利用MISR遙感數據反演小興安嶺地區森林葉面積指數

趙 妍，范文義*，王鶴霖，楊曉琴，楊國舜

(1.東北林業大學林學院，哈爾濱 150040;2.內蒙古赤峰市翁牛特旗橋頭國營林場;內蒙古赤峰 024500;3.內蒙古赤峰市翁牛特旗高家梁林場;內蒙古赤峰 024500)

葉面積指數定義為單位地面面積上總葉面積的 一半［1］，它是模擬陸地生態系統和它們與氣候之間交互作用的重要結構參數，同時它對于植被的諸多生物、物理過程，例如光合作用、蒸騰作用、呼吸作用以及碳、水循環、降水截獲等起著至關重要的控制作用［2－6］。隨著遙感技術的發展，特別是多角度遙感技術應用研究的不斷深入，人們越發關注用多角度遙感數據進行森林參數提取。多角度遙感數據是對地面物體進行多個方向的觀測，數據就具有豐富的地物觀測信息，具備較強的反演植被結構參數的能力［7－10］，同時能夠減小 “異物同譜”、“同物異譜”等現象對于反演結果精度的影響。與垂直觀測的遙感數據反演森林植被LAI的方法相比，多角度多波段遙感數據能夠反映植被結構信息及地物多維空間結構特征。因此，合理利用多角度遙感數據對于有效反演地表植被結構參數具有重要的理論意義和廣泛應用價值。

遙感反演LAI的方法有很多，大體分為統計模型方法、物理模型法及混合反演方法等［11］。本研究以MODIS土地覆蓋類型數據和多角度傳感器MISR數據為數據源，采用5－Scale幾何光學模型［12］與統計模型相結合的方法反演黑龍江省小興安嶺地區植被LAI，并對LAI反演結果進行精度評價。

1 研究區概況與研究方法

1.1 研究區概況

研究區為黑龍江省小興安嶺地區(46°28'～49°21'N，127°42'～130°14'E)，位于中國黑龍江省中北部。其北部以黑龍江中心航線為界，與俄羅斯隔江相望，邊境線長249.5 km，是中國東北邊疆的重要門戶。林業施業區面積386萬hm2。屬低山丘陵，北部多臺地、寬谷;中部低山丘陵，山勢和緩;南部屬低山，山勢較陡。最高峰為平頂山，海拔1 429 m。西部鐵力市位于松嫩平原，地勢呈波狀。該地區屬北溫帶大陸季風氣候區。四季分明，冬季嚴寒、干燥而漫長;春季回暖快;夏季溫熱濕潤;秋季暫短、降溫迅速。年平均氣溫－1～1℃，最冷為1月份，－20～－25℃，最熱為7月份，氣溫20～21℃，極端最高氣溫為35℃。全年大于10℃活動積溫1 800～2 400℃，無霜期90～120 d。年平均日照數2 355～2 400 h。年降雨量550～670 mm，降雨集中在夏季。林區森林茂密，樹種較多。有林地面積280萬 hm2，森林覆被率為72.6%，活立木總蓄積2.4億m3。森林類型是以紅松為主的針闊葉混交林。主要樹種有紅松、云杉、冷杉、興安落葉松、樟子松、水曲柳、黃菠蘿、胡桃楸、楊、椴、樺和榆等。小興安嶺得天獨厚的自然生態條件，繁衍生長著紅松等許多珍貴樹木，是中國主要林業基地。

1.2 遙感數據的預處理

本研究使用的遙感數據為2010年7月21日的MISR1B數據和同期的MODIS土地覆蓋類型數據。

多角度MISR影像有藍、綠、紅及近紅外4個波段，并從9個方向對地面進行觀測，見表1，其中心波長分別為446、558、672和867 nm。空間分辨率為1.1 km。

