引用本文
付晓满, 包玉龙, 图布新巴雅尔, 金额尔德木吐, 包玉海. 基于野外在线多角度光谱仪的荒漠草原植被光谱特征分析[J]. 光谱学与光谱分析, 2023,43(10): 3170-3179.
FU Xiao-man, BAO Yu-long, Bayaer Tubuxin, JIN Eerdemutu, BAO Yu-hai. Spectral Characteristics Analysis of Desert Steppe Vegetation Based on Field Online Multi-Angle Spectrometer[J]. Spectroscopy and Spectral Analysis, 2023,43(10): 3170-3179.
Doi:10.3964/j.issn.1000-0593(2023)10-3170-10  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于野外在线多角度光谱仪的荒漠草原植被光谱特征分析
付晓满1,2, 包玉龙1,2,*, 图布新巴雅尔1,2, 金额尔德木吐1,2, 包玉海1,2
1.内蒙古师范大学地理科学学院, 内蒙古 呼和浩特 010022
2.内蒙古自治区遥感与地理信息系统重点实验室, 内蒙古 呼和浩特 010022
*通讯作者 e-mail: baoyulong@imnu.edu.cn

作者简介: 付晓满, 女, 1993年生, 内蒙古师范大学硕士研究生 e-mail: fxm@mails.imnu.edu.cn

收稿日期: 2022-03-24 修回日期: 2022-10-30
基金: 国家自然科学基金国际(地区)合作与交流项目(41961144019), 内蒙古自然科学基金项目(2021MS04016)资助
摘要

植被的光谱反射曲线特征区别于土壤、 水等其他物质, 密切关系于本身的生理性状表现。 由于对冠层植被进行俯视与侧视时的入目效果不一致, 实际角度原因会导致传感器获得的覆盖度信息产生误差。 以内蒙古四子王旗荒漠草原植被为研究对象, 利用自主设计组装的野外在线多角度光谱仪, 开展草原植被多角度实时观测试验。 并结合归一化植被指数(NDVI)、 比值植被指数(RVI)、 优化型土壤调节植被指数(OSAVI)以及光化学植被指数(PRI)共4种指数进行多维的数据比较。 分析了不同传感器观测角度(SVA)和不同太阳高度角(SEA)下的草地生理性状光谱多样性三者间的关联特征。 研究发现, 传感器观测角越大, 不同波段冠层反射率的日内变化程度越弱, 表现出明显的观测角度差异性和角度敏感程度差异性, 当传感器观测角(SVA)在75°附近或垂直向下观测时, 植被的反射率日变化标准差较小。 在固定传感器观测角度的情况下, 植被的反射率与太阳高度角呈正相关关系。 同样, 不同植被指数的角度效应也存在差异, OSAVI指数在传感器观测角(SVA)为45°时表现最为敏感, 不同月份都出现了最低值这一特征, PRI指数的最大值均出现在传感器观测角(SVA)为60°位置以下。 同时发现, 针对不同的太阳高度角(SEA)并基于所观测植被所处的不同生长期而选择一定传感器观测角度更有利于获得有效且精确的数据。 野外在线多角度光谱仪观测结果旨在为卫星影像产品矫正、 植被遥感精准监测、 草原生物量的准确估算等方面提供科学数据支撑。

关键词: 多角度遥感; 植被指数; 太阳高度角
中图分类号:P407.1 文献标志码:A
Spectral Characteristics Analysis of Desert Steppe Vegetation Based on Field Online Multi-Angle Spectrometer
FU Xiao-man1,2, BAO Yu-long1,2,*, Bayaer Tubuxin1,2, JIN Eerdemutu1,2, BAO Yu-hai1,2
1. College of Geographical Science, Inner Mongolia Normal University, Huhhot 010022, China
2. Inner Mongolia Key Laboratory of Remote Sensing & Geography Information System, Inner Mongolia Normal University, Huhhot 010022, China
*Corresponding author
Abstract

