水利期刊网页制作格式说明

Transcription

1 中国水利水电科学研究院第 13 届青年学术交流会论文 文章编号 : 基于机载 SASI 高光谱数据的植被含水量估算 马建威 1, 黄诗峰 1, 李纪人 1, 李小涛 1, 宋小宁 2, 冷佩 3, 孙亚勇 1 1, 雷添杰 (1. 中国水利水电科学研究院, 北京 ;2. 中国科学院大学资源与环境学院, 北京 ; 3. 农业部农业信息技术重点实验室 / 中国农业科学院农业资源与农业区划研究所,100081) 摘要 : 植被含水量广泛应用于农业 森林等研究中 该文基于 PROSAIL 模型, 建立了利用机载 SASI 高光谱数据的植被含水量估算模型 首先, 基于 PROSAIL 模型的模拟数据表明,1200nm 水吸收带右侧曲线 (1210~1260nm) 一阶导数 D 和 1450nm 水吸收带右侧曲线 (1650~1680nm) 一阶导数 D 均与植被含水量关系密切, 决定系数分别为 和 在此基础上, 该文建立了基于 D 和 D 的植被含水量估算模型 其次, 该文利用 SASI 数据的 1655 和 1670nm 2 个波段计算了 D , 并利用所建模型实现了研究区植被含水量的估算 最后, 利用黑河流域的实测数据对估算结果进行了验证 结果表明, 估算与实测的植被含水量相关系数为 0.84, 均方根误差为 2.90%, 证明该模型可靠 该研究可以为利用高光谱数据获取区域植被含水量信息提供有效方法 关键词 : 植被含水量 ;SASI;PROSAIL 模型 ; 一阶导数中图分类号 : 文献标识码 :A 1 研究背景 植被含水量 (fuel moisture content,fmc), 又称可燃物含水量, 是农业 森林等研究中的重要参 [1] 数, 可以直接反应植被水分亏缺状况, 进而被广泛应用于森林火灾风险和作物干旱的评估 FMC 可被定义为植被中水分含量与鲜重的比率, 即 : wf wd FMC 100% (1) w f 式中, w 是植被鲜重, w 为植被干重 在利用遥感进行 FMC 监测时, 最常用的参数为单位面 f d 积叶片含水量和干物质含量, 即等效水厚度 (Equivalent water thickness,ewt) 和干物质含量 (Dry matter content,dmc): wf wd EWT (2) A DMC A (3) 式中,A 为叶面积, 则叶片尺度 FMC 可以表示为 : wf wd EWT FMC A 100% 100% wf EWT DMC (4) A 在冠层尺度, 需要考虑到叶面积指数 (Leaf area index,lai) 的影响 此时, 植被冠层水分含量 为 EWT LAI, 植被冠层干物质含量为 DMC LAI, 由于 LAI 在计算中会被抵消, 叶片尺度和冠层 尺度的 FMC 均可以由公式 (4) 计算 本次研究关注的为冠层尺度的 FMC 估算 遥感具有及时 范围广的优点, 已经成为获取大范围 FMC 的有效方法 一般在植被覆盖高的地区, 土壤背景基本上被植被信号掩盖, 光学遥感探测的信号大部分来源于植被信息, 所以利用光学遥感直接监测 FMC 是可行的 目前基于光学遥感数据获取 FMC 的方法主要包括统计法和物理模型法 在统计法中, 光谱指数法可以有效地减少单波段的散射效应, 且较为简单, 从而成为估算 FMC 的常用方法 [2] 如归一化差异红外指数 (Normalized Difference Infrared Index,NDII) 被用来估算草地 灌木丛和森林的 FMC [3-4], 归一化差异水分指数 (Normalized Difference Water Index,NDWI) 和大气阻抗植被指数 (Visible Atmospherically Resistant Index,VRAI) 则被用来估算灌木丛的 FMC [5-7] 物理 收稿日期 : 论文未公开发表过 基金项目 : 国家自然科学基金重点项目 ( ) 和中国水利水电科学研究院博士生学位论文创新研究资助课题 作者简介 : 马建威 (1988-), 男, 博士生, 主要从事定量遥感研究 E_mail:mjw @126.com w d 94

2 模型法则是通过对比每个像元的光谱曲线和查找表, 基于代价函数最小原则从而求取目标参数 (FMC) 由于物理意义明确, 综合考虑了叶片 冠层 土壤和观测几何角度等因素, 相对于单一的光谱指数, 物理模型法能够获得更高的反演精度 [8] 如 Yebra 等基于 MODIS 数据对比了统计法和物理模型法在地中海草地和灌丛 FMC 反演的精度, 结果表明物理模型法具有更高的精度, 且具有较强的鲁棒性 [9] 以上研究中, 主要应用到的数据多为 MODIS 数据或 AVHRR 等多光谱数据, 而高光谱数据的应用则较为少见 机载高光谱传感器的出现, 为进行地表参数反演及真实性检验提供了新的途径 机载 CASI(Compact Airborne Spectrographic Imager) /SASI (Shortwave infrared Airborne Spectrographic Imager) 成像光谱仪采用推扫式成像方式, 在可见光 - 短波红外波谱段成像 目前国内外已经对 CASI 开展了一些植被生化参数反演的研究 [10], 但对 SASI 的研究较少 SASI 可以提供近红外到短波红外范围内 ( nm), 相比于 CASI 