三峡库区森林叶面积指数多模型遥感估算

图1 研究区位置及野外样点分布示意图

Fig.1 Location of study area and distribution of the field samples

研究区属于典型的亚热带季风气候区,冬季温暖,夏季干热,秋季湿度较大,多云雾。年平均气温为1519 ℃,平均年降水量为1 1401 450 mm。库区河谷地与平坦地区占4.3%,丘陵占21.7%,山地占74%。由于地处我国亚热带常绿阔叶林区,主要的植被类型包括常绿针叶林、落叶针叶林、常绿阔叶林、混交林、灌木林和农作物,在林内通常有一至数个优势种,常分为2个乔木层。区内人烟稠密,农业与林业活动历史悠久。现有的森林中人工林、次生林较多,由于自然演替与人为干扰的原因,使演替的系列、阶段与速度的变化较大,加之树种较多,因而较之我国东北针阔叶混交林与华北暖温带落叶阔叶林区域情况更为复杂。

1.2 数据源及其预处理

1.2.1 野外数据

所用野外数据是在“三峡工程生态与环境遥感动态与实时监测”项目支持下,参照《中国生态系统研究网络观测与分析标准方法——陆地生物群落调查观测与分析》以及《测树学》^[27]的调查方法,在2003—2007年间对土地利用及LAI进行多次广泛调查(图1),主要包括龙门河自然保护区(2003年4—6月)和三峡库区(2006年8—9月; 2007年9—10月)。

选取林相比较完整且有代表性的森林设置样地^[28],样地的分配兼顾不同的森林类型和地形条件,在龙门河自然保护区分别布设样地40块,样地大小为100 m×100 m,每样地内按系统抽样法设立5个20 m×20 m样方,对样地内胸径大于5 cm的乔木进行每木检尺,内容包括树木名称、胸径、树高、冠幅、枝下高、覆盖度和LAI,同时记录了当地的环境条件; 在三峡库区调查样地共28个,在距林分中心60100 m的范围内设置45个样地(成熟林为100 m,其他为60 m),样地大小为20 m×20 m,每样地再分成4个样方进行乔木层调查。

1.2.2 LAI野外测量

测量仪器为Li-Cor公司的LAI-2000 Plant Canopy Analyzer。实际测量中,选取有代表性的样地,样地内的测量采用随机抽样布点法。与光学遥感影像的空间分辨率(30 m×30 m)对应。布设考虑了仪器的最大覆盖范围,避免测量范围的重叠。

LAI-2000要求测量尽量选择在阴天,以避免晴天条件下的直射光影响。实际操作中,当天空和植物冠层的条件不理想的情况下需要调整测量的方式,如通常需要测量多个数据进行均值处理得到LAI的值; 同时,太阳和操作员不能在传感器的视角里; 对于树叶很浓而又有大的空隙时需要传感器使用窄的视角,可以把树叶和空隙结合起来考虑。

1.2.3 遥感数据与预处理

光学遥感数据主要为2002年覆盖三峡库区的7景Landsat TM影像数据,成像日期分别是2002年8月29日、2002年8月30日、2002年9月1日和2002年10月2日。由于光学遥感传感器受到太阳高度、地形和大气等因素的影响,要得到地物真实反射率必须先经过数据预处理,主要包括: 辐射校正、大气校正、几何纠正和地形光谱校正。

本文采用ERDAS9.0软件中的ATCOR2模块进行TM影像的大气校正; 并采用控制点校正方式,以三峡地区1∶50 000比例尺的地形图作为参考,对TM数据进行了几何纠正。本文采用最近邻法进行重采样,以保证光谱信息不变,重采样后的文件为高斯—克吕格投影。坐标转换时的精度均控制在0.8个像元以内。

考虑到三峡地区地形起伏较大,对反射率有很大影响,特别是在陡峭地区还会形成太阳光在坡面上的多次反射,因此,对TM数据采用Minnaert校正法^[29]进行地形光谱校正。

1.2.4 辅助数据

辅助数据主要为土地利用图,是利用30 m空间分辨率Landsat TM影像制作的2002年三峡地区1∶50 000土地利用图^[30],经过2003年8月进行野外验证,2002年分类结果总体精度为84.31%,Kappa系数为0.75^[31]。本文从中提取出针叶林、阔叶林和混交林等地物类型。

2 植被指数法LAI估算方法

本文首先利用TM数据计算7种常用植被指数和5个自定义植被指数,并结合野外观测的LAI,通过多元逐步回归与主成分分析(principal component analysis,PCA)等多个回归模型筛选不同森林类型的LAI估算模型,最终建立了不同森林类型的LAI估算模型,实现区域尺度森林LAI多模型估算。

