基于熱暗點植被指數的馬尾松林葉面積指數反演分析

李聰慧，賴壯杰，劉 健，余坤勇*

(1.福建開放大學 理工學院，福建 福州 350013；2.福建農林大學 林學院，福建 福州 350002；3.福建農林大學 3S技術應用研究所，福建 福州 350002)

葉面積指數(leaf area index,LAI)是林地上單位面積林分總綠葉面積的1/2[1-2]，可以用于指示植物生物量、生長狀況和分布密度，并被作為描述植被冠層結構的核心參數應用于構建眾多相關模型之中[3-4]，LAI的快速、高效、無損獲取對于森林可持續發展具有重要意義。近些年來，遙感技術手段在林業中被廣泛應用，利用遙感技術反演LAI成為調查研究的重要手段，其中，無人機影像較之衛星遙感影像反演LAI精度更高、更便捷、更經濟，在業界廣泛應用[2,5]。

植被冠層結構是影響LAI反演的一個重要因素，目前的研究主要集中于單一垂直角度觀測，在光譜獲取時不可避免的忽視了冠層結構及背景因素的干擾，導致光飽和及光缺失，使LAI反演存在較大誤差，出現“同物異譜”或“同譜異物”。多角度遙感技術的發展為LAI反演提供了豐富的三維冠層結構光譜信息[6-8]，為LAI反演精度的提升提供了更多可能。建立遙感影像計算得到的植被指數與實測LAI的經驗關系是反演LAI的常用方法，傳統植被指數易受諸多環境因素的影響[9]，使利用植被指數反演LAI存在誤差，植被指數的優化成為近來LAI反演研究的一個重要方向。有研究表明地表植被二向性反射特征中的熱暗點信息可以豐富植被冠層結構的光譜信息，熱暗點信息與植被指數的結合可以優化植被指數[10]，進一步提升LAI反演精度。

長汀縣河田鎮地處南方典型水土流失區，水土流失嚴重，山上的馬尾松林主要以枝葉稀疏、矮小的“老頭松”為主，林下大面積覆蓋芒萁，使得該區域單一觀測角度馬尾松林LAI反演極易受到土壤背景及冠層反射率的影響，出現高植被覆蓋區的飽和現象。鑒于此，本研究采用無人機多角度遙感深入挖掘影像信息，一方面通過自由設定不同觀測角度獲取更為豐富的光譜信息；另一方面充分考慮馬尾松林二向性反射特征在光譜表達上出現的熱暗點效應，探討將多角度光譜信息中的傳統植被指數與具有三維立體冠層結構光譜信息中的熱暗點指數相結合，克服傳統植被指數冠層結構信息不足的缺點，提高LAI反演精度，以期實現研究區馬尾松林長勢的動態監測，并為無人機多角度遙感在林業中的應用提供更多的理論基礎與經驗。

1 研究區概況

研究區河田鎮位于福建省龍巖市長汀縣中部、汀江上游(圖1)，地理坐標116°16′-116°34′E，25°30′-25°44′N，地處亞熱帶季風氣候帶，氣候溫和，雨水充沛，年均氣溫17～29.5℃，歷史最高溫39.8℃、最低溫-4.9℃，年降雨量1 700 mm，降雨量集中在4-6月，占全年52.2%，降雨強度大。全鎮面積約296 km2，海拔300～500 m，東臨南山鎮，南接涂坊、濯田鎮，北交新橋鎮，西連策武鄉，鎮中部平坦開闊，四周低山高丘環繞，是長汀縣最大的河谷盆地。區域地帶性植被為中亞熱帶常綠闊葉林。研究區早年受自然災害和人為濫砍濫伐影響嚴重，森林植被遭到嚴重破壞，水土流失嚴重，土壤貧瘠。近年來，隨著“綠水清山就是金山銀山”可持續發展理念的提出，該地將生態文明建設放到突出的戰略地位，大力開展水土保持工作，極大地推動了河田鎮生態環境向好發展，但由于歷史因素，研究區生態環境仍十分脆弱，山上以稀疏、低矮、生長緩慢的“老頭松”為主要樹種，林下植被以芒萁(Dicranopterisdischotoma)為主，灌木層分布較少。

圖1 研究區地理位置及樣地分布

2 研究方法

2.1 材料收集與圖像預處理

2.1.1 地面數據采集與處理 本研究在河田鎮設置72塊連續相接的10 m×10 m樣地，于2019年10月利用LAI-2200植被冠層分析儀，采用1A4B的方法，獲取各樣地LAI，即手持儀器在林窗空白處取1個A值，在10 m×10 m樣地中選取4個能夠代表平均林分密度的點取B值，以重復3次的測量平均值作為該樣地的LAI值[1,11-12]。

