，基于吉林一号光谱星影像，使用优化后的PROSAIL模型和曲线匹配算法，对不同物候期内的玉米和水稻叶面积指数（LAI）进行了反演，并结合实测LAI数据进行了精度验证。结果表明：优化后的PROSAIL模型其参数范围和参数步长更适用于农作物LAI反演，在保证精度的前提下精简了查找表的容量；基于特征值的曲线匹配算法在空间分布高度一致、误差绝对值均值为0.41的情况下，计算效率平均提高了41.43 %；研究区不同物候期内的玉米和水稻LAI反演精度R²为0.72~0.9，RMSE为0.32~0.49。其中，玉米开花期精度最高（R²=0.9，RMSE=0.4），玉米成熟期精度最低（R²=0.72，RMSE=0.47）。综上所述，基于吉林一号光谱星影像反演农作物LAI具有精度高、误差小的特点，研究结果可为该数据在农作物LAI精准反演方面提供科学方法和依据。

关键词： 吉林一号光谱星 ; 农作物 ; PROSAIL模型 ; 叶面积指数

Abstract

The launch of the Jilin-1GP satellite has enhanced China’s Earth observation capabilities， and has great potential in agricultural quantitative inversion. To invert the key crop parameters accurately and effectively， it is of great significance to analyze the inversion capability of Jilin-1GP satellite images. The farmland of Urad Front Banner， Zhenglan Banner and Horqin Right Front Banner in Inner Mongolia were taken as the study area in this study， and based on the Jilin-1GP images， the optimized PROSAIL model and curve matching algorithm were used to invert the Leaf Area Index（LAI） of maize and rice in different phenological periods， and the accuracy was verified by combining the measured LAI data. Results showed that the parameter range and step size of the optimized PROSAIL model were more suitable for crop LAI inversion， and the capacity of the look-up table was reduced on the premise of ensuring the accuracy； The curve matching algorithm based on eigenvalues improved the computational efficiency by an average of 41.43% when the spatial distribution was highly consistent and the mean absolute value of the error was 0.41； The LAI inversion accuracies R² of maize and rice in different phenological periods of the study area ranged from 0.72 to 0.9， and the RMSE ranged from 0.32 to 0.49. Among them， the precision of maize in the flowering stage was the highest （R²=0.9， RMSE=0.4）， and the precision of maize in the maturity stage was the lowest （R²=0.72， RMSE=0.47）. This study showed that the crop LAI inversion based on Jilin-1GP images had the characteristics of high precision and small error. The research results can provide scientific methods and basis for the accurate inversion of crop LAI with Jilin-1GP images.

Keywords： Jilin-1GP ; Crop ; PROSAIL model ; Leaf Area Index

PDF (4802KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

杜一博, 朱瑞飞, 巩加龙, 王栋, 钟兴. 基于吉林一号光谱星影像的农作物叶面积指数反演. 遥感技术与应用[J], 2023, 38(4): 816-826 doi:10.11873/j.issn.1004-0323.2023.4.0816

DU Yibo, ZHU Ruifei, GONG Jialong, WANG Dong, ZHONG Xing. Retrieval of Crop Leaf Area Index based on Jilin-1GP Image. Remote Sensing Technology and Application[J], 2023, 38(4): 816-826 doi:10.11873/j.issn.1004-0323.2023.4.0816

1 引言

叶面积指数（Leaf Area Index， LAI）被定义为单位地表面积上所有叶片面积总和的一半^［1］，作为植被冠层重要的结构参数之一，对于描述和分析植被光合、蒸腾、呼吸、碳循环和降雨截留等生物和物理过程具有重要的作用^［2］。在农业遥感方面，LAI作为表征植被个体和群体特征的关键参数^［3］，被广泛的应用于长势监测、病害监测和产量估算等方面^［4］。因此，有效、准确的获取LAI对于农田的科学管理具有重要的意义。

