Remote Sensing | 基于Sentinel-2卫星影像数据的全球分米级分辨率下生物物理参数估算

研究现状及存在的问题

植被的重要性在陆地—大气相互作用的研究中被广泛认知，诸如叶面积指数(Leaf Area Index, LAI)、光合作用有效辐射吸收率(Fraction of Absorbed Photosynthetically Active Radiation, FAPAR)[1-3] 及植被覆盖率(Fractional Vegetation Cover, FVC)[4-6]等生物物理参数均可有效地描述植被功能，现已被业界广泛采用。为了长期收集全球的LAI、FAPAR和FVC数据集，以用于大规模的农业生态系统的监测和建模，卫星遥感技术提供了一种有效的方法。

大多数全球LAI、FAPAR和FVC产品只能在百米级分辨率(300–1000 m)，甚至更粗的空间分辨率下使用[7,8]。由于土地表面不均匀，中等分辨率或粗分辨率的像素通常是几种土地覆盖类型的混合，这就导致生物物理变量检索发生错误[9–11]。

由欧洲航天局设计的Sentinel2A和Sentinel2B卫星组成的Sentinel2，提供免费的多光谱分米空间分辨率(10–60m)光学图像，每隔5天可在全球地面上进行一次图像采集[12-13]。由于其较高的时空分辨率和丰富的光谱波段，Sentinel2为在分米尺度下生成全球LAI、FAPAR和FVC产品开辟了新的前景。然而，由于数据预处理和反演算法的不确定性，因此需要先对Sentinel2 LAI、FAPAR和FVC估算值的准确性进行评估，才能对算法进行潜在的改进，并在生态环境做进一步的应用[12]。

关于数据产品质量的评价验证方案一般分为两类：直接验证和产品互比较。对于2016年新开发的导出Sentinel-2 LAI、FAPAR和FVC估算值的S2LP工具，因先前的验证研究受到诸多限制(如空间上的局限性，关注的变量较少，验证的植被类型单一，不确定性来源未知等)，现有几项研究均报告了这些估算值在区域和观测时间上的不确定性[14-21]。这些认知差异突显了对Sentinel2生物物理估算值进行综合评估的必要性。

近期来自华中师范大学、华中农业大学的Qiong Hu博士等人在Remote Sensing期刊上发表了一篇论文(识别文末二维码即可获取英文原文)，提供了有关Sentinel-2 LAI，FAPAR和FVC估算性能的基本信息，并探讨了造成估算不确定性的原因。

 研究过程与结果

本研究基于欧盟的ImaginS项目，共选取了如图1所示的10个覆盖2015–2016年地面测量数据的站点进行验证。

01

图1：2015年至2016年LAI /LAIe、FAPAR和FVC测量结果的选定地点的空间分布

彩色图像是由Sentinel2三个波段组成，即：波段8a(近红外光)，波段4(红光)，波段3(绿光)，空间分辨率为20m，其中黄色点代表地面基本采样单元。(a-e)分别表示乌克兰、法国、西班牙、意大利和肯尼亚的地面测量位置。

该研究方法包括三个子步骤

步骤1

采用PROSAIL模型生成训练数据集

步骤2

训练神经网络。根据步骤1生成的训练数据，分别将LAI，FAPAR 和FVC的训练数据输入到三个子神经网络中。该神经网络由五个神经元的隐藏层和一个线性输出神经元的输出层组成；

步骤3

预测LAI，FAPAR和FVC。利用步骤2中训练的神经网络，采用波段3–7，8a，11，12波段为输入数据，分别对上述三个参数进行预测，并分别生成质量因子。

通过将LAI、FAPAR和FVC估算结果与地面实测数据进行比较，结果如图2所示：

02

图2：地面测量站点观测值和Sentinel2估算值的比较

图2显示了Sentinel2的生物物理估算值的不确定性，该估算值是根据收集到的地面测量站点的实测值进行评估的，Sentinel2估算性能随生物物理变量不同而变。

• FAPAR估算值与地面测量站点实测值的一致性最好；

• LAI估算值与LAIe和LAI 地面测量站点实测值的一致性较差；

• FVC估算值与相应的地面测量站点实测值的表现也很好，几乎没有偏差，不确定性较低。

总的来说，虽然Sentinel2 LAI估算值代表了根据算法得到的LAIe，但是图2a、b分别通过与LAIe和LAI 实测值的对比，表现出了一些高估(偏差= 0.57 m²/m²)和低估(偏差= −0.40 m²/m²)。此外，Sentinel2 LAI估算值与LAIe 实测值 (R2 = 0.42)的一致性优于LAI ESUs (R2 = 0.39)， RMSE(均方根误差)较低。Sentinel2 LAI像素满足全球气象观测系统GCOS(Global Climate Observing System)不确定度要求(max(0.5, 20%))的比例分别为46.85%和40.21%，分别代表LAIe和LAI。值得注意的是，Sentinel2 LAI估算值与LAI实测值相比，对中段LAI (1.5 m²/m² < LAI < 3.5 m²/m²)有较大的高估，而Sentinel2 LAI估算值与LAIe 实测值的离散度大于与LAI 实测值的离散度。

