李曉彤， 覃先林， 劉樹超， 孫桂芬， 劉倩

(中國(guó)林業(yè)科學(xué)研究院資源信息研究所國(guó)家林業(yè)局林業(yè)遙感與信息技術(shù)實(shí)驗(yàn)室，北京 100091)

0 引言

葉面積指數(shù)(leaf area index，LAI)是指單位綠葉面積在單位地表面積上的總和[1]，是植被結(jié)構(gòu)特征的重要參數(shù)，同時(shí)也與植被的光合、呼吸和蒸騰作用等重要生理過(guò)程密切相關(guān)。因此，LAI是研究陸地生態(tài)系統(tǒng)水熱循環(huán)、生物化學(xué)循環(huán)等陸地生態(tài)過(guò)程的重要一環(huán)，對(duì)LAI的研究具有較高的理論與應(yīng)用意義。遙感的快速發(fā)展為反演大范圍LAI提供了有效的技術(shù)途徑，并大大降低了數(shù)據(jù)采集中的人力、物力成本。

LAI遙感反演方法主要分為物理模型法和統(tǒng)計(jì)模型法。物理模型法主要利用輻射傳輸模型或者幾何光學(xué)模型，近幾年又發(fā)展了神經(jīng)網(wǎng)絡(luò)法、遺傳算法和貝葉斯網(wǎng)絡(luò)法等方法。柳藝博等[2]利用MOD09A1及MCD43A1數(shù)據(jù)和基于4尺度幾何光學(xué)模型的反演算法，生成了我國(guó)的森林LAI產(chǎn)品； Fang等[3]利用馬爾可夫鏈反射模型和遺傳算法，從實(shí)測(cè)反射率數(shù)據(jù)和Landsat ETM+數(shù)據(jù)反演得到LAI； 蔡博峰等[4]以PROSPECT+SAIL模型為基礎(chǔ)，從物理機(jī)理角度反演植被的LAI。物理模型法的優(yōu)點(diǎn)是考慮到了植被冠層、土壤波譜特性及非各向同性的情況[5]，即森林內(nèi)多次輻射散射效應(yīng)，這使得應(yīng)用物理模型法進(jìn)行LAI反演可以具有較高的精度。統(tǒng)計(jì)模型法則是通過(guò)觀測(cè)LAI數(shù)據(jù)與遙感影像計(jì)算出的植被指數(shù)之間建立經(jīng)驗(yàn)關(guān)系，最終利用擬合得到的模型對(duì)研究區(qū)LAI進(jìn)行反演[6]。邢麗瑋等[7]利用幾種常見的高光譜和多光譜植被指數(shù)建立反演沼澤植被LAI的統(tǒng)計(jì)回歸模型，并從中獲取最優(yōu)模型來(lái)對(duì)該區(qū)域LAI進(jìn)行反演； Turner等[8]將不同TM影像植被指數(shù)與多個(gè)樣地成果進(jìn)行對(duì)比，得到了反演LAI與實(shí)測(cè)LAI之間的聯(lián)系，最終建立了三階回歸模型。上述反演方法雖能較好地反演出研究區(qū)植被的LAI，但模型較為復(fù)雜，往往需要經(jīng)過(guò)復(fù)雜的統(tǒng)計(jì)分析和較多的參數(shù)才能進(jìn)行反演，故實(shí)用性較差，給某些需要較為快速、大范圍的LAI反演工作帶來(lái)了困難。

