利用混合PROSAIL-SVR方法对田间作物叶面积指数进行模拟：评估Sentinel-2和PlanetScope的潜力

《International Journal of Remote Sensing》：Within-field crop leaf area index simulation using a hybrid PROSAIL-SVR approach: evaluating Sentinel-2 and PlanetScope potential

作物叶面积指数（LAI）的时空异质性监测是精准农业的核心挑战。本研究提出PROSAIL模型与支持向量回归（SVR）的混合反演方法，利用Sentinel-2（10米）与PlanetScope（3米）卫星数据，在德国Brandenburg实验场分析冬季小麦和大麦的LAI动态。结果显示：PlanetScope在空间异质性捕捉（Rao's Q指数均值0.65 vs. Sentinel-2 0.42）和土壤差异响应（SC1-SC3 LAI标准差0.3-0.7）上显著优于Sentinel-2（RMSE 0.71 vs. 1.38，KGE 0.38-0.85 vs. 0.25-0.77）。卫星光谱分辨率与空间尺度共同影响LAI模拟精度，高分辨率数据更能反映土壤异质性导致的作物生长差异。

　　在现代农业中，精确估计作物叶面积指数（LAI）的变化对于实现精准农业至关重要。LAI不仅直接影响农业生态系统的运行和水分利用效率，还通过蒸腾作用和光合作用对作物的生长和发育产生深远影响。近年来，光学辐射传输模型PROSAIL与卫星遥感数据的结合，使得LAI的动态变化能够被模拟出来。中分辨率的Sentinel-2和新兴的高分辨率PlanetScope卫星数据，为模拟LAI提供了不同的可能性，分别能够实现10米和3米的分辨率。本研究通过综合分析卫星数据对LAI模拟的效果，探索其在田间LAI变化中的潜力。我们采用了一种混合反演方法，将PROSAIL模型与支持向量回归（SVR）结合，用于模拟不同生长阶段的冬季黑麦草作物的LAI，评估其在农业田块中的高空间变化性。为了验证模拟结果，我们收集了田间不同土壤类型的LAI观测数据，这有助于研究土壤类型对LAI发展的具体影响。我们还使用Rao’s Q指数对模拟的LAI进行异质性分析，以捕捉田间LAI的细微变化。研究结果表明，Sentinel-2和PlanetScope卫星数据在LAI模拟方面均表现出良好的准确性，KGE指数高于0.3，RMSE范围在0.48到1.51之间。尽管两种卫星数据在LAI数值上表现相似，但PlanetScope在田间异质性方面更为突出，对不同土壤类型的产量潜力更加敏感。Rao’s Q异质性指数图进一步表明，PlanetScope能够更详细地捕捉LAI的局部变化，相比Sentinel-2更为精确。

精准农业的目标是高效利用农业资源，从而提高产量并减少碳排放。监测作物在生长季节中的状态有助于实现这一目标。作物的生物物理特性在生长过程中发生变化，这些变化通常通过LAI来衡量，LAI被定义为单位地面面积上的一侧叶面积。精准农业利用LAI观测数据优化田间管理，将灌溉、施肥和喷洒等农业实践调整到不同区域的作物需求上。LAI在空间上具有高度变异性，受到土壤质地、养分供应等环境变量的影响。LAI与水分利用效率直接相关，较高的LAI表明作物能够更有效地利用水分，从而更好地理解作物在不同灌溉方案下的响应。鉴于光合作用是作物生产的关键因素，LAI有助于施肥管理，并结合精准农业技术实现高效的养分分配。对于喷洒，LAI有助于确定农药和除草剂的最优使用量，调整喷洒设备设置以提高覆盖效果，并减少环境影响。

尽管地面采样是观察LAI的传统方法，但其成本高且耗时，限制了大规模和连续的观测。LAI的分布具有异质性，难以通过地面观测完全捕捉。安装物联网（IoT）设备进行连续的LAI观测可以提供可靠的作物生长数据，但仍然无法全面反映田间变化。卫星遥感（RS）能够通过作物冠层顶部的反射率和土壤背景反射率，提供关于生物物理变量的信息。辐射传输模型，如PROSAIL，利用这些生物物理变量模拟冠层顶部的反射率。因此，结合遥感观测数据对辐射传输模型进行反演，可以获取生物物理变量的信息。虽然已有研究使用PROSAIL模型反演来估算生态系统和田间尺度的作物属性（Johansen et al. 2022；Kimm et al. 2020；Liu et al. 2024；Pasqualotto et al. 2019；Rosso et al. 2022；Zérah, Valero, and Inglada 2024），但需要进一步研究以评估Sentinel-2和PlanetScope等不同分辨率的卫星数据如何通过模型反演捕捉田间异质性。

