凌成星，鞠洪波，張懷清，孫 華

（1.中國(guó)林業(yè)科學(xué)研究院 資源信息研究所，北京 100091；2.中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長(zhǎng)沙 410004）

基于植被指數(shù)比較的濕地區(qū)域LAI遙感估算研究

凌成星1，鞠洪波1，張懷清1，孫 華2

（1.中國(guó)林業(yè)科學(xué)研究院 資源信息研究所，北京 100091；2.中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長(zhǎng)沙 410004）

以Worldview-2遙感影像作為數(shù)據(jù)源，對(duì)東洞庭湖濕地核心區(qū)域進(jìn)行了LAI估算研究。首先對(duì)典型的植被指數(shù)與葉面積指數(shù)（VI-LAI）的相關(guān)性進(jìn)行了分析；然后選擇了7個(gè)與LAI之間存在顯著相關(guān)性的植被指數(shù)（NDVI、RVI、DVI、SAVI、MSAVI、EVI、RDVI）作為VI-LAI的模型因子，采用多回歸模型與LAI實(shí)測(cè)數(shù)據(jù)進(jìn)行擬合分析，篩選出這回歸模型的最優(yōu)因子；然后利用實(shí)測(cè)數(shù)據(jù)作為檢驗(yàn)樣本，最終確立了以NDVI為模型變量的指數(shù)模型是用于LAI估測(cè)的最優(yōu)模型，精度達(dá)到了74.34%。結(jié)果表明：本研究采用的多植被指數(shù)比較建立的濕地植被VI-LAI反演模型，是可以比較準(zhǔn)確獲取濕地區(qū)域葉面積指數(shù)特征的方法。

濕地；Worldview-2影像；植被指數(shù)；LAI估算

濕地是和森林、海洋同等重要的生態(tài)系統(tǒng)，兼?zhèn)淞岁懮退鷳B(tài)系統(tǒng)的特點(diǎn)，非常特殊，所以也具有很多的生態(tài)功能。因其特殊的生物和水文條件，天然濕地具有較高的凈初級(jí)生產(chǎn)力和較低的分解活性，是一個(gè)重要碳庫(kù)。研究與濕地生態(tài)系統(tǒng)和碳儲(chǔ)量等相關(guān)性非常強(qiáng)的濕地植被葉面積指數(shù)（Wetland LAI），同樣也具有非常重要的意義。在植被葉面積指數(shù)估算研究方面，目前主要集中在統(tǒng)計(jì)模型和光學(xué)模型兩個(gè)方面，研究對(duì)象也多為森林區(qū)域。光學(xué)模型方面利用LANDSAT-TM數(shù)據(jù)的植被指數(shù)法，研究NDVI等植被指數(shù)與不同齡級(jí)林分的葉面積指數(shù)相關(guān)關(guān)系[1-4]。在統(tǒng)計(jì)模型LAI葉面積指數(shù)反演研究中，有利用小型光譜成像儀數(shù)據(jù)構(gòu)建LAI回歸估測(cè)模型方面的研究[5]，有采用有效葉面積指數(shù)進(jìn)行遙感反演得到馬尾松毛蟲(chóng)寄主特征[6]，也有采用指數(shù)回歸分析和線性回歸分析等方法，分析了各種VIS數(shù)據(jù)與LAI的相關(guān)性[7-8]，有一些經(jīng)濟(jì)林冠層光譜輻射特征也進(jìn)行了研究[9]。隨著高光譜遙感的發(fā)展，研究人員發(fā)現(xiàn)了將地面實(shí)測(cè)的高光譜數(shù)據(jù)和二向反射模型相結(jié)合，可提高森林LAI反演的精度[10-12]。在濕地區(qū)域開(kāi)展植被的葉面積指數(shù)估算工作還并不是特別廣泛，因此本研究擬采用多植被指數(shù)比較的方式，建立最優(yōu)的估算模型，對(duì)濕地植被的葉面積指數(shù)進(jìn)行估算,得到研究區(qū)葉面積指數(shù)分布特征，為研究濕地植被特征、濕地生物量分布等科學(xué)問(wèn)題提供準(zhǔn)確、合理的數(shù)據(jù)支持。

