海南島橡膠林葉面積指數遙感估算模型比較研究

戴聲佩 羅紅霞 鄭倩 胡盈盈 李海亮 李茂芬 禹萱 陳幫乾

摘要：葉面積指數（LAI）是描述植被生長狀況和冠層結構的一個重要參數，快速獲取大面積植被與作物LAI對于生態系統科學研究、農林業生產指導具有十分重要的理論和實踐意義。本研究選取海南島典型熱帶作物——橡膠樹為研究對象，構建基于衛星遙感植被指數的橡膠林LAI估算模型并分析其變化規律。結果表明，相較于歸一化植被指數（NDVI）、綠色歸一化植被指數（GNDVI）、比值植被指數（RVI）和寬動態范圍植被指數（WDRVI）四個指數，增強植被指數（EVI）、土壤調節植被指數（SAVI）、差值植被指數（DVI）和改良土壤調節植被指數（MSAVI）四個指數同LAI之間的相關性較高。構建的基于不同植被指數的橡膠林LAI估算模型（一元線性、指數和對數模型）中，基于EVI指數的橡膠林LAI一元線性估算模型效果最佳，其決定系數R為0.69。經驗證，該模型估算的橡膠林LAI精度較高，觀測和模擬的橡膠林LAI線性擬合R為0.67，均方根誤差RMSE為0.16，平均相對誤差RE為-0.25%，但在橡膠林LAI中值區存在低估現象，同時在LAI高值區和低值區存在一定的高估現象。從空間分布來看，海南島橡膠林LAI高值區（4.40～6.23）主要分布在海南島西部檐州、白沙等市縣，LAI中值區（3.80～4.40）主要分布在海南島中部澄邁、屯昌、瓊中等市縣，LAI低值區（2.69～3.80）主要分布在海南島東部和南部的定安、瓊海、萬寧、樂東、三亞等市縣。總之，構建的基于EVI指數的橡膠林LAI一元線性估算模型精度較高，克服了NDVI、GNDVI、RVI等植被指數容易出現指數飽和問題，具有較好的科學性和良好的推廣應用價值。

關鍵詞：葉面積指數;橡膠林;遙感;估算模型;海南島

中圖分類號：S127文獻標志碼：A文章編號：202106-SA003

引用格式：戴聲佩，羅紅霞，鄭倩，胡盈盈，李海亮，李茂芬，禹萱，陳幫乾.海南島橡膠林葉面積指數遙感估算模型比較研究[J].智慧農業（中英文），2021， 3（2）： 45-54.

DAI Shengpei， LUO Hongxia， ZHENG Qian， HU Yingying， LI Hailiang， LI Maofen， YU Xuan， CHEN Bangqian. Comparison of remote sensing estimation models for leaf area index of rubber plantation in Hainan Island[J]. Smart Agriculture， 2021， 3（2）： 45-54. （in Chinese with English abstract）

1引言

葉面積指數（Leaf Area Index， LAI）是描述植被生長狀況和冠層結構的一個重要參數[1]，它與植被的許多生物、物理過程（如光合作用、蒸騰作用等）有關，也是陸地表面過程模型（如作物生長模型、碳循環模型等）常用的輸入參量之一[2]，影響著陸地生態系統的物質和能量循環過程。快速準確地獲取區域乃至全球尺度植被LAI對于生態系統研究具有重要的科學意義。LAI也是農作物、林木和果樹等生理生態、良種選育、作物長勢、作物產量評估和病害評價研究的一個重要參數[3，4]。LAI通常用于定量表征作物葉片的疏密程度和冠層結構特征，作物生育過程中的LAI序列能反映作物長勢動態變化，可用于作物生長診斷和提高作物估產精度[5]。LAI還是林木和林分群體結構合理性的重要標志之一，合理的LAI是充分利用光能、保證林分高產優質的主要條件[6]。林分LAI研究可以為合理栽培和豐產林培育提供理論依據，并成為衡量林分質量的重要指標[7]。測定葉面積的準確與否，直接影響到對林木和林分合理受光群體結構的研究和光能利用率及凈同化率的計算等[8]。快速獲得大面積作物LAI對于指導農林業生產具有十分重要的實踐意義。

