王修信，孫 濤，朱啟疆，劉 馨，高鳳飛，胡玉梅，陳聲海

(1. 廣西師范大學(xué)， 計(jì)算機(jī)科學(xué)與信息工程學(xué)院， 桂林 541004； 2. 北京師范大學(xué)， 遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室， 北京 100875；3. 廣西師范大學(xué)， 生命科學(xué)學(xué)院， 桂林 541004)

林地葉面積指數(shù)遙感估算方法適用分析

王修信1,2,*，孫 濤3，朱啟疆2，劉 馨2，高鳳飛2，胡玉梅2，陳聲海2

(1. 廣西師范大學(xué)， 計(jì)算機(jī)科學(xué)與信息工程學(xué)院， 桂林 541004； 2. 北京師范大學(xué)， 遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室， 北京 100875；3. 廣西師范大學(xué)， 生命科學(xué)學(xué)院， 桂林 541004)

葉面積指數(shù)是與森林冠層能量和CO2交換密切相關(guān)的一個重要植被結(jié)構(gòu)參數(shù)，為了探討估算林地葉面積指數(shù)LAI的遙感適用方法和提高精度的途徑，利用TRAC儀器測定北京城區(qū)森林樣地的LAI，從Landsat TM遙感圖像計(jì)算NDVI、SR、RSR、SAVI植被指數(shù)，分別建立估算LAI的單植被指數(shù)統(tǒng)計(jì)模型、多植被指數(shù)組合的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，獲取最有效描述LAI與植被指數(shù)非線性關(guān)系的方法并應(yīng)用到TM圖像估算北京城區(qū)LAI。結(jié)果表明，單植被指數(shù)非線性統(tǒng)計(jì)模型估算LAI的精度高于線性統(tǒng)計(jì)模型；多植被指數(shù)組合神經(jīng)網(wǎng)絡(luò)中，以NDVI、RSR、SAVI組合估算LAI的精度最高，估算值與觀測值線性回歸方程的R2最高，為0.827，而RMSE最低，為0.189，神經(jīng)網(wǎng)絡(luò)解決了多植被指數(shù)組合統(tǒng)計(jì)模型非線性回歸方程的系數(shù)較多、較難確定的問題，可較為有效的應(yīng)用于遙感圖像林地LAI的估算。

林地；葉面積指數(shù)；神經(jīng)網(wǎng)絡(luò)；統(tǒng)計(jì)模型；多植被指數(shù)組合

近年來隨著北京生態(tài)城市的建設(shè)，城區(qū)綠化覆蓋率已達(dá)到了43%，其中林地占大部分比例，城區(qū)現(xiàn)有林地改善城市生態(tài)環(huán)境的效果急需定量數(shù)據(jù)以建立評估體系。由于植被覆蓋率無法準(zhǔn)確地描述林地空間結(jié)構(gòu)的差異，而葉面積指數(shù)(LAI)是表征林分冠層結(jié)構(gòu)的最基本參量之一，與植被的蒸騰、光合作用、凈初級生產(chǎn)力等密切相關(guān)[1]。因此，獲取可靠的北京城區(qū)林地葉面積指數(shù)空間分布，是評估林地生態(tài)環(huán)境效應(yīng)的研究內(nèi)容。

林地葉面積指數(shù)的獲取可利用地面直接或間接觀測法、遙感估算法，地面觀測法只能獲取點(diǎn)或局地值[2]，而遙感估算法是快速和準(zhǔn)確估算大范圍林地LAI的唯一經(jīng)濟(jì)可行的方法[3]。遙感估算法可分為物理模型、統(tǒng)計(jì)模型、神經(jīng)網(wǎng)絡(luò)方法；物理模型的物理意義明確，具有普適性[4]，但參數(shù)較多，有些參數(shù)較難獲取，迭代時有些反函數(shù)可能不收斂導(dǎo)致結(jié)果的不確定性甚至錯誤，計(jì)算量較大。統(tǒng)計(jì)模型通過建立遙感植被指數(shù)和地面實(shí)測LAI的線性或者非線性關(guān)系來估算LAI，輸入?yún)?shù)較少、計(jì)算簡單且效率較高，是估算小區(qū)域LAI的常用方法[3,5- 9]，也常用于驗(yàn)證MODIS LAI產(chǎn)品的精度，但缺乏普適性。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性擬合能力[10]，成為估算LAI的一種重要手段，但需要足夠數(shù)量的訓(xùn)練樣本。

