高光譜遙感森林葉面積指數(shù)估測(cè)方法研究

孫 曉 譚炳香

中國(guó)林業(yè)科學(xué)研究院資源信息研究所 北京 100091

過(guò)去用遙感方法估測(cè)森林葉面積指數(shù)的研究主要局限于一些寬波段的多光譜數(shù)據(jù)。大部分研究都致力于尋找葉面積指數(shù)和各種植被指數(shù)之間的一些簡(jiǎn)單的統(tǒng)計(jì)關(guān)系［1］，精度不高。遙感圖像反演得到的森林LAI有很大的不確定性，而在高光譜遙感數(shù)據(jù)中，采用光譜微分技術(shù)可以有效地壓抑這種非植被光譜，從而提高葉面積指數(shù)同LAI的相關(guān)性［2］。

高光譜 (Hyperspectral Remote Sensing)遙感，是指利用很多很窄的電磁波波段 (通常＜10 nm)從感興趣的物體獲取有關(guān)數(shù)據(jù)，具有光譜分辨率高、波段多且連續(xù)性強(qiáng) (有幾百個(gè)波段，且相鄰波段的相關(guān)性高)、信息量豐富、譜像合一等優(yōu)點(diǎn)［3］。它的出現(xiàn)及發(fā)展，大大加快了遙感技術(shù)從定性到定量發(fā)展的步伐，使快速、精確、大范圍、無(wú)損壞地估測(cè)森林葉面積指數(shù)成為可能，從而可以有效地監(jiān)測(cè)森林長(zhǎng)勢(shì)，估測(cè)森林生物量，評(píng)價(jià)病蟲(chóng)害等。

1 國(guó)內(nèi)外研究現(xiàn)狀

葉面積指數(shù)的提出來(lái)源于作物學(xué)，早在20世紀(jì)40年代中期，英國(guó)農(nóng)業(yè)生態(tài)學(xué)家Watson就提出了葉面積指數(shù)的概念，即單位土地面積上單面植物光合作用面積的總和，并采用葉面積指數(shù)反映植物葉面的數(shù)量變化。葉面積指數(shù)是一個(gè)無(wú)量綱度量的參數(shù)，其大小與植被種類、生長(zhǎng)期、株行距、葉片傾角、葉簇等諸多因素有關(guān)，還受葉面積指數(shù)定義和測(cè)定方法的影響。在20世紀(jì)80年代，我國(guó)才開(kāi)始對(duì)林木、森林的葉面積指數(shù)進(jìn)行相關(guān)研究，部分成果已經(jīng)用來(lái)指導(dǎo)生產(chǎn)實(shí)踐。

葉面積指數(shù)有很多定義，本文所涉及的LAI定義采用的是Chen(1992)提出一種新的LAI定義，指植物植株所有葉片單面面積總和與植株所占的土地面積的比值。

1.1 國(guó)外研究現(xiàn)狀

高光譜數(shù)據(jù)由于具有較高的光譜分辨率、波段多且連續(xù)性強(qiáng)等特點(diǎn)，在選擇其合適波段估算LAI時(shí)比寬波段的多光譜遙感數(shù)據(jù)具有較明顯的優(yōu)勢(shì)。國(guó)外開(kāi)展高光譜遙感估測(cè)葉面積指數(shù)的研究比較早，提出了很多的方法，對(duì)傳統(tǒng)的寬波段遙感無(wú)法解決的問(wèn)題進(jìn)行了很好的處理。

Gong等 (2003)基于Hyperion數(shù)據(jù)，估計(jì)每個(gè)可能的植被指數(shù)與LAI的相關(guān)性，研究估測(cè)森林LAI最有效的波段［4］。Pu等 (2004) 利用Hyperion，ALI，AVIRIS 3種遙感數(shù)據(jù)對(duì)森林植被LAI進(jìn)行了估測(cè)，采用逐步回歸方法選擇與LAI關(guān)系密切的光譜波段，然后建立各波段與LAI的多元回歸方程。經(jīng)檢驗(yàn)證明，AVIRIS的LAI估測(cè)精度最高，其次為Hyperion，ALI的估測(cè)精度最低，其中中心波長(zhǎng)為820，1 040，1 200，1 250，1 650，2 100，2 260 nm的波段估測(cè)LAI最有潛力［5］。