表1 MISR影像9個觀測角度值對應表Tab.1 Value of MISR data by 9 observation angles

對于多角度MISR數據，選擇空間斜墨卡托(Space Oblique Mercator，SOM)作為幾何糾正后的數據投影。因此應首先定義一個SOM影像的像元，計算出該像元所對應地面點在MSIR影像上的相應位置，再對該位置鄰近的MSIR像元進行重采樣，得到SOM影像像元的值。用校正后的影像作為參考基底，對其他觀測角度下的MSIR影像逐一進行校正，最后以每一觀測角度下的MSIR影像為參考，對同一觀測角度下的其他波段影像進行校正。這樣就得到了SOM投影下的4個波段9個角度的MISR影像。

在對MISR影像進行大氣校正時，根據網站提供的濾波函數計算得到MISR各個波段權值——成函數。然后用ENVI中的FLASSH和Spectral工具作出大氣校正時需要的格式文件來對其進行大氣校正。以觀測天頂角26.1°、45.6°和60°的MISR影像為例的大氣糾正后的影像，如圖1所示。

對于MODIS土地覆蓋類型數據，其分辨率是1 km，而本研究采用的多角度MISR數據的分辨率為1.1 km，故將MODIS影像進行重采樣后聯合MISR影像進行分類。

1.3 5－Scale模型實現與統計模型相結合LAI反演

1.3.1 5－Scale模型模擬冠層反射率

本研究采用5－Scale幾何光學模型模擬研究區域森林冠層反射率，根據設定的參數，運行5－Scale模型能夠模擬研究區域針葉、闊葉森林在不同角度下的LAI與比值植被指數(SR)的對應值。由于實地觀測不同角度的冠層反射率難度大，用物理模型模擬出各種角度下的反射率，進而計算出SR值，用統計模型擬合LAI與SR的關系，實現LAI的反演。為了驗證5－Scale模型模擬冠層光譜的精度，本文通過12個樣地的實測數據和經過大氣校正的同一地區Hyperion高光譜數據與模擬結果進行比較，發現5－Scale模型模擬結果可靠性較高，如圖2所示。

圖1 觀測角26.1°、45.6°和60°MISR三景MISR影像的大氣糾正后的影像和譜線分布圖Fig.1 Images and spectral line profile at observation angle 26.1°，45.6°，and 60°after atmospheric correction

圖2 12個樣地5－Scale模擬的冠層反射率、Hyperion影像像元反射率和地面實測冠層反射率的對比Fig.2 Comparison of 12 sample plots by 5-scale model on canopy reflectance，hyperion data pixel reflectance，and ground measured canopy reflectance.

1.3.2 LAI反演方法與流程

大量研究表明，植被指數與LAI存在密切的關系［13］。常用的用于反演LAI的植被指數主要包括比值植被指數(SR)［14］、歸一化差值植被指數(NDVI)［15］、垂直植被指數(PVI)［16］、修正的比值植被指數(MSR)［17］、修正的歸一化差值植被指數(MNDVI)［18］、減化比值植被指數(RSR)［19］等。本研究通過對5－Scale模型參數敏感性分析試驗表明，比值植被指數SR與該區域LAI的相關性最好，最適合該區域LAI的遙感提取。

在經過大氣校正和幾何精校正的MISR數據基礎上，計算比值植被指數SR，再與MODIS土地覆蓋類型數據相結合分別得出9個角度下針葉林和闊葉林的SR結果作為下一步建立反演模型的輸入數據。

依據研究區域實測樣地數據向5－Scale模型輸入建模參數，即LAI等，具體參數如圖3所示，得到研究區與MISR觀測角度一致的比值植被指數(SR)值的輸出結果，以指數模型分別模擬LAI與9個角度的SR的關系，作為反演模型。然后用MISR影像計算得出的9個角度下針葉林和闊葉林的SR，代入建立的反演模型最終得出研究區LAI反演結果。反演流程如圖4所示。

圖3 5－Scale模型模擬研究區域針葉、闊葉森林參數設置Fig.4 Parameters of coniferous forest and broad-leaved forest simulated by 5-scale model

圖4 基于5－Scale模型的MISR影像LAI反演流程圖Fig.3 Flowchart of LAI inversion based on 5-scale model