目前，利用遥感数据反演植被LAI的方法大致分为3种：基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法^［5］和机器学习法。其中，经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数，如归一化植被指数（Normalized Difference Vegetation Index， NDVI）^［6］，比值植被指数（ratio vegetation index， RVI）^［7］，叶绿素吸收比指数（Modified Chlorophyll Absorption Ratio Index， MCARI）^［8］等，建立回归统计关系模型，从而对LAI进行反演。苏伟等^［9］基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型，发现基于归一化差异光谱指数（NDSI）构建的单变量模型为最优反演模型。徐晓雨等^［10］基于GF-1和Landsat 8影像，运用3种回归方法对叶面积指数进行了反演，结果表明基于地理加权回归的方法效果最好。Masayasu等^［11］基于植物结构时间序列指数（TIPS）构建了水稻LAI反演模型，结果表明TIPS可以提高水稻LAI的估算精度。经验模型法由于其简单、快速、易于操作的特点，得到了广泛使用，但拟合系数严重依赖实测数据，且受限于环境、场景和传感器等方面的影响，使其不具有普适性^［12］。而物理模型法则是改进发展于辐射传输模型，通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等，模拟不同情况下植被冠层反射率，然后和遥感影像的反射率进行匹配，通过构建的代价函数，获取LAI值^［13-14］。杨贵军等^［15］基于PROBA/CHRIS数据，利用PROSAIL模型对春小麦LAI进行了反演，结果表明实测值与误差值较小。赫晓慧等^［16］利用PROSAIL模型对2个大豆种群LAI进行了反演，结果表明反演结果总体精度较高，与实测值相关性较好。Fang等^［17］基于Landsat ETM＋数据，利用辐射传输模型使用不同波段组合估算LAI，结果表明与实测数据较为吻合。物理模型法由于物理意义明确，不受环境、作物种类的限制，因而具有较强的普适性，通常作为高精度反演植被LAI的首选方法^［18］。机器学习法是根据遥感数据和LAI的测量数据，建立输入输出数据对，通过训练得到最优的模型，从而对植被LAI进行反演^［19］。Zhu等^［20］基于前馈神经网络（FFNN），使用1981年7月至2011年12月的NDVI3g数据，生成了相应的LAI3g数据集，结果显示了满意的一致性（p < 0.001；RMEE = 0.68）。Xiao等^［21］以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据，基于广义回归神经网络（GRNNs），使用MODIS反射率产品进行LAI的反演，结果表明LAI的准确性有很大的提高。Ma等^［22］基于3种广泛使用的LAI产品（MODIS C6，GLASS V5，PROBA-V V1），使用K-Means聚类分析法和最小差异准则生成的LAI训练样本，基于4种机器学习模型对LAI进行了反演，结果表明，双向长短期记忆网络（Bi-LSTM）为最佳反演模型。相较于经验模型法和物理模型法，机器学习法由于其解析数据能力较强，训练模型较为灵活，较高的计算效率，被广泛应用于农业遥感监测中。

总体来看，已有方法主要以Sentinel-2、Landsat 8、GF-1等卫星遥感影像为数据源，使用经验模型、物理模型或机器学习算法对单一作物的LAI进行反演，而以国产高分辨率卫星吉林一号光谱星（Jilin-1GP）影像为数据源，使用物理模型对多种作物LAI进行反演的研究则未见报道。

因此，研究基于吉林一号光谱星（Jilin-1GP）多时相数据，以中国内蒙古乌拉特前旗、正蓝旗、科尔沁右翼前旗的农田为研究区域，使用优化后的PROSAIL模型对研究区域内的玉米和水稻LAI进行反演，结合野外实测LAI数据，对反演精度进行验证。在此基础上，对吉林一号光谱星（Jilin-1GP）数据反演能力进行评价，为LAI反演数据的选择提供新的思路。

