孫 華，羅朝沁 ，林 輝 ，嚴(yán)恩萍 ，羅喜華 ，羅孝云

(1.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 長沙 410004；2.攸縣黃豐橋國有林場，湖南 攸縣 412300)

基于k-NN算法的葉面積指數(shù)遙感反演

孫 華1，羅朝沁1，林 輝1，嚴(yán)恩萍1，羅喜華2，羅孝云2

(1.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 長沙 410004；2.攸縣黃豐橋國有林場，湖南 攸縣 412300)

葉面積指數(shù)（Leaf Area Index，LAI）作為植被冠層結(jié)構(gòu)的重要描述參數(shù)之一，能體現(xiàn)植被光合、蒸騰和呼吸作用的能力。借助GPS和LAI-2200冠層分析儀在攸縣黃豐橋林場開展LAI測量。利用ENVI軟件對GeoEye-1 數(shù)據(jù)進(jìn)行了輻射定標(biāo)，大氣校正和正射校正。通過研究LAI與GeoEye-1影像波段及其衍生指數(shù)的相關(guān)性，篩選出2組估算LAI的指數(shù)因子（6個(gè)指數(shù)因子和10個(gè)指數(shù)因子）。應(yīng)用k-NN進(jìn)行葉面積指數(shù)反演，同時(shí)將反演結(jié)果與多元線性回歸模型結(jié)果進(jìn)行比較。結(jié)果表明：利用2組指數(shù)因子進(jìn)行多元線性回歸模型反演LAI中，6個(gè)指數(shù)因子的模型決定系數(shù)R2為0.386，10個(gè)指數(shù)因子的模型決定系數(shù)R2為0.498。從回歸模擬的角度分析，10個(gè)指數(shù)因子得到的模擬結(jié)果要優(yōu)于6個(gè)指數(shù)因子的模擬結(jié)果。利用2組指數(shù)因子通過設(shè)置4個(gè)不同的k值（k=3，5，7，10）得到8個(gè)k-NN反演結(jié)果中，以10個(gè)指數(shù)因子得到的k-NN反演結(jié)果較好，其中在k=3時(shí)效果最好，其決定系數(shù)R2為0.733，精度為85.4%。建模精度分析表明選用10個(gè)指數(shù)因子進(jìn)行LAI的反演優(yōu)于選用6個(gè)指數(shù)因子，其中k-NN方法的反演結(jié)果優(yōu)于多元線性回歸模型，說明利用k-NN方法進(jìn)行LAI的反演是可行的。

林業(yè)遙感；葉面積指數(shù)；k-NN；GeoEye-1；黃豐橋林場

葉面積指數(shù)（leaf area index，LAI）是指單位地表面積上單面綠葉面積的總和[1-3]，是描述植被冠層結(jié)構(gòu)的一個(gè)重要參數(shù)，近年來越來越受到重視。小范圍內(nèi)的葉面積指數(shù)測定一般采用實(shí)測方法[4]進(jìn)行，盡管實(shí)測方法能夠提供比較精確的LAI，但是只能獲取樣地（點(diǎn)）上的數(shù)據(jù)，很難得到大范圍葉面積指數(shù)的空間分布，應(yīng)用范圍受到了限制。遙感技術(shù)可以提供不同空間尺度的遙感影像數(shù)據(jù)，為大范圍內(nèi)葉面積指數(shù)反演提供了強(qiáng)有力的數(shù)據(jù)支持，通過建立統(tǒng)計(jì)模型[2-4]或冠層物理模型[4-8]進(jìn)行葉面積指數(shù)估算，得到不同分辨率的各類LAI數(shù)據(jù)產(chǎn)品。

