宋亞斌，林 輝，孫 華，寧小斌

(1.中南林業(yè)科技大學(xué)，長(zhǎng)沙 410004； 2.國(guó)家林業(yè)局中南林業(yè)調(diào)查規(guī)劃設(shè)計(jì)院，長(zhǎng)沙 410014)

基于多元回歸模型的葉面積指數(shù)遙感反演

宋亞斌1，林 輝1，孫 華1，寧小斌2

(1.中南林業(yè)科技大學(xué)，長(zhǎng)沙 410004； 2.國(guó)家林業(yè)局中南林業(yè)調(diào)查規(guī)劃設(shè)計(jì)院，長(zhǎng)沙 410014)

采用2011年8月獲取的黃豐橋林場(chǎng)SPOT5數(shù)據(jù)為信息源，并同步開(kāi)展現(xiàn)地樣地調(diào)查，依據(jù)典型抽樣，以不同的海拔、坡度、坡向進(jìn)行選樣,利用手持GPS和LAI-2000植物冠層分析儀，分別對(duì)選取的60塊樣地進(jìn)行定位和葉面積指數(shù)測(cè)量。結(jié)合遙感數(shù)據(jù)和實(shí)地調(diào)查數(shù)據(jù)，對(duì)地理因子和遙感因子變量進(jìn)行主成分分析，采用逐步回歸法篩選出2個(gè)主成分建立多元回歸方程，對(duì)該研究區(qū)域的植被葉面積指數(shù)進(jìn)行模擬，精度達(dá)到84.17%。結(jié)果表明：RVI，NDVI，MSAVI，MCAVI和DVI與LAI之間存在較好的相關(guān)性。

遙感；多元回歸模型；參數(shù)反演；葉面積指數(shù)；SPOT5

葉面積指數(shù)是單位水平地面面積上所有葉子投影面積的總和，是估計(jì)植物冠層功能的一個(gè)重要參數(shù)，是認(rèn)識(shí)和掌握植物冠層空隙的動(dòng)態(tài)和平衡的重要指標(biāo)，也是生態(tài)系統(tǒng)中最重要的結(jié)構(gòu)參數(shù)之一[1,2]。葉面積指數(shù)直接反映出在多樣化尺度的冠層尺度中的能量、二氧化碳及物質(zhì)循環(huán)，也與許多生態(tài)過(guò)程，如蒸散量、土壤水分平衡、生產(chǎn)力等直接相關(guān)，它的變化體現(xiàn)了植被生長(zhǎng)發(fā)育的不同狀態(tài)[3]。因此，精確確定林分的葉面積指數(shù)，無(wú)論在森林經(jīng)營(yíng)與管理還是在森林生態(tài)環(huán)境的研究中都具有重要的意義。

對(duì)于葉面積指數(shù)的測(cè)定，由于受其定義、采樣方法、儀器誤差、人力和物力等多種因素影響，至今國(guó)內(nèi)外還沒(méi)有通用簡(jiǎn)單的測(cè)量方法，現(xiàn)有的方法只能在局部范圍內(nèi)進(jìn)行測(cè)量。采用遙感技術(shù)，則能快速、準(zhǔn)確且大范圍獲取葉面積指數(shù)。衛(wèi)星遙感具有宏觀性、綜合性、短周期性、可重復(fù)性和低成本等特點(diǎn)，用其進(jìn)行地區(qū)尺度的森林資源定量估測(cè)，可以節(jié)省大量的人力、物力和財(cái)力，提高工作效率。由于受大氣、地理位置、土壤及植物本身光化學(xué)反應(yīng)變化等因素影響，使得地物光譜反射率與葉面積指數(shù)的關(guān)系具有一定的地域性和時(shí)效性。簡(jiǎn)單實(shí)用的葉面積指數(shù)反演方法及反演精度的提高已成為當(dāng)前研究的熱點(diǎn)和難點(diǎn)[4]。

以樣地調(diào)查資料及對(duì)應(yīng)的SPOT5遙感數(shù)據(jù)和1∶1萬(wàn)地形圖為主要信息源，遙感因子與地理因子相結(jié)合，以湖南省株洲市攸縣黃豐橋林場(chǎng)的植被為研究對(duì)象，用多元回歸法對(duì)其進(jìn)行葉面積指數(shù)反演，旨在提高葉面積指數(shù)的提取效率，為評(píng)價(jià)或驗(yàn)證用遙感數(shù)據(jù)反演葉面積指數(shù)的可靠性提供參考。