Martin等 (2004)通過(guò)建立從機(jī)載高光譜影像提取的植被指數(shù)和葉面積指數(shù)之間的線性預(yù)測(cè)模型;估算森林 LAI，精度較高［6］。Lee K．S．等 (2004)通過(guò)建立LAI與光譜反射之間的相關(guān)關(guān)系，估測(cè)了高郁閉森林的LAI，認(rèn)為短波紅外的光譜反射可能是提高光學(xué)遙感數(shù)據(jù)估測(cè)高郁閉森林LAI潛力的重要因子。Schlerf等 (2005)利用機(jī)載高光譜數(shù)據(jù)的植被指數(shù)建立了與LAI的線性回歸模型來(lái)估測(cè)森林LAI［7］。Darcishzadeh等 (2008) 研究了土壤類型和植被結(jié)構(gòu)對(duì)利用高光譜估算LAI的影響。

Lênio Soares Galv?o 等 (2011) 用 MODIS 和高光譜數(shù)據(jù)比較了熱帶森林干旱季節(jié)的EVI的年內(nèi)變化。結(jié)果表明，在干旱季節(jié)，EVI變化是由于光照強(qiáng)度引起的，而不是葉面積指數(shù);EVI與近紅外波段反射率有很高的相關(guān)性;混合模型證明了光照強(qiáng)度影響 EVI的事實(shí)［8］。

1.2 國(guó)內(nèi)研究現(xiàn)狀

國(guó)內(nèi)對(duì)高光譜遙感的研究起步較晚，利用高光譜遙感技術(shù)估測(cè)葉面積指數(shù)的研究大部分集中在農(nóng)業(yè)方面，近幾年才開(kāi)始重視其在林業(yè)中的應(yīng)用。

趙麗芳等 (2007)利用地面實(shí)測(cè)的LAI和從高光譜遙感圖像上提取的植被指數(shù) (NDVI，SR，RSR)分別構(gòu)建回歸模型，反演森林葉面積指數(shù)［9］。吳朝陽(yáng)等 (2008)對(duì)高光譜植被指數(shù) (NDVI、MSR、MCARI)與葉綠素濃度及葉面積指數(shù)的線性關(guān)系進(jìn)行改進(jìn)，結(jié)果表明對(duì)著3類植被指數(shù)而言，750 nm和705 nm的葉片反射率更適合實(shí)際的葉綠素濃度反演，組成的植被指數(shù)能夠獲取更可靠的葉面積指數(shù)信息［10］。劉曉臣等 (2008)利用 PROSAIL模型模擬數(shù)據(jù)及地面實(shí)測(cè)數(shù)據(jù)，對(duì)不同葉面積指數(shù)的反演方法進(jìn)行了比較分析。結(jié)果證明，植被指數(shù)NDVI對(duì)幾種因素的濾除能力都較差，反演精度最低;模型反演精度高于植被指數(shù)方法，但會(huì)受到土壤背景的影響;二階微分方法雖然能部分消除土壤背景的影響，但受冠層反射率非各向同性的限制。文中提出的方向性二階微分法能較好地消除土壤背景和冠層反射率非各向同性的影響，反演精度較前者有所提高，但二階微分方法易受噪聲影響［11］。

丹利等 (2009)利用2000—2006年MODIS數(shù)據(jù)對(duì)貴州植被葉面積指數(shù)的時(shí)空變化及其對(duì)氣候的響應(yīng)進(jìn)行了分析。陳雪洋等 (2010)基于環(huán)境星CCD數(shù)據(jù)計(jì)算了4種植被指數(shù)，即 NDVI，RVI，SAVI和EVI;結(jié)合同步觀測(cè)數(shù)據(jù)，將植被指數(shù)與實(shí)測(cè)葉面積指數(shù)進(jìn)行了回歸分析，比較各種植被指數(shù)模型對(duì)冬小麥LAI的估測(cè)精度。結(jié)果表明，4種植被指數(shù)與LAI均具有較高的相關(guān)性，其中比值植被指數(shù) (RVI)對(duì) LAI反演精度最高［12］。吳見(jiàn)等(2011)總結(jié)了高光譜技術(shù)在林業(yè)遙感領(lǐng)域取得的研究成果［13］。

2 高光譜遙感估測(cè)葉面積指數(shù)的方法

遙感反演葉面積指數(shù)是指利用經(jīng)驗(yàn)?zāi)Ｐ突蛘邘缀喂鈱W(xué)模型等對(duì)遙感圖像進(jìn)行各種運(yùn)算，以獲取葉面積指數(shù)。高光譜遙感影像提取森林LAI的方法同傳統(tǒng)遙感方法相似，主要分為植被指數(shù)法、物理模型法、混合像元分解法、神經(jīng)網(wǎng)絡(luò)法和小波變換法。