葉面積指數(shù)冠層物理模型方法主要包括幾何光學(xué)模型[4-9]，輻射傳輸模型[10-11]，神經(jīng)網(wǎng)絡(luò)[12]，貝葉斯網(wǎng)絡(luò)[13]，遺傳算法[14]，查找表法[15]以及幾何光學(xué)模型與輻射傳輸模型的綜合[2]等。幾何光學(xué)模型，輻射傳輸模型以及二者的綜合模型具有較強(qiáng)的物理基礎(chǔ)和普適性，需要較多的地面輔助參數(shù)[16]。神經(jīng)網(wǎng)絡(luò)一種高效的機(jī)器學(xué)習(xí)方法，模型的反演速度很快，但是需要大量的樣本進(jìn)行訓(xùn)練才能得到較可靠的反演結(jié)果[12]。神經(jīng)網(wǎng)絡(luò)和查找表法是近年來發(fā)展起來的通用方法，能很好的將反射率與需要反演的生物物理參數(shù)有效的聯(lián)系起來，但需要建立大型模擬數(shù)據(jù)庫。此外，遺傳算法與貝葉斯網(wǎng)絡(luò)在葉面積指數(shù)反演具有一定的潛力，但在區(qū)域范圍內(nèi)的應(yīng)用中還有待檢驗(yàn)。統(tǒng)計(jì)模型法主要是通過分析遙感影像各波段反射率，植被指數(shù)及其衍生指數(shù)與葉面積指數(shù)的關(guān)系，建立統(tǒng)計(jì)模型，這類方法比較簡單直接[17-18]。但是統(tǒng)計(jì)模型法所建立的回歸模型往往帶有經(jīng)驗(yàn)性，換一個(gè)研究區(qū)或應(yīng)用一個(gè)新的數(shù)據(jù)源，模型參數(shù)需要重新調(diào)整，模型的普適性和推廣性不強(qiáng)。此外，回歸模型分析的基礎(chǔ)是假設(shè)遙感數(shù)據(jù)或者植被指數(shù)與需要反演的物理參數(shù)（如葉面積指數(shù)）存在線性關(guān)系，其次，回歸模型假設(shè)用于建模的自變量之間是不相關(guān)的，但是實(shí)際情況并非如此，遙感影像不同的波段之間具有一定的相關(guān)性，因此非參數(shù)方法如k-NN可能是除回歸分析方法之外一種較好的選擇。以GeoEye-1影像為數(shù)據(jù)源，采用k-NN方法開展攸縣黃豐橋林場葉面積指數(shù)反演，并對不同條件下所得反演結(jié)果進(jìn)行比較，旨在分析非參數(shù)估計(jì)的特點(diǎn)，為區(qū)域范圍內(nèi)的葉面積指數(shù)高效反演提供一種方法參考。

圖1 研究區(qū)位置Fig. 1 Location of study area

1 研究區(qū)概況

黃豐橋國有林場呈帶狀，橫跨株洲市攸縣東西部，以中低山貌為主，介于 113°04′～ 113°43′E，27°06′～ 27°04′N 之間（圖 1）。主要成土母巖為板頁巖，土壤以板頁巖發(fā)育而成的山地黃壤為主。東北部與江西的蓮花、萍鄉(xiāng)交界，東南與茶陵縣接壤，西北部與株洲、醴陵毗鄰。全場地貌以中低山為主，境內(nèi)最高海拔1 270 m，最低海拔115 m，坡度介于20 °～35 °之間。林場地處中亞熱帶季風(fēng)濕潤氣候區(qū)，年均氣溫17.8 ℃；平均無霜期為292 d。現(xiàn)有林地總面積10 122.6 hm2，主要以杉木為主，森林覆蓋率為86.24%[18]，此次研究的范圍主要包括廣黃，柏市和長嶺3個(gè)分場，面積約150 km2。

2 材料與方法

2.1 數(shù)據(jù)處理

2.1.1 遙感數(shù)據(jù)處理

研究所用的遙感影像數(shù)據(jù)為GeoEye-1，包括4個(gè)多光譜波段和1個(gè)全色波段，數(shù)據(jù)獲取時(shí)間為2013年3月12日。全色波段空間分辨率為0.41 m，多光譜波段包括紅、綠、藍(lán)、近紅外等4個(gè)波段，空間分辨率為1.65 m。GeoEye-1數(shù)據(jù)處理主要包括輻射定標(biāo)，大氣校正和正射校正。為了得到與地面實(shí)測樣地一致的坐標(biāo)，采用天寶 Trimble GEO XH 3000高精度GPS，進(jìn)行野外差分定位，共采集42個(gè)控制點(diǎn)坐標(biāo)信息，用于GeoEye-1數(shù)據(jù)的正射校正，正射校正后的影像點(diǎn)位誤差在2 m以內(nèi)。