簡(jiǎn)單生物圈模型2(simple biosphere model2，SiB2)是Sellers等[9-10]在SiB模型的基礎(chǔ)上，應(yīng)用能量、動(dòng)量和質(zhì)量守恒原理改進(jìn)得出的[11]。該模型可以很好地模擬全球不同地區(qū)的能量分配、CO2通量、地表溫度和土壤濕度等。在該模型中，Sellers等[10]基于NOAA-AVHRR數(shù)據(jù)，創(chuàng)新性地提出了利用該衛(wèi)星的紅光和近紅外波段數(shù)據(jù)計(jì)算出簡(jiǎn)單植被指數(shù)(simple ratio vegetation index，SR)，并由此來(lái)計(jì)算該模式中所需參數(shù)的方法； 其中2個(gè)參數(shù)為植被的吸收光合有效輻射比例(fraction of absorbed photosynthetically active radiation，F(xiàn)APAR也作FPAR)和LAI。SiB2模型的應(yīng)用為簡(jiǎn)單、快速地反演大范圍植被LAI工作提供了一種新方法[12]?；谏鲜鏊悸罚疚囊晕覈?guó)高空間分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)首發(fā)星高分一號(hào)(GF-1)的寬幅數(shù)據(jù)(wide field of view，WFV)為數(shù)據(jù)源，分別利用SiB2模型和Boegh等[13]基于CASI數(shù)據(jù)經(jīng)驗(yàn)統(tǒng)計(jì)得出的增強(qiáng)植被指數(shù)(enhanced vegetation index，EVI)線性模型對(duì)漠河縣森林植被的LAI進(jìn)行估算，分析這2種模型對(duì)估算該研究區(qū)森林植被LAI的適用性潛力，為GF-1 WFV數(shù)據(jù)反演中國(guó)大興安嶺北部地區(qū)植被LAI提供方法參考。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

以黑龍江省大興安嶺地區(qū)漠河縣作為研究區(qū)，地理范圍為N52°10′～53°33′，E121°07′～124°20′。該區(qū)屬于寒溫帶大陸性季風(fēng)氣候區(qū)，年均氣溫為5.5 ℃，大于10 ℃的積溫為1 436～2 062 ℃，因此植物生育期較短。區(qū)內(nèi)年平均降水量為460.8 mm，且多集中在7月份[14]。該區(qū)主要的林分類型包括： 以興安落葉松為主伴生白樺、樟子松、水杉等樹種的落葉松林； 以白樺和楊樹為主的闊葉林； 以樟子松為主伴生興安落葉松、白樺、山楊等樹種的樟子松林； 更多的是伴有興安落葉松、白樺等樹種的混交林[15]。另外，該地區(qū)還存在以興安杜鵑、越橘為主的灌木植被區(qū)域，主要分布于城鎮(zhèn)、道路周邊。

1.2 數(shù)據(jù)源

本研究應(yīng)用到的數(shù)據(jù)主要包括地面實(shí)測(cè)LAI數(shù)據(jù)和GF-1 WFV多光譜遙感數(shù)據(jù)，以及漠河縣行政區(qū)劃和數(shù)字高程模型(digital elevation model,DEM)等輔助數(shù)據(jù)。

1.2.1 地面實(shí)測(cè)LAI數(shù)據(jù)

地面測(cè)量LAI數(shù)據(jù)時(shí)間為2017年8月21日—24日，利用LAI2200冠層分析儀進(jìn)行森林樣地LAI測(cè)量，使用90°視角蓋。為了排除低矮植被對(duì)森林冠層LAI觀測(cè)的影響，冠層分析儀測(cè)量位置距地表高度為2.0 m。結(jié)合當(dāng)?shù)亓址诸愋停x擇了15個(gè)不同類型且有代表性的森林樣地，包括5個(gè)針葉林樣地(以興安落葉松為主)、3個(gè)闊葉針葉混交林樣地(以興安落葉松、白樺等為主)、5個(gè)闊葉林樣地(以白樺、楊樹為主)和2個(gè)灌木樣地(以興安杜鵑、越橘等為主)。每個(gè)樣地面積大小為30 m×30 m，樣地內(nèi)地勢(shì)相對(duì)平坦且樹木空間分布相對(duì)均勻。全部樣地基本涵蓋了研究區(qū)的主要林分類型。在各樣地內(nèi)均勻選擇30個(gè)觀測(cè)點(diǎn)，利用LAI2200冠層分析儀進(jìn)行LAI測(cè)量(每點(diǎn)測(cè)一個(gè)值)并計(jì)算平均值作為該樣地的LAI值。同時(shí)對(duì)樣地進(jìn)行拍照，使用全球定位系統(tǒng)(global positioning system,GPS)手持機(jī)記錄樣地中心經(jīng)緯度，并調(diào)查了樣地的林分類型、優(yōu)勢(shì)樹種、郁閉度及林下植被狀況，對(duì)樣地內(nèi)的各株樹的樹高、胸徑和冠幅等進(jìn)行了量測(cè)。將獲取的調(diào)查數(shù)據(jù)用于土地覆蓋類型分類結(jié)果和LAI估算結(jié)果的精度評(píng)價(jià)。

