《Remote Sensing of Environment》:A unified kernel-driven modeling framework adapted to continuous, discrete and row-planted canopies in the thermal infrared domain
编辑推荐:
廖超|王颖杰|让-菲利普·加斯泰卢-埃切戈里•为涵盖多种类型的冠层结构,研究人员提出了一种统一的核驱动建模框架。该框架包含四种核函数:Kiso、KBaseShape、KHotSpot和KHotBelt。基于这些核函数构建的模型在处理成排种植的冠层时,其性能优于现有模型;而对于连续
廖超|王颖杰|让-菲利普·加斯泰卢-埃切戈里•为涵盖多种类型的冠层结构,研究人员提出了一种统一的核驱动建模框架。该框架包含四种核函数:Kiso、KBaseShape、KHotSpot和KHotBelt。基于这些核函数构建的模型在处理成排种植的冠层时,其性能优于现有模型;而对于连续型与离散型冠层,这些模型的拟合能力也相当。1. 引言主要农作物(如小麦、玉米和水稻)通常以行状种植,以便更好地利用太阳能量(Zhou等人,2014)。全球范围内,橄榄、苹果、柑橘和葡萄藤等大型经济作物也同样采用行状种植方式(Annandale等人,2004;Caselles和Sobrino,1989)。通过卫星遥感获取成排种植冠层的准确信息,有助于及时评估害虫状况、干旱程度以及预测产量(Weiss等人,2020)。这类信息(如叶面积指数和地表温度)一般是根据双向反射率分布函数以及定向亮度温度来估算的。因此,这一领域成为了众多研究的焦点,包括开发用于描述成排种植冠层的物理型BRDF和DBT模型(Yan等人,2012;Zhao等人,2010;Bian等人,2017;Du等人,2020;Kimes,1983;Li等人,2022;Yu等人,2004);设计用于验证这些模型的实验方案(Cao等人,2023;Lagouarde等人,2014;Ren等人,2013);从高空间分辨率卫星反射图像中提取行结构参数(如行方向)(Marais Sicre等人,2014);以及定量分析行结构对冠层结构参数(Guillen-Climent等人,2012;Yao等人,2008)和冠层生物物理变量(Li等人,2020;Zarcotejada等人,2005)估算的影响。在可见光和近红外波段,最初用于模拟成排种植冠层BRDF的辐射传输模型(Suits,1983;Verhoef,1976)是以Suits模型(Suits,1971)为基础发展而来的。不过,这类模型仅通过水平和垂直方向的叶面积投影来计算散射和消光系数,过于简化。随后,Jackson等人(1979)提出了一种几何光学模型,将行结构抽象为无间隙的矩形体。Goel和Grier(1986)则开发了一种混合型BRDF模型,假设行呈椭圆形且内部充满混浊介质。Zhao等人(2010)在4SAIL模型(Verhoef等人,2007)的基础上,进一步开发出一种新的混合模型,同时考虑了热点效应和多次散射效应。Yan等人(2012)又提出另一种混合BRDF模型,利用定向聚集指数来表征行效应。此外,Zhou等人(2014)还开发了一种高效的混合BRDF模型(即4SAIL-RowCrop),并针对水稻和小麦的成排种植冠层进行了验证。在热红外波段,Sutherland和Bartholic(1977)率先发现,与均匀冠层相比,行结构能够提升冠层的发射率,即所谓的“冠层腔体效应”。他们提出用无限长方体来假设行结构,这一假设后来成为热红外几何光学模型的基本前提。Jackson等人(1979)在该模型的基础上,进一步将研究范围从正下方扩展到行平面内的倾斜方向,并综合考虑了四类要素:被阳光照射的叶片与阴影中的叶片、被阳光照射的土壤与阴影中的土壤。Kimes(1983)则开发出了一个更为完善的熱红外几何光学模型,该模型能够适用于所有角度,同时还会考虑与行平面法线的方位距离。Caselles和Sobrino(1989)提出了三个视因子,用以模拟单次散射效应的影响。不过,这类几何光学模型无法考虑行内的间隙,而间隙对热点效应有着重要影响。因此,人们又开发出了多种混合型DBT模型,比如那些考虑行内间隙、土壤层与最下层叶片之间的距离、生长阶段差异以及视野效应的模型(Chen等人,2002;Yan等人,2003;Yu等人,2004;Li等人,2022;Ren等人,2013)。Cao等人(2019b)总结了成排种植冠层DBT建模的发展脉络,指出Kimes的模型(Kimes,1983)是后续热红外几何光学模型及混合模型发展的基础。上述BRDF/DBT模型建立了地表特性与卫星观测信号之间的关联,为从不同观测角度获得的反射率或温度值进行角度归一化提供了依据(例如将其校正到正下方方向)。与那些需要大量输入参数的物理模型相比,半经验核驱动模型只需借助多角度传感器观测数据即可进行校准,因此更为简便。目前最常用的方法是将物理模型转化为核驱动模型,这样既能保障模型精度,又能提高计算效率。现有的近红外波段核驱动模型包含三种核函数:连续型冠层核、离散型冠层核以及各向同性核(Jiao等人,2016;Lucht等人,2000;Roujean等人,1992;Schaaf等人,2002;Wanner等人,1995)。在热红外波段,核驱动模型则包含另外三种核函数:基础形状核、宽度可调节的热点核以及各向同性核(Cao等人,2021;Duffour等人,2016;Ermida等人,2018;Jiang等人,2021;Lagouarde和Irvine,2008;Liu等人,2021;Vinnikov等人,2012)。然而,目前的先进核驱动模型并不适用于成排种植的冠层,因为它们的核函数无法体现行结构带来的影响。