2 研究区及数据

2.1　研究区概况

研究区位于中国内蒙古自治区乌拉特前旗、正蓝旗、科尔沁右翼前旗，境内为高原地貌，气候属于中温带大陆性季风气候，日照充足，积温较多，且雨水集中，雨热同期，主要种植作物有玉米、水稻、小麦、向日葵等。实测LAI区域位于乌拉特前旗的中西部区域（40°33′45″~41°11′21″N、108°24′16″~109°03′30″E），正蓝旗的中部区域（42°21′05″~42°55′39″N、115°30′3″~116°12′26″E），以及科尔沁右翼前旗的东部区域（45°50′10″~46°20′25″N、121°44′27″~122°24′19″E），具体分布如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区及样点地理位置示意图

Fig.1 The location of study area and sampling points

2.2　遥感影像数据及预处理

吉林一号光谱星于2019年1月21日发射，包括光谱01星（Jilin-1GP01）和光谱02星（Jilin-1GP02），两颗卫星搭载了多光谱成像仪、短波、中波、长波红外相机，能够获取5 m、10 m、20 m、100 m、150 m 5种分辨率共26个波段的遥感影像，影像量化位数为12 bits，幅宽达到110 km。在2021年水稻和玉米生长期内，为避免和实测LAI数据时间间隔过大导致较大误差的产生，选择时间间隔不大于6 d的吉林一号光谱星影像14幅，影像获取时间与LAI实测时间如表1所示。

表1 影像获取时间与野外测量时间

Table 1 Image acquisition time and field measurement time

地点	作物类型	影像时间	实测时间
乌拉特前旗	玉米	7月18日～7月20日、8月19日	7月15日～7月23日、8月20日～8月24日
正蓝旗	玉米	9月11日	9月9日～9月11日
科尔沁右翼前旗	玉米、水稻	9月11日、9月17日	9月13日～9月17日

新窗口打开| 下载CSV

吉林一号光谱星影像预处理过程主要分为辐射定标、大气校正、重采样和地理配准。首先，利用影像头文件中的定标系数对影像进行辐射定标处理。其次，使用ENVI5.1 FLAASH大气校正模块，通过输入相应的波谱响应函数，对影像进行大气校正处理。为了使得像元大小和实测样方大小能够匹配，本文将所使用的5 m、10 m、20 m分辨率影像统一重采样至10 m分辨率。最后，对影像进行了配准处理，使影像与实际地理位置偏移量小于1个像元。

2.3　野外实测数据及预处理

研究使用美国LI-COR公司生产的LAI-2200C植被冠层分析仪，对研究区内的玉米和水稻进行LAI实测。在农田中心区域设置5个样方，样方大小设置成边长为10 m的正方形，样方内以3 m为间隔分3行，每行10个点位进行LAI实测，由于玉米和水稻种植地块存在垄沟，为了消除其对LAI反演产生的影响，每行以波浪形式进行排列，每个样方共计测量30个点位，测量过程中使用GPS记录每个点位的经纬度坐标，样方及实测点位分布情况如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 样方及实测点位分布图

Fig.2 Distribution map of plots and measured points

每次测量时间段在10：00~14：00，选择晴朗无云的天气，利用4A方法使用90°视野帽进行LAI实测。实测数据使用官方提供的FV2200软件（www.licor.com/2200C-software）进行散射校正、删除异常值等的处理，最后转换为点矢量。由于样方与像元位置并不重合，每个像元对应的实测LAI个数实际并不一致，为了保证实测数据的有效性，计算像元范围内实测LAI值均值，作为该像元的实测LAI值。

