遙感反演植被葉面積指數的不確定性來源綜述

劉遠+周買春

摘要：葉面積指數（LAI）是表征冠層結構的關鍵參數，影響植被光合、呼吸、蒸騰、降水截留、能量交換等諸多生態過程。目前利用不同的衛星遙感數據和反演方法，已經生成了多種全球LAI產品。然而，遙感反演LAI存在著主要由輸入數據和反演算法引起的不確定性。本文從地表反射率的光譜特征和大氣校正、土地覆蓋分類、數據時空分辨率等方面論述了LAI反演輸入數據的不確定性；從經驗或半經驗模型、物理模型以及模型對植被集聚效應方面論述了LAI反演模型的不確定性；最后總結了評價遙感反演LAI不確定性的方法，以及控制、減少不確定性的新途徑。

關鍵詞：遙感；葉面積指數；不確定性；反演；集聚效應

中圖分類號： S127；TP79文獻標志碼： A文章編號：1002-1302（2017）12-0012-07

植被葉面積指數（leaf area index，LAI）是表征冠層結構的關鍵參數，影響植被光合、呼吸、蒸騰、降水截留、能量交換等諸多生態過程，是眾多模擬區域和全球陸地生態系統與大氣間相互作用的生態模型、生物地球化學模型、動態植被模型和陸面過程模型中的重要狀態變量或關鍵輸入數據[1]。自1947年Watson最早在作物學領域提出LAI的概念[2]以來，LAI的定義經過不斷的修改和完善，目前通常采用Chen和Black的定義[3]，即將LAI定義為單位地表面積上綠葉表面積總和的一半。

全球變化、氣候模擬等研究迫切需要長時間序列的區域或全球尺度的多時相LAI產品。遙感技術的迅速發展及其與地理信息系統技術的結合，為大范圍、連續監測區域植被覆蓋變化提供了技術支持，多時相的遙感數據記錄了植被狀況的變化歷程。遙感反演逐漸成為獲取大面積LAI的重要途徑。目前，利用不同衛星遙感數據和不同的反演方法，已經生成了多種全球LAI產品，主要包括基于NOAA AVHRR的ECOCLIMAP[4]、ISLSCP-II[5]和AVHRR LAI[6]；基于SPOT VEGETATION的CYCLOPES[7]、GLOBCARBON[8]；基于TERRA/AQUA MODIS的MOD15[9]；基于ENVISAT MERIS的MERIS[10]；基于TERRA MISR的MISR[11-12]；以及基于多種數據源的GEOV1[13]、GLOBMAP[14]、GLASS[15]。這些LAI產品除遙感數據源不同外，數據的覆蓋時間范圍、時間和空間分辨率、反演算法等都存在差異，眾多的LAI產品哪種精度更高、更適用于哪一領域的應用，成為廣大LAI數據使用者的一大難題。雖然LAI數據生產者對產品精度進行了定量評價，但由于驗證數據和驗證方法不同，這些數據精度的驗證結果之間不具有可比性。目前，已有學者針對這些LAI產品的精度檢驗或相互間的對比做了一些有意義的工作，如Pisek等[16]、Liu等[17]和Li等[18]分別在加拿大、中國東北和中國江西省紅壤丘陵地區的研究表明，采用GLOBCARBON方法反演的LAI數據質量要優于MODIS的LAI產品MOD15；Garrigues等通過比較ECOCLIMAP、GLOBCARBON、CYCLOPES、MODIS等4種LAI產品與地面測量數據，得到CYCLOPES與地面測量值吻合最好[19]；向陽等通過GLASS、MODIS、CYCLOPES等3種LAI產品與地面測量數據之間的相關系數和均方根誤差定量對比，指出GLASS產品的精度明顯比后兩者高[20]。這些研究表明，遙感反演LAI存在不確定性，主要來源于輸入數據（地表反射率和土地覆蓋分類）和反演算法[21]。本文從輸入數據和反演算法2個方面剖析遙感反演LAI的不確定性，揭示LAI不確定性的根源，為廣大LAI數據使用者選擇合適的遙感LAI產品提供參考。

1輸入數據的不確定性

1.1地表反射率的不確定性

光子到達冠層，經過葉片和土壤背景的吸收、散射和反射等作用，射出冠層頂經過大氣被傳感器接收[22]。植被對不同波段入射光子的吸收和散射作用不同，形成了特殊的光譜響應特征。遙感反演就是基于遙感光譜信號和LAI兩者間的關系模型，實現從光譜信號到植被結構參數LAI間的轉換。地表反射率是遙感LAI反演中最關鍵的輸入，許多研究表明，地表反射率的微小變化都會對反演的LAI產生很大變化[23-25]。因此，地表反射率的不確定性對LAI產品的質量有重要的影響，其不確定性主要來源于傳感器自身的光譜特性（波段中心值、波段寬度等）和生成地表反射率時的大氣校正方法。

1.1.1光譜特征的不確定性在各光譜波段中，紅波段和近紅外波段反射率與葉片的特征最為相關且區別于其他地物，是LAI反演最常用的波段；另外，短波紅外波段反射率能反映土壤背景信息，可見光波段光譜特征主要受綠色植被的葉綠素含量控制，與葉片的疏密程度密切相關，這2種波段也常用作LAI反演的輸入數據[22]。然而，不同傳感器的波段中心值、波段寬度等存在一定的差異，造成地表反射率的不確定性。如AVHRR、VEGETATION和MODIS 3種常用的衛星遙感傳感器的光譜特性就明顯不同：AVHRR共有5個通道，光譜響應范圍在0.58～12.5 μm，常用的紅光波段和近紅外波段分別在0.58～0.68、0.725～1.10 μm；MODIS有0.4～14.5 μm 之間的36個波段，紅光波段和近紅外波段分別在0.620～0.670、0.841～0.867 μm；VEGETATION有0.43～1.75 μm 之間的5個波段，其中紅波段在0.61～0.68 μm，近紅外波段在0.79～0.89 μm。傳感器的光譜特性差異使其接收的地面輻射不同，從而導致它們在反映植被特征、空間分布和時間變化等都存在一定差異。AVHRR的近紅外波段范圍較寬，含有幾個強水分吸收帶，葉面含水量的影響使植被反射的近紅外輻射能量減少；相反，MODIS傳感器紅波段中心值是葉綠素對紅光的吸收峰值，近紅外波段是綠色植被對近紅外光的強反射區，且波段寬度小，避開了近紅外區中植被的強水分吸收帶，消除了水汽的干擾。MODIS和VEGETATION的波段中心值、波段寬度較為相近，它們所呈現的各個波段的地表反射率也較為接近，而AVHRR的光譜寬度則較寬，地表反射率的差別則較大[26]。遙感反演LAI通常不是直接建立LAI與地表反射率的關系，而是建立與植被指數（VI）的相關關系。在眾多的VI中，NDVI（normalized difference vegetation index）是其中一種最常用的LAI反演參數，它是通過可見光紅光波段（R）和近紅外波段（NIR）2個波段測值組合而成的，NDVI=（NIR-R）/（NIR+R）。然而，由于不同衛星傳感器光譜特性的差異，它們的NDVI也存在差異。許多研究表明，AVHRR、SPOT-VGT和MODIS等NDVI在全球許多地方都存在明顯的差異[26-31]。這些差異為LAI的反演帶來了不確定性。endprint

