高光譜與擬合多光譜植被指數反演武夷山亞高山草甸LAI的對比研究

安德帥, 徐丹丹,2,*, 劉月, 朱建琴

高光譜與擬合多光譜植被指數反演武夷山亞高山草甸LAI的對比研究

安德帥1, 徐丹丹1,2,*, 劉月3, 朱建琴4

1. 南京林業大學生物與環境學院, 南京 210037 2. 南京林業大學南方現代林業協同創新中心, 南京 210037 3. 南京林業大學林學院, 南京 210037 4. 武夷山國家公園科研監測中心, 武夷山市 354300

植被葉面積指數(Leaf Area Index, LAI)是重要的生態學參數, 被廣泛用于指示植被密度、生物量、碳、氮物質循環以及氣候變化對生態系統的影響, 也作為生態過程模型的重要輸入參數。地面實測高光譜遙感數據能以更高的空間分辨率及更高的光譜分辨率監測植物的光譜特征, 為精準反演LAI提供了基礎。本項研究以武夷山國家公園黃崗山頂的亞高山草甸為研究對象, 通過建立多種高光譜植被指數和擬合多光譜植被指數反演葉面積指數的統計模型, 并比較高光譜與多光譜對葉面積指數反演的效果, 闡明用于反演高覆蓋率亞高山草甸的最適高光譜和擬合多光譜植被指數。結果表明: 高光譜新植被指數(NVI)對于反演LAI有最好的效果,2= 0.85,< 0.01; 依據高光譜NVI擬合而成的多光譜NVI反演結果次之,2= 0.82,< 0.01。幾種常用比值植被指數NDVI、MSR、RVI和GNDVI在高光譜和擬合多光譜反演結果中相差不大, 表現較好,2都在0.65以上。通過對比高光譜和擬合Sentinel-2A和Landsat-8兩種多光譜衛星波段的反演結果發現, 光譜響應函數中具有更窄波段范圍的近紅外、紅、綠、藍波段構成的植被指數可以得到更好的反演結果, 而固定波段的高光譜植被指數未必在每種植被指數中都具有最好的反演效果。同時, 發現當某種植被指數反演LAI的線性回歸方程的斜率越大, 說明這種植被指數越有可能隨LAI的增大而出現飽和現象, 相反的, 斜率越小則說明該種植被指數沒有出現飽和現象。此外, 在研究區內使用高光譜和擬合多光譜波段植被指數法反演LAI, NDVI都獲得了較好的效果, 存在很好的線性關系, 之前的很多研究和判斷都認為NDVI不適用于反演高覆蓋植被的LAI, 這個發現是具有意義的, 表明高覆蓋植被的葉面積指數在一定范圍內是能夠被NDVI(應用最廣泛的植被指數)較好的反演, 進一步擴展了NDVI反演LAI的適用性和可能性。

高光譜; 模擬多光譜; 遙感反演; 葉面積指數(LAI); 歸一化植被指數(NDVI); 武夷山國家公園

0 前言

植被葉面積指數(Leaf Area Index, LAI)被定義為單位地表面積上綠葉面積總和的一半[1]。LAI是與植被密度、生物量、碳氮等營養循環相關的重要生態學參數, 也是生態過程模型的重要生物物理參數。同時,對于植物季節性變化、物候和植被對氣候變化響應來說, LAI也是重要的指示指標[2-4]。

葉面積指數的測量方法可分為直接測量法和間接測量法。直接測量法需剪下植被的葉片進行測算, 測得的葉面積指數較準確且符合葉面積指數的定義, 但相較于間接測量法往往對植被具有一定的破壞性、費時費力且不能實現對目標植被的連續性觀測, 存在著對追蹤植物的季節性變化差等缺陷。間接測量法又可分為光學儀器測量法和遙感反演法, 常用的測量LAI的光學儀器包括如LAI-2200植物冠層分析儀和LAI-2000植物冠層分析儀等; 遙感反演LAI包括基于經驗模型(植被指數)的反演方法和基于物理模型的反演方法, 其中基于植被指數反演法與物理模型反演法相比, 因為反演計算是基于經驗的回歸模型, 所以植被類型的變化對結果的影響較大, 因而在包含大量不同植被類型的大區域內不具有很好的適應性; 但因其較為方便和靈活, 不用收集和輸入大量的生物物理參數, 對于小區域內LAI的反演仍較常用。許多研究者[5-6]利用Landsat系列影像和其他多光譜衛星遙感影像使用植被指數經驗回歸模型的方法對不同地域的LAI進行反演, 結果都得出了各自研究區的最適植被指數。

