林下植被對遙感估算馬尾松LAI的影響

耿 君, 王 磊, 田慶久,* , 涂麗麗, 黃 彥, 王 龑, 呂春光,楊冉冉, 楊閆君

1 南京大學國際地球系統科學研究所, 南京 210046 2 南京大學江蘇省地理信息技術重點實驗室, 南京 210046

林下植被對遙感估算馬尾松LAI的影響

耿 君1,2, 王 磊1,2, 田慶久1,2,*, 涂麗麗1,2, 黃 彥1,2, 王 龑1,2, 呂春光1,2,楊冉冉1,2, 楊閆君1,2

1 南京大學國際地球系統科學研究所, 南京 210046 2 南京大學江蘇省地理信息技術重點實驗室, 南京 210046

葉面積指數是一項極其重要的描述植被冠層結構的植被特征參量。根據植被物候規律，利用中國環境衛星CCD多光譜影像和野外馬尾松樣區調查數據，通過建立不同季節和不同郁閉度樣區馬尾松LAI和影像NDVI經驗回歸模型，并利用一個新的LAI觀測方式定量比較喬木層LAI和生態系統總LAI(包括草本層、灌木層和喬木層)的差異，研究林下植被對馬尾松反演的影響程度。結果表明：(1)由于林下植被的物候變化，冬季林下植被對馬尾松LAI反演影響最小，馬尾松NDVI和LAI線性關系R2維持在0.65；夏季林下植被影響最大，線性關系R2只有0.25；春季和秋季影響居中，NDVI和LAI線性關系R2在0.47附近。但是，受林下植被影響較小的A類樣區4個季節內NDVI和LAI線性關系基本都在0.60以上(夏季略低于0.60)；(2)喬木層LAI和總LAI差距非常大，最大差距達到2.93，相差的比例最大達到了2.45倍；(3)總LAI和NDVI相關關系顯著，其中線性關系R2達到0.66，對數關系R2可達到0.68，而喬木層LAI和NDVI相關關系較差，線性關系R2只有0.30。分別建立冬季和其它季節實測總LAI和NDVI的關系，可以估算出林下植被對馬尾松LAI反演的影響程度。

林下植被; 馬尾松; 葉面積指數(LAI); 遙感; 郁閉度; 物候期; 不確定性

葉面積指數(LAI)是一項極其重要的描述植被冠層結構的植被特征參量[1]。LAI不僅可以直接反映出生態系統多樣化尺度的植物冠層中的能量、CO2及物質環境，還可以反映植物生長和發育的動態變化和健康狀況，同時，在生態系統光合作用、水分及能量平衡研究中，LAI也作為非常關鍵的生物物理參數[2]。隨著全球變化研究的深入，LAI 常常作為生態系統碳循環、能量交換、水文和氣候等模型中重要的參數而成為模型中不可缺少的組成部分[3]。

近年來，利用遙感技術估測區域乃至全球森林LAI已成為國內外學者們研究LAI的主要手段之一[4-10]。然而，遙感信號中往往受到林下植被、土壤、巖石、枯落物和水體等森林背景目標物的干擾，傳感器探測到的森林總反射率，往往不能準確地代表森林冠層反射率，尤其是在郁閉度較低的森林，由于像元混合嚴重，遙感反演出的森林冠層參數存在較大誤差。例如，馬健德指出森林背景所造成的噪音信號對樹冠LAI的反演會產生不可忽視的影響，并利用MODIS(Moderate Resolution Imaging Spectroradiometer)合成多角度遙感影像得到了250 m分辨率森林背景反射率[11]；Brown等利用短波紅外波段構建減化比值植被指數(RSR)，有效地減少了背景反射率影響，并反演出較為準確的森林冠層LAI[12]。Law等指出利用遙感研究LAI、光合有效輻射時，應將林下植被和上層樹冠區分研究，否則會造成很大誤差[13]；Pisek等指出森林背景反射率對喬木層LAI反演影響非常大，并利用MODIS合成BRDF(Birectional Reflectance Distribution Function)數據，研究了北歐地區北方森林林下植被反射率的季節動態[14]。