目前，LAI測量與估算方法大致可分為直接測量法和間接測量法兩類。直接測量法包括格點法、長寬校正法、描形稱重法、鮮重打孔法、標準枝法、面積收獲法、落葉收集法和面積儀測定法等[9]。間接測量法包括點接觸法、消光系數法、經驗公式法、光學儀器法和遙感方法[10]，其中遙感方法包含光學模型反演法[11]和統計模型法[12]等。傳統的LAI地面直接測量通常存在對作物和植被具有破壞性、耗時耗力、并且獲得信息有限、難以擴展到大區域，不能呈面狀分布等局限[13]。與傳統直接測量方法和光學儀器方法比較，衛星遙感數據具有覆蓋面積大、更新周期短、花費相對少等特點和無損、快速、大面積應用等優點，故衛星遙感方法成為無損、快速、大面積估算植被LAI切實可行的實用方法[14，15]。

當前，國內外關于LAI遙感估算研究主要集中在天然森林[12]和草地[11]，以及水稻[5]、小麥[4]、玉米[16]等大宗農作物的研究，極少關注熱帶作物，如橡膠林、油棕林、木薯、熱帶果樹等LAI的遙感研究[17-20]。雖然胡耀華等[17]研究了海南不同品系膠園的LAI及其變異，并對實生樹膠園的最適LAI作了分析;Rusli和Majid[18]開展了小流域橡膠林和油棕林的LAI制圖和監測工作;Chen等[19]利用衛星數據估算了海南檐州試驗農場橡膠林LAI，但是這些研究范圍均只涉及較小空間尺度，尚未擴展到大面積橡膠林LAI 遙感估算。

橡膠樹（Hevea brasiliensis）是天然橡膠生產的主要來源，其廣泛種植于熱帶地區。橡膠種植業不僅是海南農業的支柱產業，也是農民經濟收入的重要來源。開展典型熱帶作物——橡膠樹LAI遙感估算對海南島橡膠種植空間優化、長勢監測、產量估算也有重要意義。因此，本研究選取海南島橡膠林為研究對象，構建基于衛星遙感數據提取的各類植被指數數據和野外觀測的橡膠林LAI數據的各類經驗估算模型，并評估各類模型的表現，選出最優估算模型，對海南島橡膠林LAI進行遙感估算，以期為橡膠林長勢遙感監測、產量遙感評估提供科學參考。

2數據與方法

2.1研究區概況

選擇海南島為研究區，橡膠林分布及LAI觀測點如圖1所示。海南島地處18°10′N～20°10′N和108°37′E～111°03′E之間，島嶼輪廓形似一個橢圓形“大雪梨”，長軸呈東北至西南向長約290km，西北至東南寬約180km，海岸線總長1944km，總面積為33，900km，是中國僅次于臺灣島的第二大島。海南島地勢為中部高、四周低，氣候屬熱帶季風海洋性氣候，全年暖熱，年平均氣溫高，氣溫年差較小，雨量充沛，干濕季節明顯，光、熱、水資源豐富，風、旱、寒等氣候災害頻繁。海南島地表覆蓋為熱帶雨林/季雨林，熱帶動植物資源十分豐富。海南是中國重要的天然橡膠樹種植地區，天然橡膠是海南第一大經濟作物。根據2020年海南省統計年鑒數據，截止到2019年底，海南天然橡膠種植面積526，900ha，占全國種植總面積的46.00%;開割面積381，300 ha，占全國開割總面積的48.56%;干膠產量330，800 t，占全國干膠總產量的40.85%;干膠產值33.77億元，占全國干膠產值的41.22%[21]。

2.2野外實測數據

本研究在海南島主要植膠地區選擇有代表性的典型橡膠樹林分樣地LAI觀測點77個（圖1），采用對角線數據采集法，以及手持GPS、LAI- 2200實地觀測隨機樣方LAI（圖2），從而獲得橡膠林觀測林分樣地LAI及其相關數據。為了與陸地衛星遙感數據空間分辨率保持一致，隨機樣方的大小設置為30m×30m;同時為了分析橡膠林生長最佳時期（8—9月份）的LAI，本研究選擇橡膠林LAI觀測日期為2017年8月15日—9月15日。此外觀測時間選擇在每天上午9—12時之間，以便與衛星過境時間相匹配。統計77個橡膠林LAI觀測點數據，2017年8—9月LAI平均