1.2.2 GF-1 WFV多光譜數(shù)據(jù)

GF-1衛(wèi)星裝載4臺(tái)多光譜寬幅相機(jī)，運(yùn)行在645 km高度的太陽(yáng)同步軌道，寬幅相機(jī)幅寬大于830 km[16]。GF-1 WFV數(shù)據(jù)具有中高空間分辨率和大寬幅成像等優(yōu)勢(shì)，其基本參數(shù)如表1所示。

從中國(guó)資源衛(wèi)星應(yīng)用中心陸地觀測(cè)衛(wèi)星數(shù)據(jù)服務(wù)平臺(tái)上，選用2017年9月7日的2景影像用于LAI反演(由于2017年8月下旬漠河縣多云天氣較多，云量較大的多光譜數(shù)據(jù)對(duì)估算結(jié)果影響較大)，可完全覆蓋研究區(qū)。

2 研究方法

在對(duì)選取的GF-1 WFV數(shù)據(jù)進(jìn)行預(yù)處理后，分別采用SiB2模型和EVI線性模型，對(duì)研究區(qū)內(nèi)森林植被LAI進(jìn)行估算，并結(jié)合研究區(qū)實(shí)測(cè)LAI，對(duì)2種模型估算結(jié)果進(jìn)行精度評(píng)價(jià)和分析。

2.1 GF-1 WFV數(shù)據(jù)預(yù)處理

對(duì)獲取的2景GF-1 WFV 1A級(jí)影像數(shù)據(jù)進(jìn)行輻射校正、大氣校正、正射校正和圖像配準(zhǔn)等處理。輻射校正采用絕對(duì)輻射定標(biāo)方法； 大氣校正采用FLAASH大氣校正模型，其中所使用的絕對(duì)輻射定標(biāo)參數(shù)和光譜響應(yīng)函數(shù)均來(lái)自2017年中國(guó)資源衛(wèi)星應(yīng)用中心公布數(shù)據(jù)； 正射校正處理中的DEM數(shù)據(jù)采用全球30 m數(shù)據(jù)； 圖像配準(zhǔn)以地面GPS實(shí)測(cè)數(shù)據(jù)為準(zhǔn)。

由于選取的GF-1 WFV影像仍存在少量云及其陰影，會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生一定影響。為了避免干擾，需要將其進(jìn)行識(shí)別剔除。大部分云在GF-1 WFV的4個(gè)波段反射率均大于0.1[17]，將4個(gè)波段反射率均大于0.1的像元?dú)w類為云。遵循拉依達(dá)準(zhǔn)則[18]，將陰影作為異常值進(jìn)行剔除。

2.2 SiB2模型

2.2.1 植被類型分類

根據(jù)研究區(qū)植被類型特點(diǎn)，結(jié)合SiB2模型應(yīng)用需求，將該區(qū)域的植被類型分為針葉林、闊葉林、混交林(主要為針闊混交林)和灌木； 非植被類型(包括建筑物、道路、水體以及云和陰影覆蓋區(qū)域)不進(jìn)行LAI估算。利用預(yù)處理后的GF-1 WFV數(shù)據(jù)，結(jié)合當(dāng)?shù)貙?shí)地考察樣地?cái)?shù)據(jù)建立訓(xùn)練樣本，采用神經(jīng)網(wǎng)絡(luò)法進(jìn)行植被類型分類。根據(jù)野外實(shí)地調(diào)查數(shù)據(jù)和該地多個(gè)時(shí)相高空間分辨率影像，采用目視解譯方法獲取研究區(qū)各個(gè)類別的樣本，形成驗(yàn)證數(shù)據(jù)，并對(duì)分類結(jié)果進(jìn)行驗(yàn)證。將分類得到的植被類型應(yīng)用到SiB2模型中，對(duì)研究區(qū)的LAI進(jìn)行估算。

