楊樹林全生長期LAI遙感估算模型適用性

王　龑, 田慶久, 王　琦, 王　磊

1 浙江省水利水電勘測設計院，杭州　310002 2 南京大學國際地球系統科學研究所，南京　210023 3 中機十院國際工程有限公司，洛陽　471003

?

楊樹林全生長期LAI遙感估算模型適用性

王龑1,2, 田慶久2,*, 王琦3, 王磊2

1 浙江省水利水電勘測設計院，杭州310002 2 南京大學國際地球系統科學研究所，南京210023 3 中機十院國際工程有限公司，洛陽471003

摘要:基于時間序列的植被葉面積指數(LAI)估算方法一直是遙感領域研究的熱點，對植被全生長期LAI進行估算以跟蹤其生長情況具有重要的實用意義。以此為出發點，以滁州地區楊樹林為研究對象，獲取多時相環境衛星CCD(簡稱HJ-CDD)遙感影像，并利用LAI-2000同步測量楊樹林葉面積指數(LAI)。使用歸一化植被指數(NDVI)分別建立展葉期、花果期、葉面積穩定期和落葉始期的LAI估算模型，通過對比分析得到了全生長期LAI估算模型，并利用實測LAI對估算LAI進行了驗證。最后進一步對該模型的適用性進行了驗證，結果表明，此模型對于各個時期LAI的估算具有一定的適用性和有效性，可用于全生育期的遙感LAI生成，從而為LAI的動態變化監測提供了一種有效的研究思路和方法途徑。

關鍵詞：楊樹林；遙感；HJ-CCD；LAI；NDVI

植被LAI是研究植被冠層結構的一個重要參數，它表征著植被的許多生物物理過程，同時也為植冠表面最初能量交換提供結構化定量信息。傳統LAI測量方法僅能獲得地面有限點的LAI值，不能滿足植被生態和作物長勢監測的需求。隨著遙感技術的飛速發展，遙感估算成為行之有效地獲取區域LAI的方法[1]。國內外已利用多光譜與高光譜遙感數據開展了大量研究[2- 9]利用多時相、多波段的遙感影像估算LAI信息，可以進一步分析LAI隨時間和空間變化特征，對陸地植被的分布及季節變化研究提供強有力的手段。

目前常用的LAI遙感估算方法主要是經驗估算法，經驗估算法主要通過建立植被指數與葉面積指數的統計關系來估算葉面積指數，歸一化差值植被指數(NDVI)為最普遍使用的一種植被指數。但是這種方法估算林地LAI的缺陷是：1)葉面積穩定期LAI達到一定值，使NDVI出現飽和，造成LAI-NDVI估算模型幾乎表現不出LAI隨NDVI變化的趨勢。2)落葉期由于落葉及林窗，造成林下灌草混合的影響變大，使NDVI不能真實反映單一研究對象的信息，從而導致LAI-NDVI模型不能準確估算LAI。這兩大問題一直是LAI遙感估算領域研究的熱點和難點，目前國內外研究甚少[10- 13]，并且這些研究僅做了分析，而沒有提出明確的解決方法。

鑒于此問題，以楊樹林為研究對象，獲取多時相HJ-CCD 數據和實測LAI數據，構建了各個生長期和整個時期的LAI估算模型并對模型進行了對比分析，得到了可用于葉面積穩定期和落葉始期LAI估算的模型——全生長期LAI估算模型，并進行了精度驗證。最后通過對該模型的適用性進行驗證，進一步說明了此模型可用于時間序列的LAI估算，進而進行LAI季節變化特征分析。

1研究區概況

研究區位于安徽省滁州市境內，滁州市位于安徽省東部，長江三角洲西部邊緣。地貌大致可分為丘陵區、崗地區和平原區三大類型，全市森林總面積達27.33萬hm2，森林覆蓋率達到20.5%，人工林占95%以上，群落類型有闊葉林，針葉林，針闊混交林。楊樹已成為滁州市的主要造林樹種之一，其中黑楊類占的比例達80%以上，在樹種結構中占有絕對優勢。

2數據獲取與處理

2.1地面數據獲取

2012年5月至2013年6月，在安徽滁州地區共開展了4次野外楊樹林測量實驗，樣地和控制點分布如圖1。使用LAI-2000測量楊樹LAI,測量中采取 A 值(天空光)、B 值(冠層下方) 分開測量，即在空曠地方測量 A 值，進入林分后測量 B 值。

圖1　研究區控制點和主要植被樣地分布示意Fig.1　The distribution diagram of GPS control points and main vegetation sample plots for study area