2.1 植被指数计算

植被指数是指由多光谱遥感数据经线性和非线性组合而构成的数值^[32,33],是反映地表植被生长、覆盖、生物量和种植特征的间接指标。本文计算的植被指数包括7个常用指数与5个自定义指数。常用指数包括: NDVI^[34]、垂直植被指数^[35](perpendicular vegetation index,PVI)、土壤调节植被指数^[36](soil-adjusted vegetation index,SAVI)、修正的土壤调节植被指数^[37](modified soil-adjusted vegetation index,MSAVI)、EVI^[38]、大气阻抗植被指数^[39](atmospherically resistant vegetation index,ARVI)和土壤调节大气耐抗植被指数^[39](soil adjusted and atmospherically resistant vegetation index,SARVI)。

植被指数与所用的波段组合方式有很大关系,为了充分利用其他波段,以突出植被信息为原则,在反复试验的基础上,本文自定义了5个指数,计算公式分别为

(1)

VI 1 = \frac{ρ_{b 2} - ρ_{b 5} - ρ_{b 1}}{ρ_{b 2} + ρ_{b 5} + ρ_{b 1}}

(2)

VI 2 = \frac{ρ_{b 2} - ρ_{b 3} - ρ_{b 7}}{ρ_{b 2} + ρ_{b 3} + ρ_{b 7}}

(3)

VI 3 = \frac{ρ_{b 2} \times ρ_{b 4}}{ρ_{b 7}}

(4)

VI 4 = \frac{ρ_{b 2} - ρ_{b 7} - ρ_{b 1}}{ρ_{b 2} + ρ_{b 7} + ρ_{b 1}}

(5)

VI 5 = \frac{ρ_{b 7}}{ρ_{b 2} + 1}

式中 ${ρ_{b}}_{i}$ 为Landsat TM数据第i波段的反射率。

2.2 PCA

在实际问题中,多变量问题中不同变量之间存在一定相关性,由于变量较多,势必增加问题的复杂性。PCA将原变量重新组合成新的互相独立的几个综合指标,同时可根据需要从中选取较少指标尽可能地反映原变量的信息。PCA也是一种降维处理,抓住了问题的主要矛盾,并提取了新的信息,有利于实际问题分析处理。PCA可以单独处理一些问题外,也可以与回归分析结合起来,即主成分回归。

设原始矩阵 $X$ 的p个向量作线性组合,综合指标向量简写为

(6)

$F_{i} = a_{1 i} X_{1} + a_{2 i} X_{2} + \dots + a_{pi} X_{p}$ , ${a_{1 i}}^{2} + {a_{2 i}}^{2} + \dots + {a_{pi}}^{2} = 1$ 。

根据协方差矩阵求出特征值λ_i、主成分分量贡献率和累计方差贡献率,确定主成分分量个数,并将特征值λ_i按大小顺序排列。特征值是各主成分分量的方差,反映了各个主成分分量的影响力。根据选取主成分分量个数的原则,选取累计贡献率达80%95%的特征值λ₁,λ₂,…,λ_m,其中整数m即为主成分分量的个数。主成分分量贡献率β和累积贡献率B的计算方式分别为

(7)

β_{i} = λ_{i} / \overset{m}{\sum_{i = 1}} λ_{i} \times 100 %

(8)

$B = \overset{}{\sum_{}} (λ_{i} / \overset{m}{\sum_{i = 1}} λ_{i} \times 100 %)$ 。

然后,建立初始变量载荷矩阵,解释主成分分量。主成分分量载荷 $P (y_{i}, x_{j})$ 实际上也是主成分分量 $y_{i}$ 与各变量 $x_{j}$ 之间的相关系数R,即

(9)

P (y_{i}, x_{j}) = \sqrt[]{λ_{i}} \times {L_{i}}_{j}, i, j = 1,2, \dots, p

式中 $L_{ij}$ 为单位特征向量。

最后,建立主成分回归模型进行计算分析。

3 结果与验证

3.1 植被指数与实测LAI相关性分析

本文计算了植被指数与LAI的R值(表1)。由表1可见,VI1,NDVI,SAVI,ARVI,MSAVI及SARVI等植被指数与LAI的相关性相对较高。但不同的森林类型,其相关性稍有不同。由此依据,可进一步建立植被指数与LAI的回归关系模型。