2.1.2 無人機影像數據獲取與處理 采用精靈4多光譜版無人機(P4 Multispectral)搭載一體式多光譜成像系統及RTK定位系統，于2019年11月20日午時分別拍攝0°、±15°、±30°、±45°、±60°共9個觀測角度無人機影像圖(“-”代表無人機觀測方向與陽光入射方向一致，“+”代表無人機觀測方向與陽光入射方向相反)，具體航線規劃和參數設置見表1。采用Pix4D Mapper軟件進行影像拼接，并選取3對以上分散的地面明顯標志物為控制點，利用ArcGIS10.2軟件的地理配準工具模塊對生成的藍(460±16nm)、綠(560±16nm)、紅(650±16nm)、近紅(730±16nm)、紅邊(840±26nm)5個波段圖及可見光RGB影像進行校正疊加處理，再利用ERDAS疊加各拼接好的波段影像圖生成全色影像圖。

表1 航線規劃及參數設置

2.2 表征馬尾松林LAI的指數構建方法

2.2.1 最優熱暗點指數選取法 熱暗點是基于植被二向性反射光譜特征，某個特定觀測角度下植被冠層反射率的最大值和最小值，目前主要以熱暗點指數表達熱暗點區域信息。隨著遙感技術的發展，衍生出的不同類型熱暗點指數，本質上都是由熱暗點處反射率計算得到。根據前人的研究結果，本研究選取熱暗點指數、歸一化熱暗點指數、改進的歸一化熱暗點指數、熱暗點比值指數進行探討研究(見表2)。研究基于綠光波段、紅光波段、近紅外波段熱暗點處的反射率計算多種熱暗點指數(根據前期研究結果，本研究選取-45°觀測角反射率為熱點處反射率，+45°觀測角反射率為暗點處反射率)。

表2 熱暗點指數相關公式

2.2.2 植被指數選取法 利用植被指數來估測LAI是常用的方法之一，本研究通過文獻查閱法選取正射觀測角度下的歸一化植被指數、比值植被指數、綠色歸一化植被指數、氮素反射率指數、冠層結構不敏感指數、可見光大氣修正植被指數、修正土壤調節植被指數共7個植被指數進行探討研究(表3)，并對選定的7個植被指數與實測LAI進行相關性分析。

表3 植被指數相關公式

2.2.3 熱暗點植被指數構建法 研究區馬尾松林木葉片稀疏且林下芒萁覆蓋面積大，易使傳統植被指數達到飽和狀態，研究采用照片二值化法處理獲取研究區馬尾松林72個樣點的草本覆蓋度，進行標準化統一量綱，并通過引入熱暗點植被指數，減少林下芒萁覆蓋度對所選取植被指數的影響，進一步提高LAI反演精度。研究將HDRI-r引入7個傳統植被指數中，通過優化H.Kouiti等[21]提出的熱暗點植被指數，得到本研究區域各熱暗點植被指數計算公式(表4)。

表4 結合熱暗點信息的植被指數相關公式

2.3 表征馬尾松林LAI的反演模型構建方法

充分考慮傳統植被指數易飽和現象和熱暗點植被指數基于特定觀測角度的片面性，本研究利用相關性分析選取多角度傳統植被指數，將多角度傳統植被指數與選取的最優熱暗點植被指數相結合，隨機選取樣本中的2/3(48個樣本)作為建模集，1/3(24個樣本)作為檢驗集，利用SPSS軟件構建多元逐步回歸模型，模型精度檢驗采用均方根誤差(RMSE)、平均相對精度(RA)、均值估測精度(RM)3個指標進行[22-23]。

3 結果與分析

3.1 最優熱暗點植被指數的選定

3.1.1 選取最優熱暗點指數 研究利用SPSS軟件將不同波段反射率計算的熱暗點指數與馬尾松林LAI進行擬合(圖2～圖4)可見，不同類型的熱暗點指數與實測LAI的相關性不同，其中基于綠光波段反射率計算的NDHD-g與實測LAI擬合效果最優，R2為0.371 7；基于紅光波段反射率計算的HDS-r、HDRI-r與實測LAI擬合效果最優且R2相同為0.398；基于近紅外波段反射率計算的NDHD-nir與實測LAI擬合效果最優，R2為0.339 1。相較其他波段熱暗點指數，本研究區紅光波段反射率計算的熱暗點指數HDS-r、HDRI-r與實測LAI擬合效果最佳，同時，基于HDRI-r較HDS-r計算簡便考慮，本研究認為基于紅光波段反射率計算的熱暗點比值指數HDRI-r更具有表達LAI的能力，因而選取HDRI-r作為LAI反演的一個重要輔助參數。

