中國北方作物和草地LAI全球產品的精度評價

李洪墩,楊飛,楊潔,劉麗峰

中國北方作物和草地LAI全球產品的精度評價

李洪墩1,楊飛2,楊潔3,劉麗峰4*

1. 山東正元數字城市建設有限公司, 山東 煙臺 264000 2. 中國科學院地理科學與資源研究所 資源與環境信息系統國家重點實驗室, 北京 100101 3. 山東農業科學院農業可持續發展研究所, 山東 濟南 250100 4. 山東理工大學, 山東 淄博 250100

葉面積指數（Leaf area index, LAI）是陸地表層的生態系統、農業生產、水熱能量平衡及全球氣候變化等等模型中的關鍵參量之一。目前已有多種的全球LAI遙感產品，科學評價和對比這些LAI產品精度是準確使用這些數據的重要基礎。本研究基于多個時期的地面實測LAI數據和Landsat TM、HJCCD影像數據，對中國北方重要的植被類型玉米、冬小麥和草地的GLOBMAP的LAI數據精度進行驗證評價，并將其與MODIS、GEOV1產品進行比較。研究結果表明，在玉米的整個生長季過程中，與MODIS、GEOV1 LAI產品相比較，GLOBMAP LAI產品值與地面實測值、TM影像估算LAI值都更為接近。冬小麥GLOBMAP LAI產品明顯低于實際值、HJCCD估算LAI值，冬小麥GLOBMAP LAI產品值較實測值低約2~5左右。草地GLOBMAP LAI值精度不高，其與實測值擬合2僅為0.231，比HJCCD影像估算值低0.6~2左右。三種全球LAI產品比較而言，GLOBMAP與MODIS LAI產品值相對較為接近，兩者都明顯低于GEOV1 LAI產品值，但三種LAI產品都較好刻畫了玉米和冬小麥冠層LAI的生長變化過程。本研究可為LAI全球遙感產品準確應用、產品算法改進、精度提高提供科學參考。

葉面積指數; GLOBMAP; 精度評價

植被葉面積指數（Leaf area index, LAI）直接影響陸地表面植被群落的光分布、光能利用和生產力，影響著地表和大氣之間的相互作用和水熱能量平衡，因此葉面積指數已成為生態系統研究最重要的結構參數之一[1]。葉面積指數基本上被定義為單位地面面積上的葉片單面面積[2-7]。

遙感數據是一種獲取全球尺度全天候連續觀測LAI的重要數據源。國內外利用遙感手段對LAI估算已經展開大量研究，常用方法是利用植被指數估算[8]、幾何和物理模型反演、半經驗估算[3]等。植被指數和半經驗方法應用上簡單方便，但具有明顯的區域適用性；幾何和物理模型理論基礎完善，模型參數具有明確的物理意義，首先解決生物物理參數與反射率相互作用過程，然后再利用衛星反射率數據和反演模型來估算這些生物物理參數，幾何和物理模型需要輸入較多的參數，參數全面獲取有一定的難度，模型計算較為復雜，這在一定程度上限制了它的應用；因此也有將多種模型混合使用以提高LAI反演精度[9-11]。

國內外已生產并發布多種全球范圍LAI遙感反演產品，如MODIS、GLOBCARBON, GLOBMAP等，并逐漸被廣泛應用于科學研究和生產實踐中。但由于全球LAI遙感產品的空間分辨率較低，產品精度仍需大量驗證。至今，國內外在森林、草地、作物等主要植被覆蓋類型的LAI產品精度驗證工作已經取得顯著進展，主要集中于LAI產品的精度評價、影響因素分析、算法改進等[10-16]。

GLOBMAP是一種重要的全球的LAI再分析產品之一，它提供1981年至今的較長時間序列的LAI產品，它由MODIS和AVHRR數據定量融合得來，主要基于重疊時期擬合每個像元的LAI與NDVI之間的擬合關系，進而結合AVHRR NDVI數據計算得到1981-2000年的LAI數據，GLOBMAP LAI產品仍需大量的精度驗證和評價工作[17,18]。