表1 各种植被指数与LAI的R值

Tab.1 Correlation between LAI and vegetation indexes of varied forest species

植被指数	LAI
植被指数	针叶林	阔叶林	混交林	总体
VI1	0.701 94	0.396 88	0.392 77	0.668 68
NDVI	0.661 74	0.376 37	0.651 81	0.702 49
SAVI	0.602 46	0.339 23	0.295 06	0.621 81
ARVI	0.569 70	0.306 31	0.283 61	0.593 52
MSAVI	0.563 19	0.342 85	0.305 82	0.605 73
SARVI	0.544 32	0.295 41	0.282 86	0.577 90
VI2	0.418 47	0.315 30	0.355 01	0.467 11
VI5	0.402 91	-0.010 50	0.322 68	0.345 46
VI4	0.377 51	0.292 58	0.328 18	0.455 33
VI3	0.352 68	0.341 50	0.176 05	0.286 66
PVI	0.347 80	0.123 51	0.072 66	0.403 55
EVI	0.346 52	0.135 54	0.039 42	0.389 16

注: 显著水平P≤0.05。

3.2 基于植被指数的LAI估算回归模型筛选

3.2.1 一元回归分析

根据表1初步筛选植被指数,针叶林选用VI1,NDVI,SAVI,ARVI,MSAVI和SARVI共6个植被指数; 阔叶林则选用VI1,NDVI,MSAVI和SAVI共4个植被指数,虽然VI3的R值也达到了0.34,但在实际回归计算中效果不太理想,故未做一元回归分析; 混交林选用NDVI,VI1和VI2共3个植被指数。同时,进一步建立了一元线性回归分析模型,并统计了R、判定系数(R²)等变量(表2)。

表2 各种植被指数与LAI的一元线性回归分析

Tab.2 Univariate linear regression models between LAI and vegetation indexes of varied forest species

类型	植被指数	回归模型	R	R²	标准误差	F检验	显著性系数
针叶林	VI1	Y=-2.57-8.781X	0.702	0.493	1.387	35.938	0.000
	NDVI	Y=-9.116+0.058X	0.662	0.438	1.398	28.825	0.000
	SAVI	Y=-1.937+4.952X	0.602	0.363	1.554	4.591	0.000
	ARVI	Y=-0.407+5.952X	0.570	0.325	1.601	17.779	0.000
	MSAVI	Y=-4.264+9.213X	0.563	0.317	1.609	17.188	0.000
	SARVI	Y=-0.426+3.36X	0.544	0.296	1.634	15.578	0.000
阔叶林	VI1	Y=0.28-9.09X	0.397	0.157	2.359	5.795	0.022
	NDVI	Y=1.374+7.515X	0.367	0.135	2.390	4.834	0.035
	MSAVI	Y=-4.659+13.441X	0.343	0.118	2.414	4.129	0.051
	SAVI	Y=0.335+5.762X	0.339	0.115	2.418	4.031	0.053
混交林	NDVI	Y=-16.096+0.101X	0.652	0.425	2.236	10.342	0.006
	VI1	Y=-1.312-10.854X	0.393	0.154	2.711	2.554	0.132
	VI2	Y=0.746-9.633X	0.355	0.126	2.756	2.019	0.177

注: 显著水平P≤0.05。

在一元线性回归分析后,尝试一元非线性回归拟合。选用LAI与NDVI的多个拟合方程进行比较,确定最能充分描述数据的模型。主要有: 线性模型、二次多项式、复合模型、生长模型、对数模型、三次多项式、S曲线、指数模型、双曲线模型和幂指数模型。针叶林的拟合结果如图2和表3所示,图2中NDVI值域拉伸至[0,255]。通过拟合模型的R²对各种模型的优劣进行比较,由表3可以发现,NDVI与LAI的二次多项式模型拟合的R²为0.518,远大于其他模型结果,似乎应采用二次多项式对不同森林类型的LAI进行非线性拟合。但从图2可以发现,在NDVI值的低位(179),LAI的值竟然达到了2以上,这与现实不相符。

图2

图2 针叶林LAI-NDVI不同模型拟合图

Fig.2 Modeling of relationship between LAI and NDVI for needle forest

表3 植被指数与LAI的非线性回归模型R²(针叶林)

Tab.3 R² of nonlinear regression models between LAI and vegetation indexes (needle forest)

模型	线性	二次多项式	复合模型	生长模型	对数模型	三次多项式	S曲线	指数模型	双曲线模型	幂指数模型
NDVI	0.438	0.518	0.345	0.345	0.420	0.517	0.317	0.345	0.401	0.332
VI1	0.493	0.596	0.410	0.410	0.446	0.589	0.323	0.410	0.395	0.369

而线性模型拟合与双曲线模型比较,具有较高的R²,但双曲线模型更能表达LAI随NDVI的变化趋势,这与以往的研究结果一致^[40]。所以对于针叶林,采用双曲线模型进行分析(表4),分析可见,其R²最大为0.634,不太令人满意,故尝试利用多元逐步回归分析。