2.2.2 LAI估算模型

SR為近紅外與可見光波段的半球反射率的簡(jiǎn)單比值[19]，即歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)的簡(jiǎn)單轉(zhuǎn)化[10]。SiB2模型中，SR由AVHRR數(shù)據(jù)反演得到，然后經(jīng)過(guò)一系列推演最終得出LAI。GF-1 WFV數(shù)據(jù)波段與AVHRR數(shù)據(jù)在紅光與近紅外波段相似，因此可以利用GF-1 WFV影像反演SR進(jìn)而得到LAI。GF-1 WFV數(shù)據(jù)對(duì)SiB2模型反演LAI具有一定的適用性。SR計(jì)算公式為

(1)

植被吸收的光合有效輻射占入射太陽(yáng)輻射的比例即為FPAR。FPAR表征了植被冠層能量的吸收能力； 同時(shí)，它也能很好地反應(yīng)植被的生長(zhǎng)狀況和演化過(guò)程，是植被基本生物物理參數(shù)。Sellers[20]的研究表明，F(xiàn)PAR與SR有著近線性關(guān)系[9]，即

(2)

式中：SRi,min為對(duì)應(yīng)第i種植被類型NDVI在5%時(shí)對(duì)應(yīng)的SR值；SRi,max為對(duì)應(yīng)第i種植被類型NDVI在98%時(shí)對(duì)應(yīng)的SR值；FPARmin為最小光合有效輻射比例，取0.001；FPARmax為最大光合有效輻射比例，取0.950。

FPAR與LAI之間也存在著一定的聯(lián)系，Monteith等[21]將這種聯(lián)系表示為

(3)

式中LAIi,max為植被充分生長(zhǎng)時(shí)的最大LAI。但該模型是在局部區(qū)域上產(chǎn)生的，適用于區(qū)域尺度上均勻分布的植被。對(duì)于簇生葉序的植被(如針葉林或部分灌木植被)，由于水平分布不均勻，其LAI與FPAR之間的關(guān)系是不同的。因此Harrison等[22]推算得

(4)

Sellers等[23]將常綠針葉林、落葉針葉林和稀疏灌木林(該類型較為典型，在裸土上生長(zhǎng)的寬葉灌木，僅存在于中亞、北美西岸地區(qū))歸為簇生葉序的植被類型，并引入了簇生植被比例，即單位面積內(nèi)簇生葉序的植被覆蓋比率，用Fcl表示。由此，LAI可表示為

(5)

式(2)和式(5)中SRi,min，SRi,max，LAIi,max，F(xiàn)cl等參數(shù)的取值分別參考Sellers等[10]和Zhou等[19]文獻(xiàn)獲得，各植被類型的4種參數(shù)取值分別如表2所示。

表2 各植被類型的SRi,min，SRi,max，LAIi,max和Fcl取值

Tab.2ValueofSRi,min，SRi,max，LAIi,maxandFclforvariousvegetationtypes

代碼植被類型NDVI98%NDVI5%SRi,maxSRi,minLAIi,maxFcl1針葉林0.6890.0395.430.9613.31.02闊葉林0.7210.0396.170.9617.003混交林0.7210.0396.170.9615.70.54灌木0.6740.0395.130.9614.60

2.3 EVI線性模型

Boegh等[13]基于機(jī)載高光譜傳感器CASI數(shù)據(jù)計(jì)算多種植被指數(shù)，并與樣地實(shí)測(cè)的植被LAI進(jìn)行比較。研究表明，植被指數(shù)與LAI之間存在顯著相關(guān)性，特別是EVI。LAI與EVI的線性關(guān)系計(jì)算公式為[13]