2.1.2 樣地設(shè)計(jì)與葉面積指數(shù)測量

GeoEye-1空間分辨率高，為了使此次調(diào)查的數(shù)據(jù)滿足多種分辨率遙感影像開展葉面積指數(shù)反演，且相互之間可以驗(yàn)證。對研究區(qū)進(jìn)行系統(tǒng)嵌套抽樣，抽樣間隔為3 km×3 km，樣地設(shè)計(jì)大小為1 km×1 km，在1 km×1 km樣地對角線上設(shè)置7個(gè)30 m×30 m小樣地（圖2）。2號(hào)，3號(hào)小樣地中心點(diǎn)位置與1號(hào)樣地之間水平與垂直方向的距離相距62.5 m；4號(hào)，5號(hào)小樣地中心點(diǎn)位置與1號(hào)樣地之間水平與垂直方向的距離相距187.5 m；6號(hào)，7號(hào)小樣地中心點(diǎn)位置與1號(hào)樣地之間水平與垂直方向的距離相距375 m。在每個(gè)30 m×30 m小樣地內(nèi)，按6 m的水平間隔設(shè)置5個(gè)1 m×1 m的小樣方。2013年7月15日至8月1日，利用LI-COR公司生產(chǎn)的LAI-2200儀器在每個(gè)1 m×1 m的小樣方內(nèi)4個(gè)不同的位置測量4次所得的均值作為小樣方的葉面積指數(shù)值，共獲得210個(gè)有效葉面積指數(shù)測量結(jié)果。

圖2 樣地大小與形狀Fig. 2 Plot size and shape

2.2 遙感因子獲取

研究在參考已有研究的基礎(chǔ)上，結(jié)合GeoEye-1數(shù)據(jù)特點(diǎn)，選用各波段的反射率，歸一化植被指數(shù)（NDVI），紅綠指數(shù)（RGVI），比值植被指數(shù)（SR）及衍生比值指數(shù)，SAVI（L取0.1，0.25，0.35，0.5），一共計(jì)算24個(gè)變量。

2.3 葉面積指數(shù)反演方法

通過計(jì)算210個(gè)LAI樣地的均值和標(biāo)準(zhǔn)差，得到樣本的殘差分布，剔除了12個(gè)離群的樣本數(shù)據(jù)。葉面積指數(shù)反演采用線性回歸和k-NN2種方法進(jìn)行。首先，在GIS軟件中提取198個(gè)樣地對應(yīng)的24個(gè)指數(shù)值，分析24個(gè)建模因子與葉面積指數(shù)的相關(guān)性，在95%置信區(qū)間范圍內(nèi)，利用方差擴(kuò)大因子（VIF）對建模因子進(jìn)行共線性診斷，刪除VIF值在10以上的變量。對篩選出來的因子，選取3/4的樣本量建立葉面積指數(shù)回歸模型，剩余樣本進(jìn)行精度檢驗(yàn)。回歸分析采用兩種形式，一種是對VIF篩選出來的所有變量建立模型，另一種就是對篩選出來的變量開展逐步回歸分析。兩種形式所采用的變量都用于k-NN算法模擬。

k-NN方法是一種非參數(shù)估計(jì)方法，在森林蓄積量、生物量以及胸高斷面積等方面開展了較為深入的研究。k-NN方法有兩個(gè)重要的假設(shè)前提。首先，假設(shè)遙感影像每個(gè)像元的光譜響應(yīng)值僅與森林分布狀況相關(guān)，與像元所在的地理位置無關(guān)；其次，假設(shè)地面樣地分布在一個(gè)大范圍內(nèi)，并且可視為用于估計(jì)其他區(qū)域的地面真實(shí)數(shù)據(jù)[4]。有關(guān)k-NN方法的定義與推導(dǎo)見文獻(xiàn)[19]，文獻(xiàn)[20]和文獻(xiàn)[21]。