表4 植被指数与LAI的双曲线分析模型

Tab.4 Inverse models between LAI and vegetation indexes of varied forest species

类型	植被指数	回归模型	R	R²	标准误差	F检验	显著性系数
针叶林	VI1	Y=8.159-3.091/X	0.628	0.395	1.515	24.111	0.000
	NDVI	Y=14.678-2 408.372/X	0.634	0.401	1.507	24.820	0.000
	SAVI	Y=6.364-3.131/X	0.482	0.233	1.706	11.209	0.000
	ARVI	Y=4.502-0.729/X	0.361	0.130	1.816	5.552	0.000
	MSAVI	Y=8.432-4.165/X	0.482	0.232	1.706	11.203	0.000
	SARVI	Y=3.405-0.183/X	0.215	0.406	1.902	1.790	0.000
阔叶林	VI1	Y=14.647+5.554/X	0.453	0.206	2.290	8.026	0.008
	NDVI	Y=27.504-4 665.65/X	0.371	0.139	2.385	4.996	0.033
	MSAVI	Y=18.348-9.751/X	0.345	0.119	2.412	4.192	0.049
	SAVI	Y=13.535-7.365/X	0.345	0.119	2.412	4.195	0.049
混交林	NDVI	Y=26.721-4 455.288/X	0.633	0.401	0.633	9.374	0.008
	VI1	Y=15.172+6.145/X	0.394	0.155	2.709	2.576	0.131
	VI2	Y=13.317+4.006/X	0.337	0.113	2.776	1.790	0.202

注: 显著水平P≤0.01。

3.2.2 多元逐步回归分析

由以上结果可知,一元回归分析模型在对LAI预测中的结果不尽如意,所以,考虑对其进行多元逐步回归分析。分析发现,多元逐步回归分析模型比一元回归分析模型具有更好的R值和预测能力(表5)。经多元逐步回归分析,针叶林LAI对植被指数VI1,VI2与VI4较为敏感,R达到0.803,R²判定为0.644,经t检验,VI1与VI4的检验值均达0.000,按0.05水平均有显著性意义。其他类型比针叶林结果较差,原因可能是各指标之间存在波段相关性,故尝试采用PCA法进行建模。

表5 各种植被指数与LAI的多元逐步回归分析

Tab.5 Multivariate linear regression models between LAI and vegetation indexes of varied forest species

类型	多元线性回归模型	R	R²	标准误差	F检验	显著性系数
针叶林	Y=-5.226-13.729VI1-3.693VI2+6.05VI4	0.803	0.644	1.193 9	35.93	0.000
阔叶林	Y=-4.884-12.882VI1+0.000 4EVI	0.523	0.273	2.227 0	5.642	0.008
混交林	Y=-16.092+0.101NDVI	0.652	0.425	2.235 8	10.342	0.006

注: 显著水平P≤0.05。

3.3 PCA模型

利用PCA方法,对针叶林、阔叶林和混交林分别进行了第1到第4主成分分量的提取(表6),分析了各主成分分量贡献率(表7),从而建立了基于各植被指数的LAI估算的主成分回归模型(表8)。表中分量为不同森林类型进行PCA而导出的主成分分量C_i(i=1,2,3,4)。

表6 不同森林类型的PCA结果

Tab.6 PCA of different forest types

类型	C₁	C₂	C₃	C₄
针叶林	VI1	VI3	PVI	EVI
阔叶林	VI1	EVI	PVI	NDVI
混交林	VI1	EVI	PVI	NDVI

表7 PCA各分量贡献率

Tab.7 Contribution rate of each PCA component

植被类型	主成分分量	特征值	方差贡献/%	累积贡献/%
针叶林	C₁	7.319 45	61.00	61.00
	C₂	2.588 47	21.57	82.57
	C₃	0.745 39	6.21	88.78
	C₄	0.538 48	4.49	93.26
阔叶林	C₁	7.402 98	61.69	61.69
	C₂	2.479 73	20.66	82.36
	C₃	0.907 83	7.57	89.92
	C₄	0.672 17	5.60	95.52
混交林	C₁	6.524 52	54.37	54.37
	C₂	3.970 18	33.08	87.46
	C₃	0.752 40	6.27	93.73
	C₄	0.576 63	4.81	98.53

表8 各种植被指数与LAI的主成分回归模型

Tab.8 PCA regression models between LAI and vegetation indexes of varied forest species