而在上述森林背景目標物中，一方面，由于林下植被往往作為綠色植被和森林冠層一起被傳感器所探測，導致利用常見植被指數(如歸一化植被指數(NDVI)估算出的森林冠層LAI存在較大誤差；另一方面，由于相對于土壤、巖石等變化非常復雜，林下植被對遙感輻射傳輸的影響存在著更大的時空異質性[15]，進而會在一定程度上影響到諸多陸地生態系統能量流動和物質循環模型的精度。因此，有必要將林下植被單獨作為研究對象，來探討其對遙感估算森林冠層LAI的影響。

馬尾松(Pinusmassoniana)是我國松屬樹種中分布最廣的一種，也是我國亞熱帶東部濕潤地區典型的針葉鄉土樹種，其面積居我國針葉林首位[16]。本文根據蘇皖地區馬尾松林下植被的物候特點，連續獲取不同季節實驗樣區的馬尾松冠幅、樹高、郁閉度、LAI和林下植被覆蓋度等數據，利用中國環境衛星(HJ-1)CCD多光譜影像的高時空分辨率的優勢，建立不同季節、不同郁閉度下馬尾松樣區LAI和NDVI回歸模型，研究林下植被對遙感估算馬尾松LAI的影響程度，為今后開展實地觀測和遙感反演森林LAI研究提出新的認識。

1 研究區介紹

滁州市位于安徽省東部，地處江淮之間，處于北緯31°51′—33°13′和東經117°09′—119°13′之間(圖1)。滁州市屬北亞熱帶濕潤季風氣候區，四季分明，陽光充足，雨量豐富，年平均氣溫為15.40 ℃，最熱7月份的月平均溫度為28.50 ℃，最冷1月份的月平均溫度為1.70 ℃，年均降水量1035.50 mm，梅雨期約23 d，年均日照總時數2073.40 h，年均無霜期210 d[17]。由于上述氣候條件，滁州市適合馬尾松的生長，林下植被以一年生草本和落葉灌木組成，其中狗尾草(Setariaviridis)、一年蓬(Erigeronannuus)、青蒿(Artemisiacarvifolia)、野菊花(Dendranthemaindicum)、蛇莓(Duchesneaindica)、刺莧(Amaranthusspinosus)、白茅(Imperatacylindrica)、合萌(Aeschynomeneindica)、鼠李(RhamnusdavuricaPall)和野山楂(Crataegicuneatae)較為常見。實地調查發現該地區馬尾松以中齡林和成熟林為主，林下植被生長差異明顯，且具有明顯的季節性變化特征。因此，該地區適合開展林下植被對遙感估算馬尾松LAI影響研究。

圖1 研究區地理位置Fig.1 Geographical location of the study areas

實驗樣區分為A類樣區和B類樣區，A類樣區是指郁閉度大于80%及郁閉度小于80%且林下植被覆蓋度小于33%的樣區；B類樣區是指郁閉度小于80%且林下植被覆蓋度大于33%的樣區。具體在實驗設計中詳細說明。

2 實驗設計與數據來源

2.1 實驗設計與地面數據獲取

本研究在2012年9月至2013年10月(表1)，利用LAI-2000冠層分析儀共進行5次馬尾松樣區LAI觀測。為避免復雜天氣和地形對輻射傳輸和LAI地面觀測造成影響，本研究野外采樣均選在全陰天，選擇的樣區坡度均小于5°。

(1)本文以中國HJ-1 CCD多光譜影像一個像元(30 m×30 m)作為一個實驗樣區；為反映一個像元內馬尾松LAI總體情況，并避免人為主觀選擇觀測位置，本研究利用對角線法，在記錄著的每個觀測點東北-西南方向前后各約10 m位置處，再進行兩次LAI觀測(圖2)，用3個位置觀測的LAI平均值代表一個樣區(像元)內馬尾松LAI。

