杉木人工林葉面積指數估測及影響因子分析

嚴恩萍，林 輝，洪奕豐，張 雨，陳 利

（1.中南林業科技大學 林業遙感信息工程研究中心，長沙410004；2.國家林業局 華東森林資源監測中心，杭州310019）

葉面積指數（LAI）是定量分析地球生態系統能量交換特性的重要因子，對生態系統碳循環和全球變化研究具有重要意義［1］。作為植被冠層結構研究的重要參數，LAI控制著植被的生物物理過程，同時也為植冠表面能量交換提供定量信息。傳統的葉面積指數測量方法受儀器、人力和物力等因素的影響，只能在局部范圍進行測量，隨著信息技術的迅速發展，遙感因其宏觀、短周期和低成本等特點，為林業中實時大范圍LAI監測提供了有效途徑。

國內外學者利用高光譜遙感數據結合地面調查數據開展LAI的定量估測研究已有很多探索［2－4］；也有學者利用中低分辨率遙感數據（NOAA-AV HRR、MODIS、T M、ASTER），開展了不同尺度的LAI反演研究，Gitelson等提出了新的植被指數GRVI，用綠波段代替紅波段，開展LAI估測研究；劉占宇等構建了針對玉米、棉花和水稻等不同作物的植被指數模型［5－9］。由多波段數據經線性／非線性組合形成的葉面積指數，在綠色植被探測方面比單波段數據更靈敏，作為植被生長狀態及空間分布密度的指示因子，被廣泛應用于作物識別預報、植被覆蓋密度評價、土地利用覆蓋探測等領域［10－11］。

杉木（Cunningha mia l anceol ata）是我國南方林區主要的速生用材樹種，有近千年的栽培歷史，面積約占我國人工林總面積的24%，在南方集體林區生產建設中占有重要地位［12］。目前LAI監測運用較多的是高光譜和中低分辨率遙感技術，但采用高分辨率遙感進行杉木葉面積指數估測及影響因子（尤其是坡向、齡組）分析的研究不多。鑒于此，本研究以湖南攸縣黃豐橋林場的SPOT影像為數據源，結合地面實測數據，分析從遙感影像得到的植被指數與實測LAI的相關關系，構建適合杉木人工林LAI的最佳指數及估測模型，分析齡組、坡向等因子對LAI的影響，旨在為大區域杉木LAI信息的遙感估算提供科學依據和參考。

1 研究區概況、數據與方法

1.1 研究區概況

研究區攸縣黃豐橋國有林場地處湖南省株洲市攸縣東部，位于東經113°04′—113°43′，北緯27°06′—27°24′，屬亞熱帶季風濕潤氣候區，年平均氣溫17.8℃、降水量1 410.8 mm、平均日照時間67 d、無霜期292 d左右。境內以中低山地貌為主，最高海拔1 270 m，最低海拔115 m，坡度在20°～35°之間。土壤以板頁巖發育而成的山地黃壤為主。林場屬以保護為主的生態公益型林場，境內森林茂盛，有木本植物430余種，森林覆蓋率達90.07%。

全場國有林經營面積228.7萬h m2，有林地面積151.8萬h m2，劃定生態公益林132.3萬h m2（均為國家級）。擁有森林蓄積量891 262 m3，其中商品林蓄積434 991 m3，生態公益林蓄積456 271 m3。林分類型以杉木人工林為主，在不同的坡向、坡度和海拔上，廣泛分布著杉木幼齡、中齡以及成熟林。試驗區主要位于攸縣的黃豐橋鎮和柏市鎮，其中以黃豐橋國有林場柏市分場和廣黃分場為核心研究區域，總面積351.16 k m2。

1.2 數據來源與處理

1.2.1 遙感數據 本研究采用2009年11月28日3：06獲取的SPOT5遙感數據，影像中心坐標為27°17′33″N，113°49′27″E。數據包括 XS1（540.0 n m）、XS2（650.0 n m）、XS3（835.0 n m）、SWIR （1 630.0 n m）4個多光譜波段，空間分辨率為10 m，全色波段空間分辨率達2.5 m。太陽高度角和方位角分別為45.11°和158.74°，視場范圍為60 k m×60 k m。