The spectral reflection curve characteristics of vegetation are different from other substances, such as soil and water, and are closely related to the performance of their physiological traits. The actual angle causes errors in the coverage information obtained by the sensor due to the inconsistency of the incidence effect when looking down and sideways at the canopy vegetation. In this paper, we conducted a real-time multi-angle observation experiment of grassland vegetation in the desert grassland of Siziwang Banner, Inner Mongolia, by using a field online multi-angle spectrometer designed and assembled by ourselves. The four indices, namely the Normalized Vegetation Index (NDVI), Ratio Vegetation Index (RVI), Optimized Soil Adjustment Vegetation Index (OSAVI) and Photochemical Vegetation Index (PRI), were used for multi-dimensional data comparison. We analyzed the correlation characteristics between the spectral diversity of grass physiological traits at different sensor observation angles (SVA) and solar altitude angles (SEA). It was found that the greater the sensor observation angle, the weaker the intra-day variability of canopy reflectance at different wavelengths, showing obvious variability in observation angles and differences in angular sensitivity, and the standard deviation of daily variability of vegetation reflectance was smaller when the sensor observation angle (SVA) was near 75° or observed vertically downward. The reflectance of vegetation was positively correlated with the solar altitude angle for a fixed sensor observation angle. Similarly, the angular effects of different vegetation indices also differed, with the OSAVI index being most sensitive at a sensor observation angle (SVA) of 45°, with the lowest value occurring in different months and the maximum value of the PRI index occurring below a sensor observation angle (SVA) of 60°. It was also found that selecting a certain sensor observation angle for different vegetation growth stages or for different solar altitude angles (SEA) is more beneficial to obtain valid and accurate data. The analysis results of data collected from the field online multi-angle spectrometer in this paper provide scientific data support for the correction of satellite image products, accurate monitoring of vegetation remote sensing, and accurate estimation of grassland biomass.

Keyword: Multi-angle remote sensing; Vegetation index; Sun elevation angle
引言

内蒙古自治区是我国重要的畜牧业生产基地, 草地面积占全区总疆域73%。 草地生态系统是陆地生态系统的重要组成部分, 不仅为人类提供了肉、 奶、 皮、 毛等具有直接市场价值的产品, 同时具有维持大气组分、 改善区域气候、 保持土壤养分、 降低水土流失、 维系民族文化等重要服务功能[1, 2]。 由于人为因素和气候干旱, 特别是长期的过度放牧, 草地的植被覆盖度和初级生产力降低, 生物多样性减少[3]。 草地生物多样性监测一直是生态学家和地理学家共同关注的热点问题, 监测、 理解和预测牧区植被生长尤其重要。 遥感技术是开展牧区草地叶片和冠层光谱特征分析的最直接、 有效的监测手段。

在当今航天航空的快速发展的时代, 已有很多卫星具有多角度观测能力, 其中利用同步多角度观测的方式获取数据的星载传感器有ATSR(along track scanning radiometer)、 POLDER(polarization and directionality of the earth's refelectance)、 VEGETATION、 MISR(muli-angle imaging spectrometer)、 CHRIS(compact high resolution imaging spectrometer)[4, 5]。 汪凌霄[6]等利用MISR多角度数据提高了天山中段山地针叶林带的积雪识别精度, 但此方式获得的数据有着影像地面空间分辨率较低等缺陷[7]。 为了提高分辨率, 研究人员将传感器搭载在有人机或无人机上, 利用控制云台相机以实现多角度拍摄, 获取规划航线上的多角度遥感观测数据。 邱凤[8]等利用大疆M600 Pro六旋翼无人机搭载GaiaSky-mini2-VN高光谱成像仪进行多角度高光谱成像观测发现双向反射分布函数BRDF(bidirectional reflection distribution function)光谱效应会导致植被指数呈现方向性特征, NDVI(normalized difference vegetation index)、 PRI(photochemical reflectance index)和MTCI(MERIS terrestrial chlorophyll index)在热点方向最低, EVI(enhanced vegetation index)在热点方向最高。 这种机载方式具有灵活性高, 空间分辨率较高等优点[9, 10], 但无人机飞行期间易受风的影响, 在风速较大的情况下, 飞机控制性不高, 易抖动或者失控, 导致无人机偏离航线甚至坠毁等情况发生。 因此, 利用野外光谱仪对植被进行与卫星过境同步监测, 以实地测量的植被光谱特征与其对应遥感图像的光谱特征进行比较, 通过定期实测, 分析植被的生长变化在光谱上的反映, 以此为依据对遥感图像的光谱特征进行校正, 是重建遥感图像的光谱特征, 实现精准测量的重要途径。