2.4 精度評價(jià)

模型或模擬的結(jié)果需要進(jìn)行誤差評價(jià)，論文選用留置樣本法和交叉驗(yàn)證法（Cross-Validation）對葉面積指數(shù)模擬結(jié)果進(jìn)行評價(jià)。選定決定系數(shù)（R2），估測均值，相對平均誤差，相對均方根誤差，殘差標(biāo)準(zhǔn)差等指標(biāo)對回歸分析進(jìn)行評價(jià)。除此之外，采用交叉驗(yàn)證方法進(jìn)行k-NN模擬的精度驗(yàn)證，即利用k-NN方法每次估計(jì)時(shí)從地面調(diào)查樣地樣本中剔除一個(gè)樣地，用k-NN方法產(chǎn)生該樣地的估計(jì)值，將該樣地的估計(jì)值與它的地面調(diào)查實(shí)測值進(jìn)行比較并計(jì)算一個(gè)誤差。然后，將該樣地放回，抽取另一個(gè)不同的地面調(diào)查樣地，再用k-NN產(chǎn)生該樣地的估計(jì)值，并將該樣地的估計(jì)值與它的實(shí)測值進(jìn)行比較計(jì)算一個(gè)誤差。重復(fù)以上過程直至所有的地面調(diào)查樣地被估計(jì)，并計(jì)算這些樣地實(shí)測值與估計(jì)值之間的平方根均方誤差。

3 結(jié)果與分析

3.1 遙感影像與葉面積指數(shù)的相關(guān)性分析

對提取的24個(gè)變量與葉面積指數(shù)進(jìn)行了相關(guān)性分析，在95%可靠性下，利用方差擴(kuò)大因子（VIF）對建模因子進(jìn)行共線性診斷，刪除VIF值在10以上的變量。NDVI，SR43等10個(gè)變量的相關(guān)系數(shù)在統(tǒng)計(jì)上是顯著的（表1）。由表1可知，在顯著性高的變量中，以NDVI的相關(guān)系數(shù)最大為0.592，SR43與LAI的相關(guān)系數(shù)次之，在顯著性高的變量中NIR的相關(guān)系數(shù)最小僅為0.225。

表1 葉面積指數(shù)相關(guān)性統(tǒng)計(jì)Table 1 Correlation of Landsat 8 derived spectral variables with LAI

3.2 回歸分析

對篩選出來的因子，選取3/4的樣本量建立葉面積指數(shù)回歸模型，剩余樣本進(jìn)行精度檢驗(yàn)?；貧w分析采用兩種形式，一種是對VIF篩選出來的10個(gè)變量建立葉面積指數(shù)反演模型，另一種就是對篩選出來的變量開展逐步回歸分析，最終保留的變量有6個(gè)，分別為BLU，RED，NDVI，SR21，SR23，SR24。選取3/4的樣本量建立葉面積指數(shù)回歸模型（式1，式2），剩余樣本進(jìn)行精度檢驗(yàn)，分別計(jì)算模擬結(jié)果與估測結(jié)果的相關(guān)性，相對平均誤差，相對均方根誤差，分析估測均值與實(shí)測均值的差異，具體結(jié)果見表2。從表2可知，10變量的回歸模型所得模擬結(jié)果與檢驗(yàn)數(shù)據(jù)的相關(guān)性高于6個(gè)變量的逐步回歸分析結(jié)果。相對平均誤差，相對均方根誤差，分析估測均值結(jié)果亦是如此。從回歸模擬的角度分析，10個(gè)變量得到的模擬結(jié)果要優(yōu)于6個(gè)變量的模擬結(jié)果。

表2 回歸分析模擬葉面積指數(shù)估計(jì)誤差Table 2 Error estimation of leaf area index using multiple linear regression model