Sentinel-2卫星由欧洲航天局（ESA）管理，是Copernicus计划的一部分。它由两颗相同的卫星组成，Sentinel-2A（2015年6月发射）和Sentinel-2B（2017年3月发射），具有5天的重访周期。Sentinel-2提供覆盖13个光谱波段的光学图像数据，包括4个可见近红外（VNIR）波段（蓝、绿、红和近红外（NIR）波段）的10米分辨率，6个波段（4个红边波段和2个短波红外（SWIR）波段）的20米分辨率，以及3个波段（海岸气溶胶、水汽和卷云）的60米分辨率。PlanetScope由大约130颗小型卫星组成，自2014年首次发射以来，一直在地球轨道上运行，由Planet Labs公司管理。这些卫星提供每天的全球覆盖，空间分辨率达到3米。PlanetScope数据来源于三组卫星：Dove Classic和Dove R（4个VNIR波段），以及Super Dove（8个波段，包括额外的海岸蓝、绿1、黄和红边波段）。我们获取了无云和大气校正的PlanetScope和Sentinel-2B数据，这些数据在观测日期或在6天的时间间隔内（早或晚）可用。尽管卫星图像获取与观测日期之间有6天的间隔，但这一时间间隔被认为是可接受的，因为LAI在短时间内预计不会发生显著变化。例如，2021年6月中旬作物的高级生长阶段（开花期）会导致粒重阶段，这一阶段LAI变化不大，仅轻微波动。此外，田间观测日期仅由作物生长阶段和晴朗天气决定。Planet Labs提供PlanetScope的冠层顶部反射率数据，经过大气和辐射校正后作为“analytic_ssr”资产，而ESA提供Sentinel-2的冠层顶部反射率数据作为Level-2A产品。我们从DOVE Classic、DOVE-R和SuperDove获取PlanetScope数据，并选择了对应的4个VNIR波段。同样，我们选择了Sentinel-2B的相同4个VNIR波段（10米分辨率）用于LAI模拟。

我们采用光学辐射传输模型PROSAIL进行LAI模拟，该模型结合了两个已有的模型：PROSPECT-D（叶光学特性模拟）和4SAIL（植被冠层双向反射率分布函数模拟）。PROSPECT-D能够模拟单个叶片的光学特性，这些特性取决于叶片组成，如叶绿素含量（C_ab）、干物质含量（C_dm）、等效水厚度（C_w）、类胡萝卜素（C_ca）和叶片结构成分（N）。SAIL可以模拟植被冠层的双向反射率分布函数（BRDF），考虑冠层的几何结构，如平均叶片倾斜角（ALIA）和LAI。通过将这两个模型结合，PROSAIL可以模拟不同条件下植被冠层的冠层顶部反射率，如不同太阳角、观测几何和冠层结构。LAI的模拟可以看作是对PROSAIL模型的反演，其中冠层顶部反射率数据来自卫星数据。PROSAIL模型已成功用于反演高光谱实验室测量数据（例如Bayat, van der Tol, and Verhoef 2016）和多光谱卫星观测数据（例如Bayat, van der Tol, and Verhoef 2018, 2020；Raj et al. 2020）以模拟LAI的时间序列。在本研究中，我们实施了将PROSAIL模型与支持向量回归（SVR）方法结合的混合反演方法，SVR是一种机器学习方法，用于模拟卫星数据的每个像素的LAI。这种方法被称为混合反演方法，结合了LAI的物理过程和机器学习。混合反演使用了R包“prosail 2.5.2”（Feret and de Boissieu 2024）。我们实施了以下步骤：

我们根据之前使用的值和观测数据，定义了每个PROSAIL输入参数的宽泛均匀分布（表2）。LAI分布的上限固定为所有观测值的最大值加上两倍的标准差。我们选择宽泛分布的参数，以便SVR模型可以在多样化的数据点上进行训练，减少偏差。每个观测日期的固定太阳和观测几何值来自卫星图像的元数据。此外，使用400到2500纳米范围内的模拟干土壤光谱（默认在prosail 2.5.2包中（Jacquemoud, Baret, and Hanocq 1992）），在PROSAIL模型反演中进行了考虑。需要注意的是，使用土壤光谱主要适用于稀疏植被，因此在密集冠层中影响较小。