地面固定视场模式的多角度观测系统最早可追溯到1952年, 当时科研人员研制了一台采用“ 天顶半圆弧” 结构对积雪进行观测的多角度观测架[11]。 自20世纪90年代开始, 适用于测量冠层尺度方向反射率的多角度设备相继出现, 较典型的有瑞士的野外测角系统FIGOS(Field-Goniometer System)[12], 英国的测角辐射光谱系统GRASS(Gonio Radiometric Spectrometer System)[13]、 加拿大莱斯布里奇大学测角系统ULGS(University of Lethbridge Goniometer System)系列[14]等。 在国内, 北京师范大学则在2012年设计了多角度观测系统MAOS(Multi-angle Observation System)[15], 该系统可以长时间连续的快速自动测量, 但是其传感器承载重量十分有限, 导致无法广泛应用。 近年来, 越来越多的学者将多角度观测方式与植被指数相结合, 以充分了解冠层的方向反射率与植被指数之间的关系。 杨绍源等[16]利用不同观测角度探测冬小麦建立氮素含量垂直分布模型并改进7种植被指数, 提高了探测精度。

利用自主组装的多野外多角度在线光谱仪, 以荒漠草原牧草优势种——短花针茅为研究对象, 通过多组多角度光谱观测试验, 揭示不同波段变化趋势下规律性和普适性荒漠区草原植被光谱变化特征。

1 实验部分
1.1 研究区概况

以内蒙古农牧业科学院综合试验示范中心四子王旗基地(41° 46'44″N, 111° 53'42″E)为研究区。 研究区属于典型中温大陆性季风气候区, 海拔1 456 m, 具有与荒漠草原和农牧交错带典型的地域代表性。 长期以来受降水量少、 连续干旱影响与过度放牧等不合理的开发利用多重压力下, 草地已经出现不同程度的退化。 植被稀疏低矮, 群落高度为8~10 cm, 盖度为17%~20%。 地带性植被类型为短花针茅, 建群种为短花针茅, 主要优势种为无芒隐子草和冷蒿。

1.2 野外多角度在线光谱仪的组装

试验参考FIGOS、 GRASS、 ULGS等地面固定视场的多角度观测设备的工作原理和经验, 设计了一种野外多角度在线光谱仪, 实现自动、 实时观测叶片、 冠层尺度的光谱数据, 并实现了数据远程传输和实时汇总分析。 有效解决了设备结构笨重、 运输拆卸安装费时费力、 观测视场角受限等方面的限制问题。

该设备由两部分组成, 即固定设备的整体框架与传感器。 框架包括一个三角支架、 直杆、 圆弧杆。 传感器包括8组传感器、 1组调平装置和1组辐射测量仪, 参数见表1。 2组2个4通道高性能传感器(SKR1860D、 SKR1860ND)用于卫星标定和非光合作用植被分析。 另外, 5组2个配有立体角25° 视野的传感器SKR1840ND安装在集光孔朝下的位置用于反射光测量, 同时实现星载过境卫星植被光谱的地面标定和校正功能。 同时, 2个SKR1840双通道传感器安装有余弦校正漫射器, 用于测量入射光。 双传感器设计的目的是同时测量入射光和反射光, 以消除太阳辐射的波动的影响。

表1 野外多角度在线光谱仪传感器参数 Table 1 Parameter table of field online multi angle observation equipment

多角度在线光谱仪安装在1/4圆弧轨上, 设置了30° 、 45° 、 60° 、 75° 、 90° 五个观测角度, 分别装有5组2个双通道高性能反射传感器。 安装的角度以垂直于地面为90° , 即传感器观测角90° 为垂直向下观测, 并向下依次降低。 在90° 位置旁安装了2个4通道高性能反射传感器。 在垂直圆弧轨道的横梁上分别于两端安装了2组双通道的高性能入射传感器, 每组固定2个。 同时中间安装了一对收集太阳有效辐射的传感器。 以上的所有入射与反射传感器均配备了对应余弦矫正头。

传感器SKR1840ND用于收集多角度反射数据, 传感器视场立体角α =25° 。 垂直向下观测目标的传感器安装高度h=1.8 m, 地面观测范围是一个直径r=0.4 m的标准正圆, 面积S=0.5 m2, 另外四种角度观测地面范围为长短轴及面积各不相同的椭圆。 避免设备投影到地面的阴影影响试验, 将设备安装方位设为朝向东偏南75° , 安装完毕日期为2020年6月12号。 图1(c)为整体设备安装完成现场照片, 图3为传感器不同安装角度拍摄地面照片。