1.2.2 地面調查數據 運用角規抽樣方法對林分進行調查獲取地面數據，結合攸縣土地利用類型圖以及2008年森林資源調查數據，分析杉木人工林的整體分布情況，設置60 m×60 m的樣地107塊，調查時間為2009年11月15日至2009年12月5日。所有樣地均為人工純林，其中杉木林78塊，主要為中齡林和近熟林；其他樣地29塊，包括馬尾松林、闊葉樹林和竹林。

共采集107塊樣地的地面實測LAI數據（圖1），在每個樣地的四角和中心分別設置一個測點，每個測點分別進行4次葉面積指數測量，取4次測量的平均值作為該點的實測葉面積指數，同時用GPS記錄每一測點的經緯度，最后取每塊樣地所有測點的平均值作為該樣地的葉面積指數。

圖1 地面實測LAI樣點分布

1.3 研究方法

1.3.1 地物反射率的計算

（1）幾何校正 使用經過輻射校正的SPOT 5多光譜波段數據，在1∶100 00地形圖上選擇明顯特征點30個，對原始影像進行幾何校正，誤差控制在1個

式中：A——輻射校正后圖像產品的絕對定標增益；B——圖像產品的絕對定標偏置；在DI M參數文件中分別以 Physical-Gain和 Physical-Bias的形式給出，單位為 W／（m2·sr·μm）；X——幾何校正后的圖像像元值；L——經像元值X計算得到的輻射亮度，單位是 W／（m2·sr·μm）。

（3）地物反射率的計算 從地物能量轉換的角度看，地物輻射亮度是一個關于太陽等效輻射亮度L、太陽天頂角θ和等效地物反射E0的函數，考慮到太陽公轉時日地距離因子d的變化，則地物大氣頂部等效反射率的計算公式為：像元以內。數據采用DI MAP格式分發，各個參數存放在輔助數據文件中文件名為METADATA.DI M，采用XML格式記錄。

（2）地物輻射亮度的計算 經幾何校正后的SPOT 5數據，再經過輻射定標處理，即可得到地物的輻射亮度值，定標公式為［13］：

式中：d以天文單位表示，取值在0.983～1.017之間，本文d值取1；E0的單位為 W／（m2·sr·μm）。E0在參數文件中以SOLAR＿IRRADIANCE＿VALUE為標簽給出，太陽高度角以SUN＿ELEVATION為標簽給出，計算其余角即得到θ。

1.3.2 植被指數的計算

（1）歸一化植被指數 歸一化植被指數（Nor malized Difference Vegetation Index）是目前信息提取最常用的參數，因為它與植被覆蓋度、植被綠度、植被生產力等均具有很好的線性關系［14－16］，是反映不同土地覆蓋類型生物特性差異的重要指標［17］，如生物量、植被長勢、植被覆蓋度等［18］，計算公式為：

（2）土壤調節植被指數 研究表明，不同土壤背景反射率與土結構、顏色、濕度有關，直接影響著植被發射波譜特征。為修正NDVI對土壤背景噪聲的敏感性，Huete提出了土壤調節植被指數SAVI［19］，公式如下：

其中，L為常量，介于0～1之間，L＝1時，土壤背景影響為0；L＝0時，土壤背景影響非常大，即植被覆蓋度為0［20－21］。為較好地消除土壤背景影響，L通常取值0.5。

（3）修正的土壤調節植被指數NDVI能反映出植物冠層的背景影響，為進一步削弱土壤背景的影響，Qi等［22］在SAVI的基礎上提出了修正的土壤調節植被指數（MSAVI），土壤調節因子由植被指數自身調整，表達式如下：

（4）修正的葉綠素調節植被指數 為提高植被指數對LAI的敏感度，Daughtr y等［23］在葉綠素吸收指數（CARI）的基礎上提出了修正的葉綠素調節指數（MCARI），計算公式如下：

式中：ρNIR——近紅外波段表觀反射率；ρRED——紅波段表觀反射率；ρGREEN——綠波段表現反射率。

2 結果與分析

2.1 杉木信息的遙感提取

SPOT 5影像上杉木人工林的光譜特征明顯區別于其他林地，這為準確提取杉木人工林提供了依據。從多光譜影像上提取對植被信息敏感的近紅外波段，利用歸一化植被指數（NDVI）和全色波段提取的紋理信息，輔助2008年黃豐橋林場森林資源分布圖和野外調查數據，建立訓練樣本，采用最大似然監督分類，提取研究區的杉木人工林覆蓋信息。經檢驗，分類精度達89.94%，Kappa系數為0.87，可以滿足后續研究要求。