表1 5次觀測實驗及對應影像的日期

圖2 30 m×30 m樣區內實驗設計Fig.2 Experimental design in a 30 m×30 m quadrat

(2)由于林地郁閉度對LAI觀測影響很大，在每個樣點觀測位置使用LAI-2000的180°鏡頭蓋在水平方向上分別相向觀測兩次，以此代表該觀測點附近馬尾松LAI。

(3)為研究馬尾松林下植被的季節動態，需要保證每次LAI觀測位置嚴格一致。本研究在第1次觀測LAI時，在手持GPS輔助下，在第一次樣點觀測位置插桿或噴漆標記，后期實驗在同一位置進行LAI觀測。野外樣區實驗獲取得到的馬尾松LAI在FV-2200軟件下處理，計算出樣區內LAI[18]。

(4)考慮到林下植被對遙感傳感器信號的影響跟郁閉度有很大關系，利用拍照法記錄每個觀測點位置的馬尾松郁閉度(距地面1.70 m高處用魚眼相機豎直向上拍照)和林下植被生長狀況(距地面1.70 m高處用普通數碼相機豎直向下拍照)，后期對樣區照片進行處理：①結合樣地樹高、冠幅和密度信息，在Fisheye軟件中將半球照片處理為平面二值黑白圖像，照片中天空為0，冠層為1，再計算出樣區的冠層郁閉度；②豎直向下的照片利用Photoshop sp3圖像處理工具和ENVI 5.0圖像分類工具提取出林下植被，并計算出林下植被所占照片中森林背景的比例，即林下植被覆蓋度。用3個觀測點位置的冠層郁閉度和林下植被覆蓋度的平均值，分別代表該樣區內的馬尾松郁閉度和林下植被生長狀況。本文參考了Spanner對冠層郁閉度的分類標準[19]，并經過反復嘗試，發現以郁閉度為80%作為劃分界限最合適。將郁閉度大于80%及郁閉度小于80%且林下植被覆蓋度小于33%的樣區，統稱為A類樣區(圖3)；將郁閉度小于80%且林下植被覆蓋度大于33%的樣區統稱為B類樣區(表2中*標注)。本研究共觀測樣區48個，其中A類樣區21個，B類樣區27個(表2)。

圖3 不同郁閉度樣區的半球相片對比 Fig.3 Comparison of hemispherical photographs of quadrats with different canopy closure

(5)為了進一步定量地研究林下植被對兩類樣區馬尾松LAI反演的影響程度，本研究于2012年9月對馬尾松樣區進行了新的實驗設計：在馬尾松LAI觀測點同一位置，再對樣區所有地上部分植被(包括草本層、灌木層和喬木層)的LAI進行一次觀測(圖4)。為區別起見，本文稱傳統利用LAI-2000觀測森林LAI觀測方式(即對森林冠層LAI觀測)為喬木層LAI觀測，稱新的實驗觀測方式為生態系統的總LAI觀測，顯然總LAI應該包括森林冠層LAI和林下植被LAI。

2.2 遙感數據獲取

中國環境(減災)衛星(簡稱HJ)CCD多光譜影像具有非常高的時間分辨率和較高的空間分辨率，A星和B星的重訪周期均為4 d，CCD多光譜影像空間分辨率均達到30 m。因此，即便在陰雨天氣較多的夏季，擁有如此高重訪周期的HJ衛星也能獲取到若干幅質量較高的多光譜影像，對于監測森林參數的動態變化具有非常明顯的優勢。

表2 不同類型樣區數量

圖4 喬木層LAI和總LAI觀測示意圖Fig.4 Schematic diagram of measurement of tree layer′s and all layer′s LAI

分別獲取與野外地面數據獲取時間相近的高質量HJ-1 CCD多光譜影像，并結合最新發布CCD的輻射定標系數和研究區地面GPS控制點，在ENVI 5.0中對影像進行輻射定標、大氣校正和幾何精校正等處理，獲得觀測樣區對應像元的各個波段反射率，并計算出對應像元的NDVI。

