樊榮榮，王 妮，李 霞，張灑灑，陳 財(cái)，余俞寒

(滁州學(xué)院地理信息與旅游學(xué)院，安徽滁州 239000)

?

基于滁州市TM數(shù)據(jù)的葉面積指數(shù)估算模型研建

樊榮榮，王 妮，李 霞*，張灑灑，陳 財(cái)，余俞寒

(滁州學(xué)院地理信息與旅游學(xué)院，安徽滁州 239000)

以2010年TM影像為數(shù)據(jù)源，結(jié)合實(shí)測葉面積指數(shù)(LAI)數(shù)據(jù)，采用逐步回歸方法，分析滁州市森林葉面積指數(shù)與植被指數(shù)關(guān)系并建立估測模型。結(jié)果表明：在0.01顯著水平下，地面LAI和NDVI、RVI、SAVI的相關(guān)性分別為0.899、0.868、0.853；以NDVI為自變量構(gòu)建的指數(shù)函數(shù)關(guān)系模型與LAI相關(guān)系數(shù)最高，相關(guān)性達(dá)0.839，LAI預(yù)測精度達(dá)78.96%；以NDVI、RVI、SAV為自變量構(gòu)建的多元線性回歸模型與LAI相關(guān)性達(dá)0.917，LAI估測平均精度達(dá)83.36%，符合森林資源監(jiān)測要求。研究結(jié)果為使用遙感數(shù)據(jù)進(jìn)行滁州市大面積森林質(zhì)量監(jiān)測、森林分布變化提供依據(jù)和技術(shù)支持。

葉面積指數(shù)；植被指數(shù)；逐步回歸；滁州市

森林生態(tài)系統(tǒng)是陸地生態(tài)系統(tǒng)的主體，也是生境變化監(jiān)測的主要對象。葉面積指數(shù)(LAI)是單位面積所有葉片垂直投影面積。森林葉面積指數(shù)是衡量森林質(zhì)量的重要指標(biāo)，其變化體現(xiàn)森林不同生長狀態(tài)，可用來表達(dá)森林綠量并作為構(gòu)建森林生態(tài)系統(tǒng)功能模型的主要指標(biāo)。LAI測量主要有2種方法：一是使用儀器直接測量，測定結(jié)果可為間接測量方法提供定標(biāo)依據(jù)，但費(fèi)時(shí)費(fèi)力，且破壞性大。另一種是間接測量，基于遙感數(shù)據(jù)采用經(jīng)驗(yàn)法和物理模型法進(jìn)行估測。汪小欽等[1]對森林LAI遙感定量反演的研究趨勢和方向進(jìn)行了展望，認(rèn)為基于遙感數(shù)據(jù)對森林LAI的監(jiān)測具有時(shí)效性。石月嬋等[2]對部分植被類型LAI反演模型精度進(jìn)行了比較，結(jié)果表明利用整個(gè)生長期LAI建立的模型精度最高，其中基于NDVI的LAI指數(shù)模型最優(yōu)。劉婧怡等[3]利用偏最小二乘法把握了各森林類型LAI動態(tài)變化，并結(jié)合研究區(qū)森林覆被信息進(jìn)行區(qū)域估算。趙麗芳等[4]分析了用高光譜遙感數(shù)據(jù)估測森林葉面積指數(shù)常用方法的優(yōu)劣，指出在實(shí)際應(yīng)用中應(yīng)結(jié)合不同方法的長處對LAI進(jìn)行估測，以提高模型精度。王龔[5]以安徽省滁州市為研究區(qū)，采用統(tǒng)計(jì)模型法結(jié)合HJ衛(wèi)星數(shù)據(jù)建立以楊樹樹種為主的展葉期、花果期、葉面積穩(wěn)定期和落葉始期LAI-NDVI估算模型，并進(jìn)行了適用性分析，結(jié)果表明此模型可用于時(shí)間序列LAI的反演。孫曉[6]基于高光譜遙感數(shù)據(jù)對森林葉面積指數(shù)進(jìn)行反演研究，探討和分析了高光譜遙感森林葉面積指數(shù)反演的能力，篩選最優(yōu)模型，認(rèn)為MSAVI(修正土壤調(diào)整植被指數(shù))的二次多項(xiàng)式反演精度最高，為83.01%。上述研究表明，構(gòu)建LAI與植被指數(shù)關(guān)系模型對植被和環(huán)境監(jiān)測評估具有重要意義。但是對滁州不同森林類型而言，基于TM數(shù)據(jù)植被指數(shù)與LAI關(guān)系模型的研究鮮見報(bào)道。筆者基于地面實(shí)測LAI數(shù)據(jù)和TM遙感數(shù)據(jù)，采用統(tǒng)計(jì)分析方法，探討滁州市主要森林類型LAI估測的可靠性和應(yīng)用效果，為研究區(qū)森林資源監(jiān)測與評估提供依據(jù)。