2.1 植被指數(shù)法

田慶久等 (1998)將植被指數(shù)按發(fā)展階段分為3類:第1類植被指數(shù)基于波段的線性組合 (差或和)或原始波段的比值，如RVI等;第2類植被指數(shù)大都基于物理知識(shí)，將電磁波輻射、大氣、植被覆蓋和土壤背景的相互作用結(jié)合在一起考慮，是通過(guò)利用數(shù)學(xué)和物理及邏輯經(jīng)驗(yàn)對(duì)原植被指數(shù)進(jìn)行不斷改進(jìn)而發(fā)展起來(lái)的，如 PVI，SAVI，MSAVI，TSAVI，ARVI，GEMI，AVI，NDVI 等; 第 3 類植被指數(shù)針對(duì)高光譜遙感及熱紅外遙感如DVI，Ts－VI，PRI等。植被指數(shù)法相對(duì)比較簡(jiǎn)單、適用性強(qiáng)，但是由于受植被密度、葉冠結(jié)構(gòu)及土壤背景和大氣等的影響而缺乏敏感性和可移植性。葉面積指數(shù)和植開(kāi)始被指數(shù)的關(guān)系不夠確定，模型不易推廣，因此人們開(kāi)始逐漸考慮利用物理模型反演得到植被LAI。

2.2 物理模型法

由于地面的植被 (森林、草地、農(nóng)作物)主要有2種外在形態(tài):一種有明顯幾何特征，如樹(shù)木、灌叢、成壟分布的農(nóng)作物等;另一種則無(wú)明顯幾何特征，如大面積的草地、已封壟的農(nóng)作物等。所以物理模型也分為2種，一是幾何光學(xué)模型，一是輻射傳輸模型。前者以像元分解理論為依據(jù);后者則以植被輻射傳輸理論為基礎(chǔ)，由遙感信息反演估算LAI。2種模型反演森林LAI都是建立在物理基礎(chǔ)之上的，不受到植被類型的影響，但模型反演LAI的過(guò)程復(fù)雜。在實(shí)際估測(cè)森林葉面積指數(shù)時(shí)，可根據(jù)不同的情況采用不同的方法。當(dāng)然，由于相互融合，2種模型現(xiàn)在已經(jīng)相互結(jié)合共同反演森林葉面積指數(shù)，即以幾何光學(xué)為基礎(chǔ)的模型加入了對(duì)多次散射的考慮，而以輻射傳輸為基礎(chǔ)的模型加入了對(duì)熱點(diǎn)現(xiàn)象的考慮。

2.3 混合像元分解法

傳感器空間分辨率的限制以及地物的復(fù)雜多樣性致使混合像元普遍存在于遙感圖像中。鑒于此，Hall(1995)首先提出了SMA法(Spectral Mixture A－nalysis，SMA)，即基于一個(gè)像元的瞬時(shí)有效視角場(chǎng)接收到很多單個(gè)地物的輻射信號(hào)。如果每一個(gè)混合像元能夠被分解而且它的每一個(gè)端元組分 (End Member)占像元的豐度也能夠求得，則LAI的提取誤差會(huì)大大減少。目前國(guó)內(nèi)混合像元的主要分解方法有線性光譜混合模型、非線性光譜混合模型、模糊監(jiān)督分類法和神經(jīng)網(wǎng)絡(luò)模型分類法。

混合像元分解法的缺點(diǎn)在于其模型都是在一定的假設(shè)條件的基礎(chǔ)上建立的，這些假設(shè)會(huì)以不同方式影響模型的精度和混合像元分解的結(jié)果。