类型	主成分回归模型	R	R²	标准误差	F检验	显著性系数	数量
针叶林	Y=-2.760-11.095C₁+0.016C₂-0.063C₃+0.001C₄	0.766	0.587	1.306 11	12.064	0.000	39
阔叶林	Y=-14.964-10.586C₁+0.001C₂-0.027C₃+0.056C₄	0.571	0.326	2.220 30	3.383	0.022	33
混交林	Y=-15.991-6.114C₁+0.001C₂-0.056C₃+0.092C₄	0.670	0.449	2.469 35	2.239	0.131	16

注: 显著水平P≤0.05; C_i(i=1,2,3,4)由主成分分量载荷确定。

由表8可见,与多元逐步回归分析相比,针叶林的主成分回归模型R反而有所下降,但是阔叶林和混交林的R值有所上升。根据以上分析,发现对于不同的森林类型,可采用不同的模型进行估算。根据R²的大小,在研究区不同森林类型LAI预测中,针叶林采用多元回归模型,阔叶林与混交林都采用主成分回归模型。

3.4 结果及验证

将多模型应用到TM影像中,计算得到了研究区LAI结果(图3)。可以看出,研究区大部分LAI值范围在19之间,整体上呈“中北低、东南高”的分布格局; 东部林地LAI值相对较高,大部分区域的LAI值高于4,主要原因在于该区分布龙门河自然保护区,林分结构以针叶林和阔叶林为主; 南部林地LAI值也相对较高,该地区地形复杂,森林覆盖率非常好; 中北部地区林地LAI值相对较低,原因在于该区植被稀疏,过度开发使得林下水土流失严重。可见,基于多模型估算的LAI值较好地还原了三峡库区LAI值的空间分布状态。

图3

图3 三峡库区LAI结果

Fig.3 Result of LAI in Three Gorges Reservoir area

对不同的森林类型,其预测精度可用总均方根误差(root mean square error, RMSE)来评价(图4)。LAI的精度通过与样本中预留的观测样地(分针叶林、阔叶林和混交林)进行检验,其RMSE分别为0.829 4,1.111 5和1.790 9。实测值与预测值比较如图4所示,R²也达到了0.77以上,结果比较满意。

图4

图4 不同类型的森林LAI观测值与预测对比

Fig.4 Comparison predicted LAI with measuremed LAI for different forest types

4 结论

区域尺度LAI遥感反演结果是森林生态系统和全球碳循环研究的基础参数,本文通过多个模型估算得到三峡库区区域尺度森林LAI分布结果,主要结论有:

1)利用Landsat TM计算的7种常用植被指数和5个自定义植被指数,通过模型筛选建立了不同森林类型的LAI估算模型。其中,针叶林采用多元逐步回归模型,阔叶林与混交林采用PCA模型,最终通过多个模型估算得到三峡库区区域尺度的森林LAI。

2)通过与样地实测LAI数据比较进行精度验证,针叶林、阔叶林和混交林LAI的RMSE分别为0.829 4,1.111 5和1.790 9,R²均达到了0.77以上。

3)研究发现,森林LAI容易出现饱和现象,且利用遥感数据进行建模时,对不同季节的数据,模型也有所不同,因此进行模型筛选是非常必要的,这正是植被指数法LAI遥感估算的一大难点和重要工作。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Chen J

, Black T

Foliage area and architecture of clumped plant canopies from sunfleck size distributions

[J]. Agricultural and Forest Meteorology, 1992,60(3-4):249-266.

DOI:10.1016/0168-1923(92)90040-B URL [本文引用: 1]

[2]

Gower S

, Kucharik C

, Norman J

Direct and indirect estimation of leaf area index,FAPAR,and net primary production of terrestrial ecosystems

[J]. Remote Sensing of Environment, 1999,70(1):29-51.

DOI:10.1016/S0034-4257(99)00056-5 URL [本文引用: 1]

[3]

Chen

, Cihlar

Retrieving leaf area index of Boreal Conifer Forest using Landsat TM images

[J]. Remote Sensing of Environment, 1996,55:153-162.

DOI:10.1016/0034-4257(95)00195-6 URL [本文引用: 2]

[4]

Geol N

, Rozehnal

A High-level Language for L-systems and Its Application

[M]. New York:Springer-Verlag, 1992: 231-251.

[5]

Chen X

, Vierling

, Rowell

Using LiDAR and effective LAI data to evaluate IKONOS and Landsat7 ETM+ vegetation cover estimates in a ponderosa pine forest

[J]. Remote Sensing of Environment, 2004,91(1):14-26.

DOI:10.1016/j.rse.2003.11.003 URL [本文引用: 1]

[6]

朱高龙, 居为民, 范文义 , 等.