讨论分析与展望

若在具有异质性景观的区域来讲，当前百米或千米级空间分辨率的生物物理产品限制了在具有异质性景观区域的生态系统过程的建模。基于Sentinel2 MSI图像的生物物理算法为在分米级空间分辨率下生成一个全球LAI、FAPAR和FVC估算值提供了一种有效的方法，但需要在不同的区域、观测日期和植被类型上对这些估算值进行全面的验证，以了解其性能并进一步扩大其应用。

本研究采用一致的测量标准和地面测量结果GMD(Ground Measurement Derived, GMD)参考图对所有2015–2016年地面测量站点实测值与Sentinel2 LAI、FAPAR和FVC估算值进行了定量验证。结果表明，基于地面调查的植被和非植被分类结果的准确率均在95%以上，可以用于识别植被像素。

对不同变量的空间覆盖最优反演的评价结果显示，FVC估算获得了最好的结果(准确率近100%)，其次是LAI(87.3%)和FAPAR(87.2%)估算。其他检索质量较差的主要原因是输入值超出了范围，因此在以后的算法改进中需要将此项考虑进去。通过数据产品相互比较表明，Sentinel2 FAPAR和FVC估算值与GMD参考图非常一致，而LAI估算值在GMD LAIe和LAI参考图上存在较大差异。与地面测量站点实测值的对比表明，Sentinel2 LAI估算值更接近LAIe，因为在检索算法中存在未校正的聚集效应。对于Sentinel2 FAPAR和FVC估算值来说，由于没有观察到明显的系统误差(FAPAR偏差为−0.02, FVC偏差为0.03)，因此它们的不确定性非常低(RMSE = 0.13, FAPAR偏差为0.17，FVC偏差为0.17)。

此外，我们使用单一的神经网络来推算了所有植被类型的估算值，由此得出所有Sentinel2生物物理估算值在森林和草地上的表现都好于在农作物上的表现。但由于地面测量站点相对较少，且Sentinel2和地面观测之间存在时间间隔，所以这些验证结果存在局限性。今后需在不同区域进行更多的多时相地面测量工作，以便为检索算法的改进和分米级生物物理参数估计的广泛应用提供基础信息。

参考文献：

1. Weiss, M.; Baret, F.; Garrigues, S.; Lacaze, R. LAI and fAPAR CYCLOPES global products derived from

VEGETATION. Part 2: Validation and comparison with MODIS collection 4 products. Remote Sens. Environ.

2007, 110, 317–331.

2. Global Climate Observing System (GCOS). Systematic Observation Requirements for Satellite-Based Products for Climate, 2011 Update, Supplemental Details to the Satellite-Based Component of the Implementation Plan for the Global Observing System for Climate in Support of the UNFCCC (2010 Update). Available online: https://library.wmo.int/index.php?lvl=notice_display&id=12907 (accessed on 10 January 2020).

3. Baret, F.; Weiss, M.; Lacaze, R.; Camacho, F.; Makhmara, H.; Pacholcyzk, P.; Smets, B. GEOV1: LAI and FAPAR essential climate variables and FCOVER global time series capitalizing over existing products. Part1: Principles of development and production. Remote Sens. Environ. 2013, 137, 299–309.

4. Song, W.; Mu, X.; Ruan, G.; Gao, Z.; Li, L.; Yan, G. Estimating fractional vegetation cover and the vegetation index of bare soil and highly dense vegetation with a physically based method. Int. J. Appl. Earth Obs. Geoinf. 2017, 58, 168–176.

5. Jiang, Z.; Huete, A.R.; Chen, J.; Chen, Y.; Li, J.; Yan, G.; Zhang, X. Analysis of NDVI and scaled di_erence vegetation index retrievals of vegetation fraction. Remote Sens. Environ. 2006, 101, 366–378.

6. Jia, K.; Liang, S.; Gu, X.; Baret, F.; Wei, X.; Wang, X.; Yao, Y.; Yang, L.; Li, Y. Fractional vegetation cover estimation algorithm for Chinese GF-1 wide field view data. Remote Sens. Environ. 2016, 177, 184–191.

7. Li, W.; Weiss, M.; Waldner, F.; Defourny, P.; Demarez, V.; Morin, D.; Hagolle, O.; Baret, F. A generic algorithm to estimate LAI, FAPAR and FCOVER variables from SPOT4 HRVIR and Landsat sensors: Evaluation of the consistency and comparison with ground measurements. Remote Sens. 2015, 7, 15494-15516.

8. Ganguly, S.; Nemani, R.R.; Zhang, G.; Hashimoto, H.; Milesi, C.; Michaelis, A.; Wang, W.; Votava, P.;

Samanta, A.; Melton, F.; et al. Generating global leaf area index from Landsat: Algorithm formulation and

demonstration. Remote Sens. Environ. 2012, 122, 185–202.

