K-T变换在监测小麦地表参数中的应用

王军战,鲍艳松,张友静,屈建军,张伟民

(1.中国科学院寒区旱区环境与工程研究所敦煌戈壁荒漠生态与环境研究站,甘肃兰州 730000;2.南京信息工程大学大气物理学院,江苏南京 210044;3.河海大学地球科学与工程学院,江苏南京 210098）

K-T变换在监测小麦地表参数中的应用

王军战1,鲍艳松2,张友静3,屈建军1,张伟民1

(1.中国科学院寒区旱区环境与工程研究所敦煌戈壁荒漠生态与环境研究站,甘肃兰州 730000;2.南京信息工程大学大气物理学院,江苏南京 210044;3.河海大学地球科学与工程学院,江苏南京 210098）

利用K-T变换提取TM和MOD IS遥感影像的绿度、湿度分量,在不同的分辨率尺度下监测小麦覆盖地表参数:土壤湿度(M s）、等效水厚度(EW T）和叶面积指数(LA I）,并与NDV I(归一化植被指数）、NDW I(归一化水分指数）和EV I(增强植被指数）监测结果比较。湿度分量监测M s效果更好,TM和MOD IS遥感影像反演精度分别为6.08%、7.37%(RM SE）,相关系数R2分别为0.49、0.31,基于绿度和湿度分量建立土壤湿度多元线性回归反演模型,利用TM影像反演土壤湿度RMSE为4.91%,反演土壤湿度和实测土壤湿度R2达0.63;绿度分量监测EW T效果更好,TM和MOD IS遥感影像反演精度分别为0.37 kg/m2、0.43 kg/m2,R2分别为0.51、0.28;绿度分量反演LA I精度更好,TM和MOD IS遥感影像反演精度分别为0.66、0.83,R2分别为0.64、0.35。

K-T变换;土壤湿度;等效水厚度;叶面积指数

利用遥感技术反演土壤湿度(M s）、等效水厚度(EW T）和叶面积指数(LA I）等地表参数一直是遥感应用领域的研究重点[1-3]。土壤湿度遥感反演常用的方法有微波遥感法、热惯量法和植被指数法[4-6];等效水厚度和叶面积指数的遥感反演方法有相似之处,通常是通过建立植被生物、物理指数(如NDV I、NDW I、EV I）和等效水厚度或叶面积指数的统计关系模型[2,7-9],进而反演这两个地表参数。诸多研究证明,遥感技术是获取土壤湿度、等效水厚度和叶面积指数等地表参数的有效途径[10,11]。K-T变换成功地建立了光谱综合信息与地表物理参数间的联系[12-14],并被广泛用于蓄积量计算、遥感影像融合、分类等方面[15-17],但 K-T变换在土壤湿度、等效水厚度和叶面积指数等地表参数反演中的应用研究尚少。本文尝试以 K-T变换的绿度(Greenness）、湿度(Wetness）分量为变量反演小麦地表土壤湿度、等效水厚度和叶面积指数,并利用 TM和MOD IS数据分析不同尺度下的地表参数反演结果,最后比较了K-T变换与3种常用指数的小麦地表参数反演能力。

1 数据获取与处理

研究区选取北京市郊昌平、顺义和通州3个区的小麦地表。2005年5月9日(小麦抽穗期）,在研究区内选取了27个实验点,获取的小麦地表参数包括0～10 cm深土壤体积含水量、植被含水量和叶面积指数等。

获取了与地面实验准同步的TM和MOD IS影像数据。首先将遥感影像配准到经几何精校正的ETM+遥感影像上,然后利用经验线性定标方法[18]对TM遥感影像进行辐射校正,利用 ENV I中的FLAASH模块对MOD IS影像进行大气校正,基于校正后的遥感影像,分别提取绿度、湿度。MOD IS数据亮度(B rightness）、绿度(Greenness）与湿度(Wetness）计算公式如下[19]:

式中:M 1～M 7为MOD IS影像1～7波段的反射率。

TM数据Brightness、Greenness与Wetness计算公式如下[13]:

式中:TM 1～TM 5、TM 7为TM影像的1～5、7波段反射率。

NDV I、NDW I和EV I的计算参见文献[20]。

2 方法与结果分析

2.1 K-T变换及参数分析

对校正后的TM、MOD IS遥感影像进行K-T变换,并计算3种指数。分别提取参数 Greenness、Wetness、NDV I、NDW I、EV I,去除3个异常点,利用余下的24个实验点分析参数间的相关性(R2）(表1）。由表1可知,Greenness与NDV I、EV I相关性很好(R2都在0.9以上）,Greenness与NDW I的相关性较差,因此可知 Greenness与NDV I、EV I等有相似的特性,更多的指示植被覆盖度、叶面积指数等物理量。MODIS数据 Greenness与NDV I、NDW I、EV I的相关性高于TM数据,这是因为MOD IS遥感影像分辨率低(1 km）,个别实验点距离近,出现一个MODIS像元中包括多个实验点,使得这几个实验点提取的参数值相同,提高了数据的相关性,但这种相关性的提高不利于地表参数的反演; Wetness与NDV I、EV I的相关性差于Greenness,而Wetness-NDW I的相关性好于Wetness-NDV I、Wetness-EV I,因为Wetness、NDW I都是反映地表湿度信息的量;Greenness-Wetness相关系数达0.45,因为实验期小麦处于抽穗期,绿度分量反映覆盖度信息,湿度分量反映地表水分信息,当植被覆盖较好时,水分条件也相对较好,因此二者呈现较好的正相关性。

表1 参数相关性分析Table 1 The correlation coefficient of the variables

2.2 小麦地表等效水厚度反演

基于24个实验点的实测数据与 TM、MOD IS遥感数据,建立Greenness、Wetness、NDV I、NDW I、EV I与等效水厚度的线性回归模型,相关系数如表2所示。由表2可知,Greenness与 EW T相关性较好,基于TM和MOD IS数据绿度分量建立的EW T回归模型相关系数分别为0.51、0.28,NDW I、EV I、NDV I与EW T相关性次之,Wetness与EW T相关性较差。

表2 指数与等效水厚度相关系数Table 2 The correlation coefficient between the variablesand EWT

基于TM和MOD IS数据,利用Greenness建立EW T(kg/m2）的线性回归模型,公式及反演结果(RM SE,均方根误差）如下:

2.3 小麦地表土壤湿度反演

分别建立 Greenness、Wetness、NDV I、NDW I、EV I与土壤湿度的线性回归模型,相关系数如表3所示。由表3可知,Wetness反演M s效果更好,TM和MOD IS数据湿度分量与M s回归模型相关系数分别为0.49、0.34,NDW I次之,NDV I、EV I、Greenness反演M s效果较差。

表3 指数与土壤湿度相关系数Table 3 The correlation coefficient between the variables and M s

基于 TM和MOD IS数据,利用Wetness建立M s(%）线性回归模型,公式及反演结果如下:

由表2、表3可知,Wetness更多反映土壤湿度信息,Greenness更多反映植被含水量(EW T）信息,而植被含水量又在一定程度上反映土壤湿度信息。因此,本文尝试结合这两个参数反演土壤湿度,即建立如下的土壤湿度反演模型:

式中:系数a、b和常数项c可通过最小二乘拟合得到。利用TM影像和实测数据拟合式(11）中的系数和常数,得到土壤湿度反演模型:

图1 绿度、湿度组合反演土壤湿度结果Fig.1 Soilmoisture estimated by Wetnessand Greenness

基于式(12）反演土壤湿度,结果如图1所示。反演土壤湿度RM SE为4.91%,反演土壤湿度和实测土壤湿度相关系数达0.63。比较基于湿度分量的线性回归模型反演结果,可知多元线性回归模型可进一步提高反演精度。

2.4 小麦地表叶面积指数反演

建立 Greenness、Wetness、NDV I、NDW I、EV I与叶面积指数的线性回归模型,相关系数如表4所示。由表4可知,Greenness反演LA I精度更好, TM和MOD IS数据绿度分量LA I回归模型相关系数分别为 0.64、0.35,EV I、NDV I、NDW I次之, Wetness反演LA I效果较差。基于TM和MOD IS数据,利用Greenness建立

表4 指数与叶面积指数相关系数Table 4 The correlation coefficient between the variablesand LAI

LA I的线性回归模型,公式及反演结果如下:

由表2～表4和式(7）～式(14）可以看出,K-T变换的绿度、湿度分量在监测土壤湿度、等效水厚度、叶面积指数等地表参数中具有一定的优势,相比3个常用植被指数精度更好。TM遥感影像分辨率较高,因此反演精度总体好于MOD IS数据,因为TM遥感影像具有更高的空间分辨率。

3 结论与讨论

本文在不同的分辨率尺度下利用 K-T变换的绿度、湿度分量反演了冬小麦抽穗期的几个重要地表参数,相比NDV I、NDW I、EV I等植被指数具有更好的监测精度。TM数据监测地表参数精度好于MOD IS数据,因为 TM数据空间分辨率更高,但MOD IS具有更高的时间分辨率且更有利于大范围监测,因此选取合适的空间或时间尺度分辨率遥感影像做 K-T变换提取的绿度、湿度分量更有利于地表参数反演和农作物长势监测。

笔者认为将绿度或湿度分量与地表温度(LST）相结合,构建二维空间 Greenness-LST或Wetness-LST计算VSW I或TVD I等旱情监测指数,能进一步提高土壤湿度和旱情监测精度;湿度分量能更多反映土壤湿度信息,绿度分量能更多反映等效水厚度信息,建立基于湿度、绿度分量的土壤湿度多元线性回归模型,可进一步提高土壤湿度的反演精度,而这两者同样是影响植被覆盖地表微波后向散射的重要因素,微波遥感本身在土壤湿度等地表参数反演中具有很大的优势和较高的精度,因此结合微波遥感监测土壤湿度的研究将逐步展开。

本研究中冬小麦处于抽穗期,覆盖度较高,K-T变换在地表参数反演中表现出一定优势;当冬小麦处于返青期或拔节期等覆盖度较低生理周期时,湿度和绿度分量是否仍然有利于地表参数反演有待进一步探讨。下一步将获取多个生理周期的遥感数据,以构建系统的冬小麦等农作物的地表参数反演方法和长势监测方法。

[1] HÉGARA T-MASCLE SL,ZRIBIM,ALEM F,et al.Soilmoisture estimation from ERS/SAR data:Toward an operational methodology[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(12）:2647-2658.

[2] JACKSON,CHEN D Y.Vegetation water content mapping using Landsat data derived normalized difference w ater index fo r corn and soybeans[J].Remote Sensing of Environment,2004, 92(4）:225-236.

[3] HANSEN PM,SCHJOERINGJ K.Reflectancemeasurement of canopy biomass and nitrogen status in w heat crops using normalized difference vegetation indices and partial least squares regression[J].Remote Sensing of Environment,2003(86）:542 -553.

[4] 孙丽,陈焕伟,赵立军,等.遥感监测旱情的研究进展[J].农业环境科学学报,2004,23(1）:202-206.

[5] 田国良.热红外遥感[M].北京:电子工业出版社,2006.285-288.

[6] SANDHOL T I,RASMUSSEN K,ANDERSEN J.A simp le interp retation of the surface temperature/vegetation index space for assessmentof surfacemoisture status[J].Remote Sensing of Environment,2002,79:213-224.

[7] ROCK B N,VOGELMARM J E,W ILL IAMS D L,et a1.Remote detection of forest damage[J].Bioscience,1986(36）:439 -445.

[8] CHEN D Y,HUANGJ F,JACKSON.Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near-and short-wave infrared bands[J].Remote Sensing of Environment,2005,98:225-236.

[9] CHEN JM,CIHLAR J.Retrieving leaf area index of boreal conifer forests using Landsat TM images[J].Remote Sensing of Environment,1996,55:153-162.

[10] L IZ G,WANG Y L,ZHOU Q B.Spatiotemporal variability of land surface moisture based on vegetation and temperature characteristics in Northern Shaanxi Loess Plateau,China[J]. Journal of A rid Environments,2008,72:974-985.

[11] CHEN J M,PAVL IC G,BROWN L.Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements [J].Remote Sensing of Environment,2002,80:165-184.

[12] KAU TH R,THOMAS G.The tasselled cap——A graphical descrip tion of the spectral-temporal development of agricultural crops as seen by Landsat[A].Proceedingsof the Symposium on Machine Processing of Remotely Sensed Data.Indiana: Purdue University of West Lafayette,1976.4B-41-4B-51.

