新疆喀納斯國家自然保護區植被葉面積指數觀測與遙感估算

昝 梅，李登秋，居為民,*，王希群，陳蜀江

(1. 江蘇省地理信息技術重點實驗室，南京大學, 南京 210093; 2. 南京大學國際地球系統科學研究所, 南京 210093; 3. 新疆師范大學地理科學與旅游學院, 烏魯木齊 830054; 4. 新疆干旱區湖泊環境與資源實驗室, 烏魯木齊 830054; 5. 國家林業局林產工業規劃設計院, 北京 100010)

新疆喀納斯國家自然保護區植被葉面積指數觀測與遙感估算

昝 梅1, 2,3,4，李登秋1,2，居為民1,2,*，王希群5，陳蜀江3,4

(1. 江蘇省地理信息技術重點實驗室，南京大學, 南京 210093; 2. 南京大學國際地球系統科學研究所, 南京 210093; 3. 新疆師范大學地理科學與旅游學院, 烏魯木齊 830054; 4. 新疆干旱區湖泊環境與資源實驗室, 烏魯木齊 830054; 5. 國家林業局林產工業規劃設計院, 北京 100010)

葉面積指數(Leaf Area Index，LAI)是重要的植被結構參數，調控著植被與大氣之間的物質與能量交換，在生態環境脆弱的我國西北部開展植被LAI的研究對闡明該地區植被對氣候變化和人類活動的響應特征具有重要的科學意義。利用LAI- 2200和TRAC儀器觀測了新疆喀納斯國家級自然保護區森林和草地的有效葉面積指數(LAIe)和真實LAI，構建了其遙感估算模型，生成了研究區LAIe和LAI的空間分布圖。在此基礎上，分析了LAI隨地形因子(海拔、坡度、坡向)的變化特征，探討了將其應用于估算研究區森林生物量密度的可行性，并評估了研究區MODIS LAI產品的精度。結果表明：研究區闊葉林、針闊混交林、針葉林、草地LAIe的平均值分別為4.40、3.18、2.57、1.76，LAI的平均值分別為4.76、3.93、3.27、2.30。LAIe和LAI的高值主要集中分布在湖泊和河流附近；植被LAI隨海拔、坡度和坡向的變化表現出明顯的垂直地帶性的特點。LAI隨海拔和坡度的增加呈現先增加后減小的變化趨勢，坡向對針葉林和草地LAI的影響明顯，但對闊葉林和針闊混交林LAI的影響較弱；森林生物量密度(BD)隨LAI增加而線性增加(BD=44.396LAI-25.946，R2=0.83)，研究區森林生物量密度平均值為120.3 t/hm2，估算的總生物量為5.0×106t；MODIS LAI產品與利用TM數據生成的LAI之間具有一定的相似性(森林R2=0.42，草地R2=0.53)，但森林和草地的MODIS LAI產品分別比利用TM數據生成的LAI偏低16.5%和24.4%。

葉面積指數(LAI)； 喀納斯自然保護區； 遙感估算； MODIS LAI

植被葉面積指數(LAI)定義為單位地表面積上綠葉總面積的一半[1]，是重要的植物結構參數，影響生態系統的物質和能量循環過程，是水文和生態等模型的輸入參數或狀態變量[2- 7]，可靠的LAI數據是研究全球變化情景下植被生長及其碳循環變化的基礎[8- 10]。所以，LAI數據的獲取一直是生態和遙感領域的研究熱點。應用破壞性方法或光學儀器可觀測有限樣點的LAI[11]。而區域/全球LAI的獲取就需要采用遙感統計模型或物理反演模型的方法來實現[12]。基于植被指數的統計模型由于參數少和易于實現的優點而被廣泛應用于生成小區域的LAI[13- 14]，但也存在建模需要LAI觀測數據、模型適用范圍有限的不足。LAI 的物理反演模型具有機理明確、無需LAI地面觀測數據、適應性強的優點，但模型的參數較多，對反演結果影響大，反演的LAI需要進行驗證。所以，利用反演方法生成的全球MODIS LAI產品的精度評價一直是近年來國內外的研究熱點[15]。但這類研究在我國的西北地區還較少開展。

喀納斯自然保護區位于新疆北部阿爾泰山中段，是中國唯一與四國接壤的自然保護區，也是我國唯一的西伯利亞泰加林分布區，成為阻滯古爾班通古特沙漠北移的重要生態屏障。區內原始植物生態系統保存完好, 具有完整的垂直帶譜[16]，是陸地生態系統對全球氣候變化響應研究的理想實驗區。目前，有關該區域生物資源和生態環境方面的研究很多[17- 19]，但植被LAI的變化特征尚不清楚。所以，研究該地區植被LAI的變化特征及其與植被生物量之間關系，對于明晰氣候變化和人類活動對該地區生態系統的影響、制定科學合理的生態保護措施具有重要的科學意義和實際應用價值。

本文以新疆喀納斯國家級自然保護區為研究區，使用LAI- 2200冠層分析儀和TRAC光學儀器觀測植被的有效葉面積指數(LAIe)與真實葉面積指數(LAI)，結合Landsat 5-TM遙感數據生成LAIe與LAI分布圖，分析研究區內LAI與植被類型、地形和海拔等因子的關系，探討利用LAI遙感數據估算森林生物量密度的可行性，并對MODIS LAI產品進行精度評價，以期為研究該地區植被對氣候變化和人類活動的響應特征提供參考。

1 研究區與研究方法

1.1 研究區概況

喀納斯國家級自然保護區位于新疆維吾爾自治區阿勒泰地區的布爾津縣境內，北與哈薩克斯坦共和國、俄羅斯共和國接壤，東與蒙古人民共和國毗連，西部與哈巴河縣相望，南與布爾津林場為鄰(圖1)，土地總面積21.92×104hm2。保護區年平均氣溫-0.2℃，年均降水量1065.4 mm，年均蒸發量為1097.0 mm。森林群落建群種主要有西伯利亞落葉松(LarixsibiricaLdb.)、西伯利亞云杉(PiceaobovataLdb.)、西伯利亞紅松(PinussibiricaLdb.)、西伯利亞冷杉(AbiessibiricaLdb.)，伴生的闊葉樹種主要有歐洲山楊(PopulustremulaL.)、疣枝樺(BetulapendulaRoth.)以及西伯利亞花楸(SorbussibiricaHedl)、刺薔薇(RosaacicularisL.)和多刺薔薇(R.spinosissimaL.)等喬灌木。林下優勢植物有：林地早熟禾(PoanemorensisL.)、紫苞鳶尾(IrisruthenicaKer-Gawl)、森林草莓(FragariavescaL.)、白花砧草(GaliumborealeL.)、石生懸鉤子(RubussaxatilisL.)等[20- 21]。