注：a)HDS-g與LAI的最優擬合模型；b)NDHD-g與LAI的最優擬合模型；c)MNDHD-g與LAI的最優擬合模型；d)HDRI-g與LAI的最優擬合模型。

注：a)HDS-r與LAI的最優擬合模型；b)NDHD-r與LAI的最優擬合模型；c)MNDHD-r與LAI的最優擬合模型；d)HDRI-r與LAI的最優擬合模型。

注：a)HDS-nir與LAI的最優擬合模型；b)NDHD-nir與LAI的最優擬合模型；c)MNDHD-nir與LAI的最優擬合模型；d)HDRI-nir與LAI的最優擬合模型。

3.1.2 選取傳統植被指數 本研究選定的7個傳統植被指數與實測LAI進行相關性分析結果表明，7個植被指數與實測LAI均顯著相關(表4)，相關性從高到低排列為NDVI>VARI>MSAVI>RVI>SIPI>NRI>GNDVI，其中NDVI、MSAVI、RVI、VARI與實測LAI極顯著相關，GNDVI、NRI、SIPI與實測LAI顯著相關，選取的7個植被指數均具有表達LAI信息的潛在能力。

3.1.3 選取最優熱暗點植被指數 一方面，熱暗點植被指數較之傳統植被指數表現出更高的抗飽和性。通過計算，分別對比傳統植被指數、熱暗點植被指數與草本覆蓋度的增長關系可見，研究區馬尾松林傳統植被指數與草本覆蓋度的變化趨勢差異較大，傳統植被指數值在中、高草本覆蓋度區域數值下降并逐漸趨向飽和(圖5)；熱暗點植被指數與草本覆蓋度變化趨勢整體一致，熱暗點植被指數值隨著草本覆蓋度的增加而增加(圖6)，可見，熱暗點植被指數抗飽和性優于傳統植被指數。

注：a)草本覆蓋度與NDVI；b)草本覆蓋度與GNDVI；c)草本覆蓋度與MSAVI；d)草本覆蓋度與NRI；e)草本覆蓋度與RVI；f)草本覆蓋度與VARI；g)草本覆蓋度與SIPI。

注：a)草本覆蓋度與NHDRI；b)草本覆蓋度與GNHDRI；c)草本覆蓋度與MSAHDRI；d)草本覆蓋度與NRHDRI；e)草本覆蓋度與RHDRI；f)草本覆蓋度與SIPHDRI；g)草本覆蓋度與VARHDRI。

表5 選取植被指數相關系數矩陣

另一方面，研究將傳統植被指數、熱暗點植被指數分別與實測LAI進行線性擬合(表6)，對熱暗點植物指數反演馬尾松林LAI效果加以評價，以此檢驗熱暗點植被指數在反演馬尾松林LAI上的優勢，為馬尾松林LAI反演研究提供參考意見。

表6 植被指數與實測LAI擬合R2對比

根據擬合R2結果可見，傳統植被指數與實測LAI的擬合R2從高到低排列為NDVI>MSAVI>VARI>RVI>GNDVI>SIPI>NRI，其中最高的為NDVI，而GNDVI、NRI、SIPI與實測LAI的擬合R2均較低；引入優選熱暗點指數HDRI-r后的對應熱暗點植被指數與實測LAI的擬合R2由大到小依次為NHDRI>SIPHDRI>RHDRI>GNHDRI>MSAHDRI>NRHDRI>VAHDRI。相較于對應的傳統植被指數，熱暗點植被指數NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI與LAI擬合R2均有顯著提升，分別提高了82%、333%、295%、161%、1 409%、380%、192%，很好地說明了熱暗點植被指數能更好地反映研究區LAI的真實情況。本研究選取熱暗點植被指數中與LAI相關性最高的NHDRI作為優化LAI反演模型的重要指數。

3.2 馬尾松林LAI反演模型構建

在多角度傳統植被指數的選取上，以9個觀測角度下與實測LAI相關性排前2名的植被指數作為構建模型的自變量(表7)，即NDVI-60°、RVI-60°、MSAVI-45°、RVI-45°、MSAVI-30°、SIPI-30°、VARI-15°、NDVI-15°、NDVI0°、VARI0°、VARI+15°、RVI+15°、NDVI+30°、RVI+30°、NDVI+45°、VARI+45°、SIPI+60°、VARI+60°，加上最優熱暗點植被指數NHDRI共計19個植被指數作為多元回歸分析的自變量，構建本研究區最優馬尾松林LAI反演模型如下：