盡管森林LAI的遙感估算已有大量研究論文發(fā)表，但主要針對于流域、山地等大范圍自然地表森林[3,5,9]，較少針對城市林地。Richardson對西雅圖市的LIDAR數(shù)據(jù)使用4種模型估算LAI，發(fā)現(xiàn)基于單參數(shù)Beer-Lambert定律的模型精度最高[11]；Jensen對印第安納州Terre Haute市的AISA高光譜數(shù)據(jù)使用回歸方程估算LAI，發(fā)現(xiàn)當(dāng)LAI在中、低范圍時的估算精度很高，但在5.0—8.0范圍時不夠準(zhǔn)確[12]；吳文友研究發(fā)現(xiàn)廣州市不同類型森林LAI與NDVI的回歸模型均可用邏輯斯蒂方程表達(dá)[13]；林文鵬研究表明上海城市林地實(shí)測LAI與SPOT5數(shù)據(jù)3種植被指數(shù)均具有很好的線性回歸關(guān)系[14]。然而這些研究都是基于單一植被指數(shù)和LAI之間的統(tǒng)計(jì)關(guān)系，由于LAI與植被指數(shù)的關(guān)系是非線性的，同一植被指數(shù)在不同LAI數(shù)值范圍的統(tǒng)計(jì)模型精度不盡相同，導(dǎo)致使用單一植被指數(shù)統(tǒng)計(jì)模型遙感估算LAI精度提高受到限制。

考慮高光譜遙感數(shù)據(jù)和LIDAR數(shù)據(jù)受實(shí)驗(yàn)條件的限制較難獲取，MODIS LAI產(chǎn)品分辨率較低不適用于城市，而中分辨率Landsat TM遙感圖像易于獲取且價格較低。因此，以TRAC儀器測定北京城區(qū)67塊森林樣地的LAI，結(jié)合同時相TM圖像計(jì)算的NDVI、SR、RSR、SAVI植被指數(shù)，在此基礎(chǔ)上分別建立估算林地LAI的多植被指數(shù)和單植被指數(shù)線性統(tǒng)計(jì)模型、單植被指數(shù)非線性統(tǒng)計(jì)模型、不同多植被指數(shù)組合的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，探討估算北京城市林地LAI的遙感適用方法和提高精度的途徑。

1 研究方法

選擇與LAI地面觀測值具有較好相關(guān)性的遙感植被指數(shù)，建立LAI估算的統(tǒng)計(jì)回歸模型和神經(jīng)網(wǎng)絡(luò)。

1.1 林地葉面積指數(shù)的地面觀測

研究區(qū)為北京市城區(qū)，屬暖溫帶半濕潤大陸性季風(fēng)氣候，年平均氣溫約11.5 ℃，年平均相對濕度約56.8%，夏季降水量占全年70%—80%，年平均降水量470—560 mm。

經(jīng)實(shí)地調(diào)查后，LAI觀測在城區(qū)較大面積的林地中進(jìn)行，根據(jù)樹種、林木稀疏程度選取30×30 m的樣地67塊，基本涵蓋研究區(qū)的主要林分類型和主要樹種，樣地位于海淀公園、元大都城垣遺址公園、紫竹院公園、玉淵潭公園、龍?zhí)逗珗@、陶然亭公園、天壇公園、太陽宮公園、朝陽公園、奧林匹克森林公園、志新路安翔橋旁、機(jī)場路旁、北沙灘橋旁等地點(diǎn)，樹種主要為國槐(Sophorajaponica)、毛白楊(Populustomentosa)、刺槐(Robiniapseudoacacia)、旱柳(Salixmatsudana)、垂柳(Salixbabylonica)、金絲垂柳(Salixaureopendula)、銀杏(Ginkgobiloba)、洋白蠟(Fontanesiapennsylvanica)、油松(Pinustabulaeformis)、華山松(Pinusarmandii)、白皮松(Pinusbungeana)、側(cè)柏(Platycladusorientalis)、檜柏(Sabinachinensis)、龍柏(Sabinachinensiscv. Kaizuca)、梧桐(Firmianasimplex)等當(dāng)?shù)貎?yōu)勢樹種。