在植被指數的發展過程中, 被人們廣泛利用的一類是比值植被指數, 如比值植被指數(RVI)、歸一化植被指數(NDVI)、優化的比值植被指數(MSR)等, 其中NDVI是應用最為廣泛的一種植被指數, 但因為其自身公式的局限和紅光波段吸收飽和的影響, NDVI會隨著植被葉面積指數的增大而出現飽和現象, 其他比值植被指數也都存在著一定的飽和效應。利用不同植被指數的多光譜遙感影像反演LAI的研究已有很多[7-8], 但在植被覆蓋度高的情況下是否導致植被指數出現飽和效應一直存在著爭議。多光譜遙感影像易受云覆蓋等天氣因素的影響, 導致影像無法使用。如今常用的大區域LAI反演還是依靠于多光譜遙感影像, 多光譜衛星影像反演LAI與高光譜反演LAI哪種效果更好, 相關研究還較少。使用地面實測高光譜模擬多光譜的方法被應用在土壤重金屬含量的反演[9]、土壤電導率估算[10]和冬小麥覆蓋度估算中[11], 但應用于反演天然草地植被LAI的研究很少。高光譜技術的發展, 使得高光譜數據具有更高的光譜分辨率和空間分辨率[12], 能夠精細快速的獲取綠色植物的光譜特征且地面實測高光譜數據與LAI也更加貼合, 利用高光譜植被指數反演LAI已得到廣泛的使用[13-15]。但大部分關于高光譜遙感反演LAI的研究都集中在小麥、水稻等農作物方面, 對于高光譜反演草地LAI的研究報道較少, 對亞高山草甸的研究則更少。草地是一個非常重要的生態系統, 在氣候變化和人類活動方面有著重大的意義, 更好的研究和了解草地在當今全球氣候多變的背景下顯得尤為重要。

亞高山草甸對于氣候變化有著較強的敏感性, 在間接反映全球氣候變化方面有著較好的指示作用。本文以武夷山國家公園黃崗山頂的亞高山草甸為研究對象, 對同種植被指數分別建立基于高光譜和模擬多光譜植被指數的統計模型, 旨在分析高光譜和多光譜植被指數在反演草地LAI方面的差異, 分析寬窄波段組合對反演草地LAI的影響, 找到適用于亞高山草地LAI反演的最佳植被指數, 提高反演精度; 探究傳統比值植被指數如NDVI(以往的研究中應用最廣泛的植被指數)、RVI等在反演高覆蓋草地LAI的潛能。以期為本研究區和其他類似亞高山草甸地區更加方便準確的反演草地LAI提供理論依據。

1 材料與方法

1.1 研究區概況

武夷山國家公園位于中國東南部, 福建省西北部, 擁有著現今世界上面積最大保存最完整的亞熱帶森林, 植被垂直帶譜明顯, 海拔由高到低依次為亞高山草甸、亞高山苔蘚-矮林帶、針葉林帶、針闊葉混交林帶和亞熱帶常綠闊葉林帶。境內以黃崗山為主峰, 海拔2158 m, 為中國東南地區第一高峰, 號稱“華東屋脊”, 年平均降雨量為2820 mm, 年平均氣溫9 ℃, 全年最高溫和最低溫分別出現在7月份和1月份, 黃崗山頂的土壤類型主要以砂質黏壤土為主, 地勢相對平緩(圖1), 主要生長植被為亞高山草甸, 零散分布著灌木矮林, 草甸中的主要草本植物物種為日本麥氏草()、野青茅()和芒()。

1.2 外業調查數據

野外實驗于2019年7月29日—2019年8月5日進行(黃崗山頂亞高山草甸的盛草期), 采用空間隨機采點(spatial random sampling)的方法并結合黃崗山亞高山草甸的分布情況, 隨機選取九個樣地(圖1), 每個樣地由互相垂直的兩條100 m直線組成, 每條直線上相隔十米(除樣地中心點外)設置一個50 cm′50 cm的樣方, 一共確定20個樣方(圖2)。每個樣方點分別測定LAI(美國LI-COR公司生產的LAI-2200植物冠層分析儀), 草地高光譜(美國ASD公司生產的FieldSpec HandHeld 2手持光譜儀, 波長范圍:325—1075 nm), 土壤溫濕度(美國Stevens公司生產的POGO II), GPS坐標(Trimble Geo X7 厘米級)和草地覆蓋度及株高。最終建立的統計模型是基于每個樣地20個樣方葉面積指數的平均值和每個樣地20個樣方高光譜植被指數的平均值。