1 研究區(qū)概況

湖南東洞庭湖是“國(guó)際濕地公約”收錄的由中國(guó)政府指定的國(guó)際重要濕地自然保護(hù)區(qū)之一，位于長(zhǎng)江中下游荊江江段，湖南省東北部岳陽(yáng)市境內(nèi)，中心坐標(biāo)為 28°59′52″N，112°59′52″E。湖區(qū)區(qū)域面積達(dá)2 500 km2，該區(qū)域地處亞熱帶濕潤(rùn)氣候區(qū)，濕地類(lèi)型和濕地植被都非常典型，日照充足，雨量充沛，有豐富的沉水、浮水和挺水植物。本研究選取了東洞庭湖濕地核心區(qū)域作為本項(xiàng)目的研究區(qū)（見(jiàn)圖1），面積為455 km2，利用Worldview-2衛(wèi)星數(shù)據(jù)進(jìn)行葉面積指數(shù)估算研究。

2 LAI數(shù)據(jù)采集和多植被指數(shù)相關(guān)性分析

采取抽樣法在研究區(qū)進(jìn)行系統(tǒng)布點(diǎn)，根據(jù)不同樣地植被類(lèi)型、植被覆蓋度、位置等參考因素進(jìn)行樣地選取，共選取92個(gè)測(cè)量樣點(diǎn)，包括30個(gè)苔草樣點(diǎn)、26個(gè)辣蓼樣點(diǎn)、25個(gè)蘆葦樣點(diǎn)、11個(gè)泥蒿樣點(diǎn)。研究區(qū)樣點(diǎn)分布如圖2所示。

（1）樣地葉面積指數(shù)的測(cè)量

采用LAI-2000植物冠層分析儀來(lái)實(shí)現(xiàn)樣地?cái)?shù)據(jù)的采集(如圖3所示)。首先在樣地設(shè)置樣方，大小為30 m×30 m，然后分別在每個(gè)樣地的四個(gè)方向和中心點(diǎn)進(jìn)行取值，用LAI-2000植物冠層分析儀分別對(duì)n號(hào)樣地測(cè)量5次,獲取LAI值Xn1、Xn2、Xn3、Xn4、Xn5，再取平均值為N號(hào)樣地的LAI值，計(jì)算方法見(jiàn)公式（1）。

圖1 研究區(qū)位置示意Fig. 1 Location of research area

圖2 樣地分布Fig. 2 Sample distribution map

圖3 LAI-2000植物冠層分析儀Fig. 3 LAI-2000-Plant canopy analyzer

在每個(gè)樣地中均勻布設(shè)5個(gè)葉面積指數(shù)測(cè)量點(diǎn)，并用GPS定位（見(jiàn)圖4所示）；連接葉面積指數(shù)儀的傳感器后首先校準(zhǔn)數(shù)據(jù)，設(shè)置分辨率為高分辨率；確認(rèn)日期和時(shí)間的準(zhǔn)確；設(shè)置葉面積指數(shù)儀的操作模式后啟動(dòng)測(cè)量程序；連續(xù)2次輸入標(biāo)記后開(kāi)始測(cè)量，保持傳感器水平；采集每個(gè)測(cè)量點(diǎn)的工作照片，以便和測(cè)量數(shù)據(jù)進(jìn)行比對(duì)（見(jiàn)圖5所示）。

（2）植被指數(shù)的計(jì)算

根據(jù)WORLDVIEW-2八波段多光譜特征，選取了7個(gè)特點(diǎn)不同植被指數(shù)進(jìn)行分析，包括歸一化植被指數(shù)（NDVI，x1）、比值植被指數(shù)（RVI，x2）、差值植被指數(shù)（DVI，x3）、土壤調(diào)節(jié)植被指數(shù)（SAVI，x4）、修正的土壤調(diào)節(jié)植被指數(shù)（MSAVI，x5）、增強(qiáng)型植被指數(shù)（EVI，x6）、重歸一化植被指數(shù)（RDVI，x7），以此作為VILAI的經(jīng)驗(yàn)?zāi)Ｐ鸵蜃樱ㄒ?jiàn)表1）。