1 研究區(qū)概況與數(shù)據(jù)獲取

1.1 研究區(qū)概況

黃豐橋林場(chǎng)地處湖南省株洲市攸縣東部，位于13°04′—113°43′E， 27°06′—27°24′N(xiāo)。屬亞熱帶季風(fēng)濕潤(rùn)氣候區(qū)，年平均氣溫17.8℃，年降水量1410.8mm，無(wú)霜期292 d左右；以中低山貌為主，最高海拔1270m，最低海拔115m，坡度20°～35°，土壤以板頁(yè)巖發(fā)育而成的山地黃壤為主。林場(chǎng)境內(nèi)森林茂盛，物種豐富，有木本植物430余種。

1.2 數(shù)據(jù)獲取

1.2.1 外業(yè)數(shù)據(jù)采集

由于森林類(lèi)型、海拔、坡向、坡度與森林葉面積密切相關(guān)，不同的森林類(lèi)型、海拔、坡度、坡向，其植被有著不同的葉面積。采取典型抽樣法，分別以不同的海拔、坡度、坡向進(jìn)行選樣。利用LAI-2000植物冠層分析儀，在60m×60m的樣地范圍內(nèi)，分別樣地4個(gè)角及樣地中心位置設(shè)置10 m×10m樣方測(cè)量LAI值，取5次測(cè)量的均值作為樣地的LAI值。共選取60個(gè)樣地，每個(gè)樣地為1組數(shù)據(jù)，前40個(gè)數(shù)據(jù)用于建模，后20組用于檢驗(yàn)?zāi)Ｐ途取?/p>

1.2.2 遙感數(shù)據(jù)源

遙感數(shù)據(jù)為2011年7月10日獲取的研究區(qū)SPOT5原始多光譜數(shù)據(jù)，與樣地外業(yè)采集的時(shí)間基本同步。

2 數(shù)據(jù)處理

2.1 輻射校正

在遙感成像時(shí)，由于存在大氣對(duì)電磁波輻射的散射和吸收、太陽(yáng)高度與傳感器觀察角的變化以及地形起伏引起的輻射強(qiáng)度變化等影響因素，使得遙感圖像產(chǎn)生輻射誤差，即灰度失真。盡管地面站提供的產(chǎn)品已經(jīng)經(jīng)過(guò)了系統(tǒng)輻射校正，消除了遙感器系統(tǒng)產(chǎn)生的輻射畸變，但仍存在著大氣散射和吸收引起的輻射誤差及太陽(yáng)高度角的地形等光照條件差異引起的輻射誤差[5]。此次研究使用ENVI4.8軟件采用輻亮度法對(duì)研究區(qū)影像進(jìn)行輻射定標(biāo)后，再用FLAASH模塊進(jìn)行大氣校正，校正效果明顯。

2.2 幾何精校正

在完成對(duì)研究區(qū)數(shù)據(jù)輻射校正的基礎(chǔ)上，還需進(jìn)行幾何精校正。利用ENVI4.8幾何校正模塊，以研究區(qū)1∶1萬(wàn)地形圖為標(biāo)準(zhǔn)空間，選取影像和地形圖上都清晰的、能精確定位的地物點(diǎn)作為控制點(diǎn)，且盡量均勻分布。本次幾何精校正殘差達(dá)到0.32，小于0.5個(gè)像元，校正后影像與地形圖疊合效果很好，滿足此次研究需求。

2.3 DEM制作

采用研究區(qū)等高距為5m的1∶1萬(wàn)地形圖，通過(guò)ArcGIS10.0軟件對(duì)其進(jìn)行矢量化后，用空間分析擴(kuò)展模塊制作成分辨率為2.5m的DEM，用以提取建模所需的樣地地理因子。

2.4 建模因子信息提取

影響植被葉面積的因素有很多，如坡向、坡度、海拔、樹(shù)種組成、樹(shù)齡、樹(shù)高、胸徑、郁閉度等。因此,估測(cè)模型變量的設(shè)置是利用RS和GIS技術(shù)進(jìn)行葉面積指數(shù)定量估測(cè)的關(guān)鍵之一。