3 研究方法

3.1　PROSAIL模型参数范围及步长优化

PROSAIL模型是由PROSPECT^［23］和SAILH^［24］模型共同耦合而成的植被辐射传输模型，其中PROSPECT模型是基于Allen平板模型发展而来的叶片光学模型，通过输入叶片结构参数（Ns）、叶绿素ab含量（Cab）、等效水厚度（Cw）等参数，模拟叶片在400~2 500 nm处的上下行辐射通量，从而得到叶片的反射率和透射率；SAILH模型发展于SAIL^［25］模型，是一个冠层二向反射率模型，通过引入热点参数（Hotspot）从而更好的对模型进行了改进，结合PROSPECT模型反演得到的叶片反射率和透射率，输入叶面积指数（LAI）、平均叶倾角（ALA）、土壤亮度（Psoil）等参数，最终得到植被冠层反射率，PROSAIL模型输入参数如表2所示。

表2 PROSAIL模型输入参数

Table 2 PROSAIL model input parameters

参数符号	参数名称	单位
Ns	叶片结构参数
Cab	叶绿素ab含量	μg/cm²
Car	类胡萝卜素含量	μg/cm²
Cbrown	褐色素含量	μg/cm²
Cw	等效水厚度	cm
Cm	干物质含量	g/cm²
LAI	叶面积指数
ALA	平均叶倾角	°
Psoil	土壤亮度参数
Hotspot	热点参数
tts	太阳天顶角	°
tto	观测天顶角	°
psi	相对方位角	°

新窗口打开| 下载CSV

PROSAIL模型通过输入一定取值间隔的参数，可以获得与LAI相对应的植被冠层反射率曲线库。使用遥感影像获得的植被冠层反射率曲线，通过代价函数遍历迭代对库进行查找，可以获得与之唯一对应的LAI值，此种方法称之为查找表法（LUT）^［26］。查找表（LUT）法可以简化复杂的反演过程，大幅提高反演效率^［27］，本文使用查找表法对研究区内植被LAI进行反演。

PROSAIL模型输入参数众多，包含叶片结构参数（Ns）、叶面积指数（LAI）、平均叶倾角（ALA）等13个参数，受客观条件制约，无法获得所有地块植被参数的具体值，因此，需要确定每个参数的覆盖范围，通过设置一定步长，来尽可能对不同情况下的植被冠层反射率进行全面模拟。依据相关研究^［28］，叶片结构参数（Ns）与叶肉内部的细胞排列有关，在1~3之间，叶片结构参数值大于2.5，代表内部结构混乱的衰老叶片，研究区内的玉米和水稻均处于生长期，因此叶片结构参数（Ns）范围设置为1~2.5；褐色素含量（Cbrown）依据经验，取值为0.2；根据王锦地等^［29］的研究，包括玉米、水稻等作物全生育周期LAI均值最大值为6.04，考虑到LAI最大值会大于均值，因此LAI范围设置为0~7.25；土壤亮度参数（Psoil）是表示土壤干燥程度的参数，其范围为0~1，分别表示了水分饱和的湿土和干土，针对地块种植的不同作物，玉米和水稻分别取经验值0.4和0.1；平均叶倾角（ALA）和热点参数（Hotspot）在实测LAI时已同步获取，其中热点参数（Hotspot）为叶尺度与冠层高之比；太阳天顶角（tts）、观测天顶角（tto）、相对方位角（psi）可通过影像头文件获取。

依据欧委会实验室和相关机构实测获取的331个叶片样本，代表了45个不同物种的叶片生化参数LOPEX 93数据库，确定了其余植被参数的范围。由于LOPEX 93数据库包含了众多物种，本文仅对其中的农作物进行了研究。其中，叶绿素ab含量（Cab）范围设置为5~85 μg/cm²；经分析发现，类胡萝卜素含量（Car）与叶绿素ab含量（Cab）有较强的线性关系，其散点图如图3所示，因此类胡萝卜素含量（Car）用叶绿素ab含量（Cab）通过拟合公式来代替；等效水厚度（Cw）范围设置为0.001~0.051 cm；干物质含量（Cm）范围设置为0.001~0.021 g/cm²。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 类胡萝卜素与叶绿素ab含量关系