2.4 神經(jīng)網(wǎng)絡(luò)模型法

Gong P等 (1999)開(kāi)始將神經(jīng)網(wǎng)絡(luò)引入到高光譜數(shù)據(jù)分析中來(lái)，提高了植被生理參數(shù)反演的精度［14］。近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)在遙感影像分類和信息提取 (LAI等)等研究中得到了廣泛的應(yīng)用，如土地覆蓋的分類問(wèn)題、多時(shí)相動(dòng)態(tài)地物的區(qū)分、基于多源空間數(shù)據(jù) (如遙感數(shù)據(jù)與地理信息綜合)的融合和分類、模糊分類 (混合像元分解)、融合先驗(yàn)知識(shí)的遙感影像分類、影像結(jié)構(gòu)信息提取 (如線形、紋理等信息的提取)等，這些應(yīng)用在不同程度上都獲得了有實(shí)際意義的結(jié)果。湯旭光等 (2010)以東北主要綠化樹(shù)種為研究對(duì)象，分別運(yùn)用6種植被指數(shù)、神經(jīng)網(wǎng)絡(luò)以及小波分析等3種方法進(jìn)行LAI估算。研究結(jié)果表明，神經(jīng)網(wǎng)絡(luò)在擬合光譜反射率與樹(shù)冠LAI的關(guān)系時(shí)明顯優(yōu)于植被指數(shù)法［15］。

但是，神經(jīng)網(wǎng)絡(luò)模型也有缺點(diǎn):1)對(duì)于不同目標(biāo)和不同復(fù)雜程度的問(wèn)題，人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法需要作相應(yīng)的調(diào)整才能得到高效率和高性能;2)基于人工神經(jīng)網(wǎng)絡(luò) (ANN)的遙感影像理解主要是模擬視覺(jué)神經(jīng)和人體中樞神經(jīng)的并行信息處理系統(tǒng)，因此需要融合一定的地學(xué)知識(shí)和地理軸助信息參與決策分析，這就需要解決知識(shí)和模型融合的問(wèn)題。

2.5 小波變換法

小波變換法具有很強(qiáng)的信號(hào)分析與處理功能，在特征提取、數(shù)據(jù)壓縮等研究方面已經(jīng)應(yīng)用比較成熟，而在森林LAI等參數(shù)反演上的應(yīng)用還不多，但也有一些先驅(qū)性的研究。Ruiliang Pu等 (2004)利用EO－1高光譜數(shù)據(jù)對(duì)比研究了小波變換、主成分分析及波段選擇3種方法反演森林LAI的效果，結(jié)果發(fā)現(xiàn)利用小波變換法反演的精度較高［16］。

葉面指數(shù)的估測(cè)方法受到不同定義和假設(shè)、采樣方法、數(shù)據(jù)分析和儀器誤差等多種因素影響，測(cè)量值表現(xiàn)出極大的差異，至今國(guó)內(nèi)外沒(méi)有通用而簡(jiǎn)便的方法。目前，根據(jù)實(shí)驗(yàn)得出地面實(shí)測(cè)LAI值和高光譜數(shù)據(jù)的相關(guān)關(guān)系是最成功且最常用的。鑒于單獨(dú)的模型各有其局限性，已有學(xué)者嘗試將幾種模型結(jié)合起來(lái)發(fā)揮各自的優(yōu)勢(shì) 。唐世浩等借鑒地面觀測(cè)LAI的原理和方法，利用地物的方向反射特性和植被指數(shù)法簡(jiǎn)單實(shí)用的特點(diǎn)，建立了基于方向反射率的大尺度LAI反演算法。

3 結(jié)論與討論

縱觀國(guó)內(nèi)外高光譜反演葉面積指數(shù)研究，高光譜遙感以其特有的波段多且連續(xù)性強(qiáng)、分辨率高、信息量豐富等優(yōu)勢(shì)，在葉面積指數(shù)反演中有著廣闊的發(fā)展前景，但同時(shí)也面臨很多問(wèn)題。

首先，國(guó)內(nèi)在寬波段遙感估測(cè)森林LAI的研究中做了許多工作，利用高光譜遙感反演LAI起步較晚。目前已有的研究主要側(cè)重于建立植被指數(shù)與實(shí)測(cè)LAI間簡(jiǎn)單的統(tǒng)計(jì)回歸模型，而對(duì)其估測(cè)機(jī)理和方法的研究相對(duì)較少，在研究深度和方法應(yīng)用上也存在著一些不足。例如，對(duì)特定的高光譜數(shù)據(jù)(CASI、SASI等)并沒(méi)有合適的通用的估測(cè)方法。

其次，因?yàn)檫b感數(shù)據(jù)受不同林分、不同季節(jié)、不同地形、不同大氣條件及遙感尺度等因素的影響比較明顯，如何得到各因素影響LAI的規(guī)律，從而找到最適合的遙感估算模型就成為研究的重點(diǎn)和難點(diǎn)。目前，尚沒(méi)有一種具有普適性的方法。雖然物理模型是建立在物理基礎(chǔ)之上的，具有很強(qiáng)的普適性，但其反演LAI的過(guò)程復(fù)雜，且部分輸入?yún)?shù)難于獲取，這就使其難以大范圍推廣和應(yīng)用。