1　材料與方法

1.1研究區(qū)概況研究區(qū)滁州市位于 117°10′～119°14′ E、31°51′～ 33°13′ N，北亞熱帶向暖溫帶過渡區(qū)，四季分明，氣候溫和，雨量適中，年降雨量800～1 100 mm，無霜期220 d。全市土地總面積1.33萬km2，地跨長江、淮河兩大流域，地貌大致可分為丘陵區(qū)、崗地區(qū)和平原區(qū)3種類型，其中丘陵和崗地占 88.5%，平原、圩區(qū)和湖泊占 11.5%。

滁州市森林總面積2 733 km2，森林覆蓋率20.55%。研究區(qū)域集中在滁州市瑯琊、南譙2區(qū)。城區(qū)森林分布集中在瑯琊山國家4A級景區(qū)，群落類型包括闊葉林、針葉林、針闊混交林，從森林質(zhì)量和面積比例角度，估測滁州市森林葉面積指數(shù)具有典型性和代表性。圖1為研究區(qū)森林分布。

圖1　滁州市森林分布Fig.1　Chuzhou forest distribution

1.2地面數(shù)據(jù)收集

1.2.1試驗(yàn)區(qū)與樣點(diǎn)選設(shè)。所選樣區(qū)為滁州市城區(qū)內(nèi)多個(gè)森林點(diǎn)，涉及庭院林、道路林、風(fēng)景游憩林、生態(tài)公益林和生產(chǎn)經(jīng)營林[7]?；诘匦渭暗乇砭|(zhì)性對觀測結(jié)果的影響，樣區(qū)一般選擇在地勢相對平坦、優(yōu)勢樹種相對單一、樹木空間分布相對均勻處，樣區(qū)在研究區(qū)內(nèi)盡量均勻分布，并基本涵蓋研究區(qū)全部森林類型和主要樹種。通過手持式GPS地面定位儀獲取樣地中心點(diǎn)的經(jīng)緯度和海拔，并采集樣區(qū)優(yōu)勢木樹高、樹冠高、胸徑、葉片大小、郁閉度以及坡向、坡度等二類調(diào)查數(shù)據(jù)。樣點(diǎn)分布位置見圖2。

注：+為樣點(diǎn)分布處。Note： + stands for sample distribution.圖2　滁州市森林樣點(diǎn)分布Fig.2　Forest sample distribution in Chuzhou City

1.2.2葉面積指數(shù)測定。使用CI-110植物灌層分析儀，于樹木生長季(夏季)，在每個(gè)樣點(diǎn)中確定觀測位置后，定位3個(gè)間隔10 m的點(diǎn)，在地表灌草上方離地面1 m處，利用魚眼鏡頭和CCD圖像傳感器獲取植物冠層圖像并進(jìn)行分析，通過應(yīng)用CI-110系統(tǒng)自帶軟件Plant Digital Imager分別計(jì)算每個(gè)觀測點(diǎn)3個(gè)點(diǎn)位的LAI，取3個(gè)點(diǎn)位的平均LAI作為該樣點(diǎn)LAI值。同時(shí)利用GPS定位每個(gè)樣點(diǎn)的坐標(biāo)位置，并進(jìn)行記錄。按照上述方法分別對23個(gè)不同的樣點(diǎn)測量得到相應(yīng)坐標(biāo)參數(shù)和LAI。

