塞罕壩地區主要樹種LAI遙感估測

臧賀喜

(河北省塞罕壩機械林場大喚起分場，河北 承德 068466)

葉面積指數(Leaf area index，LAI)是指單位地表面積上的葉子表面積總和的一半[1]。是描述植被冠層結構的關鍵變量,與森林植被的光合、蒸騰、降水截留、碳氮循環等眾多生態過程密切相關[2]，其在許多模擬區域和全球陸地生態系統與大氣間相互作用的模型中發揮著至關重要的作用[3]。因此，在全球氣候變暖的大背景下，能夠準確、快速地估測LAI具有重要意義。

目前，葉面積指數的測量方法一般綜合歸納為直接測量法與間接測量法2類[4]。直接測定方法是傳統的一種方法，如落葉收集法、鮮重打孔法和分層收割法等[5]，直接測量法的優點是其得到的LAI指數較準確、精度較高，但其對植物具有一定的破壞性，且耗費時間和人力物力，通常用于小范圍進行測定LAI[6]。間接測量法是用一些參數來測定反推葉面積指數，其中光學測量法是最具代表性的方法[4]。利用地面光學儀器實測數據結合遙感數據得到林地LAI的優點主要在于基本沒有破壞性，而且具有快速便捷、經濟實用等突出特點，是目前在大尺度范圍林地研究中，高效準確地獲得和估測LAI最可行的方式[7]。利用光學遙感數據采取不同形式構建模型，主要有2種方法反演葉面積指數：基于物理模型的方法和基于植被指數的統計模型方法[8]。前者的優勢在于具有普適意義[9]，需要一定的物理基礎，但因為需要通過反演來估算LAI，而過程中有些不收斂的反函數可能會使得反演結果產生很大的不確定性，甚至導致反演結果錯誤[10]；除此之外，模型輸入參數眾多而且獲取困難，計算復雜、耗等也是此方法存在的問題；后者以光譜信息或植被指數與LAI的統計關系為基礎，植被冠層的光譜信息中包含了大量信息，遙感估測法便是依靠它們進行葉面積指數的預測[11]。高光譜數據的波段窄，且波譜連續，從而能夠形成許多植被指數，對LAI相對敏感[12]。統計模型法雖然具有模型參數隨時間和地點而變化的不足，但同時也有高效、易于實現等特點，因而在利用遙感影像大范圍估算植被LAI中更為常見[11]。

國內外已利用多光譜和高光譜遙感數據開展了大量研究，Sanpedro等[13]利用TM和ETM+數據的NDVI反演LAI，表明NDVI與LAI(0.1～6范圍內)具有很強的線性關系；傅銀貞等[14]通過建立不同植被指數與LAI的相關關系，經過計算表明，TNDVI和NDVI的指數曲線和冪函數曲線模型對馬尾松LAI具有更好的預測性。受森林垂直與水平結構的影響，植被類型不同，植被指數與LAI間的函數關系也會產生區別，因此在實際研究中，應依據研究區域的狀況再次進行擬合調整[12]。

本文以塞罕壩機械林場部分區域內的華北落葉松、樟子松、白樺與云杉為研究對象，結合遙感影像，對不同植被指數進行比較分析，選擇適宜的植被指數組合建立線性模型。同時引入樹種作為隨機效應，構建線性混合效應模型進行林場LAI的反演，探討加入樹種變量對模型精度的影響。通過比較傳統線性模型與線性混合效應模型估測林場LAI，對模型進行評價，從而為合理選用植被指數與相關模型提供基礎，以能夠得到更精確的森林LAI，以期為森林經營管理乃至碳循環研究提供更可靠的數據支撐。

1 數據與方法

1.1 研究區概況

研究區位于河北省承德市圍場滿族蒙古族自治縣，為北部壩上地區的塞罕壩機械林場(E116°51′～117°39′，N42°02′～42°36′)，地處河北省最北部，內蒙古高原渾善達克沙地南緣，屬于森林-草原交錯帶，海拔高度1010～1939.9m，極端最高氣溫為33.4℃，最低氣溫為-43.3℃，年均氣溫-1.3℃，年均積雪7個月，年均無霜期67d，年均降水量460mm。林區的主要喬木樹種包括華北落葉松、白樺(Betula platyphylla)、蒙古櫟(Quercusmongolica)、山楊(Populus davidiana)等，林下植物以柔毛繡線菊(Spiraea pubescens)、叉分蓼(Polygonum divaricatum)、地榆(Sanguisorba officinalis)、金蓮花(Trollius chinensis)、鸛草(Geaniumpratense)等為主。