在本研究中,为填补热红外物理建模与核驱动建模之间的空白,我们以Kimes(1983)的物理模型为基础,开发了一种新型的热带核函数。该核函数能够有效表征行结构效应,从而为热红外波段构建统一的核驱动建模框架,使得该框架能够对连续型、离散型以及成排种植的冠层进行角度归一化处理。第2节将介绍统一热红外核驱动建模框架的具体方法、新核函数的推导过程以及所开发模型的相关方程式。第3节展示了通过DART算法模拟得到的多角度DBT数据集,以及新核驱动模型与现有热红外核驱动模型(即Vinnikov、RL、Vinnikov-RL、Vinnikov-Chen、LSF-RL和LSF-Chen模型)的拟合结果。第4节则介绍了通过航空测量获得的多角度DBT数据集,并对比了两种新核驱动模型与六种现有热红外核驱动模型的拟合效果。第5节展示了通过无人机或地面塔台测量得到的多角度DBT数据集,同时对八种热红外核驱动模型的拟合结果进行了比较。第6节和第7节分别对研究内容进行讨论并得出结论。2. 方法论2.1 热红外波段核驱动建模的现有框架冠层辐射可以视为各类场景元素辐射的线性组合,这些元素包括被阳光照射的土壤、阴影中的土壤、被阳光照射的叶片以及阴影中的叶片。由于被阳光照射的叶片与阴影中的叶片之间的温度差异相对较小(Ermida等人,2014;Rasmussen等人,2010),冠层DBT模型通常将它们视为同一类成分。据此,我们可以得到以下公式:Rθsφsθvφv=aslsoilθsφsθvφvLBTslsoil+ashsoilθsφsθvφvLBTshsoil+aleafθsφsθvφvLBTleaf=aslsoilθsφsθvφv?LBTslsoil?LBTshsoil+ashsoilθsφsθvφv+aslsoilθsφsθvφv?LBTshsoil(1)+aleafθsφsθvφvLBTleaf其中,R代表冠层辐射,ax()表示元素x的方向观测分数,L为普朗克函数,BT为亮度温度。θs、θv、φs和φv分别代表太阳天顶角、观测天顶角、太阳方位角和观测方位角。将式(1)进行适当变形,就可以得到式(2),其推导思路是:由于ashsoil(θs, φs, θv, φv)与aslsoil(θs, φs, θv, φv)之和等于asoil(θs, φs, θv, φv),而asoil(θs, φs, θv, φv)与aleaf(θs, φs, θv, φv)之和为1,因此式(2)成立。Rθsφsθvφv(2)=aslsoilθsφsθvφv?LBTslsoil?LBTshsoil+asoilθsφsθvφv?LBTshsoil+1?asoilθsφsθvφvLBTleaf=LBTleaf+asoilθsφsθvφvLBTshsoil?LBTleaf+aslsoilθsφsθvφvLBTslsoil?LBTshsoil由此可见,植被冠层的热辐射方向性取决于土壤的观测分数(即asoilθsφsθvφv)以及被阳光照射的土壤的观测分数(即aslsoilθsφsθvφv)的指向,因为LBTleaf、LBTshsoil?LBTleaf以及LBTslsoil?LBTshsoil这三个量在角度上是相互独立的。基于这一原理,Cao等人(2021)通过将各向同性核(即Kiso=1)、基于asoilθsφsθvφv的基础形状核KBaseShape,以及基于aslsoilθsφsθvφv、且热点宽度可调节的热点核KHotSpot进行线性组合,构建出了热红外核驱动建模框架(见下式3)。fiso、fBaseShape和fHotSpot分别是需要估计算的三个核函数系数。(3)Tθsθvφsφv=fiso+fBaseShape·KBaseShapeθsθvφsφv+fHotSpot·KHotSpotθsθvφsφvwidth在此基础上,人们又通过结合两个基础形状核(Vinnov模型中的发射率核以及LSF核)和两个热点核(RL核以及Chen核),开发出了四种具体的模型,即Vinnikov-RL、Vinnikov-Chen、LSF-RL和LSF-Chen模型。这些模型能够精准模拟连续型与离散型冠层的热辐射方向性特征。此外,Vinnikov模型也属于这一建模框架下的模型,它使用发射率核来表示基础形状,同时用太阳核来描述热点特征。RL模型则是该框架中的另一种特定模型,它没有基础形状核,仅有RL热点核。附录I列出了这几种模型的具体方程式。图1展示了在太阳天顶角为30°、太阳方位角为180°条件下,两种基础形状核(图1a-b)以及三种热点核的极坐标图(图1c-e)。极坐标图中的同心圆代表观测天顶角,而半径则对应观测方位角。下载:下载高分辨率图像(480KB)下载:下载完整尺寸图像图1. 基础形状核与热点核的极坐标图。两种基础形状核:发射率核(a)和LSF核(b)。三种热点核:k值为2的RL核(c)、B值为0.1的Chen核(d)以及太阳核(e)。基础形状核呈碗状,其值仅与观测天顶角有关,而除了太阳核之外,其他热点核都能够准确模拟热点特征。本研究旨在构建一种适用于连续型、离散型以及成排种植冠层的统一热红外核驱动建模框架,具体方法如下。首先,第2.2节将介绍专为成排种植冠层设计的新型基础形状核的推导过程,即KKimesPorous核。第2.3节则介绍了另一种适用于成排种植冠层的新型热带核的构建方法,即KGanisDistance核,这一核函数可作为现有热点核的补充,用于模拟aslsoilθsφsθvφv的分布特征。最后,第2.4节将给出统一热红外核驱动建模框架的公式,以及该框架下两种新模型的具体方程式。2.2 成排种植冠层用的新型基础形状核:KKimesPorous这种基础形状核是根据式3中所描述的土壤观测分数推导出来的。在成排种植的冠层中,asoilθsφsθvφv的值会显著受到行与行之间以及行内部的间隙影响。以行长度为D+W、行高度为H的种植场景为例,在行平面内存在一个临界观测角度,其值为atan(D/H)(见图2a)。当该平面内的观测角度θr小于这个临界角度时,传感器既可以观测到“土壤覆盖区域”(即无叶片的区域),也能观测到“叶片覆盖区域”(见图2b)。而当θr大于临界角度时,就看不到土壤覆盖区域,整个场景看起来就像完全被叶片覆盖一样(见图2c)。此时,我们就可以得到行平面内asoil值的表达式,其形式如式(4)所示。τ1和τ2分别是用于计算植被中辐射相互作用的路径长度,它们的值取决于植被的分布结构。(4)asoilθrφcrossrow=D?H?tanθrD+W?exp0+W+H?tanθrD+W?exp?τ1,ifθr