值為4.33±0.27，最大值為5.12，最小值為3.68。將地面觀測LAI樣本數據數量隨機分成7：3，分別用于LAI估算模型的構建樣本（54個）和驗證樣本（23個）。

2.3海南島橡膠林空間分布數據

本研究使用的海南島橡膠林空間分布數據來源于中國熱帶農業科學院橡膠研究所（http：//www.catas.cn/xjs/），該數據是利用日本JAXA的PALSAR/PALSAR-2和Landsat等長時序列遙感影像，協同橡膠林物候特征，建立穩定的橡膠林識別算法，獲取2015年海南島橡膠林空間分布信息，總體分類精度>90%[22]。

2.4遙感數據來源及預處理

本研究選取覆蓋研究區范圍的2017年8—9月的Landsat 8 OLI時間序列衛星遙感影像23景（表1），并對衛星遙感數據進行幾何校正、輻射校正、大氣校正等預處理。選用Landsat-8衛星的2、3、4、5、6和7等6個波段參與植被指數計算，影像空間分辨率為30 m。由于海南島屬熱帶季風海洋性氣候，很難獲得完全無云或低云的影像。為解決多云覆蓋對研究的影響，利用像元級云量提取算法（具體原理參考文獻[23]）計算研究時段內每一景影像的云量，結合研究區域特征和季節特征綜合評定每一景影像的得分，生成研究區內逐像元云量最小影像（圖3），合成用于LAI估算的遙感影像數據，以此克服研究區多云多雨氣候特征對LAI估算結果的影響，提高LAI估算的可靠性。

2.5遙感植被指數計算

基于以往LAI遙感估算研究中常用的植被指數，本研究中選取了8種衛星遙感植被指數（表2），包括增強植被指數（Enhanced Vegetation Index，EVI）[24]、歸一化植被指數（Normalized Difference Vegetation Index，NDVI）[25]、綠色歸一化植被指數（Green NDVI，GNDVI）[26]、比值植被指數（Ratio Vegetation Index，RVI）[27]、土壤調節植被指數（Soil Adjusted Vegetation Index，SAVI）[28]、寬動態范圍植被指數（Wide Dynamic Range Vegetation Index，WDRVI）[29]、差值植被指數（Difference Vegetation Index，DVI）[30]和改良土壤調節植被指數（Modified Soil Adjusted Vegetation Index，MSAVI）[31]。為減小空間尺度效應，計算植被指數時利用樣區中心點及其周圍3×3鄰域像元的地表反射率的平均值。

本研究中對Landsat 8 OLI衛星遙感數據進行收集、預處理、最小云量合成和植被指數計算均是利用谷歌地球引擎（Google Earth Engine，https：//earthengine.google.com/）進行。谷歌地球引擎是Google提供的對大量全球尺度地球科學資料（尤其是衛星數據）進行在線可視化計算和分析處理的云計算平臺，該平臺能夠存取衛星圖像和其他地球觀測數據庫中的資料，并對這些數據資料進行處理分析，提供了足夠的運算能力和高效的運算效率[32]。

2.6LAI估算模型構建與驗證

在分析觀測LAI數據與8種遙感植被指數之間的相關性的基礎上，利用54個樣地觀測LAI 數據與8種遙感植被指數，基于經驗統計方法，構建基于不同植被指數的橡膠林LAI估算模型（一元線性、指數和對數模型），并對模型表現進行評估，并選出最優估算模型。不同模型的表現采用決定系數（Coefficient of Determination，R）進行評估和優選。利用選出的最優估算模型估算海南島橡膠林LAI，獲得大面積橡膠林LAI的空間分布，并利用剩余23個觀測LAI數據對估算結果進行精度評價和驗證。以估算值與觀測值之間線性擬合的決定系數R、均方根誤差（Root Mean Square Error，RMSE）和相對誤差（Relative Error，RE）（公式（9）和公式（10））對模型的表現進行驗證和評價。