数据的可见光近红外波段,SASI 数据波段范围对水分更加敏感, 为获取高精度和大范围的 FMC 信息提供可能 本文基于 PROSAI 模型 [5], 建立了基于 SASI 高光谱数据的 FMC 估算模型, 以期能够实现区域 FMC 的高精度估算 2 研究区与数据 2.1 研究区黑河流域是我国第二大内陆流域, 发源于祁连山中段, 位于 E 和 N 之间, 总面积约 14.3 万 km 年夏季来自多家科研单位的科研人员在黑河流域中游人工绿洲观测区开展了黑河流域生态 - 水文过程综合遥感观测联合试验, 本文选择这次试验的通量观测矩阵核心试验区作为研究区 ( 图 1) 该地区 1 月份温度最低,7 月份温度最高, 年平均气温 6, 年平均降水量约为 120mm, 为典型干旱 - 半干旱地区 植被类型主要为玉米, 其他还包括少量的果园, 白杨林和蔬菜等 2.2 机载 SASI 高光谱数据 2012 年 6 月 29 日, 航空试验小组利用运 12 飞机, 搭载加拿大 ITRES 公司生产的 CASI-1500/SASI-600 传感器, 开展了可见光 / 近红外短波红外高光谱航空遥感数据获取飞行试验, 飞行相对高度 2000 米 ( 海拔高 3500 米 ) 其中,SASI 传感器波长范围为 nm,101 个光谱通道, 光谱分辨率为 15nm, 空间分辨率为 2.4 米, 视场角为 40 利用同步测量的地面数据和大气数据, 经过几何和 6S 大气校正, 得到地表反射率产品 [11], 并对不同条带数据进行配准和裁剪, 最终得到覆盖研究区的 SASI 影像 2.3 FMC 实测数据 2012 年 6 月 28 日, 地面试验小组在 12 个涡动相关仪 (eddy covariance system, EC) 站点开展了生物量的测量 在站点附近选择长势均匀的 1-3 颗玉米, 分别测量其叶 茎的鲜重, 并带回实验室进行烘干, 得到其干重 从而获得玉米的总鲜重和干重, 进而获得了 12 个 EC 站点的玉米 FMC, 范围为 66.7% 到 87.2% [12] 图 1 研究区土地利用图及 EC 站点分布 3 研究方法 3.1 PROSAIL 模型及其参数设置 PROSAIL 模型是叶片辐射传输模型 PROSPECT 和冠层辐射传输模型 SAIL 的耦合模型 PROSPECT 模型由 Jacquemoud(1990) 等人提出, 它主要描述了植物叶片在 nm 光谱范围内的光学特性, 主要输入参数为叶绿素浓度 (Chlorophyll a+b content,c ab) EWT, 叶片结构参数 (Leaf structure parameter,n) DMC, 输出的为叶片透过率和反射率 [13] SAIL 模型是 95

3 Verhoef(1984) 模型在水平均匀的假设下主要考虑了冠层的垂直分层结构和叶倾角分布 [14] SAIL 模型的主要输入参数为叶片透过率和反射率 LAI 平均叶倾角 (Average Leaf angle,ala) 土壤系数 (Soil Coefficient,psoil) 热点效应 (hot spot effect,hots) 太阳的散射分量 (Ratio of diffuse to total incident radiation,skyl) 以及太阳天顶角 (Solar zenith angle,θ s) 观测天顶角 (Viewing zenith angle, θv) 相对方位角 (Relative azimuth angle,ϕ) 等观测几何信息 PROSAIL 模型是目前应用最广泛植被辐射传输模型, 其原理和应用的有效性得到了广泛证明 需要说明的是, 本文使用的 PROSAIL 模型, 是由改进的 PROSPECT 4 叶片模型和 4-SAIL 冠层模型耦合而成 [15-16] 表 1 PROSAIL 模型的输入参数及其参数设置 模型符号单位取值范围 PROSPECT SAIL N Cab μg cm EWT cm DMC μg cm FMC % LAI ALA HotS p soil Skyl % 0-20 θs 0-70 θv 0 ϕ 0 注 :FMC 不属于输入参数, 由公式 (4) 计算得到 结合参考文献及实测数据, 不考虑观测几何的变化, 本次研究中 PROSAIL 模型主要参数范围设置如表 1 [17-21] 在参数范围内, 本文利用 SimLab 2.2 软件随机生成了 组 PROSAIL 模型参数 [22], 并将这 组模型参数作为 PROSAIL 模型的输入数据, 最终得到了光谱间隔为 1nm 的 条对应的模拟冠层光谱曲线 3.2 植被含水量吸收特征研究许多研究表明在近红外 (NIR) 和短波红 (SWIR) 区, 有以 970nm 1200nm 1450nm 1930nm 2500 nm 为中心的 5 个水分吸收带, 这一发现为用光学遥感估算 FMC 提供了可能 ( 图 2) 从图 2 中可以看出, 由于干物质的吸收作用会对冠层反射率产生影响, 若要成功的估算 FMC, 除冠层因素外, 需要重点考虑干物质的影响, 并避免水和干物质吸收系数差别巨大的波段 图 2 PROSPECT 4 模型中水和干物质的吸收系数 图 3 为在不同的 FMC 下 PROSAIL 模拟的冠层反射特征 从图中可以看出,FMC 在近红外和短波红外波段对反射率有较大的影响, 从而出现了 5 个反射谷 进一步分析可以发现,FMC 越高, 水吸收特征越明显,970nm 1200nm 1450nm 1930nm 2500nm 两侧越陡峭, 曲线的一阶导数越大 这就为利用两侧曲线一阶导数估算 FMC 提供了基础 96