圖1 武夷山國家公園黃崗山亞高山草甸野外實驗樣地(2015年11月26日Sentinel-2A影像)

Figure 1 Sample sites in subalpine meadow of Huanggangshan in Wuyishan National Park

除野外實驗數據外, 本文還利用地面所測高光譜數據分別通過Sentinel-2A和Landsat-8遙感衛星的MSI和OLI傳感器光譜響應函數, 模擬兩種衛星的多光譜波段。網站(https://nwp-saf.eumetsat.int/site/ software/rttov/download/coefficients/spectral-response-functions/)提供了不同傳感器的光譜響應函數。

1.3 基于植被指數的葉面積指數反演

本文選用14種常見的比值高光譜植被指數和7種比值多光譜植被指數，如表1所示，其中多光譜新植被指數(NVI)是依據R.K.Gupta等人[16]在2001年提出的高光譜NVI公式在本文中提出的, 使用R軟件, 建立高光譜植被指數和LAI之間的線性回歸關系, 通過線性模型的2,值和回歸公式中的截距斜率并結合生態遙感的理論, 比較分析高光譜和多光譜植被指數反演LAI的能力。

圖2 每個樣地的樣方設計

Figure 2 Quadrat design in each sample site

1.4 擬合多光譜波段植被指數的計算

本次野外實驗期間, 研究區內的Sentinel-2和Landsat-8多光譜衛星影像因為云的影響而無法獲取, 利用地面實測的高光譜數據和光譜響應函數可以實現對衛星多光譜波段的模擬, 分析高光譜和多光譜遙感數據反演LAI的表現。

不同遙感衛星傳感器在不同的波段, 具有不同的光譜響應能力, 傳感器在每個波段處接受的輻射能量與入射輻射能量之比就是該傳感器的光譜響應函數[29], 可以根據傳感器各自的光譜響應函數在具有地面高光譜數據的情況下, 擬合為多光譜數據, 表2為Sentinel-2A MSI與Landsat-8 OLI傳感器參數。

式中:S是待擬合波段的光譜反射率,(l)是地面實測高光譜各波長處的反射率,f(l)是待擬合波段的光譜響應函數,max和min是地面實測高光譜各波段取值范圍的上下界限。

2 結果與分析

2.1 地面觀測樣地的基本特征

表3是測試所得各樣地的野外數據的統計學描述, 包括每個樣地LAI的范圍, 最大值和最小值, 以及它們的標準差, 草地覆蓋度和高度, 土壤濕度和溫度。統計結果為G9樣地LAI平均值最大, G3樣地LAI平均值最小; G7樣地LAI范圍最大, G9樣地LAI范圍最小; 標準差最大為G7的0.66, 標準差最小為G9的0.46, 其余樣地的標準差都在0.50—0.58之間; 樣地的平均草地覆蓋度在69.70 %—87.50 %之間, 平均株高在38.85 cm—68.10 cm之間, 土壤濕度介于37.27 %—52.50 %; 土壤溫度范圍在21.72—31.22 ℃之間。由表3可以看出, 研究區各樣地之間的平均LAI差值較小, 平均LAI最大值為3.38, 平均LAI最小值為2.83, 結合株高和草地覆蓋度說明本研究區的草地總體長勢較好, 覆蓋度較高, 生長較為均勻。

表1 常用高光譜和多光譜比值植被指數計算公式

注:800是光譜波長在800 nm處的反射率, 類推670則是光譜波長在670 nm處的反射率; NIR指近紅外波段的反射率, Red或R指紅光波段的反射率, G和B分別代表綠光波段和藍光波段反射率。NVI多光譜公式中的NIRn1是指Sentinel-2A中的B7(768—798 nm)Vegetation Red Edge波段反射率, RE2是指Sentinel-2A中的B6(730—750 nm)Vegetation Red Edge波段反射率。