利用檢驗(yàn)數(shù)據(jù)對模擬結(jié)果進(jìn)行驗(yàn)證，發(fā)現(xiàn)預(yù)測結(jié)果與檢驗(yàn)數(shù)據(jù)存在較好的線性關(guān)系，10個(gè)變量回歸模型的擬合結(jié)果要優(yōu)于6個(gè)變量的模型。從模擬結(jié)果的殘差分布來看，所有數(shù)據(jù)的殘差都在置信帶內(nèi) [-2 σ?， 2 σ?]，殘差的隨機(jī)性分布較好（圖3）。利用上述2種回歸模型對圖像進(jìn)行模擬，有植被覆蓋的地方葉面積指數(shù)值得到了較好的模擬結(jié)果，從圖5（a，b）多元線性回歸模擬結(jié)果來看，在沒有采集樣地?cái)?shù)據(jù)的地方出現(xiàn)了過低估計(jì)的現(xiàn)象，估計(jì)值結(jié)果小于0，與實(shí)際狀況存在差異。

3.3 k-NN模擬結(jié)果分析

回歸分析所得的葉面積指數(shù)反演結(jié)果在植被覆蓋區(qū)域獲得了較好的模擬效果，但是在非植被區(qū)出現(xiàn)了過低的估計(jì)現(xiàn)象，這與實(shí)際情況不相符。為了更好的開展黃豐橋林場的葉面積指數(shù)反演工作，研究利用上述回歸分析2種模型所采用的變量開展k-NN模擬。為了更準(zhǔn)確的體現(xiàn)k-NN算法的模擬效果，將外業(yè)采集到的所有有效樣地都用于葉面積指數(shù)模擬，利用交叉驗(yàn)證法（Cross-Validation）對不同k值大小的葉面積指數(shù)模擬結(jié)果進(jìn)行評價(jià)，其中k的取值為3、5、7、10，計(jì)算相應(yīng)的結(jié)果如表3所示。

圖3 LAI模擬結(jié)果與實(shí)測值比較Fig.3 Observed values and predicted values of LAI

表3 k-NN的葉面積指數(shù)估計(jì)誤差Table 3 Error estimation of leaf area index k-NN

由表3可得：（1）應(yīng)用6個(gè)變量的k-NN方法估測黃豐橋林場的葉面積指數(shù)，相對平均誤差小于20%，要優(yōu)于6個(gè)變量的回歸分析模型，從不同k值大小模擬的結(jié)果來看，k為3時(shí)，相對平均誤差、相對均方根誤差是最小的，也是最優(yōu)的估計(jì)結(jié)果。（2）應(yīng)用10個(gè)變量的k-NN模擬結(jié)果，與6個(gè)變量的k-NN模擬結(jié)果類似，k值變大，估計(jì)結(jié)果與實(shí)測結(jié)果的相關(guān)性減少，當(dāng)k為10時(shí)最小，絕對系數(shù)為0.687，從統(tǒng)計(jì)的角度分析，k為10的模擬結(jié)果依然可靠；（3）應(yīng)用10個(gè)變量的k-NN模擬結(jié)果在k值相同時(shí)，其模擬結(jié)果與實(shí)測數(shù)據(jù)的相對平均誤差、相對均方根誤差均小于應(yīng)用6個(gè)變量的k-NN模擬結(jié)果。相關(guān)系數(shù)的分析結(jié)果也是如此，說明采用k-NN進(jìn)行葉面積指數(shù)模擬時(shí)，參與模擬的變量越多，模擬結(jié)果與真實(shí)值越接近。（4）從模擬效果來看，k為3時(shí)，應(yīng)用6個(gè)變量和10個(gè)變量的模擬結(jié)果均是各自模擬結(jié)果中效果最好的。

模擬結(jié)果的交叉驗(yàn)證主要是檢驗(yàn)?zāi)M結(jié)果與實(shí)測值是否存在較好的線性關(guān)系，分析各驗(yàn)證樣地的殘差是否落在置信帶內(nèi) [-2 σ?，2 σ?]。從圖4可知，當(dāng)k值為3時(shí)，6個(gè)變量和10個(gè)變量的k-NN模擬結(jié)果與實(shí)測值均存在良好的線性關(guān)系，決定系數(shù)（R2）分別為0.651，0.733。從殘差的分布圖來看，模擬結(jié)果的殘差隨機(jī)性分布大部分落在置信帶區(qū)間內(nèi)，但是10個(gè)變量的殘差隨機(jī)性分布更為合理。從圖5（c，d）可知，整個(gè)研究區(qū)葉面積指數(shù)反演效果較好，沒有出現(xiàn)過低估計(jì)的現(xiàn)象，從模擬效果來看k-NN模擬優(yōu)于回歸分析。