LAI的觀測選用TRAC儀器進(jìn)行，TRAC是基于輻射透過率間接測量森林LAI的光學(xué)儀器，其從間隙大小分布可以觀測到葉片集聚指數(shù)，有效地解決了集聚效應(yīng)問題，LAI的計(jì)算不必假設(shè)葉片在空間隨機(jī)分布，減小了從有效LAI轉(zhuǎn)換到實(shí)際LAI的計(jì)算誤差。

2006年10月17—29日在所選每個樣地內(nèi)取4條長30 m的測線，在每條測線上用TRAC每隔10 m觀測采樣，將全部測量數(shù)據(jù)的平均值作為樣地的有效LAI值，測量前在樣地附近空曠地上測量參考輻射，并用GPS定位樣地位置，Trimber差分GPS的定位精度在1 m之內(nèi)。同時普查樹木種類、總株數(shù)，測量樹木的胸徑與樹高等數(shù)據(jù)。

利用TRAC觀測的葉片集聚指數(shù)ΩE和有效LAIe，扣除樹干和樹枝等非樹葉部分的影響，獲得實(shí)際LAI：

LAI=(1-α)LAIeγE/ΩE

式中,α為樹干等非樹葉部分對LAIe的貢獻(xiàn)率，γE為簇內(nèi)所有針葉總表面積與整簇總表面積的比率，對闊葉林γE=1，α和γE通過實(shí)地測量估算并參考經(jīng)驗(yàn)值確定[15]。

1.2 LAI遙感估算方法

參考已有的研究，選取NDVI、SR、RSR、SAVI 4種較常用的遙感植被指數(shù)作為輸入?yún)?shù):

NDVI=(ρ4-ρ3)/(ρ4+ρ3)

SR=ρ4/ρ3

式中,ρ3、ρ4、ρ5分別為TM圖像的紅色、近紅外、短波紅外波段的反射率，ρ5min、ρ5max分別為波段5的最小值、最大值，L為土壤調(diào)整參數(shù)，北京城區(qū)林地一般為中等植被覆蓋度，可取L=0.5。

將樣地LAI的觀測值與對應(yīng)的遙感植被指數(shù)分為訓(xùn)練集和測試集，BP神經(jīng)網(wǎng)絡(luò)估算LAI需足夠訓(xùn)練樣本，根據(jù)現(xiàn)有樣本總數(shù)經(jīng)實(shí)踐得到訓(xùn)練集樣本需取50個左右，估算結(jié)果才可靠。

1.2.1 統(tǒng)計(jì)模型

通過統(tǒng)計(jì)回歸分析所選各植被指數(shù)訓(xùn)練集與對應(yīng)LAI觀測值之間的關(guān)系，從線性、對數(shù)、多項(xiàng)式、乘冪、指數(shù)等回歸方程選取復(fù)相關(guān)系數(shù)的平方R2最接近1的方程作為最優(yōu)統(tǒng)計(jì)模型，然后利用測試集檢驗(yàn)?zāi)Ｐ途取?/p>

1.2.2 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)方法

增加動量項(xiàng)提高網(wǎng)絡(luò)的訓(xùn)練速度，調(diào)整學(xué)習(xí)率縮短學(xué)習(xí)時間。將所選各植被指數(shù)VI進(jìn)行歸一化處理到[0,1]范圍內(nèi)，消除數(shù)量級大小不同的影響：

VInor=(VI-VImin)/(VImax-VImin)

然后將VInor作為輸入，而LAI觀測值作為輸出，根據(jù)實(shí)踐經(jīng)驗(yàn)網(wǎng)絡(luò)設(shè)置3層，輸入層與隱層之間取tansig傳遞函數(shù)，隱層與輸出層之間取purelin線性傳遞函數(shù)，初設(shè)學(xué)習(xí)率、動量系數(shù)、訓(xùn)練誤差、最大訓(xùn)練次數(shù)，使用訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)達(dá)到設(shè)定精度，獲得估算LAI的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)經(jīng)測試集檢驗(yàn)后應(yīng)用于整幅圖像。