要解決上述問(wèn)題，提高高光譜遙感反演葉面積指數(shù)的可行性及精度，首先應(yīng)結(jié)合數(shù)字高程模型(DEM)圖像，考慮地形因素造成的誤差;其次應(yīng)在傳統(tǒng)經(jīng)驗(yàn)?zāi)Ｐ偷幕A(chǔ)上進(jìn)一步研究森林的光譜特征和林業(yè)遙感機(jī)理，以實(shí)現(xiàn)遙感技術(shù)向遙感信息定量化和“定性” “定位”一體化快速發(fā)展的目標(biāo);最后，應(yīng)結(jié)合高光譜遙感數(shù)據(jù)和非遙感數(shù)據(jù)，加上GIS的輔助支持，大大提高高光譜遙感影像分類和信息提取的精度。

［1］Running S W，Peterson D L．，Spanner，et al．Remote sensing of coniferous forest leaf area index［J］．Ecology，1986，67(1):273 －276．

［2］譚炳香．高光譜遙感森林應(yīng)用研究探討［J］．世界林業(yè)研究，2003，16(2):33－37．

［3］宮鵬，黎夏，徐冰．高分辨率影像解譯理論與應(yīng)用方法中的一些研究問(wèn)題［J］．遙感學(xué)報(bào)，2006，10(1):1－5．

［4］Gong P，Pu R，Biging G S，et al．Estimation of forest leaf area index using vegetation indices derived from hyperion hyperspectral data ［J］．IEEE Transactions on Geoscience and Remote Sensing，2003，41(6)1355－1362．

［5］Pu R，Gong P，Biging G S，et al．Larrieu retrieval of surface reflectance and LAI mapping with data from ALI，Hyperion and AVIRIS［C］//Proceedings of the IEEE International Geoscience and Remote Sensing Symposium ，2002:1411－1413．

［6］Martin Schler，Clement Atzberger，Michael Vohland．Derivation of forest leaf area index from multi－spectral and hyperspectral remote sensing data［J］．EAR Sele Proceeding，2004，3(3):405－413．

［7］Schlerf M，Atzberger C，Hill J．Remote sensing of forest biophysical variables using HyMap imaging spectermeter data［J］．Remote Sensing of Environment，2005，95(2):117 －194．

［8］Lênio Soares Galv?o，Jo?o Roberto dos Santos，Dar ARoberts，et al．On intra－annual EVI variability in the dry season of tropical forest:a case study with MODIS and hyperspectral data［J］．Remote Sensing of Environment，2011，115:2350－2359．

［9］趙麗芳，譚炳香，楊華，等．高光譜遙感森林葉面積指數(shù)估測(cè)研究現(xiàn)狀［J］．世界林業(yè)研究，2007，20(2):50－54．

［10］吳朝陽(yáng)，牛錚．基于輻射傳輸模型的高光譜植被指數(shù)與葉綠素濃度及葉面積指數(shù)的線性關(guān)系改進(jìn)［J］．植物學(xué)通報(bào)，2008，25(6):714－721．

［11］劉曉臣，范聞捷，田慶久，等．不同葉面積指數(shù)反演方法比較研究［J］．北京大學(xué)學(xué)報(bào):自然科學(xué)版，2008，44(5):828－834．

［12］陳雪洋，蒙繼華，杜鑫，等．基于環(huán)境星CCD數(shù)據(jù)的冬小麥葉面積指數(shù)遙感監(jiān)測(cè)模型研究［J］．國(guó)土資源遙感，2010，84(2):55－58．

［13］吳見(jiàn)，彭道黎．高光譜遙感林業(yè)信息提取技術(shù)研究進(jìn)展［J］．光譜學(xué)與光譜分析，2011，31(9):2305－2312．

［14］Gong P，Wang，D X，et al．Inverting a canopy reflectance model using a neural network［J］．International Journal of Remote Sensing，1999，20(1):111－122．

［15］湯旭光，劉殿偉，宋開(kāi)山，等．東北主要綠化樹(shù)種葉面積指數(shù)(LAI)高光譜估算模型研究［J］．遙感技術(shù)與應(yīng)用，2010，25(3):334－341．

［16］Ruiliang Pu，Peng Gong．Wavelet transform applied to EO －1 hyperspectral data for forest LAI and crown closure mapping［J］．Remote Sensing of Environment，2004，91(2):212 －224．