圖4 k-NN模擬LAI結(jié)果與實(shí)測值比較（k=3）Fig.4 Observed values and predicted values of LAI using k-NN

圖5 黃豐橋林場葉面積指數(shù)反演結(jié)果Fig.5 Inversion Results of LAI in Huangfengqiao forest farm

4 結(jié)論與討論

論文以GeoEye-1影像為數(shù)據(jù)源，采用多元線性回歸和k-NN方法，結(jié)合地面調(diào)查數(shù)據(jù)，開展攸縣黃豐橋林場葉面積指數(shù)反演。首先分析影像各波段反射率，植被指數(shù)及衍生變量與葉面積指數(shù)的相關(guān)性，篩選出相關(guān)性較高的因子，采用方差擴(kuò)大因子法進(jìn)一步開展建模因子的共線性診斷，對最終保留的變量，運(yùn)用多元線性回歸和k-NN方法開展葉面積指數(shù)模擬，對模擬結(jié)果進(jìn)行精度驗(yàn)證與殘差分析，得出以下幾點(diǎn)結(jié)論。

（1）建模因子的相關(guān)性排序分析。波段反射率是地表各地類輻射能量差異的體現(xiàn)，也是運(yùn)用植被指數(shù)開展葉面積指數(shù)的物理基礎(chǔ)。本次研究參與分析的24個(gè)因子中，10個(gè)因子在95%的可靠性統(tǒng)計(jì)水平上與葉面積指數(shù)顯著性相關(guān)，相關(guān)性最大的為NDVI，相關(guān)系數(shù)為0.592，說明NDVI與葉面積指數(shù)具有較強(qiáng)的相關(guān)性，其次為SR43為0.558，其余的依次為BLU，SR24，RED，相關(guān)系數(shù)分別為-0.483，-0.476和-0.438，在顯著性高的變量中NIR的相關(guān)系數(shù)最小僅為0.225。

（2）建立了植被指數(shù)與葉面積指數(shù)的多元線性模型。利用10個(gè)相關(guān)性較高的因子，分2種情況建立葉面積指數(shù)多元線性模型，一是將10個(gè)變量全部用來建立模型，二是采用逐步回歸的方式建立葉面積指數(shù)模型，逐步回歸模型最終只采用了6個(gè)因子，分別為BLU，RED，NDVI，SR21，SR23，SR24。2種模型的檢驗(yàn)結(jié)果表明，檢驗(yàn)數(shù)據(jù)與模擬數(shù)據(jù)存在較好的線性關(guān)系，決定系數(shù)（R2）分別為0.498，0.386，從殘差分布情況來看，10個(gè)變量的多元線性回歸結(jié)果優(yōu)于6個(gè)變量的模擬結(jié)果。但是從整個(gè)研究區(qū)反演的結(jié)果來看，多元線性回歸模擬結(jié)果在植被區(qū)的葉面積指數(shù)反演取得了較好的反演效果，但是對非植被區(qū)出現(xiàn)了過低估計(jì)的現(xiàn)象，在有些區(qū)域出現(xiàn)了負(fù)值，這與實(shí)際情況存在出入。從另一個(gè)側(cè)面來講，多元線性回歸對參與模擬的樣地取得了較好的反演效果，但是對沒有開展樣地調(diào)查的區(qū)域可能存在過低或過高估計(jì)。