多光譜傳感器存在波段設置較寬、波段不連續等不足，隨著高光譜遙感技術的興起，其特有的精細光譜特征逐漸受到人們的關注。高光譜遙感（hyperspectral remote sensing）是指利用很多很窄的電磁波波段（通常<10 nm）從目標物體獲取有關數據，具有光譜分辨率高、波段多且連續性強（0.4～2.5 μm 范圍內有幾百個波段）、信息量豐富、譜像合一等優點[32]。利用高光譜合適波段來反演LAI能一定程度降低由光譜特性帶來的不確定性。目前，可利用的星載高光譜遙感數據主要有EO-1/HYPERION、MIGHTYSAT-2.1/FTHSI和PROBA/CHRIS等[33]，國內外學者已經開始將這些數據應用在LAI反演中[34-39]。

1.1.2大氣校正的不確定性電磁波在太陽-目標物-衛星之間的傳輸過程極其復雜，不僅與光照條件、傳感器的探測光譜響應、地表起伏等有關，更受到吸收、散射等大氣作用的影響，必然導致輻射傳輸失真[40]。因此，衛星遙感地表反射率必須進行大氣校正。大氣校正是采用數學或者物理模型并借助計算機技術模擬純大氣分子、氣溶膠和水汽等對遙感信號的吸收和散射過程，去除吸收和散射影響，反演地學目標實際地表反射率的過程[41]。目前，諸多的大氣校正模型大致可以分為4類：基于地面定標的經驗回歸模型、基于圖像特征的校正模型、基于大氣輻射傳輸理論的校正模型和復合模型。基于地面定標的經驗回歸模型，是假設地面目標的反射率與遙感器探測的信號之間具有一定的關系，通過獲取遙感影像上特定地物的灰度值及其成像時相應的地面目標反射光譜的測量值，建立兩者之間的回歸方程式，在此基礎上對整幅遙感影像進行輻射校正[42]。基于圖像特征的校正模型，是僅利用遙感圖像自身的信息對遙感數據進行定標，不需要同步測量地面光譜及大氣參數，如暗目標法（dark-object method））[43]、反差降低法（contrast reduction methods）[44]、不變目標法（invariant-object method）[45]、直方圖匹配法（histogram matching method）[46]、聚類匹配法[47]等。基于大氣輻射傳輸理論的校正模型，是利用電磁波在大氣中的輻射傳輸原理建立起來的模型對遙感圖像進行大氣校正，如LOWTRAN（low resolution atmospheric transmittance and radiancecode）[48]、MODTRAN（moderate resolution transmission）[49]、5S（simulation of the satellite signal in the solar spectrum）[50]、6S（second simulation of the satellite signal in the solar spectrum）[51]等。復合模型即將2種或多種大氣校正方法組合使用[52-54]。

盡管光學遙感大氣校正已有很多研究成果，但并沒有一個普遍公認的模型。基于地面定標的經驗回歸模型原理簡單，但需進行實地同步定標點的光譜測量，地面定標點的測量精度對模型的精度影響很大；基于圖像特征的校正模型不需要地面光譜及大氣環境參數的測量，但該方法基于很多前提的假設，如果遙感圖像不滿足假設條件，模型精度就會降低；基于大氣輻射傳輸理論的校正模型雖有嚴格的物理基礎，但需要確定大氣參數，大氣參數空間分布的隨機性和非均勻性使其測量或估算會產生較大的誤差，從而影響模型的精度；復合模型在一定程度上彌補了利用單一方法進行校正的局限，但同樣也集合了多種方法的不確定因素。在幾種常用的衛星遙感的地面產品中，AVHRR PAL（pathfinder AVHRR land）Ⅱ的大氣校正分別對瑞利散射、臭氧散射、水汽吸收和氣溶膠4個影響因素進行直接校正[55]；VEGETATION數據產品VGT-S系列采用的大氣校正模型是一種簡化的5S大氣輻射傳輸模型-SMAC模型[56]；MODIS全球地表反射率標準產品MOD09是采用6S大氣輻射傳輸模型進行大氣校正[57]。

各種大氣校正模型的前提假設和原理都有不同，校正后的植被反射光譜信號也不同，從而造成LAI反演的不確定性。目前，國內外針對大氣校正模型對LAI反演影響的研究還不多，陳新芳等對比6S模型和基于影像自身的Gilabert模型校正后TM數據反演的褒河流域闊葉林和針闊混交林LAI結果，指出不同大氣校正模型對LAI的遙感估算結果有較大影響[58]；顧哲衍等利用6S模型、FLAASH模型和ATCOR2模型對Landsat 8 OLI影像進行大氣校正，反演南京市江寧區闊葉林的LAI，結果顯示ATCOR2模型校正的VI不適于闊葉林LAI-VI的回歸建模，基于FLAASH模型的闊葉林LAI估算精度優于6S模型[40]。