圖1 喀納斯國家自然保護區位置和LAI觀測樣點分布圖(黃色和綠色點分別為使用LAI- 2200和TRAC的觀測樣點)Fig.1 The location of Kanas National Nature Reserve and plots where LAI were measured using the LAI- 2200 (yellow dots) and TRAC (green dots) instruments

1.2 葉面積指數的觀測和處理

1.2.1 野外數據的獲取

2011年6月28日—7月8日對研究區進行了野外考察和LAI觀測。結合研究區1∶5000森林資源分布圖和地形圖，在地勢平坦、植被優勢種類單一，面積大于100 m×100 m處布設LAI觀測樣方。在每個樣區內布設兩條相距25 m、長度為50 m的平行測線，沿測線每隔10 m布設1個采樣點，取12個采樣點的觀測結果的平均值作為一個樣區的LAIe和LAI觀測值。在研究區共布設了50個樣方，其中，森林樣方37個(針葉林17個、針闊混交林12個、闊葉林8個)，草地樣方13個(圖1)。這些樣方基本涵蓋了研究區內除灌木外所有植被類型和主要植被種類。在觀測LAIe/LAI的同時，用GPS獲取樣區中心經緯度及海拔高度，記錄優勢種類、樹高(草地高度)、胸徑(株叢寬度)、郁閉度(蓋度)、坡向、坡度等信息，拍攝樣區照片。

(1)森林LAI觀測

使用美國LI-COR公司的LAI- 2200和加拿大Third Wave Engineering公司的TRAC進行森林LAI的觀測。研究表明，利用LAI- 2200觀測LAIe和TRAC觀測聚集度指數(Ω)，可以得到可靠的LAI觀測數據[22]。由于這次野外觀測主要是在無人區進行，南北樣區相距較遠，不可能在同一地點長期停留，加之天氣條件的限制，未能使用LAI- 2200和TRAC兩種儀器對同一樣方進行觀測。在20個樣方(13個針葉林、7個針闊混交林)使用的儀器為LAI- 2200，觀測在陰天或日落時進行，儀器鏡頭視場角設為270°，觀測者在林冠下方的每個觀測點背對太陽采樣4—6次，獲得B值(林下天空光)。在每個樣方的林下觀測開始前和結束后分別在林外開闊地測量A值(天空光)。在晴空條件下，采用TRAC觀測了17個樣方(4個針葉林、8個闊葉林、5個針闊混交林)。觀測時保持儀器的傳感器離地面約1 m，沿測線勻速采樣，每10 m作為一個采樣單元[22]。在每個樣方拍攝林冠照片，在室內利用Photoshop軟件確定非綠葉比例(α)[23]。在每個樣區選擇3棵優勢樹種，每棵樹取10張葉片，測量其寬度以確定葉片特征寬度(W)。受野外條件的限制，未能觀測針簇比(γE)參數，而根據參考文獻對其確定[23- 26]。

(2)草地LAI觀測

利用LAI- 2200進行13個草地樣方的LAI觀測時，在每個采樣點挖一個長15 cm、寬5 cm、深約5 cm的小坑，以放置儀器探頭，挖坑時盡量不破壞周圍草地的原有結構[27]。在每個測點的草地上方測量A值，將儀器探頭保持與地表在同一水平面測量B值。由于觀測時研究區的草地正處在生長茂盛期，非綠葉可以忽略不計，參數α取為0。

1.2.2 觀測數據處理

采用LAI- 2200觀測的1—4圈數據計算LAIe，對TRAC的觀測數據采用TRAC WIN軟件進行處理得到LAIe和Ω，用以下公式將觀測的LAIe轉換為LAI[28]:

LAI=(1-α)LAIe/Ω

(1)

式中,α為樹干和樹枝等非綠葉部分的比例，根據拍攝的冠層照片確定。

Ω與植被類型和葉片空間分布特征有關。如果葉片是空間隨機分布，則Ω=1；如果葉片是聚集分布，則Ω< 1。 對于草地樣方，該參數取為0.74[25];對于森林樣方，該參數根據TRAC的觀測結果確定。TRAC可以同時觀測LAI、LAIe和Ω，但TRAC僅能直接觀測到尺度大于針簇(如樹群、樹冠、樹枝等)的聚集度指數(ΩE)，對闊葉林，ΩE等于Ω；而對于針葉林，ΩE與Ω的關系為[22,24,29]:

Ω=ΩE/γE

(2)

式中,γE為簇內所有針葉的總表面積與針簇總表面積的比值。對于闊葉林，該參數等于1.0，而對于針葉林，該參數大于1.0，與樹種有關。

朱高龍等的研究結果表明，利用LAI- 2200觀測的 LAIe比TRAC觀測的LAI偏低12.8%，兩者相關系數R2為0.81[22,30]，Chen等和Simic等也有相似的結論[24,31]。針對在同一樣方僅有LAI- 2200或TRAC觀測數據的實際情況，首先對TRAC的LAIe觀測數據進行訂正，以消除與LAI- 2200觀測數據的系統性差別，再結合Ω數據計算LAI。

1.3 柵格數據的獲取及處理

使用的TM遙感數據和DEM數據(30 m×30 m)(圖2)來源于國際科學數據平臺(http://datamirror.csdb.cn)。對2011年8月14日覆蓋研究區的Landsat 5-TM影像(144/26)，進行幾何精校正(誤差小于0.5個像元)、輻射定標、大氣校正后得到地表反射率數據。2011年7月4日-11日8天合成的MOD15A2 LAI產品數據(1 km×1 km)來自USGS網站(http://glovis.usgs.gov/)，圖幅號為h23v04。地表覆蓋數據(圖3)來自研究區2009年的森林二類調查成果。所有的柵格數據都統一到UTM(WGS84)投影。

