英语原文共 21 页，剩余内容已隐藏，支付完成后下载完整资料

基于Landsat数据的地表植被覆盖度估算的鲁棒性

收到日期：2017年7月7日; 接受日期：2017年8月10日; 发布时间：2017年8月19日

摘要：分形植被覆盖（FVC）是地表过程模拟和全球变化研究的基本地表参数。 目前现有的FVC产品主要从低分辨率或中等分辨率的遥感数据获得，而许多应用需要精细的空间分辨率FVC产品。 Landsat影像在大面积范围内的精确覆盖率的可用性为精细空间分辨率下生产FVC提供了机会。 因此，本研究的目的是针对不同地表条件下的Landsat地表反射率数据开发一种可靠的陆面表面FVC估计算法。 使用PROSPECT叶片光学特性模型和任意倾斜叶片散射（SAIL）模型模拟的样本对两种机器学习方法多元自适应回归样条（MARS）模型和反向传播神经网络（BPNN）进行训练，其中包括Landsat反射率和相应的FVC值，并评估选择具有更好性能的方法。 此后，使用来自两个案例研究区域的地面FVC测量来评估在独立验证中具有更好性能的MARS模型。 （Heihe：R2= 0.8825，RMSE = 0.097;承德使用Landsat 7 ETM ：R2= 0.8571，RMSE = 0.078，承德使用Landsat 8 OLI：R TF33）= 0.8598，RMSE = 0.078）表明该方法具有良好的性能。 Landsat 7 ETM 和Landsat 8 OLI数据的估计FVC的时空评估证实了该方法的稳健性和一致性。 所有这些结果表明，所提出的算法可以获得令人满意的精度，并且可以从Landsat地表反射率数据生成高质量的FVC估计。

关键词：分数植被覆盖（FVC）; PROSAIL; 多元自适应回归样条（MARS）; 陆地卫星; 机器学习

1. 介绍

分形植被覆盖度（FVC）是绿色植被垂直投影面积占总地面面积的百分比[1,2]，是许多环境和气候相关建模应用的重要参数[3-5] ，如动态全球植被模型[6]，土壤侵蚀模型[7]和天气预报模型[3]。 FVC在陆地表面的碳，水和能源交换中也发挥着重要作用[8]。 具有大空间覆盖和时间连续性的遥感技术为准确估计FVC提供了潜在途径。

因此，从区域甚至全球范围的遥感数据估算FVC具有重要意义。

一般来说，从方法学的角度来看，有三种主要的FVC估计方法使用遥感数据：经验方法，像素非混合建模和基于物理模型的方法[9-11]。 经验方法基于FVC与光谱波段反射率或来自机载或卫星光谱的植被指数之间的统计关系[8,12]。 一般来说，由红色和近红外（NIR）波段的反射率得出的归一化差值植被指数（NDVI）是用于FVC估计的回归模型开发最常用的指标[11]。 此外，其他一些植被指数，如增强植被指数（EVI），可见大气抗性指数（VARI）和修正三波段最大梯度差值植被指数（MTGDVI），也用于FVC估计[13,14]。 例如，Graetz等人 （1988）利用基于Landsat TM波段5和FVC测量数据的线性回归模型估算了半酸性土壤区稀疏草地的FVC [15]。 Purevdor et al。 （1998）应用实证模型构建了四个非线性模型，以评估蒙古和日本草原地区的FVC。 Dymond等人 （1992）基于建立表面FVC与归一化差异植被指数（NDVI）之间的非线性经验关系，利用SPOT数据估算新西兰退化草地的FVC。 经验方法实施起来很简单，因此被广泛用于估算区域范围内的FVC。 然而，经验方法依赖于特定地区的实地测量数据，只有在研究区域较小的情况下，测量结果才相当准确。 在大规模应用中精度将大大降低，因为会有很多限制。 因此，经验模型只适用于特定植被类型和地区，如果扩大到较大规模，这些模型可能是无效的。

像素解混模型假定每个像素由几个组件组成，将植被组成的分数视为像素的FVC [11,16,17]。 假设像素仅由植被和非植被成分组成且光谱信息只是两部分的线性合成的二分像素模型是最简单且使用最广泛的像素去混合模型，并已实现在区域尺度上有许多可靠的结果[3,11,18]。 例如，在京津冀地区，使用GF-1 WFV数据来估计FVC，使用二分像素模型[19]。 Landsat数据用于估计圣佩德罗河流域地区的二维像元模型的FVC [20]。 然而，由于陆地表面复杂且物体的光谱特性不同，因此很难确定FVC估计的大面积端元和光谱。