4 图 3 PROSAIL 模型模拟的三种不同 FMC 情况下的冠层光谱中 970nm 1200nm 1450nm 1930nm 2500nm 处的水吸收特征 3.3 用于比较的植被指数选择十种常用且具有代表性的植被指数, 分别建立 FMC 的估算模型, 用来和基于曲线一阶导数的 FMC 估算模型进行精度比较 [1,23-24] 具体包括 : 归一化植被指数 (Normalized Difference Vegetation Index,NDVI) [25], 土壤调节植被指数 (Soil Adjusted Vegetation Index,SAVI) [26], 增强型植被指数 (Enhanced Vegetation Index,EVI) [27],VARI [28], 植被绿度指数 (Vegetation Index Green,VIgreen) [29], NDII6(NDII with band 6) [30],NDII7(NDII with band 7) [30],NDWI [31], 水分指数 (Water Index,WI) [32-33] 全球植被湿度指数 (Global Vegetation Moisture Index,GVMI) [34] 各个植被指数的具体计算公式如表 2 所示 : 表 2 十种用于 FMC 估算的植被指数及其计算公式 4 结果与分析 植被指数 Vegetation indices 计算公式 Calculation equations ( R R ) / ( R R ) NDVI SAVI EVI VARI 1.5 ( R800 R670 ) ( R800 R ) 2.5 ( R870 R670 ) ( R670 6 R R440 ) ( R555 R670 ) ( R R R ) ( R R )/( R R ) VIgreen NDII6 ( R R ) / ( R R ) ( R R ) / ( R R ) NDII ( R R ) / ( R R ) NDWI GVMI ( R ) ( R ) ( R 0.1) ( R 0.02) WI R / R WI 注 : R 表示 i nm 波段的反射率 i 4.1 应用植被指数的植被含水量估算基于 PROSAIL 模拟数据, 计算上述十种常用且具有代表性的植被指数, 并进一步建立各植被指数对应的 FMC 线性估算模型, 各估算模型的 R 2 及 RMSE 如表 2 所示 从表 2 中可以看出, 应用植被指数建立的 FMC 估算模型精度普遍较低 其中以基于 WI 建立的 FMC 估算模型的精度最高, 但 R 2 仍低于 0.4,RMSE 达到了 10% 这说明应用植被指数建立的 FMC 估算模型不能较好的估算 FMC 4.2 基于 D 和 D 的植被含水量估算模型光谱的一阶导数反映了反射率随波长变化的速率, 其可以有效地消除背景噪声 分辨重叠光谱, 具有良好的抗土壤背景和观测几何的影响 图 4 为 PROSAIL 模型模拟的 条光谱曲线的不同波段的一阶导数与 FMC 的决定系数图 ( nm 97

5 和 nm 非大气窗口范围的波段未显示 ) 从图中可以看出,1200nm 右侧 ( nm) 和 1450 右侧 ( nm) 的决定系数都较为稳定, 在 0.80 以上, 最高可达 0.90 以上, 显著高于应用植被指数进行 FMC 估算的精度 进一步结合图 2 可以发现, 两个范围内的 EWT 和 DMC 的吸收强度较为相似, 进一步说明了应用 nm 和 nm 范围内曲线一阶导数估算 FMC 的可靠性 表 3 十种植被指数的 FMC 估算模型精度对比 植被指数 R 2 RMSE(%) NDVI SAVI EVI VARI VIgreen NDII NDII NDWI GVMI WI 考虑到本研究获取的 SASI 数据的光谱分辨率为 15nm, 且无法获取 SASI 各波段的光谱响应函数, 故本文采用更宽范围的一阶导数 Derivative nm(D ) 和 Derivative nm (D ) 来估算植被含水量, 这样可以消除传感器的光谱分辨率和成像噪声的影响, 从而使模型更加合理 基于模拟数据, 计算 D D ( 公式 5 和公式 6), 并进一步建立两者与 FMC 的线性模型 ( 公式 7 和公式 8), 其关系如图 5 和图 6 所示 从图 5 和图 6 可以看出,D D 均与 FMC 密切相关,R 2 分别为 和 , RMSE 均低于 3%, 表明两者均可用于区域 FMC 的估算 图 4 PROSAIL 模型模拟的光谱曲线的不同波段的一阶导数与 FMC 的决定系数图 D i R i R i j i1210 i 1210 j i ( i) i1210 i (5) 98