圖2 研究區DEM圖Fig.2 DEM map of the study area

圖3 研究區30 m地表覆蓋分布圖Fig.3 30 m land cover map of the study area

1.4 植被指數的選取

基于TM地表反射率數據計算NDVI(歸一化植被指數)[32]、SR(比值植被指數)[32]、SAVI(土壤調節植被指數)[32]、MSR(修正的簡單植被指數)[33]、MAVI(濕度調節植被指數)[30]、RSR(減化比值植被指數)[34]、MNDVI(修正的歸一化差值植被指數)[32]、ARVI(大氣阻抗植被指數)[32]和EVI(改進型土壤大氣修正植被指數)[32](表1)。為了減小幾何訂正誤差的影響，計算植被指數時利用樣區中心點及其周圍3×3鄰域像元的地表反射率的平均值[35]。

表1 植被指數的計算公式

B、R、NIR、SWIR分別是TM影像的第1、3、4和5波段的地表反射率；L為土壤調整參數，取為0.5；r是與氣溶膠類型和性質有關的參數，取值為1.0；SWIRmax和SWIRmin分別為冠層完全郁閉和裸土條件下的TM5波段反射率，分別取TM5反射率直方圖兩端1%處的值

2 結果與討論

2.1觀測的LAIe/LAI及其遙感估算模型

觀測的LAIe和LAI的統計結果列于表2，其中α、ΩE、Ω與朱高龍等[22]在黑龍江帽兒山林場觀測的結果接近。觀測的針葉林LAI平均值為3.58，低于針闊混交林的4.50和闊葉林的4.42。這是由植被繁茂程度，冠層結構以及葉片空間分布等特征共同作用的結果。草地LAI的平均值和標準偏差最大，分別為5.68和2.60，最小值和最大值分別為1.38和9.84，原因是草地在研究區空間分布廣、覆蓋度變化大，位于保護區核心區的草地生長茂密不受干擾，LAI很高。

表2 喀納斯自然保護區葉面積指數觀測數據的統計結果

LAIe(TRAC) 和LAIe(LAI- 2200)分別為用TRAC和LAI- 2200觀測的LAIe； LAI為利用方程(1)計算的LAI；在計算LAI時，對TRAC觀測的LAIe進行了訂正

分析表明，研究區植被指數與LAIe及LAI的最優相關形式為指數型(判斷指標是R2和 RMSE)。LAIe的最佳估算模型分別為：針葉林LAIe=0.4861e2.6801ARVI(R2=0.64，RMSE=0.43)，闊葉林LAIe=2.3405e0.0611ARVI(R2=0.74，RMSE=0.49)，針闊混交林LAIe=0.5575e2.499ARVI(R2=0.70，RMSE=0.42)，草地LAIe=0.3627e4.3037SR(R2=0.55，RMSE=1.09)。由表3可知，ARVI是針葉林、針闊混交林和草地LAI的最佳估算變量，建立的模型分別是LAI=0.4162e3.2706ARVI，LAI =0.5675e2.7732ARVI，LAI =0.5125e4.1258ARVI；闊葉林LAI的最佳估算因子是MAVI，建立的模型是LAI=1.5325e2.174MAVI。

研究區內地形復雜多變，大氣水汽和氣溶膠存在較大的空間變化，ARVI中包含了藍波段的信息，可消減大氣的影響，所以它與研究區大部分植被類型的LAIe及LAI具有較高的相關性；而MAVI利用了短波紅外信息，能有效減小土壤背景的影響[30]，與闊葉林LAI的相關性較高，但是該參數對水分較為敏感，而針葉林樣區的土壤濕度差異明顯，導致該參數與針葉林LAI的相關性較差。

表3 不同植被類型的LAI遙感估算模型

x是植被指數，y是LAI

2.2LAIe和LAI的空間分布特征及其與植被類型關系

利用以上最佳遙感估算模型得到研究區LAIe和LAI的空間分布圖(圖4，圖5)。可見，LAIe和LAI高值區主要分布在海拔相對較低處，離湖和河流的距離及海拔高度的增加，LAIe和LAI逐漸減小。這是研究區氣候和地貌特征綜合作用的結果。溫度和水分是這里植被生長的主要限制因子。喀納斯湖周邊和河流兩岸，地勢相對低緩，溫度相對較高，山上溶雪產生的地表徑流不斷補充，植被生長較好，而海拔較高的東北部，溫度低，植被生長季短，導致植被覆蓋度較低，LAIe和LAI較小。

圖4 研究區植被30 m分辨率LAIeFig.4 30 m resolution vegetation LAIe of the study area

圖5 研究區植被30 m分辨率LAIFig.5 30 m resolution vegetation LAI of the study area

由表4可知，遙感估算的研究區LAI總體上大于LAIe。96%的像元LAI大于LAIe，兩者相差大于1的像元主要分布在植被密度較大之處。闊葉林、針闊混交林、針葉林和草地的LAIe及LAI的平均值依次減小。由于闊葉林的聚集程度較低、Ω較高(表2)，其LAIe和LAI的平均值差別最小，為0.36。而針闊混交林和針葉林的的聚集程度較高、Ω較小，其LAIe和LAI的平均值分別相差0.70和0.75。研究區草地面積廣布、地形和水熱條件差異大，所以其LAIe和LAI具有較大的空間異質性，變異系數CV(CV=SD/Mean×100%,SD是標準差)分別為48%和33%。而闊葉林的分布較集中，LAIe和LAI空間變異性最小，CV分別僅為25%和19%。