研究一共選定了70個固定楊樹樣地，210個樣點，每次都在相同樣地的相同測點進行相同觀測方式重復觀測。為了減小地形及地表不均質對觀測結果的影響，樣區設置在地勢相對平坦、優勢樹種較單一、楊樹林空間分布面積大于90m×90m的位置。為了提高觀測精度，探頭佩帶90°張角的鏡頭蓋，每個樣區布置3—5個樣地，每個樣地大約30m×30m，每個樣地內沿對角線隨機選取3個樣點，每個樣點測3次B值，取測量時間最接近的A、B值估算各樣點LAI，求3個樣點的平均值作為該樣地的LAI。考慮到天頂角最大的A值第5圈數據可能存在地物遮擋影響，以及相對嚴重的藍光多次散射影響，本研究僅用LAI2000的1—4圈數據計算LAI[14]，結果如表1。用手持GPS(Mobile Mapper 6)記錄各個樣地的中心經緯度，同時詳細記錄各個對應樣點的楊樹長勢狀況及周圍植被覆蓋情況，并用數碼相機拍照作為輔助信息。

表1　各觀測時期楊樹林LAI實測值的統計

2.2HJ-CCD遙感數據獲取及處理

獲取與地面觀測時間相近的4景滁州地區HJ-CCD影像數據，分別為2012年5月4日、2012年9月16日、2013年4月14日和2013年6月3日。首先對這4景影像進行輻射定標、大氣校正，得到反射率圖像，然后利用實地測量的控制點分別對其進行幾何精校正，誤差控制在0.5個象元以內。

3楊樹林LAI估算模型構建

3.1各時期LAI估算模型構建

NDVI在植被遙感中應用最為廣泛，是植被生長狀態及植被覆蓋的最佳指示因子，并且經過比值可部分消除與太陽角、地形、云/陰影和大氣條件有關的輻照度條件的變化[15]。因此，研究選擇了歸一化植被指數(NDVI)開展研究。

在模型的形式上，考察了NDVI的線性、指數、對數3種形式。首先用4個時相HJ-CCD影像計算出NDVI，使用GPS點提取對應樣點NDVI值，分別建立各時期地面LAI和NDVI的模型，如圖2所示，4月份、5月份、6月份和9月份3種形式的估算模型，相關系(R2)如表2所示。

3.2楊樹林全生長期LAI估算模型構建

使用以上所有時期共112個樣本的實測LAI與對應影像象元的NDVI建立線性、指數、對數3種形式的模型，如圖3所示。

由表2可以看出，單個時期的LAI估算模型相關性在4月份和5月份比較高，而在6月份和9月份比較低。整個觀測時期的LAI-NDVI模型相關性雖然比4月份和5月份低，但是相比于6月份和9月份，模型有了很大改善。其中LAI與NDVI的指數模型(1)的相關性最高(圖3)。由于對于一般的林地，密度和林窗等大小不均勻，且較小LAI的林地易受林下背景植被的影響，因此模型的復相關系數(R2)很難達到較高值。為了驗證模型的可靠性，使用未參加建模的55個樣點的地面LAI測量數據對(1)式的LAI估算模型進行了驗證(圖4)。經驗證，實測值與估算值的相關系數R2=0.531，均方根誤差RMSE=0.38，可見該模型精度較高。因此，(1)式能夠可靠的反映統計關系:

LAI=0.481e2.889×NDVI(R2=0.5073)

(1)

定義此模型為全生長期LAI估算模型。

圖2　各時期LAI-NDVI估算模型Fig.2　The estimation model of LAI (Leaf Area Index) for each period

圖3　全生長期LAI估算模型　Fig.3　The LAI estimation model of aspen forest during the whole growth period

圖4　LAI估算值與實測值的比較　Fig.4　The relationship between estimated LAI and measured LAI

觀測時間Measurementtime對應生長期Growthperiod線性R2Linear指數R2Exponent對數R2Logarithm2012-05-07花果期0.60480.58740.59522012-09-22落葉始期0.23750.2290.2342013-04-19展葉期0.66150.71580.65752013-06-08葉面積穩定期0.11510.1350.11892012-05-07—2013-06-08以上所有時期0.47720.50730.4866