我们生成了50,000个输入参数向量，这些向量是从定义的输入参数分布中随机生成的。对于每个输入参数集（向量），PROSAIL模型用于模拟相应的冠层顶部反射率（400到2500纳米，1纳米光谱分辨率）。模拟的反射率向量随后被重新采样到卫星数据的四个VNIR波段，这些波段用于LAI模拟，使用卫星光谱响应函数（SRF）。卫星的冠层顶部反射率数据还包括由多个因素引起的不确定性，如仪器噪声、辐射校正、大气和几何校正以及辐射传输模型本身（Hauser et al. 2021；Sun et al. 2022；Verger, Baret, and Camacho 2011）。在LAI模拟中，这些不确定性通过在模拟和重新采样的冠层顶部反射率上应用随机高斯噪声进行考虑。

我们训练了50个SVR模型，遵循Hauser et al.（2021）的方法。每个SVR模型使用1000个从输入参数向量中随机选择的LAI值，以及它们对应的模拟和重新采样的冠层顶部反射率向量进行训练。为了确保从有限种群中进行无偏采样，我们使用了有放回的随机选择方法。最终步骤是将卫星数据的冠层顶部反射率反演为LAI。为了完成这一任务，我们应用了训练好的50个SVR模型到卫星数据的每个像素。这一过程生成了每个像素的50个LAI值。为了产生代表性的LAI值，我们计算了50个生成值的平均值。这样，通过使用PlanetScope和Sentinel-2卫星数据，我们创建了整个研究区域的LAI图，用于不同作物生长阶段。

我们选择仅使用Sentinel-2数据的10米分辨率的四个VNIR波段来训练SVR模型，有两个原因：（1）这些波段足以获得LAI，因为NIR是植被绿色度和LAI最敏感的波段；（2）这些波段与所有PlanetScope传感器使用的波段相匹配（表1），这允许我们对两种卫星数据的LAI进行公平比较。在本研究中，我们使用了3×3像素的移动窗口（N=9）来生成Rao’s Q异质性指数。Rao’s Q指数可以取任何正数值，数值越高表示与邻近像素的异质性越高。

我们生成并比较了PlanetScope和Sentinel-2数据的LAI异质性图，以识别两种卫星数据在空间LAI模式上的显著差异，并确定最有效的数据用于监测田间作物LAI的异质性。在2020年茎伸长末期，PlanetScope和Sentinel-2传感器均表现出较强的模拟性能，KGE值显著高于0.3阈值，达到0.77。然而，PlanetScope在2021年茎伸长末期的性能有所下降，KGE值为0.38，但仍高于阈值。尽管如此，两种卫星数据在开花末期的KGE值仍较高，表明其模拟性能有所恢复。总体而言，KGE值反映了两种卫星数据在LAI模拟中的适当准确性。

在本研究中，我们使用移动窗口方法和Rao’s Q指数计算，以创建LAI的异质性图。每个像素在图上被赋予一个Rao’s Q指数值。由于Rao’s Q指数可以取任何正数值，我们将其归一化为0到1之间，以方便与PlanetScope和Sentinel-2数据的异质性进行比较。Sentinel-2的异质性图通常表现出Rao’s Q指数值的较平滑过渡，以黄色和绿色为主，这表明其异质性水平适中。PlanetScope的异质性图则显示出更详细的局部变化，以蓝色、绿色和黄色的混合区域为特征，这表明其在田间异质性捕捉方面更为精确。虽然PlanetScope的分辨率提高了对田间异质性的敏感度，但Sentinel-2的分辨率仍能提供对作物生长的整体视角。

研究结果表明，两种卫星数据在模拟LAI方面均表现出良好的准确性。在2020年和2021年的不同作物生长阶段，PlanetScope在茎伸长末期的KGE值更高，表明其在捕捉LAI的异质性方面更具优势。然而，在开花末期，Sentinel-2的KGE值也有所提高，表明其模拟性能的恢复。尽管PlanetScope的RMSE值略高于Sentinel-2，但总体来看，两种卫星数据的模拟结果均能提供较高的准确性。此外，我们观察到PlanetScope在2020年和2021年的不同作物生长阶段均能更准确地模拟LAI，特别是在茎伸长末期和开花末期，其模拟值与实际观测值更加接近。这表明PlanetScope在捕捉作物生长的异质性方面具有优势，尤其是在高分辨率下，其能够更精确地反映田间条件的变化。

