下载文档原格式
第二章光学遥感与热红外遥感模型2.3 植被冠层反射模型2.3.5 光学图像的大气影响订正（大气纠正）遥感模型描述地表参量和地表反射率之间的关系，从遥感传感器接收的大气层顶的辐射亮度（表观反射率）中得到地表反射率，需要对大气影响的订正。
大气纠正包括：大气参数估计，地表反射率的反演。
假定地表像元为朗伯体表面，已知大气参数，可以从星下点成像的光学遥感数据反演地表反射率。
大气效应包括分子和气溶胶的散射和气体的吸收。
对分子散射和气体吸收的纠正比较容易，因其浓度在时间和空间上都比较稳定。
困难的是从图像上直接估算气溶胶和水汽的空间分布。
大气对太阳入射的衰减(据(Vermote, 2000)2.3 植被冠层反射模型2.3.5 光学图像的大气影响订正（大气纠正）光学图像的大气纠正方法：－大气参数估计－分子和气溶胶散射－水汽、气溶胶、臭氧、氧气等气体吸收－地表反射率反演－查找表法－从图像本身估计大气参数2.3 植被冠层反射模型2.3.5 光学图像的大气影响订正（大气纠正）1. 单视角（天顶观测）图像的纠正方法－基于辐射传输模型模拟方法－基于“不变地物”的方法－直方图匹配法－暗目标法－对比度降低法－类型匹配法2.3.5 光学影像的大气纠正1. 单视角图像的纠正方法基于“不变地物”的方法：假设一幅图像中有些像元的地面反射率在时间序列上是很稳定的，其遥感的表观反射率的差异主要反映大气条件的变化。
基于这些“不变”像元表观反射率，建立起不同时间图像像元与地表反射率的线性关系，可用来消除由于大气干扰所造成的差异，估算同幅不同时相图像的地表反射率。
要求：有与遥感成像同步的地表反射率测量，获得不同亮度（黑－灰－白）的像元反射率波谱。
2.3.5 光学影像的大气纠正1. 单视角图像的纠正方法直方图匹配法：假设清晰和模糊区域的地表反射率直方图是相同的。
先在一幅图像上辨认出清晰和模糊的区域，然后匹配模糊小区域和清晰区域的反射率直方图，以此确定模糊小区域的大气能见度。
植被叶片及冠层层次含水量估算模型的建立应用生态2005年7月第16卷第7期CHINESEJOURNAL0FAPPLIEDECOLOGY,Ju1.2005,16(7):1218～1223植被叶片及冠层层次含水量估算模型的建立沈艳L一牛铮颜春燕*(南京信息工程大学气象学院,南京210044;中国科学院遥感应用研究所遥感科学国家重点实验室,北京100101)1引言【摘要】利用LOPEX’93数据库中67个鲜叶片含水量(cw)和光谱反射率实测数据,基于光谱指数法,在叶片层次,用47个随机样本建立Cw与不同光谱指数的统计模型,并用另外20个样本验证.结果表明,Cw的两种表征形式相对含水量FMC和等价水深EwT在提取叶片Cw时差异较大.EwT与各光谱指数的相关性较FMC高,但FMC对叶片Cw的反演精度高于EwT.而反演精度更高的是基于最优子集回归建立的光谱指数线性模型.Ratio9,是叶片层次提取Cw的普适光谱指数.冠层层次,利用PROSPECT+SAILH耦合模型,模拟在不同叶面积指数LAI和Cw下的冠层光谱.为了剔除背景影响.更好地提取冠层Cw,提出用近红外和短波红外波段反射率构造土壤可调节水分指数(SAWI),该指数与其他光谱指数的比值能明显地剔除土壤背景影响,更准确地提取冠层Cw.Ratio9,的改进型光谱指数(Ratio975—0.96)/(SAWI+0.2)能用来提取叶面积指数LAI从0.3到8.0,Cw从0.0001cm 到0.07cm的冠层Cw,研究表明精度较高.关键词光谱指数法含水量土壤可调节水分指数文章编号1001—9332(2005)07—1218—06中图分类号TP79;Q945文献标识码A Estimationmodelsforvegetationwatercontentatbothleafandcanopylevels.S HENY anl一,NIUZheng2,Y ANChunyan2(CollegeofMeteorology,NanjingUniversityofInformationS cience&Technology,Naing210044,China;StateKeyLaboratoryofRemoteSensingScience,InstituteofR emoteSensingApplications,ChineseAcademyofSciences,Beijing100101,China).