表7 各角度植被指數與實測LAI相關性分析

y=0.07×NHDRI-0.42×RVI-60°(R2=0.502，RMSE=0.299 6)

模型擬合R2為0.344 3，RMSE為0.389 6，RA為88.73%，RM達到了99%以上。可見，馬尾松林LAI反演精度高，模型可靠。根據研究區馬尾松林LAI反演模型計算公式，利用ArcGIS制作反演專題圖(圖7)，研究區馬尾松林LAI范圍為0.11～4.28m2/m2，均值為2.51m2/m2。

圖7 馬尾松林LAI估測專題

4 結論與討論

植被冠層結構是影響LAI估測的一個重要因素，基于多角度無人機影像的馬尾松林LAI反演過程中，熱暗點指數的引入豐富了冠層結構信息?；诩t光波段反射率計算的熱暗點比值指數HDRI-r計算相對簡便，與研究區馬尾松林實測LAI擬合效果最佳(R2=0.398)。在傳統植被指數中引入HDRI-r的熱暗點植被指數與草本覆蓋度變化趨勢整體保持一致，且有效緩解了傳統植被指數的飽和現象，減少了馬尾松林LAI反演中林下芒萁覆蓋度對選取植被指數的影響。

馬尾松林LAI的反演中，相較于傳統植被指數，熱暗點植被指數在提高LAI反演精度方面具有更大優勢。引入熱暗點信息的植被指數(NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI)與實測LAI的擬合R2均大于0.37，相較于對應的傳統植被指數，R2分別提高了82%、333%、295%、161%、1 409%、380%、192%，明顯高于傳統植被指數，有效提升了研究區馬尾松林LAI的反演精度。其中，MSAHDRI(R2=0.384 2)較未引入HDRI-r的傳統植被指數MSAVI(R2=0.147 4)擬合R2變化率最高，提高了1 409%，NHDRI與實測LAI擬合R2最高，R2為0.406 5，研究選取NHDRI作為構建LAI反演模型的一個重要變量。馬尾松林LAI反演精度的提升表明，通過多角度無人機遙感影像的熱暗點區域進行LAI反演是可行且可靠的，熱暗點信息與植被指數的結合能夠有效提高馬尾松林LAI反演精度。

不同觀測角度的植被指數信息以及熱暗點植被指數信息均能提高LAI的反演精度，研究探究了0°、±15°、±30°、±45°、±60°共9個觀測角度下與LAI相關性較高的植被指數NDVI-60°、RVI-60°、MSAVI-45°、RVI-45°、MSAVI-30°、SIPI-30°、VARI-15°、NDVI-15°、NDVI0°、VARI0°、VARI+15°、RVI+15°、NDVI+30°、RVI+30°、NDVI+45°、VARI+45°、SIPI+60°、VARI+60°以及熱暗點植被指數NHDRI共19個植被指數在表征研究區馬尾松林LAI方面的作用，由反演模型y=0.07×NHDRI-0.42×RVI-60°可見，NHDRI和RVI-60°與研究區馬尾松林LAI關系最大，最優熱暗點植被指數NHDRI的選取確可提高馬尾松林LAI反演精度，而多角度植被指數RVI-60°的出現也說明了在LAI反演過程中，不能只考慮熱暗點植被指數，要將傳統植被指數與熱暗點植被指數相結合，增加反演信息量，使反演精度更高。此外，由模型計算得到的研究區馬尾松林LAI范圍0.11～4.28 m2/m2(均值為2.51 m2/m2)，實地測量的LAI范圍為0.34～3.93 m2/m2(均值為1.87 m2/m2)，LAI值總體偏低，與研究區所處南方紅壤重點流失區，水土流失嚴重，土壤較為貧瘠，馬尾松林枝葉稀疏，以矮小的“老頭松”為主的實際情況相符，模型能夠較為準確的反映實際情況，但本次研究在提取植被指數時未對芒萁與馬尾松進行分離，模型計算LAI值與實測值還有一定差距，林下芒萁對馬尾松LAI的具體影響還需進一步探討；同時，不同地域內馬尾松生長狀況和LAI會有所不同，模型表達不同地域馬尾松LAI差異的穩定性也有待進一步深入研究。