興安落葉松林葉面積指數遙感反演研究

摘" 要：葉面積指數（leaf area index，LAI）是生態系統的重要結構參數，可以反映植物冠層結構、植物群落生命活力及其環境效應。該研究以興安落葉松林為研究對象，基于高分一號遙感影像，通過計算4種植被指數（NDVI、RVI、DVI和OSAVI），結合實測LAI數據，建立LAI的統計回歸模型，篩選出興安落葉松林LAI的最優遙感反演模型。結果表明：研究區興安落葉松林LAI與4種植被指數之間均有較強的相關性，其中基于OSAVI的LAI線性模型反演精度最高。表明該文建立的LAI經驗統計模型具有較高的精度，利用GF-1影像可以快速、大面積反演興安落葉松林的LAI，研究區興安落葉松林長勢較好，LAI基本大于3，該研究結果可為利用經驗統計模型反演林分LAI提供參考。

關鍵詞：葉面積指數；植被指數；興安落葉松；遙感反演；模型構建

中圖分類號：TP79" " " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）21-0019-05

Abstract： Leaf area index （LAI） is an important structural parameter of ecosystem， which can reflect plant canopy structure， plant community vitality and environmental effects. This study takes Larix gmelinii forest in Xing'an as the research object， based on GF-1 remote sensing image， calculates 4 vegetation indexes （NDVI， RVI， DVI， OSAVI）， and combines the measured LAI data， establishes the statistical regression model of LAI， and selects the optimal remote sensing inversion model of LAI. The results showed that there was a strong correlation between LAI and 4 vegetation indexes of Larix gmelinii forest in the study area， and the LAI linear model based on OSAVI had the highest retrieval accuracy. It shows that the LAI empirical statistical model established in this paper has a high accuracy. The GF-1 image can be used to retrieve the LAI of Larix gmelinii forest in a fast and large area. The growth of Larix gmelinii forest in the study area is good， and the LAI is basically greater than 3. The research results can provide a reference for using the empirical statistical model to retrieve the LAI of the forest stand.

Keywords： Leaf area index （LAI）; vegetation indices; Larix gmelinii; remote sensing inversion; statistical regression model

基金項目：高分辨率對地觀測系統重大專項（30-Y30A02-9001-20/22-3）；十三五空基真實性檢驗站（大興安嶺站）建設項目（無編號）；內蒙古農業大學高層次人才引進科研啟動項目（無編號）

第一作者簡介：楊帥（1997-），男，碩士研究生。研究方向為林業遙感。

*通信作者：王冰（1981-），女，博士，副教授。研究方向為林業遙感。

葉面積指數（LAI） 指單位地表面積上綠葉表面積總和的一半[1]，是植被重要的結構參數之一，其變化是估算植被覆蓋度、生物量，監測和預報農作物長勢、產量等的重要指標[2]。傳統的葉面積指數測量效率低、范圍小，會對植被造成一定破壞，且僅能獲取點尺度的測量結果。遙感技術具有實時迅速、可大面積監測的特點[3]，目前基于遙感技術的LAI反演方法主要有基于植被指數的經驗模型法和基于植被輻射傳輸特性的物理模型法2種。激光雷達、光學等手段現如今成為森林葉面積指數監測的主要方法，激光雷達最主要的特點是穿透性較好，可以獲得大面積的森林冠層及林分的結構參數；光學遙感數據最主要的特點是周期短、覆蓋全等，在大區域尺度的森林葉面積指數監測中有著重要的作用[4]。作為耦合遙感數據和地面數據的有效手段，經驗模型可及時有效、無損監測作物長勢[5]；經驗模型計算方便，結果合理性強，模型參考具有明顯的好處，實用性強，因此，眾多學者開展了基于植被指數的LAI經驗模型遙感反演研究。王立輝等[6]和李鳳秀等[7]探討了不同植被指數對玉米LAI反演精度的影響；趙虎等[8]分析了基于5種常用植被指數的3種模型反演冬小麥LAI的精度；梁棟等[9]和苗乃哲[10]對比分析了不同植被指數對冬小麥LAI反演的精度；郭琳等[11]利用歸一化植被指數NDVI與LAI之間的關系估算了甘蔗的LAI；蒙繼華等[12]以經驗統計方法建立了全國農作物葉面積指數遙感估算模型。郭云開等[13]篩選出4種紅邊植被指數和4種常用植被指數對路域植被LAI進行反演研究，結果表明，紅邊植被指數對LAI的估算模型貢獻更大。王軍等[14]研究了大豆葉面積指數反演，研究表明，NDVI模型精度較好，其余4種植被指數模型精度和擬合效果都很好，說明基于經驗模型法可以有效地反演作物長勢情況，根據植被指數和實際測量LAI的經驗關系來建立LAI反演模型會得到一個不錯的結果，但是由于研究地點、時間、植物類型差異等因素，都會帶來反演模型的差異。興安落葉松是大興安嶺的主要優勢樹種，在我國寒溫帶森林生態系統中發揮著無法取代的生態功能。基于遙感數據對興安落葉松葉面積指數反演的研究，可以更精準地監測興安落葉松的生長和發育狀態。本文基于遙感數據開展了針對寒溫帶興安落葉松林LAI的反演研究，可為更精準地監測興安落葉松的生長和發育狀態提供技術支撐和數據支持。