2.2 葉面積指數遙感反演

2.2.1 相關特征統計 為探求實測LAI數據與各植被指數之間的關系，在SPSS 16中進行統計（包括最小值、最大值、平均值和標準差），結果見表1。

表1 實測LAI數據及其不同植被指數的相關統計特征

標準差反映了個體偏離均值的程度，是衡量樣本數據質量的重要指標。標準差越大，則樣本中所有個體出現的概率趨于相等，個體數據分布越分散；反之，則樣本中所有數據集中在某個中心值附近。由表1可知：實測LAI數據介于1.48～5.22之間，標準差為0.80，LAI數據整體質量理想，可以滿足后續LAI模型估測的要求；四種植被指數的標準差順序依次為：NDVI＞MCARI＞MSAVI≥SAVI。由此可見，NDVI、MCARI分布比較分散，在模型估測參數選擇時可重點考慮。

2.2.2 相關性分析 從78組樣本數據中剔除兩組異常數據，根據年齡、郁閉度、坡度、坡向和海拔，抽取各齡組2／3的數據用來構建葉面積指數估測模型，其中包括每個齡組樣地數據中LAI值最大和最小的兩組數據，共有50組數據作為樣本用于估測模型擬建，剩余26組數據作為檢驗樣本評價模型精度。計算各變量與實測杉木葉面積指數之間的相關性（Pearson簡單相關系數），結果見表2。

表2 植被指數與LAI相關性

由表2可知，四種植被指數均與杉木葉面積指數呈顯著相關關系，具有較高的相關性，依次為MCARI、SAVI、MSAVI、NDVI，其中相關性最高的為修正的葉綠素調節植被指數（MCARI），達0.836。2.2.3 模型構建 為了實現杉木LAI的有效估算，本研究采用葉面積指數與四種植被指數分別建立一元線性模型、二次曲線模型、對數模型、指數模型。

表3 杉木LAI與植被指數擬合模型

分析表3可知，采用二次曲線模型、指數模型和一元線性模型擬合杉木LAI，MCARI擬合效果最好，R2分別為0.713，0.662，0.675；其次是土壤調節植被指數 SAVI，決定系數 R2為0.646，0.636，0.630；MSAVI、NDVI擬合效果較前兩者略差。

綜上，基于SPOT 5表觀反射率計算的四種植被指數與杉木LAI均有較高的擬合程度，用它們建立的回歸方程的顯著性都在95%以上，擬合效果最佳的是 MCARI，其次是SAVI、MSAVI，最差的是NDVI。表明NDVI因受不同背景因素的影響，回歸效果不是很理想；而 MCARI、SAVI、MSAVI因能進一步抑制葉綠素和土壤背景因素的干擾，對植被信息和葉面積指數比較敏感，因而可以更好地用于杉木葉面積指數的遙感定量反演研究。

2.2.4 精度驗證 為進一步驗證模型的擬合精度，采用余下的26組數據分別代入擬合精度最高的四組模型中，求得估測值。將LAI實測值與估測值進行一元線性回歸模型擬合，檢驗模型的估測精度。檢驗公式如下：

式中：n——檢驗樣本容量；yi——第i個檢驗樣本值；＾yi——對應第i個樣點估計值；RMSE——總均方根誤差，其值越小，表明精度越高；RE——相對誤差，以其絕對值的平均值作為模型精度檢驗指標，值越小表明精度越高。

LAI既是單植被指標，又與其他植被指數具有良好的相關性。由表4可知，以MCARI為自變量的二次多項式模型得到的LAI估測值，其擬合方程可靠性最高，R2達0.713，居6個模型最低，但均方根誤差、平均相對誤差較以MCARI為自變量的指數模型略低，分別為0.427 8，12.85%；以 MCARI為自變量的指數回歸模型得到的LAI估測值，R2為0.662，RMSE、平均相對誤差最低，分別為0.417 8，12.31%；以SAVI（L＝0.5）為自變量的二次曲線回歸模型，其擬合方程的可靠性最低，R2僅0.646，RMSE最高達0.474 0，估測精度最低，僅為85.87%。

本研究建立的4種一元回歸模型中擬合程度最高的4個模型的估測精度均超過了85.87%，可對葉面積指數進行較高精度的定量估測，其中以MCARI為自變量的指數回歸模型估測精度最高，達87.69%。