（3）運(yùn)用k-NN算法得到了較好的葉面積指數(shù)模擬效果。將多元回歸模型所采用的6個(gè)變量與10個(gè)變量，分別進(jìn)行k-NN模擬，k值大小選擇，3，5，7，10四種情況，從模擬結(jié)果看，k值越大，模擬結(jié)果的相對平均誤差、相對均方根誤差也隨之增加，最大誤差基本控制在20%左右，較多元回歸分析31.8%的相對平均誤差有了很大的改進(jìn)。從研究區(qū)k值大小的模擬結(jié)果來看，k為3時(shí)，10個(gè)變量和6個(gè)變量模擬效果最好，模擬結(jié)果與實(shí)測數(shù)據(jù)的相關(guān)性分別為0.733，0.651。模擬結(jié)果殘差的分布隨機(jī)性較好，但是從整個(gè)研究區(qū)模擬效果比較，10個(gè)變量的k-NN模擬結(jié)果優(yōu)于6個(gè)變量的模擬效果。本研究結(jié)論認(rèn)為，利用k-NN算法開展黃豐橋林場的葉面積指數(shù)反演是可行的，可模擬結(jié)果的精度考慮，需要盡可能選擇多一些變量，有利于提高模擬的精度。

（4）此次研究涉及的樣地采用系統(tǒng)抽樣的方式得到，樣地類型并沒有完全覆蓋研究區(qū)的所有地類類型，從多元線性回歸和k-NN模擬結(jié)果來看，模擬結(jié)果的誤差主要在非森林區(qū)域，因此，采用分層抽樣方式開展葉面積指數(shù)反演是下一步工作的方向。

[1]Thimonier A, Sedivy I, Schleppi P. Estimating leaf area index in different types of mature forest stands in Switzerland: a comparison of methods [J]. European Journal of Forest Research,2010, 129(4): 543-562.

[2]向洪波,郭志華,趙占輕,等. 不同空間尺度森林葉面積指數(shù)的估算方法[J].林業(yè)科學(xué),2009,45(6):139-144.

[3]范聞捷,蓋穎穎,徐希孺,等. 遙感反演離散植被有效葉面積指數(shù)的空間尺度效應(yīng)[J].中國科學(xué):地球科學(xué), 2013,43(2):280-286.

[4]梁順林,李小文,王錦地,等.定量遙感理念與算法[M].北京:科學(xué)出版社,2013.

[5]蔡博峰,紹 霞.基于PROSPECT+SAIL模型的遙感葉面積指數(shù)反演[J].國土資源遙感,2007, 19(2):39-43.

[6]Jacquemoud S. Inversion of the PROSPECT+SAIL Canopy Re fl ectance Model from AVIRIS Equivalent Spectra: Theoretical Study[J]. Remote Sensing of Environment. 1993, 44(2-3):281-292.

[7]劉照言,馬靈玲,唐伶俐.基于SAIL模型的多角度多光譜遙感葉面積指數(shù)反演[J].干旱區(qū)地理,2010,33(1):93-98.

[8]陳艷華,張萬昌,雍 斌.基于分類知識(shí)利用神經(jīng)網(wǎng)絡(luò)反演葉面積指數(shù)[J].生態(tài)學(xué)報(bào),2007,27(7):2785-2793.

[9]楊貴軍,黃文江,王紀(jì)華,等. 多源多角度遙感數(shù)據(jù)反演森林葉面積指數(shù)方法[J]. 植物學(xué)報(bào),201045(5):566-578.

[10]徐希孺.遙感物理[M].北京:北京大學(xué)出版社,2005.

[11]黃 玫,季勁鈞. 中國區(qū)域植被葉面積指數(shù)時(shí)空分布——機(jī)理模型模擬與遙感反演比較[J]. 生態(tài)學(xué)報(bào),2010,30(11):3057-3064.

[12]Xiao Z, Liang S, Wang J,et al.Use of general regression neural network for generating the GLASS leaf area index product from time-series MODIS surface re fl ectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 52(1):209-223.

[13]Qu Y, Zhang Y, Wang J. A dynamic Bayesian network data fusion algorithm for estimating leaf area index using time-series data from in situ measurement to remote sensing observations [J].International Journal of Remote Sensing,2012,33(4):1106-1125.

[14]Fang H, Liang S, Kuusk A. Retrieving leaf area index using a genetic algorithm with a canopy radiative transfer model[J].Remote sensing of environment,2003,85(3):257-270.