1" 材料與方法

1.1" 研究區概況

研究區位于內蒙古自治區大興安嶺根河市林業局潮查林場境內，地理坐標為東經121°30'～121°31'，北緯50°52'～50°53'，地處寒溫帶大陸性季風氣候區，年平均降雨量451～550 mm，降雨量主要集中在7、8月份。該地區平均海拔1 100 m，其中森林的覆蓋率為76%。主要樹種有興安落葉松（Larix gmelinii），其他樹種有白樺（Betula platyphylla）、山楊（Populus davidiana）等。研究區樣地分布如圖1所示。

1.2" 樣地布設與LAI測定

在大興安嶺生態站原始林試驗區內設置1塊5 km×5 km的興安落葉松林觀測場地，在場地內設置20塊48 m×48 m的測量樣地。每個測量樣地之間間隔100 m左右。樣地在地理位置上分散分布，設置在地勢較平坦的地方。結合興安落葉松物候期、天氣情況及衛星過境時間，在研究區內用LAI-2200冠層分析儀進行興安落葉松林LAI測量，在每個樣方中測量3次LAI，取其平均值作為該點的LAI值，以避免因陽光直射而引起的測量誤差，將得到的樣本取2/3作為訓練樣本，1/3樣本作為驗證樣本用于LAI反演精度的檢驗。

1.3" 遙感數據獲取與預處理

本實驗所需影像是從中國資源衛星中心所下載的GF-1影像。其空間分辨率為8 m，數據級別為1A級。時間是2021年7月12日。GF-1影像，重訪周期4 d，成像的幅寬可達800 km左右。使用ENVI5.3對獲取的GF-1影像進行輻射定標。之后利用FLAASH模塊對GF-1影像進行大氣校正，避免受到光照和大氣的影響。

1.4" LAI模型構建

每個植被指數在一定條件中都能很好地反映植被的生長狀況。本次實驗按照前人的研究，在多種植被指數中選擇了4種常用植被指數（NDVI、RVI、DVI和OSAVI）用于LAI反演模型的構建，各植被指數計算公式見表1。

本文選取線性函數、二次多項式函數、對數函數等方法構建LAI反演模型，各函數公式如下

式中：Y為實測值，x為各植被指數值，A、B、C為常數。

為了驗證反演模型的有效性和可靠性，基于野外實際測量數據，采用均方根誤差（RMSE）、預測殘差（RPD）等指標對模型進行評價，計算方法如下

式中：yi為預測值，i為實測值，n為樣本個數；SD為標準差。

2" 結果與分析

2.1" LAI反演模型篩選

各植被指數建立的LAI估算模型和擬合結果見表2。從表2可以看出，選擇的4種植被指數與實際測量LAI相關性都很高，各植被指數與實測LAI的R2均大于0.69。通過GF-1遙感影像構建的LAI估算模型擬合結果差異較小，優化土壤調整植被指數（OSAVI）的線性模型的R2最大，為0.946 3。差值植被指數的對數函數模型的R2最小，為0.697 2，LAI的一元線性回歸和對數模型中OSAVI和NDVI的擬合度程度最好，LAI的二次多項式模型中，OSAVI的擬合程度最好，R2為0.946 2。因此，OSAVI線性模型作為反演興安落葉松林LAI的最佳模型，表達式為LAI=88.049×OSAVI-81.781。

2.2" LAI反演模型驗證

利用預留的40個野外地面實際測量數據對興安落葉松林LAI反演精度進行檢驗，對模型的結果和實測LAI數據進行對比，結果如圖2所示。

從圖2可以看出，預測值和實測值誤差較小。根據計算，相對誤差范圍為0.29%～14.7%，平均相對誤差為4.61%，說明統計模型反演結果可以取得較好的反演結果。

為了檢驗反演模型是否具有一定的可靠性，將對模型的精度進行驗證，根據計算，本研究模型預測值與實測值之間的均方根誤差、預測殘差分別為0.118和4.373 7，說明本文模型精度較高，利用GF-1影像建立的OSAVI-LAI經驗統計模型可以快速、準確地監測興安落葉松LAI。

2.3" LAI空間分布特征

基于2021年7月12日的GF-1影像，利用篩選的最佳LAI反演模型，對研究區的LAI進行反演，結果如圖3所示。從圖3可以看出，研究區興安落葉松林LAI的數值基本在3.0以上，表明該地森林植被覆蓋較高，興安落葉松長勢良好。