图1 研究区示意图
(a): 植被类型分布图; (b): 无人机正射影像图; (c); 野外多角度在线光谱仪现场照片Fig.1 Schematic diagram of the study area
(a): Distribution map of specific vegetation types; (b): Orthophoto image with an accuracy of 30 meters; (c): Photographs of a multiangle online spectrometer in the field

图2 野外多角度在线光谱仪实验设计
(a): 正视图; (b): 俯视图Fig.2 Experimental design of field multi-angle online spectrometer
(a): Front view; (b): Vertical view

图3 五种传感器观测角度拍摄照片
(a)—(e) : 30° ~90° Fig.3 Real photos taken at different sensor view angles
(a)—(e): 30° ~90°

野外光谱在线观测系统设定采样间隔为30 min, 光谱数据自动存储在数据采集器中。 数据采集器实时将数据通过GPRS发送到远程的数据服务器ENVI-data, 实现室内远程数据回传、 实时下载和统计分析。

1.3 数据采集与分析方法

首先, 根据研究区植被4月复苏萌动, 10月前期冬眠, 全年生长期约180 d, 故选择采集数据的日期在2020年7月—10月与2021年5月—10月之间。 通过ENVIDATA-FS在线系统筛选出无云日的有效辐射曲线(时间段为9:00—15:00), 同时结合有效辐射曲线波动频率避免云层干扰, 并利用生理生态监测系统判别出风速较小的日期, 最终在2020年和2021年两个生长季期间内逐月各选择了一天进行分析(图4)。

图4 2020年和2021年生长季阶段的无云日
(a): 野外光谱在线系统有效辐射曲线图; (b): 有效辐射曲线波动频率日历热图Fig.4 Cloudless days during the growing season phase in 2020 and 2021
(a): Effective radiation graph of field spectral on-line system; (b): Effective radiation curve wave frequency calendar heat map

基于表1多种传感器精准获取的4种波段, 分别为531、 568、 655及866 nm处的变化情况引入4种植被指数(表2), 计算植被指数并绘制曲线趋势图。

表2 光谱植被指数计算公式与取值范围 Table 2 Formula and data range of spectral vegetation index

冠层接收到入射辐射量的大小变化将直接影响反射率的值。 通过太阳周日视运动轨迹图(图5)可以看出, 地球自转使得太阳方位角时刻改变, 同时由于日地运动, 导致太阳高度角也随之变化, 进而影响到达地面的太阳辐射强度大小。

图5 研究时间段内太阳周日视运动轨迹示意图Fig.5 Diagram of the sun's diurnal apparent motion during the study period

相关太阳赤纬角计算公式为

δ=23.45sin2π(284+n)365(1)

式(1)中, n∈ N∩ [1, 365]是时间序号, 也就是从每年1月1号开始计时的天数。

太阳高度角计算公式为

sinθ=sinϕsinδ+sinϕcosδcost(2)

式(2)中, ϕ 为纬度; δ 为太阳赤纬度; t为时角。

太阳方位角计算公式为

α=arccosA∈[0°, 180°], ω< 0360°-arccosA[180°, 360°], ω> 0(3)

其中

A=sinδ-sinθsinϕcosθcosϕ(4)

2 结果与讨论
2.1 荒漠草原植被多角度反射特征

通过ENVIDATA-FS在线系统结合有效辐射曲线波动频率日历图(图4)共筛选出10个无云日, 并计算出了相应日期每时刻的太阳高度角、 正午太阳高度角与太阳方位角(表3)。

表3 2020与2021年观测日期太阳高度与方位角度 Table 3 Solar elevation and azimuth for 2020 and 2021 observation dates

植被在不同的波段, 具有不同的吸收和反射光谱特征。 在2021年5月—9月, 垂直向下即观测高度角为90° 时发现有明显的绿光反射峰和红光吸收谷的光谱特征, 并且这一特征是随着时间推移愈加明显。 这应是植被生长初期叶片叶绿素含量和叶面积指数均偏低导致植被冠层总体色素含量偏低, 数据采集过程中存在土壤背景的大量占比, 随着时间推移, 植被叶绿素含量和叶面积指数均得以提高, 使得土壤背景影响逐渐减弱直至消失。 而在2020年7月—10月, 这两处植被光谱特征却不明显, 可能是因为2020年7月—10月是设备安装初期, 存在安装过程中对覆盖区植被覆盖部分造成踩踏情况, 使得传感器探测到的大部分可能是土壤, 所以植被的光谱特征不明显。