一Chin.J.App1.Eco1.,2005,16(7):1218～1223.Basedonspectralindicesmethod,thispaperutil~edthewatercontent(Cw)andr eflectancedataof67freshdif—ferenttypeleavesfromLOPE X’93databasetoestablishthestatisticalmodelbet weenleafCwandspectralin—dicesatleaflevelthrough47samples.andtotestthemodelwiththeother20sampl es.Theresultssuggestedthatfuelmoisturecontent(FM_C)andequivalentwaterthickness(EWT)asCwdem onstratorsweredifferentinre.flectancespectralcurves.ThedifferencebetweenFMCandEWTwaslargewhe ntheywereutilizedtoretrievetheleafCw.ThecorrelationcoefficientbetweenEWTandeachspectralindexwa shigherthanFMC.butthe forecastprecisionofFMCwasbetterthanthatofEWT.The7spectralindicescou ldallretrievetheleafFMCac—curately,butonlytheRatio975,IIandSRweresuitabletoestimatetheleafEWT. Spectralindiceslinearmodelon thestrengthofoptimalsubsetregressionshadthehighestprecisiontoretrievethe leafCw.Ratio975mightbethe universalspectralindextoestimatetheleafCw.Atcanopyleve1.thesimulatedc anopyspectraunder出fferentleafareaindex(LAI)andCwwerederivedfromthePROSPECTandSAILHcouplin gmodels.InordertoeliminatebackgroundinfluenceandtopreciselyretrievetheCw,soil—adjustedwaterind ex(SAWI)wasproposedatthe firsttimetoindicatetheinformationofnear-infraredandshort—waveinfraredc anopyreflectance.Theratioof SAWIandotherspectralindicescoulddramaticallyeliminatethesoilbackgrou nd,andeffectivelyretrievetheveg—etationCwatcanopyleve1.Spectralindex(Ratio975—0.96)/(SAWI+0.2)asi mprovedRatio975couldbeused tocomputethecanopyCwmorepreciselywhenLA1wasrangingfrom0.3to8.0a ndCwfrom0.0001to0.07cm.KeywordsSpectrali’n出cesmethod,Watercontent,Soil—adjustedwaterindex.植被是陆地生态系统的重要组成部分,而植物冠层中水分含量约占40%～80%【81.水分是控制植物燃烧,光合作用和生物量的主要因素之一【0?引.及时准确监测或诊断叶片和冠层含水量可以反映植物生理状况,趋利弊害,并为火势模型提供输入参数【3.传统测定叶片含水量(Cw)的方法局限在小面积或单株上,所得结论必定带有某些片面性和局限性.而且一般都是事后性和破坏性的,难以真正大面积应用.Kramer【19J较早认识到测定植株含水状态的重要性.目前常用的测定叶片Cw的方法有冠层温度法[29]和植被绿度指示Cw法3.其适用范围受植被类型,环境条件及时空变化的影响很大.因此,基于植被光谱随Cw的变化,应用遥感技术实时监测和诊断植被Cw越来越受到重视.随着高光谱遥*国家重点基础研究发展规划项目(G2000077902),中国科学院知识创新工程重大项目(KzCx1一SW一01—02)和国家自然科学基金资助项目(40271086).**通讯联系人.2004—08—23收稿,2004—1l一29接受.7期沈艳等:植被叶片及冠层层次含水量估算模型的建立1219感的发展,准确评价植被水量状况成为重要应用领域[1lJ.已有研究者尝试用遥感数据直接提取叶片Cw[,,,0,】针对性不强,而准确提取植被冠层Cw的文章尚不多见.但应用的最终目的要归结到植被冠层层次,本文在综合分析光谱指数法提取叶片层次Cw的基础上,进而提出了有效剔除土壤背景影响,准确提取冠层Cw的新方法.2研究方法2.1数据采用国外LOPEX’93数据库【H]建立叶片Cw估算模型.该数据库体现了叶片水分含量和叶片类型的多样性.选取67个新鲜叶片Cw和从400～2500nm,采样间隔为1nm 半球反射率数据.每个叶片Cw和反射率数据都是同一类型5片不同叶片测量值的平均.