3 結果與分析

3.1 不同季節林下植被對LAI反演的影響

利用2013年1月至10月連續4個季節馬尾松樣區的觀測與對應的遙感數據，分別建立不同時期所有樣區LAI(本文提到的LAI除非特別指明，均代表馬尾松LAI)和NDVI經驗統計模型和A類樣區LAI和NDVI經驗統計模型。研究結果表明：林下植被對遙感估算馬尾松LAI的影響程度存在明顯的季節差異(圖5)。

(1)冬季，所有樣區的LAI與NDVI關系總體較好(圖5:冬季中所有圓)，線性關系決定系數R2達到0.65，而A類樣區的LAI與NDVI關系(圖5:冬季中實心圓)跟所有樣區的關系相近，R2達到0.61。這是由于冬季林下植被基本枯萎，樣區內植被基本只有馬尾松，加上涵蓋了不同郁閉度的樣區，LAI差距明顯，因此，樣區所有樣點的關系比A類樣區的關系稍好；

(2)春季，林下植被開始生長，對郁閉度較低的馬尾松樣區的影響逐漸顯現。圖5春季左下方的空心圓是受到林下植被影響的直接反應，這些點對應的實測冠層LAI較低但像元NDVI較高，因此，消弱了所有樣區LAI和NDVI關系，R2降為0.47，但受林下植被影響較小的A類樣區與NDVI的回歸模型決定系數R2保持在0.64；

(3)夏季，林下植被生長最為茂盛，其對遙感估算馬尾松LAI影響程度最為嚴重，受到B類樣區，尤其是圖5夏季左上方空心圓的影響，所有樣區線性回歸散點圖分布非常發散，線性關系的決定系數R2僅為0.25，但A類樣區對應的關系較好，R2為0.57；

(4)秋季，與春季類似，林下植被開始枯萎，所有樣區LAI和NDVI線性關系R2有所上升，R2為0.47，而A類樣區關系R2保持在0.61。

總體而言，由于研究地區自然氣候特點，林下植被基本由一年生草本和落葉灌木組成，受季節更替其生長有明顯規律性變化，而馬尾松生長緩慢且是常綠喬木，一年內LAI變化較小，所以導致了不同季節林下植被對LAI反演的影響程度差異有上述明顯規律。

圖5 不同季節一類樣區和二類樣區LAI與NDVI關系Fig.5 Relationships between A. quadrats and B. quadrats圖中圓點(包括空心圓和實心圓)表示所有觀測樣區的喬木層LAI及對應像元NDVI的關系，其中實心圓表示A類樣區LAI和NDVI；實線表示A類樣區LAI與NDVI線性關系；虛線表示所有樣區LAI與NDVI線性關系; 觀測具體時間：冬季：2013年1月22日，春季：2013年4月20日；夏季：2013年7月22日；秋季：2013年10月18日

3.2 林下植被對馬尾松LAI反演的定量影響研究

利用本文2.1節第5部分具體介紹的新實驗設計方案，試圖研究林下植被對馬尾松LAI反演的定量影響。新實驗設計在夏秋交替之際，此時滁州地區馬尾松林下植被生長茂盛。

(1)圖6定量地描述出了A類樣區和B類樣區中喬木層LAI和生態系統總LAI的差距，這些差距既代表林下植被的LAI，也代表林下植被對馬尾松反演的影響程度：

①在A類樣區中(圖6中實心圓)，喬木層LAI和總LAI均保持在1∶1關系線附近，總LAI整體略大于喬木層LAI。這是由于當采用新觀測方式時，總LAI中增加少量樹干影響，再加上零星的林下植被影響，會略大于該位置的喬木層LAI；

②在B類樣區中(圖6中空心圓)，喬木層LAI和總LAI差距顯著：喬木層LAI普遍較小，LAI在1.11—2.98范圍變化，主要集中在1.70—2.21；而總LAI整體明顯較大，LAI在1.91—4.96范圍變化，且主要集中在2.60—4.50。其中，LAI最大差距達到2.93，相差的比例最大也達到了2.45倍(此時喬木層LAI為2.03時，總LAI為4.96)。