通过比较两种卫星数据的Rao’s Q异质性指数图，我们进一步揭示了它们在捕捉LAI异质性方面的不同细节和变化。PlanetScope的高分辨率提供了更细致的作物条件变化信息，这在精准农业实践中至关重要，如在田间尺度进行变量率应用。这些应用结合PlanetScope的异质性信息，可以帮助减少农业投入的统一应用率，如水、肥料和土壤改良，以最大化作物的光合作用和碳固定。这可以提高整体作物产量和可持续性，并改善作物碳封存的效率。Sentinel-2虽然模拟的LAI异质性较低，但其在捕捉LAI的幅度和趋势方面表现良好，特别是在不同作物生长阶段的LAI变化中。Sentinel-2的广泛覆盖和频繁重访时间，使其在区域到国家尺度的碳封存研究中表现优异，这些研究关注大范围内的趋势和变化。然而，我们研究的主要目标是评估两种卫星数据在捕捉田间LAI异质性方面的差异，并通过这些数据的模拟性能，为理解田间异质性检测和异质性分析提供基础。这一评估对于后续的传感器数据融合至关重要，因为它突出了传感器特定的偏差、空间时间分辨率差异和数据获取不一致性，这些因素可能影响数据融合结果。

我们的研究结果表明，混合反演方法可以可靠地模拟来自高分辨率和中分辨率卫星数据的LAI，如PlanetScope和Sentinel-2，适用于不同作物生长阶段和年份。这种方法结合了PROSAIL模型的详细物理建模能力，模拟冠层中光的相互作用，以及SVR的机器学习技术，后者在处理输入和输出之间的非线性关系和高维空间方面表现出色。我们的研究与之前的研究一致，这些研究使用混合反演方法结合不同的机器学习技术，证明了Sentinel-2数据模拟作物LAI的准确性（Rosso et al. 2022；Upreti et al. 2019；Verrelst et al. 2015）。PlanetScope和Sentinel-2数据用于LAI模拟的混合反演也被一些研究强调（Johansen et al. 2022；Sadeh et al. 2021）。然而，我们提供了Sentinel-2和PlanetScope数据在LAI模拟中的直接比较。我们选择了每个PROSAIL输入参数的宽泛均匀分布作为非信息性先验。选择基于文献中提出的范围，而不考虑作物类型。我们这样做是为了确保输入参数仅略微依赖于田间观测数据。尽管我们使用混合反演方法针对一种作物类型进行LAI模拟，但可靠的模拟结果表明，这种方法可以潜在地应用于其他作物类型，只需少量的田间观测数据。

我们验证了模拟的LAI与多个点尺度的观测LAI之间的关系。使用多个点尺度观测作为参考，以验证卫星衍生的LAI产品中的相关像素，即使是粗分辨率如MODIS的数据，也是广泛接受的做法。这种方法也得到了社区认可的最佳实践和建立的验证协议支持（Bayat et al. 2021；Fernandes et al. 2014）。因此，使用点尺度的观测LAI作为评估遥感模拟的参考，仍然是评估来自PlanetScope和Sentinel-2的模拟数据的有效方法。这些卫星的分辨率显著高于MODIS，并且与地面参考采样点一致。然而，1米2的田间采样图与10米分辨率的Sentinel-2像素之间的尺度差异可能会影响验证效果。为了减少这种影响，我们平均了多个地面采样点的数据，以减少局部异质性的影响。尽管如此，尺度不匹配仍然不可避免，应在未来的研究所进一步探讨。

我们使用移动窗口方法和Rao’s Q异质性指数计算，以创建LAI的异质性图。每个像素在图上被赋予一个Rao’s Q指数值。由于Rao’s Q指数可以取任何正数值，我们将其归一化为0到1之间，以方便与PlanetScope和Sentinel-2数据的异质性进行比较。Sentinel-2的异质性图通常表现出Rao’s Q指数值的较平滑过渡，以黄色和绿色为主，这表明其异质性水平适中。PlanetScope的异质性图则显示出更详细的局部变化，以蓝色、绿色和黄色的混合区域为特征，这表明其在田间异质性捕捉方面更为精确。PlanetScope的3米分辨率捕捉了作物田块中的细微变化，而Sentinel-2的异质性图则难以分辨这些变化。尽管如此，两种卫星数据的LAI模拟在不同作物生长阶段的叶面积变化中总体保持一致。