表2 Sentinel-2A MSI與Landsat-8 OLI傳感器參數

注: Sentinel-2A的近紅外波段包括近紅外寬(B8)和近紅外窄(B8a)兩種。

表3 各樣地生物物理參數的描述統計

2.2 高光譜植被指數與擬合多光譜植被指數反演LAI的線性回歸結果

如表4所示，所有高光譜植被指數均通過了顯著性檢驗(<0.05), 以決定系數2作為評價指示判斷高光譜植被指數對LAI反演效果的好壞程度, 結果顯示所有14種高光譜植被指數中反演效果最好的是NVI,2達0.85, 反演效果僅次于NVI的是NDVI, 然后是NDSI, MSR, RVI等, 反演結果較差的為RDVI, mNDVI705, RI1dB和mSR705, 它們的2都在0.60之下。通過對比表4中高光譜反演LAI與擬合的兩種衛星多光譜波段反演LAI結果可以看出, 反演LAI效果最好的植被指數是NVI, 高光譜NVI反演結果2= 0.85, Sentinel-2A擬合多光譜NVI反演結果2= 0.82; 對于NDVI的反演效果較好的是高光譜和Sentinel-2A擬合的多光譜數據,2= 0.79, Landsat-8效果相對較差,2= 0.78; 對于MSR和RVI兩種植被指數而言, 表現最好的是Landsat-8和Sentinel-2A(NIR=B8a)擬合多光譜2= 0.80, 其中Sentinel-2A(NIR=B8a)擬合多光譜反演的效果要好于Sentinel-2A(NIR=B8), 而且擬合多光譜反演效果要好于高光譜的反演效果; 對GNDVI, 高光譜反演效果要好于擬合的多光譜,2= 0.68, 其次是Landsat-8擬合多光譜2= 0.66, 最差的為Sentinel- 2A擬合多光譜反演的效果; 基于EVI的反演中Sentinel-2A擬合多光譜反演最好,2= 0.64, 然后是高光譜2= 0.60, 最差的是Sentinel-2A; RDVI的反演中Sentinel-2A擬合多光譜反演效果最好(2= 0.70), 然后是Sentinel-2A(NIR=B8a)和Sentinel-2A (NIR=B8)的0.68和0.66, 效果最差的為高光譜，2= 0.59。對于NDVI, MSR, RVI這三種植被指數而言無論是高光譜還是擬合多光譜反演效果相近,2都在0.78左右。

地面高光譜擬合Sentinel-2A多光譜波段和Landsat-8多光譜波段構建的植被指數反演LAI結果顯示, 參與反演的七種多光譜植被指數中無論是Sentinel-2A擬合多光譜植被指數反演得到的LAI還是Landsat-8擬合多光譜植被指數反演得到的LAI, 盡管因為不同衛星各自的光譜響應函數不同造成植被指數在反演效果上稍有差距, 但它們在反演趨勢上卻是相同的, 即除本文中新使用的多光譜新植被指數(NVI)外, 其他植被指數中反演效果最好的依次為RVI, MSR, NDVI, GNDVI, EVI和RDVI。

14種植被指數與地面LAI的線性回歸公式(表5)顯示, NVI, MSR, RVI, mSR705公式中的斜率較低, 都小于1, 其中RVI斜率最低為0.07, 而NDVI, NDSI, GNDVI, RDVI等植被指數斜率較高, 尤其NDVI和NDSI, 分別為10.3和60.4。

3 討論

本文中使用的14種常見高光譜植被指數, 部分是在反演小麥等農作物葉面積指數過程中總結得到的, 草地與農作物的生長狀態存在很大不同, 農作物一般生長的較為均勻整齊而草地情況較為復雜, 大多數野外環境下長勢不均, 存在空間異質性, 進而影響到測試樣點的LAI值, 梁亮等[13]和束美艷等[21]測定小麥LAI時選擇一塊具有代表性、小麥長勢均勻的區域將葉片剪下, 利用比葉重法測算小麥LAI, 而草地并不適合這種方法, 因為長勢均勻的草地占少數不能代表研究區的總體情況, 所以本實驗測定LAI時考慮到這種空間異質性的影響, 在每個樣方的周圍均勻的測試六次以減少空間異質性所帶來的影響。