表4 模型精度檢驗結果比較

2.2.5 反演制圖 為了驗證SPOT 5數據估測杉木人工林LAI的可靠性，采用GIS的裁剪功能獲得研究區杉木人工林的MCARI分布圖層，將以MCARI為自變量的指數回歸模型代入Arc GIS 10.0的柵格計算器，獲得研究區杉木人工林的葉面積指數分布（圖2）。為進一步分析杉木人工林葉面積指數的變化規律，結合研究區2008年森林資源分布圖，利用Arc GIS 10.0的Spatial Analysis功能得到研究區LAI隨不同調查因子的變化情況，結果見表5、圖3。

2.3 葉面積指數影響因子分析

2.3.1 葉面積指數空間分布特征 圖2給出了研究區葉面積指數的分布，從SPOT 5遙感反演的結果來看，效果理想，葉面積指數整體呈現南北高東西低的趨勢。從區域分布來看，研究區北部—柏市分場一帶，水熱條件好，人為干擾活動少，植被以常綠針葉林為主，葉面積指數居整體區域最高，遙感反演的數值多在3～5之間，部分區域＞5；東南部因有幾條比較大的山脈，天然林較多，LAI多在2～4之間；西部葉面積指數偏低，集中在1～2之間，城鎮、石漠化地區葉面積指數＜1，人為干擾程度較大。通過比較發現，研究區最大葉面積指數主要出現在西北部的高山少人區，受水分濕度、人為因素限制明顯。

2.3.2 齡組對杉木葉面積指數的影響 齡組是影響杉木光輻射量及其冠層結構的重要因子，因為不同齡組樹體樹干、冠層大小等明顯不同，相應葉片的光合能力也不同。對比幼齡林、中齡林、近熟林和成熟林的杉木人工林LAI，結果顯示，杉木LAI隨齡組的增大呈上升趨勢（表5），至成熟林LAI達到最大，平均葉面積指數為3.20，比幼齡林LAI的2.90高出0.30；其增長速率逐步遞減，從幼齡林到成熟林依次遞增0.18，0.09，0.03，可能是隨著林齡的增長，杉木光合作用能力減弱，但總體上LAI處于逐步上升狀態。均值比較結果顯示，同一地區不同齡組杉木LAI兩兩之間有差異，說明不同齡組杉木的樹冠和葉片生長狀況差異較大，在實施經營措施時應該區別對待。

圖2 研究區LAI分布圖

2.3.3 坡向對杉木葉面積指數的影響 坡向是影響LAI的主要地形因子，因為它是表征地表面局部接受陽光和重新分配太陽輻射量的指標，能直接造成局部地區氣候特征的差異，導致不同坡向上植被類型及其生長狀況明顯不同［24］。對比陽坡、半陽坡、陰坡杉木（坡度介于20°～30°之間）LAI，結果顯示，不同坡向的LAI在整個杉木生長期間隨齡組的增大均呈不斷上升趨勢（圖3）。同一齡組內，半陽坡LAI最大，陰坡其次，陽坡最小。其中成熟林半陽坡LAI最大（達4.33），約為陰坡的1.44倍，整體高出1.33。這是由于杉木為較喜光樹種，半陽坡濕度、光照合適，適宜杉木生長；陰坡次之，而陽坡因溫差大、日照長、濕度小，杉木生長差。坡向分析結果表明，對杉木生長和分布起限制作用的首要因素是水濕條件，其次是溫度條件。

表5 各影響因子與杉木LAI的相關性統計

2.3.4 其他因子對葉面積指數的影響 作為表征植被冠層結構的基本參數之一，葉面積指數被廣泛用于植物生長、能量和冠層反射的模型研究［25］。影響葉面積指數的因子很多，包括土壤濕度、作物種類、種植密度、海拔、坡度等。分析表5可知，海拔、胸徑、樹高、郁閉度對杉木葉面積指數均有一定的影響，而且隨著這些因子值的升高，LAI逐漸增大，特別是在高海拔、高郁閉度地區，葉面積指數均高于平均值，可能因為這些地區土壤濕度大，光照氣溫適宜，比較適合于杉木的生長。與其他地形因子相比，坡度對LAI的影響并不顯著。