那么,以G表示单位叶面积在横行方向上的平均投影值,土壤反照率可通过叶覆盖区域内的平均路径长度来计算,如方程(5)所示:(5)asoilθrφcrossrow=D?H?tanθrD+W+W+H?tanθrD+W?exp?G?u?W?HW+H?tanθr?1cosθr,若θr
< />
D?H+htanθs,rH+handcosφv?φcrossrowcosφs?φcrossrow<0;D?H+htanθv,r+tanθs,rD+W,若tanθvr≤D?H+htanθs,rH+handcosφv?φcrossrowcosφs?φcrossrow<0;D?H+htanθs,r+htanθv,rD+W,若0≤tanθv,r0;D?Htanθs,r?H+htanθv,r?tanθs,rD+W,若tanθs,r≤tanθv,r0;0,若tanθv,r≥D+htanθs,rH+handcosφv?φcrossrowcosφs?φcrossrow>0下载:下载高分辨率图像(623KB)下载:下载全尺寸图像图4. 四个临界观测角度的示意图(a)以及五种典型的传感器观测方向(b-f)。方程14中有五个未知参数。为构建用于描述不透光成排种植冠层土壤反照率的新核函数KGanisDistance,W、H和h分别取值为0.5、1.0和0.25,而D和φcrossrow则如同在方程7中构建KKimesPorous时那样根据实际场景进行调整。以典型的太阳光方向以及两种典型的行间距(D=1米和1.5米)为例,图5展示了三种φcrossrow值(0°、90°和120°)对应的KGanisDistance值。所有情况下都呈现出“热带”特征,这与图1c-e中的热点特征有明显区别。此外,横行平面上的KGanisDistance值是连续的。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图5. 当θs=30°、φs=130°,以及两种D值和三种φcrossrow值时,KGanisDistance的典型极坐标图:(a) φcrossrow=0°,D=1.0;(b) φcrossrow=90°,D=1.0;(c) φcrossrow=120°,D=1.0;(d) φcrossrow=0°,D=1.5;(e) φcrossrow=90°,D=1.5;(f) φcrossrow=120°,D=1.5;横行平面上的核函数值:(g) φcrossrow=0°,D=1.0/1.5;(h) φcrossrow=90°,D=1.0/1.5;(i) φcrossrow=120°,D=1.0/1.5。综上,我们提出了两种热点核函数来表征连续冠层的土壤反照率,同时还提出了一种新的热带核函数来表征不透光成排种植冠层的土壤反照率。对于介于这两种极端情况之间的过渡型冠层,可通过将热点核函数(方程12中的KRL或方程13中的KChen)与热带核函数(方程14中的KGanisDistance)进行线性组合来进行建模。据我们所知,将热带核函数纳入成排种植冠层的KDM中,是与常用的热点核函数相辅相成的又一创新思路。2.4. 适用于连续冠层、离散冠层及成排种植冠层的统一KDM框架根据方程2可知,对asoil和aslsoil进行参数化是构建KDM的关键。为使现有的包含三种核函数的KDM框架(即方程3)能够适用于连续冠层、离散冠层以及成排种植冠层,我们分别用KBaseShape表示asoil,用KHotSpot和KHotBelt表示aslsoil。TIR领域的新型统一KDM框架方程如下所示:方程15。KBaseShape和KHotBelt均取决于行结构参数,即D和φcrossrow。现有的KDM框架(即方程3)可视为新框架(即方程15)中D=0时的特例。Tθsθvφsφv=fiso+fBaseShape·KBaseShapeθsθvφsφvφcrossrowD+fHotSpot·KHotSpotθsθvφsφvwidth(15)+fHotBelt·KHotBeltθsθvφsφvφcrossrowD在这个新框架下,通过结合2.2节和2.3节中介绍的相应核函数,我们可以得到两种新的统一KDM模型,即方程16中的KimesPorous-RL-GanisDistance模型和方程17中的KimesPorous-Chen-GanisDistance模型。新的基础形状核函数(即KKimesPorous)在两行间距D为零时,其形态与Kemissivity和KLSF类似。热点核函数仍为之前的KRL或KChen形式。而热带核函数KGanisDistance则是专门为成排种植冠层设计的,当两行间距D为零时其值为零。Tθsθvφsφv=fiso+fKimesPorous·KKimesPorousθsθvφsφvφcrossrowD+fRL·KRLθsθvφsφvk(16)+fGanisDistance·KGanisDistanceθsθvφsφvφcrossrowDTθsθvφsφv=fiso+fKimesPorous·KKimesPorousθsθvφsφvφcrossrowD+fChen·KChenθsθvφsφvB(17)+fGanisDistance·KGanisDistanceθsθvφsφvφcrossrowD此后,这两种新模型将分别简称为Kimes-RL-Ganis和Kimes-Chen-Ganis。