根據(jù)植物的波譜反射曲線及SPOT5數(shù)據(jù)的特點(diǎn)：SP1波段所在的近紅外反射區(qū)受葉片內(nèi)部結(jié)構(gòu)的影響，對(duì)近紅外輻射的反射很強(qiáng)烈；SP2波段區(qū)有一個(gè)小的反射峰；SP3波段是葉綠素的吸收帶；SP4所在的短波紅外對(duì)土壤濕度、植被覆蓋和樹(shù)葉含水量很敏感，能更有效地區(qū)分林地或作物的排列方式，對(duì)植被類(lèi)型的反應(yīng)更準(zhǔn)確[6,7]。植被指數(shù)是多光譜遙感數(shù)據(jù)經(jīng)過(guò)分析運(yùn)算產(chǎn)生的對(duì)植被長(zhǎng)勢(shì)、森林結(jié)構(gòu)參數(shù)等有一定指示意義的數(shù)值，其可以用一種簡(jiǎn)單有效的形式來(lái)實(shí)現(xiàn)對(duì)植被狀態(tài)信息的表達(dá)。植被指數(shù)的定量測(cè)量可表明植被活力，而且植被指數(shù)比單波段用來(lái)探測(cè)森林結(jié)構(gòu)參數(shù)有更好的靈敏性[8,9]。

綜合上述分析，此次研究選?。浩孪颉⒑０?、坡度、SP1，SP3，SP4以及比值植被指數(shù)(RVI)、歸一化植被指數(shù)(NDVI)、修正的土壤調(diào)節(jié)植被指數(shù)(MSAVI)、修正的葉綠素調(diào)節(jié)植被指數(shù)(MCARI)、差值植被指數(shù)(DVI)等11個(gè)因子，作為構(gòu)建葉面積指數(shù)估測(cè)模型的變量因子，利用ENVI4.8及ArcGIS10.0軟件提取樣地因子信息。

3 數(shù)據(jù)分析與建模

3.1 主成分分析

為避免輸入自變量數(shù)據(jù)之間所具有的相關(guān)性對(duì)模型預(yù)測(cè)精度的影響，減少輸入的數(shù)據(jù)量，在建模型前，對(duì)選取的11個(gè)建模因子信息進(jìn)行主成分分析。共建立了擁有11個(gè)變量的數(shù)據(jù)庫(kù)，結(jié)果見(jiàn)表1。通過(guò)SPSS對(duì)選取的11個(gè)變量進(jìn)行主成分提取，結(jié)果見(jiàn)表2和表3。

表1 輸入變量變量名輸入變量變量名輸入變量X1海拔X7RVIX2坡向X8NDVIX3坡度X9MSAVIX4SP1X10MCAVIX5SP3X11DVIX6SP4

表2 主成分系數(shù)矩陣變量名主成分F1F2F3F4F5F6F7X10.108 -0.480 -0.334 0.607 0.398 0.346 0.0130X2-0.0230-0.3820.750-0.3020.02600.4470.00400X3-0.0420-0.5050.5940.3940.149-0.4610X4-0.8210.4410.1720.288-0.05700.06100.0270X50.2390.7590.3380.460-0.1400.1350.0300X60.1040.5220.109-0.2630.794-0.07400.00800X70.9700.07300.04400.0760-0.004000.0230-0.207X80.998-0.00400-0.002000.0140-0.0240-0.01400X90.991-0.0310-0.0110-0.0130-0.0390-0.01900.112X100.983-0.109-0.0290-0.0710-0.0240-0.04000.108X110.9540.2300.1320.0970-0.04300.0300-0.00500

表3 主成分累積貢獻(xiàn)率主成分特征值累積貢獻(xiàn)率/%主成分特征值累積貢獻(xiàn)率/%F15.55050.46F70.0690099.72F21.74666.33F80.0260099.95F31.20277.26F90.00400099.99F40.99986.34F100.00100099.10F50.83993.97F110100F60.56399.09

3.2 主成分提取結(jié)果分析

各原始變量前面的系數(shù)大小說(shuō)明了其在各主成分中所占重要性的大小，由表2可知，原始變量X4和X7～X11在第一主成分中起主要作用，且X4與第一主成分成負(fù)相關(guān)，而X7～X11與第一主成分成正相關(guān)；同理第二主成分中X1～X6的系數(shù)較大，起重要作用；X2和X3，X1和X5，X6，X1～X3，X7分別在第三、第四、第五、第六和第七主成分中起主要作用。