1.3 遙感估算方法的評價指標(biāo)

為比較不同方法估算LAI的適用性，對預(yù)留的觀測值LAImea與VI測試集，由VI計(jì)算獲得遙感估算值LAImod。對LAImod和相應(yīng)的LAImea，計(jì)算線性回歸方程的R2和均方根差RMSE作為評價指標(biāo)：

式中,n為測試集樣本數(shù)，R2越接近1，RMSE越接近0，則LAI的估算值越接近于觀測值。

2 實(shí)驗(yàn)結(jié)果與分析

由于2006年秋季覆蓋北京市城八區(qū)的TM衛(wèi)星圖像只有11月1日是無云層存在、可用的，該日最高氣溫為19℃，LAI觀測的起始日期至該日期間無強(qiáng)降溫天氣、無明顯落葉的跡象。因此選取該日圖像，經(jīng)輻射校正、配準(zhǔn)和幾何精糾正，誤差小于0.5個像元；利用MODTRAN進(jìn)行大氣校正，計(jì)算植被指數(shù)NDVI、SR、RSR、SAVI。

將林地樣方LAI觀測值與對應(yīng)的植被指數(shù)隨機(jī)分為訓(xùn)練集47個樣本和測試集20個樣本，利用訓(xùn)練集建立LAI遙感估算方法，而使用測試集檢驗(yàn)精度。

2.1 線性統(tǒng)計(jì)模型的比較

對訓(xùn)練集植被指數(shù)與LAI觀測值，分別建立4植被指數(shù)和單植被指數(shù)與LAI的線性回歸方程，計(jì)算R2，然后利用測試集計(jì)算RMSE，結(jié)果見表1。經(jīng)F檢驗(yàn)，模型精度均達(dá)到0.01極顯著水平；4植被指數(shù)線性回歸模型與單植被指數(shù)模型相比，R2明顯提高，而RMSE明顯降低。原因是利用每一植被指數(shù)估算LAI時均存在一定的缺陷，多植被指數(shù)組合可實(shí)現(xiàn)信息互補(bǔ)，故一般多植被指數(shù)模型估算LAI的精度比單植被指數(shù)模型高，但哪幾個植被指數(shù)的組合最優(yōu)將在后面的神經(jīng)網(wǎng)絡(luò)方法中進(jìn)行比較。

表1 線性統(tǒng)計(jì)模型的比較

NDVI歸一化植被指數(shù)Normalized difference vegetation index；SR比值植被指數(shù)Simple ratio index; RSR減化比值植被指數(shù)Reduced simple ratio index; SAVI土壤調(diào)整植被指數(shù)Soil adjusted vegetation index; LAI葉面積指數(shù)Leaf area index

2.2 線性和非線性統(tǒng)計(jì)模型的比較

利用訓(xùn)練集分別建立各單植被指數(shù)與LAI的對數(shù)、二項(xiàng)式、乘冪、指數(shù)等非線性回歸方程，結(jié)果見表2。由表1、表2可見二項(xiàng)式回歸方程的R2均高于線性回歸方程和其它非線性回歸方程，RSR的二項(xiàng)式回歸方程為單植被指數(shù)估算LAI的最優(yōu)統(tǒng)計(jì)模型，其R2為0.632，最接近于1。單植被指數(shù)與LAI呈非線性關(guān)系。

表2 LAI觀測值與單植被指數(shù)的非線性回歸方程

2.3 多植被指數(shù)不同組合神經(jīng)網(wǎng)絡(luò)的比較

從前面數(shù)據(jù)分析可知，多植被指數(shù)模型估算LAI的精度比單植被指數(shù)模型高，單植被指數(shù)與LAI二項(xiàng)式回歸方程的R2最高，然而多植被指數(shù)與LAI的非線性統(tǒng)計(jì)模型隨植被指數(shù)組合個數(shù)的增加變?yōu)楹軓?fù)雜，4植被指數(shù)的二項(xiàng)式回歸方程為:

LAI=a1NDVI2+a2SR2+a3RSR2+a4SAVI2+a5NDVI·SR+a6NDVI·RSR+a7NDVI·SAVI+a8SR·RSR+a9SR·SAVI+a10RSR·SAVI+b1NDVI+b2SR+b3RSR+b4SAVI+c

需要確定的系數(shù)有15個，構(gòu)建模型較難，考慮神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性問題求解能力，表2數(shù)據(jù)表明測試的4種遙感植被指數(shù)與實(shí)測LAI數(shù)據(jù)之間存在統(tǒng)計(jì)相關(guān)性，因此后面的實(shí)驗(yàn)將采用這些植被指數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入估算LAI。

建立估算LAI的3層BP神經(jīng)網(wǎng)絡(luò)，利用訓(xùn)練集訓(xùn)練網(wǎng)絡(luò)，輸入層節(jié)點(diǎn)數(shù)與所選多植被指數(shù)的個數(shù)相同，輸出為LAI觀測值，根據(jù)實(shí)踐經(jīng)驗(yàn)設(shè)置學(xué)習(xí)率0.03、動量系數(shù)0.8、最大訓(xùn)練誤差1×10-5、最大訓(xùn)練次數(shù)1000。采用試探法確定隱層節(jié)點(diǎn)數(shù)，調(diào)整學(xué)習(xí)率和動量因子直至網(wǎng)絡(luò)訓(xùn)練達(dá)到設(shè)定精度要求。

然后，利用學(xué)習(xí)訓(xùn)練確定的神經(jīng)網(wǎng)絡(luò)輸入測試集多植被指數(shù)組合，獲得LAI估算值，圖1為LAI估算值與觀測值構(gòu)成的散點(diǎn)圖，實(shí)線為線性回歸方程線，虛線為估算值與觀測值一致的1∶1線，回歸方程線越接近1∶1虛線，則估算值與觀測值的誤差越小。計(jì)算R2和RMSE，結(jié)果見表3。

由圖1可見NDVI、RSR、SAVI組合神經(jīng)網(wǎng)絡(luò)的LAI估算值與觀測值的回歸方程線最接近1∶1虛線，由表3可知其R2為0.827，最高，RMSE為0.189，誤差最低。因此，多植被指數(shù)組合時個數(shù)的增加，將使得LAI的估算方法的復(fù)雜性和計(jì)算量增加，但并不一定能提高LAI的估算精度；NDVI、RSR、SAVI是估算LAI的最優(yōu)組合，精度最高，NDVI、RSR、SAVI組合的神經(jīng)網(wǎng)絡(luò)構(gòu)成北京城市林地LAI遙感估算的適用方法。

圖1 LAI神經(jīng)網(wǎng)絡(luò)估算值與觀測值回歸分析(虛線為1∶1線)Fig.1 Regression analysis of LAI estimated from neural network vs. LAI measurements(The dashed line represents the 1∶1 relationship)

Table 3 Comparison of LAI estimated from neural network with vegetation index combination

植被指數(shù)組合Vegetationindexcombination決定系數(shù)R2均方根差RMSENDVI,SR0.7530.218NDVI,RSR0.7650.220NDVI,SAVI0.6480.271SR,RSR0.8090.192SR,SAVI0.7390.225RSR,SAVI0.7540.221NDVI,SR,RSR0.7960.194NDVI,SR,SAVI0.6660.249NDVI,RSR,SAVI0.8270.189SR,RSR,SAVI0.7950.198NDVI,SR,RSR,SAVI0.7760.206

2.4 城市林地葉面積指數(shù)的遙感制圖

對北京城區(qū)TM圖像，結(jié)合混合像元分解與支持向量機(jī)方法獲取的地物分類圖[16]，對林地LAI的估算利用上述NDVI、RSR、SAVI組合神經(jīng)網(wǎng)絡(luò)，對農(nóng)業(yè)用地LAI的估算由于缺少觀測數(shù)據(jù)使用已有研究文獻(xiàn)的統(tǒng)計(jì)模型[17]，得到估算的LAI空間分布圖，見圖2。由圖可知，LAI的空間分布呈現(xiàn)在主城區(qū)外圍數(shù)值較大，而在主城區(qū)內(nèi)數(shù)值較小，但主城區(qū)中的天壇公園、朝陽公園、玉淵潭公園、元大都城垣遺址公園、紫竹院公園、龍?zhí)逗珗@、陶然亭公園、太陽宮公園、奧林匹克森林公園、海淀公園等公園林地的LAI數(shù)值相對較大。