（9）

（10）

其中，N為數據個數;M和O分別為橡膠林LAI估算值和觀測值。

3結果與分析

3.1植被指數與LAI的相關性

為了更好地進行估算模型構建，計算植被指數與觀測LAI之間的相關系數。由表3可知，EVI、SAVI、DVI、MSAVI同LAI之間的相關性較高，其相關系數分別為0.83、0.81、0.82和0.81，均通過p<0.001顯著性水平檢驗。LAI與NDVI、GNDVI、RVI、WDRVI之間的相關性較低，其相關系數分別為0.61、0.65、0.67和0.65，均通過p<0.01顯著性水平檢驗。

3.2估算模型構建與優選

通過構建基于不同植被指數的橡膠林LAI估算模型（一元線性、指數和對數模型）（表4），在一元線性模型中，基于EVI指數的橡膠林LAI估算模型效果最佳（公式（11）），其決定系數R為0.69，高于基于NDVI、GNDVI、RVI、SAVI、WDRVI、DVI和MSAVI指數的估算模型。在指數模型中，基于SAVI指數的橡膠林LAI估算模型效果最佳（公式（24）），其決定系數R為0.67，高于基于其他植被指數的估算模型。在對數模型中，基于DVI指數的橡膠林LAI估算模型效果最佳（公式（31）），其決定系數R為0.65，高于基于其他植被指數的估算模型。綜合比較，選擇基于EVI指數的一元線性模型作為橡膠林LAI估算的最優模型，并估算海南島橡膠林LAI。

3.3估算結果與分析

利用選出的最優估算模型估算海南島橡膠林LAI，獲得大面積橡膠林LAI的空間分布（圖4）。經統計，估算的海南島橡膠林LAI平均值為4.32±0.18，最大值為6.23，最小值為2.69。從空間分布來看，海南島橡膠林LAI高值區（4.40～6.23）主要分布在海南島西部儋州、白沙等市縣，LAI中值區（3.80～4.40）主要分布在海南島中部澄邁、屯昌、瓊中等市縣，LAI低值區（2.69～3.80）主要分布在海南島東部和南部的定安、瓊海、萬寧、樂東、三亞等市縣。海南島橡膠林LAI空間分布存在異質性的原因包括以下幾個方面：一是由于海南島橡膠林大部分年齡低于40年[33]，這一年齡段的橡膠樹正處于生長旺盛期，生物量大、生產力高，LAI整體也較高;二是研究區年齡小于25年的橡膠林大多分布在海南島西部檐州、白沙等市縣[33]，使得海南島橡膠林LAI高值區域主要分布在海南島的西部市縣;三是海南島東部和南部易受臺風災害影響，造成橡膠林損害，導致該區域橡膠林LAI值較低。此外海南島橡膠林主要種植在海拔100～600m山坡地，使得其LAI空間分布差異受地形影響較大，分布于山坡地區不同海拔、坡度、坡向的橡膠林接收到的太陽輻射呈現空間差異，導致植被生長受到影響，這也使得海南島橡膠林LAI呈現空間差異。

3.4精度驗證與分析

比較估算和觀測的橡膠林LAI結果（圖5）可知，橡膠林LAI估算模型精度較高，模型估算結果基本處于95%置信區間，觀測和模擬的橡膠林LAI線性擬合決定系數R為0.67，通過p<0.001顯著性水平檢驗，均方根誤差RMSE為0.16，平均相對誤差RE為-0.25%。但在橡膠林LAI中值區（3.80～4.40）存在低估現象，同時在LAI高值區（>4.40）和低值區（<3.80）存在一定的高估現象，這可能是由于海南島橡膠林總體處于生長旺盛期（年齡小于25年的面積比例為52.54%[33]），其植被指數和LAI整體處于較高值，造成其區分度較低，使得橡膠林LAI估算出現偏差。