[15]Fang H, Liang S. A hybrid inversion method for mapping leaf area index from MODIS data: Experiments and application to broadleaf canopies [J]. Remote sensing of environment,2005,94(3):405-424.

[16]Song C. Optical remote sensing of forest leaf area index and biomass[J]. Progress in Physical Geography, 2013,37(1):98-113.

[17]李開麗,蔣建軍,茅榮正,等. 植被葉面積指數(shù)遙感監(jiān)測模型[J]. 生態(tài)學(xué)報(bào),2005,25(06):1491-1496.

[18]孫 華,鞠洪波, 張懷清,等. 三種回歸分析方法在Hyperion影像LAI反演中的比較[J].生態(tài)學(xué)報(bào),2012,32(24):7781-7790.

[19]Halme M, Tomppo E.. Improving the accuracy of multisource forest inventory estimates by reducing plot location error -a multicriteria approach[J].Remote Sensing of Environment, 2001,78(3):321-327.

[20]Tomppo E, Halme M. Using coarse scale forest variables as ancillary information and weighting of variables in k-NN estimation: a genetic algorithm approach [J].Remote Sensing of Environment,2004, 92(1):1-20.

[21]譚一凡,郄廣平,王敏姿,等.深圳市建成區(qū)森林碳分布估測方法比較研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2014,34(11):140-149.

Study on remote sensing estimation of leaf area index based on k-NN algorithm

SUN Hua1, LUO Chao-qin1, LIN Hui1, YAN En-ping1, LUO Xi-hua2, LUO Xiao-yun2
(1.Research Center of Forestry Remote Sensing & Information Engineering Central South University & Technology, Changsha 410004,Hunan, China; 2 Huangfengqiao Forestry Farm of Youxian, Youxian 412300, Hunan, China)

As one of the most important description parameters for forest canopy structure, LAI (Leaf Area Index) has the ability to re fl ect the photosynthesis, transpiration and breathing for vegetation. Accurately mapping LAI often conducted by combining sample plots and remotely sensed images. The objective of this study was to employ k-Nearest Neighbor (k-NN) algorithm to estimate the LAI in Huangfengqiao forest Farm of You County, Hunan province of China using GeoEye-1 images and ground sample plots. In this study, ground measurement of LAI was conducted with the assistant of GPS and LAI-2200 canopy analyzer. The GeoEye-1 images were processed with the correction of radiation, atmospheric and orthographic. Moreover, through the correlation analysis of LAI and GeoEye-1 factors, 2 groups (6 variables and 10 variables respectively) of variables were selected for the estimation of LAI. Finally,k-NN algorithm method was used to simulation LAI, and compared with the multiple linear regression. Results show that multiple linear regression model of 10 independent variables was better than 6 variables.TheR2coef fi cient of the two models were 0.498 and 0.386.With the difference of k value (k=3, 5, 7, 10) and variable numbers (6 and 10), 8 combinations and estimations for LAI were generated.The estimation derived from the combination ofk=3 and 10 variables had greatest accuracy, with theR2of 0.733 and estimation accuracy of 85.4%. This implied that the algorithm of k-NN provided greater potential than multiple linear regression model to map LAI with the combination of sample plots and GeoEye-1 images.

forestry remote sensing; leaf area index; k-NN; GeoEye-1; Huangfengqiao forest farm

S757

A

1673-923X(2016)12-0011-07

10.14067/j.cnki.1673-923x.2016.12.003

http: //qks.csuft.edu.cn

2015-04-20

國家“十二五”863項(xiàng)目：“數(shù)字化森林資源監(jiān)測關(guān)鍵技術(shù)研究”（2012AA102001）；中國博士后科學(xué)基金項(xiàng)目：林分環(huán)境條件下的林木冠幅提取及冠形曲線參數(shù)化（2014M562147）

孫 華，副教授，博士；E-mail：sunhuayiwen@126.com

孫 華，羅朝沁，林 輝，等. 基于k-NN算法的葉面積指數(shù)遙感反演[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2016,36(12):11-17,36.

[本文編校：文鳳鳴]