为确定这些模型,需要估算七个参数,其中包括四个系数(即fiso、fKimesPorous、fRL/fChen以及fGanisDistance),一个用于描述热点宽度的参数(即KRL模型中的k,Chen模型中的B),以及两个用于描述行结构参数的数值(即D和φcrossrow)。为简化估算过程,实际应用中采用了查表法。热点宽度对应的查表表包含1000个数值,k的取值范围为0.1至100,间隔为0.1;B的取值范围为0.001至1,间隔也为0.001。D对应的查表表包含300个数值,取值范围为0.0至3.0,间隔为0.01。φcrossrow对应的查表表包含180个数值,取值范围为1°至180°,间隔为1°。通过这种查表方法,结合多角度DBT数据,便可使用最小二乘法估算Kimes-RL-Ganis和Kimes-Chen-Ganis模型剩下的四个线性核函数系数。利用方程18即可计算出在查表范围内各模型的拟合均方根误差。一旦均方根误差达到最小值,即可同时确定这四个核函数系数、热点宽度、D和φcrossrow的值。(18)RMSE=∑i=1i=nDBTi,fit?DBTi,truth2n其中,DBTi,fit是指利用所估算的七个参数所得到的KDM拟合后的DBT值,DBTi,truth则是从模拟或实测的多角度数据集中获得的真实DBT值,n则为多角度DBT的数量。3. 利用DART模拟数据集进行模型评估3.1. DART模拟的多角度数据集DART是一种涵盖VNIR到TIR波段的综合性物理基础3D模型(Gastellu-Etchegorry等人,2017;Gastellu-Etchegorry等人,2015)。该模型被广泛用于模拟植被冠层上的TRD效应(Gastellu-Etchegorry等人,2004年;Guillevic等人,2003年),尤其在半经验模型的交叉验证中有着应用(Cao等人,2019a年;Pinheiro等人,2006年;Wang等人,2018年)。DART采用蒙特卡洛双向方法来模拟大气辐射传输,可能还会结合离散坐标法(Yin等人,2013年)。在此研究中,我们设置了1025个离散方向,其中向下半球500个,向上半球500个,热点区域25个。我们构建了三种不同行结构的约100米×100米的冠层模型:一种是由具有球形叶角分布的叶片构成的成排种植的农田(即图6a中的场景A);一种是由10株典型树木构成的成排种植的柑橘园场景(即图6b中的场景B);另一种是由6株典型树木构成的成排种植的森林场景(即图6c中的场景C)。场景B和C分别对应RAMI-V项目中的“HET14_WCO_UND”和“HET16_SRF_UND”任务。这三种场景的行方位均为90°,即东西向。下载:高分辨率图像(1MB)下载:全尺寸图像图6. 通过DART模拟的三种成排种植冠层及其表面温度。a) 场景A:由叶片构成的成排种植农田。b) 场景B:由10株典型树木构成的成排种植柑橘园。c) 场景C:由6株典型树木构成的成排种植森林。d-f) 场景A、B和C中VZA小于60°的318个观测角度(蓝色圆圈表示热点区域的方向,红色星号表示太阳方向)。g-i) 场景A、B和C的表面温度。如表I所示,场景A、B和C分别有50行、24行和28行,其宽度W和行距D的值也各不相同。场景A的行高为1.25米。场景B包含10种高度在2.83至4.11米之间的柑橘树,而场景C则包含6种高度在2.15至3.40米之间的树木。场景A、B和C的叶面积指数分别为1.5、2.69和3.22。在每个场景中,叶高h均小于1米,叶片面积小于0.005平方米。四种成分的输入发射率和温度数据来自西班牙SPARC2004项目中对成排种植冠层的实地测量结果(Verhoef等人,2007年)。叶片/背景温度被转换为叶片平均温度、叶片温度范围、背景平均温度以及背景温度范围,以便用于DART模型。太阳方向的SZA为30°,SAA则在135°到225°之间,间隔为45°。如图6d、e和f所示,在上半球的525个方向中,有318个方向的VZA小于60°。图6d、e和f中的蓝色圆圈代表了围绕太阳方向(即红色十字标示处)的25个重点观测角度。表I. DART模拟的主要输入参数。参数场景A场景B场景C场景面积(平方米)100×100108.25×103.9099.80×100.90单元格大小(立方米)0.25×0.25×0.250.25×0.25×0.250.25×0.25×0.25行方位角(度)909090行数502428行宽(W,单位:米)121.65行距(D,单位:米)12.51.90行高(H+h,单位:米)1.252.83–4.112.15–3.40叶片与土壤之间的距离(h,单位:米)0.250.19–0.720.05叶面积指数(平方米/平方米)1.52.693.22叶片面积(平方米)0.0050.0031220.004281波长(微米)9.59.59.5叶片发射率0.980.980.98背景发射率0.940.940.94叶片平均温度(开尔文)306306306叶片温度范围(开尔文)888背景平均温度(开尔文)311311311背景温度范围(开尔文)242424SZA(度)303030SAA(度)135180225观测角度1025,见图6d1025,见图6e1025,见图6f图6g、h和i分别展示了DART模拟的场景A、B和C的表面温度的极坐标图。场景A、B和C中VZA小于60°的表面的温度变化范围分别为304–312开尔文、302–312开尔文和302–312开尔文。我们可以观察到三个主要特征:(1)主轴平行于行方向的同心椭圆形态,这是由于行结构导致的——沿行方向土壤比例逐渐减少,而垂直于行的方向则下降得更快。(2)行方向上存在一个高温带,这也源于行结构:这一带上的土壤受到更多阳光照射。