而冠层Cw模型的建立则基于PROsPECT+SAILH耦合模型,模拟了不同Cw(cm)和叶面积指数LAI下的冠层光谱指数.其中Cw取值范围:0.0001 ～0.07cm【,分别模拟Cw是0.0001,0.001,0.01,0.02,0.03,0.04,0.05,0.06,0.07及LAI是0.3,0.5,1.0,1.5,2.0,2.5,3.0,4.0,5.0,6.0,7.0和8.0下的冠层光谱.在光谱模拟中,叶片内部叶肉结构参数N设为对大部分植物都成立的1.5【;太阳天顶角30.,相对方位角为0.;叶倾角分布设为球面形,平均叶倾角ALA=57.3.;叶绿素含量设定35g?cm-2,干物质含量设定0.01g?cm,土壤光谱为实验室测量的多条光谱的平均.2.2方法使用光谱指数法估算冠层和叶片Cw.光谱指数法研究田问或实验室获得的基于生理状态的生物指示因子与植被反射率问的关系.光谱指数是指某些特定波段反射率的组合,与叶片色素或光合作用以及植被的水,氮胁迫状态等有关.其中波段组合的选取参照一定的物理基础,能部分消除环境背景的影响.在此基础上的统计分析比单纯的统计结果更具有物理意义.另一方面,该方法又比物理模型方法简单, 适用性好.2.3Cw表示方法表征Cw的常用方法有两种:相对含水量FMC和等价水深EwT.FMC是叶片中水量占鲜叶重【21]或干叶重【,]的百分比,即:FMC=曼裔Xl㈩EWT(EquivalentWaterThickness)是单位叶面积的Cw【71.用公式表示:EWT=绁(2)EwT的单位是g?cm一或cm.研究表明【,FMC和EwT是定义Cw的2个不相关量,定量提取Cw时代表2种不同方法.基于LOPEX93数据库,选取任意4种叶片类型,考虑EwT相同时FMC的变化(表1左)及其相应的反射光谱曲线(图1A).再考虑FMC相同时EwT的变化(表1右)及相应的反射光谱曲线(图1B).表1和图1的结果都证明了上述结论.相同EwT对应的FMC和相同FMC对应的EwT都有所不同.对比图1可知,在近红外区,反射率光谱曲线对EWT变化更敏感,而在短波红外区,这种差别不大.所以将近红外和短波红外结合而成的光谱指数能增强叶片Cw信息,更好地提取叶片Cw.下面的研究也证实了该结论.表14种叶片类型下EWT相同时FMC的变化(左)和FMC相同时EWT的变化l右)Table1V ariationsofFMC(EWT)daringthesalneEWT(FMC)under叶片类型FMCEwT叶片类型FMCEwTLea/type(%)(Ⅱn)Lea/type(%)(Ⅱn)孽,...,,74.62o.0o85葡萄70.2890.012V肚‰……itissilvear/s’三叶草75810.0085T加拿大杨..70.3770.010Prifoliumpraenseopulus∞n口d璧塑.69.570.0085假挪璧槭.70.5660.006Ahm加tensecer加嘲翻妇缸瓣鬈黑樱.54.180.0085基70.82l0.023胁//$se~laa’图1与表1对应的4个不同FMC(EWT)下的反射光谱曲线A(B) Fig.1Reflectancespectracurvesof4differentFMC(EWT)correspond—ingtotable1.A:a)大叶椴Tillaplatyphyllos|b)三叶草Trifoliumpratense;c)梯牧草Phleumpratense;d)野黑樱Prunusserotina;B:a)葡萄Vitissil—z~estri$;b)加拿大杨Populuscanadensis;c)假挪威槭Acerpseudopla—tanus;d)鼠尾草Salv/a.3结果与分析3.1植被叶片层次Cw估算模型的建立提取叶片Cw的常用光谱指数包括:由于970 nITI,950nm是水分的敏感波段,分别将900nm作应用生态16卷为参比波段,简单的反射率之比定义成水分指数WI1[22和wI2[.将860nm和1240nm处的反射率比值指数,经非线性归一化处理得”归一化差值水分指数NDWI[加JI’.最早提出820nm和1600nm 的归一化红外指数(II)的是Hardisky[13].之后,又提出了1600nm和820nm反射率的简单比值指数(SimpleRatio,SR)[16】.最近,有研究者尝试用多个波段组合构造水分指数,并提出了中心波长分别位于975nm和1200nm的比值指数Ratio97s,Ra—tio1200[241.利用FMC和EwT的47个样本分别与植被指数建立最优回归关系(表2).另外,有研究者用wIl 和NDVI的比值wIl/NDVI(NDVI=(R800一R680)/ (R800+R680))提取某种植物冠层或叶片Cw【.之所以考虑NDVI是认为植被绿度和Cw相关.但在本研究中,FMC和EwT与wI1/NDVI指数都不相关.可能是由于叶片类型的多种性,使得植被绿度和Cw相关的结论不能成立.