利用樣地LAI的全部觀測值檢驗(yàn)圖2中估算值，估算值與觀測值的均方根差RMSE為0.113，LAI的估算值與觀測值之間誤差較小，精度較高。

圖2 NDVI、RSR、SAVI組合神經(jīng)網(wǎng)絡(luò)估算的LAI空間分布Fig.2 LAI map calculated from neural network with NDVI, RSR, SAVI combination

3 結(jié)果與討論

北京城區(qū)林地中較大面積相同樹種的純林較少，純闊葉林和針葉林的樣本太少導(dǎo)致在建立估算LAI的遙感模型時只能對闊葉林和針葉林混合建模，而闊葉林和針葉林的葉面積指數(shù)與遙感植被指數(shù)之間的非線性關(guān)系一般存在差異，因此，遙感單植被指數(shù)統(tǒng)計(jì)模型估算LAI的精度不高，單植被指數(shù)非線性統(tǒng)計(jì)模型估算LAI的精度高于線性統(tǒng)計(jì)模型。

神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的描述葉面積指數(shù)與多植被指數(shù)組合的非線性關(guān)系的能力，解決了統(tǒng)計(jì)模型中多植被指數(shù)組合與葉面積指數(shù)的非線性回歸方程系數(shù)的數(shù)目較多導(dǎo)致其確定較復(fù)雜的難題。

NDVI、RSR、SAVI組合神經(jīng)網(wǎng)絡(luò)構(gòu)成了北京城市林地葉面積指數(shù)遙感估算的適用方法。多植被指數(shù)組合作為輸入估算LAI的神經(jīng)網(wǎng)絡(luò)中，NDVI、RSR、SAVI組合是最優(yōu)組合，精度最高，估算值與觀測值線性回歸方程的R2最高，為0.827，RMSE最低，為0.189。

估算LAI的多植被指數(shù)組合模型比單植被指數(shù)模型的精度高，因?yàn)長AI與植被指數(shù)的關(guān)系是非線性的，每種植被指數(shù)在估算LAI時都存在一定的缺陷，不同植被指數(shù)之間可以相互補(bǔ)充信息。并非模型輸入的植被指數(shù)個數(shù)越多越好，隨植被指數(shù)個數(shù)的增加，模型的復(fù)雜性和計(jì)算量增加，但并不一定能提高估算精度，神經(jīng)網(wǎng)絡(luò)提供了在實(shí)測數(shù)據(jù)的基礎(chǔ)上尋找估算LAI的最優(yōu)多植被指數(shù)組合的方法，計(jì)算效率較高。

致謝：中國科學(xué)院地理科學(xué)與資源研究所張仁華研究員、孫曉敏研究員、北京園林研究所李延明高工、中國科學(xué)院大氣物理研究所胡非研究員、北京師范大學(xué)遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室楊勝天教授、孫睿教授為“北京城市綠地對水、熱、CO2通量調(diào)節(jié)功能的遙感定量研究”項(xiàng)目研究和實(shí)驗(yàn)提供了大量建議與支持，特此致謝。

[1] Yan H, Wang S Q, Billesbach D, Oechel W, Zhang J H, Meyers T, Martin T A, Matamala R, Baldocchi D, Bohrer G, Dragoni D, Scott R. Global estimation of evapotranspiration using a leaf area index-based surface energy and water balance model. Remote Sensing of Environment, 2012, 124(9): 581- 595.

[2] Majasalmi T, Rautiainen M, Stenberg P, Rita H. Optimizing the sampling scheme for LAI- 2000 measurements in a boreal forest. Agricultural and Forest Meteorology, 2012, 154- 155(3): 38- 43.