图6 垂直向下90° 观测时的反射率变化趋势图Fig.6 Trend plot of reflectance when observed at 90° vertical downward

由于2020年采集的数据可能存在较大误差情况, 所以下面主要针对2021年获取到的多角度数据展开分析。 通过对研究区域内短花针茅进行以传感器多角度观测得到4种波段的不同观测角度下反射率变化趋势(图7), 可看出, 在2021年5月—10月, 绿光(531、 568 nm)、 红光(655 nm)及近红外(866 nm)波段的反射率日变化, 整体变化趋势存在差异。 但是在上述四种波段处都表现出了同一个特征, 随着传感器观测高度角越小即偏离垂直观测角度越大, 在一天内随着太阳高度的抬升, 测得的反射率差异逐渐变大, 在正午时刻附近达到最大差异值, 并随着太阳高度降低而差异减小。 在可见光波段, 5月—8月份的不同观测高度角下的反射率标准差变化趋于一致, 其中绿光波段在观测高度角60° ~75° 之间存在标准差最低值, 红光波段在垂直观测时标准差达到最低值, 近红外波段在观测高度角为75° 时存在最低值(图8)。 这一特征表明, 不同波段的光谱角度敏感性有所差异, 针对植被处于不同的生长时期, 可以通过选择一定的观测角度范围来削弱其对冠层反射率日内变化的影响。

图7 2021年5月—10月531、 568、 655与866 nm波段五种角度反射率变化趋势图Fig.7 The change curve of reflectance at 531, 568, 655 and 866 nm under five observation angles from May to October in 2021

图8 不同观测高度角反射率标准差
(a): 531 nm; (b): 568 nm; (c): 655 nm; (d): 866 nmFig.8 Standard deviation of reflectance at different sensor view angles
(a): Wavelength: 531 nm; (b): Wavelength: 568 nm; (c): Wavelength: 655 nm; (d): Wavelength: 866 nm

选择与多角度光谱仪设备安装方位相同的太阳方位角165° 得到不同太阳高度角下反射率的变化(图9), 随着太阳高度角的先增加再减小趋势, 植被的冠层反射率大致也是同样的变化趋势, 只有在10月份呈负相关关系, 这一现象的原因可能是10月份观测区的牧草已经入枯草阶段, 同时土壤背景影响增大, 导致反射率有所上升。 忽略10月份的特殊情况, 可以得出, 在同一个传感器观测高度角下太阳高度角越高, 冠层反射率越高。

图9 2021年太阳方位角165° 下随着太阳高度角变化不同观测角度的反射率变化
(a): 531 nm; (b): 568 nm; (c): 655 nm; (d): 866 nmFig.9 Reflectance variation of different observation angles with solar elevation angle change at solar azimuth 165° in 2021
(a): Wavelength: 531 nm; (b): Wavelength: 568 nm; (c): Wavelength: 655 nm; (d): Wavelength: 866 nm

2.2 多角度植被指数在时间序列上的变化特征

比值型植被指数能够部分消除与太阳高度角、 卫星观测角、 地形、 云影等与大气条件有关的辐射变化的影响。 如图10所示, 结合2020年与2021年的数据可知, NDVI在植被的一整个生长周期的表现为: 在5月至6月中旬期间, 传感器高度角60° 为最高值、 75° 为最低值; 在6月中下旬至7月上旬期间, 90° 垂直向下观测为最高值, 75° 观测为最低值; 在7月中旬至9月中旬期间, 30° 为最高值、 75° 为最小值; 在9月下旬至10月期间, 60° 观测为最高值、 45° 观测为最低值。 整体的NDVI每日的变化则是从早上9:00至中午11:30—13:00逐渐减小, 且在中午时刻左右达到最小值, 随后又逐步增加, 9:00—15:00期间的变化规律曲线类似一条反向抛物线。 呈现出这一变化特征可能与短花针茅的光合作用有关, 其中叶绿素是植物进行光合作用最为重要的色素, 其在红光波段有一个吸收高峰, 同时在近红外波段具有高反射率, 因此NDVI的时间尺度变化与光合作用有紧密联系, 而如叶片的气孔开度、 光强、 温度、 水分和CO2浓度等, 都会影响植被的光合作用。 当正午太阳照射强度大于植物光合作用所需要的强度, 同时植被蒸腾作用随着温度的升高而增强, 叶片为了防止光合器官损伤, 防止细胞过度失水, 气孔开度会减小, 光合速率减小, 进而NDVI减小, 之后随着光照和温度逐渐降低, 气孔导度变大, 光合作用速率增大, 进而NDVI值随之增大。