表2中,与FMC相关程度最高的水分指数是wI,相关系数R=0.567,最差的是RatioI200,相关系数R=0.2637;与EwT最相关的水分指数是Ratio975,相关系数R=0.9595,最差的是NDWI,相关系数R=0.6414.所以,用EwT表征叶片Cw与光谱指数建立的统计关系相关性更好.取20个训练样本验证表2的统计关系.用相对误差(RE)评价模型精度(表3).RE=耋其中,是实测值,是模型模拟值,是样本数.结果表明,FMC的验证精度好于EwT.在7个光谱指数中.对FMC和EwT反演精度最好的分别是II和Ra—tio9,相对误差分别是11.09%和13.19%.各个指数对FMC的影响不大,相对误差变化范围在11.09%～13.04%,说明这7个指数都能准确地提取FMC.然而,7个指数对EwT的反演精度差别很大,相对误差在13.19%～88.08%,效果较好的是Ratio975,II和SR.因此,为了建立EwT最优统计关系并取得较好的反演精度,首选用Ratio975作为反演因子,其次是II和SR,若为了简单,也可选II和SR作为反演因子.结果说明,用FMC表征叶片Cw选用近红外波段组合或近红外和短波红外组合都能较准确提取叶片Cw,而反演EwT时选用近红外和短波红外组合的光谱指数精度较高.同时也表明,在叶片层次,能找到通表2FMC和EWT与各种植被指数(x)间的相关关系Table2CorrelationsbetweenFMC(EWT)anddifferentvegetationin- dicesWIl=RFIVE=一gO.53x+910EWT=一O.0008一O.印98x)q:(‰0一R)/(Dy=舷111+572.01x+R啪)y=一O.CO12+0.3916xSR=Rl/R∞FIVE=44.817—54.343In(x)EWT=0.11~25x一’?4539II=(Rs20一RI∞)/(R∞+RI∞)FIVE=44.087+114.32xEWT=0.0024ew(7.2832x】wI2=RRFIVE=1445.9—1394.5xEwT=0.0008一O.969In(x】~tliO975:一F=～914.22x+968.98~tliO975一?’EWT:-0.0002一O.89x】:2-RII∞一∞FM:=50.818-431.16In(x】Rl090一llm+Rt~5—1285Ewr=-0.0136—0.458In(x】.3,9O.00o1O.351.678O.00o1O.959518.7l5O.00o1O.492.074O.00o1O.91&表3训练样本验证FMC和EWT与各光谱指数统计关系的相对误差Table3RelativeerroroftrainingsamplestotestFMC(EWTJandin? dicesstatisticrelationsWIINDWISRIIWI2Ratio975Ratiol2ooFMC(%)11.4211.9211.2111.0913.0412.2012.9EWT(cm)73.864.6914.0613.2388.0813.1918.76用的Cw提取关系.采用最优子集回归方法研究光谱指数各种组合对FMC和EwT的贡献率.反演量是FMC或EwT,反演因子是上述的7个光谱指数.该方法能充分考虑各种光谱指数组合个数(1～7个)下反演精度,建立的回归关系是全局最优.经过分析,选用wIl,SR,Ratio975,Ratiol2004个反演因子时,模型(4)对FMC的反演精度最高:FMC=1338.343—890.646×WIl一162.779×SR一2712.881×Ratio975+2477.752×Ratiol200(4)此时相对误差RE=8.08%,比选用单个反演因子的精度提高了约3%.反演EwT选用wIl,SR,II,Ratio97s,Ratiol2005个反演因子时精度最高,模型是(5):EWT=1.15—0.279×WIl一0.064×SR一0.131×II一0.658×Ratio95—0.152×RatioI200(5)相对误差RE=8.44%,比选用单个反演因子的精度提高了约5%.3.2植被冠层层次Cw估算模型的建立3.2.1冠层层次Cw提取时背景的剔除遥感获得的冠层光谱是植被和土壤的混合光谱,一个有效的植被指数必须能将植被信息与背景信息分离.上面硒僦}鼋窭!硒OOmmmmmmmm帆帆帆帆帆帆帆帆OOOOmmmmm螂舰儡眈场仍8亏缸鼽辩吼7期沈艳等:植被叶片及冠层层次含水量估算模型的建立的分析可知,在叶片层次建立Cw估算模型是完全可能的.但在冠层层次,受背景影响,简单将某种光谱指数与Cw在一批样本上建立的相关用于提取其它样本的Cw时,效果往往不好,所以必须找到一种能够剔除背景影响的方法.用红光和近红外冠层反射率构造的土壤可调节植被指数[,巧,,]与某个光谱指数结合,能够大大减小背景影响,更好地提取冠层叶绿素含量.研究发现,从近红外到240Ohm,水分影响占据了主导地位[加?.