LAI=3.618EVI-0.118，

(6)

(7)

式中：ρNIR為CASI數(shù)據(jù)2個(gè)近紅外波段Band10(0.748 μm)和Band11(0.778 μm)的平均反射率；ρRED為紅光波段Band6(0.671 μm)反射率；ρBLUE為藍(lán)光波段Band1(0.457 μm)反射率。以上波段參數(shù)分別與GF-1 WFV數(shù)據(jù)在近紅外、紅光和藍(lán)光波段基本相似。

3 結(jié)果與分析

3.1 植被類型分類結(jié)果分析

根據(jù)上述分類方法，得到的植被類型分類結(jié)果如圖1所示。將分類結(jié)果與檢驗(yàn)樣本進(jìn)行精度驗(yàn)證如表3所示。統(tǒng)計(jì)各類型面積所占比例，結(jié)果如表4所示。

圖1 研究區(qū)植被類型分類Fig.1 Classification of vegetation types in study area

表3 研究區(qū)植被類型分類精度評(píng)價(jià)結(jié)果Tab.3 Results of vegetation classificationaccuracy evaluation of the study area

表4 研究區(qū)各植被類型比例Tab.4 Vegetation rate of the study area (%)

結(jié)合圖1和表4可以發(fā)現(xiàn)，研究區(qū)植被面積比例較高，大于86%。區(qū)內(nèi)以針葉林和針闊混交林為主，面積比例分別為30.09%和30.12%； 針葉樹作為優(yōu)勢(shì)樹種主要集中在北部、中部及西部地區(qū)。相比之下，闊葉林的面積比例最低，僅為10.93%； 主要分布在東北部地區(qū)。由于針葉林和非植被具有較為明顯的光譜特征，因而分類精度較高，生產(chǎn)者精度分別為91.79%和99.24%，用戶精度分別為87.94%和92.67%； 而由于其他3類光譜特征相似，導(dǎo)致分類精度相對(duì)有所下降，但研究區(qū)總體分類精度為83.49%，Kappa系數(shù)為0.79。這表明以GF-1 WFV影像為數(shù)據(jù)源，對(duì)研究區(qū)植被類型進(jìn)行分類具有較好的可靠性。

3.2 LAI估算結(jié)果

基于2017年9月7日GF-1 WFV影像，分別采用SiB2模型和EVI線性模型，對(duì)研究區(qū)森林植被LAI進(jìn)行估算，結(jié)果如圖2所示。將LAI值分段統(tǒng)計(jì)，每段取值范圍內(nèi)的LAI占地面積與總植被面積的比值，用P表示，統(tǒng)計(jì)結(jié)果見表5。

(a) SiB2模型 (b) EVI線性模型

圖2 LAI估算結(jié)果對(duì)比Fig.2 Comparison of LAI inversion results表5 2種模型估算結(jié)果統(tǒng)計(jì)Tab.5 Statistics of the inversion results of two models (%)

由圖2和表5可以看出，利用EVI線性模型估算的森林LAI值主要分布在[1.0，2.0)區(qū)間，且數(shù)值較為集中，在[1.0，1.5)區(qū)間的LAI占植被總面積的79.44%； 僅在研究區(qū)中部、北部和東部部分區(qū)域的LAI值大于1.5。相較于EVI線性模型，利用SiB2模型估算森林LAI的結(jié)果數(shù)值較高，主要在[1.5，3.5)區(qū)間內(nèi)，估算結(jié)果極差較大，區(qū)分度明顯； LAI值相對(duì)較高的區(qū)域與圖2(b)分布相似； 與圖2(b)相比，LAI低值區(qū)域分布較為明顯，主要分布在道路、城鎮(zhèn)和河流周圍等明顯受人類活動(dòng)影響的區(qū)域。