Fig.3 Relationship between carotenoids and chlorophyII ab content

在参数范围确定的情况下，参数步长的大小决定了查找表的精细程度和容量大小，因此对各个参数进行敏感性分析来确定适宜的参数步长。敏感性分析是通过定性或定量的分析参数变化对结果产生的影响程度，来评价结果对参数变化的敏感程度，对于模型的参数优化、构建优化、结构优化等方面具有重要的研究意义^［30］。敏感性分析一般分为局部敏感性分析和全局敏感性分析^［31］，其中，局部敏感性分析是分析单个参数变化对于结果的影响程度，具有方便、快捷、易操作的特点，因此本文使用局部敏感性分析来确定各个参数步长的大小，分析结果如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 PROSAIL模型参数敏感性分析

Fig.4 Sensitivity analysis of PROSAIL model parameters

由图4可知，随着叶片结构参数（Ns）以0.4为步长逐渐增大，植被冠层反射率曲线在400~2 500 nm处有着较为明显的变化，表明其在全局范围内均有较为敏感的影响，因此将步长设置为0.1；叶绿素ab含量（Cab）在以20为步长逐渐增大时，植被冠层反射率曲线仅在500~700 nm处有着较为明显的变化，考虑其参数范围较大，依旧将步长设置为20；等效水厚度（Cw）在以0.01为步长逐渐增大时，植被冠层反射率曲线在400~800 nm处几乎无变化，在800~2 500 nm处变化较为明显，因此将步长设置为0.025；干物质含量（Cm）在以0.01为步长逐渐增大时，植被冠层反射率曲线在400~700 nm处几乎无变化，而在700~2 500 nm处变化极为明显，因此将步长设置为0.005；LAI在以1为步长逐渐增大时，植被冠层反射率曲线在全局均有较为明显的变化，且在700~1 300 nm处变化极为明显，因此将步长设置为0.29。至此，PROSAIL模型的参数范围和步长已全部优化完成，如表3所示。

表3 PROSAIL模型输入参数范围及步长

Table 3 PROSAIL model input parameter range and step size

参数符号	参数名称	参数值或范围	参数步长	单位
Ns	叶片结构参数	1~2.5	0.1
Cab	叶绿素ab含量	5~85	20	μg/cm²
Car	类胡萝卜素含量	由拟合公式代替		μg/cm²
Cbrown	褐色素含量	0.2
Cw	等效水厚度	0.001~0.051	0.025	cm
Cm	干物质含量	0.001~0.021	0.005	g/cm²
LAI	叶面积指数	0~7.25	0.29
ALA	平均叶倾角	实测获取		°
Psoil	土壤亮度参数	玉米0.4、水稻0.1
Hotspot	热点参数	实测获取
tts	太阳天顶角	影像头文件获取		°
tto	观测天顶角	影像头文件获取		°
psi	相对方位角	影像头文件获取		°

新窗口打开| 下载CSV

3.2　曲线匹配算法优化

由敏感性分析可知，随着各参数值的变化，植被冠层反射率曲线在500~1 000 nm处有着明显的变化，结合吉林一号光谱星影像各波段的中心波长大部分集中于此范围，因此选用500~1 000 nm处的植被冠层反射率曲线进行匹配。

最优的曲线匹配方法即为点对点匹配，此方法精度高、误差小，但面对遥感影像中巨量的像元个数，则会产生计算量大，效率低的问题，无法应用到实际反演中。为了提高计算效率，缩短匹配时间，需要对曲线匹配算法进行改进。

最理想的情况是将一条曲线用1个特征值进行表示，则曲线的匹配就转换为特征值的匹配，差值最小的2个特征值所代表的曲线即为最匹配曲线。但在实际操作中，无论对反射率曲线中各个波段反射率值进行怎样的组合计算，其反演结果与实测值均有极为巨大的差异，且反演结果影像目视解译效果几乎为整幅的斑点噪声影像。通过不断的迭代对比分析，最终发现，当特征值数量为反射率曲线中波段数量的一半时，特征值匹配与点对点匹配反演结果几乎无差异，并且目视解译效果与实际分布几乎一致。本文中吉林一号光谱星影像在500~1 000 nm处所选波段为8个，因此特征值的数量应为4个，且特征值的构建方式为两个波段反射率差值与和的比值。由上述局部敏感性分析可知，一些参数在某个波段范围内几乎无变化，因此，在构建特征值时，应注意此问题，避免特征值的分子为0的情况发生。