因此,本文用近红外和短波红外反射率构造了用于提取冠层Cw的土壤可调节水分指数SAWI(soil—adjustedwaterindex):0一DSAWI=—R-—×(1+L)(6)PNIR十PsⅣIRL式中,p,p分别是近红外和短波红外冠层反射’NIR’SWIR 率,分别取820nm和1600nm;L是土壤调节系数.是一个以植被量为先验知识的调整值,用来减小植被指数对不同土壤反射变化的敏感性,本文取I0.16~26].基于PROSPECT+SAILH的耦合模型数据.考虑本文提出的7个水分光谱指数与SA WI的比值随Cw和IAI的变化,在一定范围内,其结果都比不考虑SAWI时提取冠层Cw的精度更高,适用性更广.下图只给出NDWI在不考虑SA WI(图2)和考虑SA WI(图3)时随Cw和IAI的变化.分析图2可知,NDWI与Cw和IAI呈正相关,随Cw的增加和IAI的增大,NDWI增大.对应IAI的每条等直线,当Cw≤0.001cm时,NDWI值随水分含量变化很小.这说明在相同的IAI下,NDW1只能用来提取Cw>0.001cm的冠层Cw.但是LAI对NDWI的影响很大,只有当IAI≥5.0,NDWI对IAI的敏感性才不明显.所以,NDW1只有用来提取Cw>0.001cm并且LAI≥5.0时的冠层Cw才可能获得较好的结果,但是,LAI≥3.0时,冠层已经不受土壤背景影响[3,因此,该结论不再具有实际意义.图3表明,NDwI/SAwI与Cw和LAI呈正相关,随Cw增加和LAI增大.NDwI/SA wI增大.IAI≤2.5时.对应每一条LAI等值线,当Cw≤0.01cm,ND—wI/SAwI随Cw和IAI的变化较大.但是,当Cw>0.01cm时.NDwI/SA wI的值随LAI几乎不变. 所以,NDwI/SAwI适合用来提取Cw>0.01cm并且IAI≥1.5时的冠层Cw.综合以上分析,总趋势是图3中NDwI/SAwI对IAI的敏感性要小于图2中NDWI对LAI的敏感性,而且Cw对二者能否用来提取冠层Cw也有影响,说明某一水分光谱指数能否有效提取冠层Cw,是Cw和IAI综合作用的结果.在提取冠层Cw时,NDwI/SA wI比NDWI更能有效剔除环境背景影响.值得一提的是,当LAI≤1.0时,NDwI/SA wI随LAI和Cw的变化没有规律,主要表现为NDwI/SAwI值在某个Cw时急剧变大,例如,当IAI=1.0,Cw=0.001时,NDWI/SAWI=一89.4934,认为不能用来提取冠层Cw,可能主要是低植被覆盖环境背景影响很大造成.其他光谱指数与SAWI的比值,在低IAI下同样有比值骤增的情况.下面将改进某个光谱指数,使之更好地剔除环境背景影响.含水量Cw(cm图2NDWI在不同叶面fj{指数和Cw1的分布曲线Ffg.2CurvesofNDWItinderdifferentlearareaindex(LAI)andwater content.a)LAI=0.3;b)LAI=0.5;c)LAI=1.0;d)LAI=1.5;e)LAI=2.0:f)LAI=2.5;g)LAI=3.0;h)LAI=4.0;i)LAI=5.0;j)LAI:6.0:k) LAI:7.0;1)LAI=8.0.1譬≥金图3NDWI/SAWI在不同叶面积指数和Cw下的分布曲线Fig.3CurvesofNDWI/SAWItinderdifferentLAIandwatercontent a)LAI=1.5;b)LAI=2.0;c)LAI=2.5;d)LAI=3.0:e)LAI=4.0f)LAI=5.0:g)LAI=6.0;h)LAI=7.0;i)LAI=8.0.3.2.2光谱指数Ratio975在冠层层次提取Cw的改进在叶片层次,无论是用FMC还是EwT表征Cw,光谱指数Ratio975都能较好地提取Cw.根据PROSPECT模拟数据绘制的不同N和Cw下的1222应用生态l6卷Ratio9,变化曲线图(未给出)也说明,结构参数N对Ratio97的影响不大,Ratic97可能是叶片层次提取Cw的一个普适光谱指数,为了找到叶片和冠层层次都能有效提取Cw的光谱指数,设想改进Ra—tio975,图4给出了不同Cw和叶面积指数下的SAWI和Ratic~7分布图,图中每一条弧线代表等LAI线,由原点向外LAI增大,可知,Ratio975和SAWI都和IAI呈正相关,即低的Ratic~7和SAWI对应于低的LAI,反之亦成立,因此,那些代表裸露土壤的点将集中在散点图的原点附近,而代表浓密植被的点将集中在相反一侧.对于所有的覆盖水平(LAI),Cw沿着近似相同中心的轴线分布,高值靠近x轴(SAWI),低值靠近Y轴(Ratio975),此外,代表相同Cw而不同LAI水平的点将沿着近似以裸露土壤为原点的直线分布.这些Cw的等值线相交于一点,并且随着覆盖度(LAI)的增加向外呈辐射状分布.图中只给出了Cw最高0.07cm和最低0.0001cm的两条等值线,图4不同Cw和LAI下SA WI—Ratio975分布图Fig.4SAWI-Ratio975distributionunderdifferentwatercontentand LAI.鉴于此,提出一个冠层层次Cw提取模型.