(2)圖7表示B類樣區中喬木層LAI和總LAI與NDVI線性回歸關系。從圖7中可以得出：

①B類樣區的喬木層LAI與NDVI關系不顯著，線性關系決定系數R2為0.30。這說明在用LAI-2000以傳統觀測方式得到實測LAI與影像NDVI建立經驗關系時，由于林下植被的存在，會導致一定程度的誤差，尤其是在林下植被生長旺盛的季節，傳統方法得到的經驗關系會造成相當大的誤差；

②總LAI與NDVI關系顯著，其中線性關系的R2為0.66，對數關系的R2更是達到了0.68以上，且在對數關系中發現，當實測LAI超過4時，NDVI趨于飽和，這符合前人建立的馬尾松LAI與NDVI經驗關系[20]。這說明，在郁閉度較低的B類樣區，影像NDVI和樣區總LAI成線性正相關關系。考慮到馬尾松生長緩慢，如果假設馬尾松從冬季到夏季半年內LAI幾乎不變，通過以上經驗回歸關系，于是對于B類樣區理論上有以下結論：

夏季樣區NDVI的經驗函數≈夏季總LAI≈夏季馬尾松LAI+夏季林下植被LAI

(1)

夏季馬尾松LAI≈冬季馬尾松LAI≈冬季樣區NDVI的經驗函數

(2)

綜合(1)式和(2)式得到：

夏季林下植被LAI≈夏季樣區NDVI的經驗函數-冬季樣區NDVI的經驗函數

(3)

同理，春、秋季林下植被影響程度也可以用上述公式表達并計算。總體而言，利用的新觀測方案分別觀測兩類樣區喬木層LAI和總LAI，可以清晰地表明馬尾松樣區受林下植被的影響程度。

圖6 兩類樣區的喬木層LAI和總LAI比較 Fig.6 Compare between tree layer′s and all layer′s LAI of two kinds of quadrats實心點表示A類樣區喬木層LAI(葉面積指數, Leaf Area Index)和總LAI，空心點表示B類樣區喬木層LAI和總LAI; 觀測時間為2012年9月19日

圖7 B類樣區兩種觀測位置下LAI與NDVI關系 Fig.7 The relationship between LAI and NDVI under different measuring position in B. quadrats空心圓表示喬木層LAI和NDVI，實線表示喬木層LAI和NDVI線性關系；空三角形表示總LAI和NDVI，虛線分別表示總LAI和NDVI線性和對數關系; 觀測時間為2012年9月19日

4 結論

本文利用植被物候變化規律和國產HJ-1 CCD多光譜影像高時空分辨率的優勢，在科學的地面樣區實驗設計方案支持下，以地面實驗數據為依據，通過建立LAI與遙感植被指數的關系，研究林下植被對馬尾松LAI反演影響的時空異質性，并分析了造成不同影響程度的原因。

通過觀測不同季節馬尾松樣區郁閉度、LAI、樹高、冠幅和林下植被覆蓋度等數據，將48個馬尾松樣區分為A類和B類樣區，分析了不同季節兩類樣區的林下植被對LAI反演的影響程度；設計了一個新的觀測方案，在林下植被生長旺盛的季節，分別觀測了兩類樣區的喬木層LAI和總LAI，試圖研究林下植被對遙感反演LAI的影響程度。結果表明：

(1)受物候期影響，林下植被對馬尾松LAI反演的影響存在明顯的季節規律：冬季研究區林下植被基本枯萎，對LAI反演結果影響最小，實測LAI和影像NDVI關系顯著，線性回歸模型決定系數為0.65；夏季林下植被生長最為茂盛，對LAI反演結果影響最嚴重，實測LAI和NDVI關系不顯著；春、秋兩季影響居中；

(2)由于B類樣區馬尾松相對稀疏且受林下植被干擾嚴重，利用新觀測方式得到的總LAI和傳統方式得到的喬木層LAI差距非常大，最大差距達到2.93，相差的比例最大也達到了2.45倍；