图10 NDVI、 RVI、 OSAVI、 PRI四种指数的日内变化趋势图Fig.10 Intraday trends of the four indices NDVI, RVI, OSAVI, and PRI

由于RVI与OSAVI同NDVI都以655与866 nm两处波段数据进行计算, 所以这3种指数的整体变化趋于一致; 仅是OSAVI差异表现在5月至6月上旬最低值的观测高度角是75° 或45° 、 6月中旬至7月上旬最低值的观测高度角是45° 和75° 以及7月中旬至9月中旬最低值的观测高度角是45° , 对于OSAVI指数来说观测高度角45° 比其他角度的变化要敏感; 而PRI是通过可见光绿光波段范围内的531与568 nm两处进行计算, 其整体变化与其他三种植被指数部分相似整体差异较大, 主要表现在植被的整个生长期期间最高值的传感器高度角为60° 、 最低值的传感器高度角为30° 与75° , 且在9月中旬至10月期间, 30° 观测与45° 观测时整体的变化不再是先减小再增大而是一直增大的趋势, 这一特征同样与其他三种植被指数有明显差别。

2.3 多角度植被指数随着太阳高度角的变化特征

太阳高度角能够改变冠层的照度和光学厚度, 传感器视角的变化能改变进入视场的植被数量和组成以及进入传感器视场角植被、 土壤背景的厚度。 因此, 随着太阳高度角和传感器观测角度的变化, 地物的反射率、 辐射特征及地物分布的相对空间特征都会有变化[21, 22]。

研究2021年数据从图11(a, b, c)可以看出, 在同一太阳高度角下, 传感器观测高度角由垂直向下开始变化, 分别是在观测高度角75° 与45° 两个观测位置NDVI 、 RVI、 OSAVI有所减小, 而在观测高度角60° 与30° 两个位置有增加; 同时在植被的不同生长阶段, 对于不同太阳高度角下的传感器观测角度敏感性也大不相同。 首先, 在植被的生长初期, 不同太阳高度角下, 传感器观测角在60° ~75° 之间, NDVI、 RVI、 OSAVI这三种指数对于太阳高度角的变化幅度略小。 而在植被生长中期, 垂直向下观测时受到的太阳高度角影响最小。 由图11(c)中PRI的变化与其他三种指数变化趋势有所差异, 传感器的观测高度角越小, 不同太阳高度下的PRI值变化越不明显。 这也为四种植被指数的五种不同观测角度变化情况差异提供分析的角度。

图11 2021年相同太阳高度角下不同观测角度4种植被指数变化
(a): 531 nm; (b): 568 nm; (c): 655 nm; (d): 866 nmFig.11 Changes of 4 vegetation indices with different observation angles under the same SEA in 2021
(a): Wavelength: 531 nm; (b): Wavelength: 568 nm; (c): Wavelength: 655 nm; (d): Wavelength: 866 nm

3 结论

基于自主研发设计的多角度光谱仪野外实时观测系统对荒漠草原植被——短花针茅的反射率差异进行综合分析, 从光谱变异的生物物理和生物化学基础出发, 探讨了不同传感器观测角度(SVA)和不同太阳高度角(SEA)下的草地生理性状光谱多样性三者间的关联特征。 主要结论如下:

(1) 传感器观测角越大即偏离垂直观测角度越小, 不同波段冠层反射率的日内变化程度越弱, 表现出明显的观测角度差异性和角度敏感程度差异性; 传感器观测角在60° ~75° 或垂直向下观测时可以获得植被较稳定的日变化反射率数据。