圖4 外業(yè)調(diào)查葉面積指數(shù)數(shù)據(jù)表Fig. 4 Leaf area index of investigated data

圖5 葉面積指數(shù)測(cè)量工作Fig .5 The Measuring work of leaf area index

（3）VI建模因子與LAI相關(guān)性分析

通過(guò)實(shí)測(cè)的92組樣本數(shù)據(jù)，以不同樣地植被類(lèi)型、植被覆蓋度、位置等參考因素，從4種濕地植被類(lèi)型（苔草、辣蓼、蘆葦、泥蒿）樣地?cái)?shù)據(jù)中選取了各類(lèi)型四分之三的數(shù)據(jù)用來(lái)擬合VI-LAI的回歸模型，其中包括了測(cè)量過(guò)程中的每種濕地植被類(lèi)型樣地?cái)?shù)據(jù)中LAImax和LAImin數(shù)據(jù)，共有69組數(shù)據(jù)作為建模樣本用于估測(cè)模型擬建，23組數(shù)據(jù)作為檢驗(yàn)樣本。把選取的NDVI、RVI、DVI、SAVI、MSAVI、EVI、RDVI這7個(gè)植被指數(shù)與葉面積指數(shù)進(jìn)行相關(guān)性分析，得到結(jié)果如表2所示。

表1 7個(gè)植被指數(shù)計(jì)算模型Table 1 Calculation model of vegetation index

表2 7個(gè)植被指數(shù)與葉面積指數(shù)間相關(guān)性Table 2 Correlation between vegetation index and leaf area index

由表2可知：在建模樣本數(shù)據(jù)中以相關(guān)性從大往小劃分依次為SAVI＞ RVI＞NDVI＞RDVI＞MSAVI＞DVI＞EVI，7個(gè)因子的顯著性都不高，Sig值全部＜0.01。

3 植被指數(shù)與葉面積指數(shù)（VI-LAI）回歸模型構(gòu)建和實(shí)現(xiàn)

為了實(shí)現(xiàn)對(duì)葉面積指數(shù)的有效估算，采用6種不同類(lèi)型的一元統(tǒng)計(jì)回歸模型（如表3所示）。

表3 回歸模型Table 3 Regression models

（1）葉面積指數(shù)一元線性回歸模型

將 NDVI、RVI、DVI、SAVI、MSAVI、EVI、RDVI 7個(gè)植被指數(shù)作為模型的自變量，葉面積指數(shù)（LAI）為因變量，用SPSS19.0統(tǒng)計(jì)軟件和實(shí)測(cè)數(shù)據(jù)進(jìn)行一元線性回歸模型擬合，擬合結(jié)果如表4、圖6所示。

由表4可知，所有7個(gè)模型的決定系數(shù)R2都超過(guò)了0.5，其中土壤調(diào)節(jié)植被指數(shù)（SAVI）與葉面積指數(shù)的一元線性回歸模型擬合程度最優(yōu)，決定系數(shù)R2為0.636 4；比值植被指數(shù)（RVI）的模型擬合程度也跟SAVI差距不大，R2為0. 636 2，這2個(gè)模型在7個(gè)模型中較優(yōu)，與預(yù)期歸一化植被指數(shù)（NDVI）可能會(huì)是最優(yōu)模型的期望不一樣；NDVI與葉面積指數(shù)的一元線性回歸模型擬合程度屬于中上，R2為0. 620 2；模型擬合程度最低的是差值植被指數(shù)（DVI），其R2為0.566 2。

表4 葉面積指數(shù)一元線性回歸模型參數(shù)Table 4 The parameters of linear regression model

圖6 SAVI與葉面積指數(shù)的一元線性回歸模型Fig. 6 Linear regression model of SAVI and leaf area index