1.2土地覆蓋分類的不確定性

由于不同類型植被的冠層結構和葉片形狀等存在差異，反演LAI的物理模型通常需要根據土地覆蓋分類對模型植被參數進行參數化；經驗模型一般也是區分不同植被種類來建立地面實測LAI與遙感VI間的統計關系。不管是經驗模型還是物理模型，LAI反演都是在現有土地覆蓋數據的基礎上進行的。如MOD15的主算法和備用算法在GLC2000土地覆蓋數據集的基礎上將全球植被歸為6種生物群系類型[9]；ECOCLIMAP將全球地表劃分為15種主要類型，主要的土地覆蓋分類來源于UMD土地覆蓋數據集[4]；GLOBCARBON在GLC2000的基礎上進行簡化和合并，將全球地表分為6種類型[8]；GLOBMAP采用的是MODIS土地覆蓋類型產品MCD12Q1，將全球地表劃分為17種類型[14]。

目前，常用的全球土地覆蓋產品主要有USGS（United States geological survey）的GLCC（global land cover characteristics）[59]、美國馬里蘭大學的UMD土地覆蓋數據集[60]、歐盟委員會JRC（European commission joint research centre）的GLC2000（global landcover for the year 2000）[61]以及MODIS土地覆蓋類型產品MOD12Q1[62]。除GLC2000采用FAO（food and agriculture organization_LCCS（land cover classification system）將土地覆蓋分為22類外，GLCC、MODIS和UMD都是采用IGBP（international geosphere-biosphere program）分類系統將土地覆蓋分為17種類型（UMD去掉了當中的3類分為14類）。4種土地覆蓋數據的空間分辨率都是1 km，但各自采用的遙感數據源和分類方法有所不同，GLCC和UMD是由AVHRR數據生成的，前者采用非監督分類，后者采用監督分類樹；GLC2000和MOD12Q1分別由VEGETATION和MODIS數據生成，前者采用非監督分類，后者采用監督分類樹。國內外已有一些學者針對這些土地覆蓋分類數據的差異展開研究，表明這些數據在各類土地覆蓋空間分布、制度精度等都存在較大的差異[63-67]。Ran等指出這4種土地覆蓋數據在我國陸域部分的精度都不能滿足我國陸面過程模擬的需要[68]，他隨后在2000年的MOD12Q1土地覆蓋數據的基礎上，融入了我國多種土地利用/土地覆蓋數據，建成了IGBP分類系統的2000年1 km分辨率的我國土地覆蓋數據MICLCove[69]。研究表明，使用不同的土地覆蓋分類數據對LAI的反演精度有較大的影響[70-72]。endprint

1.3輸入數據時空分辨率的不確定性

時空分辨率是LAI精度的一個重要體現，分辨率不同，呈現出的LAI大小和變化往往是不同的。LAI的時空分辨率由輸入數據決定，然而，不同衛星遙感數據的時空分辨率存在一定的差異，從而造成LAI的不確定性。如常用的AVHRR、MODIS和SPOT-VGT 3種植被遙感數據，時間分辨率一般能達到15、8 d；AVHRR數據的空間分辨率比較低，一般是 8 km，MODIS和SPOT-VGT數據的空間分辨率一般能達到 1 km 或500 m。雖然AVHRR數據的空間分辨率較低，但數據的時間序列較長（1981—2006年），其20世紀80、90年代的數據是MODIS和SPOT-VGT所不能具有的。全球變化、氣候模擬等研究需要長時間序列的多時相LAI產品，所以人們嘗試將這些不同遙感來源的數據進行融合，如GEOV1融合了MOD15和CYCLOPES不同數據源的LAI產品；GLOBMAP和GLASS采用不同的方法融合了AVHRR和MODIS地表反射率，得到長時間序列的LAI產品。

土地覆蓋分類數據作為LAI反演的重要輸入，其空間分辨率對反演結果同樣有重要的影響。每個像元上土地覆蓋類別往往不是單一的，即便是同種的生物群系類型內部的植被和土壤背景也會存在一定的差異，土地覆蓋數據的空間分辨率越高，越能體現地表的異質性。“1.2”節中介紹的幾種全球土地覆蓋數據的空間分辨率都是1 km，而很多國家和地區都有更高分辨率的土地覆蓋數據。土地覆蓋數據代表的是其數據源覆蓋時段的地表土地覆蓋情況，不具有時間分辨率。如GLCC和UMD是基于1992年4月至1993年3月的AVHRR數據建立的，代表該時期的土地覆蓋分類；GLC2000是基于2000年1—12月的VGT數據建立的，代表的是2000年的土地覆蓋分類；MODIS提供了2001—2004年的數據，分別代表各年的土地覆蓋分類，可以說在該時段其時間分辨率為年；MICLCover融合了我國多種2000年的土地利用數據和MODIS 2001年的土地覆蓋數據，代表的是2000年土地覆蓋分類。然而，地表土地覆蓋通常存在年際變化和季節變化，而且隨著人類活動對自然的干擾，土地覆蓋將在越來越小的時間尺度內發生變化，采用不變的土地覆蓋數據來反演長時間序列的LAI，必將增加反演結果的不確定性。因此，在一定的時間周期內更新土地覆蓋數據或使其具有較高的分辨率是十分必要的。

2反演模型的不確定性

LAI遙感反演就是建立遙感光譜信號和植被LAI兩者間的關系模型，實現從光譜信號到植被結構參數LAI間的轉換。但是由于植被結構和生物物理特性多樣，冠層和大氣輻射傳輸過程復雜，這種轉換存在很大的不確定性[22]。目前，光學遙感反演LAI的方法主要可分為2類：經驗或半經驗模型和物理模型。