6 D i R i Ri i ( i) i i1650 i1650 j FMC FMC i1650 i (%) 9.69 D R (%) D R n (6) (7) (8) 图 5 PROSAIL 模型模拟的 D 与 FMC 关系图 图 6 PROSAIL 模型模拟的 D 与 FMC 关系图 4.3 研究区植被含水量估算及验证由于获取的 SASI 数据在 nm 范围内存在较大异常, 无法应用 D 进行 FMC 的估算 故选择预处理后数据质量相对较好的 SASI 1655nm 1670nm 2 个波段, 用来计算 D (SASI)( 公式 (9)) 从而进行 FMC 的估算 根据研究区土地利用图, 对于植被覆盖地区根据公式 (10) 估算研究区植被含水量, 对于建筑和道路则设置为空值, 结果如图 7 所示 从图中可以看出,FMC 主要分布于 70%-85%, 与实测值相符 ( 实测值范围 66.7% 到 87.2%) 部分地区值较高, 最高可达 90%, 主要原因为这些地区作物长势较好, 植被含水量高 ( 如 A 区 ); 图中低值部分主要为未分出的建筑 道路 ( 分布于建筑和道路周边 ), 还有一些线状低值区为路防护林 ( 如 B 区 ), 这些地区没有植被覆盖或其植被含水量低, 故 FMC 值较低 另外, 由于获取不同条带图像时的飞机飞行姿态 SASI 仪器稳定性等诸多因素有所差异, 使得不同条带的图像间的一致性受到影响, 从而导致本文获取的 FMC 图中有一定程度的条带现象, 且个别条带内也出现了部分异常区 ( 如 C 区 ) 99

7 R1670 R 1655 D (SASI) (9) 15 R1670 R 1655 FMC(%) (10) 15 图 7 研究区 FMC 估算结果图为了验证模型的精度, 本文利用实测 FMC 对估算结果进行验证 由于条带影响,EC7 和 EC12 数据不参于精度检验 对于剩余 10 个采样点, 将每个采样点周围的 9 个像元的 FMC 的平均值作为对应采样点的估算值 将实测值和估算值进行对比, 结果如图 8 所示 可以看出, 实测值与估算值相关性较好, 相关系数 R 为 0.84,RMSE 为 2.90% 该精度能够满足农业 生态 水文对区域 FMC 信息的需求 图 8 表明, 基于 PROSAIL 模型模拟数据建立的 FMC 估算模型具有较高的估算精度 主要是因为 PROSAIL 模型是基于辐射传输方程建立的, 能够精确的模拟植被的冠层光谱, 从而建立准确有效的 FMC 估算模型 由于未测量其他作物类型的 FMC, 本研究仅仅验证了玉米 FMC 估算的精度, 对于其他作物的估算精度有待进一步研究 图 8 估算与实测 FMC 对比图 100

8 4 结论 本文提出了一种新的基于 SASI 机载高光谱数据估算 FMC 的方法, 该方法实用有效, 能够进行区域 FMC 的估算 主要结论如下 : (1)PROSAIL 模型具有严密的理论基础, 能够精确的描述植被冠层反射特征 基于 PROSAIL 模型模拟数据建立了 FMC 的估算模型 并利用 SASI 数据, 实现了区域 FMC 的估算, 估算的结果分布较为合理, 利用实测数据验证表明, 模型具有较高的精度, 为获取大范围 FMC 提供了一个新的思路 (2)D D 均与 FMC 密切相关, 基于 D 建立的 FMC 估算模型精度略高于基于 D 建立的 FMC 估算模型, 在 FMC 估算时可优先考虑 D 下一步的工作主要包括根据不同植被的特征, 进一步优化 PROSAIL 模型的输入参数, 从而得到不同植被类型的 FMC 的估算模型, 并根据植被类型分布图进行 FMC 的估算, 将进一步提高 FMC 的估算精度 ; 以及采用新的实验数据来进行模型的验证和其他生化参数如 LAI 等的估算及验证 致谢 : 对寒区旱区科学数据中心 ( 提供的机载 SASI 高光谱数据和植被生物量数据表示感谢 参考文献 : [ 1 ] Yebra M, Dennison P E, Chuvieco E, et al. A global review of remote sensing of live fuel moisture content for fire danger assessment: Moving towards operational products [J]. Remote sensing of environment, 2013, 136: [ 2 ] Ghulam A, Li Z L, Qin Q, et al. Estimating crop water stress with ETM+ NIR and SWIR data[j]. Agricultural and Forest Meteorology, 2008, 148(11): [ 3 ] Chuvieco E, Riano D, Aguado I, et al. Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data: applications in fire danger assessment[j]. International Journal of Remote Sensing, 2002, 23(11): [ 4 ] Roberts D A, Dennison P E, Peterson S, et al. Evaluation of Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) and Moderate Resolution Imaging Spectrometer (MODIS) measures of live fuel moisture and fuel condition in a shrubland ecosystem in southern California[J]. Journal of Geophysical Research: Biogeosciences ( ), 2006, 111(G4). [ 5 ] Dennison P E, Roberts D A, Peterson S H, et al. Use of normalized difference water index for monitoring live fuel moisture[j]. International Journal of Remote Sensing, 2005, 26(5): [ 6 ] Peterson S H, Roberts D A, Dennison P E. Mapping live fuel moisture with MODIS data: a multiple regression approach[j]. Remote Sensing of Environment, 2008, 112(12): [ 7 ] Stow D, Niphadkar M, Kaiser J. MODIS derived visible atmospherically resistant index for monitoring chaparral moisture content[j]. International Journal of Remote Sensing, 2005, 26(17): [ 8 ] Si Y, Schlerf M, Zurita-Milla R, et al. Mapping spatio-temporal variation of grassland quantity and quality using MERIS data and the PROSAIL model[j]. Remote Sensing of Environment, 2012, 121: [ 9 ] Yebra M, Chuvieco E, Riaño D. Estimation of live fuel moisture content from MODIS images for fire risk assessment[j]. Agricultural and Forest Meteorology, 2008, 148(4): [ 10 ] Gómez J A, Zarco-Tejada P J, García-Morillo J, et al. Determining biophysical parameters for olive trees using CASI-airborne and Quickbird-satellite imagery[j]. Agronomy Journal, 2011, 103(3): [ 11 ] Xiao Q, Wen J. HiWATER: visible and near -infrared hyperspectral radiometer (29th, June, 2012) [EB/OL] [ ]. -d83e463a835e. [ 12 ] Wang W, Huang Y, Xu F, et al. HiWATER: Dataset of biomass observed in the middle reaches of the Heihe River Basin [EB/O L] [ ]. westgis.ac.cn/data/4c26a1f a6c-a eedece4. [ 13 ] Jacquemoud S, Baret F. PROSPECT: A model of leaf optical properties spectra[j]. Remote sensing of environment, 1990, 34(2): [ 14 ] Verhoef W. Light scattering by leaf layers with application to canopy reflectance modeling: the SAIL model[j]. Remote sensing of environment, 1984, 16(2): [ 15 ] Feret J B, François C, Asner G P, et al. PROSPECT-4 and 5: Advances in the leaf optical properties model separating photosynthetic pigments[j]. Remote Sensing of Environment, 2008, 112(6): [ 16 ] Verhoef W, Jia L, Xiao Q, et al. Unified optical-thermal four-stream radiative transfer theory for homogeneous vegetation canopies[j]. Geoscience and Remote Sensing, IEEE Transactions on, 2007, 45(6): [ 17 ] Wang L, Hunt E R, Qu J J, et al. Remote sensing of fuel moisture content from ratios of narrow-band vegetation water and dry-matter indices[j]. Remote Sensing of