孫 曉 譚炳香

中國林業(yè)科學研究院資源信息研究所 北京 100091

過去用遙感方法估測森林葉面積指數(shù)的研究主要局限于一些寬波段的多光譜數(shù)據(jù)。大部分研究都致力于尋找葉面積指數(shù)和各種植被指數(shù)之間的一些簡單的統(tǒng)計關系［1］，精度不高。遙感圖像反演得到的森林LAI有很大的不確定性，而在高光譜遙感數(shù)據(jù)中，采用光譜微分技術可以有效地壓抑這種非植被光譜，從而提高葉面積指數(shù)同LAI的相關性［2］。

高光譜 (Hyperspectral Remote Sensing)遙感，是指利用很多很窄的電磁波波段 (通常＜10 nm)從感興趣的物體獲取有關數(shù)據(jù)，具有光譜分辨率高、波段多且連續(xù)性強 (有幾百個波段，且相鄰波段的相關性高)、信息量豐富、譜像合一等優(yōu)點［3］。它的出現(xiàn)及發(fā)展，大大加快了遙感技術從定性到定量發(fā)展的步伐，使快速、精確、大范圍、無損壞地估測森林葉面積指數(shù)成為可能，從而可以有效地監(jiān)測森林長勢，估測森林生物量，評價病蟲害等。

1 國內(nèi)外研究現(xiàn)狀

葉面積指數(shù)的提出來源于作物學，早在20世紀40年代中期，英國農(nóng)業(yè)生態(tài)學家Watson就提出了葉面積指數(shù)的概念，即單位土地面積上單面植物光合作用面積的總和，并采用葉面積指數(shù)反映植物葉面的數(shù)量變化。葉面積指數(shù)是一個無量綱度量的參數(shù)，其大小與植被種類、生長期、株行距、葉片傾角、葉簇等諸多因素有關，還受葉面積指數(shù)定義和測定方法的影響。在20世紀80年代，我國才開始對林木、森林的葉面積指數(shù)進行相關研究，部分成果已經(jīng)用來指導生產(chǎn)實踐。

葉面積指數(shù)有很多定義，本文所涉及的LAI定義采用的是Chen(1992)提出一種新的LAI定義，指植物植株所有葉片單面面積總和與植株所占的土地面積的比值。

1.1 國外研究現(xiàn)狀

高光譜數(shù)據(jù)由于具有較高的光譜分辨率、波段多且連續(xù)性強等特點，在選擇其合適波段估算LAI時比寬波段的多光譜遙感數(shù)據(jù)具有較明顯的優(yōu)勢。國外開展高光譜遙感估測葉面積指數(shù)的研究比較早，提出了很多的方法，對傳統(tǒng)的寬波段遙感無法解決的問題進行了很好的處理。

Gong等 (2003)基于Hyperion數(shù)據(jù)，估計每個可能的植被指數(shù)與LAI的相關性，研究估測森林LAI最有效的波段［4］。Pu等 (2004) 利用Hyperion，ALI，AVIRIS 3種遙感數(shù)據(jù)對森林植被LAI進行了估測，采用逐步回歸方法選擇與LAI關系密切的光譜波段，然后建立各波段與LAI的多元回歸方程。經(jīng)檢驗證明，AVIRIS的LAI估測精度最高，其次為Hyperion，ALI的估測精度最低，其中中心波長為820，1 040，1 200，1 250，1 650，2 100，2 260 nm的波段估測LAI最有潛力［5］。

Martin等 (2004)通過建立從機載高光譜影像提取的植被指數(shù)和葉面積指數(shù)之間的線性預測模型;估算森林 LAI，精度較高［6］。Lee K．S．等 (2004)通過建立LAI與光譜反射之間的相關關系，估測了高郁閉森林的LAI，認為短波紅外的光譜反射可能是提高光學遙感數(shù)據(jù)估測高郁閉森林LAI潛力的重要因子。Schlerf等 (2005)利用機載高光譜數(shù)據(jù)的植被指數(shù)建立了與LAI的線性回歸模型來估測森林LAI［7］。Darcishzadeh等 (2008) 研究了土壤類型和植被結構對利用高光譜估算LAI的影響。

Lênio Soares Galv?o 等 (2011) 用 MODIS 和高光譜數(shù)據(jù)比較了熱帶森林干旱季節(jié)的EVI的年內(nèi)變化。結果表明，在干旱季節(jié)，EVI變化是由于光照強度引起的，而不是葉面積指數(shù);EVI與近紅外波段反射率有很高的相關性;混合模型證明了光照強度影響 EVI的事實［8］。