4結果分析與驗證

4.1結果分析

上述研究表明，4月份(展葉期)和5月份(花果期)的模型相關性高于全生長期模型，而6月份(葉面積穩定期)和9月份(落葉始期)則低于全生長期模型。這是由于：

(1) 4月份楊樹林處于展葉期，5月份處于花果期，這兩個時期是楊樹林生長最旺盛的時期，LAI隨時間增大的速度比較快，NDVI變化比較靈敏，并且林下灌草影響比較小。尤其是4月份，此時楊樹處于展葉期，而林下灌草則剛剛開始發芽，其覆蓋度很小，幾乎可以忽略不計，LAI-NDVI模型反映的是單一楊樹林對象真實的生長特點。對于5月份，雖然楊樹林生長也比較快，NDVI隨LAI變化也比較明顯，但是，由于此時林下灌草已經逐漸開始生長，葉子開始展開，因此對于楊樹林，尤其是對較稀疏的楊樹林的影響變大。因為林下灌草與楊樹林混合后在影像上表現為兩者的混合信息，NDVI不能真實的反映楊樹林像元信息，所以造成此時期LAI-NDVI模型相關性較4月份低。而全生長期模型的樣本量較大，個別樣本尤其是處于葉面積穩定期和落葉始期的樣本的影響，這兩個時期的樣本幾乎占到了整個時期樣本的50%，因此這些樣本帶來的誤差對整個時期樣本的分布趨勢影響較大，所以全生長期模型相關性低于4月份和5月份。

圖5　多個時期的NDVI與LAI散點圖Fig.5　Scatter of multitemporal NDVI and LAI for simple points

(2)6月份，楊樹林處于生長高峰期，葉子已經封頂，林下灌草幾乎對其無影響。但是，此時LAI值基本達到3.0左右，使NDVI出現一定程度的飽和，且個別LAI值較小的樣點主要是受林窗的影響，這些原因導致該時期模型幾乎表現不出LAI隨NDVI的變化趨勢。9月份，楊樹林處于落葉始期，部分葉子已落，葉子已變稀疏，然而林下灌草卻依然生長旺盛，尤其對于密度較小和葉片較稀疏的樣點，受灌草和林窗的影響較大。由于不同植被類型的LAI隨NDVI變化的趨勢有較大差異，因此，位于林窗較大處的樣點受灌草的影響較大，使得LAI-NDVI模型相關性大大降低。并且單個時期的樣本數量偏小，單個數據的測量誤差對數據的整體分布趨勢影響較大，而全生長期模型用整個時期的LAI數據進行統計時，樣本量較大，樣本中各時期的單點測量誤差對數據整體分布趨勢影響較小，因此全生長期模型相關性比6月份和9月份估算模型好。

(3)另外，數據樣本代表性較差，造成單時期LAI比較集中，而整個時期的LAI分布與單時期的LAI分布相比，相對均勻，且分散在LAI-NDVI二維空間的不同位置，能夠表現出LAI隨NDVI的變化趨勢，因此全生長期模型相關性較6月份和9月份的模型好。如圖5所示，4月份65%以上的LAI測量數據集中在1.0—2.0之間，而NDVI分布在0.43—0.54之間；5月份70%的LAI測量數據集中在2—3.5之間，NDVI在0.55—0.72之間；6月份62.5%的LAI集中在2.90—3.50，NDVI在0.63—0.72之間；9月份73%以上的LAI集中在2.5—4.0，NDVI在0.50—0.66；而整個時期的LAI變化范圍由1.3到4.3，NDVI由0.43變化到0.72，擴大了LAI的變化范圍，而且不同時期的數據在NDVI-LAI二維空間的位置不同，4月份LAI數據分布在LAI-NDVI的低值區域，6月份和9月份LAI數據分布在相對高值區域，5月份分布在相對中間位置，因此全生長期模型的數據能夠表現出LAI隨NDVI的變化趨勢。

通過上述結果分析可知，全生長期模型相關性較好，而6月份和9月份的LAI-NDVI模型相關性較差。而6月份主要是因為LAI基本達到穩定，使得NDVI比較集中，所以不能表現出LAI隨NDVI的變化趨勢；9月份則由于林下灌草及林窗的影響，導致其NDVI不能反映楊樹林的真實信息，因此LAI和NDVI的相關性較差。這兩種情況一直是遙感反演領域的研究熱點，也是至今尚未解決的難點。本論文以此為出發點，通過對各時期估算模型和全生長期估算模型的研究，以及具體的對比分析，找到了一種全生長期LAI估算模型，可用來估算葉面積穩定期和落葉始期的LAI。

4.2楊樹林全生長期LAI估算模型適用性驗證

圖6　模型估算LAI值和實測LAI值隨時間變化趨勢圖　Fig.6　The variation trend of LAI estimated and measured LAI with time