(2) 对OSAVI指数来说传感器观测角45° 比其他角度的变化要敏感; PRI各月份的最大值反射率基本都出现在传感器观测角60° 位置下。

(3) 太阳高度角的变化同样会引起反射率与植被指数的变化。 可以根据植被不同生长期选择不同的传感器角度, 以避免角度敏感影响数据的精确性。

由于影响冠层反射率的因素有很多, 有叶倾角、 叶面积、 土壤背景、 植被覆盖度、 观测方向, 入射光线的角度与方位等, 本次试验研究的因素并没有完全覆盖, 故无法完全解释实验中出现的规律与差异情况, 同时由于本试验所使用的在线多角度多光谱仪设备是固定的, 无法移动, 只观测到了前向散射区域的冠层反射, 但由于该平台所获得的数据成本低, 快速、 方便、 时间连续, 同一时刻的不同角度都可以获取。 因此, 后续研究利用该设备的优势进一步设计移动式的在线观测系统, 尽量拓宽观测范围, 以实现更准确的多角度连续时间不同草种的采样观测。

参考文献
[1] BAI Qing-kun, Alatengtuya(白庆坤, 阿拉腾图雅). Pratacultural Science(草业科学), 2022, 39(3): 443. [本文引用:1]
[2] BAI Yong-fei, HUANG Jian-hui, ZHENG Shu-xia, et al(白永飞, 黄建辉, 郑淑霞, 等). Chinese Journal of Plant Ecology(植物生态学报), 2014, 38(2): 93. [本文引用:1]
[3] Bai Y, Wu J, Clark C M, et al. Journal of Applied Ecology, 2012, 49(6): 1204. [本文引用:1]
[4] Diner D J, Braswell B H, Davies R, et al. Remote Sensing of Environment, 2005, 97(4): 495. [本文引用:1]
[5] GAO Xin, HU Xiu-qing, FANG Wei, et al(高鑫, 胡秀清, 方伟, 等). National Remote Sensing Bulletin(遥感学报), 2022, 26(3): 505. [本文引用:1]
[6] WANG Ling-xiao, XIAO Peng-feng, FENG Xue-zhi(汪凌霄, 肖鹏峰, 冯学智). National Remote Sensing Bulletin(遥感学报), 2012, 16(5): 1035. [本文引用:1]
[7] YAN Guang-jian, JIANG Hai-lan, YAN Kai, et al(阎广建, 姜海兰, 闫凯, 等). National Remote Sensing Bulletin(遥感学报), 2021, 25(1): 83. [本文引用:1]
[8] QIU Feng, HUO Jing-wen, ZHANG Qian, et al(邱凤, 霍婧雯, 张乾, 等). National Remote Sensing Bulletin(遥感学报), 2021, 25(4): 1013. [本文引用:1]
[9] Grenzdörffer G J, Niemeyer F. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2011, 38-1(C22): 229. [本文引用:1]
[10] Burkart A, Aasen H, Alonso L, et al. Remote Sensing, 2015, 7(1): 725. [本文引用:1]
[11] Middleton W, Mungall A. Journal of the Optical Society of America, 1952, 42(8): 572. [本文引用:1]
[12] Sand meier S, Sand meier W, Itten K I, et al. 15th EARSeL Symposium, 1996: 55. [本文引用:1]
[13] Pegrum H, Fox N, Chapman M, et al. IEEE International Geoscience and Remote Sensing Symposium, 2006: 1119. [本文引用:1]
[14] Coburn C A, Peddle D R, Canadian Journal of Remote Sensing, 2006, 32(3): 244. [本文引用:1]
[15] Yan G, Ren H, Hu R, et al. 2012 IEEE International Geoscience and Remote Sensing Symposium, 2012: 6916. [本文引用:1]
[16] YANG Shao-yuan, HUANG Wen-jiang, LIANG Dong(杨绍源, 黄文江, 梁栋). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2015, 35(7): 1956. [本文引用:1]
[17] Rouse J W, Jr. , Haas R H, et al. NASA Special Publication, 1973: 309. [本文引用:1]
[18] Kanke Y, Tubaña B, Dalen M, et al. Precision Agriculture, 2016, 17(5): 507. [本文引用:1]
[19] Rondeaux G, Steven M, Baret F. Remote Sensing of Environment, 1996, 55(2): 95. [本文引用:1]
[20] Gamon J A, Penuelas J, Field C B. Remote Sensing of Environment, 1992, 41(1): 35. [本文引用:1]
[21] QIN Wen-han, XIANG Yue-qin(覃文汉, 项月琴). Remote Sensing of Environment China(环境遥感), 1996, (4): 285. [本文引用:1]
[22] ZHANG Xue-hong, TIAN Qing-jiu, SHEN Run-ping(张雪红, 田庆久, 沈润平). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2010, 30(6): 1600. [本文引用:1]