Environment, 2013, 129: [ 18 ] Danson F M, Bowyer P. Estimating live fuel moisture content from remotely sensed reflectance[j]. Remote Sensing of Environment, 2004, 92(3): [ 19 ] Jacquemoud S, Verhoef W, Baret F, et al. PROSPECT+ SAIL models: A review of use for vegetation characterization[j]. Remote Sensing of Environment, 2009, 113: S56-S66. [ 20 ] 刘轲, 周清波, 吴文斌, 等. 基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较 [J]. 农业工程学 101

9 报,2016,32(3): [ 21 ] 杨贵军, 赵春江, 邢著荣, 等. 基于 PROBA/CHRIS 遥感数据和 PROSAIL 模型的春小麦 LAI 反演方法 [J]. 农业工程学报,2011,27(10): [ 22 ] Joint Research Centre of the European Commission. Simlab [EB/OL] [ ]. [ 23 ] 付元元, 王纪华, 杨贵军, 等. 应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算 [J]. 光谱学与光谱分析,2013,33(5): [ 24 ] Liao Qinhong.Chlorophyll content mapping of crops in Heihe River Basin based on hyperspectral vegetation indices[j]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2015,31(Z2): [ 25 ] Rouse J W, Haas R W, Schell J A, et al. Monitoring the vernal advancement and retrogradation (Greenwave effect) of natural vegetation. Type III final report. Greenbelt, MD, USA: NASA/GSFC,1974. [ 26 ] Huete A R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 1988,25: [ 27 ] Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 2002,83: [ 28 ] Gitelson A, Kaufmam J Y, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction. Remote Sensing of Environment, 2002,80: [ 29 ] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment,1979, 8: [ 30 ] Hardisky M A, Klemas V, & Smart R M. The influence of soil salinity, growth form, and leaf moisture on the spectral radiance of Spartina alterniflora canopies[j]. Photogrammetric Engineering and Remote Sensing, 1983,49: [ 31 ] Gao B C. NDWI. A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, 1996,58: [ 32 ] Peñuelas J, Biel C, Serrano L, et al. The reflectance at the nm region as an indicator of plant water status[j]. International Journal of Remote Sensing, 1993,14: [ 33 ] Peñuelas J, Piñol J, Ogaya R, et al. Estimation of plant water concentration by the reflectance Water Index WI (R900/R970) [J]. International Journal of Remote Sensing, 1997,18: [ 34 ] Ceccato P, Flasse S, & Gregoire J M. Designing a spectral index to estimate vegetation water content from remote sensing data: Part 2. Validation and applications[j]. Remote Sensing of Environment, 2002,82:

10 Estimation of fuel moisture content using airborne SASI hyperspectral data Ma Jianwei 1, Huang Shifeng 1, Li Jiren 1, Li Xiaotao 1, Song Xiaoning 2, Leng Pei 3, Sun Yayong 1, Lei Tianjie 1 (1. Research Center of Flood and Drought Disaster Reduction of the Ministry of Water Resources, China Institute of Water Resources and Hydropower Research, Beijing , China;2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing , China; 3. Key Laboratory of Agri-informatics, Ministry of Agriculture/Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing , China) Abstract: Fuel moisture content (FMC) has widespread utility in agriculture and forest for drought and wildfire monitoring. Hyperspectral remote sensing has demonstrated great potential for accurate retrieval of FMC for its high spectral resolution and it can provide plenty of narrow bands ranging from visible to near-infrared(nir) and the shortwave-infrared (SWIR). The FMC is the ratio of the mass of water contained in a live plant to the total mass of the plant. Liquid water has strong absorption features in the near- and shortwave-infrared spectral regions (five water absorption feature at 970nm,1200nm, 1450 nm,1930nm and 2500nm), which provide a physical basis for direct estimation of FMC. In this paper, in particular the spectral information provided by the water absorption feature at 1200nm and 1450 nm for estimating and predicting FMC was studied using a modelling approach and airborne SASI (Shortwave infrared Airborne Spectrographic Imager) hyperspectral data. The relationship of the first derivative at the right slope of the 1200 nm and 1450 nm water absorption feature with FMC were investigated with the PROSAIL radiative transfer model (using coupled 4-SAIL/ PROSPECT-4 models) and tested for airborne SASI hyperspectral data in the Heihe basin. Ten vegetation indices, including Normalized Difference Vegetation Index (NDVI), Soil Adjusted Vegetation Index(SAVI), Enhanced Vegetation Index (EVI), Visible Atmospherically Resistant Index (VRAI), Vegetation Index Green (VIgreen),Normalized Difference Infrared Index (with band 6, NDII6), Normalized Difference Infrared Index (with band 7, NDII7), Normalized Difference Water Index (NDWI ), Global Vegetation Moisture Index (GVMI), and Water Index (WI), were