2.1經驗或半經驗模型的不確定性

經驗或半經驗模型是通過建立地面實測LAI與遙感VI之間的經驗線性或非線性回歸模型估算植被LAI，通常針對不同的區域和植被類型分別擬合，選擇最佳的函數形式和參數。常用于建立LAI經驗模型的植被指數主要是NDVI和SR[simple ratio，SR=（1+NDVI）/（1-NDVI）]，它們都是采用紅波段和近紅外波段測值組合而成的。選擇這2個波段主要是因為植被在紅波段強吸收，在近紅外波段強反射，隨著植被LAI的增大，紅波段反射率減小，近紅外波段反射率增大，由它們組合的植被指數能夠突出植被信息，同時也減小了冠層陰影、土壤背景、大氣污染和角度效應等的影響[22]。經驗或半經驗模型反演植被LAI，不需要考慮光子在冠層內復雜的傳輸過程，方法簡單高效，在小尺度范圍內可以獲得較高的精度。但是，在大尺度或者全球范圍內使用該方法反演LAI，不確定性將增大，主要體現在以下3個方面：（1）未能充分利用遙感光譜信息。經驗或半經驗模型反演LAI一般僅以2～3個波段組合生成的植被指數作為自變量，構造與LAI的回歸模型。將2～3個波段的信息合成1個簡單的系數，同時忽略了多光譜傳感器其他波段的光譜信息，必會造成地表信息的缺失，增加反演結果的不確定性。（2）地面測量LAI的不確定性和空間代表性的尺度效應。地面測量LAI的不確定性主要由測量儀器本身的測量能力和測量者的測量方法、測量習慣2個方面引起。一般來講，通過儀器標定、制定操作規范、進行測量人員培訓和重復測量等措施，可在一定程度內降低LAI測量的不確定性。LAI測量常用的方法是在每個基本采樣單元內，按照某種采樣方法（簡單隨機采樣法、分層采樣法、系統空間均勻采樣法等），用直接或間接測量方法進行LAI單點測量，然后通過一定的轉換關系（如算術平均、面積加權平均等）將單點LAI值轉換到采樣單元尺度。由地面采樣點觀測值升尺度到基本采樣單元尺度會產生一定的不確定性，與地表異質性和采樣方法密切相關。（3）回歸模型的不確定性。經驗或半經驗模型可分為線性回歸模型和非線性回歸模型，其不確定性主要體現在統計函數形式。目前應用在LAI反演的統計模型有線性函數、冪函數和指數函數等多種形式，選擇不同的函數，LAI的反演結果也會不同。

常用的全球LAI產品不乏采用經驗或半經驗模型的，如MOD15的備用算法是通過對全球不同區域的大量觀測，建立起MODIS NDVI與6種不同植被類型實測LAI的對應關系，這種關系通過LUT（look-up tables）來表達[9]；ECOCLIMAP是根據在15種植被類型上定點實測的LAI最大值和最小值，分別建立與AVHRR NDVI的線性關系，得到月時間序列的LAI值[4]；ISLSCP-II通過建立FPAR（fraction of photosynthetically active radiation）與實測LAI之間的經驗關系來獲得，FPAR是基于SR或NDVI，區分12種土地覆蓋類型計算得到的，實測LAI數據來自于FIFE（first ISLSCP field experiment）和BOREAS（boreal ecosystem-atmosphere study）[5]。這些LAI數據產品在植被指數的選擇、植被種類的劃分、使用的地面實測數據和遙感數據以及采用的統計模型的函數形式等都不盡相同，造成LAI的精度和不確定性也不同。endprint

2.2物理模型的不確定性

物理模型是基于植被冠層的光子傳輸理論模擬冠層中的輻射傳輸過程，其理論基礎是認為植被具有非朗伯體特性，即植被對太陽光短波輻射的散射具有各向異性，利用BRDF（bidirectional reflectance distribution function）模型將冠層結構參數（LAI等）、土壤背景、觀測和入射幾何角度等與遙感光譜反射率聯系起來。物理模型可分為幾何光學模型、輻射傳輸模型和兩者相結合的混合模型3類[73]。物理模型一般分葉片和冠層2個尺度來模擬光子的輻射傳輸過程：葉片尺度的模擬采用葉片輻射傳輸模型，建立葉片光學屬性（反射率和透射率）與葉片結構參數、生物物理參數（葉綠素濃度、水分含量等）的關系，常用的葉片輻射傳輸模型有PROSPECT[74]和LIBERTY[75]；從葉片擴展到冠層尺度可采用冠層輻射傳輸模型，如SAIL[76]，也可采用幾何光學模型，如4-scale模型[77]。相對于經驗或半經驗模型，物理模型以物理光學為基礎，適用的植被類型和空間范圍更廣，是反演大面積LAI的唯一可行方法[78]。然而，和經驗或半經驗模型一樣，物理模型反演LAI仍不可避免不確定性。正如李新所說，物理模型的不確定性是本質的、內蘊的[79]，通常可以估計、控制和減小這種不確定性，但由于異質性總是存在，并不能將其完全消除。歸納起來，物理模型的不確定性主要來源于以下3個方面：（1）模型的基本假設。物理模型的核心方程對地表參數的空間和角度分布都做了一些假設，這些假設與真實的場景存在不一致性，從而帶來一定的不確定性[80]。如葉片輻射傳輸模型PROSPECT將葉片看成是由N層均一平板堆疊而成，平板間由N-1層氣體空間隔開，將葉片反射率和透過率表示為葉肉結構參數、葉綠素濃度、水分含量、干物質含量和灰分物質含量的函數，適用于闊葉植被；針葉模型LIBERTY在細胞層次上將針葉組織簡化為分散分布的球形顆粒，根據葉綠素、水分等主要吸收要素在單位葉片面積的含量，通過這些要素吸收系數的線性組合計算總體吸收系數，從而模擬針葉的反射率和透過率；冠層輻射傳輸模型SAIL假設植被冠層是由方位隨機分布的水平、無限擴展的各向同性葉片組成的混合體，葉片均具有漫散射的發射和透射特性，當給定冠層結構參數和環境參數時，可以計算任意入射和觀測方向的冠層反射率；4-scale 幾何光學模型從樹群落、樹冠、樹枝和樹梢4個尺度考慮冠層BRDF效應，假設樹的分布服從Neyman分布，考慮了樹冠間的多重陰影和光照背景、樹枝的結構、樹冠表面的多重陰影和熱點，來計算冠層的方向反射率。LAI反演應根據植被冠層特征選擇合適的輻射傳輸模型，如PROSPECT和LIBERTY分別適用于闊葉和針葉植被；SAIL模型考慮了多次散射的因素，但沒有考慮植被的幾何結構，適于模擬連續、均勻的植被群體；4-scale模型考慮了植被個體的結構特征，適于模擬離散植被群落。（2）模型參數。物理模型參數眾多，如目前常用的輻射傳輸PROSPECT+SAIL的輸入參數包括PROSPECT所需的葉片生化組分（葉綠素、葉片水分、干物質、胡蘿卜素含量）、葉片結構參數，SAIL所需的葉片反射率和透射率、LAI、平均葉傾角、熱點參數、土壤反射率、天空光散射比、太陽天頂角和方位角、觀測天頂角和方位角；又如幾何光學模型4-scale的輸入參數包括樹結構參數（冠層半徑和高度、needle-to-shoot比例、典型葉片或樹梢尺寸、集聚度指數）、葉片和背景的光譜反射特征、站點參數（樣區面積、LAI、植被濃密度、樹群指數、太陽天頂角和觀測方位角）。一些參數很難通過實測獲得，即便是可以實測的參數，也很難對異質地表的每個像元進行測量，必須根據植被類型做一些簡化或假設來獲得大范圍的參數。因此，不可避免帶來不確定性。（3）反演算法。物理模型結構復雜，參數眾多，實際反演過程中常采用的反演方法主要有數值優化法、查找表法（LUT）、人工神經網絡法以及數據同化法等[81]。數值優化法是利用優化算法迭代優化模型輸入參數（包括LAI），直到模擬的反射率與觀測反射率最接近，此時優化得到的模型輸入參數即為最佳估算參數，從而得到最優的LAI；LUT是利用模型不同輸入參數組合，模擬出各種觀測幾何和土壤背景下的各波段反射率，構建輸入參數與地物反射率的關系表，然后采用查找表的方式搜尋觀測反射率與模擬反射率最為接近時的輸入參數組合，從而實現LAI的反演；神經網絡法首先應用模型模擬構建一個代表各種植被狀況的大的數據集，來訓練BP（back-propagation）神經網絡，將地表反射率輸入BP網絡，應用BP算法使冠層變量最接近，從而得到LAI；數據同化法是利用遙感反射率數據或實測反射率數據，將LAI作為傳遞參量，結合物理模型與構建的LAI預測模型，得到最優的LAI。數值優化法可以保持模型本身精度，但計算耗時長，難以應用于大區域反演；查找表法和人工神經網絡法雖然可以實現模型的快速反演，但反演結果的可靠性依賴于查找表和神經網絡訓練數據的代表性；數據同化法動態地融合不同來源和不同尺度的直接與間接觀測，是減小和控制不確定性的新方法。