为此，结合敏感性分析提出了基于特征值的曲线匹配方法，该方法可以大幅提升计算效率，缩短匹配时间，特征值计算方法如公式（1）~（4）所示：

T_{1} = \frac{B a n d 842 - B a n d 562}{B a n d 842 + B a n d 562}

(1)

T_{2} = \frac{B a n d 865 - B a n d 665}{B a n d 865 + B a n d 665}

(2)

T_{3} = \frac{B a n d 783 - B a n d 708}{B a n d 783 + B a n d 708}

(3)

T_{4} = \frac{B a n d 945 - B a n d 740}{B a n d 945 + B a n d 740}

(4)

其中： $B a n d 562$ 、 $B a n d 665$ 、 $B a n d 708$ 、 $B a n d 740$ 、 $B a n d 783$ 、 $B a n d 842$ 、 $B a n d 865$ 、 $B a n d 945$ 分别为影像相应中心波长处的植被冠层反射率值； $T_{1}$ 、 $T_{2}$ 、 $T_{3}$ 、 $T_{4}$ 分别为计算得到的特征值。

基于优化好的参数范围和步长，对运行PROSAIL模型所得到的曲线库利用卫星光谱响应函数进行归一化处理。分别计算影像和曲线库的特征值并进行匹配，方法如公式（5）所示，误差绝对值之和最小的曲线所对应的LAI值，即为反演得到的LAI值。

S u m_{T} = \sum |T_{i_{i m a g e}} - T_{i_{L U T}}|, i = 1,2, 3,4

(5)

其中： $S u m_{T}$ 为特征值差值绝对值之和； $T_{i_{i m a g e}}$ 和 $T_{i_{L U T}}$ 分别为影像和曲线库的特征值。

4 结果与分析

4.1　曲线匹配算法优化效果分析

为了对比分析曲线匹配算法优化前后的效果，并使结果具有代表性，分别选取了乌拉特前旗、正蓝旗、科尔沁右翼前旗不同大小的局部区域进行了LAI反演，并对反演结果从空间分布一致性、反演结果差异性、效率提升大小、精度变化大小、目视解译效果这五个方面进行评价，反演结果及差值占比绝对值影像如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 匹配算法优化前后反演结果及差值占比绝对值影像

Fig.5 Images of inversion results and absolute difference ratio before and after matching algorithm optimization

由图5可知，3个区域曲线匹配算法优化前后的反演结果空间分布高度一致，对于植被和非植被区域有着较好的区分效果，但优化前反演结果存在少量噪声，且对于田间道路的区分相对模糊，而优化后的反演结果更加平滑，噪声大幅减少，田间道路区分更为明显，反演效果更加理想；对3个区域优化前后的反演结果进行差值及差值占比统计，其差值绝对值均值分别为0.51、0.32、0.4，平均为0.41。差值占比绝对值均值分别为10.03%、6.21%、7.82%，平均为8.02%。结果表明优化前后的反演结果差异性较小；3个区域影像像元的行列数分别为409 × 387、667×528、454×561，其反演时间分别由448 s、951 s、752 s缩短至266 s、555 s、436 s，效率分别提升了40.63%、41.64%、42.02%，平均效率提升了41.43%，表明优化后的匹配算法可以大幅提升匹配效率，缩短计算时间；在优化前后精度变化大小方面，3个区域反演结果R²分别由0.75、0.72、0.72变为0.77、0.70、0.73；RMSE分别由0.49、0.43、0.42变为0.43、0.44、0.4。结果表明曲线匹配算法在优化前后的精度变化上差异不大；在目视解译效果上，3个区域优化前反演结果的大小符合地物种类及其分布情况，但对处于农田中的小路区分不够明显，而优化后的反演结果不仅符合实际情况，对于田间道路等非植被区域可以更好的区分，目视解译效果更加优异，这在乌拉特前旗局部区域反演结果上体现的尤为明显。