2 結果分析

2.1 5－Scale模型模擬結果

5－Scale模型輸入參數包括:環境參數和植被參數等。依據研究區域樣地數據分別在MISR影像9個角度下設置模型輸入參數。具體參數設置如圖3所示。

葉面積指數設定范圍為0.5～10，設置步長為0.1。對于MISR數據根據9個觀測角度(0°，±26.1°，±45.6°，±60.0°，±70.5)依次設定最大觀測天頂角及步長進行模擬。得到模型模擬結果，見表2和表3，為建立反演模型進行數據準備。

2.2 指數模型模擬結果

采用指數模型分別建立LAI與SR在MISR數據9個角度下的統計關系。以觀測角度70.5度為例，針葉林、闊葉林在此角度下LAI與SR的統計關系的模擬結果如圖5和圖6所示。

表2 5－Scale模型模擬研究區闊葉林結果Tab.2 Broad-leaved forest results in the study site simulated by 5-scale model

圖5 70.5°針葉LAI與SR的指數關系Fig.5 Relationship between coniferous LAI index and SR index at 70.5°

表3 5－Scale模型模擬研究區針葉林結果Tab.3 Coniferous forest results in the study site simulated by 5-scale model

圖6 70.5°闊葉LAI與SR的指數關系Fig.6 Relationship between broad-leaved LAI index and SR index at 70.5°

其他各角度(即 0°，± 26.1°，± 45.6°，±60.0°，－70.5)均呈現以上類似統計關系。用10個樣地的實測LAI對各個角度的模型的模擬值進行驗證，結果如圖7和圖8所示。

圖7 70.5°針葉LAI真實值與指數模擬值Fig.7 LAI real value and simulated value for coniferous forest at 70.5°

圖8 70.5°闊葉LAI真實值與指數模擬值Fig.8 LAI real value and simulated value for broad-leaved forest at 70.5°

2.3 LAI反演結果與分析

將經計算得到的MISR數據9個角度下的SR結果依次輸入對應指數模型得到各自9個角度針葉林、闊葉林LAI反演結果。由于森林中植被生長方向繁雜，而且受到來自外界各種光照等條件的影響，因此其生長方向具有一定的隨機性，故取其9個角度平均值作為研究區LAI的最終反演結果與實際情況較為符合，如圖9所示。研究區域植被LAI隨著緯度的增加呈現遞減趨勢，且反演值集中在1.1～3.1之間;反演統計結果表明:LAI均值為1.21，最大值為9.28，最小值為0.83。這與該地區實地調查數據較為一致，表明本研究LAI反演結果的可靠性。

圖9 小興安嶺地區LAI反演結果圖Fig.9 LAI inversion results of Xiaoxing'an Mountain forest

2.4 反演結果驗證

選取研究區域內20個具有代表性即能基本涵蓋研究區域內所有優勢樹種的樣地，其中包括11個闊葉林樣地和9個針葉林樣地進行外業實測。為減小地形等因素對于外業實測結果的影響，將樣地盡量設置在地勢比較平坦、優勢樹種較為單一、植被空間分布相對均勻的地點。在每個樣地內用TRAC進行實地測量。將外業實測LAI數據與反演結果進行比較，如圖10所示，算得反演精度為95.7%，均方差為0.34，反演值在合理誤差范圍內，反演結果較好。

式中:i和n分別表示驗證樣本的序號和總數。

圖10 LAI反演結果與外業實測數據比較圖Fig.10 Comparison of LAI between inversion results and field measured data

3 結論與討論

本文采用5－Scale幾何光學模型模擬小興安嶺地區森林冠層SR值，然后用指數統計模型模擬LAI和SR關系，以多角度MISR為數據源數據對LAI進行反演。對反演結果進行精度檢驗，結果表明:反演精度達到95.7%，均方差為0.34，實現了多角度多光譜遙感數據反演LAI，反演精度效高。多角度數據遙感反演的大區域LAI對于森林植被生物量的反演及森林生態系統碳、水循環等方面的進一步研究具有重要意義。

研究中LAI反演結果與樣地實測數據存在一定偏差，有以下可能原因:

(1)多角度MISR影像質量不夠高，可能會影響大氣校正的精度及指數模型的模擬。

(2)對MISR影像進行的幾何校正和大氣校正不夠精確，進而導致森林植被冠層反射率存在偏差。經過校正后的植被冠層光譜反射率雖然與波譜庫中光譜特征相近，但由于并未應用地面實測數據驗證，因而無法精確獲得這一過程中引進的誤差。

】

［1］Chen J M，Pavlic G，Brown L，et al.Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high resolution satellite imagery and ground measurements［J］.Remote Sensing of Environment，2002，80:165-184.