(3)實測喬木層LAI和NDVI關系不顯著，但是實測總LAI和NDVI有明顯正相關關系，其中，總LAI和NDVI線性回歸關系的R2為0.66，對數關系決定系數R2達到0.68以上，且當LAI超過4時，LAI和NDVI關系有飽和趨勢；分別建立冬季和某季節的實測總LAI和NDVI的關系，可以估算出林下植被對馬尾松LAI反演的影響程度。

研究結果證實，當根據樣區實測LAI和影像NDVI建立統計關系來反演森林LAI時，必須要考慮不同生長季的不同郁閉度下林下植被的生長情況，并分別建立不同類型樣區(如本文中A類和B類樣區)的實測喬木層LAI和總LAI與遙感植被指數的回歸模型，才能更準確地估算出森林冠層LAI。

5 討論

遙感的本質就是反演，利用遙感手段反演目標物特征參數，不可避免的會存在各種不確定性問題，對于森林結構參數反演來說，林下植被就是一個不確定性問題。一方面，林下植被本身會作為綠色植被和森林冠層一起被傳感器所探測，從而一定程度上增加了遙感反演森林冠層參數的誤差；另一方面，由于林下植被的時空異質性非常強，因此，造成的混合像元問題往往比巖石、土壤等森林背景更難解決。由于上述原因，通過植被的物候規律并利用多時相遙感數據進行對比分析，很好地描述了林下植被帶來的影響。然而，植被反射率往往受到其生長期的影響，即便對于常綠喬木，一年內反射率會因物候期不同而異，因此，利用多時相遙感植被指數反演植被參數時，必須要結合近期的地面實測數據進行研究。本文以連續季節的地面實驗觀測數據為依據，通過建立其與對應影像植被指數的關系，研究林下植被對馬尾松LAI反演影響的時空異質性，為日后深入進行遙感定量估算森林LAI提供了新的地面實驗設計方案和研究思路。作者認為有以下幾方面值得進一步探討：

(1)本文所制定的郁閉度分類標準，是在參考前人研究成果基礎上，嘗試了多個其它劃分標準后得到的一個相對可靠的分類標準，因此，此分類標準只針對本研究區，當在其它樣區進行類似實驗時，應結合樣區實際情況而設定郁閉度分類標準。理論上，可以結合樹冠形狀、樹冠內部結構、樹冠密度及衛星傳感器觀測天頂角等參數構建幾何光學模型，求出林下植被對冠層結構參數反演影響程度的郁閉度分類標準。但在自然界中，即便對于純林，其樹冠形狀、樹冠內部結構及樹冠密度存在很大的時空異質性，用傳統觀測手段獲取這些參數會不可避免地產生很大誤差。條件允許下，可以結合地面激光雷達技術對樣區內林分結構進行快速、準確的測量，構建準確的幾何模型，進而設定更科學的郁閉度分類標準；

(2)不同林下植被的光譜差異對本文結果會產生影響，但一方面由于林下植被混雜嚴重；另一方面受林下光照條件限制，利用目前的地面光譜測量儀器很難得到準確的林下植被光譜。未來在條件允許下，應對林下植被進行分類并結合其光譜特性來開展更準確的地面實驗；

(3)后期將利用多源遙感數據(如多角度、多時相、高分辨率光學及激光雷達等遙感數據)，結合不同植被的結構和物候特點，構建研究區更精確的林分反射率模型，深入探討林下植被帶來的不確定性問題，更深層地研究林下植被對森林冠層LAI反演的影響。

[1] 汪小欽, 江洪, 傅銀貞. 森林葉面積指數遙感研究進展. 福州大學學報: 自然科學版, 2009, 37(6): 822-828.

[2] 吳炳方, 曾源, 黃進良. 遙感提取植物生理參數LAI/FPAR的研究進展與應用. 地球科學進展, 2004, 19(4): 585-590.