表4 遙感估算的研究區不同植被類型LAIe與LAI統計結果

2.3 地形因子對LAI的影響

2.3.1 海拔對植被LAI的影響

圖6是研究區內不同植被類型LAI隨海拔高度的變化特征，圖中的點代表了每1 m海拔高度間隔內所有像元LAI的平均值。可見，針葉林、闊葉林、針闊混交林和草地的LAI總體上均表現出隨海拔升高先增加后減小的變化趨勢。一方面是由于海拔較低時，人類活動影響相對強烈，對植被的破壞嚴重。另外，隨海拔升高，降水逐漸增加，在海拔1500 m左右形成阿勒泰山中山帶的降雨帶[36]，針葉樹種豐富度最大，生長旺盛，LAI出現最大值4.3。但隨海拔的繼續增加，溫度降低，液態降水減小，土壤越來越貧瘠，導致樹木郁閉度下降，在海拔2600 m左右針葉林很難生長，LAI降到最小[36]。闊葉林LAI在海拔高度1400 m時達到峰值6.0。根據文獻記載[21,36]，保護區闊葉林的主要建群種疣枝樺常分布于中山帶下部(海拔1228—2300 m)。圓葉樺(喬木的過渡樹種)主要分布在海拔約2500 m坡度平緩的陰坡與高寒墊狀植被共生。這與圖6中LAI隨海拔變化的情況基本一致。針闊混交林LAI隨海拔變化趨勢介于針葉林和闊葉林之間，海拔在1400 m時LAI出現峰值。當海拔為1500—1800 m時，草地LAI較高，約為5.5，但存在明顯的波動，主要是坡度和坡向對LAI的影響所導致。

圖6 研究區不同植被類型LAI隨海拔高度的變化特征Fig.6 Changes of LAI of different vegetation types with altitudes in the study area

2.3.2 坡度對植被LAI的影響

圖7是研究區不同植被類型LAI平均值隨坡度變化情況，當坡度小于45°時，相同坡度條件下，闊葉林、針闊混交林、針葉林和草地的LAI依次減小，4種植被類型的LAI都表現出隨坡度先增加后減小的趨勢。坡度在10—14°時，森林的LAI出現峰值，而后下降。草地LAI在坡度為1—3°時較高，隨后下降；當坡度大于30°時，隨坡度增加，草地LAI快速下降。由于坡度較小處多為山脊臺地或溝底地帶，水熱和光合條件較差，人類活動擾動較多，導致植被LAI較低。隨著坡度緩慢增加，水熱條件有所改善，人類干擾減弱，植被生長變好，LAI增大。當坡度繼續增大，土壤侵蝕加劇，土層變薄，植被生長變差，LAI減小。而坡度大于45°后，闊葉林和針闊混交林的LAI又出現了上升趨勢，但波動較大。出現這種現象的原因有3個方面，一是由于坡向、海拔、針闊葉比例變化的共同作用所致，二是坡度變大后地形對遙感信號的影響增強，使遙感估算的LAI誤差增大，三是坡度大于45°的像元總數較少、在不同海拔分布不均勻。

圖7 研究區不同植被類型LAI平均值隨坡度的變化 Fig.7 Changes of LAI of different vegetation types with slope in the study area (LAI was binned at 1° intervals of slope)

2.3.3 坡向對植被LAI的影響

分析發現，研究區坡向對針葉林和草地的LAI影響明顯，但對闊葉林和混交林LAI的影響較弱。不同坡度條件下針葉林LAI平均值隨坡向而變化(圖8)，其中陰坡(0—45°，315—360°)和半陰坡(45—90°，270—315°)LAI最大值為4.00，總體平均值為3.09，而陽坡(135—225°)和半陽坡(90—135°，225—270°)LAI的最大值才為3.50，總體平均值為2.72。在所有坡度范圍條件下，陰坡和半陰坡的LAI平均值都大于陽坡和半陽坡LAI的平均值；坡度越大，針葉林LAI隨坡向的變化越劇烈。不同海拔條件下針葉林LAI平均值隨坡向而變化(圖8)，陰坡和半陰坡LAI最大值為4.50，總體平均值為2.71，而陽坡和半陽坡最大LAI為4.00，總體平均值為2.47。海拔高度低于2400 m時，所有海拔范圍條件下陰坡和半陰坡的LAI平均值都大于陽坡和半陽坡的LAI平均值，當海拔大于2400 m后，針葉林分布稀少，長勢差，LAI對坡向的變化劇烈，但空間變化特征不明顯。陰坡和半陰坡針葉林LAI較高的可能原因主要是陰坡和半陰坡蒸散消耗相對少、土壤水分含量高、更利于喜濕溫涼性針葉林的生長。當然，地形對不同波段遙感信號影響的差異，也會改變LAI隨坡向的變化特征，但其程度還需要進一步深入分析。

圖8 不同坡度和海拔范圍下針葉林LAI平均值隨坡向的變化Fig.8 Changes of LAI of needle leaved forests with aspect under different conditions slopes and elevations

不同坡度條件下，草地LAI平均值隨坡向而變化(圖9)，陽坡和半陽坡草地LAI的平均值為1.97，陰坡和半陰坡LAI的平均值1.79，在所有坡度范圍條件下，陰坡和半陰坡的LAI平均值都小于陽坡和半陽坡LAI的平均值，隨著坡度的增大，草地LAI隨坡向的波動愈明顯。不同海拔條件下，草地LAI平均值隨坡向而變化(圖9)，當海拔小于2100 m時，陽坡和半陽坡LAI平均值小；但海拔大于2100 m后，陽坡和半陽坡LAI的平均值為1.62，大于陰坡和半陰坡LAI的平均值1.45，因為當海拔較高時溫度成為草地生長最主要的限制因子，陽坡的日照充足，地表溫度高、土壤有機物質的分解、轉化和遷移速度均超過陰坡，利于草本植被的生長[37- 38]。

圖9 不同坡度和海拔高度條件下草地LAI平均值隨坡向的變化Fig.9 Changes of LAI of grasslands with aspect under different conditions of slopes and elevations