（2） 葉面積指數(shù)二次多項(xiàng)式回歸模型

將 NDVI、RVI、DVI、SAVI、MSAVI、EVI、RDVI 7個(gè)植被指數(shù)作為模型的自變量，葉面積指數(shù)（LAI）為因變量，用SPSS19.0和實(shí)測(cè)數(shù)據(jù)進(jìn)行二次多項(xiàng)式回歸模型的擬合，擬合結(jié)果如表5、圖7所示。

表5 葉面積指數(shù)二次多項(xiàng)式回歸模型參數(shù)Table 5 The parameters of quadratic polynomial model

圖7 RVI與葉面積指數(shù)的二次多項(xiàng)式回歸模型Fig. 7 The quadratic polynomial model of RVI and leaf area index

由表5可知，所有7個(gè)模型的決定系數(shù)R2都超過(guò)了0.5，其中比值植被指數(shù)（RVI）與葉面積指數(shù)的二次多項(xiàng)式回歸模型擬合程度最優(yōu)，決定系數(shù)R2為0.657 9；增強(qiáng)型植被指數(shù)（EVI）的模型擬合程度排在第二，R2為0. 648 4，這2個(gè)模型在7個(gè)模型中較優(yōu)；模型擬合程度最低的是差值植被指數(shù)（DVI），其R2為0.594 5。

（3）葉面積指數(shù)三次多項(xiàng)式回歸模型

將 NDVI、RVI、DVI、SAVI、MSAVI、EVI、RDVI 7個(gè)植被指數(shù)作為模型的自變量，葉面積指數(shù)（LAI）為因變量，用SPSS19.0和實(shí)測(cè)數(shù)據(jù)進(jìn)行二次多項(xiàng)式回歸模型擬合，擬合結(jié)果如表6、圖8所示。

表6 葉面積指數(shù)三次多項(xiàng)式回歸模型參數(shù)Table 6 The parameters of cubic polynomial model

圖8 RVI與葉面積指數(shù)的三次多項(xiàng)式回歸模型Fig. 8 The cubic polynomial model of RVI and leaf area index

由表6可知，在7個(gè)模型的決定系數(shù)R2中最高的為比值植被指數(shù)（RVI），達(dá)到0.663 0，（RVI）與葉面積指數(shù)的三次多項(xiàng)式回歸模型擬合程度最優(yōu)；歸一化植被指數(shù)（NDVI）的模型擬合程度排在第二，R2為0. 633 2，這2個(gè)模型在7個(gè)模型中較優(yōu)的；模型擬合程度最低的是重歸一化植被指數(shù)（RDVI），其R2為0.576 2。

（4）葉面積指數(shù)的指數(shù)回歸模型

將 NDVI、RVI、DVI、SAVI、MSAVI、EVI、RDVI 7個(gè)植被指數(shù)作為模型的自變量，葉面積指數(shù)（LAI）為因變量，用SPSS19.0和實(shí)測(cè)數(shù)據(jù)進(jìn)行指數(shù)回歸模型擬合，擬合結(jié)果如表7、圖9所示。

表7 葉面積指數(shù)指數(shù)回歸模型參數(shù)Table 7 The parameters of exponential regression model

由表7可知，葉面積指數(shù)指數(shù)回歸模型是所有擬合的回歸模型中決定系數(shù)R2變化最大的一組，變化區(qū)間為0.482 9～0.707 6；其中R2最高的是葉面積指數(shù)與歸一化植被指數(shù)（NDVI）擬合的模型，達(dá)到0.707 6；其次為土壤調(diào)節(jié)植被指數(shù)（SAVI），R2為0.662 4；模型擬合程度最低的是差值植被指數(shù)（DVI），其R2為0.482 9。

（5）葉面積指數(shù)對(duì)數(shù)回歸模型

將 NDVI、RVI、DVI、SAVI、MSAVI、EVI、RDVI 7個(gè)植被指數(shù)作為模型的自變量，葉面積指數(shù)（LAI）為因變量，用SPSS19.0和實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)數(shù)回歸模型擬合，擬合結(jié)果如表8、圖10所示。