(3)在太阳方向会出现表面温度最高的点,因为所有被观测到的场景元素都处于光照之下,温度相对更高。这三个特征分别可以用KimesPorous核函数、GanisDistance核函数以及RL/Chen核函数来描述。3.2. DART模拟数据集的KDM拟合结果DART模拟数据集中的318个观测角度足以通过成本函数(如此处采用的最小二乘法)来校准所提出的两种KDM模型的未知系数。需要说明的是,在校准这七个未知系数时,G、u、W、H和h的值分别取为0.5、3.0、0.5、1.0和0.25。随后,利用估算出的系数及对应的核函数值得到了KDM拟合后的表面温度值。为了评估KDM模型的准确性,我们使用了DART模拟值与KDM拟合值之间的两个定量指标:RMSE和R2。作为对比,我们还采用了现有的三系数Vinnikov模型和RL模型,以及四系数Vinnikov-RL、Vinnikov-Chen、LSF-RL、LSF-Chen模型(相关公式见附录I)。图7b-i、8b-i和9b-i分别展示了场景A-C中八种KDM模型的拟合结果。RL模型、Vinnikov-RL模型、Vinnikov-Chen模型、LSF-RL模型和LSF-Chen模型在三种场景中都呈现出类似的拟合表面温度分布,其特征是在太阳方向有一个高温点,周围是一系列以该点为中心的同心椭圆轮廓。而Vinnikov模型拟合的结果则显示在天底方向与太阳方向之间的区域内有许多圆形高温区,且热点区域的温度被明显低估。与DART模型不同,这六种现有模型均未体现出行结构效应,因为它们没有考虑行方位角这一变量。不过,正如预期,所提出的Kimes-RL-Ganis模型和Kimes-Chen-Ganis模型得到的表面温度值与DART模拟值非常接近,且同样具有明显的热点和行结构效应。下载:高分辨率图像(1MB)下载:全尺寸图像图7. DART模拟值与KDM拟合值在场景A中的表面温度分布对比。下载:高分辨率图像(1MB)下载:全尺寸图像图8. DART模拟值与KDM拟合值在场景B中的表面温度分布对比。下载:高分辨率图像(1MB)下载:全尺寸图像图9. DART模拟值与KDM拟合值在场景C中的表面温度分布对比。此外,图7j、8j和9j分别展示了场景A-C中KDM拟合值与DART模拟值之间误差的直方图。这两种新模型的误差范围大多在-1开尔文到1开尔文之间,远小于那六种现有模型的误差范围。现有六种KDM模型的RMSE数值分别高达1.322–1.445开尔文(场景A)、1.105–1.263开尔文(场景B)、1.926–2.047开尔文(场景C)。而针对成排种植冠层的新模型,其RMSE数值则降至0.300–0.349开尔文(场景A)、0.265–0.321开尔文(场景B)、0.269–0.291开尔文(场景C),相比原有模型降低了73.6%、71.0%和84.9%。相应地,所提出的KDM模型还将R2值从不到0.60提升到了场景A中的0.97以上,场景B中的0.98以上,场景C中的0.99以上。因此,这两个定量指标都表明,新提出的模型相比现有的六种KDM模型有了显著改进。4. 利用航空测量数据集进行模型验证4.1. 航空测量的多角度数据集我们还使用了三组在南北方向上对成排种植葡萄园进行的航空测量表面温度数据集(位于法国西南部的梅多克地区),进一步验证这些新的KDM模型。这些数据是由Inframetrics M760 TIR相机在8–12微米波段拍摄的,其视场角为80°×60°。为了获取VZA等于60°时的表面温度数据,相机以20°的倾角安装,倾斜方向为视场角较大的那一侧,即80°方向。共进行了四组相反方向的飞行观测,包括太阳主平面、垂直于太阳主平面的平面,以及两个偏转45度的平面。经过辐射校正、几何校正和大气校正后,各个平面中重叠的图像能够以1°为间隔提供具有时空连续性的表面温度数据,涵盖VZA和VAA两个维度。之后,将所有平面上的测量数据整合起来,用以分析表面温度的分布特征。这种多角度表面温度提取方法此前已在离散森林和城市地表上得到成功应用(Lagouarde等人,2010年;Lagouarde等人,2000年),此次则应用于成排种植的冠层。图10a-c展示了三个葡萄园场景中的观测角度(蓝色点)以及太阳角度的变化情况(红色箭头)。由于飞行时间约为30–60分钟,太阳位置也会发生变动。图10d-f显示,这三个场景的TRD强度分别达到了16开尔文、12开尔文和10开尔文,且都呈现出明显的同心椭圆结构、高温带以及最高温点的特征。下载:高分辨率图像(1MB)下载:全尺寸图像图10. 三个成排种植葡萄园的航空测量表面温度数据。这些葡萄园的行方位角、行宽、行距、行高和叶高分别分别为0°、0.35米、0.95米、0.85米和0.40米。a) 场景D:1996年3月8日12:29至13:06 UTC期间的观测角度和太阳角度。b) 场景E:1996年9月7日09:55至10:41 UTC期间的观测角度和太阳角度。c) 场景F:1996年9月7日13:05至14:02 UTC期间的观测角度和太阳角度。d) 场景D的表面温度数据。e) 场景E的表面温度数据。f) 场景F的表面温度数据。4.2. 航空测量数据集的KDM拟合结果与前述相同,校准这七个未知系数时,G、u、W、H和h的值仍分别为0.5、3.0、0.5、1.0和0.25。图11b-i、12b-i和13b-i分别展示了场景D和F中八种KDM模型的拟合结果。对于每一个场景,我们都计算出了平均的SZA和SAA值,将其作为估算KDM模型系数时的太阳角度。总体来看,航空测量数据集的KDM拟合结果(即图11、图12、图13)与DART模拟数据集的拟合结果(即图7、图8、图9)非常相似。RL模型、Vinnikov-RL模型、Vinnikov-Chen模型、LSF-RL模型和LSF-Chen模型都呈现出类似的表面温度分布特征,且在太阳方向都有明显的高温点。