[3] Zhu G L, Ju W M, Chen J M, Fan W Y, Zhou Y L, Li X F, Li M Z. Forest canopy leaf area index in Maoershan Mountain: Ground measurement and remote sensing retrieval. Chinese Journal of Applied Ecology, 2010, 21(8): 2117- 2124.

[4] González-Sanpedro M C, Toan T L, Moreno J, Kergoat L, Rubio E. Seasonal variations of leaf area index of agricultural fields retrieved from Landsat data. Remote Sensing of Environment, 2008, 112(3): 810- 824.

[5] Madugundu R, Nizalapur V, Jha C S. Estimation of LAI and above-ground biomass in deciduous forests: Western Ghats of Karnataka, India. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(2): 211- 219.

[6] Liu J G, Pattey E, Jégo G. Assessment of vegetation indices for regional crop green LAI estimation from Landsat images over multiple growing seasons. Remote Sensing of Environment, 2012, 123(8): 347- 358.

[7] Zarate-Valdez J L, Whiting M L, Lampinen B D, Metcalf S, Ustin S L, Brown P H. Prediction of leaf area index in almonds by vegetation indexes. Computers and Electronics in Agriculture, 2012, 85(7): 24- 32.

[8] Liu Y B, Ju W M, Zhu G L, Chen J M, Xing B L, Zhu J F, Zhou Y L. Retrieval of leaf area index for different grasslands in Inner Mongolia prairie using remote sensing data. Acta Ecologica Sinica, 2011, 31(18): 5159- 5170.

[9] He L, Tang S Y, Miao F, Li Y X. Remote sensing model and inversion of leaf area index in the typical area of Minjiang Valley upriver. Research of Soil and Water Conservation, 2010, 17(1): 218- 221.

[10] Heiskanen J, Rautiainen M, Korhonen L, M?ttus M, Stenberg P. Retrieval of boreal forest LAI using a forest reflectance model and empirical regressions. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(4): 595- 606.

[11] Richardson J J, Moskal L M, Kim S H. Modeling approaches to estimate effective leaf area index from aerial discrete-return LIDAR. Agricultural and Forest Meteorology, 2009, 149(6/7): 1152- 1160.

[12] Jensen R R, Hardin P J, Bekker M, Farnes D S, Lulla V, Hardin A. Modeling urban leaf area index with AISA+ hyperspectral data. Applied Geography, 2009, 29(3): 320- 332.

[13] Wu W Y, Wu Z M, Hu H R, Jia B Q. Estimation on leaf area index of urban forests in Guangzhou by remote sensing technique. Journal of Northeast Forestry University, 2010, 38(3): 38- 41.

[14] Lin W P, Zhao M, Zhang Y F, Liu Y L, Liu D Y, Gao J. Study on estimation of urban forest LAI models based on SPOT5. Science of Surveying and Mapping, 2008, 33(2): 57- 59, 63- 63.

[15] Chen J M, Govind A, Sonnentag O, Zhang Y Q, Barr A, Amiro B. Leaf area index measurements at Fluxnet-Canada forest sites. Agricultural and Forest Meteorology, 2006, 140(1/4): 257- 268.

[16] Wang X X, Wu H, Lu X C, Wu X J, Lou L E, Zhu Q J. Extracting urban green space with mixed pixel decomposing and SVM. Computer Engineering and Applications, 2009, 45(33): 216- 217, 226- 226.

[17] Liu D S, Li S M. Statistical relationship between LAI indices and canopy spectral data of winter wheat in BEIJING area. Remote Sensing for Land & Resources, 2008, 20(4): 32- 34, 42- 42.

參考文獻(xiàn):

[3] 朱高龍, 居為民, Chen J M, 范文義, 周艷蓮, 李顯風(fēng), 李明澤. 帽兒山地區(qū)森林冠層葉面積指數(shù)的地面觀測與遙感反演. 應(yīng)用生態(tài)學(xué)報, 2010, 21(8): 2117- 2124.

[8] 柳藝博, 居為民, 朱高龍, 陳鏡明, 邢白靈, 朱敬芳, 周艷蓮. 內(nèi)蒙古不同類型草地葉面積指數(shù)遙感估算. 生態(tài)學(xué)報, 2011, 31(18): 5159- 5170.