表4 高光譜與擬合多光譜植被指數反演LAI結果比較

表5 高光譜和擬合多光譜植被指數與LAI線性回歸方程

根據結果部分中六種相同高光譜和擬合多光譜植被指數的比較發現, 對NDVI的反演結果來說Sentinel-2A擬合的結果要好于Landsat-8, 結合NDVI公式和它們的傳感器參數, 發現Sentinel-2A在紅光波段更窄; 在MSR和RVI反演效果中, Landsat-8和Sentinel-2A(NIR=B8a)的結果要好于Sentinel-2A(NIR=B8)的結果, 同樣結合公式和波段范圍分析發現Sentinel-2A的近紅波段B8波段比B8a和Landsat-8的近紅外波段B5更寬; 對EVI來說, 公式中有藍波段的參與, Landsat-8的藍波段B2比Sentinel-2A的藍波段更窄, 最終Landsat-8的反演效果要好于Sentinel-2A。由此可見, 在基于植被指數的LAI計算中, 窄波段得出的植被指數反演LAI效果要優于寬波段。同時, 分析表4發現, 盡管高光譜有更高的光譜分辨率, 但在某些植被指數的反演中未必能夠保持穩定的結果, 有些研究者會組合不同的高光譜波段試圖找到最佳的波段組合, 而多光譜由于依據光譜響應函數均衡了更多波段的權重, 穩定性較好, 但卻可能因為寬波段的緣故不能獲得最好的反演結果。劉玉琴等[30]以內蒙古自治區赤峰市克斯克騰旗貢格爾草原為研究對象, 分別使用Hyperion影像和HJ-1B CCD1影像作為高光譜和多光譜數據, 對窄波段和寬波段植被指數反演LAI進行了對比研究, 結果發現窄波段植被指數比寬波段植被指數反演效果更好, 這與本研究的結果相一致。黃崗山頂夏季氣候濕潤, 水汽含量大, 本次結果得出的反演效果最好的植被指數NVI的設計初衷就是為了排除近紅外波段處水蒸氣吸收帶的干擾, 在本實驗中得到了很好的驗證, NVI排除了水汽的影響并且表現要好于NDVI。

NDVI作為應用最廣泛的一種植被指數在本實驗中依舊表現不錯, 是僅次于NVI的一種植被指數。李子揚等[14], 吳朝陽和牛錚[31]的實驗結果都顯示了當LAI大于2后, NDVI基本達到飽和狀態。本項研究以他們的實驗結果為參考, 繪制出圖3a, 目的是直觀地表現NDVI隨LAI變化的關系。正是由于NDVI與LAI之間存在這種飽和關系, 造成之前的研究認為NDVI不能夠很好的反演LAI, 但在本研究區九個樣地平均LAI在2.83—3.38的情況下卻有較好的反演效果。之所以出現這種與之前研究相矛盾的現象, 可能是由于本研究區亞高山草甸幾乎不受人類干擾, 生長較均勻, 使得本次實驗的草地葉面積指數相對集中, 而LAI在這段區間內恰好與高光譜NDVI線性關系較好, 沒有因為NDVI與LAI存在飽和關系而影響到它們之間的線性關系。由此可以推斷出, 如圖3b 所示, 在兩條虛線之間（即LAI為2.83—3.38這個范圍內）是存在一段線性關系的, 而不存在LAI大于2之后, NDVI不再適用于LAI的反演。這個結果打破了NDVI在出現飽和后反演LAI效果不佳的刻板印象, 進一步擴大了NDVI的適用性。趙娟等[32]在冬小麥生長后期, 葉面積指數為1.50—4.00的情況下, 利用NDVI反演LAI得到的2= 0.71, 也有較好的反演效果, 結合本文的結果更加說明了LAI在較中等的范圍區間內, 存在著較好的線性回歸關系。

圖3 之前研究認為的LAI與NDVI的關系(a)和本文中得出的LAI與NDVI的關系(b)

Figure 3 Relation between LAI and NDVI (a) considered by previous studies and relation between LAI and NDVI (b) obtained in this paper

本研究區亞高山草甸LAI的總體變化范圍有限, 九個樣地平均葉面積指數只在2.83—3.38的這個小區間內, 利用高光譜NDVI反演LAI也只能被限制在這個小區間內, 所以能夠確定的高光譜NDVI反演LAI存在較好線性關系的也只有本實驗的這一小段, 至于LAI大于2且不在2.83—3.38這個區間內, NDVI是否和LAI依然有著較高的相關性, 有待在具有更大LAI范圍的草地得到進一步的發現, 從而使NDVI在反演類似亞高山草甸或者某一個小區間LAI時可以得到充分利用。