［2］Chen J M，Cihlar J.Retrieving leaf area index of boreal conifer forests using Landsat TM images［J］.Remote Sensing of Environment，1996，55:153-162.

［3］Sellers P J，Mintz Y，Sud Y C，et al.A simple biosphere model(SiB)for use within general circulation models［J］.Journal of the Atmospheric Sciences，1986，43:505-531.

［4］Running S W，Nemani R R，Peterson D L，et al.Mapping regional forest evapotranspiration and photosynthesis by coupling satellite data with ecosystem simulation［J］.Ecology，1989，70:1090-1101.

［5］Bonan G B.Importance of leaf area index and forest type when estimating photosynthesis in boreal forests［J］.Remote Sensing of Environment，1993，43:303-314.

［6］Turner DP，Cohen WB，Kennedy RE，et al.Relationships between leaf area index，fPAR，and net primary production of terrestrial ecosystems［J］.Remote Sensing of Environment，1999，70:52-68

［7］Li X.Bidirectional reflectance and angular signature of objects［J］.Remote Sensing of Environment，1989，4(1):67-72.

［8］Yao Y，Yan G，Wang J.The approach on leaf area index inversion using multi-angular and multi-spectral data sets［J］.Journal of Remote Sensing，2005，9(2):117-122.

［9］Feng X.Quantitative remote sensing studies on eco-environment in InnerMongolia with multi-angle MISR data［D］.Dissertation，Chinese Academy of Sciences，2006.

［10］Goel N S，Grier T.Estimation of canopy parameters of row planted vegetation canopies using reflectance data for only four view directions［J］.Remote Sensing of Environment，1987，21:37-51.

［11］Fang H，Liang S.A hybrid inversion method for mapping leaf area index from MODIS data:experiments and application to broadleaf and needleleaf canopies［J］.Remote Sens.Environment，2005，94:405-424.

［12］White P，Miller J R，Chen J.Four-scale linear model for anisotropic reflectance(FLAIR)for plant canopies-Part I:model description and partial validation［J］.IEEE Transactions on Geoscience and Remote Sensing，2001，39(5):1072-1083.

［13］Zhang R.Experimental Remote Sensing Model and Groundwork［M］.Beijing:Science Press，1996.

［14］Jordan C F.Derivation of leaf area index from quality of light on the forest floor［J］.Ecology，1969，50:663-666.

［15］Rouse J W，Haas R H，Schell J A，et al.Monitoring vegetation systems in the great plains with ERTS［A］.In Proceedings of Third ERTS Symposium［C］，1974:309-317.

［16］Richardson A J，Wiegand C L.Distinguishing vegetation from soil background information［J］.Photogrammetric Engineering and Remote Sensing，1977，43:1541-1552.

［17］Chen J M.Evaluation of vegetation indices and a modified simple ratio for boreal applications［J］.Canadian Journal of Remote Sensing，1996，22:229-242.

［18］Neman I R，Pierce L，Running S，et al.Forest ecosystem processes at the watershed scale:Sensitivity to remotely sensed leaf area index estimates［J］.International Journal of Remote Sensing，1993，14:2519-2534.

［19］Brown L，Chen J M，Leblance S G，et al.A shortwave infrared modification to the simple ratio for LAI retrieval in boreal forests:An image and model analysis［J］.Remote Sensing of Environment，2000，71:16-25.

［20］楊曦光，范文義，于 穎.森林葉綠素含量的高光譜遙感估算模型的建立［J］.森林工程，2010，26(2):8－11.