我们的研究结果表明，混合反演方法可以可靠地模拟来自高分辨率和中分辨率卫星数据的LAI，如PlanetScope和Sentinel-2，适用于不同作物生长阶段和年份。这种方法结合了PROSAIL模型的详细物理建模能力，模拟冠层中光的相互作用，以及SVR的机器学习技术，后者在处理输入和输出之间的非线性关系和高维空间方面表现出色。我们的研究与之前的研究一致，这些研究使用混合反演方法结合不同的机器学习技术，证明了Sentinel-2数据模拟作物LAI的准确性（Rosso et al. 2022；Upreti et al. 2019；Verrelst et al. 2015）。PlanetScope和Sentinel-2数据用于LAI模拟的混合反演也被一些研究强调（Johansen et al. 2022；Sadeh et al. 2021）。然而，我们提供了Sentinel-2和PlanetScope数据在LAI模拟中的直接比较。我们选择了每个PROSAIL输入参数的宽泛均匀分布作为非信息性先验。选择基于文献中提出的范围，而不考虑作物类型。我们这样做是为了确保输入参数仅略微依赖于田间观测数据。尽管我们使用混合反演方法针对一种作物类型进行LAI模拟，但可靠的模拟结果表明，这种方法可以潜在地应用于其他作物类型，只需少量的田间观测数据。

我们通过多个点尺度的观测LAI来验证模拟的LAI，这些观测数据分布在研究区域。使用多个点尺度观测作为参考，以验证卫星衍生的LAI产品中的相关像素，即使是粗分辨率如MODIS的数据，也是广泛接受的做法。这种方法也得到了社区认可的最佳实践和建立的验证协议支持（Bayat et al. 2021；Fernandes et al. 2014）。因此，使用点尺度的观测LAI作为评估遥感模拟的参考，仍然是评估来自PlanetScope和Sentinel-2的模拟数据的有效方法。这些卫星的分辨率显著高于MODIS，并且与地面参考采样点一致。然而，1米2的田间采样图与10米分辨率的Sentinel-2像素之间的尺度差异可能会影响验证效果。为了减少这种影响，我们平均了多个地面采样点的数据，以减少局部异质性的影响。尽管如此，尺度不匹配仍然不可避免，应在未来的研究所进一步探讨。

通过比较Sentinel-2和PlanetScope的Rao’s Q异质性指数图，我们进一步揭示了它们在捕捉LAI异质性方面的不同细节和变化。PlanetScope的高分辨率提供了更细致的作物条件变化信息，这在精准农业实践中至关重要，如在田间尺度进行变量率应用。这些应用结合PlanetScope的异质性信息，可以帮助减少农业投入的统一应用率，如水、肥料和土壤改良，以最大化作物的光合作用和碳固定。这可以提高整体作物产量和可持续性，并改善作物碳封存的效率。Sentinel-2虽然模拟的LAI异质性较低，但其在捕捉LAI的幅度和趋势方面表现良好，特别是在不同作物生长阶段的LAI变化中。Sentinel-2的广泛覆盖和频繁重访时间，使其在区域到国家尺度的碳封存研究中表现优异，这些研究关注大范围内的趋势和变化。然而，我们的研究主要目的是评估两种卫星数据在捕捉田间LAI异质性方面的差异，并通过这些数据的模拟性能，为理解田间异质性检测和异质性分析提供基础。这一评估对于后续的传感器数据融合至关重要，因为它突出了传感器特定的偏差、空间时间分辨率差异和数据获取不一致性，这些因素可能影响数据融合结果。

我们研究的结论是，混合反演方法可以有效地模拟来自高分辨率和中分辨率卫星数据的LAI，如PlanetScope和Sentinel-2。两种数据在捕捉LAI幅度方面表现相似，但Sentinel-2在田间异质性方面略逊于PlanetScope，这通过空间异质性图得到验证。PlanetScope的异质性与土壤类型一致，这些土壤类型在田间具有不同的产量潜力。我们选择了两年的作物生长阶段进行LAI观测，以确保输入参数对LAI模拟的独立性。由于LAI是冠层生物量和光合能力的直接和空间显性指标，本研究通过比较PlanetScope和Sentinel-2数据的LAI模拟结果，代表了精准农业应用的初步数据驱动研究。本研究生成的高分辨率LAI图成功捕捉了田间异质性，证明了其在提高产量估算、指导田间特定管理决策和提供田间碳核算的实用价值。然而，未来的研究也可以关注使用PlanetScope和Sentinel-2数据对LAI模拟性能的长期评估，覆盖多年和不同作物生长阶段。这可以提供对卫星数据性能时间变化的更深入理解，从而识别影响准确性和一致性的潜在因素。此外，比较不同环境条件和作物类型下的LAI模拟性能，可以进一步阐明每种卫星数据源在监测作物LAI动态中的优势和局限性。最终，实现一个方法将PlanetScope和Sentinel-2数据在空间、光谱和时间域上进行融合，是下一步重要的方向。一旦实现这种一致性，两种数据可以融合，结合PlanetScope的精细空间细节和Sentinel-2的光谱丰富性，生成更密集和一致的LAI时间序列，从而增强其在精准农业决策中的实用价值。