由表3可知，前7個(gè)主成分的累積貢獻(xiàn)率達(dá)到了99.72%，基本包含了原始輸入數(shù)據(jù)的所有信息，故取前7個(gè)主成分作為建模型的變量來(lái)代替原始變量，使建模變量從11個(gè)縮減為7個(gè)，從而達(dá)到建模型時(shí)減少輸入數(shù)據(jù)量的目的。

3.3 構(gòu)建葉面積指數(shù)反演模型

采用多元逐步回歸分析法構(gòu)建葉面積指數(shù)反演模型。多元逐步回歸分析法是在多元回歸分析的基礎(chǔ)上發(fā)展起來(lái)的，其基本思想是根據(jù)自變量對(duì)因變量作用的大小，保留作用程度大的自變量，剔除作用程度小的自變量，從大量的可供選擇的自變量中選取最重要的自變量，以此建立回歸分析的估測(cè)模型。

3.3.1 提取模型自變量

在整個(gè)逐步回歸分析過(guò)程中，變量的引入和剔除在兩端是同時(shí)進(jìn)行的，每一步的計(jì)算都需要進(jìn)行F檢驗(yàn)，并且根據(jù)F檢驗(yàn)來(lái)判斷該自變量是否應(yīng)該被引入或剔除模型。設(shè)定一個(gè)顯著性水平α,查F檢驗(yàn)臨界值Fα。當(dāng)Fin值>Fα值，該變量被引入模型，否則剔除；與此同時(shí)，如果計(jì)算變量剔除的Fout值≤Fα，則在這個(gè)顯著性水平下，該自變量被剔除，否則保留。如此循環(huán)往復(fù)地計(jì)算，直至無(wú)符合引入條件的自變量，也無(wú)符合剔除條件的自變量為止。

此次研究對(duì)7個(gè)備選自變量(F1～F7)進(jìn)行逐步回歸分析，最終篩選出兩個(gè)自變量，且這兩個(gè)變量構(gòu)成的回歸模型為

Y=-5.21×10-3F1-1.89×10-3F3+3.47

(1)

3.3.2 模型參數(shù)檢驗(yàn)

采用逐步回歸分析法構(gòu)建模型，計(jì)算得出回歸模型的各參數(shù)值，見(jiàn)表4。

表4 回歸模型參數(shù)值模型回歸系數(shù)回歸系數(shù)標(biāo)準(zhǔn)誤差R2R2修F值Tb03.4711.38×10-230.480F1b1-5.21×10-31.06×10-30.7940.71214.688-4.933F3b3-1.89×10-35.30×10-4-3.567

3.3.3 精度檢驗(yàn)

利用20個(gè)檢驗(yàn)樣本數(shù)據(jù)，通過(guò)如下公式來(lái)檢驗(yàn)回歸模型的預(yù)測(cè)精度。

(2)

表5 精度分析葉面積指數(shù)檢驗(yàn)樣本數(shù)R2RMSE預(yù)測(cè)精度(ρ)/%模型預(yù)測(cè)結(jié)果200.7940.85184.17

圖1 葉面積指數(shù)實(shí)測(cè)值與預(yù)測(cè)值

由表5可知，多元回歸模型的判定系數(shù)為0.794，均方差為0.851，預(yù)測(cè)精度達(dá)到了84.17%，且模型通過(guò)了擬合優(yōu)度檢驗(yàn)、回歸方程的顯著性檢驗(yàn)和回歸系數(shù)的顯著性檢驗(yàn)，說(shuō)明模型擬合效果良好，預(yù)測(cè)精度較高。