帽儿山地区森林冠层叶面积指数的地面观测与遥感反演

[J]. 应用生态学报, 2010,21(8):2127-2124.

Zhu G

, Ju W

, Fan W

, et al.

Forest canopy leaf area index in Maoershan Mountain:Ground measurement and remote sensing retrieval

[J]. Chinese Journal of Applied Ecology, 2010,21(8):2127-2124.

DOI:doi:10.11873/j.issn.1004\|0323.2014.1.0018 Magsci [本文引用: 1]

[7]

刘婧怡, 汤旭光, 常守志 , 等.

森林叶面积指数遥感反演模型构建及区域估算

[J]. 遥感技术与应用, 2014,29(1):18-25.

基于eCognition面向对象分类算法及校正后的TM遥感影像,获取研究区2010年土地利用/覆被数据。同时在ArcGIS平台下,提取遥感影像6个波段反射率及RVI、NDVI、SLAVI、EVI、VII、MSR、NDVIc、BI、GVI和WI等10个植被指数,并辅助于DEM、ASPECT、SLOPE等地形信息,在与植物冠层分析仪(TRAC)实测各森林类型叶面积指数相关性分析的基础上,研究表明:相对多元线性回归方法,偏最小二乘法能够更好地把握各森林类型LAI动态变化,而后结合研究区森林覆被信息进行区域估算。

Liu J

, Tang X

, Chang S

, et al.

Application of remote sensing to inverse the forest leaf area index and regional estimation

[J]. Remote Sensing Technology and Application, 2014,29(1):18-25.

[8]

韩婷婷, 习晓环, 王成 , 等.

基于TM数据的西双版纳地区森林叶面积指数反演

[J]. 遥感信息, 2014,29(2):28-32.

Han T

, Xi X

, Wang

, et al.

Forest leaf area index inversion based on TM data in Xishuangbanna Area

[J]. Remote Sensing Information, 2014,29(2):28-32.

[9]

刘振波, 刘杰 .

森林冠层叶面积指数遥感反演——以小兴安岭五营林区为例

[J]. 生态学杂志, 2015,34(7):1930-1936.

以中国东北小兴安岭五营林区为研究区，基于MODIS BRDF遥感模型参数产品数据，首先利用4-Scale模型建立查找表计算像元尺度上各组分比例，估算研究区森林乔木冠层反射率，然后利用冠层反射率数据，获取研究区3种常用森林冠层植被指数，最后基于植被指数与实测叶面积指数构建研究区冠层叶面积指数反演模型，并选取最优模型实现研究区森林冠层叶面积指数反演。结果表明：研究区冠层LAI遥感反演模型中，基于比值植被指数SR（simple ratio, SR）构建的二次多项式反演模型精度最高，且反演精度比未考虑背景反射影响的SR反演模型精度有较大幅度提高，模型决定系数由0.38提高至0.54；反演获取的研究区冠层LAI在2.38～12.67，平均值6.52，LAI值在阔叶林区域相对较高。

Liu Z

, Liu

Retrieving forest canopy LAI from remote sensing data:A case study over Wuying forest in the Lesser Khingan

[J]. Chinese Journal of Ecology, 2015,34(7):1930-1936.

[10]

姚雄, 余坤勇, 杨玉洁 , 等.

基于随机森林模型的林地叶面积指数遥感估算

[J]. 农业机械学报, 2017,48(5):159-166.

[本文引用: 2]

Yao

, Yu K

, Yang Y

, et al.

Estimation of forest leaf area index based on random forest model and remote sensing data

[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017,48(5):159-166.

[本文引用: 2]

[11]

张瀛, 孟庆岩, 武佳丽 , 等.

基于环境星CCD数据的环境植被指数及叶面积指数反演研究

[J]. 光谱学与光谱分析, 2011,31(10):2789-2793.

URL [本文引用: 1]

利用PROSAIL前向模型模拟的植被冠层光谱, 在植被指数构造时, 引入修正大气、土壤背景影响的蓝、绿波段, 构建了避免过早饱和的环境植被指数(environmental vegetation index, EVI)。基于多个典型冬小麦生育期的地面观测数据, 建立基于EVI-LAI长时间序列反演模型, 并对模型进行不同品种间的交叉检验。研究表明, EVI建立的叶面积指数(leaf area index, LAI)反演模型精度优于同类植被指数模型, 并具有较好的普适性, 能应用于冬小麦遥感多时相长势监测及LAI反演。

Zhang

, Meng Q

, Wu J

, et al.

Study of environmental vegetation index based on environment satellite CCD data and LAI inversion

[J]. Spectroscopy and Spectral Analysis, 2011,31(10):2789-2793.