优化后的反演结果减少了噪声并提升了目视解译效果，其原因可能在于卫星成像过程中受各种影响存在一定畸变和失真，反映在影像像元值上会导致其偏大或偏小，进而影响到曲线点对点匹配的精度，使得反演结果产生了噪声并降低了目视解译效果，而特征值通过计算两个波段反射率差值与和的比值，弱化了畸变和失真产生的影响，并对反演结果起到了平滑作用，从而减少了噪声的产生，同时，优化前后反演结果的差异性一部分也来源于噪声的减少。

上述分析结果表明，曲线匹配优化算法在反演结果空间分布高度一致、差异性较小的情况下，有着更高的匹配效率和更好的目视解译效果，且不受区域位置和影像大小的影响，表明提出的优化方法具有可行性和有效性，可以用于植被LAI的反演。

4.2　LAI反演精度分析

为了验证吉林一号光谱星影像基于优化后的PROSAIL模型和曲线匹配算法反演植被LAI的精度，分别对乌拉特前旗、正蓝旗、科尔沁右翼前旗处于不同物候期的玉米和水稻进行了LAI反演，并利用实测数据对反演结果进行了验证，最后采用决定系数（R²）和均方根误差（RMSE）作为精度评价指标对反演结果进行评价。

2021年7月和8月分别对乌拉特前旗研究区域内的玉米进行了多次LAI实测，此时玉米分别处于开花期和灌浆期，不同物候期及其总体LAI反演精度如图6所示。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 乌拉特前旗玉米LAI反演精度

Fig.6 Inversion accuracy of maize LAI in Urad Front Banner

经异常值等的剔除，开花期实测点位376个，分布于36个像元中，LAI反演结果决定系数R²为0.9，均方根误差RMSE为0.4；灌浆期实测点位394个，分布于41个像元中，LAI反演结果决定系数R²为0.75，均方根误差RMSE为0.49；将两个物候期的数据进行整体分析，共有770个实测数据分布于77个像元中，其LAI反演结果决定系数R²为0.83，均方根误差RMSE为0.45。由上述结果可知，玉米开花期相较于灌浆期LAI反演结果更加优异，但玉米灌浆期LAI反演结果仍然具有较高的精度和较小的误差，且整体反演值与实测值吻合良好。

2021年9月对正蓝旗研究区域内的玉米进行了多次LAI实测，此时玉米处于灌浆期，LAI反演精度如图7所示。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 正蓝旗玉米LAI反演精度

Fig.7 Inversion accuracy of maize LAI in Zhenglan Banner

经异常值等的剔除，实测点位150个，分布于12个像元中，LAI反演结果决定系数R²为0.72，均方根误差RMSE为0.45，反演结果依旧保持较高的精度，较小的误差，且和乌拉特前旗同时期玉米LAI反演精度较为一致。

2021年9月对科尔沁右翼前旗研究区域内的玉米和水稻进行了多次LAI实测，此时玉米和水稻均处于成熟期，LAI反演精度如图8所示。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 科尔沁右翼前旗玉米和水稻LAI反演精度

Fig.8 Inversion accuracy of maize and rice LAI in Horqin Right Front Banner

经异常值等的剔除，玉米实测点位790个，分布于46个像元中，LAI反演结果决定系数R²为0.72，均方根误差RMSE为0.47；水稻实测点位216个，分布于13个像元中，LAI反演结果决定系数R²为0.89，均方根误差RMSE为0.32。由上述结果可知，成熟期水稻相较同时期玉米LAI反演结果更加优异，且玉米LAI反演精度和前两个区域灌浆期玉米LAI反演精度较为一致。