圖3 不同坡向杉木人工林LAI分布

3 結論

LAI作為計算干物質累積和植物蒸散的重要參數，最能反映植被生長狀態與遙感數據的密切關系［26］。本研究利用SPOT 5數據提取植被指數，與實測杉木LAI建立回歸模型，利用Arc GIS 10.0得到研究區LAI的空間分布，分析齡組、坡向等因子對杉木LAI的影響。相關性分析表明，4種植被指數均與杉木葉面積指數具有較高的相關性，依次為MCARI、SAVI、MSAVI、NDVI，以 MCARI為自變量的指數回歸模型y＝1.031exp（3.379x）估測精度最高，達87.69%；模型精度檢驗說明利用遙感因子對LAI進行快速、高精度、大范圍的定量估測是可行的。杉木LAI隨齡組的增大呈上升趨勢，最大值出現在成熟林；不同坡向杉木LAI之間差異顯著，半陽坡LAI明顯大于其他坡向。研究表明，齡組和坡向是影響杉木LAI的重要因子，限制其生長和分布的首要因素是水濕條件，其次是溫度。

4 討論

葉面積指數作為植被長勢遙感監測中最常用的綜合參數之一，國內外已有眾多研究，并提出了不同敏感區域和和波段組合的植被指數［27－28］，利用植被指數估算LAI雖能取得較好效果，但其穩定性和預測能力難以保證［29］。（1）LAI的空間分布特征主要受降水量、平均溫度和光照的影響。相關研究認為，杉木LAI在0～5時，其與生物量呈顯著的相關關系，即隨著LAI的增大，生物量明顯增加［30］。水濕條件是影響坡地杉木LAI的主要因素。（2）齡組是影響杉木冠層結構及生長狀況差異的重要因子。不同齡組杉木葉片光合能力各異，針對不同齡組杉木的經營措施也應有所側重：生長期則主要以控制樹形，修枝剪枝為主；而成熟期主要以穩定材積，增強樹勢為目的。受試驗條件的限制，關于同一齡組不同地形條件杉木的LAI是否存在明顯差異，未進行研究。（3）地形因子中坡向對LAI的影響比較顯著［31］，半陽坡降水量、相對濕度比陽坡大，前者太陽輻射、溫度比陰坡大，加之杉木為較喜光樹種，因此研究區半陽坡的杉木比陽坡長勢好，陰坡次之，且成熟林LAI為陽坡的1.44倍。結果顯示，對杉木生長和分布起限制作用的首要因素是水濕條件，其次是溫度。其他因子對杉木LAI也有影響，至于是否顯著有待今后進一步研究。

葉面積指數估測一直是遙感反演領域的熱點，雖然通過構建各種植被指數能提高葉面積指數遙感估測的精度，但有效構建LAI的物理模型還需加強。同時，本研究構建的LAI估算模型成果能否在更大范圍內適用也需要進一步驗證。杉木LAI除受儀器、算法等的影響外，還取決于植被周圍的環境因素，如植株密度、葉冠、土壤背景、大氣等，其影響否顯著有待進一步驗證。

［1］ Haboudane D，Miller J R，Pattery E，et al.Hyperspectral vegetation indices and novel algorith ms for predicting green LAI of crop canopies：modeling and validation in the context of precision agriculture［J］.Remote sens-

ing of Envir on ment，2004，90（3）：337-352.

［2］ 柏軍華，李少昆，王克如，等.棉花葉面積指數冠層反射率光譜響應及其反演［J］.中國農業科學，2007，40（1）：63-69.

［3］ 張正楊，馬新明，賈方方，等.煙草葉面積指數的高光譜估算模型［J］.生態學報，2012，32（1）：168-175.

［4］ 靳華安，劉殿偉，王宗明，等.三江平原濕地植被葉面積指數遙感估算模型［J］.生態學雜志，2008，27（5）：803-808.

［5］ 何磊，唐姝婭，苗放，等.岷江上游典型流域葉面積指數的遙感模型及反演［J］.水土保持研究，2010，17（1）：218-221.

［6］ Ahl D E，Gower S T，Burr ows S N，et al.Monitoring spring canopy phenology of a deciduous broadleaf f orest using MODIS［J］.Remote Sensing of Environ ment，2006，104（1）：88-95.

［7］ 徐涵秋，張鐵軍.ASTER與Landsat ET M＋植被指數的交互比較［J］.光譜學與光譜分析，2011，31（7）：1902-1907.

［8］ 林超文，陳一兵，黃晶晶.中國四川間作地區作物高度、覆蓋度和葉面積指數的時間變化［J］.水土保持研究，2007，14（2）：72-75.