3" 結論與討論

3.1" 討論

基于GF-1衛星數據的4種常用的植被指數與興安落葉松生長期的LAI具有較好的相關關系，OSAVI適合于高植被覆蓋度的土地。在興安落葉松生長期時葉片的展開程度普遍比較高，這就導致了在試驗區內的覆蓋度處于較高水平，顯示出對興安落葉松冠層LAI有更好的估算能力。在GF-1數據中得到的4種植被指數最優模型的函數類型主要為線性和二次多項式模型。在鄭踴謙等[19]和Wang等[20]的研究中顯示，LAI植被指數之間的關系呈指數分布。而在胡古月等[21]的研究中顯示，二項式函數的R2最大且RMSE最小。因此，在我們實際研究中，LAI的分布范圍內可能會出現由于隨機采樣誤差或樣本數量較小等原因導致實際與理論結果不完全吻合的情況。同時，GF-1號衛星數據可用于LAI等地表參量的定量反演，可為精準林業提供有效的數據支撐。

3.2" 結論

本文基于GF-1號數據探討了遙感反演興安落葉松林LAI的方法。基于4種植被指數構建的LAI估算模型擬合效果差異較小，相對于NDVI、RVI、DVI，OSAVI更適合用于建立興安落葉松林LAI的估算模型，OSAVI-LAI的線性模型R2達到0.946 3，擬合度最佳。基于OSAVI-LAI模型的空間擬合結果顯示，2021年7月中旬，研究區興安落葉松長勢較好，其LAI基本均在3.0以上。

參考文獻：

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

[2] PINTY B， LAVERGNE T， WIDLOWSKI J， et al. On the need to observe vegetation canopies in the near-infrared to estimate visible light absorption[J].Remote Sensing of Environment： An Interdisciplinary Journal，2009，113（1）：10-23.

[3] 倪衡，李效順，鹿瑤，等.基于光譜特征的煤礦覆煤區遙感識別與監測方法研究：以云南小龍潭礦區為例[J].生態與農村環境學報，2019，35（1）：9-15.

[4] 方紅亮.我國葉面積指數衛星遙感產品生產及驗證[J].遙感技術與應用，2020，35（5）：990-1003.

[5] 李鑫川，徐新剛，鮑艷松，等.基于分段方式選擇敏感植被指數的冬小麥葉面積指數遙感反演[J].中國農業科學，2012，45：3486-3496.

[6] 王立輝，杜軍，黃進良，等.基于GF-1號衛星WFV數據反演玉米葉面積指數[J].華中師范大學學報：自然科學版，2016，50（1）：120-127.

[7] 李鳳秀，張柏，宋開山，等.玉米葉面積指數與高光譜植被指數關系研究[J].遙感技術與應用，2007，22（5）：586-592.

[8] 趙虎，裴志遠，馬尚杰，等.利用HJ-1-A/BCCD2數據反演冬小麥葉面積指數[J].農業工程學報，2012，28（10）：172-176.

[9] 梁棟，管青松，黃文江，等.基于支持向量機回歸的冬小麥葉面積指數遙感反演[J].農業工程學報，2013，29（7）：117-123.

[10] 苗乃哲.基于Landsat TM數據的冬小麥不同生育期葉面積指數反演方法精度比較[D].西安：西安科技大學，2012.

[11] 郭琳，裴志遠，張松齡，等.基于環境星CCD圖像的甘蔗葉面積指數反演方法[J].農業工程學報，2010，26（10）：201-205.

[12] 蒙繼華，吳炳方，李強子.全國農作物葉面積指數遙感估算方法[J].農業工程學報，2007，23（2）：160-167.

[13] 郭云開，劉雨玲，許敏，等.植被葉面積指數估算的紅邊指數建模分析[J].測繪科學，2021，46（1）：93-98.

[14] 王軍，姜蕓.基于無人機多光譜遙感的大豆葉面積指數反演[J].中國農學通報，2021，37（19）：134-142.

[15] ROUSE J W， HAAS R H， SCHELL J A， et al. Monitoring vegetation systems in the great plains with ERTS[J]. NASA Special Public，1973（1）：309-317.

[16] PEARSON R L，MILLER D L. Remote Mapping of Standing Crop Biomass for Estimation of the Shortgrass Prairie[C]//Proceedings of the English International Symuposium on Remote Sensing of Environment，1972：1375-1381.

[17] TUCKER C J. Red and photographic infrared linear combinations for monitoring vegetation[J].Remote Sense Environ，1979，8（2）：127-150.

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

[19] 鄭踴謙，董恒，張城芳，等.植被指數與作物葉面積指數的相關關系研究[J].農機化研究，2019，41（10）：1-6.

[20] WANG L， YANG R R， TIAN Q J， et al. Comparative analysis of GF-1 WFV， ZY-3 MUX， and HJ-1 CCD sensor data for grassland monitoring applications[J].Remote Sensing， 2015，7（2）：2089-2108.

[21] 胡古月，李少達，楊容浩.葉面積指數遙感估算的三種回歸模型分析[J].測繪科學，2018，43（10）：46-50.