在常用的全球LAI產品中，MOD15主算法和AVHRR LAI采用的是三維輻射傳輸模型，LUT來反演[6，9]；CYCLOPES和MERIS采用的是一維輻射傳輸模型（PROSPECT+SAIL），神經網絡法來反演[7，10]；GLOBCARBON采用 4-scale模型，基于植被類型模擬SR或RSR（reduced simple ratio）與LAI關系，并采用迭代的方法消除BRDF效應[8]。隨著多角度遙感和激光雷達的興起和發展，為植被結構的提取提供了更多的技術支持，越來越多的植被物理和生物化學參數可以直接或間接由遙感數據獲得。合理地將多傳感器數據進行定量融合，在反演中更加細致地考慮植被的結構，能夠使LAI反演算法的精度和適用性得到提高，減小反演模型的不確定性。

2.3植被集聚效應的不確定性endprint

LAI的另外一個不確定性來源是反演模型對植被集聚效應的考慮。集聚效應是由葉片面積的集度在空間的變化所引起的，植被在多個空間尺度上發生集聚效應：植株尺度對應于葉片在植物的莖或樹木的樹干、樹枝上的分布；冠層尺度相應于冠層下植物的排列，如行作物地會形成不連續的冠層；最后是景觀尺度，它是由多種土地覆蓋類型組成的混合用地所產生的，因為對于中等分辨率的遙感數據，林地、耕地、草地、裸地等土地覆蓋類型的面積經常會比像元小。遙感反演LAI通常獲得的是有效葉面積指數（LAIe），LAIe沒有考慮植被的集聚效應，比真實葉面積指數小。它們之間可以通過聚集度指數（clumping index）Ω來轉換，LAI=LAIe/Ω。聚集度指數表征植被冠層葉片的空間分布特征，是集聚效應的定量表達。目前植被的集聚效應研究還處于起步階段，聚集度系數的空間分布資料還很缺乏，所以現有的LAI遙感反演模型很少考慮聚集度系數或簡單根據植被的類型憑經驗給定，這樣處理無疑增加了LAI反演的不確定性。

在常用的全球LAI產品中，CYCLOPES沒有考慮植株和冠層尺度的集聚相應，只考慮了景觀尺度的集聚效應，它在使用SAIL模型模擬像元的VEGETATION地表反射率時，將具有多種土地覆蓋類型的混合像元看成是由很多小塊的純植被或純裸土組成[7]；ECOCLIMAP是根據15種植被類型定點實測LAI來建立與AVHRR NDVI的關系，實測LAI的變化范圍考慮了植株和冠層尺度的集聚效應[4]；GLOBCARBON和GLOBMAP同樣考慮了植株和冠層尺度的集聚效應，通過引入聚集度指數將有效葉面積指數轉換為真實葉面積指數，聚集度指數根據土地覆蓋的類型確定[8，14]；MOD15通過三維輻射傳輸模型來考慮棵株、冠層和景觀3個尺度的集聚效應，生成真實葉面積指數[9]。Garrigues等指出對植被冠層結構（聚集效應）的不同表達是造成MODIS、CYCLOPES、GLOBCARBON和ECOCLIMAP 4種全球LAI產品差異的重要原因[19]。隨著MISR、POLDER等多角度遙感數據在植被結構信息提取中的應用，LAI遙感反演開始關注植被的集聚效應，如Chen等利用MISR和MODIS數據反演得到全球聚集度指數[82]，朱高龍利用POLDER和MODIS數據反演得到我國2003—2008年500 m分辨率的聚集度指數數據[83]。