[12]

Colombo

, Bellingeri

, Fasolini

, et al.

Retrieval of leaf index in different vegetation types using high resolution satellite data

[J]. Remote Sensing Environment, 2003,86:120-131.

DOI:10.1016/S0034-4257(03)00094-4 URL [本文引用: 1]

[13]

Fensholt

Earth observation of vegetation status in the Sahelian and Sudanian Weat Africa:Comparison of Terra MODIS and NOAA AVHRR satellite data

[J]. International Journal of Remote Sensing, 2004,25(9):1641-1659.

DOI:10.1080/01431160310001598999 URL [本文引用: 1]

[14]

Pu R

, Gong

Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping

[J]. Remote Sensing of Environment, 2004,91:212-224.

DOI:10.1016/j.rse.2004.03.006 URL [本文引用: 1]

[15]

Vaesen

, Gilliams

, Nackaerets

, et al.

Ground-measured spectral signatures as indicators of ground cover and leaf area index:The case of paddy rice

[J]. Field Crops Research, 2001,69(1):13-25.

DOI:10.1016/S0378-4290(00)00129-5 URL [本文引用: 1]

[16]

Franklin S

, Lavigne M

, Deuling M

, et al.

Estimation of forest leaf area index using remote sensing and GIS data for modeling net primary production

[J]. International Journal of Remote Sensing, 1997,18(16):3459-3471.

DOI:10.1080/014311697216973 URL [本文引用: 1]

[17]

Kuusk

Monitoring of vegetation parameters on large areas by the inversion of a canopy reflectance model

[J]. International Journal of Remote Sensing, 1998,19(15):2893-2905.

DOI:10.1080/014311698214334 URL [本文引用: 1]

[18]

陈丽, 张晓丽, 焦志敏 .

基于混合像元分解模型的森林叶面积指数反演

[J]. 农业工程学报, 2013,29(13):124-129.

在叶面积指数（LAI）遥感估算中，常用的基于统计的遥感反演方法难以处理"同物异谱，同谱异物"的难题，该文从研究地物组分物理结构着手，采用像元分解的方法建立LAI的遥感反演模型，不仅能很好的解决这个难题，而且反演方法简便可行、具有普适性。该研究先对TM数据做最小噪声分离（MNF）并基于影像本身选择端元，经混合像元分解得到研究区植被覆盖度，再根据植被覆盖度与LAI的关系，用多次散射过程冠层模型求解迭代的方法逐步逼近准确的LAI值。最终选择植被、土壤、水体和水泥建筑4个端元，采用非限制性线性混合像元分解模型来分解影像，4个端元分解影像的平均误差为0.0028，端元质量好，分解效果较好。结果证明：混合像元分解模型和多次散射过程冠层模型相结合来反演森林叶面积指数的方法，能很好的预测森林LAI；研究区样点实测值与预测值的拟合度R2为0.8219，均方根误差RMSE为0.368，两者存在很强的相关性。该研究可为森林资源遥感定量估算提供技术支撑，为森林资源空间配置的优化调整与辅助解决方案的提出提供参考。

Chen

, Zhang X

, Jiao Z

Reversion of leaf area index in forest based on linear mixture model

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013,29(13):124-129.

[19]

Suits G

The calculation of the directional reflectance of vevetative canopy

[J]. Remote Sensing of Environment, 1972,2:117-125.

[20]

Kuusk

The hot spot effect of a uniform vegetative cover

[J]. Soviet Journal of Remote Sensing, 1985,3:645-658.

[21]

Li X

, Strahler

A H

Geometric-optical modeling of conifer forest canopy

[J].IEEE Transactions on Geoscience and Remote Sensing, 1985, GE-23(5):705-721.

DOI:10.1109/TGRS.1985.289389 URL [本文引用: 1]

[22]

Li X

, Strahler A

Geometric-optical bidirectional reflectance modeling of a coniferous forest canopy

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1986,24(6):906-919.

[23]

Jupp D L

, Walker

, Penridge L

Interpretation of vegetation structure in Landsat MSS imagery:A case study in disturbed semi-aric eucalypt woodland.Part2. Model-based analysis

[J]. Journal of Environmental Management, 1986,23:35-57.

[24]

Li X

, Strahler A

Geometric-optical bidirectional reflectance modeling of the discrete-crown vegetation canopy:Effect of crown shape and mutual shadowing

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992,30(2):276-292.

DOI:10.1109/36.134078 URL [本文引用: 1]

[25]

Li X

, Strahler A

Modeling the gap probability of a discontinuous vegetation canopy

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1988,26(2):161-170.