而Vinnikov模型则低估了高温效应,导致高温点的位置有所偏移。现有的六种KDM模型均未体现出行结构效应。不过,新提出的Kimes-RL-Ganis模型和Kimes-Chen-Ganis模型却能生成与航空测量数据极为相似的表面温度分布,同样具有由行结构带来的明显高温点和高温带特征。下载:高分辨率图像(1MB)下载:全尺寸图像图11. DART模拟值与KDM拟合值在场景D中的表面温度分布对比。下载:高分辨率图像(1MB)下载:全尺寸图像图12. DART模拟值与KDM拟合值在场景E中的表面温度分布对比。下载:高分辨率图像(1MB)下载:全尺寸图像图13. DART模拟值与KDM拟合值在场景F中的表面温度分布对比。与第3.2节相同,我们再次使用RMSE和R2这两个定量指标来评估KDM拟合结果与航空测量数据之间的吻合程度。图11j、12j和13j分别展示了场景D和F中KDM拟合值与航空测量值之间误差的直方图。与现有六种模型相比,这两种新模型的误差更集中地在0开尔文附近。现有六种模型的拟合RMSE数值分别为场景D的2.043–2.227开尔文、场景E的1.316–1.426开尔文、场景F的1.580–1.654开尔文。而新模型的相应数值则降至场景D的0.78–0.792开尔文、场景E的0.614–0.649开尔文、场景F的0.882–0.909开尔文,降幅相当显著。因此,新模型使得场景D、E、F的拟合RMSE分别降低了61.2%、50.7%和42.5%。与此同时,R2值也有所提升:场景D的R2值从低于0.66上升到了0.94以上,场景E的R2值从低于0.60上升到了0.90以上,场景F的R2值则从低于0.35上升到了0.78以上。RMSE和R2的变化都表明,新提出的KDM模型相比现有的六种模型有了显著优化。相较于DART模拟场景而言,航空测量数据对应的RMSE降低幅度相对较小,仅为42.5%–61.2%,这一现象部分原因可能是由于在获取航空测量数据时所采用的时空平均处理方式不可避免地会带来一定的误差。5. 利用无人机测量数据集和地面监测站数据集进行模型验证5.1. 无人机测量数据集与地面监测站数据集的多角度测量近年来,由于成本较低且具备较高的机动性,基于无人机的多角度观测方法越来越受到重视。此外,由于能够使用重量更大、性能更优异的TIR相机,基于地面监测站的多角度观测也同样被广泛应用。我们在天气晴朗的两天里,分别在淮莱遥感试验场(北纬40.349度,东经115.785度)进行了两次多角度观测。2015年6月18日,通过塔基观测对成排种植的玉米冠层进行了观测,而2025年4月27日则利用无人机对成排种植的 crabapple 树进行了观测。图14展示了这两组数据的真实场景照片、传感器观测角度以及测得的DBT值。下载:下载高分辨率图像(895KB)下载:下载全尺寸图像图14. 从西到东方向上成排种植的玉米和crabapple冠层的塔基测量与无人机测量的DBT分布。(a) 场景G:成排种植的玉米;(b) 2015年6月18日11:27–11:34北京时间时的观测视角和太阳角度;(c) 场景G的DBT值;(d) 场景H:成排种植的crabapple树;(e) 2025年4月27日12:26–12:44北京时间时的观测视角和太阳角度。(f) 场景H的DBT值。对于玉米冠层,通过移动观测塔,实现了两条穿过行方向的飞行路径(即从西到东方向的行,方位角为90°)。然后,利用广泛使用的时空平均方法,以一系列FLIR A655sc图像作为输入,提取出多角度的DBT值(Cao等人,2023年)。从11:27到11:34北京时间,获取这一系列图像大约需要7分钟。此时的太阳角度分别为SZA=19.6°和SAA=146.4°。Crabapple树也是呈东西向种植,平均行宽为2.3米,行间距为1.1米。这些树的平均高度为3.4米。所使用的无人机是配备热成像仪的DJI Mavic 3 T型四旋翼无人机,其视场角为47.6°×38.1°。采用了环形轨迹观测方案,总共获得了121个采样点,其中包括一个正下方点以及分布在六个飞行圈内的120个非正下方角度点。各飞行圈之间的VZA间隔为10°,范围在0°到60°之间,而同一飞行圈内的VAA间隔为18°,范围在0°到360°之间。从12:26到12:44北京时间,此次观测大约需要18分钟,此时的太阳角度分别为SZA=28.0°和SAA=199.7°。5.2. 无人机测量数据与塔基测量数据经KDM模型拟合后的结果图15b-i和图16b-i分别展示了场景G至H的八个KDM模型拟合得到的DBT结果。总体而言,塔基测量数据/无人机测量数据经KDM模型拟合后的DBT曲线与DART模拟数据/航空测量数据得到的曲线非常接近。RL、Vinnikov-RL、Vinnikov-Chen、LSF-RL和LSF-Chen模型拟合出的DBT曲线形态相似,且在太阳照射方向上存在明显的热点现象。而Vinnikov模型拟合的结果则显著低估了热点效应。现有的六种KDM模型都无法体现行结构带来的影响。相比之下,两种新模型(即Kimes-RL-Ganis和Kimes-Chen-Ganis)拟合出的DBT曲线与塔基测量数据/无人机测量数据得到的曲线极为相似,同样呈现出明显的热点和热带特征。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图15. 场景G的塔基测量DBT曲线与KDM模型拟合曲线对比。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图16. 场景H的无人机测量DBT曲线与KDM模型拟合曲线对比。图15j和图16j分别展示了场景G至H的KDM模型拟合结果与塔基测量数据/无人机测量数据之间拟合误差的直方图。两种新模型的拟合误差更集中在0K附近,而现有六种模型的拟合误差则没有这么集中的趋势。