1.2 國內(nèi)研究現(xiàn)狀

國內(nèi)對高光譜遙感的研究起步較晚，利用高光譜遙感技術估測葉面積指數(shù)的研究大部分集中在農(nóng)業(yè)方面，近幾年才開始重視其在林業(yè)中的應用。

趙麗芳等 (2007)利用地面實測的LAI和從高光譜遙感圖像上提取的植被指數(shù) (NDVI，SR，RSR)分別構建回歸模型，反演森林葉面積指數(shù)［9］。吳朝陽等 (2008)對高光譜植被指數(shù) (NDVI、MSR、MCARI)與葉綠素濃度及葉面積指數(shù)的線性關系進行改進，結果表明對著3類植被指數(shù)而言，750 nm和705 nm的葉片反射率更適合實際的葉綠素濃度反演，組成的植被指數(shù)能夠獲取更可靠的葉面積指數(shù)信息［10］。劉曉臣等 (2008)利用 PROSAIL模型模擬數(shù)據(jù)及地面實測數(shù)據(jù)，對不同葉面積指數(shù)的反演方法進行了比較分析。結果證明，植被指數(shù)NDVI對幾種因素的濾除能力都較差，反演精度最低;模型反演精度高于植被指數(shù)方法，但會受到土壤背景的影響;二階微分方法雖然能部分消除土壤背景的影響，但受冠層反射率非各向同性的限制。文中提出的方向性二階微分法能較好地消除土壤背景和冠層反射率非各向同性的影響，反演精度較前者有所提高，但二階微分方法易受噪聲影響［11］。

丹利等 (2009)利用2000—2006年MODIS數(shù)據(jù)對貴州植被葉面積指數(shù)的時空變化及其對氣候的響應進行了分析。陳雪洋等 (2010)基于環(huán)境星CCD數(shù)據(jù)計算了4種植被指數(shù)，即 NDVI，RVI，SAVI和EVI;結合同步觀測數(shù)據(jù)，將植被指數(shù)與實測葉面積指數(shù)進行了回歸分析，比較各種植被指數(shù)模型對冬小麥LAI的估測精度。結果表明，4種植被指數(shù)與LAI均具有較高的相關性，其中比值植被指數(shù) (RVI)對 LAI反演精度最高［12］。吳見等(2011)總結了高光譜技術在林業(yè)遙感領域取得的研究成果［13］。

2 高光譜遙感估測葉面積指數(shù)的方法

遙感反演葉面積指數(shù)是指利用經(jīng)驗模型或者幾何光學模型等對遙感圖像進行各種運算，以獲取葉面積指數(shù)。高光譜遙感影像提取森林LAI的方法同傳統(tǒng)遙感方法相似，主要分為植被指數(shù)法、物理模型法、混合像元分解法、神經(jīng)網(wǎng)絡法和小波變換法。

2.1 植被指數(shù)法

田慶久等 (1998)將植被指數(shù)按發(fā)展階段分為3類:第1類植被指數(shù)基于波段的線性組合 (差或和)或原始波段的比值，如RVI等;第2類植被指數(shù)大都基于物理知識，將電磁波輻射、大氣、植被覆蓋和土壤背景的相互作用結合在一起考慮，是通過利用數(shù)學和物理及邏輯經(jīng)驗對原植被指數(shù)進行不斷改進而發(fā)展起來的，如 PVI，SAVI，MSAVI，TSAVI，ARVI，GEMI，AVI，NDVI 等; 第 3 類植被指數(shù)針對高光譜遙感及熱紅外遙感如DVI，Ts－VI，PRI等。植被指數(shù)法相對比較簡單、適用性強，但是由于受植被密度、葉冠結構及土壤背景和大氣等的影響而缺乏敏感性和可移植性。葉面積指數(shù)和植開始被指數(shù)的關系不夠確定，模型不易推廣，因此人們開始逐漸考慮利用物理模型反演得到植被LAI。

2.2 物理模型法

由于地面的植被 (森林、草地、農(nóng)作物)主要有2種外在形態(tài):一種有明顯幾何特征，如樹木、灌叢、成壟分布的農(nóng)作物等;另一種則無明顯幾何特征，如大面積的草地、已封壟的農(nóng)作物等。所以物理模型也分為2種，一是幾何光學模型，一是輻射傳輸模型。前者以像元分解理論為依據(jù);后者則以植被輻射傳輸理論為基礎，由遙感信息反演估算LAI。2種模型反演森林LAI都是建立在物理基礎之上的，不受到植被類型的影響，但模型反演LAI的過程復雜。在實際估測森林葉面積指數(shù)時，可根據(jù)不同的情況采用不同的方法。當然，由于相互融合，2種模型現(xiàn)在已經(jīng)相互結合共同反演森林葉面積指數(shù)，即以幾何光學為基礎的模型加入了對多次散射的考慮，而以輻射傳輸為基礎的模型加入了對熱點現(xiàn)象的考慮。