2.4 森林LAI與生物量密度的關系

LAI在一定程度上能反應群落生物量高低。利用保護區森林二調數據，采用方精云[39]的生物量換算因子連續函數法得到小班森林生物量，轉換成與LAI空間匹配的生物量密度柵格數據(30 m×30 m)。圖10是研究區生物量密度(BD)隨LAI變化的散點圖，其中LAI是不同BD等級(間隔為0.1 t/hm2)條件下所有格點LAI的平均值。可見，森林LAI與BD存在很好的線性關系(BD =44.396LAI-25.946，R2=0.83)。估算的研究區森林BD最小值為54.0 t/hm2，最大值為189.0 t/hm2，平均值為120.3 t/hm2，森林總生物量約為5.0×106t，其中闊葉林、針闊混交林和針葉林生物量分別約為0.3×106t、0.6×106t、4.1×106t。而根據森林清查數據直接計算的森林總生物量約為5.6×106t，闊葉林、針闊混交林和針葉林生物量分別約為0.3×106t，0.6×106t，4.7×106t。

圖10 研究區森林生物量密度與LAI的關系LAI是不同BD等級(間隔為0.1 t/hm2)條件下所有格點LAI的平均值Fig.10 Relationship between forest biomass density (BD) and LAI binned at 0.1 t/hm2 invervals of BD in the study area

2.5 MODIS LAI產品驗證

參考Morisette等[40]提出的方法，對生成的研究區30 m TM LAI數據進行采樣，生成1 km分辨率LAI數據(TM 1 km LAI)，對MODIS 1 km LAI產品進行評價。由圖11可知，研究區內森林和草地的TM 1 km LAI與MODIS 1 km LAI之間的決定系數R2分別為0.42和0.53，均通過了0.01水平的顯著性檢驗。森林和草地MODIS 1 km LAI產品的平均值比TM 1 km LAI的平均值分別偏低約16.50%和24.40%。很多研究也發現，MODIS LAI產品在不同地區、不同植被類型條件下存在著不同程度的高估或低估現象[41- 42]，混合像元是造成偏差主要的原因之一[43]。

圖11 研究區森林和草地MODIS LAI(MODIS 1 km LAI)與利用TM數據及觀測數據生成的LAI(TM 1 km LAI)比較結果 Fig.11 Comparison of MODIS LAI products (MODIS 1 km LAI) with LAI (TM 1 km LAI )generated using TM data and field measurements for the forest and grassland in the study area

3 結論

本文在新疆喀納斯自然保護區針對不同植被類型，利用LAI- 2200和TRAC兩種光學儀器，觀測得到LAIe和LAI，建立了基于Landsat 5-TM遙感影像的LAIe和LAI估算模型。進而研究了植被LAI隨海拔、坡度和坡向的變化特征，分析了植被生物量密度與LAI之間的關系，評價了MODIS LAI產品在該地區的精度。結果表明：

(1)研究區針葉林、針闊混交林、闊葉林和草地的LAIe最優遙感估算模型分別是：LAIe=0.4861e2.6801ARVI，LAIe=0.5575e2.499ARVI，LAIe=2.3405e0.0611ARVI，LAIe=0.3627e4.3037SR；LAI的估算模型分別是：LAI=0.4162e3.2706ARVI，LAI=0.5675e2.7732ARVI，LAI=1.5325e2.174MAVI，LAI=0.5125e4.1258ARVI。由于植被冠層的聚集效應，估算的混交林和針葉林的LAI明顯大于LAIe，在進行區域LAI遙感估算時，必須考慮這一因素。

(2)研究區的LAI整體上表現出隨海拔升高先增加后減小的特點，LAI隨坡度的變化也有類似的特征。坡向對針葉林和草地LAI的影響較明顯，其中針葉林的LAI在陰坡和半陰坡略高于陽坡和半陽坡；草地LAI在陽坡和半陽坡總體上大于陰坡和半陰坡。當海拔高度低于2100 m時，草地LAI在陽坡和半陽坡小于陰坡和半陰坡，海拔繼續升高后，草地LAI在陽坡和半陽坡大于陰坡和半陰坡。

(3)保護區森林的LAI與BD之間具有較好的線性相關性，BD =44.396LAI-25.946(R2=0.83)，說明利用LAI在區域尺度估算研究區森林生物量具有一定的可行性。

(4)MODIS LAI與利用TM數據生成的LAI具有一定的一致性，但森林和草地的MODIS LAI平均值相對于利用TM遙感數據和地面LAI觀測數據生成的LAI分別偏低了16.50%和24.40%。

本研究利用地面觀測和遙感數據，研究了作為我國唯一的西伯利亞泰加林分布區的喀納斯自然保護區內不同植被類型LAIe和LAI的空間變化特征及其與地形因子之間的關系。獲得的觀測數據和有關結論可為類似后續研究提供有益參考。但由于受無人區觀測條件的限制，這次研究還存在以下不足之處，可能給研究結果帶來不確定性，需要予以注意。主要有：未能在同一樣區利用LAI- 2200和TRAC進行觀測，導致需要利用經驗公式對TRAC觀測的LAIe進行訂正；在將光學儀器觀測信號轉換為Ω和LAI時，利用文獻研究成果確定了部分參數，如方程2中的γE；遙感數據的獲取時間與LAI的野外觀測時間存在著一個半月的時間差別，盡管研究區為國家級自然保護區，在該時間段內，森林LAI的變化可以忽略不計，但是，草地LAI可能會隨溫度條件的變化發生一定程度的改變，從而影響LAI遙感估算模型的參數；使用的TM數據未進行地形訂正，可能會影響LAI隨坡向的變化特征。

致謝：野外觀測得到新疆喀納斯自然保護區管委會的大力支持，閩江學院地理科學系朱高龍副教授，南京大學國際地球系統科學研究所柳藝博博士、張春華博士對本文寫作給予幫助，特此致謝。

[1] Chen J M, Black T A. Defining leaf area index for nonflat leaves. Plant Cell and Environment, 1992, 15(4): 421- 429.

[2] Cramer W, Kicklighter D W, Bondeau A, Moore lii B, Churkina G, Nemry B, Ruimy A, Schloss A L, ThE. Participants OF. ThE. Potsdam NpP. Model Intercomparison. Comparing global models of terrestrial net primary productivity (NPP): overview and key results. Global Change Biology, 1999, 5(S1): 1- 15.