对于现有六种模型而言,场景G的拟合均方根误差在0.659–0.852K之间,场景H的则在0.872–1.283K之间;而两种新模型在场景G的拟合均方根误差降至0.524–0.531K,在场景H的则为0.645–0.732K。相比而言,这两种新模型使得场景G和场景H的拟合均方根误差分别降低了19.4%和16.1%。因此,新的KDM模型(即Kimes-RL-Ganis和Kimes-Chen-Ganis)相比现有的六种模型有了显著提升,这也验证了第3节和第4节所得到的研究结果。6. 讨论6.1. 三种结构参数的LUT方法的可靠性分析研究一种用于三种结构参数(包括φcrossrow、D以及热点宽度)的LUT方法是否能够确保得到唯一的最小误差值具有重要意义。以DART模拟的场景A和Kimes-RL-Ganis模型为例,我们展示了参数空间中RMSE的3D分布图,以及最小RMSE值对应的三个2D分布图(即图17中的“*”标记处)。图17的结果表明,最小误差值确实如预期那样是唯一的(即当φcrossrow=90°、D=1.35且热点宽度k=0.16时,RMSEminimum=0.296)。下载:下载高分辨率图像(333KB)下载:下载全尺寸图像图17. 三种结构参数空间中的RMSE分布:(a) 3D视图;(b) 最小RMSE值对应条件下D和热点宽度k的2D视图;(c) 最小RMSE值对应条件下φcrossrow和热点宽度k的2D视图;(d) 最小RMSE值对应条件下φcrossrow和D的2D视图。6.2. 在驱动DBT数量有限时的拟合性能在第三、第四和第五节中,我们使用了数十个或数百个角度的DBT值作为输入,以此来校准未知参数。但在实际处理卫星数据集时,很难获得如此大量的观测数据,因此,应当使用较少的观测数据来比较新模型与现有模型的性能。参考Hu等人的研究(2025年),我们随机选择了2.5%、5%、7.5%……97.5%的DBT值,以此来测试新核驱动模型的拟合性能。为避免因观测角度有限而产生的抽样误差,每个百分比水平下进行了50次重复实验。仍以DART模拟的场景A和Kimes-RL-Ganis模型为例,图18中的敏感性分析结果显示,最小RMSE值几乎没有任何变化(从2.5%时的0.304降至97.5%时的0.296)。对于存储在LUT中的三种结构参数而言,只有热点宽度k会随着拟合比例的增加而略有变化。需要指出的是,虽然模型的未知参数是通过有限的观测数据来校准的,但RMSE值却是基于100%的DART模拟DBT值计算得出的。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图18. 不同拟合比例下的参数优化数值(平均值±标准差,50次重复实验):(a) RMSE;(b) φcrossrow;(c) D;(d) 热点宽度k。6.3. 在连续型与离散型冠层上的拟合性能本研究提出了一种包含七个参数的统一KDM框架(公式15),该框架考虑了行结构效应,是对原有仅适用于连续型与离散型冠层(仅有四个参数,如公式3所示)的框架的扩展。因此,有必要评估这种新的七参数KDM模型在连续型与离散型冠层上的拟合能力。为此,我们利用DART软件模拟了一个典型的90米×90米的连续型冠层,其叶面积指数为1.5(即场景I,见图19a),同时还模拟了一个典型的90米×90米的离散型冠层,该冠层包含182棵树(即场景J,见图19d,其叶面积指数与场景I相同),以此来对比不同模型的拟合精度。场景I和场景J的SZA/SAA值分别为30°/135°和30°/225°。阳光照射下的叶片、阴凉处的叶片以及土壤的输入发射率与温度值均与表I中的数值相同。下载:下载高分辨率图像(864KB)下载:下载全尺寸图像图19. 两种新KDM模型与六种现有KDM模型在连续型冠层与离散型冠层上的拟合能力对比:a) 叶面积指数为1.5的DART模拟连续型冠层;b) 该连续型冠层的DART模拟DBT曲线;c) 不同KDM模型在连续型冠层上的RMSE对比结果;d) 包含182棵树的DART模拟离散型冠层;e) 该离散型冠层的DART模拟DBT曲线;f) 不同KDM模型在离散型冠层上的RMSE对比结果。图19b和图19e分别展示了连续型冠层与离散型冠层的DART模拟DBT极坐标图,这些图表都显示出以热点方向为中心的椭圆形分布特征。对于连续型与离散型冠层而言,Kimes-RL-Ganis和Kimes-Chen-Ganis模型校准得到的行间隙值D均为0。因此,在这种情况下,热带核的贡献为0,新模型仅包含两种各向异性核,即基础形状核与热点核。如图19c和图19f所示,Kimes-RL-Ganis和Kimes-Chen-Ganis模型的拟合RMSE值与Vinnikov-RL、Vinnikov-Chen、LSF-RL、LSF-Chen模型的拟合RMSE值非常接近,且低于Vinnikov模型在场景I中的拟合RMSE值,同时也低于Vinnikov模型与RL模型在场景J中的拟合RMSE值。由此可见,所提出的统一KDM框架不仅在成排种植的冠层上表现良好,对于连续型与离散型冠层也同样具有出色的拟合能力。6.4. 在异质农业景观上的拟合性能为了评估该模型在1公里×1公里大小的异质农业景观上的拟合性能,我们根据谷歌地球地图,利用DART软件生成了位于美国加利福尼亚州马德拉市Ripperdan地区的真实场景(见图20)。该景观由九块柑橘种植地组成:其中四块为南北向排列,五块为东西向排列。该DART模拟结果的SZA与SAA值分别为30°和135°。阳光照射下的叶片、阴凉处的叶片以及土壤的输入发射率与温度值均与表I中的数值相同。图20f显示,DART模拟得到的DBT曲线在南北向排列的种植地上仍然存在行效应(可见灰色椭圆区域),这说明南北向排列的种植地的行效应要比东西向排列的更为明显。下载:下载高分辨率图像(530KB)下载:下载全尺寸图像图20. 