2.3 混合像元分解法

傳感器空間分辨率的限制以及地物的復雜多樣性致使混合像元普遍存在于遙感圖像中。鑒于此，Hall(1995)首先提出了SMA法(Spectral Mixture A－nalysis，SMA)，即基于一個像元的瞬時有效視角場接收到很多單個地物的輻射信號。如果每一個混合像元能夠被分解而且它的每一個端元組分 (End Member)占像元的豐度也能夠求得，則LAI的提取誤差會大大減少。目前國內(nèi)混合像元的主要分解方法有線性光譜混合模型、非線性光譜混合模型、模糊監(jiān)督分類法和神經(jīng)網(wǎng)絡模型分類法。

混合像元分解法的缺點在于其模型都是在一定的假設條件的基礎上建立的，這些假設會以不同方式影響模型的精度和混合像元分解的結果。

2.4 神經(jīng)網(wǎng)絡模型法

Gong P等 (1999)開始將神經(jīng)網(wǎng)絡引入到高光譜數(shù)據(jù)分析中來，提高了植被生理參數(shù)反演的精度［14］。近年來，人工神經(jīng)網(wǎng)絡已經(jīng)在遙感影像分類和信息提取 (LAI等)等研究中得到了廣泛的應用，如土地覆蓋的分類問題、多時相動態(tài)地物的區(qū)分、基于多源空間數(shù)據(jù) (如遙感數(shù)據(jù)與地理信息綜合)的融合和分類、模糊分類 (混合像元分解)、融合先驗知識的遙感影像分類、影像結構信息提取 (如線形、紋理等信息的提取)等，這些應用在不同程度上都獲得了有實際意義的結果。湯旭光等 (2010)以東北主要綠化樹種為研究對象，分別運用6種植被指數(shù)、神經(jīng)網(wǎng)絡以及小波分析等3種方法進行LAI估算。研究結果表明，神經(jīng)網(wǎng)絡在擬合光譜反射率與樹冠LAI的關系時明顯優(yōu)于植被指數(shù)法［15］。

但是，神經(jīng)網(wǎng)絡模型也有缺點:1)對于不同目標和不同復雜程度的問題，人工神經(jīng)網(wǎng)絡的結構和算法需要作相應的調(diào)整才能得到高效率和高性能;2)基于人工神經(jīng)網(wǎng)絡 (ANN)的遙感影像理解主要是模擬視覺神經(jīng)和人體中樞神經(jīng)的并行信息處理系統(tǒng)，因此需要融合一定的地學知識和地理軸助信息參與決策分析，這就需要解決知識和模型融合的問題。

2.5 小波變換法

小波變換法具有很強的信號分析與處理功能，在特征提取、數(shù)據(jù)壓縮等研究方面已經(jīng)應用比較成熟，而在森林LAI等參數(shù)反演上的應用還不多，但也有一些先驅(qū)性的研究。Ruiliang Pu等 (2004)利用EO－1高光譜數(shù)據(jù)對比研究了小波變換、主成分分析及波段選擇3種方法反演森林LAI的效果，結果發(fā)現(xiàn)利用小波變換法反演的精度較高［16］。

葉面指數(shù)的估測方法受到不同定義和假設、采樣方法、數(shù)據(jù)分析和儀器誤差等多種因素影響，測量值表現(xiàn)出極大的差異，至今國內(nèi)外沒有通用而簡便的方法。目前，根據(jù)實驗得出地面實測LAI值和高光譜數(shù)據(jù)的相關關系是最成功且最常用的。鑒于單獨的模型各有其局限性，已有學者嘗試將幾種模型結合起來發(fā)揮各自的優(yōu)勢 。唐世浩等借鑒地面觀測LAI的原理和方法，利用地物的方向反射特性和植被指數(shù)法簡單實用的特點，建立了基于方向反射率的大尺度LAI反演算法。

3 結論與討論

縱觀國內(nèi)外高光譜反演葉面積指數(shù)研究，高光譜遙感以其特有的波段多且連續(xù)性強、分辨率高、信息量豐富等優(yōu)勢，在葉面積指數(shù)反演中有著廣闊的發(fā)展前景，但同時也面臨很多問題。

首先，國內(nèi)在寬波段遙感估測森林LAI的研究中做了許多工作，利用高光譜遙感反演LAI起步較晚。目前已有的研究主要側重于建立植被指數(shù)與實測LAI間簡單的統(tǒng)計回歸模型，而對其估測機理和方法的研究相對較少，在研究深度和方法應用上也存在著一些不足。例如，對特定的高光譜數(shù)據(jù)(CASI、SASI等)并沒有合適的通用的估測方法。