［9］ 劉占宇，黃敬峰，王福民，等.估算水稻葉面積指數的調節型歸一化植被指數［J］.中國農業科學，2008，41（10）：3350-3356.

［10］ 田慶久，閔祥軍.植被指數研究進展［J］.地球科學進展，1998，13（4）：327-333.

［11］ 陸廣勇，楊勤科，王海江.基于 MODIS-NDVI時序數據的黃土丘陵區土地覆蓋分類研究［J］.水土保持研究，2012，18（2）：112-120.

［12］ 鄧寶珍.生態型林地清理對杉木生長及物種多樣性的影響［J］.林業科技開發，2007，21（5）：32-34.

［13］ 劉宇光，金明，馮鐘葵，等.SPOT數據反演地物輻射亮度和反射率的基礎研究［J］.地球信息科學，2005，7（2）：111-115.

［14］ Tomoaki M，Alfredo H，Hiroki Y.An empirical investigation of ross-sensor relationships of NDVI and red／near-infrared eflectance using EO-1 Hyperion data［J］.Remote Sensing of Environment，2006，100（2）：223-236.

［15］ Asrar G，Fuchs M，Kanemasu E T.Estimating abor bed photosynthetically active radiation and leaf area index fro m spectral reflectance in wheat［J］.Agr ono my Jour nal，1984，76（2）：300-306.

［16］ Boegh E，Soegaard H，Hanan N.A remote sensing

study of the NDVI-Ts relationship and the transpiration fro m sparse vegetation in the Sahel based on high-resolution satellite data［J］.Remote Sensing of Environ-ment，1999，69（3）：224-240.

［17］ 裴歡，魏勇，房世峰，等.基于SPOT高分辨率遙感數據的綠洲荒漠化土地分類方法：以吐魯番綠洲為例［J］.2011，33（6）：1204-1210.

［18］ 龐吉林，張克斌，喬娜，等.基于RS的鹽池縣近10年植被覆蓋度動態變化研究［J］.水土保持研究，2012，19（4）：112-121.

［19］ Huete A R.A soil-adjusted vegetation index （SAVI）［J］.Remote Sensing of Environ ment，1988，25（3）：295-309.

［20］ Kauf man Y J，Tanre D.At mospherically resistant vegetation index （ARVI）f or EOS-MODIS［J］.IEEE Trans Geosci Remote Sensing，1992，30（2）：261-270.

［21］ Richardson A J，Wiegand C L.Distinguishing vegetation from soil background infor mation［J］.Photogram Metric Engineering and Remote Sensing，1977，43（12）：1541-1552.

［22］ Qi J，Huete A R.Inter pretation of vegetation indices derived fro m multi-temporal SPOT i mages［J］.Remote Sensing of Environ ment，1993，44（1）：89-101.

［23］ Daughtr y C S T，Walthall C L，Ki m M S，et al.Estimating cor n leaf chlorophyll concentration fro m leaf and canopy reflectance［J］.Remote Sensing of Environment，2000，74（2）：229-239.

［24］ 何婷婷，汪有科，張陸軍，等.黃土高坡地棗樹林齡和對葉面積指數的影響［J］.果樹學報，2010，27（2）：293-298.

［25］ Daniel A C.Spectral short-circuiting and wake pr oduction within the canpoy tr unk space of an alpine hardwood f orest［J］.Boundary Layer Meteorol，2008，126（2）：415-431.

［26］ 王希群，馬履一，賈忠奎，等.葉面積指數的研究和應用進展［J］.生態學雜志，2005，24（5）：537-541.

［27］ 程乾，黃敬峰，王人潮，等.MODIS植被指數與水稻葉面積指數及葉片葉綠素含量相關性研究［J］.應用生態學報，2004，15（8）：1363-1367.

［28］ 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.

［29］ 張柏，宋開山，張淵智，等.大豆面積的高光譜模型［J］.沈陽農業大學學報，2005，36（4）：396-400.

［30］ 林偉，鄭博福，胡里樂，等.井岡山森林碳儲量與LAI和材積的相關性［J］.生態環境學報，2011，20（12）：1831-1835.

［31］ 呂瑜良，劉世榮，孫鵬森，等.川西亞高山暗針葉林葉面積指數的季節動態與空間變異特征［J］.林業科學，2007，43（8）：1-7.