4討論與結論

4.1討論

海南島地處熱帶，該區域多云多雨，覆蓋研究區的光學影像數據質量往往不佳，不能滿足研究需求。本研究中，針對海南多云多雨的熱帶氣候特征，采用像元級最小云量影像合成方法，獲取Landsat時間序列不同波段合成的純凈影像，克服了研究區多云多雨氣候特征對LAI估算結果的影響，提高了LAI估算的可靠性。基于遙感大數據平臺谷歌地球引擎構建的遙感數據集[32]，為LAI估算研究與應用提供了充足的數據基礎。

橡膠林是典型的熱帶作物，其樹形高大、植被茂密、生產力高。而在植被茂密、生產力高的熱帶地區遙感研究中，單一植被指數往往無法準確表示作物的生長情況，容易出現指數飽和問題[34]，如NDVI、GNDVI、RVI等植被指數采用非線性拉伸的方式增強了近紅外和紅光波段反射率的對比度，導致其對高植被區具有較低的靈敏度。本研究中，基于EVI指數構建橡膠林LAI估算模型，較好地解決了指數飽和問題，這是由于EVI指數中紅光和近紅外波段的范圍設置更窄，不僅提高了對稀疏植被探測的能力，而且減少了水汽的影響，同時，引入了藍光波段，對大氣氣溶膠的散射和土壤背景進行了矯正，可以穩定地反映熱帶地區植被的情況。經檢驗，構建的基于EVI指數的橡膠林LAI估算模型精度也較高，具有較好的科學基礎和實用性。但在模型推廣應用過程中，一方面需要更大空間覆蓋范圍的地面樣點驗證，另一方面還需要進行長時間序列的地面樣點觀測，以滿足未來LAI時空反演和時空分析需求。

LAI遙感估算方法主要包含光學模型反演和統計模型2種。光學模型反演法是基于植被的雙向反射率分布函數，是一種建立在輻射傳輸模型基礎上的模型，LAI作為輸入變量，采用迭代的方法來反演LAI。這種方法的優點是有物理模型基礎，不受植被類型的影響，然而由于有些模型過于復雜，反演非常耗時，且反演估算LAI過程中有些函數并不總是收斂的，從而限制了光學模型反演方法的使用和發展[11]。統計模型法主要是從遙感圖像數據中提取植被指數與野外實測LAI建立關系模型，進而估算植被LAI。常用的植被指數有EVI和NDVI等，這種方法在不同植被類型，如森林、草地等的LAI與植被指數的函數關系不同，在使用時需要重新計算、擬合。但由于該模型方法參數輸入單一，計算簡單[14，15]，因此，本研究也采用此方法進行橡膠林LAI的遙感估算，也取得了較好的效果。

綜上，未來需要充分利用遙感云計算平臺計算優勢，結合多源遙感數據，充分發揮不同數據源的組合優勢，發展更高精度的估算模型，如輻射傳輸模型、機理模型、深度學習模型等，提高橡膠林等熱帶作物LAI估算精度，為橡膠林長勢遙感監測、產量遙感評估提供科學參考。

4.2結論

本研究通過構建基于衛星遙感植被指數的橡膠林LAI估算模型，實現了海南島橡膠林LAI遙感估算。結果表明，相較于NDVI、GNDVI、RVI和WDRVI指數，EVI、SAVI、DVI和MSAVI指數同LAI之間的相關性較高。構建的基于不同植被指數的橡膠林LAI估算模型（一元線性、指數和對數模型）中，基于EVI指數的橡膠林LAI一元線性估算模型效果最佳（公式（11）），其決定系數R為0.69。經驗證，該模型估算的橡膠林LAI精度較高，觀測和模擬的橡膠林LAI線性擬合R為為67，RMSE為0.16，RE為-0.25%，但在橡膠林LAI中值區存在低估現象，同時在LAI高值區和低值區存在一定的高估現象。從空間分布來看，海南島橡膠林LAI高值區（4.40～6.23）主要分布在海南島西部儋州、白沙等市縣，LAI中值區（3.80～4.40）主要分布在海南島中部澄邁、屯昌、瓊中等市縣，LAI低值區（2.69～3.80）主要分布在海南島東部和南部的定安、瓊海、萬寧、樂東、三亞等縣市。本研究構建的基于EVI指數的橡膠林LAI一元線性估算模型精度較高，克服了NDVI、GNDVI、RVI等植被指數容易出現指數飽和問題，具有較好的科學性和良好的推廣應用價值。

參考文獻：

[1] FANG H， BARET F， PLUMMER S， et al. An overview of global. leaf area index （LAI）： Methods， products， validation， and applications[J]. Reviews of Geophysics，2019，57（3）： 739-799.