圖9 NDVI與葉面積指數(shù)的指數(shù)回歸模型Fig.9 The exponential regression model of NDVI and leaf area index

表8 葉面積指數(shù)對(duì)數(shù)回歸模型參數(shù)Table 8 The parameters of logarithmic regression model

圖10 RVI與葉面積指數(shù)的對(duì)數(shù)回歸模型Fig. 10 The logarithmic regression model of RVI and leaf area index

由表8可知，在7個(gè)模型的決定系數(shù)R2中最高的為比值植被指數(shù)（RVI），達(dá)到0.682 5，RVI與葉面積指數(shù)的對(duì)數(shù)回歸模型擬合程度最優(yōu)；修正的土壤調(diào)節(jié)植被指數(shù)（MSAVI）的模型擬合程度排在第二，R2為0. 640 8，這2個(gè)模型在7個(gè)模型中較優(yōu)；模型擬合程度最低的是重歸一化植被指數(shù)（RDVI），其R2為0.591 7。

（6）葉面積指數(shù)冪函數(shù)回歸模型

將 NDVI、RVI、DVI、SAVI、MSAVI、EVI、RDVI 7個(gè)植被指數(shù)作為模型的自變量，葉面積指數(shù)（LAI）為因變量，用SPSS19.0和實(shí)測(cè)數(shù)據(jù)進(jìn)行冪函數(shù)回歸模型的擬合，擬合結(jié)果如表9、圖11所示。

表9 葉面積指數(shù)冪函數(shù)回歸模型參數(shù)Table 9 The parameters of power function regression model

圖11 NDVI與葉面積指數(shù)的冪函數(shù)回歸模型Fig. 11 The power function regression model of NDVI and leaf area index

由表9可知，在7個(gè)模型的決定系數(shù)R2中最高的為歸一化植被指數(shù)（NDVI），達(dá)到0. 698 0，NDVI與葉面積指數(shù)的冪函數(shù)回歸模型擬合程度最優(yōu)；土壤調(diào)節(jié)植被指數(shù)（SAVI）的模型擬合程度排在第二，R2為0.692 70，這2個(gè)模型在7個(gè)模型中較優(yōu)；模型擬合程度最低的是差值植被指數(shù)（DVI），其R2為0.550 8。

4 葉面積指數(shù)回歸模型精度檢驗(yàn)

采用參數(shù)檢驗(yàn)法和23組檢驗(yàn)樣本分別對(duì)6種葉面積指數(shù)回歸模型擬合程度最高的估測(cè)模型進(jìn)行參數(shù)檢驗(yàn)，以此確定模型的精度，檢驗(yàn)結(jié)果如表10所示。

將LAI實(shí)測(cè)值與各模型的LAI估測(cè)值進(jìn)行一元線性回歸模型擬合，分析擬合后的精度驗(yàn)證情況，結(jié)果如圖12所示。

結(jié)合表10和圖12可知，以NDVI為模型變量的指數(shù)估測(cè)模型與實(shí)測(cè)值的一元線性回歸擬合方程可靠性高于其它，其估測(cè)模型的R2為0.809 7，均方根誤差為0.689 8，平均相對(duì)誤差為25.66%，即模型的總體估算精度為74.34%，為6個(gè)模型中誤差最??；以SAVI為模型變量的一元線性回歸模型R2為0.763 9，均方根誤差為0.704 4，平均相對(duì)誤差為26.79%，即模型的總體估測(cè)精度達(dá)到73.21%，誤差精度排在第二；以RVI為模型變量的二次多項(xiàng)式估測(cè)模型的可靠性為6個(gè)模型最低，R2最小，為0.526 2，均方根誤差為0.699 2，模型的平均相對(duì)誤差為27.67%，即模型的總體估測(cè)精度為72.33%；以NDVI為模型變量的冪函數(shù)估測(cè)模型得到的LAI估測(cè)值總體精度是最低的，其平均相對(duì)誤差為28.55%，即模型最終的估測(cè)總體精度為71.45%，R2為 0.668 4，均方根誤差為0.742 0。分析可得，本研究建立的葉面積指數(shù)（LAI）估測(cè)模型總體精度都超過(guò)了70%，其中以NDVI為模型變量的指數(shù)模型的估測(cè)精度最高，達(dá)到了74.34%，模型為y=0.121 1exp(5.036x)，可靠性也最高，可以很好地進(jìn)行葉面積指數(shù)的估測(cè)，結(jié)果如圖13所示。