[3] Sellers P J, Randall D A, Collatz G J, Berry J A, Field C B, Dazlich D A, Zhang C, Collelo G D, Bounoua L. A revised land surface parameterization (SiB2) for atmospheric GCMS. part I: model formulation. Journal of Climate, 1996, 9: 676-705.

[4] Ganguly S, Nemani R R, Zhang G, Hashimoto H, Milesi C, Michaelis A, Wang W L, Votava P, Samanta A, Melton F, Dungan J L, Vermote E, Gao F, Knyazikhin Y, Myneni R B. Generating global leaf area index from landsat: algorithm formulation and demonstration. Remote Sensing of Environment, 2012, 122(SI): 185-202.

[5] Fang H L, Jiang C Y, Li W J, Wei S S, Baret F, Chen J M, Garcia-Haro J, Liang S L, Liu R G, Myneni R B, Pinty B, Xiao Z Q, Zhu Z C. Characterization and intercomparison of global moderate resolution leaf area index (LAI) products: analysis of climatologies and theoretical uncertainties. Journal of Geophysical Research: Biogeosciences, 2013, 118(2): 529-548.

[6] Vyas D, Christian B, Krishnayya N S R. Canopy level estimations of chlorophyll and LAI for two tropical species (teak and bamboo) from Hyperion (EO1) data. International Journal of Remote Sensing, 2013, 34(5): 1676-1690.

[7] 石月嬋, 楊貴軍, 馮海寬, 李偉國, 王仁禮. 北京山區森林葉面積指數季相變化遙感監測. 農業工程學報, 2012, 28(15): 133-139.

[8] Liu Y, Liu R G, Chen J M. Retrospective retrieval of long-term consistent global leaf area index (1981-2011) from combined AVHRR and MODIS data. Journal of Geophysical Research: Biogeosciences, 2012, 117(G), doi: 10.1029/2012JG002084.

[9] 吳國訓, 阮宏華, 李顯風, 居為民, 耿君. 基于MODIS反演的2000—2011年江西省植被葉面積指數時空變化特征. 南京林業大學學報: 自然科學版, 2013, 37(1): 11-17.

[10] 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.

[11] 馬健德. 森林背景反射率對冠層葉面積指數反演的影響研究 [D]. 南京: 南京大學, 2013: 61-61.

[12] 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.

[13] Law B E, Waring R H. Remote sensing of leaf area index and radiation intercepted by understory vegetation. Ecological Applications, 1994, 4(2): 272-279.

[14] Pisek J, Rautiainen M, Heiskanen J, M?ttus M. Retrieval of seasonal dynamics of forest understory reflectance in a Northern European boreal forest from MODIS BRDF data. Remote Sensing Environment, 2012, 117: 464-468.

[15] Eriksson H M, Eklundh L, Kuusk A, Nilson T. Impact of understory vegetation on forest canopy reflectance and remotely sensed LAI estimates. Remote Sensing of Environment, 2006, 103(4): 408-418.

[16] 莫江明, 彭少麟, Brown S, 孔國輝, 方運霆. 鼎湖山馬尾松林群落生物量生產對人為干擾的響應. 生態學報, 2004, 24(2): 193-200.

[17] 許雯. 江淮丘陵區馬尾松林碳密度和碳儲量研究 [D]. 南京: 南京林業大學, 2011: 54-54.

[18] Spanner M A, Pierce L L, Peterson D L, Running S W. Remote sensing of temperate coniferous forest leaf area index the influence of canopy closure, understory vegetation and background reflectance. International Journal of Remote Sensing, 1990, 11(1): 95-111.

[19] 傅銀貞, 汪小欽, 江洪. 馬尾松LAI與植被指數的相關性研究. 國土資源遙感, 2010, (3): 41-46.

[20] 汪永文, 王力, 王麗麗, 張令峰, 傅松玲. 馬尾松混交林林下植被結構及生物量特征研究. 安徽農業大學學報, 2010, 37(2): 312-316.