3結語

遙感反演植被LAI的不確定性總是存在的，不可能完全消除，只能采用合適的方法控制或減小其不確定性，在這之前首先要對LAI的不確定性有充分的認識和合理的評價。本文從輸入數據和反演算法2個主要的方面深入闡釋了遙感反演LAI的不確定性，認識了LAI不確定性的根源。其不確定性可通過與地面實測LAI比較定量評價，但對于大尺度或全球范圍的LAI，采樣點植被的代表性具有較大的局限性；也可通過對比不同LAI產品的空間分布和季節變化的相對合理性、時間序列的相對平滑性等因素，作定性的評價。近年，TCEM（triple collocation error model）方法的提出，使得在LAI真值未知的情況下可直接獲得3種LAI數據集的不確定性[84]。

空間信息技術的快速發展，為控制和減少遙感反演LAI的不確定性帶來了許多新的思路，如多源傳感器數據的定量融合改進LAI的反演；通過星載高光譜遙感數據獲得更豐富、準確的地表信息；多角度遙感和激光雷達技術應用于植被結構參數的提取。另外，隨著數據同化技術的興起和在陸面系統模擬中的應用，可實現實測LAI與模型反演LAI的動態融合，利用模型與觀測的互補，減少模型反演LAI的不確定性。總之，“不確定性加上不確定性并不等于更大的不確定性”[79]，只有充分利用多源信息，同時使用先進的方法，才能更好地控制和減少LAI反演的不確定性。

參考文獻：

[1]柳藝博，居為民，陳鏡明，等. 2000—2010年中國森林葉面積指數時空變化特征[J]. 科學通報，2012，57（16）：1435-1445.

[2]Watson D J. Comparative physiological studies on the growth of field crops. Ⅰ. Variation in net assimilation rate and leaf area between species and varieties，and within and between years[J]. Annals of Botany，1947，11（1）：41-76.

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

[4]Masson V，Champeaux J L，Chauvin F. Ecoclimap：a global database of land surface parameters at 1 km resolution[J]. Meteorological Applications，2005，12（1）：29-32.

[5]Los S O，Collatz G J，Sellers P J，et al. A global 9-yr biophysical land surface dataset from NOAA AVHRR data[J]. Journal of Hydrometeorology，2000，1（2）：183-199.

[6]Ganguly S，Schull M A，Samanta A A，et al. Generating vegetation leaf area index earth system data record from multiple sensors. Part 1：theory[J]. Remote Sensing of Environment，2008，112（12）：4333-4343.endprint

[7]Baret F，Hagolle O，Geiger B，et al. LAI，fAPAR and fCover CYCLOPES global products derived from VEGETATION. Part 1：principles of the algorithm[J]. Remote Sensing of Environment，2007，110（3）：275-286.

[8]Deng F，Chen J M，Plummer S，et al. Algorithm for global leaf area index retrieval using satellite imagery[J]. IEEE Transactions on Geoscience and Remote Sensing，2006，44（8）：2219-2229.

[9]Myneni R B，Hoffman S，Knyaxikhin Y，et al. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data[J]. Remote Sensing of Environment，2002，83（1/2）：214-231.

[10]Bacour C，Baret F，Beal D，et al. Neural network estimation of LAI，fAPAR，fCover and LAI×Cab，from top of canopy MERIS reflectance data：principles and validation[J]. Remote Sensing of Environment，2006，105（4）：313-325.

[11]Hu J N，Tan B，Shabanov N，et al. Performance of the MISR LAI and FPAR algorithm：a case study in Africa[J]. Remote Sensing of Environment，2003，88（3）：324-340.

[12]Hu J N，Su Y，Tan B，et al. Analysis of the MISR LA/FPAR product for spatial and temporal coverage，accuracy and consistency[J]. Remote Sensing of Environment，2007，107（1/2）：334-347.

[13]Baret F，Weiss M，Lacaze R，et al. GEOV1：LAI and FAPAR essential climate variables and FCOVER global time series capitalizing over existing products. Part1：principles of development and production[J]. Remote Sensing of Environment，2013，137（10）：299-309.

[14]Liu Y，Liu R G，Chen J M，et al. Expanding MISR LAI products to high temporal resolution with MODIS observations[J]. IEEE Transactions on Geoscience and Remote Sensing，2012，50（50）：3915-3927.

[15]Xiao Z，Liang S，Wang J，et al. Use of general regression neural networks for generating the GLASS leaf area index product from Time-Series MODIS surface reflectance[J]. IEEE Transaction on Geoscience and Remote Sensing，2014，52（1）：209-223.

[16]Pisek J，Chen J M，Deng F. Assessment of a global leaf area index product from SPOT-4 VEGETATION data over selected sites in Canada[J]. Canadian Journal of Remote Sensing，2007，33（4）：341-356.

[17]Liu R，Chen J M，Liu J，et al. Application of a new leaf area index algorithm to Chinas landmass using MODIS data for carbon cycle research[J]. Journal of Environmental Management，2007，85（3）：649-658.

[18]Li X，Ju W，Zhou Y，et al. Retrieving leaf area index of forests in red soil hilly region using remote sensing data[C]. Bellingham：Second International Conference on Earth Observation for Global Changes，2009.endprint

[19]Garrigues S，Lacaze R，Baret F，et al. Validation and intercomparison of global leaf area index products derived from remote sensing data[J]. Journal of Geophysical Research Biogeosciences，2008，113（G2）：1-20.

[20]向陽，肖志強，梁順林，等. GLASS葉面積指數產品驗證[J]. 遙感學報，2014，18（3）：573-596.

[21]Hill M J，Senarath U，Lee A，et al. Assessment of the MODIS LAI product for Australian ecosystems[J]. Remote Sensing of Environment，2006，101（4）：495-518.

[22]劉洋，劉榮高，陳鏡明，等. 葉面積指數遙感反演研究進展與展望[J]. 地球信息科學學報，2013，15（5）：734-743.