9. Chen, J.M.; Pavlic, G.; Brown, L.; Cihlar, J.; Leblanc, S.G.; White, H.P.; Hall, R.J.; Peddle, D.R.; King, D.J.;

Trofymow, J.A.; et al. Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements. Remote Sens. Environ. 2002, 80, 165–184

10. Yin, G.; Li, J.; Liu, Q.; Li, L.; Zeng, Y.; Xu, B.; Yang, L.; Zhao, J. Improving leaf area index retrieval over heterogeneous surface by integrating textural and contextual information: A case study in the Heihe river basin. IEEE Geosci. Remote Sens. Lett. 2015, 12, 359–363.

11. Xu, B.; Li, J.; Park, T.; Liu, Q.; Zeng, Y.; Yin, G.; Yan, K.; Chen, C.; Zhao, J.; Fan, W.; et al. Improving leaf

area index retrieval over heterogeneous surface mixed with water. Remote Sens. Environ. 2020, 240, 111700.

12. Fang, H.; Li, W.; Myneni, R. The impact of potential land cover misclassification on MODIS leaf area index (LAI) estimation: A statistical perspective. Remote Sens. 2013, 5, 830–844

13. Drusch, M.; Del Bello, U.; Carlier, S.; Colin, O.; Fernandez, V.; Gascon, F.; Hoersch, B.; Isola, C.; Laberinti, P.; Martimort, P.; et al. Sentinel-2: ESA’s optical high-resolution mission for GMES operational services. Remote Sens. Environ. 2012, 120, 25–36

14. Camacho, F.; Cernicharo, J.; Lacaze, R.; Baret, F.;Weiss, M. GEOV1: LAI, FAPAR essential climate variables and FCOVER global time series capitalizing over existing products. Part 2: Validation and intercomparison with reference products. Remote Sens. Environ. 2013, 137, 310–329

15. Garrigues, S.; Lacaze, R.; Baret, F.; Morisette, J.T.; Weiss, M.; Nickeson, J.E.; Fernandes, R.; Plummer, S.;

Shabanov, N.V.; Myneni, R.B.; et al. Validation and intercomparison of global leaf area index products

derived from remote sensing data. J. Geophys. Res. 2008, 113, G02028

16. Claverie, M.; Vermote, E.F.;Weiss, M.; Baret, F.; Hagolle, O.; Demarez, V. Validation of coarse spatial resolution LAI and FAPAR time series over cropland in southwest France. Remote Sens. Environ. 2013, 139, 216–230

17. Yin, G.; Li, A.; Jin, H.; Zhao,W.; Bian, J.; Qu, Y.; Zeng, Y.; Xu, B. Derivation of temporally continuous LAI

reference maps through combining the LAINet observation system with CACAO. Agric. For. Meteorol. 2017,

233, 209–221.

18. Brown, A.L.; Ogutu, O.B.; Dash, J. Estimating forest leaf area index and canopy chlorophyll content with

Sentinel-2: An evaluation of two hybrid retrieval algorithms. Remote Sens. 2019, 11, 1752

19. Pan, H.; Chen, Z.; Ren, J.; Li, H.;Wu, S. Modeling winter wheat leaf area index and canopy water content

with three di_erent approaches using Sentinel-2 multispectral instrument data. IEEE J. Sel. Top. Appl. Earth

Obs. Remote Sens. 2019, 12, 482–492.

20. Pasqualotto, N.; D’Urso, G.; Bolognesi, F.S.; Belfiore, R.O.; VanWittenberghe, S.; Delegido, J.; Pezzola, A.;

Winschel, C.; Moreno, J. Retrieval of evapotranspiration from Sentinel-2: Comparison of vegetation indices,

semi-empirical models and SNAP biophysical processor approach. Agronomy 2019, 9, 663.

21. Pasqualotto, N.; Delegido, J.; Van Wittenberghe, S.; Rinaldi, M.; Moreno, J. Multi-crop green LAI estimation with a new simple sentinel-2 LAI index (SeLI). Sensors 2019, 19, 904.

Remote Sensing (ISSN 2072-4292; IF:4.118) 是一个与遥感学科相关的国际型开放获取期刊。其期刊范围涵盖遥感科学所有领域，从传感器的设计、验证和校准，到遥感在地球科学、环境生态、土木建筑等各方面的广泛应用。Remote Sensing采取单盲同行评审，一审周期约为19天，文章从接收到发表仅需2.9天。

识别二维码，阅读英文原文。

Hu, Q.; Yang, J.; Xu, B.; Huang, J.; Memon, M.S.; Yin, G.; Zeng, Y.; Zhao, J.; Liu, K.Evaluation of Global Decametric-Resolution LAI, FAPAR and FVC Estimates Derived from Sentinel-2 Imagery. Remote Sens. 2020, 12, 912.

往期回顾：

版权声明：

*翻译作者：Cris Wang

*本文内容由MDPI中国办公室编辑负责撰写，一切内容请以英文原版为准。如需转载，请邮件联系：

[e-mail]

点击左下方“阅读原文”，了解Remote Sensing 期刊更多内容。

喜欢今天的内容？不如点个“在看”吧！