[3] Liu J, Chen J M, Cihlar J, Park W M. A process-based boreal ecosystem productivity simulator using remote sensing inputs. Remote Sensing of Environment, 1997, 62(2): 158- 175.

[4] Reich P B, Turner D P, Bolstad P. An approach to spatially distributed modeling of net primary production (NPP) at the landscape scale and its application in validation of EOS NPP products. Remote Sensing of Environment, 1999, 70(1): 69- 81.

[5] Scurlock J M O, Cramer W, Olson R J, Parton W J, Prince S D. Terrestrial NPP: toward a consistent data set for global model evaluation. Ecological Applications, 1999, 9(3): 913- 919.

[6] Law B E, Tuyl S V, Cescatti A, Baldocchi D D. Estimation of leaf area index in open-canopy ponderosa pine forests at different successional stages and management regimes in Oregon. Agricultural and Forest Meteorology, 2001, 108(1): 1- 14.

[7] Chen P Q, Huang Y, Yu G R. Carbon cycle of the Earth System Beijing: Science Press, 2004: 55- 71.

[8] Dan L, Ji J J, Ma Z G. The variation of net primary production and leaf area index over Xinjiang Autonomous Region and its response to climate change. Acta Ecologica Sinica, 2007, 27(9): 3582- 3592.

[9] Wang Y, Yan X D. The Response of the forest ecosystem in China to global climate change. Chinese Journal of Atmospheric Sciences, 2006, 30(5): 1009- 1018.

[10] Huang M, Ji J J. The spatial-temporal distribution of leaf area index in China: a comparison between ecosystem modeling and remote sensing reversion. Acta Ecologica Sinica, 2010, 30(11): 3057- 3064.

[11] Wang X Q, Ma L Y, Jia Z K, Xu C Y. Research and application advances in leaf area index(LAI). Chinese Journal of Ecology, 2005, 24(5): 537- 541.

[12] Weiss M, Baret F. Evaluation of canopy biophysical variable retrieval performance from the accumulation of large swath satellite data. Remote Sensing of Environment, 1999, 70(3): 293- 300.

[13] Fang X Q, Zhang W C, Liu S C. The estimation of LAI in Heihe river basin using remotely sensed data. Remote Sensing for Land and Resources, 2004, 59(1): 27- 31.

[14] Zhang R H. Experimental remote sensing models and ground-based. Beijing: Science Press, 1996: 52- 55.

[15] Chen G, Liu Q H, Du Y M. A study on geometrical processing methods for LAI products intercomparison between MODIS and TM. Journal of Beijing Normal University: Natural Science, 2007, 43(3): 356- 361.

[16] Pan W D. Scientific Investigation on Kanas Re-serve of China. Beijing: Chinese Forestry Press, 1989: 48- 77.

[17] Pan X L, Zhang H D. Character of vegetation and research on forming of flora in Kanas. Arid Zone Research, 1994, 11(4): 1- 7.

[18] Lu P, Yan G X. Forest in Xinjiang. Urumqi: Xinjiang People′s Publishing House, 1990: 94- 158.

[19] Liu X Y, Yang Z P, Ma Z G, Di F, Geoffrey W. Land use and land cover pattern in Kanas Natural Reserve based on terrain factors. Arid Land Geography, 2011, 5(34): 851- 857.

[20] Zhang H H, Pan C D, Bazhaerbiekd·A S L H, Kou F T, Tan W P. Altitudinal Changes of Forest Community Types and Species Diversity in Kanasi Tourism Region. Xinjiang Agricultural Sciences, 2008, 45(2): 225- 231.

[21] Liu C L, Pan C D, Wu X Y, Kou F T, Tan W P. Distribution pattern of tree species richness along an altitudinal gradient in Kanas of Xinjiang. Chinese Journal of Ecology, 2009, 28(2): 203- 208.

[22] Zhu G L, Ju W M, Chen J M, Fan W Y, Zhou Y L, Li X F, Li M Z. Forest canopy leaf area index in Maoershan Mountain: Ground measurement and remote sensing retrieval. Chinese Journal of Applied Ecology, 2010, 21(8): 2117- 2124.

[23] Liu Z L, Jin G Z, Qi Y J, Estimate of Leaf Area Index in an Old-Growth Mixed Broadleaved-Korean Pine Forest in Northeastern China. PLoS ONE, 2011, 7(3): 1- 11.

[24] Gower S T, Kucharik C J, Norman J M. Direct and indirect estimation of leaf area index, fAPAR, and net primary production of terrestrial ecosystems. Remote Sensing of Environment, 1999, 70(1): 29- 51.

[25] Chen J M, Govind A, Sonnentag O, Zhang Y Q,Barr A,Amiro B. Leaf area index measurements at Fluxnet-Canada forest sites. Agricultural and Forest Meteorology, 2006, 140(1/4): 257- 268.

[26] Tang S, Chen J M, Zhu Q, Li X, Chen M, Sun R, Zhou Y, Deng F, Xie D. LAI inversion algorithm based on directional reflectance kernels. Journal of Environmental Management, 2007, 85(3): 638- 648.

[27] Liu Y B, Ju W M, Zhu G L, Chen J M, Xing B L, Zhu J F, Zhou Y L. Retrieval of leaf area index for different grasslands in Inner Mongolia prairie using remote sensing data. Acta Ecologica Sinica, 2011, 31(18): 1- 12.

[28] Chen J M. Optically-based methods for measuring seasonal variation of leaf area index in boreal conifer stands. Agricultural and Forest Meteorology, 1996, 80(2/4): 135- 163.

[29] Chen J M, Cihlar J. Plant canopy gap-size analysis theory for improving optical measurements of leaf-area index. Applied Optics, 1995, 34(27): 6211- 6222.

[30] Zhu G L. Retrieval of leaf area index and foliage clumping index from remotely sensed data [D]. Nanjing: Nanjing University, 2011: 13- 18.

[31] Simic A, Chen J M, Freemantle J R, Miller J R, Pisek J. Improving Clumping and LAI Algorithms Based on Multiangle Airborne Imagery and Ground Measurements. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(4): 1742- 1759.