本研究基于地面實測葉面積指數數據和TM、環境星（HJCCD傳感器）遙感影像，分別對東北平原的玉米、華北平原的冬小麥及呼倫貝爾草原的草地的GLOBMAP LAI產品精度進行驗證，并將其與MODIS、GEOV1 LAI產品進行對比分析，為LAI全球產品在中國農業生產、生態環境評估及全球碳循環等應用提供科學參考。

1 數據與方法

1.1 研究區概況

東北平原是國家重要的糧食基地，玉米是該區域最主要的農作物和土地覆被類型。華北平原是我國最重要的傳統冬小麥種植區域和生產基地。呼倫貝爾草原是世界著名的草原之一，是典型的草甸草原。本文選擇吉林省長春市野外大田玉米、山東省濱州、德州、聊城和濟寧市的冬小麥、內蒙古自治區呼倫貝爾盟的草地為主要研究區進行GLOBMAP LAI產品精度評價（見圖1）。

1.2 數據獲取與處理

吉林省地區玉米的生長周期約在每年5月底至9月底；山東省冬小麥的生長周期約在每年10月底至次年的6月初；內蒙古呼倫貝爾草地的生長周期約在每年6月初至10月底。為準確獲取地面實測的LAI數據資料，本文對每個1000 m×1000 m象元大小范圍的樣地多次重復測量，在樣地內采集3個、5個或9個樣本點數據，取平均作為驗證參考數據。地面實測數據獲取時期和實測方案見表1。

表 1 LAI數據地面實測時期和實測方案表

注：日期20070626代表2007年6月26日，其他日期類似。Note: date 20070626 indicates June 26 2007, the same as other dates.

吉林省長春市的玉米LAI、山東省聊城和德州市冬小麥LAI的測定是采用LI-COR公司生產的LAI-2000植被冠層分析儀進行。測量具體時間選擇在當日6:30~9:00或16:30~19:00，以盡量避免因太陽光線的直射而引起的測量誤差。LAI-2000設置為1個天空光，6個測量目標值，探頭佩帶45°張角的鏡頭蓋（cap）。測量時，從第一壟玉米開始沿與壟呈45°角度方向向前，逐漸向第二壟方向移動，當移至第二壟時再轉而移向第一壟，繼續向前（也與壟呈45°角），共記錄6個測量值，取平均值用于驗證分析。

內蒙古的呼倫貝爾地區草地LAI是利用AccuPAR (LP-80, PAR/LAI Ceptometer, Decagon Devices, Inc., Pullman, WA)來測量。它探頭中包括80個光合有效輻射光量子傳感器，每兩個傳感器的分布間隔為1 cm，用于接收環境光照中光合有效輻射部分的變化，儀器可以計算天頂角、葉角分布參數和冠層上下光合有效輻射的比率，進而計算植被冠層的LAI值。

山東省濱州和濟寧市的冬小麥葉面積指數測量采用收割后量測的途徑獲取得到。在每個樣地收割3壟(各50 cm長)小麥后，隨機摘取50棵小麥的葉子平鋪在桌面上，用尺子量測每片葉子的長和寬、并乘以系數0.83得到每片葉子的面積。最后，葉面積指數由下面公式計算得到：

=*/ (* 50) (1)

式中，是樣地收割的小麥總棵數，是樣地收割面積(cm2)，是50棵冬小麥葉片總面積。

GLOBMAP LAI數據從網站http://www.globalmapping.org/globalLAI/中下載得到，MODIS LAI數據從網站http://reverb.echo.nasa.gov/reverb下載得到，GEOV1 LAI亞洲區域數據從網站http://www.geoland2.eu下載得到，均分別獲取2006-2012年間的各時期數據。

HJ-1A CCD 和TM影像分別從網站http://www.cresda.com/n16/index.html和http://glovis.usgs.gov/獲取。本研究共獲取到長春地區2007年8月29日、2008年8月15日的Landsat TM影像，獲取到山東聊城和德州部分地區的2010年4月7日、5月12日的HJ1A-CCD影像，獲取到內蒙古呼倫貝爾地區2009年8月8日、2012年7月15日的HJ1A-CCD影像數據。HJ-1A CCD和TM遙感影像均經過嚴格的輻射校正、大氣校正和幾何校正，詳細處理過程可參考前期研究[18]。