DOI:10.1109/36.3017 URL [本文引用: 1]

[26]

Li X

, Strahler A

, Woodcock C

A hybrid geometric optical-radiative transfer approach for modeling albedo and directional reflectance of discontinuous canopies

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995,33(2):466-480.

DOI:10.1109/36.377947 URL [本文引用: 1]

[27]

吴富祯

. 测树学[M]. 北京: 中国林业出版社, 1992.

Wu F

Tree Measuring[M]. Beijing: China Forestry Publishing House, 1992.

[28]

冯宗炜, 王效科, 吴刚 . 中国森林生态系统的生物量和生产力[M]. 北京: 科学出版社, 1999.

Feng Z

, Wang X

, Wu

Biomass and Productivity of Forest Ecosystems in China[M]. Beijing: Science Press, 1999.

[29]

Hodgson M

, Shelley B

Removing the topographic effect in remotely sensed imagery

[J]. ERDAS Monitor, 1994,6:4-6.

[30]

张磊, 董立新, 吴炳方 , 等.

三峡水库建设前后库区10年土地覆盖变化

[J]. 长江流域资源与环境, 2007,16(1):107-112.

介绍利用定量遥感监测手段，开展10年间三峡库区土地覆盖监测，采用联合国粮农组织土地覆盖分类系统在150 000尺度下划分38类土地覆盖类型，利用面向对象的信息提取方法，通过多尺度分割和模糊判别的手段开展土地覆盖的信息提取。通过监测分析，三峡库区在2002年耕地总量占总面积43.93%，森林面积占29.03%，与1992年对比，耕地面积减少1.13%，森林面积减少0.13%，灌木林增加了0.58%。影响土地覆盖变化的主要是城市扩展、库区移民、生态环境政策等原因。

Zhang

, Dong L

, Wu B

, et al.

Land cover change before and after the construction of Three Gorges Reservoir within 10 years

[J]. Resources and Environment in the Yangtze Basin, 2007,16(1):107-112.

[31]

董立新, 吴炳方, 郭振华 , 等.

三峡库区农林用地变化遥感监测及模拟预测

[J]. 农业工程学报, 2009,25(s2):290-297.

Dong L

, Wu B

, Guo Z

, et al.

Remote sensing monitoring and simulation prediction of agricultural and forestry land use in Three Gorges Reservoir area

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009,25(s2):290-297.

[32]

陈述彭, 童庆禧, 郭华东 , 等. 遥感信息机理研究[M]. 北京: 科学出版社, 1998.

Chen S

, Tong Q

, Guo H

, et al. Research on the Mechanism of Remote Sensing Information[M]. Beijing: Science Press, 1998.

[33]

Duncan

, Stow

JD A V

,Franklin

,et al..

Assessing the relationship between spectral vegetation indices and shrub cover in the Jornada Basin,New Mexico

[J]. International Journal of Remote Sensing, 1993,14(18):3395-3416.

DOI:10.1080/01431169308904454 URL [本文引用: 1]

[34]

Rouse J

, Haas R

, Schell J

, et al.

Monitoring the Vernal Advancement and Retrogradation (Green Wave Effect) of Natural Vegetation[R]

Greenbelt:NASA, 1974.

[35]

Richardson A

, Wiegand C

Distinguishing vegetation from soil background information

[J]. Photogrammetric Engineering and Remote Sensing, 1977,43(12):1541-1552.

[36]

Huete A

A soil-adjusted vegetation index (SAVI)

[J]. Remote Sensing of Environment, 1988,25(3):295-309.

DOI:10.1016/0034-4257(88)90106-X URL [本文引用: 1]

[37]

Purevdor J T

, Tateishi

, Ishiyama

, et al.

Relationships between percent vegetation cover and vegetation indices

[J]. International Journal of Remote Sensing, 1998,19(18):3519-3535.

DOI:10.1080/014311698213795 URL [本文引用: 1]

[38]

Clevers

J G P W

The application of a weighted infrared-red vegetation index for estimating leaf area index by correcting for soil-background

[J]. Remote Sensing of Environment, 1989,29:25-37.

DOI:10.1016/0034-4257(89)90076-X URL [本文引用: 1]

[39]

Kaufman Y

, Tanre

Atmospherically resistant vegetation index (ARVI) for EOS MODIS

[J]. IEEE Transactions Geoscience and Remote Sensing, 1992,30(2):261-270.

DOI:10.1109/36.134076 URL [本文引用: 2]

[40]

Pu R

, Gong

Hyperspectral Remote Sensing and Its Application[M]. Beijing: Higher Education Press, 2000.