圖4是使用了與圖3a相同的模擬數據, 區別是把圖3a的自變量變為圖4的因變量, 把因變量變為圖4的自變量, 圖4的目的是使我們能夠更直觀的看出相較于LAI小于2, 當LAI大于2(開始出現飽和現象)后NDVI反演LAI的斜率會明顯變大, 反推則說明當一種植被指數的斜率較高時, 可能是因為這種植被指數存在的自身飽和性所導致。NDVI與LAI的線性關系, 斜率為10.34(表5), 明顯高于大多數植被指數與LAI線性回歸的斜率, NDVI符合這個結論, 對于斜率更高的兩種植被指數NDSI和PSND可能也同樣存在自身飽和性, 所以當使用NDSI和PSND兩種植被指數時應考慮它們隨LAI增大的飽和性影響。NVI、MSR和RVI的斜率較低, 分別為0.61, 0.56, 0.07(表5), 說明這三種植被指數沒有出現飽和現象, 而且MSR被提出時本就是為減少NDVI存在的飽和性問題, 本結果也表明MSR在減少飽和方面存在有效性。

圖4 NDVI反演LAI關系曲線

Figure 4 NDVI inversion LAI relationship curve

4 結論

本文利用高光譜植被指數的方法對黃崗山頂亞高山草甸葉面積指數進行反演, 取得了不錯的反演效果, 找出五種與LAI線性回歸較好的高光譜植被指數, 得到反演本研究區亞高山草甸LAI的最佳植被指數—— 新植被指數(NVI)。同時, 根據高光譜NVI所使用波段擬合的Sentinel-2A衛星的多光譜波段植被指數, 在反演中同樣獲得最好的效果, 從而為草地LAI反演提供了一種新的多光譜植被指數NVI。

在草地覆蓋度平均為70 %—80 %, 平均株高在38.85—68.10 cm之間(表3)、幾乎未受人為破壞的亞高山草甸地區, 比值型植被指數NDVI、RVI、MSR等依然受飽和影響較小, 相關系數2均在0.8左右。

根據對比兩種不同衛星光譜響應函數模擬的多光譜植被指數反演LAI結果可以看出, 更窄波段范圍擬合而成的近紅外、紅、綠和藍波段所組成的植被指數比較寬波段擬合的近紅外、紅、綠和藍波段所組成的植被指數反演效果更好。

NDVI反演LAI取得了一個不錯的效果,2= 0.79(表4), 并且NDVI與LAI之間存在很好的線性關系, 證明當NDVI達到飽和后, 依然能夠作為一種適用的植被指數來反演草地LAI。同時, 發現當某種植被指數反演LAI的線性回歸方程的斜率越大時, 這種植被指數越有可能隨LAI的增大而出現飽和現象, 相反的, 斜率越小則說明該種植被指數沒有出現飽和現象。

[1] CHEN J M, BLACK T A. Defining leaf area index for non-flat leaves[J]. Plant, Cell & Environment, 1992, 15(4): 421–429.

[2] LIU Xinghe, WANG Le. Feasibility of using consumer-grade unmanned aerial vehicles to estimate leaf area index in Mangrove forest[J]. Remote Sensing Letters, 2018, 9(11): 1040–1049.

[3] LI Zhaoqin, GUO Xulin. A suitable vegetation index for quantifying temporal variation of leaf area index (LAI) in semiarid mixed grassland[J]. Canadian Journal of Remote Sensing, 2014, 36(6): 709–721.

[4] RYU Y, VERFAILLIE J, MACFARLANE C, et al. Continuous observation of tree leaf area index at ecosystem scale using upward-pointing digital cameras[J]. Remote Sensing of Environment, 2012, 126: 116–125.

[5] 徐全芝, 張萬昌, 劉三超, 等. 黑河流域葉面積指數的遙感反演[J]. 干旱區研究, 2003(4): 281–285.

[6] 賈玉秋, 李冰, 程永政, 等. 基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較[J]. 農業工程學報, 2015(9): 173–179.