1.3 精度評價指標

為清晰量化GLOBMAP LAI產品精度，本文利用擬合回歸確定性系數2、均方根誤差RMSE (Root Mean Squared Error)、誤差()作為評價指標：

式中：(,)是協方根誤差，()、()分別為自變量、的標準差，YY分別為估算的、實測的LAI值，是樣本數，E-CCD為GLOBMAP LAI數據與TM或HJCCD影像反演LAI比較的誤差，LAI-CCD是TM或HJCCD反演的LAI值，LAI是GLOBMAP LAI產品值。

2 結果與分析

2.1 GLOBMAP LAI地面實測數據驗證

地面實測樣點數據是全球LAI遙感產品精度驗證的重要途徑和數據源，本研究中基于對吉林省長春玉米、山東省聊城等小麥、內蒙古呼倫貝爾地區草地的多時期、多樣本、多次重復取平均的實測數據作為LAI產品的驗證值，最大程度地保證了實測數據的可靠性。

圖2中展示了玉米、冬小麥、草地的實測LAI值與GLOBMAP產品LAI值的相關關系。在玉米主要生長時期內，GLOBMAP LAI產品值與玉米LAI實測值較為接近，2為0.654，斜率為0.943。在冬小麥主要生長時期內，GLOBMAP LAI值都顯著低于實測值，2為0.387，斜率為0.346，GLOBMAP LAI值大都小于4，而山東地區的冬小麥實際LAI值可達6以上，特別是小麥LAI值在灌漿期之后大都高于4。呼倫貝爾研究地區的草地LAI值一般都在1.5以下，其與GLOBMAP LAI與實測值擬合2僅為0.231，可看出該地區草地LAI遙感產品反演效果不理想。

圖 2 基于實測LAI數據的GLOBMAP LAI產品驗證

2.2 多種LAI產品的時序比較分析

本研究基于定點、多期實測LAI來評價GLOBMAP LAI產品時序變化的精度，并將GLOBMAP LAI與MODIS、GEOV1 LAI產品進行對比分析（如圖3）。由于缺乏草地長時間序列實測值，本研究僅對玉米和小麥LAI產品進行時間序列驗證分析。

由圖3可知，長春地區玉米GLOBMAP LAI值介于MODIS和GEOV1 LAI產品值之間，但GEOV1 LAI有時會高估實際LAI值，MODIS LAI值則大都低估實際LAI值，GLOBMAP LAI值相對較為接近于玉米實際LAI值。從圖3中與山東濟寧和濱州地區多時相冬小麥LAI實測結果對比分析發現，GLOBMAP、MODIS、GEOV1三種LAI產品在冬小麥返青后的都顯著小于冬小麥實測LAI值（三種產品LAI基本都小于4，而實際LAI值可達5以上）。

總體來說，GLOBMAP和MODIS LAI值較為接近，但都明顯小于GEOV1 LAI產品值。

圖3 基于實測數據的GLOBMAP LAI時間序列產品驗證

2.3 基于TM和HJCCD影像的GLOBMAP LAI數據驗證

2.3.1 基于TM和HJCCD影像估算LAI模型建立為進一步降低實測樣點與LAI產品之間的尺度差異，本文中也利用TM和HJCCD中高分辨率遙感影像估算LAI來評價GLOBMAP LAI產品精度（圖4）。由圖可看出，玉米、冬小麥和草地的實測LAI與TM、HJCCD的NDVI都呈較好的指數關系，擬合決定性系數2分別達到0.894、0.736、0.639，進而利用該擬合結果計算玉米、冬小麥和草地LAI的空間分布。

圖4 TM和HJCCD估算LAI的模型

2.3.2 基于TM和HJCCD影像估算LAI 的GLOBMAP LAI產品精度評價圖5展示了TM和HJCCD遙感影像估算LAI值與GLOBMAP產品的差異，由圖可看出，長春玉米LAI估算值與GLOBMAP LAI產品值間的差異主要在-1到2之間。長春地區玉米生長周期在每年5月底至9月底，在8月15日玉米LAI值處于較高值，GLOBMAP LAI值在該時期大都低于TM影像估算值；在8月29日玉米LAI有所下降，GLOBMAP LAI值則與實測值較為接近。