建模时,考虑了等Cw线的交点,该交点不是通常认为的(0,0),其结果将对LAI和土壤背景更不敏感.若该交点是原点(0,0),那么在低植被覆盖LAI≤1.0时,Ratio97s/SA wI同前述的NDwI/SA wI一样,不能用来提取冠层Cw(图未给出).当LAI≥1.5时,Ratio97/SAwI与Cw的关系图(未给出)表明,低Cw(Cw~<O.01cm)时Ratio97/SA wI值较大的分散性无法用来提取冠层Cw.因此,该指数只能提取LAI≥1.5且Cw>0.01cFn时的冠层Cw,具有一定局限性.若考虑图4的交点,目视判断为(一0.2,0.96),绘制(Ratio975—0.96)/(SAWI+0.2)与Cw在IAI≥0.3下的关系图5,标准差分析可知,在所有Cw下,(Ratio975—0.96)/(SAWI+0.2)对LAI的敏感性降低,更加适合提取冠层Cw.为了精确求得冠层Cw与Ratio97s和SA WI的函数关系,考虑图4的交点,目视图5的趋势线以倒数关系为宜,因此,设Cw(y)与Ratio975和SAWI的函数关系式为:a+(7)SAWI—b”其中,(b,a)为假设的图4中的交点.为了方便用PROSPECT+SAILH模拟数据通过最小二乘法拟合该多项式,将(7)化简成:y=(aSAWI—b)/(Ratio975一CSA WI—d)+e(8)结果是a=0.1566,b=一0.0066,C=1.215,d=1.0194,e=0.1622,通过(8)式拟合结果与PROSPECT+SAIIH模拟数据(LAI从0.3到8.0.Cw从0.0001cm到0.07cm)的相关系数是0.654.图5LAI~0.3时Cw与(Ratio975—0.96)/(SAWI+0.2)关系图Fig.5Watercontentand(Ratio975—0.96)/(SAWI+0.2)correlationunderLAI≥0.3.4结语准确提取植被叶片和冠层层次Cw是高光谱遥感重要的应用领域之一.最初研究者利用冠层光谱提取水分含量最直接的是统计方法.应用中发现,预测方程因时因地而异,受诸多因素影响,难以找到普适关系.这和该方法的机制有关.冠层光谱是植被和背景的混合光谱,用混合光谱与植被参数建立相关必然受到太多随机因素影响,难以给出理论上的解释.光谱指数建立时考虑植被内部物理机制,有一定物理含义.而一个有效的光谱指数必须能将植被7期沈艳等:植被叶片及冠层层次含水量估算模型的建立1223 信息与环境背景信息分离.本文研究证实,运用高光谱数据在叶片层次建立Cw估算模型是完全可能的.理论研究表明,在冠层层次,受背景影响,简单将某种光谱指数与Cw建立统计关系,进而提取冠层Cw效果往往不好,所以必须找到一种能够剔除背景影响的方法【,9I.相对于其他依赖一定实际土壤光谱特性的指数而言,本文SAWI的确定不要任何土壤,或特定场景信息.因此,为了去除环境背景的影响,将某个水分光谱指数与SAWI结合,可以建立冠层Cw的普适关系.当然,这里的普适并不是万能的,是针对某种叶肉结构N或是特定含水量范围的普适关系.研究表明,FMC,EwT表示含水量时对变量的敏感性不同.Potentialsandlimitsofvegetationindices forLAIandAPARassessment.融moteSensingEnviY on,35(2): 161～173eofremotelysenseddataforfiredangeresti—mation.EARSelAdvRemoteSensing,4(4):1～84CeccatoP,GobronN,FIaSseS,eta1.2002.Designingflspectralin—dextoestimatevegetationwatercontentfromremotesensingdata: Part1Theoreticalapproach.RemoteSensingEnviron,82(2):188～1975CeccatoaP,FIflsseS,TarantolaS,eta1.2001.Detectingvegetation leafwatercontentusingreflectanceintheopticaldomain.融mote SensingEnviY on,77(1):22～336ChuviecoE.DeshayesM.StachN,eta1.1999.Short—termfire risk:FoliagemoisturecontentestimationfromsateUitedata.In: ChuviecoEed.RemoteSensingofLargeWildfiresintheEuropean MediterraneanBasin.Berlin:Springer(UniversityofAlcaid,Spain).2287DansonFM,StevenMD,MalthusTJ,eta1.1992.High—spectral resolutiondatafordeterminingleafwatercontent.IntJRemote