所研究的具有不同行排列方式的异质农业景观,以及在该景观上DART模拟得到的DBT分布情况。(a) Ripperdan地区的位置;(b) 该研究区域的谷歌地球地图;(c) 所采用的1公里×1公里大小的异质农业景观;(d) DART模拟的输入数据;(e) 正下方视角下的模拟DBT图像;(f) 存在行效应的DART模拟DBT分布图(可见灰色椭圆区域)。图21显示,Kimes-RL-Ganis和Kime-Chen-Ganis模型拟合得到的DBT曲线与DART模拟结果更为相似,与现有六种模型相比,拟合误差从0.198K降至0.263K,而两种新模型的拟合误差则降至0.183–0.185K,也就是说,更多的拟合误差值集中在0K附近。综上所述,对于具有不同行排列方式的异质景观,这些新模型能够识别出占主导地位的行排列方式,并模拟出由多种不同行排列方式混合所产生的其余行效应。换言之,本研究提出的统一核驱动建模框架既适用于连续型冠层、离散型冠层,也适用于成排种植的冠层以及具有多种行排列方式的混合型冠层。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图21. 1公里×1公里大小异质农业景观的DART模拟DBT曲线与KDM模型拟合曲线对比。6.5. 在VNIR波段的BRDF模拟中的拟合性能评估新推出的Kimes-RL-Ganis/Kime-Chen-Ganis模型在行种植冠层的BRDF拟合方面的性能也具有重要意义。此处,我们采用传统的Ross-Li模型作为参考模型,该模型原本是用于处理MODIS BRDF/反照率数据的(Schaaf等人,2002年)。以DART模拟的场景A为例,我们利用DART软件模拟了该冠层在红光波段与近红外波段(分别为600纳米和900纳米)的反射率情况。红光波段下,叶片反射率、叶片透射率以及土壤反射率分别为0.0586、0.0563和0.1873,这些数值参考了He等人的研究(2025年)。图22的结果显示,新模型在性能上显著优于Ross-Li模型,红光波段的拟合RMSE值从0.014降低到了0.004,近红外波段的拟合RMSE值则从0.025降低到了0.013。由此可见,这种统一的核驱动建模框架也适用于BRDF模拟任务。下载:下载高分辨率图像(2MB)下载:下载全尺寸图像图22. DART模拟得到的红光波段与近红外波段反射率分布图,以及Ross-Li模型与Kimes-RL-Ganis模型拟合结果的对比。(关于本图例中颜色所代表的含义,读者可查阅本文的在线版本。)7. 结论综上所述,我们提出了一种统一的TIR KDM框架,以及两种具体的模型(即Kime-RL-Ganis和Kime-Chen-Ganis),旨在拓展KDM模型的应用范围,使其能够用于处理成排种植的冠层数据,而不仅仅是连续型或离散型冠层数据。我们利用三组由DART模拟得到的多角度数据集,将这两种新模型与六种现有的三参数或四参数KDM模型进行了全面对比。此外,我们还进一步使用了三组航空测量的多角度数据集、一组塔基测量的数据集以及一组无人机测量的数据集,对所有模型进行了性能评估。最终得出了以下三个主要结论:(1) 成排种植的冠层所具有的特殊结构会导致冠层DBT曲线出现行效应,表现为以行方向为长轴的同心椭圆形特征,以及沿行方向延伸的热带区域。新的基础形状核(即KimesPorous核)可用于表示这种同心椭圆形特征,而新的热带核(GanisDistance核)则可用于表示热带区域特征。这两种核与现有的各向同性核以及热点核相结合,便构成了一个包含四种核的统一KDM框架(即Kiso核、KBaseShape核、KHotSpot核和KHotBelt核)。(2) 我们使用了三组由DART模拟得到的多角度DBT数据集,以及三组航空测量得到的多角度DBT数据集,来对比这两种新模型与现有模型的性能。测试结果显示,对于三个模拟场景,RMSE分别从1.322–1.445 K降至0.300–0.349 K,从1.105–1.263 K降至0.265–0.321 K,从1.926–2.047 K降至0.269–0.291 K;而对于三个通过航空测量的场景,RMSE则从2.043–2.227 K降至0.78–0.792 K,从1.316–1.426 K降至0.614–0.649 K,从1.580–1.654 K降至0.882–0.909 K。模拟场景和实际测量场景的RMSE降低幅度分别高达71.0–84.9%和42.5–61.2%。(3) 对于模拟的连续型与离散型场景,Kimes-RL-Ganis模型和Kimes-Chen-Ganis模型的校准行间距D均为0。这两种新模型的拟合RMSE与四参数版本的KDM模型非常接近,且低于三参数版本的KDM模型。因此,这种具有七个参数的统一KDM框架在行栽场景中表现优异,同时在连续型/离散型场景中也展现出出色性能。该框架在包含不同行向的异质景观中的表现也优于现有模型。它确实是一种能够适用于连续型、离散型及行栽型冠层的统一框架。此外,这一统一核驱动建模框架还可用于VNIR波段下行栽冠层的BRDF模拟。未来,可以利用高分辨率光学卫星遥感数据来绘制φcrossrow和D的值,从而减少新核驱动模型中的未知数。这样的协同方法将极大简化模型的校准工作。之后,我们可以参照Qin等人(2025年)和Wei等人(2025年)采用的策略,通过整合一整天或整个季节的热红外观测数据来尝试校准剩余的系数。在现实世界中,尤其是1公里尺度上,理想的均匀场景极为罕见。因此,未来应收集更多1公里×1公里范围内包含不同植被类型和行结构的混合场景的模拟或实测多角度数据集,以便进一步评估这些新模型在实际应用中的拟合能力。CRediT作者贡献说明:曹彪:撰写——初稿、验证、方法论、资金获取、概念设计;王英杰:撰写——审阅与编辑、验证、软件相关工作;Jean-Philippe Gastellu-Etchegorry:撰写——审阅与编辑、方法论。