圖5c和5d中看出，冬小麥GLOBMAP LAI值在4月和5月份都明顯低于HJCCD影像估算LAI值，兩者差異一般在2~5之間；其中在一些冬小麥面積種植比例較小的混合象元中，如城鎮工礦地區，兩者之間差異主要在1~2之間，由此可見混合象元對高植被覆蓋度地區的GLOBMAP LAI產品精度影響作用顯著。

圖5e和5f中，草地GLOBMAP LAI值也明顯低于HJCCD估算LAI值，一般低估0.1~1.5，且在草地覆蓋度較高地區，GLOBMAP LAI低估更多。

圖 5 TM和HJCCD估算LAI值與GLOBMAP LAI產品差異

3 結論與討論

通過本研究可看出，作物和草地的遙感反演LAI全球產品與實際值總體仍有顯著差異，全球LAI遙感產品在區域范圍內進行定量分析等應用中，非常有必要對其進行產品評估以確定其誤差范圍。LAI產品精度因植被種類不同而迥然不同，總體來講，玉米GLOBMAP LAI產品值與實測值較為接近，而冬小麥和草地GLOBMAP LAI值則顯著低估實際值；草地GLOBMAP LAI產品較其實際值約低估0.6~2左右，而冬小麥GLOBMAP LAI產品較其實際值大都約低估2~5左右。作物和草地的不同生長階段，LAI全球產品所表現出的精度差異也很顯著，在LAI較小的生長初期，LAI全球產品值與實測值大都比較接近；但在生長中后期，LAI全球產品值則大都顯著低于實測值。不同LAI遙感產品精度差別顯著，GLOBMAP LAI與MODIS LAI產品值相對較為接近，兩者都明顯低于GEOV1 LAI產品值，但三種LAI全球產品都能夠較好地刻畫玉米和冬小麥冠層LAI的生長變化過程。

雖然冬小麥和草地的植被冠層結構較為接近，國內外全球LAI產品遙感反演中也時而將兩種植被歸為同一土地覆被類型，但事實上冬小麥遠比草地生長密度要大，因此冬小麥的高密度種植對其LAI遙感反演精度產生嚴重影響，致使冬小麥實際LAI值顯著高于遙感反演的LAI產品值。在經驗模型中，植被覆蓋度較高引起的植被指數飽和現象直接影響冬小麥LAI準確估算，而在大部分物理模型中，難以考慮到冬小麥的高密度種植。因此，針對冬小麥這種高密度種植作物，物理反演模型和經驗模型在反演LAI時，都需做進一步的修正改進。另外，本研究地面實測數據方法不一致可能會對LAI值稍有影響，這在本研究中尚未進行評價，這在以后研究中仍需進一步甄別；本研究僅對玉米、冬小麥和草地這三種典型植被進行GLOBMAP LAI產品精度評價，對于森林、濕地等其它土地覆被類型或復雜陸表下墊面的LAI產品精度仍需進一步驗證。

[1] Cohen W, Maiersperger T, Yang Z,Comparisons of land cover and LAI estimates derived from ETM+ and MODIS for four sites in North America: A quality assessment of 2000/2001 provisional MODIS products [J]. Remote Sensing of Environment, 2003,88:233-255

[2] Muhammad A, Carsten M, Stadler A,. Estimation and Validation of RapidEye-Based Time-Series of Leaf Area Index for Winter Wheat in the Rur Catchment (Germany) [J]. Remote Sensing, 2015,7(3):2808-2831

[3] Bacour C, Baret F, Beal D,. Neural network estimation ofandC, from top of canopy MERIS reflectance data: Principles and validation [J]. Remote Sensing of Environment, 2006,105(4):313-325

[4] Baret F, Hagolle O, Geiger B,.,andCYCLOPES global products derived from VEGETATION, Part 1: Principles of the algorithm [J]. Remote Sensing of Environment, 2007,110:275-286

[5] Baret F, Weiss M, Lacaze R,. GEOV1:andessential climate variables andglobal time series capitalizing over existing products. Part1: Principles of development and production [J]. Romote Sensing of Environment, 2013,137:299-309