基于物理模型的FVC估计方法基于冠层辐射传输模型的反演，该模型模拟植被冠层光谱反射率与FVC之间的物理关系。 这种物理模型具有明确的物理机制，可以适应各种各样的情景[21]。 但是，由于物理模型的复杂性，直接反演通常很复杂。 通常，人工神经网络（ANN）和查找表法（LUT）等机器学习方法通过用物理模型中预先计算的反射率数据库进行训练，用于物理模型的间接反演[22]。 机器学习方法具有计算效率和对噪声数据的鲁棒性的优点，并且可以近似多变量非线性关系，这使得它们成为远程感知数据中大面积FVC估计的流行选择[1,23-25]。 几种FVC产品，如全球LAnd表面卫星（GLASS）FVC产品，是GLASS产品套件扩展的产品之一[26]，其中多元自适应回归样条（MARS）用于根据MODIS数据估算FVC; GEOV1 FVC产品，其中Baret等。 使用反向传播神经网络（BPNN）; 以及使用神经网络和PROSPECT SAIL模型[27]生成的MERIS和CYCLOPES FVC产品都是基于机器学习方法开发的。

然而，就FVC产品而言，目前的FVC产品主要是从SPOT-VGT，SEAWIFS，MERIS，MODIS和AVHRR等低分辨率或中分辨率遥感数据中获得[1,22,28-30]，将FVC应用限制在区域和地方尺度[31]。

从十进制空间分辨率传感器开发FVC产品将更好地解决这些与农业，生态系统和环境管理密切相关的应用。 长时间序列和大面积Landsat影像精确覆盖范围的可用性为以精细空间分辨率生成FVC估值提供了机会。 因此，Landsat地表反射率数据的一般有效地表FVC估计算法对于时空连续地获得地球表面精细空间分辨率的FVC估计具有重要意义。

因此，本研究的目的是为了在各种陆地表面条件下开发针对Landsat反射率数据的鲁棒FVC估计算法。 在本研究中，通过使用PROSAIL模型仿真和强大的机器学习方法（如BPNN和多变量自适应回归样条（MARS）算法）生成反射率和FVC数据库，使用混合方法估算FVC。 2014年Landsat 7 ETM 和Landsat 8 OLI的FVC估值的时空一致性进行了比较，以探索大面积和长期FVC估计的潜力以及估计不同Landsat传感器FVC的一致性。 最后，在两个案例研究领域验证了该算法的准确性。

在本文的其余部分安排如下。 第2节介绍了数据集和预处理，以及为估计FVC而开发的方法。 第3部分评估获得的FVC估计的时空一致性，并描述实验区域和现场FVC测量结果以及验证结果。 最后，第4节和第5节分别概述讨论和结论。

2、数据和方法

该算法如图1所示。算法的基本组成部分包括Landsat数据预处理，PROSAIL模型模拟和机器学习方法。 在以下小节中，将详细介绍这些组件。

图1. Landsat数据的分数植被覆盖（FVC）估算方法流程图。 注：PROSAIL：PROSPECT叶片光学特性模型和任意倾斜叶片散射（SAIL）模型; Ref：Reflectance; BPNNs：反向传播神经网络; MARS：多元自适应回归样条曲线; Fmask：面具的功能; ETM ：增强型专题映射器; SLC：扫描线校正器; GNSPI：地统计学邻域相似像素插值器。

• 1. 数据和预处理

随着1972年开始的数据采集以及今天的数据采集[32]，Landsat数据非常适合长期陆地表面测绘和监测。 Landsat地表反射率数据可通过美国地质调查局（USGS）地球资源观测与科学（EROS）中心科学处理结构（ESPA）下载，网址为：HTTP：//earthexplorer.usgs。 gov/）。 利用Landsat生态系统干扰自适应处理系统（LEDAPS）软件预处理Landsat图像的辐射定标和大气校正。 然而，自2003年以来，由于扫描线校正器（SLC）[33,34]的故障，所有Landsat 7 ETM 图像都存在数据间隙，导致约22％的图像丢失[35]。 尽管存在这些数据差距，Landsat 7图像仍然通过各种填隙和密集的时间堆叠方法广泛用于土地覆盖和土地利用变化研究[36-39]。 此外，许多Landsat图像不可避免地被云层和云影覆盖，这限制了它们的实用性。 因此，恢复被云污染的像素并填补空白是至关重要的，从而可以获得时间和空间上连续的FVC估计。

