作物LAI的遥感尺度效应与误差分析.doc

作物LAI的遥感尺度效应与误差分析 朱小华、冯晓明、赵英时、宋小宁（中科院遥感应用研究所，北京，100101；中科院研究生院，北京，100049；中科院生态环境研究中心，北京，100085）摘要：叶面积指数（LAI）是表征生长状况的重要物理参数。由于地表结构的空间异质性和模型反演的非线性，反演LAI存在一定的，即LAI遥感反演存在尺度效应问题。本文以黑河中游盈科绿洲为研究区，利用Hyperion高光谱数据，采用双层冠层反射率模型迭代运算反演LAI通过LAI的均值化LAImean）以及Hyperion数据反射率线性累加反演LAILAIp），定量分析LAI反演的尺度效应关键词：Hyperion叶面积指数尺度效应，反演，误差纠正 引 言叶面积指数（Leaf Area Index，LAI）是表征作物生长状况的重要物理参数，近年来通过遥感技术反演LAI的尺度效应问题日益受到重视。Tian等（2002，2003）曾分别对MODIS的LAI产品进行了多尺度分析和验证，并进行了采样方案的设计，他们指出，随着尺度的增加，当一个植被类型中混入大量其他植被类型时，会产生较大的反演误差。Garrigues等（2006）利用NDVI，R，NIR建立了基于单变量和双变量的半经验模型，分析了LAI反演的尺度效应问题并进行了多分辨率反演结果的纠正研究。姚延娟等（2007）对异质性地表的LAI反演进行了不确定性分析指出，不同组分形成的混合像元对LAI的反演结果影响很大。张万昌等（2008）利用ETM数据对不同分辨率反演LAI中的尺度效应问题进行了定量分析，提出了一种基于NDVI像元分解的升尺度转换方法。徐希孺等（2009）在作物冠层反射率模型的基础上，讨论了LAI尺度效应的产生机制，利用数值模拟方法建立了不同尺度之间的LAI转换公式。所有这些文献都指出地表植被分布的不均一会带来尺度效应，即不同分辨率的遥感影像反演LAI存在一定的差异。 本文以黑河中游盈科地区为研究区，利用Hyperion高光谱数据，采用双层冠层反射率模型反演LAI；通过Hyperion数据反射率线性累加来获取不同分辨率的遥感影像，研究分析LAI反演的尺度效应问题，并进行了误差纠正，较成功地实现了LAI的校正。研究区与数据 .1 研究区概况 黑河流域发源于青海省祁连县，位于祁连山和河西走廊的中断，北部与蒙古接壤，东部与武威盆地相连，西部与疏勒流域毗邻，是我国西北地区第二大内陆河流域，流域面积约142900km2。受中高纬度的西风带环流控制和极地冷气团影响，年平均降雨量稀少，加上人类活动的影响，黑河流域植被覆盖不均一、季节变化大。本研究区主要集中于黑河中游盈科绿洲区，主要类型为小麦、玉米等（图1）。  图1 研究区示意图2.2 数据预处理 .2.1 数据介绍 研究区的遥感数据为黑河盈科绿洲2008年7月15日的Hyperion高光谱数据。Hyperion是美国NASA于2000年11月21日发射升空的EO-1地球观测卫星上搭载的3种传感器之一，是以推扫方式获取可见光-近红外和短波红外光谱数据，共242个波长、空间分辨率30m。相应的地面数据为2008年6盈科绿洲样地的实测数据。地面实测LAI数据主要通过LAI-2000、LAI-3000仪器和人工测定两种方式同时获取，即采用人工直接测量样本叶片长度和宽度，结合仪器测量LAI结果求算各类作物的叶面积指数校正系数，再利用各校正系数乘以相应作物的叶长宽，得到各类作物的叶面积指数。 .2.2 数据预处理 本研究直接采用ENVI中的大气校正模块FLAASH对Hyperion数据进行了大气校正，将表观反射率转换为地表地物反射率。利用同区域的已经做过几何精纠正的ETM数据，通过图像对图像的配准方法对Hyperion数据进行几何纠正，纠正时各控制点的RMS控制在0.5个元以内，RMSerr误差值为0.28，图像经几何纠正后的投影为UTM投影。 由于高光谱遥感数据波长间隔小，波段之间存在大量的信息冗余，本研究在分析了研究区特点后，按标准差尽可能大、相关性系数尽可能小的原则，对Hyperion波段数据进行了最佳波段选择罗音，。具体过程如下：1）去掉标准差小，即信息量较少的波段；2）把可见光（蓝、绿、红）、近红外、短波红外分为五组，每组按信息量排列选择7个标准差较大的波段；3）各组依次进行相关性分析，每组选取2、3个相互之间相关性较小的波段。最后选取14个波段如下： 表1最佳波段选择结果Optimal bands selection 序号 Hyperion原始波段 波长（nm） 1 14 487.87 2 18 528.57 3 21 559.09 4 23 579.45 5 26 609.97 6 34 691.37 7 37 721.9