表10 模型精度檢驗(yàn)結(jié)果比較Table 10 The results of models test accuracy

圖12 6個(gè)模型的估測(cè)值與LAI實(shí)測(cè)值與的精度驗(yàn)證Fig.12 The accuracy veri fi cation of LAI models estimated value and measured values

5 結(jié)論與討論

本研究以Worldview-2遙感影像作為數(shù)據(jù)源，對(duì)東洞庭湖濕地核心區(qū)域進(jìn)行了LAI估算研究，首先對(duì)典型的植被指數(shù)與葉面積指數(shù)（VI-LAI）的相關(guān)性進(jìn)行了分析，然后選擇了歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、修正的土壤調(diào)節(jié)植被指數(shù)（MSAVI）、增強(qiáng)型植被指數(shù)（EVI）、重歸一化植被指數(shù)（RDVI）7個(gè)植被指數(shù)作為VI-LAI的模型因子，這7個(gè)因子與LAI之間存在顯著的相關(guān)性，相關(guān)系數(shù)達(dá)到0.73以上，最高為0.821 7，結(jié)果表明選取的因子對(duì)LAI有很密切的相關(guān)性，具有準(zhǔn)確表達(dá)LAI特征的可行性。然后采用多種回歸模型（包括一元線性、二次多項(xiàng)式、三次多項(xiàng)式、指數(shù)模型、對(duì)數(shù)模型、冪函數(shù)模型）與LAI實(shí)測(cè)數(shù)據(jù)進(jìn)行擬合分析，選取出這6種回歸模型的最優(yōu)因子，然后利用實(shí)測(cè)數(shù)據(jù)作為檢驗(yàn)樣本，最終確立了以NDVI為模型變量的指數(shù)模型是用于LAI估測(cè)的最優(yōu)模型，精度達(dá)到了74.34%。因此，本文中采用多植被指數(shù)比較建立的濕地植被VI-LAI反演模型可以比較準(zhǔn)確獲取濕地區(qū)域葉面積指數(shù)特征。但在研究中，也存在需要進(jìn)一步完善的內(nèi)容，本研究采用的是基于多植被指數(shù)比較的VI-LAI模型擬合，樣本量還是比較有限，且未進(jìn)行葉面積指數(shù)機(jī)理方面的研究比較，對(duì)基于物理模型的葉面積指數(shù)反演技術(shù)需要進(jìn)行進(jìn)一步研究，比較經(jīng)驗(yàn)?zāi)Ｐ秃蜋C(jī)理模型在方法和尺度上的差異和適用性，得到更為準(zhǔn)確的LAI估算結(jié)果。

圖13 基于NDVI-LAI的指數(shù)估測(cè)模型的葉面積指數(shù)結(jié)果Fig.13 The results of leaf area index based on NDVI-LAI estimation model

[1]武紅敢,喬彥友,陳林洪,等.馬尾松林葉面積指數(shù)動(dòng)態(tài)變化的遙感監(jiān)測(cè)研究[J].植物生態(tài)學(xué)報(bào),1997,21(5):485-488.

[2]席建超,張紅旗,張志強(qiáng).應(yīng)用遙感數(shù)據(jù)反演針葉林有效葉面積指數(shù)[J].北京林業(yè)大學(xué)學(xué)報(bào),2004,26(6):36-39.