[7] 駱社周, 程峰, 王方建, 等. 基于TM遙感數據的西藏林芝地區葉面積指數反演[J]. 遙感技術與應用, 2012, 27(5): 740–745.

[8] 朱緒超, 袁國富, 易小波, 等. 基于Landsat 8 OLI影像的塔里木河下游河岸林葉面積指數反演[J]. 干旱區地理, 2014, 37(6): 1248–1256.

[9] 郭云開, 曹小燕, 謝瓊, 等. 模擬多光譜的土壤重金屬含量反演研究初探[J]. 測繪工程, 2015, 24(12): 7–11.

[10] 曹肖奕, 丁建麗, 葛翔宇, 等. 基于不同衛星光譜模擬的土壤電導率估算研究[J]. 干旱區地理, 2020, 43(1): 172–181.

[11] 陳召霞, 徐新剛, 徐良驥, 等. 基于新型植被指數的冬小麥覆蓋度遙感估算[J]. 麥類作物學報, 2016, 36(7): 939–944.

[12] 辛明月, 殷紅, 陳龍, 等. 不同生育期水稻葉面積指數的高光譜遙感估算模型[J]. 中國農業氣象, 2015, 36(6): 762–768.

[13] 梁亮, 楊敏華, 張連蓬, 等. 小麥葉面積指數的高光譜反演[J]. 光譜學與光譜分析, 2011, 31(6): 1658–1662.

[14] 李子揚, 錢永剛, 申慶豐, 等. 基于高光譜數據的葉面積指數遙感反演[J]. 紅外與激光工程, 2014, 43(3): 944–949.

[15] 潘海珠, 陳仲新. 無人機高光譜遙感數據在冬小麥葉面積指數反演中的應用[J]. 中國農業資源與區劃, 2018, 39(3): 32–37.

[16] GUPTA R K, VIJAYAN D, PRASAD T S. New hyperspectral vegetation characterization parameters[J]. Advances in Space Research, 2001, 28(1): 201–206.

[17] HABOUDANE D, MILLER J R, PATTEY E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2004, 90(3): 337–352.

[18] DEFRIES R S, TOWNSHEND J R G. NDVI-Derived Land Cover Classification at a Global Scale[J]. International Journal of Remote Sensing, 1994, 15(17): 3567–3586.

[19] LI Fei, MISTELE B, HU Yuncai, et al. Comparing hyperspectral index optimization algorithms to estimate aerial N uptake using multi-temporal winter wheat datasets from contrasting climatic and geographic zones in China and Germany[J]. Agricultural and Forest Meteorology, 2013, 180: 44–57.

[20] CHEN J M. Evaluation of Vegetation Indices and a Modified Simple Ratio for Boreal Applications[J]. Canadian Journal of Remote Sensing, 1996, 22(3): 229–242.

[21] 束美艷, 顧曉鶴, 孫林, 等. 基于新型植被指數的冬小麥LAI高光譜反演[J]. 中國農業科學, 2018, 51(18): 3486–3496.

[22] 薛利紅, 曹衛星, 羅衛紅, 等. 光譜植被指數與水稻葉面積指數相關性的研究[J]. 植物生態學報, 2004(1): 47–52.

[23] 付剛, 沈振西, 鐘志明. 西藏高原青稞三種植被指數對紅外增溫的初始響應[J]. 生態環境學報, 2015, 24(3): 365–371.

[24] FITZGERALD G J, RODRIGUEZ D, CHRISTENSEN L K, et al. Spectral and thermal sensing for nitrogen and water status in rainfed and irrigated wheat environments[J]. Precision Agriculture, 2006, 7(4): 233–248.

[25] JIANG Zhangyan, HUETE A R, DIDAN K, et al. Development of a two-band enhanced vegetation index without a blue band[J]. Remote Sensing of Environment, 2008, 112(10): 3833–3845.

[26] HUETE A, DIDAN K, MIURA T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1/2): 195–213.

[27] SIMS D A, GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages[J]. Remote Sensing of Environment, 2002, 81(2): 337–354.

[28] GUPTA R K, VIJAYAN D, PRASAD T S. Comparative analysis of red-edge hyperspectral indices[J]. Advances in Space Research, 2003, 32(11): 2217–2222.

[29] 朱佳明, 郭云開, 劉海洋, 等. 一種組合反演葉面積指數的方法[J]. 測繪科學, 2019, 44(1): 60–65.