[2]TURNER D， COHEN W， KENNEDY R， et al. Relationships between leaf area index and Landsat TM spectral. vegetation indices across three temperate zone sites[J]. Remote Sensing of Environment， 1999， 70（1）： 52-68.

[3] CHEN J， CIHLAR J. Retrieving leaf area index of boreal. conifer forests using Landsat TM images[J]. Remote Sensing of Environment， 1996， 55（2）： 153-162.

[4]夏天，吳文斌，周清波，等.冬小麥葉面積指數高光譜遙感反演方法對比[J].農業工程學報，2013， 29（3）： 139-147.

XIA T， WU W， ZHOU Q， et al. Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral. remote sensing[J]. Transactions of the CSAE， 2013，29（3）： 139-147.

[5]康婷婷，居為民，李秉柏.水稻葉面積指數遙感反演方法對比分析[J].江蘇農業科學，2015， 43[5]： 366-371.

KANG T， JU W， LI B. Comparative analysis of remote sensing inversion methods for rice leaf area index[J]. Jiangsu Agricultural. Sciences， 2015， 43（5）： 366-371.

[6]朱春全，雷靜品，劉曉東，等.不同經營方式下楊樹人工林葉面積分布與動態研究[J].林業科學，2001， 37 （1）： 46-51.

ZHU C， LEI J， LIU X， et al. The distribution and seasonal. change of leaf area in poplar plantations managed in different ways[J]. Scientia SilvaeSinicae， 2001，37（1）：46-51.

[7]劉志理，戚玉嬌，金光澤.小興安嶺谷地云冷杉林葉面積指數的季節動態及空間格局[J].林業科學，2013，49（8）： 58-64.

LIU Z， QI Y， JIN G. Seasonality and spatial. pattern of leaf area index of a spruce-fir forest at the valley in Xiaoxing'an Mountains[J]. Scientia SilvaeSinicae， 2013，49（8）： 58-64.

[8]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.

WANG X， MA L， JIA Z， et al. Research and application advances in leaf area index （LAI）[J]. Chinese Journal. of Ecology， 2005， 24（5）： 537-541.

[9]朱旭珍.三種不同方法估算森林葉面積指數的比較研究[D].杭州：浙江農林大學，2014.

ZHU X. A comparative study of three different methods for estimating forest leaf area index[D]. Hangzhou： Zhejiang A&F University， 2014.

[10]王修信，孫濤，朱啟疆，等.林地葉面積指數遙感估算方法適用分析[J].生態學報，2014， 34（16）： 4612-4619.

WANG X， SUN T， ZHU Q， et al. Assessment of different methods for estimating forest leaf area index fromremote sensing data[J]. Acta EcologicaSinica， 2014， 34 （16）： 4612-4619.

[11]柳藝博，居為民，朱高龍，等.內蒙古不同類型草原葉面積指數遙感估算[J].生態學報，2011， 31（18）： 5159- 5170.

LIU Y， JU W， ZHU G， et al. Retrieval. of leaf area index for different grasslands in Inner Mongolia prairie using remote sensing data[J]. Acta EcologicaSinica， 2011，31（18）： 5159-5170.

[12]昝梅，李登秋，居為民，等.新疆喀納斯國家自然保護區植被葉面積指數觀測與遙感估算[J].生態學報，2013，33（15）：4744-4757.

ZAN M， LI D， JU W， et al. Measurement and retrieval. of leaf area index using remote sensing data in Kanas National. Nature Reserve， Xinjiang[J]. Acta EcologicaSinica， 2013 33（15）： 4744-4757.

[13]郭志華，向洪波，劉世榮，等.落葉收集法測定葉面積指數的快速取樣方法[J].生態學報，2010， 30（5）： 1200-1209.