[9] 何磊, 唐姝婭, 苗放, 李玉霞. 岷江上游典型流域葉面積指數(shù)的遙感模型及反演. 水土保持研究, 2010, 17(1): 218- 221.

[13] 吳文友, 吳澤民, 胡鴻瑞, 賈保全. 基于遙感技術(shù)的廣州市城市森林葉面積指數(shù)推算. 東北林業(yè)大學(xué)學(xué)報, 2010, 38(3): 38- 41.

[14] 林文鵬, 趙敏, 張翼飛, 柳云龍, 劉冬燕, 高峻. 基于SPOT5遙感影像的城市森林葉面積指數(shù)反演. 測繪科學(xué), 2008, 33(2): 57- 59, 63- 63.

[16] 王修信, 吳昊, 盧小春, 吳學(xué)軍, 羅蘭娥, 朱啟疆. 利用混合像元分解結(jié)合SVM提取城市綠地. 計(jì)算機(jī)工程與應(yīng)用, 2009, 45(33): 216- 217, 226- 226.

[17] 劉東升, 李淑敏. 北京地區(qū)冬小麥冠層光譜數(shù)據(jù)與葉面積指數(shù)統(tǒng)計(jì)關(guān)系研究. 國土資源遙感, 2008, 20(4): 32- 34, 42- 42.

Assessment of different methods for estimating forest leaf area index from remote sensing data

WANG Xiuxin1,2,*, SUN Tao3, ZHU Qijiang2, LIU Xin2, GAO Fengfei2, HU Yumei2, CHEN Shenghai2

1CollegeofComputerScienceandInformationTechnology,GuangxiNormalUniversity,Guilin541004,China2StatekeyLaboratoryofRemoteSensingScience,BeijingNormalUniversity,Beijing100875,China3CollegeoflifeScience,GuangxiNormalUniversity,Guilin541004,China

Leaf area index (LAI) is a crucial vegetation structural parameter that has influence on the energy and carbon dioxide exchanges within and over forest canopies. The applications of remote sensing data provide the possibility of the relationship between LAI and vegetation index. In order to improve the estimates of forest leaf area index with remote sensing method, the ground LAI measurements were made by using the TRAC(Tracing Radiation and Architecture of Canopies) instrument in the urban forests of Beijing, and several spectral vegetation indices such as NDVI, SR, RSR and SAVI were calculated from Landsat Thematic Mapper (TM) image. With the establishment of the statistical models dependent on single vegetation index alone and the improved BP (back-propagation) neural networks with multi vegetation index combination, the best-fit method between ground measured LAI and vegetation indices with the highest accuracy of LAI estimation was obtained and used to estimate LAI from TM image in the urban area of Beijing. Results show that the accuracy of LAI estimated by using non-linear statistical model is higher than that estimated by using linear statistical model based on single vegetation index. The neural network with NDVI, RSR and SAVI as inputs outperforms the other methods in estimating LAI with the highestR2(coefficient of determination) value of 0.827 and the lowest RMSE (root mean square error) value of 0.189. The neural network does not need to determine many coefficients and is applicable for estimating forest leaf area index in urban areas using remote sensing data.

forest; leaf area index; neural network; statistical model; multi vegetation index combination

國家自然科學(xué)基金項(xiàng)目資助(41061040，31370703)；北京市自然科學(xué)基金重點(diǎn)項(xiàng)目資助(4051003)

2012- 12- 18; 網(wǎng)絡(luò)出版日期:2014- 03- 04

10.5846/stxb201212181819

*通訊作者Corresponding author.E-mail: xxwangbnu@163.com

王修信，孫濤，朱啟疆，劉馨，高鳳飛，胡玉梅，陳聲海.林地葉面積指數(shù)遙感估算方法適用分析.生態(tài)學(xué)報,2014,34(16):4612- 4619.

Wang X X, Sun T, Zhu Q J, Liu X, Gao F F, Hu Y M, Chen S H. Assessment of different methods for estimating forest leaf area index from remote sensing data.Acta Ecologica Sinica,2014,34(16):4612- 4619.