1.3遙感數(shù)據(jù)處理所用2010年TM數(shù)據(jù)空間分辨率為30 m×30 m，選取均勻分布的25個(gè)地面控制點(diǎn)，使用ENVI軟件對TM影像進(jìn)行幾何精糾正，將誤差范圍控制在0.5個(gè)像元以內(nèi)，并對圖像進(jìn)行重采樣。由于地表反射電磁波被衛(wèi)星的傳感器記錄下來得到的DN值并沒有實(shí)際意義，需要通過輻射定標(biāo)把圖像上的DN值轉(zhuǎn)為輻射亮度或者是反射率，通過TM各個(gè)波段的增益偏置[8]進(jìn)行輻射定標(biāo)計(jì)算出TM影像對應(yīng)的地表反射率，最后對TM影像進(jìn)行大氣校正，以消除或減少大氣散射對圖像的干擾。校正過程中，氣溶膠模式采用大陸氣溶膠模式。

1.4植被指數(shù)計(jì)算與提取城市植被覆蓋類型通常分為喬木、灌木、草地、疏林地和其他綠地5類，其中喬木、灌木和草地3種類型在城市中分布范圍較廣。根據(jù)研究區(qū)植被分布和TM數(shù)據(jù)特點(diǎn)，提取以下植被指數(shù)。

1.4.1歸一化植被指數(shù)(NDVI)。NDVI可通過遙感數(shù)據(jù)中近紅外波段(nir)和紅光波段(r)的反射率計(jì)算得到。NDVI對植被冠層的背景亮度非常敏感，葉冠背景信息因氣候、落葉、粗糙度、有機(jī)物質(zhì)等因素影響使反射率呈現(xiàn)一定的變化，可以用來監(jiān)測植被生長活動的季節(jié)與年際變化。其變化范圍為[-1，1]，負(fù)值表示地面覆蓋為云、水、雪等，對可見光高反射；0表示有巖石或裸土等，nir和r近似相等；當(dāng)nir>r，NDVI為正值，表示有植被覆蓋，且隨覆蓋度增大而增大。計(jì)算公式為：

NDVI=(ρnir-ρr)/(ρnir+ρr)

(1)

式中,ρnir和ρr分別代表近紅外波段和紅光波段的反射率。

1.4.2比值植被指數(shù)(RVI)。比值植被指數(shù)是遙感數(shù)據(jù)近紅外波段(nir)和紅光波段(r)反射率間的比值。RVI是綠色植物的靈敏指示參數(shù)，與LAI、葉綠素含量相關(guān)性高。植被覆蓋度大小影響RVI，當(dāng)植被覆蓋度較高時(shí)，RVI對植被十分敏感；當(dāng)植被覆蓋度小于50%時(shí)，這種敏感性顯著降低。RVI計(jì)算公式為：

RVI=ρnir/ρr

(2)

式中，ρnir和ρr分別代表近紅外波段和紅光波段的反射率。

1.4.3土壤調(diào)節(jié)指數(shù)(SAVI)。土壤調(diào)節(jié)指數(shù)可以抑制土壤噪聲影響，與NDVI相比，增加了根據(jù)實(shí)際情況確定土壤調(diào)節(jié)系數(shù)L，L取值范圍為[0，1]。L=0 時(shí)，表示植被覆蓋度為零；L=1時(shí)，植被覆蓋度非常高，土壤背景的影響為零，這種情況只有在樹冠濃密、高大樹木覆蓋的地方才會出現(xiàn)。該研究中L值取0.5。SAVI計(jì)算公式為：

(3)

式中，ρnir和ρr分別代表近紅外波段和紅光波段的反射率。

1.4.4植被指數(shù)提取。根據(jù)上述3種植被指數(shù)定義，基于ENVI軟件，將研究區(qū)的遙感數(shù)據(jù)導(dǎo)入并利用ENVI中BasicTools中的波段計(jì)算工具(bandmatch)進(jìn)行植被指數(shù)的提取。其中遙感數(shù)據(jù)的3波段(b3)和4波段(b4)分別代表紅光波段和近紅外波段。NDVI 波段計(jì)算公式為float(b4-b3)/(b4+b3)；RVI波段計(jì)算公式為float(b4/b3)；SAVI波段計(jì)算公式為float(b4-b3)(1+L)/(b4+b3+L)。