[23]Combal B，Baret F，Weiss M，et al. Retrieval of canopy biophysical variables from bidirectional reflectance：using prior information to solve the ill-posed inverse problem[J]. Remote Sensing of Environment，2003，84（1）：1-15.

[24]Knyazikhin Y，Martonchik J V，Myneni R B，et al. Synergistic algorithm for estimating vegetation canopy leaf area index and fraction of absorbed photosynthetically active radiation from MODIS and MISR data[J]. Journal of Geophysical Research，1998，103（D24）：32257-32275.

[25]Tan B，Hu J N，Zhang P，et al. Validation of moderate resolution imaging spectroradiometer leaf area index product in croplands of alpilles，France[J]. Journal of Geophysical Research，2005，110（D1）：1-15.

[26]劉遠，周買春. AVHRR、SPOT-VGT和MODIS 3種NDVI遙感數據在韓江流域的對比分析[J]. 華南農業大學學報，2015，36（1）：106-112.

[27]Brown M E，Pinzon J E，Didan K，et al. Evaluation of the consistency of long-term NDVI time series derived from AVHRR，SPOT-Vegetation，SeaWiFS，MODIS，and Landsat ETM+ sensors[J]. IEEE Transactions on Geoscience and Remote Sensing，2006，44（7）：1787-1793.

[28]Fensholt R，Rasmussen K，Nielsen T T. Evaluation of earth observation based long term vegetation trends-Intercomparing NDVI time series trend analysis consistency of Sahel from AVHRR GIMMS，Terra MODIS and SPOT VGT data[J]. Remote Sensing of Environment，2009，113（9）：1886-1898.

[29]劉良明，梁益同，馬慧云，等. MODIS和AVHRR植被指數關系的研究[J]. 武漢大學學報（信息科學版），2004，29（4）：307-310.

[30]嚴曉瑜，董文杰，何勇. 不同傳感器數據在若爾蓋濕地植被變化監測應用中的適宜性分析[J]. 遙感技術與應用，2008，23（3）：300-304，圖版Ⅵ.

[31]宋富強，康慕誼，楊朋，等. 陜北地區GIMMS、SPOT-VGT和MODIS歸一化植被指數的差異分析[J]. 北京林業大學學報，2010，32（4）：72-80.

[32]邢著榮，馮幼貴，李萬明，等. 高光譜遙感葉面積指數（LAI）反演研究現狀[J]. 測繪科學，2010，35（增刊1）：162-164.

[33]譚炳香，李增元，陳爾學，等. 高光譜遙感森林信息提取研究進展[J]. 林業科學研究，2008，21（增刊1）：105-111.

[34]宋開山，張柏，王宗明，等. 基于人工神經網絡的大豆葉面積高光譜反演研究[J]. 中國農業科學，2006，39（6）：1138-1145.

[35]Gong P，Pu R，Biging G S，et al. Estimation of forest leaf area index using vegetation indices derived from hyperion hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing，2003，41（6）：1355-1362.endprint

[36]Lee K S，Cohen W B，Kennedy R E，et al. Hyperspectral versus multispectral data for estimating leaf area index in four different biomes[J]. Remote Sensing of Environment，2004，91（3/4）：508-520.

[37]Pu R，Gong P. Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping[J]. Remote Sensing of Environment，2004，91（2）：212-224.

[38]王秀珍，黃敬峰，李云梅，等. 水稻葉面積指數的高光譜遙感估算模型[J]. 遙感學報，2004，8（1）：81-88.

[39]吳朝陽，牛錚. 基于輻射傳輸模型的高光譜植被指數與葉綠素濃度及葉面積指數的線性關系改進[J]. 植物學通報，2008，25（6）：714-721.

[40]顧哲衍，張金池，林杰，等. 大氣校正模型對闊葉林葉面積指數遙感估算的影響[J]. 華南農業大學學報，2014，35（3）：100-104，110.

[41]朱忠敏. 主被動光學遙感相結合的對地觀測大氣校正方法研究[D]. 武漢：武漢大學，2010.

[42]韓曉慶，蘇藝，李靜，等. 海岸帶地區SPOT衛星影像大氣校正方法比較及精度驗證[J]. 地理研究，2012，31（11）：2007-2016.

[43]Kaufman Y J，Sendra C. Algorithm for automatic atmospheric corrections to visible and near-IR satellite imagery[J]. International Journal of Remote Sensing，1988，9（8）：1357-1381.

[44]Tanre D，Deschamps P Y，Devaux C，et al. Estimation of Saharan aerosol optical thickness from blurring effects in thematic mapper data [J]. Journal of Geophysical Research，1988，93（D12）：15955-15964.

[45]Hall F G，Strebel D E，Nickeson J E，et al. Radiometric rectification：toward a common radiometric response among multidate，multisensor images[J]. Remote Sensing of Environment，1991，35（1）：11-27.

[46]Richter R. A spatially adaptive fast atmospheric correction algorithm[J]. International Journal of Remote Sensing，1996，17（6）：1201-1214.

[47]Liang S L，Fang H L，Chen M Z. Atmospheric correction of landsat ETM+ land surface imagery. Part Ⅰ：methods[J]. IEEE Transactions on Geoscience and Remote Sensing，2001，39（11）：2490-2498.

[48]Kneizys F X，Shettle E P，Abreu L W，et al. Users guide to LOWTRAN 7 [R]. Massachusetts：US Air Force Geophysics Laboratory Hanscom AFB，1988.

[49]Berk A，Bernstein L S，Robertson D C. MODTRAN：A moderate resolution model for LOWTRAN 7 [R].Massachusetts：US Air Force Geophysics Laboratory Hanscom AFB，1987.

[50]Tanre D，Deroo C，Duhaut P，et al. Technical note description of a computer code to simulate the satellite signal in the solar spectrum：the 5S code [J]. International Journal of Remote Sensing，1990，11（4）：659-668.

[51]Vermote E，Tanre D，Deuze J L，et al. Second simulation of the satellite signal in the solar spectrum，6S：an overview[J]. IEEE Transactions on Geoscience and Remote Sensing，1997，35（3）：675-686.