GUO Z， XIANG H， LIU S， et al. Sampling method for rapid measurement of leaf area index by leaf litter collection in deciduous forests [J]. Acta EcologicaSinica， 2010，30（5）： 1200-1209.

[14] WOODGATE W， JONES S， SUAREZ L， et al. Understanding the variability in ground-based methods for retrieving canopy openness， gap fraction， and leaf area index in diverse forest systems[J]. Agricultural. and Forest Meteorology， 2015， 205： 83-95.

[15] LIU Z， WANG C， CHEN J， et al. Empirical. models for tracing seasonal. changes in leaf area index in deciduous broadleaf forests by digital. hemispherical. photography[J]. Forest Ecology and Management， 2015， 351： 67-77.

[16]姚延娟，范聞捷，劉強，等.玉米全生長期葉面積指數收獲測量法的改進[J].農業工程學報，2010， 26（8）： 189-194.

YAO Y， FAN W， LIU Q， et al. Improved harvesting method for corn LAI measurement in corn whole growth stages[J]. Transactions of the CSAE， 2010， 26 （8）： 189-194.

[17]胡耀華，伍業綱，王釗，等.關于巴西橡膠樹林葉面積指數的研究[J].熱帶作物學報，1981， 2（2）： 35-43.

HU Y， WU Y， WANG Z， et al. A study on the leaf area index of Hevea brasiliensis stand[J]. Chinese Journal. of Tropical. Crops， 1981， 2（2）： 35-43.

[18] RUSLI N， MAJID M. Monitoring and mapping leaf area index of rubber and oil palm in small watershed area[C]// 8th International. Symposium of the Digital. Earth （ISDE 8）. Bristol， United Kingdom： IOP Publishing Ltd.， 2014， 18： ID 012036.

[19] CHEN B， WU Z， WANG J， et al. Spatiotemporal. prediction of leaf area index of rubber plantation using HJ- 1A/1B CCD images and recurrent neural. network[J]. ISPRS Journal. of Photogrammetry and Remote Sensing， 2015， 102： 148-160.

[20]陳幫乾，吳志祥，楊川，等.海南儋州地區橡膠林葉面積指數月動態研究[J].熱帶農業科學，2015， 35（11）： 1-6， 11.

CHEN B， WU Z， YANG C， et al. Monthly dynamics of leaf area index of rubber plantation in Danzhou， Hainan Island， China[J]. Chinese Journal. of Tropical. Agriculture， 2015，35（11）： 1-6， 11.

[21]海南省統計局，國家統計局海南調查總隊.海南省統計年鑒2020[M].北京：中國統計出版社，2020.

Hainan Provincial. Bureau of Statistics， Hainan Investigation Team of National. Bureau of Statistics. Hainan statistical. yearbook 2020 [M]. Beijing： China Statistics Press， 2020.

[22]CHEN B， LI X， XIAO X， et al. Mapping tropical. forests and deciduous rubber plantations in Hainan Island，China by integrating PALSAR 25-m and multi-temporal. Landsat images[J]. International. Journal. of Applied Earth Observation and Geoinfbnnation， 2016， 50： 117-130.

[23]李睿.基于Google Earth Engine的桂林市土地利用時空變化分析[D].南昌：東華理工大學，2019.

LI R. Spatial-temporal. analysis of land use change in Guilin city based on Google Earth Engine[D]. Nanchang： East China University of Technology， 2019.

[24] HUETE A， DID AN 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.

[25] ROUSE J， HAAS R， SCHELL J， et al. Monitoring vegetation systems in the Great Plains with ERTS[C]// Third Earth Resources Technology Satellite （ERTS） Symposium. Washington DC， USA： NASA Special. Publication， 1974， 1：309-317.

[26] GITELSON A， MERZLYAK M. Remote estimation of chlorophyll content in higher plant leaves[J]. International. Journal. of Remote Sensing， 1997， 18（12）： 2691- 2697.

[27] PEARSON R， MILLER L. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie[C]// 8th International. Symposium on Remote Sensing of Environment （ISRSE 8）. Michigan， USA： Environment Research Institute of Michigan， 1972，45： 7-12.

[28] HUETE A. A soil-adjusted vegetation index （SAVI） [J]. Remote Sensing of Environment， 1988， 25（3）： 295-309.