Sensing,13(3):46l～4708ElvidgeCD.1990.Visibleandnearinfraredreflectancecharacteris. ticsofdryplantmaterials.IntJRemoteSensing,11(11):1775～17959FourtyT.BaretF.1997.V egetationwateranddrymattercontents estimatedfromtop-of-the—atmospherereflectancedata:Asimulation study.RemoteSensingEnviyon,61(1):34～4510GfloBC.1996.NDWI—Anormalizeddifferencewaterindexforre.1112 motesensingofvegetationliquidwaterfromspace.RemoteSensing Enton,58(3):257～266GoetzAFH.V aneG,So1omonJE,eta1.1985.Imagingspectrome—tryforearthremotesensing.Science,228(4704):1147～1153 GondV.DePunrDG,V eroustraeteF,eta1.1999.Seasonalvaria. tionsinleafareaindex,leafch1orophyll,andwatercontent:scaling—uptoestimatefAPARandcarbonbalaliceinflmultilayer.multi. speciestemperateforest.TreePhysiol,19(5):673～67913HardiskyMA,KIemasV.SmartRM.1983.Theinfluenceofsoilsalinity.growthfomandlearmoistureonthespectralreflectanceof Spartinaalternifloracanopies.PhotogrammEngRemoteSens—ing,49(1):77～8314HosgoodB,JacquemoudS,AndreoliG,eta1.1995.LeafOptical PropertiesExperiment93(LOPEX’93).EuropeanCommission, JointResearchCenterInstituteofRemoteSensingApplications,Is—praItaly.15HueteAR.1988.Asoil-adjustedvegetationindex(SAvI).RPmote SensingEnviY on.25(3):295～30916HuntER.RockBN.1989.Detectionofchangesinleafwatercon—tentusingnear.andmiddle-infrfiredreflectances.RemoteSensing EnviY on,30(1):43～5417InoueY,MorinagaS.ShibayamaM.1993.Non—destructiveestima—tionofwaterstatusofintactcropleavesbasedonspectralre—flectancemeasurements.PJCropSci.62(4):462--46918JacquemoudS,BaretF.1990.PROSPECT:Amoddofleafoptical propertiesspectra.RemoteSensingEnviron,344(1):75--9119KramerPJ.1983.WaterRelationsofPlants.NewY ork:Academic Press.19832OLiY_J(李佑稷),LiJ(李菁),ChenJ(陈军),eta1.2004.Re—sponseofdollchomitriopsisdiversiformisphotosynthesisrateto light,airtemperatureandplantwatercontent.GhJEcol(应用生态),15(3):391～395(inChinese)21MbowC.1999.Propositionofflmethodforearlyfiresplanningus—inggroundandsatellite(NDVI/N0hA.