1.5植被指數(shù)與葉面積指數(shù)關(guān)系模型建立采用ENVI中的ROI信息導(dǎo)出方式，導(dǎo)出提取的植被指數(shù)信息，將實(shí)測坐標(biāo)對應(yīng)像元保存為感興趣區(qū)，并將感興趣區(qū)所有遙感信息導(dǎo)出為文本文件，在Excel中打開文本文件，根據(jù)Excel中數(shù)據(jù)分析工具，建立LAI與植被指數(shù)的散點(diǎn)圖，確定相關(guān)系數(shù)。

在對葉面積指數(shù)與植被指數(shù)進(jìn)行相關(guān)分析的基礎(chǔ)上，建立相應(yīng)回歸模型。使用SPSS軟件，對LAI和NDVI、RVI、SAVI數(shù)據(jù)進(jìn)行逐步回歸[9]。將提取的23個(gè)樣地點(diǎn)6個(gè)波段組合值：NDVI、RVI、SAVI和海拔、坡度、坡向等立地信息作為自變量，剔除無顯著性的海拔、坡度、坡向3個(gè)立地因子，采用逐步回歸方法，構(gòu)建葉面積指數(shù)與植被指數(shù)間一元及多元線性回歸方程，比較結(jié)果中的R、R2[10]及顯著性水平Sig.值，選取LAI與植被指數(shù)的最優(yōu)模型。根據(jù)決定系數(shù)R2判斷方程擬合的相關(guān)性，R2越趨近于1，表示擬合方程具有越高的參考價(jià)值；相反，R2越接近0，表示參考價(jià)值越低。

2　結(jié)果及分析

2.1LAI與各植被指數(shù)相關(guān)關(guān)系LAI與各植被指數(shù)間相關(guān)系數(shù)揭示兩者間相互密切程度，主要通過對相關(guān)系數(shù)的計(jì)算與檢驗(yàn)完成。相關(guān)系數(shù)取值范圍為[-1，1]，正值表示正相關(guān)，負(fù)值表示負(fù)相關(guān)；相關(guān)系數(shù)絕對值越接近于1，表示二者關(guān)系越密切。越接近與0，表示二者間關(guān)系越不密切。

根據(jù)導(dǎo)入到Excel中的LAI以及植被指數(shù)，利用Excel中數(shù)據(jù)分析工具，計(jì)算出LAI與NDVI、VRI、SAVI相關(guān)系數(shù)分別為0.899、0.868、0.853。由此可知，LAI與NDVI、RVI、SAVI均呈正相關(guān)，且相關(guān)系數(shù)都在0.85以上，相關(guān)性較高；其中NDVI與LAI的相關(guān)程度最高，達(dá)到0.899。

2.2不同類型植被指數(shù)與LAI遙感估測模型的建立

2.2.1一元線性回歸模型。利用SPSS軟件，對各個(gè)植被指數(shù)類型與LAI建立一元線性回歸模型，其公式為：

Y=a+bX

(4)

式中，Y是地面LAI實(shí)測值，X為各植被指數(shù)，a、b為擬合參數(shù)。該研究用NDVI、RVI、SAVI分別與LAI進(jìn)行擬合，所得一元線性模型見表1。

表1各植被指數(shù)與LAI的一元線性回歸模型

Table 1Simple linear regression model of vegetation index and LAI

植被指數(shù)類型VegetationindexRR2Sig.回歸模型RegressionmodelNDVI0.8990.8090.000Y=-2.172+8.342XndviRVI0.8680.7540.000Y=0.347+0.805XrviSAVI0.8530.7270.000Y=0.561+3.913Xsavi

由表1可知，一元線性模型中，在0.01顯著性水平下，LAI與NDVI之間的擬合度比RVI和SAVI的擬合度好；NDVI與LAI建立的回歸模型中，R2值0.809，說明模型得出的結(jié)論能正確反映因變量的準(zhǔn)確率為80%，相對于RVI和SAVI與LAI回歸模型，NDVI與LAI回歸模型有較高的精確性。

2.2.2多元線性回歸模型。LAI與各植被指數(shù)建立多元線性回歸模型，公式為：

Y=a0X0+a1X1+…+anXn

(5)