[32] Zhao Y S. The principle and method of analysis of remote sensing application. Beijing: Science Press, 2008: 372- 383.

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

[34] Brown L, Chen J M, Leblanc S G, Cihlar J. A shortwave infrared modification to the simple ratio for LAI retrieval in boreal forests: An image and model analysis. Remote Sensing of Environment, 2000, 71(1): 16- 25.

[35] Atzberger C, Richter K. Spatially constrained inversion of radiative transfer models for improved LAI mapping from future Sentinel- 2 imagery. Remote Sensing of Environment, 2012, 120: 208- 218.

[36] Yuan G Y. The vertical zonation of the western Altay mts. Acta Geographica Sinica, 1986, 41(1): 32- 40.

[37] Cheng S D. Distribution characters of vegetation coverage and soil erosion in Wenanyi watershed on loess plateau [D]. Xi′an: Xi′an University of Technology, 2011: 54- 61.

[38] Guo J P, Zhang Y X. Studies on the dynamics and distribution pattern of landscape elements in the forest Landscape restoration process in Guandi-shan forest region. Acta Ecologica Sinica, 2002, 22(12): 2021- 2029.

[39] Fang J Y, Liu G H, Xu S L. Biomass and net production of forest vegetation in china. Acta Ecologica Sinica, 1996, 16(5): 497- 508.

[40] Morisette J T, Baret F, Privette J L, Myneni R B, Nickeson J E, Garrigues S, Shabanov N V, Weiss M, Fernandes R A, Leblanc S G, Kalacska M, Sánchez-Azofeifa G A, Chubey M, Rivard B, Stenberg P, Rautiainen M, Voipio P, Manninen T, Pilant A N, Lewis T E, Iiames J S, Colombo R, Meroni M, Busetto L, Cohen W B, Turner D P, Warner E D, Petersen G W, Seufert G, Cook R. Validation of global moderate-resolution LAI products: a framework proposed within the CEOS Land Product Validation Subgroup. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7): 1804- 1817.

[41] Li X F, Ju W M, Chen S, Zhou Y L. Influence of land cover data on regional forest leaf area index inversion. Journal of Remote Sensing, 2010, 14(5): 982- 989.

[42] Sun P S, liu S R, Liu J T, Li C W, Lin Y, Jiang H. Derivation and validation of leaf area index maps using NDVI data of different resolution satellite imageries. Acta Ecologica Sinica, 2006, 26(11): 3826- 3834.

[43] Yang F, Sun J L, Zhang B, Yao Z F, Wang Z M, Wang J L, Yue X F. Assessment of MODIS LAI product accuracy based on the PROSAIL model, TM and field measurements. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(4): 192- 198.

參考文獻:

[7] 陳泮勤, 黃耀, 于貴瑞. 地球系統碳循環. 北京: 科學出版社, 2004: 55- 71.

[8] 丹利, 季勁鈞, 馬柱國. 新疆植被生產力與葉面積指數的變化及其對氣候的響應.生態學報, 2007, 27(9): 3582- 3592.

[9] 王葉, 延曉冬. 全球氣候變化對中國森林生態系統的影響. 大氣科學, 2006, 30(5): 1009- 1018.

[10] 黃玫, 季勁鈞. 中國區域植被葉面積指數時空分布- 機理模型模擬與遙感反演比較. 生態學報, 2010, 30(11): 3057- 3064.

[11] 王希群,馬履一, 賈忠奎, 徐程揚. 葉面積指數的研究和應用進展. 生態學雜志, 2005, 24(5): 537- 541.

[13] 方秀琴, 張萬昌, 劉三超. 黑河流域葉面積指數的遙感估算. 國土資源遙感, 2004, 59(1): 27- 31.

[14] 張仁華. 實驗遙感模型與地面基礎. 北京: 科學出版社, 1996: 52- 55.

[15] 陳果, 柳欽火, 劉強, 杜永明. MODIS和降尺度TM數據反演葉面積指數相互驗證中幾何處理方法的研究. 北京師范大學學報: 自然科學版, 2007, 43(3): 356- 361.

[16] 潘文斗. 中國哈納斯保護區科學考察. 北京:中國林業出版社, 1989: 4- 7.

[17] 潘曉玲, 張宏達. 哈納斯自然保護區植被特點及植物區系形成的探討. 干旱區研究, 1994, 11(4): 1- 7.

[18] 陸平, 嚴賡雪. 新疆森林. 烏魯木齊: 新疆人民出版社, 1990: 94- 158.

[19] 劉新宇, 楊兆萍, 馬忠國, 邸楓, Geoffrey WALL. 基于地形因子的喀納斯自然保護區土地利用/覆被現狀格局分析. 干旱區地理, 2011, 5(34): 851- 857.

[20] 張薈薈, 潘存德, 巴扎爾別克·阿斯勒汗, 寇福堂, 譚衛平. 喀納斯旅游區森林群落類型及其物種多樣性隨海拔梯度的變化. 新疆農業科學, 2008, 45(2): 225- 231.

[21] 劉翠玲, 潘存德, 吳曉勇, 寇福堂, 譚衛平. 新疆喀納斯樹種豐富度垂直格局特征. 生態學雜志, 2009, 28(2): 203- 208.

[22] 朱高龍, 居為民, 陳鏡明, 范文義, 周艷蓮, 李顯風, 李明澤. 帽兒山地區森林冠層葉面積指數的地面觀測與遙感反演. 應用生態學報, 2010, 21(8): 2117- 2124.

[27] 柳藝博, 居為民, 朱高龍, Chen J M, 范文義, 周艷蓮, 李顯風, 李明澤. 內蒙古不同類型草地葉面積指數遙感估算. 應用生態學報, 2011, 31(18): 5159- 5170.

[30] 朱高龍. 植被葉面積指數與葉片聚集度系數遙感反演方法研究[D]. 南京: 南京大學, 2011: 13- 18.

[32] 趙英時. 遙感應用分析原理與方法. 北京: 科學出版社, 2008: 372- 383.

[36] 袁國映. 阿勒泰山西部地區的垂直自然帶. 地理學報, 1986, 41(1): 32- 40.