总体来看，基于吉林一号光谱星影像，使用本文提出的优化方法对玉米和水稻LAI进行反演，在不同区域、不同物候期内R²保持在0.72~0.9之间，RMSE保持在0.32~0.49之间。其中，玉米开花期和水稻成熟期LAI反演精度较为一致，玉米灌浆期和成熟期LAI反演精度较为一致。上述分析结果表明，吉林一号光谱星影像在植被LAI反演方面具有精度高，误差小的特点，可以满足高精度反演植被LAI的需求，为高精度反演植被LAI数据的选择提供了新的方向。

5 讨论与展望

基于吉林一号光谱星影像，通过优化PROSAIL模型的参数范围和参数步长，结合构建的特征值匹配算法，对处于不同生育期，不同区域的玉米和水稻LAI进行了反演，得到如下结果并对后续进行了展望：

（1）优化后的PROSAIL模型其参数范围和参数步长更加适用于农作物LAI反演，且在保证精度的前提下精简了查找表的容量，变相提高了计算效率。但褐色素含量（Cbrown）和土壤亮度参数（Psoil）随着物候期的变化和作物种类的不同而各不相同，取经验固定值会一定程度影响植被冠层反射率值的准确性，进而影响植被LAI反演结果的精度和误差大小。为了提高植被LAI反演的准确性，后续研究将考虑通过对褐色素含量（Cbrown）设置参数范围和参数步长，并对土壤湿度比例进行反演来确定土壤亮度参数（Psoil）值，使得构建的查找表更加客观真实。

（2）构建的特征值曲线匹配算法虽然大幅度提高了计算效率，但优化前后的结果仍然存在较小的差异性，降低了LAI反演的精度。为了提高植被LAI反演的准确性，后续研究将考虑对曲线匹配算法优化前后误差的大小进行量化分析，并对反演结果进行相应的补偿。

（3）参数步长的优化仅使用了局部敏感性分析法，此方法仅是分析单个参数的变化对模型结果的影响程度，但忽略了参数之间的相互耦合作用对模型结果产生的影响，因此会弱化某些关键参数的作用。为了更合理的设置参数的步长，分析每个参数以及参数之间相互作用对模型结果产生的影响，后续研究将联合使用局部敏感性分析和全局敏感性分析设置更加合理的参数步长。

（4）优化后PROSAIL模型和特征值匹配算法的有效性仅在吉林一号光谱星影像上得到了验证，鉴于不同卫星影像之间存在差异性，其结果也可能存在较大的不同。为了验证优化方法的普适性，后续研究将会同步应用于不同卫星影像，并对比分析不同卫星影像使用优化方法前后的精度、误差变化大小。

（5）为了验证吉林一号光谱星影像反演其他作物LAI精度的大小，后续研究将对小麦、高粱等作物全生育周期LAI进行反演，并进行精度的评价。同时，分析作物不同物候期LAI大小及其变化趋势，对于作物物候期和长势状况监测同样具有研究价值。

6 结论

优化后的PROSAIL模型其参数范围和参数步长更适用于农作物LAI反演，在保证精度的前提下精简了查找表容量；基于特征值的曲线匹配算法在空间分布高度一致、差异性较小的情况下，有着更高的匹配效率和更好的目视解译效果，且不受区域位置和影像大小的影响；吉林一号光谱星影像基于优化后的PROSAIL模型和曲线匹配算法反演作物LAI具有精度高，误差小的特点，研究结果可为作物LAI精准反演提供科学方法和依据。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

DUAN

S B

， LI

Z L

， WU

，et al.

Inversion of the PROSAIL model to estimate Leaf Area Index of maize， potato， and sunflower fields from unmanned aerial vehicle hyperspectral data

［J］. International Journal of Applied Earth Observations and Geoinformation，2014，26：12-20.