式中，Y代表實(shí)測LAI值；Xi為i(i=1，2，…，n)種植被指數(shù)；an代表擬合參數(shù)。該研究建立LAI與NDVI、RVI、SAVI的多元線性回歸模型，結(jié)果為：

Y=-1.197+4.229Xndvi+0.291Xrvi+1.256Xsavi

構(gòu)建的多元回歸模型在0.01顯著性水平下，LAI與NDVI、RVI、SAVI多元回歸模型R2值為0.917，表明模型中得出的結(jié)論能正確反映因變量的準(zhǔn)確率為91.7%，具有較好的擬合效果。

2.2.3非線性回歸模型。由表1可知，NDVI與LAI的相關(guān)性較高，故選NDVI建立與LAI的非線性回歸模型。分別構(gòu)建LAI-NDVI的對數(shù)關(guān)系、指數(shù)函數(shù)關(guān)系、冪函數(shù)關(guān)系、多項(xiàng)式函數(shù)關(guān)系模型，結(jié)果見圖3。

圖3　LAI-NDVI非線性函數(shù)關(guān)系模型Fig.3　Functional relationship model of LAI-NDVI

由圖3可知，NDVI和LAI呈正相關(guān)關(guān)系，隨著LAI的增大，NDVI線性增大，且變化的幅度較大；NDVI與LAI具較好的非線性相關(guān)關(guān)系。其中以指數(shù)函數(shù)關(guān)系的決定系數(shù)R2最高，具有最優(yōu)的擬合效果。

2.3模型精度的檢驗(yàn)由于估測模型存在不同的誤差，所以有必要對建立的模型進(jìn)行檢驗(yàn)，以驗(yàn)證估算結(jié)果的可靠性及模型的適用性。模型精度檢驗(yàn)使用未參與建模的6個(gè)樣點(diǎn)測定值進(jìn)行，基于擬合效果最好的多元回歸模型以及以NDVI為自變量構(gòu)建的指數(shù)函數(shù)關(guān)系模型反演其葉面積指數(shù)，并根據(jù)所得的預(yù)測值跟相對應(yīng)的實(shí)測值進(jìn)行比較。其精度計(jì)算公式為：

(7)

利用公式(7)對多元回歸模型和LAI-NDVI指數(shù)模型的精度進(jìn)行驗(yàn)證，結(jié)果見表2、3。

表3　LAI-NDVI指數(shù)模型精度驗(yàn)證

由表2、3可知，利用多元線性回歸模型估測葉面積指數(shù)，精度為76%～87%，平均精度達(dá)到83.36%；以NDVI為自變量構(gòu)建的指數(shù)函數(shù)關(guān)系模型，其葉面積指數(shù)估測平均精度達(dá)78.96%。前一模型符合森林資源常規(guī)監(jiān)測要求，后一模型精度接近森林資源監(jiān)測要求。

3　結(jié)論

研究森林葉面積指數(shù)(LAI)與TM數(shù)據(jù)植被指數(shù)(NDVI、RVI、SAVI)的關(guān)系，構(gòu)建了其關(guān)系模型，是使用常規(guī)遙感數(shù)據(jù)進(jìn)行森林生境監(jiān)測及森林質(zhì)量評估的基礎(chǔ)。該研究以滁州市TM數(shù)據(jù)為例，構(gòu)建了相關(guān)模型，得出以下結(jié)論。

(1)基于TM數(shù)據(jù)植被指數(shù)NDVI、RVI、SAVI與LAI相關(guān)性分別為0.899、0.868、0.853，NDVI與LAI的相關(guān)性最高；在建立的以NDVI為參數(shù)的4種單因素相關(guān)模型中，指數(shù)函數(shù)模型相關(guān)系數(shù)最高，為0.839，根據(jù)此模型估測LAI值的平均精度達(dá)78.96%。

(2)研究區(qū)不同類型植被指數(shù)與LAI估測模型中，以多元線性回歸模型擬合效果最好。據(jù)此模型估測LAI值的平均精度達(dá)到83.36%。