-AvHRR)datafromNioko1oKohaNationalPark(SoutheastSenega1).PosterPresenta—tioninProceedingsoftheSecondInternationalSymposiumonOp—erationalizationofRemoteSensing,16～2OAugust1999,ITC,En. schede,TheNetherlands.22PefiuelasJ,FileUaI.SweeanoL.1996.Cellwallelastivityandwater index(R970/R900)inwheatunderdifferentnitrogenavailabili—ties.IntJRemoteSensing,17(3):373～38223PefiuelasJ,P访olJ,OgayaR,eta1.1997.Estimationofplantwater concentrationbythereflectancewaterindexwI(R900/R970). IntJRemoteSensing,18(13):2869～287524PuR,GES,KellyNM,eta1.2003.Spectralabsorpt?。
第二章光学遥感与热红外遥感模型2.3 植被冠层反射模型2.3.3 几何光学模型几何光学原理很早就用于解释天文观测中粗糙表面的方向性反射现象，林、农学家也曾应用实物园锥、椭球、园柱来模拟单株或规则排列的作物在不同行向、行距、株距组合时对不同入照方向直射光的截获。
Egbert(1976)和Otterman(1981)较早引用几何光学的数学模型到植被的BRDF研究，但他们的模型假定植株为很小的几何体且每像元内有大量的植株，因而未能突出几何光学(Geometric-optical model, GO)模型在不连续植被BRDF上的优势。
第二章光学遥感与热红外遥感模型2.3 植被冠层反射模型2.3.3 几何光学模型与辐射传输(RT)模型基于微体积内散射方程不同，几何光学模型基于“景合成模型”，即从遥感像元的观测尺度出发，将像元视场的总亮度，看做是：在观测器视场内，一部分是太阳光承照面，一部分在阴影中，而观测的结果是二者亮度的面积加权和。
Jackson等(1972)提出了行作物的四分量模型（承照植被、阴影中植被、承照地面和地面阴影）。
李一Strahler(1985，1986)根据稀疏林的实际情况，抛弃了“小几何体”假定，直接用森林结构参数计算四个分量随太阳角和观察角变化，建立了遥感像元尺度的天然林BRDF模型。
第二章光学遥感与热红外遥感模型2.3 植被冠层反射模型2.3.3 几何光学模型影响植被冠层的光学遥感信号的因素主要有：（１）植被冠层组分（叶、枝、杆）的光学特性；（２）冠层下背景（下垫面，如土壤、苔藓）的光学特性；（３）植被组分的角度分布特性；（４）植被组分的空间分布。
其中后两个因素主要取决于冠层结构。
将叶片层看做混浊介质的辐射传输模型，可以描述（１）（２）和（３），而几何光学模型则强调（４）在解释遥感信号中的作用，因而可以很好表述以上全部４个因素的作用，对空间结构明显的植被遥感信号的解释有优势。
第二章光学遥感与热红外遥感模型2.3 植被冠层反射模型2.3.3 几何光学模型植被遥感的几何光学模型大致可分为两类：1）用几何光学原理计算植被冠层的承照面积比和阴影面积比，用经验参数或测量数据确定冠层组分的光学特性。
几何光学模型1、 稀疏分布林冠椭球模型本模型用于对森林地区冠层反射率的求算。
所谓冠层反射率，指植被上界出射辐射与入射辐射的比值。
2、模型有 2个主要假设：稀疏分布：森林中树木分布非常稀疏，相互之间没有遮挡，树木阴影没有重叠； 椭球树冠：树冠形状为椭球。
它有固定几何形状。
3、遮挡和重叠包括照射和视角 2个方向。
固定几何形状是几何光学模型的特点，其它还有圆柱、圆锥等形状假设。
4、利用坐标转换可以进一步将椭球转换为球型，使数学表达更为简单。
假设树冠是一-个垂直半径为 b ，水平半径为 r 的椭球，球心位于一个坡度为θs 、方位为φs 的坡面上方h 。
坡面方向以法线为准。
所有方位以 x 轴为准。
5、将椭球型转化为球型的具体过程等见PPT6、在新的坐标空间里，入射方向与观测方向的天顶角和方位角、球心高度等都会发生变化7、经过这样 z 方向的线形拉伸和坐标系向坡面方向旋转，斜坡上的椭球植株（林木）的几何光学问题就完全等效于水平地面上的球型植株问题。
8、在下述推导中，我们均会采用水平球型的几何分布假设，而不失各种椭球假设的一般性。
9、几何光学模型的四分量 (four components) 对稀疏森林成像时，遥感象元反射率由四部分组成，即光直接照射的树冠、树冠阴影面、直接照射的地面（背景）、阴影遮蔽的地面。
10、类似上节讲过的混合象元，象元（冠层）的反射率为：R = KCRC + KTRT + KGRG + KZRZKC 、KT 、 KG 、 KZ 分别为几何光学模型中的四个分量，即光照树冠、阴影树冠、光照背景、阴影背景在象元中所占面积比例，RC 、RT 、RG 、RZ 则分别为上述四个分量的反射率（假设均为朗伯反射）。
几何光学模型的基础就是四分量模型，上式是其基本模型，所有后续模型都建立在上式的基础上。
其关键在于根据假设条件，求取KC 、KT 、 KG 、 KZ 的表达式，条件不同，面积比例 K 的表达式也不同。