also investigated for FMC estimation to compare with the proposed method. Results indicated that WI and NDWI were more correlated with FMC than the rest of vegetation indices, but the coefficient of determination (R2) were only and 0.214, the root mean square error (RMSE) were % and % for WI and NDWI, respectively. Hence, the FMC estimation using vegetation indices can not meet the requirements of the precision. While the first derivative at the right slope ( nm, D ) of the 1200 nm water absorption feature and the first derivative at the right slope ( nm, D ) of the 1450 nm water absorption feature were strongly related to FMC, and the R2 were up to and , the RMSE were only 2.64% and 2.98% respectively. Based on these findings, two novel linear models for FMC estimation using D and D were developed. Then, band 1655 nm and 1670 nm of SASI data were selected to calculate D , and FMC in the study area was estimated using the proposed model. Most of the FMC in the study area ranged from 70% to 85%, and the distribution of FMC was feasible when compared with the land use map. Finally, ten filed FMC measurements of corn were used to verification the estimation accuracy. It indicated that the correlation coefficient (R) between estimated and measured FMC was 0.84, and RMSE was 2.90%. This precision can meet the requirements of agriculture and forest studies. The result demonstrates the proposed models are practical and reliable and this study provides a more efficient way for obtaining FMC of large area using hyperspectral remote sensing data. Key words: fuel moisture content; SASI; PROSAIL model; first derivative 103

11 中国水利水电科学研究院第十三届青年学术交流会 基于机载 SASI 高光谱数据的植被含水量估算 马建威 1, 黄诗峰 1, 李纪人 1, 李小涛 1, 宋小宁 2, 冷佩 3, 孙亚勇 1 1. 中国水利水电科学研究院, 北京 中国科学院大学资源与环境学院, 北京 农业部农业信息技术重点实验室 / 中国农业科学院农业资源与农业区划研究所, 摘要 植被含水量广泛应用于农业 森林等研究中 该文基于 PROSAIL 模型, 建立了利用机载 SASI 高光谱数据的植被含水量估算模型 首先, 基于 PROSAIL 模型的模拟数据表明, 1200 nm 水吸收带右侧曲线 (1210~1260 nm) 一阶导数 D 和 1450 nm 水吸收带右侧曲线 (1650~1680 nm) 一阶导数 D 均与植被含水量关系密切, 决定系数分别为 和 在此基础上, 该文建立了基于 D 和 D 的植被含水量估算模型 其次, 该文利用 SASI 数据的 1655 和 1670 nm 2 个波段计算了 D , 并利用所建模型实现了研究区植被含水量的估算 最后, 利用黑河流域的实测数据对估算结果进行了验证 结果表明, 估算与实测的植被含水量相关系数为 0.84, 均方根误差为 2.90%, 证明该模型可靠 该研究可以为利用高光谱数据获取区域植被含水量信息提供有效方法 马建威马建威 (1988-), 男, 博士生, 主要从事地表参数定量遥感反演 验证 及相应软件开发的研究 关键词 植被含水量 ;SASI;PROSAIL 模型 ; 一阶导数 注 : 论文未公开发表过 104