(3)TM影像具較高空間分辨率、較豐富的信息量和較高定位精度，在實(shí)際研究中也較易于獲取。研究結(jié)果表明，利用TM影像對森林葉面積指數(shù)進(jìn)行估測，能夠滿足森林資源監(jiān)測的基本精度要求?；谠撗芯恐薪⒌南嚓P(guān)模型，可對同一地區(qū)、同一時(shí)相的森林葉面積指數(shù)進(jìn)行估測；但對于不同地區(qū)、不同時(shí)段森林LAI估測，則需要進(jìn)行進(jìn)一步取樣和分析。

(4)由于森林空間結(jié)構(gòu)的異質(zhì)性和復(fù)雜性，使其葉面積指數(shù)實(shí)測值受樹種、時(shí)相及儀器使用誤差精度等因素的影響；此外，氣象、地形因素也可導(dǎo)致葉面積指數(shù)實(shí)測精度降低。因此，在LAI估測中，應(yīng)注意取樣點(diǎn)的均質(zhì)性和代表性，注意研究和構(gòu)建遙感數(shù)據(jù)為主、多源數(shù)據(jù)參與的LAI估測模型，盡可能降低人為誤差和非人為誤差，以提高森林葉面積指數(shù)估測精度。

[1] 汪小欽，江洪，傅銀貞.森林葉面積指數(shù)遙感研究進(jìn)展[J].福州大學(xué)學(xué)報(bào)，2009，37(6)：822-828.

[2] 石月嬋，楊貴軍，馮海寬，等.北京山區(qū)森林葉面積指數(shù)季相變化遙感監(jiān)測[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28(15)：133-139.

[3] 劉婧怡，湯旭光，常守志，等.森林葉面積指數(shù)遙感反演模型構(gòu)建及區(qū)域估算[J].遙感技術(shù)與應(yīng)用，2014，29(1)：18-25.

[4] 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.

[5] 王龔.基于星遙感數(shù)椐的落葉闊葉林識別模型及其全生長期估算方法[D].南京：南京大學(xué)，2014.

[6] 孫曉.基于CASI高光譜遙感數(shù)據(jù)估測森林葉面積指數(shù)研究[D].北京：中國林業(yè)科學(xué)研究院，2012.

[7] 何興元，劉常富，陳瑋，等.城市森林分類探討[J].生態(tài)學(xué)雜志，2004(5)：175-178，185.

[8] 陳靜，姚靜.Landsat-5TM影像增益偏置值對地面反射率計(jì)算影響分析[J].國土資源遙感，2010，22(2)：45-48.

[9] 呂海燕，李海旺，李武林.基于逐步回歸分析的河南糧食產(chǎn)量因素研究[J].河南科學(xué)，2013(12)：35-38.

[10] 張文彤．SPSS.11.0統(tǒng)計(jì)分析教程(高級篇)[M].北京：希望電子出版社，2002：65-77.

Establishment of Leaf Area Index Estimation Model Based on TM Data of Chuzhou City

FAN Rong-rong, WANG Ni, LI Xia*et al

(School of Geographic Information and Tourism, Chuzhou University, Chuzhou, Anhui 239000)

Based on the TM images of 2010 as the data source, combining with the measuredLAIdata, using stepwise regression method, the relationship between forest leaf area index and vegetation index in Chuzhou City was analyzed, the estimation model was established. The results showed that: under 0.01 significant level, the groundLAIandNDVI,RVI,SAVIcorrelation were 0.899, 0.868, 0.853; the correlation coefficient between the index function relation model constructed with NDVI as independent variables was highest, correlation was 0.839,LAIprediction accuracy reached 78.96%; the correlation between multivariate linear regression model constructed withNDVI,RVIandSAVas independent variables andLAIwas up to 0.917, the average accuracy ofLAIprediction was 83.36%, which is conform to the requirements of forest resources administration. The results can provide basis and technical support for large-area forest quality monitoring, forest distribution change in Chuzhou City using remote sensing data.

Leaf area index; Vegetation index; Stepwise regression; Chuzhou City

全國大學(xué)生創(chuàng)新創(chuàng)業(yè)項(xiàng)目(201510377012)。

樊榮榮(1995- )，女，安徽長豐人，本科生，專業(yè)：地理科學(xué)。*通訊作者，教授，博士生導(dǎo)師，從事遙感技術(shù)應(yīng)用及森林資源監(jiān)測研究。

2016-06-08

S 127；TP 79

A

0517-6611(2016)21-241-04