3.3 LAI估算模型驗(yàn)證

利用15組實(shí)測(cè)LAI數(shù)據(jù)對(duì)估算值精度進(jìn)行評(píng)價(jià)。由于樣地為30 m×30 m的正方形，為保證衛(wèi)星影像估算值能夠更加準(zhǔn)確反映樣地LAI情況，采用覆蓋樣方的4個(gè)像元的LAI估算平均值與樣地實(shí)測(cè)值進(jìn)行對(duì)比。圖3為2種模型LAI估算值與樣地實(shí)測(cè)值的散點(diǎn)圖。

圖3 LAI估算結(jié)果驗(yàn)證Fig.3 Verification of LAI inversion results

圖3中的結(jié)果表明，EVI線性模型估算值決定系數(shù)R2和均方根誤差(root mean square error,RMSE)分別為0.582和0.701，SiB2模型的R2和RMSE分別為0.798和0.358。EVI線性模型估算值普遍低于實(shí)測(cè)LAI值，且數(shù)值范圍較集中，極差僅為0.59； 而SiB2模型算法中，與EVI線性模型估算值相比估算值極差明顯增大，為2.18，且R2更高，RMSE更低。這表明與EVI線性模型相比，SiB2模型與地面實(shí)測(cè)數(shù)據(jù)之間存在更加吻合的線性關(guān)系，在估算研究區(qū)森林植被LAI中具有更高的適用性和可靠性。

4 結(jié)論

以黑龍江省漠河縣為研究區(qū)，利用GF-1 WFV數(shù)據(jù)，分別采用SiB2模型和EVI線性模型，對(duì)該區(qū)域的森林植被LAI進(jìn)行估算并利用地面實(shí)測(cè)數(shù)據(jù)對(duì)2種模型估算結(jié)果進(jìn)行精度評(píng)價(jià)。主要結(jié)論如下：

1)利用EVI和LAI之間的線性模型對(duì)研究區(qū)森林的LAI進(jìn)行估算，但得到估算結(jié)果與實(shí)測(cè)LAI數(shù)據(jù)相比較低，且LAI數(shù)值極差較??； 驗(yàn)證EVI線性模型的R2和RMSE分別為0.582和0.701，說(shuō)明EVI線性模型對(duì)于該研究區(qū)適用性較差。

2)與EVI線性模型相比，SiB2模型考慮到了不同類別植被的結(jié)構(gòu)和光譜差異性，建立了不同類型的計(jì)算方法。結(jié)合植被類型分布，對(duì)研究區(qū)植被LAI進(jìn)行估算，有利于增強(qiáng)估算結(jié)果的精度。其估算的LAI值與實(shí)測(cè)擬合程度較好，R2和RMSE分別為0.798和0.358，說(shuō)明SiB2模型具有較好的適用性。考慮簡(jiǎn)單實(shí)用性原則，在精度允許的范圍內(nèi)，可以應(yīng)用該模型對(duì)大范圍區(qū)域進(jìn)行LAI反演。

3)基于GF-1 WFV數(shù)據(jù)的森林植被LAI反演具有很好的可行性，能得到較高的反演精度，在定量反演LAI等地表植被參數(shù)方面具有一定的應(yīng)用價(jià)值和潛力。

本研究表明，GF-1 WFV數(shù)據(jù)通過(guò)SiB2模型估算LAI具有一定的適應(yīng)性。這為快速、準(zhǔn)確地反演大范圍內(nèi)的LAI提供了較為有效的方法。但仍存在如遙感影像獲取時(shí)間與實(shí)測(cè)數(shù)據(jù)時(shí)間間隔較大、驗(yàn)證樣本數(shù)據(jù)林地類型較為單一、僅利用單時(shí)相影像進(jìn)行LAI反演等問(wèn)題，下一步將結(jié)合GF-1影像和SiB2模型各自的優(yōu)勢(shì)，對(duì)森林植被LAI進(jìn)行時(shí)間序列上的變化分析研究，以進(jìn)一步探究森林植被LAI季節(jié)及年際變化規(guī)律，為森林科學(xué)經(jīng)營(yíng)決策提供更加有效的數(shù)據(jù)支撐。