為了進一步驗證此模型的適用性，選擇一個大樣方，布設了8個樣地，分別于2012年5月7日(花果期)、2012年9月22日(落葉始期)、2013年4月19日(展葉期)、2013年6月8日(葉面積穩定期)進行連續觀測，計算每個時期8個樣地的平均值作為此時期的實測LAI值，得到LAI觀測值隨時間變化特征，如圖6所示。另外，分別用這4個時期對應的LAI-NDVI線性模型(圖2)估算8個樣地的LAI取平均作為此生長期的LAI，同時從全生長期模型估算的四景LAI影像(圖6)中取出這8個樣地的LAI估算值并取平均，得到各個生長期估算模型的LAI估算值和全生長期估算模型的LAI估算值隨時間變化特征，如圖6所示。

從圖6中可以看出，從整個生長期LAI的變化趨勢看，用全生長期模型估算的LAI的季節變化趨勢比用各個生長期單個模型估算的LAI的季節變化趨勢更為接近實測LAI的季節變化趨勢，即4月份至6月份處于上升趨勢，6月份達到頂峰，6月份至9月份處于下降趨勢，這與研究區楊樹林的生長規律相符合，這進一步證明了全生長期模型用于各個時期LAI估算的適用性。雖然在4月份和5月份，用各個生長期單個LAI估算模型估算的LAI值比全生長期模型稍接近實測LAI值，但是這兩種模型估算的LAI與實測LAI的差值相差不大。在6月份和9月份，用全生長期模型估算的LAI值比各個生長期LAI估算模型估算的LAI值更接近真實值，明顯提高了精度；而且，可以明顯看出，6月份的LAI-NDVI估算模型估算得到的LAI值偏小，而9月份的偏大。這是因為6月份LAI基本達到最大，NDVI相對集中，加上個別樣點受林窗影響，導致LAI幾乎表現不出隨NDVI變化的趨勢；而9月份部分葉子已經凋落，葉片密度變小，但林下灌草生長茂盛，引起楊樹林像元在影像上的NDVI值反映的是楊樹林和灌草的混合信息，比真實的楊樹林NDVI值大，因此用9月份LAI-NDVI估算模型估算得到的LAI值也比楊樹林的真實值大，這與實際情況相符合。

結合全生長期估算模型的驗證結果(圖4)及兩種不同估算模型估算LAI值與實測LAI隨時間變化的趨勢特征(圖6)可知，全生長期模型對于各個生長期LAI估算具有一定的適用性和有效性。因此，基于此模型可生成時間序列的LAI，進而研究LAI的動態變化，這為LAI動態變化研究提供了一種有效的遙感方法和思路。

5結論與討論

本研究利用多個時期LAI地面觀測數據和遙感數據，對不同時期楊樹林LAI估算模型相關性進行了探索，得到了楊樹林全生長期LAI估算模型，最后通過驗證進一步證明了全生長期模型用來估算各個時期LAI的適用性，為楊樹林季節變化監測提供了有效途徑。研究結論如下：

(1) 楊樹林LAI與NDVI的相關性隨著季相的變化而變化，4月中旬(展葉期)和5月初(花果期)的較高，6月份(葉面積穩定期)和9月份(落葉始期)的較低。

(2)全生長期LAI估算模型的相關性較4月份和5月份稍低，但是較6月份和9月份卻有大大提高。這說明用全生長期模型來估算葉面積穩定期和落葉始期的LAI具有一定的可行性，可改善這兩個時期LAI估算模型的局限性。

(3)楊樹林全生長期LAI估算模型可以推廣到其他任何時期楊樹林LAI的估算，并且基于此模型得到的LAI值隨時間變化趨勢較接近實測LAI隨時間變化趨勢。

(4)環境星具有分辨率較高和成像周期較短的優勢，能兼顧時效性和精度要求，更有利于跟蹤植被生長情況。

(5)由于觀測天氣及衛星重訪周期的限制，要獲取與地面觀測時間完全同步的影像數據比較困難，因此本研究獲取了成像時間與觀測時間最接近的準同步遙感影像。雖然獲取影像與地面觀測時間不完全同步，但6月份楊樹林LAI已經穩定，9月份LAI已封頂且幾天內物候基本無變化，因此對于各個時期LAI的總體變化趨勢影響很小。

參考文獻(References):

[1]WeissM, Baret F. Evaluation of canopy biophysical variable retrieval performances from the accumulation of large swath satellite data. Remote Sensing of Environment, 1999,70(3): 293- 306.

[2]Kuusk A, Lang M, Nilson T. Simulation of the reflectance of ground vegetation in sub-boreal forests. Agricultural and Forest Meteorology, 2004, 126(1/2): 33- 46.

[3]Fang H L, Liang S L. A hybrid inversion method for mapping leaf area index from MODIS data: experiments and application to broadleaf and needle leaf canopies. Remote Sensing of Environment, 2005, 94(3): 405- 424.