• • 1. 云和云阴影检测

为了去除受云污染的像素，Mask（Fmask）算法[40,41]的功能最初被开发用于掩蔽云，阴影和Landsat 4-7的积雪，并已扩展到Landsat 8，用于检测云和阴影通过使用基于对象的云和云阴影匹配算法[40]。 Fmask结果已被广泛使用并纳入USGS提供的Landsat地表反射率数据中[42,43]，并与Landsat地表反射率数据一起下载到本研究中。

• • 1. 云和阴影去除

在这项研究中，使用改进的邻域相似像素插值器（NSPI）算法[44]，在所提出的算法中构造了云污染的像素。 改进的NSPI需要一个辅助图像，该图像对于阴天图像的阴天部分是无云的。 在检测到云后，利用无监督分类器ISODATA对无云图像进行分类，以搜索相似像素，ISODATA可根据像素之间的光谱相似性自动合并和拆分类，以获得最佳分类结果。 最后，使用无云图像的加权光谱空间和时间 - 频谱信息重建云污染的像素。

• • 1. 填补Landsat 7 ETM 数据的空白

对于ETM 数据的SLC关闭间隙，在去除云和云影后，使用具有相似光谱特征的相邻像素的地统计邻域相似像素插值器（GNSPI）算法[45]预测使用缺失像素的值无间隙图像的空间和时间信息[46]。 具体来说，GNSPI需要在其他日期采集的Landsat图像（标记为参考图像），这些图像与季节性目标图像相似，并且与目标图像相比具有最小的光谱变化，作为输入图像以填充目标SLC-关闭图像。 根据其空间自协方差和其他地质统计学标准，选择具有与间隙像素相似的光谱特征和相似的时间变化图案的样本像素。 GNSPI算法使用加权平均插值器来预测未扫描的像素。 使用地统计学理论（半变差函数）和时间序列作为填空数据计算权重。 GNSPI中的预定参数定义如下：（a）采样像素的采样大小为20; （b）最大窗口大小为12; （c）预计分数为4;

（d）时间序列中图像的数量为1; （e）图像的反射率值在0和1之间的范围; 和（f）块的大小为500。

• 1. PROSAIL辐射传输模型生成的培训数据集

在本研究中，将PROSPECT叶片光学特性模型和任意倾斜叶片（SAIL）冠层反射模型[47]的散射相结合的PROSAIL模型被用来模拟植被冠层的反射率，因为它的易用性和一般性鲁棒性。 SAIL模型是一个冠层双向反射分布函数模型，可以模拟从400到2500 nm光谱范围内的冠层反射[48]。 SAIL模型需要的输入参数包括叶片反射率，叶片透射率，LAI，土壤反射率（SR），假设冠层结构椭球分布的平均叶倾角（ALA），太阳天顶角（SZA），观测天顶角（VZA ），热点参数（热点）和相对方位角（RAZ）。 PROSPECT模型用于描述叶片水平叶片的光学特性，以模拟方向半球反射率和透过率[49,50]。 它主要基于将叶子表示为一个或多个吸收薄板，其粗糙表面可产生各向同性散射[51]。 叶绿素a b浓度（C_AB，mu;g/ cm2），等效水厚度（C_w，g / 2），干物质含量（C_m，g / cm2），类胡萝卜素含量（C_AR，g / cm2）和棕色颜料含量（C_棕色）。

由于FVC和LAI之间存在转换关系，因此将FVC值转换为LAI作为PROSAIL模型的输入变量。 在本研究中，给定冠层结构的间隙函数P₀（theta;）可以通过理论模型与LAI相关[52]：

（1）

其中P₀（theta;）是间隙分数，theta;是计算间隙分数的方向（对于最低点，theta;= 0），并且G（theta;，theta;₁）是单位叶的正交投影沿方向theta;的区域。 它取决于叶倾角分布，其特征在于平均叶倾角theta;₁。 参数lambda;₀

是叶子分散或结块。 在这项研究中，叶冠被认为是均匀的和随机分布的。 然后可以通过P₀₍0^◦)计算FVC：

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22357]，资料为PDF文档或Word文档，PDF文档可免费转换为Word