4 結(jié)論

通過(guò)多元回歸方法，結(jié)合SPOT5遙感影像數(shù)據(jù)與森林調(diào)查數(shù)據(jù)，對(duì)黃豐橋林場(chǎng)的森林葉面積指數(shù)進(jìn)行估測(cè)，采用主成分分析法對(duì)自變量進(jìn)行降維處理，在減少運(yùn)算量的同時(shí)也防止了自變量之間的相關(guān)性對(duì)模型估算精度的影響。由回歸方程中的各主成分系數(shù)可知：RVI，NDVI，MSAVI，MCAVI，DVI與LAI都具有較好的相關(guān)性，且模型表現(xiàn)出了較高的判定系數(shù)和較好的回歸擬合效果，預(yù)測(cè)精度達(dá)到了84.17%。結(jié)果表明，基于遙感技術(shù)來(lái)反演研究區(qū)植被葉面積指數(shù)是可行的，但這與一些研究中提到DVI與LAI相關(guān)性很差的結(jié)果并不一致，說(shuō)明現(xiàn)今建立的LAI的估測(cè)模型在應(yīng)用上存在很大的局限性，建立具有普遍適應(yīng)性的模型是我們?cè)诮窈笙嚓P(guān)研究的一個(gè)重要方向。

[1] 王秀珍,黃敬峰,李石梅,等.水稻葉面積指數(shù)的多光譜遙感估算模型研究[J].遙感技術(shù)與應(yīng)用, 2003,18(2):57-65.

[2] 王希群,馬履一,賈忠奎,等.葉面積指數(shù)的研究和應(yīng)用進(jìn)展[J].生態(tài)學(xué)雜志,2005,24(5):537-541.

[3] Holben B,Tueker C J,Fan C J. SPeetral Assessment of Soybean Leaf Area and Leaf Biomass[J].Photogrammetric Engineering and Remote Sensing.1980,46:311-326.

[4] 李開(kāi)麗,蔣建軍,茅榮正,等.植被葉面積指數(shù)遙感監(jiān)測(cè)模型[J].生態(tài)學(xué)報(bào),2005,25(6):1492.

[5] 趙英時(shí),等.遙感應(yīng)用分析原理與方法[M].北京:科學(xué)出版社,2003:172-180.

[6] 張宇,谷建才,等. 基于RS和GIS的徑向基神經(jīng)網(wǎng)絡(luò)模型對(duì)森林蓄積量的估測(cè)[J].浙江林業(yè)科技, 2009,29(5):52.

[7] 劉宇光,金明,馮鐘葵,等.SPOT數(shù)據(jù)反演地物輻射亮度和反射率的基礎(chǔ)研究[J].地球信息科學(xué),2005,7(2): 111-115.

[8] 張慧芳.北京地區(qū)森林植被生物量遙感反演及時(shí)空動(dòng)態(tài)格局分析[D].北京:北京林業(yè)大學(xué),2008:11.

[9] 程永政.多尺度農(nóng)作物遙感檢測(cè)方法及應(yīng)用研究[D].鄭州:解放軍信息工程大學(xué),2009:11-13.

TheInversionofLeafAreaIndexthroughRemoteSensingBasedontheMmultivariableRegressionModel

SONG Yabin1，LIN Hui1，SUN Hua1，NING Xiaobin2

(1.Central South University of Forestry & Technology，Changsha 410004，Hunan，China； 2.Central South Forest Inventory and Planning Institute of State Forestry Administration,Changsha，410014，Hunan，China)

remote sensing；multivariable regression model；parameter inversion；leaf area index；SPOT5

2012-03-15

國(guó)家林業(yè)局林業(yè)公益項(xiàng)目專(zhuān)題：林分結(jié)構(gòu)與生長(zhǎng)模擬技術(shù)研究(201104028)；湖南省高等學(xué)?？茖W(xué)研究項(xiàng)目“高分辨率遙感影像森林結(jié)構(gòu)參數(shù)反演研究”(11C1313)。

宋亞斌(1987-)，男，浙江奉化人，碩士，主要從事林業(yè)遙感與地理信息系統(tǒng)應(yīng)用研究。

TP79；S718.55

A

1003-6075(2012)02-0024-04

Abstyact： By using the SPOT5 image in Huangfengqiao forest farm which has been get in August 2011，we surveyed the sample plots at the same time, chose plots through different elevations, slopes and aspects based on typical sampling, then located the 60 sample plots to measure the leaf area index by using the GPS and LAI-2000 plant canopy analyzer. Based on the data of remote sensing and the sample plots, first to analyze eleven geographic and remote sensing factors which as input variables by using principal component analysis, and then a multiple regression equation was established by two principal components which were selected by stepwise regression, predicted the leaf area index of study area and the accuracy was 84.17%. Study results show that there has been a good correlation among RVI,NDVI, MSAVI, MCAVI, DVI and LAI.