其次，因為遙感數(shù)據(jù)受不同林分、不同季節(jié)、不同地形、不同大氣條件及遙感尺度等因素的影響比較明顯，如何得到各因素影響LAI的規(guī)律，從而找到最適合的遙感估算模型就成為研究的重點和難點。目前，尚沒有一種具有普適性的方法。雖然物理模型是建立在物理基礎之上的，具有很強的普適性，但其反演LAI的過程復雜，且部分輸入?yún)?shù)難于獲取，這就使其難以大范圍推廣和應用。

要解決上述問題，提高高光譜遙感反演葉面積指數(shù)的可行性及精度，首先應結合數(shù)字高程模型(DEM)圖像，考慮地形因素造成的誤差;其次應在傳統(tǒng)經(jīng)驗模型的基礎上進一步研究森林的光譜特征和林業(yè)遙感機理，以實現(xiàn)遙感技術向遙感信息定量化和“定性” “定位”一體化快速發(fā)展的目標;最后，應結合高光譜遙感數(shù)據(jù)和非遙感數(shù)據(jù)，加上GIS的輔助支持，大大提高高光譜遙感影像分類和信息提取的精度。

［1］Running S W，Peterson D L．，Spanner，et al．Remote sensing of coniferous forest leaf area index［J］．Ecology，1986，67(1):273 －276．

［2］譚炳香．高光譜遙感森林應用研究探討［J］．世界林業(yè)研究，2003，16(2):33－37．

［3］宮鵬，黎夏，徐冰．高分辨率影像解譯理論與應用方法中的一些研究問題［J］．遙感學報，2006，10(1):1－5．

［4］Gong P，Pu R，Biging G S，et al．Estimation of forest leaf area index using vegetation indices derived from hyperion hyperspectral data ［J］．IEEE Transactions on Geoscience and Remote Sensing，2003，41(6)1355－1362．

［5］Pu R，Gong P，Biging G S，et al．Larrieu retrieval of surface reflectance and LAI mapping with data from ALI，Hyperion and AVIRIS［C］//Proceedings of the IEEE International Geoscience and Remote Sensing Symposium ，2002:1411－1413．

［6］Martin Schler，Clement Atzberger，Michael Vohland．Derivation of forest leaf area index from multi－spectral and hyperspectral remote sensing data［J］．EAR Sele Proceeding，2004，3(3):405－413．

［7］Schlerf M，Atzberger C，Hill J．Remote sensing of forest biophysical variables using HyMap imaging spectermeter data［J］．Remote Sensing of Environment，2005，95(2):117 －194．

［8］Lênio Soares Galv?o，Jo?o Roberto dos Santos，Dar ARoberts，et al．On intra－annual EVI variability in the dry season of tropical forest:a case study with MODIS and hyperspectral data［J］．Remote Sensing of Environment，2011，115:2350－2359．

［9］趙麗芳，譚炳香，楊華，等．高光譜遙感森林葉面積指數(shù)估測研究現(xiàn)狀［J］．世界林業(yè)研究，2007，20(2):50－54．

［10］吳朝陽，牛錚．基于輻射傳輸模型的高光譜植被指數(shù)與葉綠素濃度及葉面積指數(shù)的線性關系改進［J］．植物學通報，2008，25(6):714－721．

［11］劉曉臣，范聞捷，田慶久，等．不同葉面積指數(shù)反演方法比較研究［J］．北京大學學報:自然科學版，2008，44(5):828－834．

［12］陳雪洋，蒙繼華，杜鑫，等．基于環(huán)境星CCD數(shù)據(jù)的冬小麥葉面積指數(shù)遙感監(jiān)測模型研究［J］．國土資源遙感，2010，84(2):55－58．

［13］吳見，彭道黎．高光譜遙感林業(yè)信息提取技術研究進展［J］．光譜學與光譜分析，2011，31(9):2305－2312．

［14］Gong P，Wang，D X，et al．Inverting a canopy reflectance model using a neural network［J］．International Journal of Remote Sensing，1999，20(1):111－122．

［15］湯旭光，劉殿偉，宋開山，等．東北主要綠化樹種葉面積指數(shù)(LAI)高光譜估算模型研究［J］．遙感技術與應用，2010，25(3):334－341．

［16］Ruiliang Pu，Peng Gong．Wavelet transform applied to EO －1 hyperspectral data for forest LAI and crown closure mapping［J］．Remote Sensing of Environment，2004，91(2):212 －224．