Impact of the understory on estimation of leaf area index ofPinusmassonianausing remote sensing technology

GENG Jun1,2, WANG Lei1,2, TIAN Qingjiu1,2,*, TU Lili1,2, HUANG Yan1,2, WANG Yan1,2, Lü Chunguang1,2, YANG Ranran1,2, YANG Yanjun1,2

1InternationalInstituteforEarthSystemScience,NanjingUniversity,Nanjing210046,China2JiangsuProvincialKeyLaboratoryofGeographicInformationScienceandTechnology,NanjingUniversity,Nanjing210046,China

Leaf area index (LAI), defined as half the total developed area of green leaves per unit ground horizontal area, is an extremely important vegetation characteristic parameter that describes the construction of vegetation canopy. For the past few years, LAI has been estimated operationally at a regional or even global scale by means of various retrieval methods using remotely sensed optical imagery. Understory vegetation (e.g., grasses, herbs, shrubs, etc.) is the layer of foliage below the forest canopy. As a background signal source in remote sensing, understory has had a serious impact on estimating many forest canopy parameters by remote sensing techniques for two reasons. on the one hand, it has very similar characteristics with those of the forest canopy because they are all vegetation. on the other hand, it has greater spatial-temporal heterogeneity than other backgrounds in remote sensing, e.g., soil, water, rock and litter, etc. The purpose of this paper is to determine the impact of understory on LAI inversion of forests with different canopy closures in different seasons. In this study, data from five field investigations and corresponding Chinese HJ-1 CCD remote sensing images were collected and analyzed to study the impact of understory on LAI inversion ofPinusmassonianaduring the period September 2012 to October 2013 in Chuzhou, Anhui province. By building empirical models of LAI ofPinusmassonianawith different canopy closures and Normalized Difference Vegetation Indices (NDVI) in different seasons based on the phenology of the understory and comparing the difference of LAI of tree layers and the LAI of all layers of the ecosystem using a new way of LAI measurement, the impact of understory on the calculation of LAI ofPinusmassonianawith different canopy closures and in different seasons was found. The results show that: (1) Understory had minimal impact on LAI inversion ofPinusmassonianain winter; R2of the linear relationship between NDVI and LAI was 0.65. Understory had the most serious impact in summer;R2of the linear relationship was only 0.25. The impact of understory in spring and autumn was greater than in winter and lower than in summer,R2of linear relationship was about 0.47. However,R2of linear relationship in the quadrats A, which were less affected by understory, was almost higher than 0.60 in all seasons (slightly less than 0.60 in summer). The reason was that the phenology of the understory caused different impacts in different seasons; (2) A significant difference between tree layer LAI and LAI of all layers in the same season was found, and the biggest gap was 2.93 and the maximum multiple was 2.45; (3) theR2of the linear relationship between LAI of all layers and NDVI was about 0.66, andR2of the logarithmic relationship was more than 0.68. However, the correlation between tree layers and NDVI was poor (R2was only 0.30).These findings indicate that the impact of understory on LAI inversion ofPinusmassonianacan be calculated when relationships between the LAI of all layers and NDVI in winter and other seasons are determined. Finally, the difficulties of studying understory impact on forest LAI retrieval are discussed, and several suggestions are proposed for future studies.

understory;Pinusmassoniana; leaf area index (LAI); remote sensing; canopy closure; phenology; uncertainty

國家科技重大專項(30-Y20A01-9003-12/13)

2014-01-10;

日期:2014-11-19

10.5846/stxb201401100078

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

耿君, 王磊, 田慶久, 涂麗麗, 黃彥, 王龑, 呂春光,楊冉冉, 楊閆君.林下植被對遙感估算馬尾松LAI的影響.生態學報,2015,35(18):6007-6015.

Geng J, Wang L, Tian Q J, Tu L L, Huang Y, Wang Y, Lü C G, Yang R R, Yang Y J.Impact of the understory on estimation of leaf area index ofPinusmassonianausing remote sensing technology.Acta Ecologica Sinica,2015,35(18):6007-6015.