[30] 劉玉琴, 沙晉明, 余濤, 等. 基于寬波段和窄波段植被指數的草地LAI反演對比研究[J]. 遙感技術與應用, 2014, 29(4): 587–593.

[31] 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.

[32] 趙娟, 黃文江, 張耀鴻, 等. 冬小麥不同生育時期葉面積指數反演方法[J]. 光譜學與光譜分析, 2013, 33(9): 2546–2552.

A comparison of the LAI retrieval for subalpine meadows in Wuyishan by hyperspectral and simulated multispectral vegetation index

AN Deshuai1, XU Dandan1,2,*, LIU Yue3, ZHU Jianqin4

1. College of Biology and Environment, Nanjing Forestry University, Nanjing 210037, China 2. Co-Innovation Center for Sustainable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037, China 3. College of Forestry, Nanjing Forestry University, Nanjing 210037, China 4. Research and Monitoring Center, Wuyishan National Park, Wuyishan 354300, China

The Leaf Area Index (LAI) is an important ecological parameter and is widely used as an indicator for vegetation density, biomass, carbon and nitrogen cycle, and response of ecosystems to climate change. It is also a key biophysical parameter for ecological process models. Field measured hyper-spectra has the potential to monitor plant spectral features with higher spatial resolution, which supports accurate inversion of LAI. Therefore, we establish a variety of hyperspectral vegetation index and simulated multispectral vegetation index inversion statistical models in subalpine meadows in Wuyishan National Park, and then compare the hyperspectral and multispectral leaf area index. Our results clarify the optimal hyperspectral and simulated multispectral vegetation index for LAI estimation in subalpine meadows with high vegetation coverage. The results show that Hyperspectral New Vegetation Index (NVI) has the best effect on LAI inversion,2= 0.85,< 0.01; the results of simulated multispectral NVI inversion based on hyperspectral NVI fitting are the second,2= 0.82,< 0.01. Several commonly used ratio vegetation indices, NDVI, MSR, RVI and GNDVI, have little difference in the results of hyperspectral and simulated multispectral inversion, and perform well, with2all above 0.65. By comparing the inversion results of hyperspectral and fitting Sentinel-2A and Landsat-8 two multispectral satellite bands, it is found that the vegetation index composed of the near-infrared, red, green, and blue bands with a narrower band in the spectral response function have better inversion results, and the fixed-band hyperspectral vegetation index may not have the best inversion effect in every vegetation index. At the same time, it was found that when the slope of the linear regression equation for the inversion of LAI by a vegetation index is larger, it indicates that the vegetation index is more likely to saturate with the increase of LAI. On the contrary, the smaller the slope, the more the vegetation index is not saturation occurs. In the literature, most studies indicate that NDVI is not suitable for LAI inversion for high vegetation covered ecosystems. However, our results show that using the hyperspectral and fitting multi-spectral band vegetation index methods to retrieve LAI and NDVI have achieved good results. Our results also indicate that NDVI has the potential to estimate LAI in high vegetation covered grassland within a certain range, which would further extend the applicability and possibility of NDVI in LAI inversion.

hyperspectral remote sensing; simulated multi-spectra; remote sensing inversion; leaf area index; NDVI; Wuyishan National Park

安德帥, 徐丹丹, 劉月, 等. 高光譜與擬合多光譜植被指數反演武夷山亞高山草甸LAI的對比研究[J]. 生態科學, 2022, 41(5): 187–196.

AN Deshuai, XU Dandan, LIU Yue, et al. A Comparison of the LAI Retrieval for Subalpine Meadows in Wuyishan by Hyperspectral and Simulated Multispectral Vegetation Index[J]. Ecological Science, 2022, 41(5): 187–196.

10.14108/j.cnki.1008-8873.2022.05.023

S157.2

A

1008-8873(2022)05-187-10

2020-09-07;

2020-10-15

國家自然科學基金(41901361); 福建省林業廳資助項目(閩林科便函[(2018)26號]); 江蘇省“六大人才高峰”創新人才團隊項目(TD-XYDXX-006)

安德帥(1995—), 男, 山東德州人, 碩士, 主要從事草地遙感等研究, E-mail: deshuaian@njfu.edu.cn

徐丹丹, 女, 博士, 副教授, 主要從事生態遙感等研究, E-mail: dandan.xu@njfu.edu.cn