[29]黃健熙，侯矞焯，蘇偉，等.基于GF-1 WFV數據的玉米與大豆種植面積提取方法[J].農業工程學報，2017，33（7）： 164-170.

HUANG J， HOU Y， SU W， et al. Mapping com and soybean cropped area with GF-1 WFV data[J]. Transactions of the CSAE， 2017， 33（7）： 164-170.

[30] TUCKER C. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment， 1979， 8（2）： 127-150.

[31] QI J， CHEHBOUNI A， HUETE A， et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment， 1994， 48（2）： 119-126.

[32] GORELICK N， HANCHER M， DIXON M， et al.

Google Earth Engine： Planetary-scale geospatial. analysis for everyone[J]. Remote Sensing of Environment，2017， 202： 18-27.

[33] CHEN B， XIAO X， WU Z， et al. Identifying establishment year and pre-conversion land cover of rubber plantations on Hainan Island， China using Landsat data during 1987—2015[J]. Remote Sensing， 2018， 10（8）：1240.

[34] OLIVAS P， OBERBAUER S， CLARK D， et al. Comparison of direct and indirect methods for assessing leaf area index across a tropical. rain forest landscape[J]. Agricultural. and Forest Meteorology， 2013， 177： 110-116.

Comparison of Remote Sensing Estimation Models for Leaf Area Index of Rubber Plantation in Hainan Island

DAI Shengpei1，2*， LUO Hongxia1，2， ZHENG Qian1，2， HU Yingying1，2， LI Hailiang1，2， LI Maofen1，2， YU Xuan1，2， CHEN Bangqian3

（1. Key Laboratory of Agricultural. Remote Sensing， Ministry of Agriculture and Rural. Affairs， Beijing 100081， China; 2. Institute of Scientific and Technical. Information. Chinese Academy of Tropical. Agricultural. Sciences/Key Laboratory of Applied Research on Tropical. Crop Information Technology of Hainan Province， Haikon 571101， China; 3. Rubber Research Institute， Chinese Academy of Tropical. Agricultural. Sciences， Haikou 571101， China）

Abstract： Leaf area index （LAI） is an important index to describe the growth status and canopy structure of vegetation， is of great theoretical. and practical. significance to quickly obtain LAI of large area vegetation and crops for ecosystem science research and agricultural. &forestry production guidance. In this study， the typical. tropical. crop rubber tree in Hainan Island was selected as the research area， the LAI estimation model of rubber plantation based on satellite remote sensing vegetation indices was constructed， and its spatiotemporal. variation was analyzed. The results showed that， compared with correlations between LAI and the indices of normalized difference vegetation index （NDVI）， green NDVI （GNDVI）， ratio vegetation index （RVI） and wide dynamic range vegetation index （WDRVI）， correlations were higher between LAI and the indices of enhanced vegetation index （EVI）， soil adjusted vegetation index （SAVI）， difference vegetation index （DVI） and modified soil adjusted vegetation index （MSAVI）. Among the LAI estimation models based on different vegetation indices （linear， exponential. and logarithmic models）， the linear estimation model based on EVI index was the best， and its coefficient of determination （R） was 0.69. The accuracy of LAI estimation model was high. The linear fitting R of observed and simulated LAI was 0.67， the root mean square error （RMSE） was 0.16， and the average relative error （RE） was -0.25%. However， there was underestimation in the middle value and overestimation in the high and low value area of LAL. The high LAI values （4.40—6.23） were mainly distributed in Danzhou and Baisha in the west of Hainan Island， the middle LAI values （3.80—4.40） were mainly distributed in Chengmai，Tunchang and Qiongzhong in the middle of Hainan Island， and the low LAI values （2.69—3.80） were mainly distributed in Ding'an， Qionghai， Wanning， Ledong and Sanya in the east and south of Hainan Island. In summary， the linear estimation model for rubber plantation LAI based on EVI index obtained high accuracy， and has good values of popularization and appliance.

Key words： leaf area index （LAI）; rubber plantation; remote sensing; estimation model; Hainan Island

（登陸www.smartag.net.cn免費獲取電子版全文）