[13] CRIST E P,CICONE R C.A physically-based transfo rmation of Thematic Mapper data——the TM Tasseled Cap[J].IEEE T.Geosci Remote Sens.,1984,22:256-263.

[14] ZHANG X,SCHAAFC,FRIEDL M A,et al.MODIS Tasseled Cap transfo rmation and its utility[A].Geoscience and Remote Sensing Symposium,IGARSS′02[C].IEEE International, 2002.1063-1065.

[15] 张友静,方有清.K-T变换的林学意义及其在森林蓄积量估算中的研究[J].环境遥感,1992,7(3）:163-171.

[16] GAO F,MASEK J,SCHWALLER M,et al.On the blending of the Landsat and MODIS surface reflectance:Predicting daily Landsat surface reflectance[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44:2207-2218.

[17] 李芳芳,贾永红.一种基于TM影像的湿地信息提取方法及其变化检测[J].测绘科学,2008,33(2）:147-149.

[18] FARRAND W H,SINGER R B,M ERENYI E.Retrieval of apparent surface reflectance from AV IRIS data——a comparison of empirical line,radiative transfer,and spectral mixture methods[J].Remote Sensing of Environment,1994,47:3-11.

[19] H ILKER T,WULDER M A,COOPS N C,et al.A new data fusion model for high spatial-and temporal-resolution mapping of fo rest disturbance based on Landsat and MOD IS[J].Remote Sensing of Environment,2009,113:1613-1627.

[20] HOUBORG R,SOEGAARD H,BOEGH E.Combining vegetation index and model inversion methods fo r the extraction of key vegetation biophysical parameters using Terra and Aqua MOD IS reflectance data[J].Remote Sensing of Environment, 2007,106(1）:39-58.

K-T Transformation and Its Application to the Estimation of Land Surface Parameters in a W inter Wheat Area

WANGJun-zhan1,BAO Yan-song2,ZHANG You-jing3,QU Jian-jun1,ZHANGWei-min1
(1.Dunhuang Gobi and Desert Ecology and Environment Research Station,Cold and A rid Region Environmental and Engineering Research Institute,Chinese Academ y of Sciences,L anzhou730000;
2.School of A tmospheric Physics,N anjing University of Information Science&Technology,N anjing210044;
3.School of Earth Sciences and Engineering,Hohai University,N anjing210098,China）

The TM imagery and MOD IS imagery were converted into greennessand wetness variables using the Cretaceous-Tertiary(K-T）transformation.The linear regression model was built to estimate the land surface parameters including soil moisture(M s）,equivalent water thickness(EW T）and leaf area index(LA I）based on the greennessor wetness variable.The inversion results were compared to the results estimated by the No rmalized Difference Vegetation Index(NDV I）,No rmalized Difference Water Index(NDW I）,and Enhanced Vegetation Index(EV I）.The M swasestimated by the wetness variable is better than other variables,the inversion accuracy by the TM imagery and MOD IS imagery is 6.08%,7.37%(RMSE）respectively,the correlation coefficient(R2）is 0.49,0.31 respectively.Then amulti linear regressionmodel to estimate M swas built based on wetness and greenness,the M sestimation result show s that the RMSE reaches4.91%based on TM imagery,the correlation coefficient is 0.63 between estimation and measurement M s.The greenness variable and EW T show s a better correction than other variables,the inversion accuracy by the TM imagery and MOD IS imagery is 0.37 kg/m2,0.43 kg/m2respectively,the correlation coefficient is0.51,0.28 respectively.The greenness variable and LA Ishow sa better correction than other variables,the inversion accuracy by the TM imagery and MOD IS imagery is 0.66,0.83 respectively,the co rrelation coefficient(R2）is 0.64, 0.35 respectively.

K-T transfo rmation;soilmoisture;equivalent water thickness;leaf area index

TP79

A

1672-0504(2010）03-0029-04

2010-01-06;

2010-03-29

国家自然科学基金项目(40701130）;南京信息工程大学校科研基金资助项目(S8107360001）

王军战(1980-）,男,助理工程师,从事遥感应用与GIS研发。E-mail:cani04@163.com