[52]Goetz A F H，Boardman J W，Kindel B C，et al. Atmospheric corrections：on deriving surface reflectance from hyperspectral imagers：SPIE 3118，San Diego[C]//Optical Science，Engineering and Instrumentation. International Society for Optics and Photonics，1997：14-22.endprint

[53]Clark R N，Swayze G A，Heidebrecht K B，et al. Calibration of surface reflectance of terrestrial imaging spectrometry data：comparison of methods[C]//Proceedings of Summaries of the 5th Annual JPL Airborne Earth Science Workshop. Pasadena：Publication，1995：41-42.

[54]Goetz A H，Heidebrecht K B，Kindel B，et al. Using ground spectral irradiance for model correction of AVIRIS data[C]//Proceedings of Summaries of the Seventh Annual JPL Airborne Earth Science Workshop. California：Publication，1999：159-168.

[55]王正興，索玉霞，林昕，等. AVHRR全球時間序列研究進展：PAL-GIMMS-LTDR[J]. 資源科學，2008，30（8）：1252-1260.

[56]Rahman H，Dedieu G S. A simplified method for the atmospheric correction of satellite measurements in the solar spectrum[J]. International Journal of Remote Sensing，1994，15（1）：123-143.

[57]Privette J L，Myneni R B，Knyaxzikhin Y，et al. Early spatial and temporal validation of MODIS LAI product in the Southern Africa Kalahari[J]. Remote Sensing of Environment，2002，83（1/2）：232-243.

[58]陳新芳，陳鏡明，安樹青，等. 不同大氣校正方法對森林葉面積指數遙感估算影響的比較[J]. 生態學雜志，2006，25（7）：769-773.

[59]Loveland T R，Reed B C，Brown J F，et al. Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data[J]. International Journal of Remote Sensing，2000，21（6/7）：1303-1330.

[60]Hansen M C，Defries R S，Townshend J R，et al. Global land cover classification at 1 km spatial resolution using a classification tree approach[J]. International Journal of Remote Sensing，2000，21（6/7）：1331-1364.

[61]Bartholome E，Belward A S. GLC2000：a new approach to global land cover mapping from earth observation data[J]. International Journal of Remote Sensing，2005，26（9）：1959-1977.

[62]Friedl M A，Mciver D K，Hodges J，et al. Global land cover mapping from MODIS：algorithms and early results[J]. Remote Sensing of Environment，2002，83（1/2）：287-302.

[63]Mccallum I，Obersteiner M，Nilsson S，et al. A spatial comparison of four satellite derived 1km global land cover datasets[J]. International Journal of Applied Earth Observation and Geoinformation，2006，8（4）：246-255.

[64]Giri C，Zhu Z L，Reed B. A comparative analysis of the Global Land Cover 2000 and MODIS land cover data sets[J]. Remote Sensing of Environment，2005，94（1）：123-132.

[65]吳文斌，楊鵬，張莉，等. 四類全球土地覆蓋數據在中國區域的精度評價[J]. 農業工程學報，2009，25（12）：167-173，封2.

[66]Hansen M C，Reed B. A comparison of the IGBP DISCover and University of Maryland 1 km global land covers products[J]. International Journal of Remote Sensing，2000，21（6/7）：1365-1373.endprint

[67]劉遠，周買春. AVHRR、SPOT-VGT和MODIS 3種NDVI遙感數據在韓江流域的對比分析[J]. 華南農業大學學報，2015（1）：106-112.

[68]Ran Y H，Li X，Lu L. Evaluation of four remote sensing based land cover products over China[J]. International Journal of Remote Sensing，2010，31（2）：391-401.

[69]Ran Y H，Li X，Lu L，et al. Large-scale land cover mapping with the integration of multi-source information based on the Dempster-Shafer theory[J]. International Journal of Geographical Information Science，2012，26（1）：169-191.

[70]Gonsamo A，Chen J M. Evaluation of the GLC2000 and NALC2005 land cover products for LAI retrieval over Canada[J]. Canadian Journal of Remote Sensing，2011，37（3）：302-313.

[71]李顯風，居為民，陳姝，等. 地表覆蓋分類數據對區域森林葉面積指數反演的影響[J]. 遙感學報，2010，14（5）：974-989.

[72]Fang H L，Li W J，Myneni R B. The impact of potential land cover misclassification on MODIS leaf area index （LAI） estimation：a statistical perspective[J]. Remote Sensing，2013，5（2）：830-844.

[73]陳洪萍，賈根鎖，馮錦明，等. 氣候模式中關鍵陸面植被參量遙感估算的研究進展[J]. 地球科學進展，2014，29（1）：56-67.

[74]Jacquemoud S，Baret F. PROSPECT—a model of leaf optical-properties spectra[J]. Remote Sensing of Environment，1990，34（2）：75-91.

[75]Dawson T P，Curran P J，Plummer S E. Liberty-modeling the effects of leaf biochemical concentration on reflectance spectra[J]. Remote Sensing of Environment，1998，65（1）：50-60.

[76]Verhoef W. Light scattering by leaf layers with application to canopy reflectance modeling：the SAIL model [J]. Remote Sensing of Environment，1984，16（2）：125-141.

[77]Chen J M，Leblanc S G. A four-scale bidirectional reflectance model based on canopy architecture[J]. IEEE Transactions on Geoscience and Remote Sensing，1997，35（5）：1316-1337.

[78]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（1）：165-184.

[79]李新. 陸地表層系統模擬和觀測的不確定性及其控制[J]. 中國科學：地球科學，2013，43（11）：1735-1742.

[80]吳小丹，肖青，聞建光，等. 遙感數據產品真實性檢驗不確定性分析研究進展[J]. 遙感學報，2014，18（5）：1011-1023.

[81]姜志偉. 區域冬小麥估產的遙感數據同化技術研究[D]. 北京：中國農業科學院，2012.

[82]Chen J M，Menges C H，Leblance S G. Global mapping of foliage clumping index using multi-angular satellite data[J]. Remote Sensing of Environment，2005，97（4）：447-457.

[83]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.

[84]Fang H L，Wei S S，Jiang C Y，et al. Theoretical uncertainty analysis of global MODIS，CYCLOPES，and GLOBCARBON LAI products using a triple collocation method[J].endprint