[37] 程圣東. 黃土高原文安驛流域植被覆蓋與土壤侵蝕分布特征研究[D]. 西安: 西安理工大學, 2011: 54- 61.

[38] 郭晉平, 張蕓香. 森林景觀恢復過程中景觀要素空間分布格局及其動態研究. 生態學報, 2002, 22(12): 2021- 2029.

[39] 方精云, 劉國華, 徐嵩齡. 我國森林植被的生物量和凈生產量. 生態學報, 1996, 16(5): 497- 508.

[41] 李顯風, 居為民, 陳姝, 周艷蓮. 地表覆蓋分類數據對區域森林葉面積指數反演的影響. 遙感學報, 2010, 14(5): 982- 989.

[42] 孫鵬森, 劉世榮, 劉京濤, 李崇巍, 林勇, 江洪. 利用不同分辨率衛星影像的NDVI 數據估算葉面積指數(LAI)——以岷江上游為例. 生態學報, 2006, 26(11): 3826- 3834.

[43] 楊飛, 孫九林, 張柏, 姚作芳, 王宗明, 王卷樂, 樂夏芳. 基于PROSAIL模型及TM與實測數據的MODIS LAI精度評價. 農業工程學報, 2010, 26(4): 192- 198.

MeasurementandretrievalofleafareaindexusingremotesensingdatainKanasNationalNatureReserve,Xinjiang

ZAN Mei1,2,3,4, LI Dengqiu1,2, JU Weimin1,2,*, WANG Xiqun5, CHEN Shujiang3, 4

1JiangsuProvincialKeyLaboratoryofGeographicInformationScienceandTechnology,NanjingUniversity,Nanjing210093,China2InternationalInstituteforEarthSystemScience,NanjingUniversity,Nanjing210093,China3SchoolofGeographyScienceandTourism,XinjiangNormalUniversity,Urumqi830054,China4KeyLaboratoryofLakeEnvironmentandResourcesinAridZone,Urumqi830054,China5PlanningandDesignInstituteofForestProductsIndustry,StateForestryAdministrationofChina,Beijing100010,China

Leaf area index (LAI) is one of the most important vegetation structural parameters in terrestrial ecosystems. It significantly regulates the exchanges of matter and energy between the atmosphere and terrestrial ecosystems due to its effects on many biophysical and physiological processes, including photosynthesis, respiration，transpiration，precipitation interception, energy transfer, and so on. The study on LAI is of scientific importance for assessing the response of vegetation to climate change and human activities in ecologically fragile areas in northwest China. In this paper, effective LAI (LAIe) and actual LAI of forests and grasslands were measured with the LAI- 2200 and TRAC instruments in Kanas National Nature Reserve, Xinjiang Autonomous Region. Based on measurements of LAIeand LAI at 50 sampling plots, models for estimating LAIeand LAI from Landsat 5-TM remote sensing data were developed. Then, the changes of LAI with topographic factors (including elevation, slope, and aspect) were analyzed. The possibility of estimating vegetation biomass density based on LAI estimated from TM remote sensing data (TM LAI) was explored. Finally, the quality of the MODIS LAI product in the study area was assessed using TM LAI as the benchmark. The results show that both LAIeand LAI significantly change with land cover types. Both LAIeand LAI exponentially change with vegetation indices. The best fitted models for estimating LAIeand LAI are LAIe=0.4861e2.6801ARVIand LAI=0.4162e3.2706ARVIfor needle-leaved forests, LAIe=2.3405e0.0611ARVIand LAI=1.5325e2.174MAVIfor broad-leaved forests, LAIe=0.5575e2.499ARVIand LAI=0.5675e2.7732ARVIfor mixed forests, LAIe=0.3627e4.3037SRand LAI=0.5125e4.1258ARVIfor grasslands, respectively (AVRI is the atmospherically resistant vegetation index, SR is the simple ratio vegetation index, and MAVI is the moisture adjusted vegetation index). The averages of remotely sensed LAIeof broad-leaved forests, mixed forests, needle-leaved forests, and grasslands are 4.40, 3.18, 2.57, and 1.76, respectively. The corresponding values of LAI are 4.76, 3.93, 3.27, and 2.30, respectively. High values of LAIeand LAI mainly appears in locations nearby the lakes and rivers. The changes of LAI with altitude, slope and aspect exhibit obviously vertical patterns. LAI tends to increase first and then decrease with the increases in altitude and slope. Aspect has significant influences on the LAI of needle-leaved forests and grasslands, but less influences on LAI of broad-leaved forests and mixed forests. LAI can act as a valuable predictor of forest biomass density (BD) (BD=44.396LAI-25.946,R2=0.83, BD was derived from the forest resources inventory data). The average BD of forests estimated from remotely sensed LAI is 120.3 t/hm2and the estimated total forest biomass is 5.0×106t in the study area. The re-sampling technique was adopted here for getting 1 km resolution TM LAI data from 30 m TM LAI data of the study area. 1 km MODIS LAI show similar patterns with LAI re-sampled from the 30 m LAI map generated from TM data and measured LAI, withR2=0.42 for forests andR2=0.53 for grasslands. However, MODIS LAI is 16.5% and 24.4% lower than LAI estimated using TM remote sensing data for forests and grasslands.

leaf area index (LAI); Kanas National Nature Reserve; estimation using remote sensing data; MODIS LAI

973項目(2010CB950702，2010CB833503)；江蘇高校優勢學科建設工程資助項目；江蘇高校優秀科技創新團隊

2012- 05- 04;

2012- 10- 26

*通訊作者Corresponding author.E-mail: juweimin@nju.edu.cn

10.5846/stxb201205040641

昝梅，李登秋，居為民，王希群，陳蜀江.新疆喀納斯國家自然保護區植被葉面積指數觀測與遙感估算.生態學報,2013,33(15):4744- 4757.

Zan M, Li D Q, Ju W M, Wang X Q, Chen S J.Measurement and retrieval of leaf area index using remote sensing data in Kanas National Nature Reserve, Xinjiang.Acta Ecologica Sinica,2013,33(15):4744- 4757.