[6] Camacho F, Cernicharo J, Lacaze R,.:,essential climate variables andglobal time series capitalizing over existing products. Part 2: Validation and intercomparison with reference products [J]. Remote Sensing of Environment, 2013,137:310-329

[7] Chen J, Black T. Defining leaf area index for non-flat leaves [J]. Plant, Cell & Environment, 1992,15:421-429

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

[9] Claverie M, Vermote EF, Weiss M,. Validation of coarse spatial resolutionandtime series over cropland in southwest France [J]. Remote Sensing of Environment, 2013,139:216-230

[10] De Kauwe MG, Disney MI, Quaife T,. An assessment of thecollection 5 leaf area index product for a region of mixed coniferous forest [J]. Remote Sensing of Environment, 2011,115:767-780

[11] Chen J, Pavlic G, Brown L,. 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

[12] Claverie M, Vermote EF, Weiss M,. Validation of coarse spatial resolution LAI and FAPAR time series over cropland in southwest France [J]. Remote Sensing of Environment, 2013,139:216-230

[13] Yang F, Yang J, Wang JL,. Assessment and Validation ofandwith Ground-Measured Data and an Analysis of the Effect of Residential Area in Mixed Pixel [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,8:763-774

[14] 楊飛,孫九林,姚作芳,等.基于PROSAIL物理模型和TM影像的MODIS農作物LAI產品精度驗證[J].農業工程學 報,2010,26(4):192-197

[15] 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

[16] Jin HA, Li AN, Bia JH,. Intercomparison and validation ofand GLASS leaf area index () products over mountain areas: A case study in southwestern China [J]. International Journal of Applied Earth Observations and Geoinformation, 2017, 55:52-67

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

[18] Liu Y, Liu RG, Chen JM. Retrospective retrieval of long-term global Leaf Area Index (1981-2011) from combined AVHRR and MODIS data [J]. Journal of Geophysical Research, 2012, 117:G04003.doi:10.1029/2012JG002084

Evaluation the LAI Precision of Global Products of Crops and Grasses over North China

LI Hong-dun1, YANG Fei2, YANG Jie3, LIU Li-feng4*

1.264000,2.100101,3.250100,4.250100,

Leaf area index (LAI) is a critical variable in land surface ecosystem, agricultural production, water and heat energy balance model and global climate change simulation models. Global LAI product retrieved from remote sensing image is an important LAI data source, it is very necessary to evaluate and asses the global LAI product accuracy for its scientific utilization. Based on the ground measured LAI data of several years and Landsat TM, Environmental Remote Sensing Satellite images (HJCCD), MODIS and GEOV1 LAI data, this study evaluated the GLOBMAP product accuracy of most important vegetation types of corn, winter wheat and grass over North and Northern China. The studied results showed that, during the entire maize growing period, maize GLOBMAP LAI data are closer to the ground measured LAI and estimated LAI from TM images, compared to MODIS and GEOV1 LAI data. For winter wheat, GLOBMAP LAI product was significantly smaller than the LAI data estimated from HJCCD images, they are smaller than the ground measured LAI about 2-5. The grass GLOBMAP LAI data is not accurate enough, the regression R2of which with ground LAI is only 0.231, most GLOBMAP LAI data are smaller than the estimated data with HJCCD about 0.6-2. In general, although the three LAI global products could describe well the general growth process of crop and grass canopy LAI changes, the GLOBMAP LAI and MODIS LAI product values are relatively close, both of which are significantly lower than the GEOV1 LAI product value. This study can provide scientific reference to accurately utilization, algorithm and data improvement of global LAI products.

leaf area index; LAI; GLOBMAP; validation

F323.21

A

1000-2324(2020)03-0414-06

10.3969/j.issn.1000-2324.2020.03.005

2018-11-26

2019-01-28

中國科學院戰略性先導科技專項(XDA20030302);國家重點研發計劃課題(2017YFA0604804);中國科學院前沿科學重點研究項目(QYZDY-SSW-DQC007)

李洪墩(1986-),男,碩士,研究方向為地理信息系統技術與應用. E-mail:1058660484@qq.com

Author for correspondence. E-mail:hebeiliu@163.com