[3]夏學(xué)齊,田慶久,杜鳳蘭.遙感提取葉面積指數(shù)的地形影響分析[J].遙感信息,2004,(2):16-19.

[4]駱知萌,田慶久,惠鳳鳴.用遙感的方法計(jì)算森林LAI[J].南京大學(xué)學(xué)報(bào),2005,41(3):253-258.

[5]浦瑞良,宮 鵬,John R Miller.美國(guó)西部黃松葉面積指數(shù)與高光譜分辨率CASE數(shù)據(jù)的相關(guān)分析[J].環(huán)境遙感,1993, 8(2):112-125.

[6]許章華,劉 健,龔從宏,等.馬尾松毛蟲(chóng)寄主有效葉面積指數(shù)遙感反演模型研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào), 2012,32(10): 72-78.

[7]許全芝,張萬(wàn)昌.黑河流域葉面積指數(shù)的遙感反演[J].干旱區(qū)研究,2003,20(4):281-285.

[8]Ruiliang Pu, Peng Gong, Greg S Biging,et al.Extraction of Red Edge Optical Parameters From Hyperion Data for Estimation of Forest Leaf Area Index[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(4): 916-921.

[9]郭素娟,熊 歡,鄒 鋒,等,冠層分析儀在板栗冠層光輻射特征研究中的應(yīng)用[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2013,33(6):12-16.

[10]Martin Schlerf,Clement Atzberger,Michael Vohland. Derivation of forest leaf area index from multispectral and hyperspectral remote sensing data[J].EAR Sele Proeeedings,2004,3(3):405-413.

[11]Martin Schlerf,Clement Atzberger,Joachim Hill. Remote sensing of forest biophysical variables using Hymap Imaging Spectrometer data[J].Remote Sensing of Environment, 2005,95(2): 117-194.

[12]Sandmeier. Sensitivity Analysis and Quality Assessment of Laboratory BRDF Data[J].Remote Sensing Environment, 1998,64(4): 176-191.

Research on remote sensing estimation of wetland vegetation LAI based on vegetation index comparation

LING Cheng-xing1, JU Hong-bo1, ZHANG Huai-qing1, SUN Hua2
(1. Institute of Forest Resource Information Techniques, CAF, Beijing 100091, China; 2. Research Center of Forestry Remote Sensing &Information Engineering, Central South University of Forestry & Technology, Changsha 410004, Hunan, China)

The research selects core area in wetland nature reserve of Dongting Lake in Hunan province as reserch object. In order to estimate the vegetation leaf area index(LAI) of core wetland region of Dongting Lake, high resolution image WORLDVIEW-2 data is utilzied to precisely leaf area index information. Then, Correlation between vegetation index and VI-LAI is analyzed. Seven vegetation indexes such as NDVI, RVI, DVI, SAVI, MSAVI, EVI and RDVI are selected as model factors of VI-LAI. Then multiple regression models (including unitary linear, quadratic polynomical, cubic polynomical, index model, logarithmic model and power function model)are adopted to take fi tting analysis with measrued LAI data to select optimal factors of the six regression models. After that, 23 groups of measured data are used as test samples to fi nally determine that the the index model with NDVI as model variable is the optimal model for LAI estimation, Which makes the pricesion up to 74.34%.The experimental result shows that Vegetation Index Comparation mothod is an effective sway in wetland remote sensing leaf area index（LAI）Estimation.

wetland;worldview-2 image;vegetation index; leaf area index（LAI）estimation

S771.8

A

1673-923X(2016)05-0011-08

10.14067/j.cnki.1673-923x.2016.05.003

2015-05-10

國(guó)家重大專項(xiàng)（21-Y30B05-9001-13/15-2）；國(guó)家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)（2012AA102001）

凌成星，博士研究生 通訊作者：張懷清，研究員；E-mail：zhang@caf.ac.cn

凌成星，鞠洪波，張懷清，等. 基于植被指數(shù)比較的濕地區(qū)域LAI遙感估算研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2016, 36(5):11-18.

[本文編校：謝榮秀]