1.2 地面數據采集

以隨機采樣為原則，在塞罕壩機械林場中的北曼甸林場、千層板林場和三道河口林場的部分區域，均勻地設置145個樣地(包括41個落葉松林地，43個樟子松林地，30個白樺林地，31個云杉林地)，見圖1。使用LAI-2200C植物冠層分析儀進行LAI的測量。每塊樣地的測量點為5個，測量點均勻地分布在樣地的2條對角線上，即每條對角線有3個測量點，對角線交叉重合為1個點。從4個方向逐次測量每個點的LAI，每個點測量3次。最終得到樣地所有LAI測量數據，取平均值作為該樣地的LAI值。

圖1 樣地分布圖

1.3 遙感數據獲取與預處理

本研究采用sentinel-2遙感數據用于反演，影像來源于歐空局(https://www.esa.int/ESA),成像時間為2019年8月8日。Sentinel-2衛星所帶傳感器能夠覆蓋13個光譜波段。遙感數據預處理包括大氣校正和幾何校正等，利用歐洲航空局提供的免費軟件SNAP(sentinel application platform)和Sen2Cor進行大氣校正的處理，再進行幾何校正、正射校正、輻射校正，根據行政區劃進行拼接裁剪后得到研究區域遙感影像，用于反演估測LAI。

1.4 植被指數選取

為進行植被覆蓋狀況和動態變化規律的調查，通過遙感獲取植被信息是研究的基礎[15]。植被指數是指利用綠色植被對電磁波的反射和吸收能力，對敏感波段進行線性或非線性組合，能夠體現植被信息[16]。通過遙感影像計算后得到植被指數，再利用植被指數與樣地實測LAI數據的經驗關系建立模型，通常能夠很好地反演LAI[17]。合適地選取植被指數能夠有效提高LAI估測反演精度。本研究選取6種植被指數，其植被指數表達式見表1。

本文通過對遙感影像的原始波段以及相關的植被指數、地形因子進行比較分析，選擇紅波段(B1)、短波紅外波段(B2)、海岸/氣溶膠波段(B3)、歸一化植被指數(B4)以及高程(B5)作為自變量來構建壩上地區LAI反演估測模型。

表1 植被指數表

1.5 模型構建方法

1.5.1 基礎模型的構建

在以往的LAI反演研究中普遍使用線性模型，因此，本研究反演LAI的基礎模型利用線性關系進行建立：

LAI=a0+a1B1+a2B2+a3B3+a4B4+a5B5+ε

(1)

式中，LAI為葉面積指數；a0、a1…a5為參數；B1、B2…B5為自變量因子；ε為誤差項。

1.5.2 混合效應模型的構建

不同樹種在進行LAI反演估測時往往會存在差異。因此，本研究將樹種(i)作為隨機效應參數，來構建壩上地區LAI反演估測模型。模型基本形式為：

LAI=a0+a0m0i+(a1+m1i)B1+(a2+m2i)B2+(a3+m3i)B3+(a4+m4i)B4+(a5+m5i)B5+εik

(2)

(εik)～N(0,Ri)

(m0im1im2im3im4im5i)T～N(0,Dm)

式中，LAI為葉面積指數；a0、a1…a5為參數；B1、B2…B5為自變量因子；i為不同樹種編號；k為樣木編號；m0i、m1i、m2i、m3i、m4i、m5i為不同樹種隨機效應參數；εik為殘差向量；Dm為隨機參數的方差-協方差矩陣。

林業中常用描述方差-協方差結構表達式：

(3)

隨機參數協方差結構表示不同樹種間的可變性。研究采用廣義正定矩陣(General positive-definite matrix)作為隨機效應的方差-協方差結構，表達式：

(4)

利用R軟件(版本4.1.2)中完成模型擬合效果計算，利用R中的“lm”和“nls”函數構建林場LAI反演估測基礎模型；利用R包的“NLME”進行線性混合效應模型的構建和預測。

1.5.3 模型評價

(5)

(6)

(7)

(8)

2 結果與分析

2.1 基礎模型的擬合

在R軟件中將建模數據代入到線性模型中，擬合結果：

LAI=-19.3266+0.0155×B1-0.0018×B2+

0.0052×B3+13.8713×B4+0.0048B5

2.2 混合效應模型

表2 LAI反演估測線性混合模型結果

表3 Model.7 LAI反演估測線性混合模型的參數估計

2.3 線性模型和線性混合效應模型的比較

表4 不同模型擬合統計量

圖2 線性模型(A)與線性混合效應模型(B)的殘差圖

圖3 研究區域LAI分布圖

3 結論

選用植被指數進行葉面積指數估測時，要考慮具體研究區的地形等因素的影響，選擇最佳植被指數進行估算葉面積指數模型的擬合。