[4]Soudani K, Fran?ois C, le Maire G, Le Dantec V, Dufrêne E. Comparative analysis of IKONOS, SPOT, and ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands. Remote Sensing of Environment, 2006, 102(1/2):161- 175.

[5]楊貴軍, 趙春江, 邢著榮, 黃文江, 王紀華等. 基于PROBA/CHRIS 遙感數據和PROSAIL模型的春小麥LAI 反演. 農業工程學報, 2011, 27(10):88- 94.

[6]趙麗芳. 利用Hypeion高光譜遙感數據估測森林葉面積指數[D]. 北京: 北京林業大學,2007.

[7]Colombo R, Bellingeri D, Fasolini D, Marino C M. Retrieval of leaf area index in different vegetation types using high resolution satellite data. Remote Sensing of Environment, 2003, 86(1): 120- 131.

[8]Turner D P, Cohen W B, Kennedy R E, Fassnacht K S, Briggs J M. Relationships between leaf area index and landsat TM spectral vegetation indices across three temperate zone sites. Remote Sensing of Environment, 1999, 70(1): 52- 68.

[9]Manninen T, Korhonen L, Voipio P, Lahtinen P, Stenberg P. Leaf area index (LAI)estimation of boreal forest using wide optics airborne winter photos. Remote Sensing, 2009, 1(4): 1380- 1394.

[10]Wang Q, Tenhunen J, Granier A, Reichstein M, Bouriaud O, Nguyen D, Breda N. Long-term variations in leaf area index and light extinction in a Fagus sylvatica stand as estimated from global radiation profiles. Theoretical and Applied Climatology, 2004, 79(3/4): 225- 238.

[11]Wang Q, Adiku S, Tenhunen J, Granier A. On the relationship of NDVI with leaf area index in a deciduous forest site. Remote Sensing of Environment, 2005, 94(2): 244- 255.

[12]Birky A K. NDVI and a simple model of deciduous forest seasonal dynamics. Ecological Modelling, 2001, 143(1/2): 43- 58.

[13]LüDEKE M, JANECEK A, KOHLMAIER G H. Modelling the seasonal CO2uptake by land vegetation using the global vegetation index. Tellus B, 1991, 43(2): 188- 196.

[14]朱高龍, 李明澤, 居為民, 陳鏡明, 吳中忠. HJ-1CCD與Landsat-5TM在森林葉面積指數估算中的比較分析. 東北林業大學學報,2011,39(1):127- 130.

[15]趙英時. 遙感應用分析原理與方法. 北京:科學出版社,2003.

The applicability of leaf area index estimation model in an aspen forest over a growth period

WANG Yan1,2, TIAN Qingjiu2,*, WANG Qi3, WANG Lei2

1ZhejiangDesignInstituteofWaterConservancyandHydroelectricPower,Hangzhou310002,China2InternationalInstituteforEarthSystemScience,NanjingUniversity,Nanjing210023,China3ChinaMachineryTDIInternationalEngneeringCompanyLimited,Luoyang471003,China

Abstract：Estimation of leaf area index (LAI) time series is a hotspot in remote sensing, because it allows tracking of vegetation biomass changes over a growth period. In this study, we acquired multi-temporal HJ-CDD remote sensing images of an aspen forest in Chuzhou area and synchronously measured LAI using LAI-2000. LAI estimation models of different growth stages (leaf production, flowering, fruit bearing, leaf constant period, and leaf abscission period) were constructed using normalized difference vegetation index (NDVI). Contrastive analysis was used to obtain LAI estimation model of the aspen forest over a growth period and estimated LAI was verified. The results showed that the model could be applied to estimate LAI over a growth period and provide useful information on the dynamic monitoring change of LAI.

Key Words:aspen forest; remote sensing; HJ-CCD; LAI; NDVI

基金項目:國家重大科技專項(30-Y20A01-9003-12/13); 全球變化研究國家重大科學研究計劃項目課題(2010CB951503)

收稿日期:2014- 10- 21; 網絡出版日期:2015- 08- 21

*通訊作者

Corresponding author.E-mail: tianqj@nju.edu.cn

DOI:10.5846/stxb201410212064

王龑, 田慶久, 王琦, 王磊.楊樹林全生長期LAI遙感估算模型適用性.生態學報,2016,36(8):2210- 2216.

Wang Y, Tian Q J, Wang Q, Wang L.The applicability of leaf area index estimation model in an aspen forest over a growth period.Acta Ecologica Sinica,2016,36(8):2210- 2216.