大氣校正模型對闊葉林葉面積指數(shù)遙感估算的影響

顧哲衍，張金池，林 杰，韓 誠，劉 鑫

(南京林業(yè)大學(xué)森林資源與環(huán)境學(xué)院，江蘇南京 210037)

大氣校正模型對闊葉林葉面積指數(shù)遙感估算的影響

顧哲衍，張金池，林 杰，韓 誠，劉 鑫

(南京林業(yè)大學(xué)森林資源與環(huán)境學(xué)院，江蘇南京 210037)

【目的】為利用遙感技術(shù)定量提取區(qū)域尺度的闊葉林葉面積指數(shù)前的大氣校正模型選擇提供科學(xué)依據(jù).【方法】分別利用6S模型、FLAASH模型和ATCOR2模型對Landsat 8 OLI影像進行了大氣校正，分析了3種模型下的闊葉林葉面積指數(shù)(LAI)與多種植被指數(shù)(VI)相關(guān)性，建立了LAI-VI的線性和非線性的回歸模型，最后通過驗證數(shù)據(jù)組LAI預(yù)測值(Y)與LAI實測值(X)的均方根誤差(RMSE)及線性相關(guān)性大小對闊葉林LAI遙感估算結(jié)果進行了精度對比.【結(jié)果和結(jié)論】ATCOR2模型不適于闊葉林LAI-VI的回歸建模;除比值植被指數(shù)(RVI)外，F(xiàn)LAASH模型與6S模型下的闊葉林LAI與增強型植被指數(shù)(EVI)、修正土壤調(diào)節(jié)植被指數(shù)(MSAVI)有較好的相關(guān)性，其中FLAASH模型下的闊葉林LAI-MSAVI冪函數(shù)模型擬合優(yōu)度最佳;FLAASH模型的闊葉林LAI估算精度優(yōu)于6S模型;借助遙感技術(shù)定量提取植被生理參數(shù)時，應(yīng)慎重選擇適宜的大氣校正模型.

遙感;葉面積指數(shù);大氣校正

葉面積指數(shù)(Leaf area index，LAI)是定量分析地球生態(tài)系統(tǒng)能量交換特性的一個重要結(jié)構(gòu)變量［1］，不僅是表征植物冠層結(jié)構(gòu)和植物群落生產(chǎn)力的基本指標，亦與眾多生態(tài)過程(蒸騰、光合、呼吸、元素循環(huán)等)密切相關(guān)，直接影響植物對光能的截獲和利用，間接影響冠層阻抗，同時作為決定地表反射率的重要參數(shù)對地表和大氣間的相互作用有著重要影響［2］.地面測量只能獲得點狀或線狀的LAI數(shù)據(jù)，難以反映LAI的空間變異性，定量遙感技術(shù)作為反演陸面參數(shù)的一種重要方法，為實時獲取大范圍LAI提供了高效途徑［3-4］.

電磁波在太陽-目標物-衛(wèi)星之間的傳輸過程極其復(fù)雜，不僅與光照條件、傳感器的探測光譜響應(yīng)、地表起伏等有關(guān)，更受到吸收、散射等大氣作用的影響，必然導(dǎo)致輻射傳輸失真，嚴重降低LAI的反演精度.因而在定量反演LAI前，必須進行大氣校正.大氣校正模型可分為3類：基于輻射傳輸機理的校正模型(如6S模型、ATCOR2模型)、基于影像特征的校正模型(如表觀反射率模型、Gilabert模型等)和基于地面定標參數(shù)的校正模型［5］.其中，基于輻射傳輸機理的校正模型物理意義最明確、精度最高，應(yīng)為大氣校正未來的發(fā)展趨勢［6-7］.不同的大氣校正模型獲得的植被反射光譜信號不同，故選擇適宜的大氣校正模型對LAI的遙感反演具有重要意義［8］.目前，對于大氣校正模型的研究或集中于模型自身算法［9-11］，或集中于模型算法間的橫向比較［12-13］，而對于不同大氣校正模型在具體某一陸面參數(shù)反演中的適用性研究卻鮮有報道.

鑒于此，本文選取基于輻射傳輸機理的校正模型中具有代表性的6S模型、FLAASH模型和ATCOR2模型分別對OLI(Operational land imager)影像進行大氣校正，建立LAI與闊葉林植被指數(shù)(Vegetation Index，VI)的統(tǒng)計回歸模型，探究3種大氣校正模型對闊葉林LAI遙感反演精度的影響，旨在為大面積反演闊葉林LAI前的大氣校正模型選擇提供借鑒和參考.

1 材料與方法

1.1 研究地區(qū)概況

江寧區(qū)位于江蘇省南京市南部，介于東經(jīng)118° 31'～119°04'，北緯30°38'～32°13'之間，總面積1 500多km2.常態(tài)地貌有低山、丘陵、崗地、平原和盆地，海拔1～371 m，境內(nèi)河道主要有長江和秦淮河兩大水系.氣候?qū)俦眮啛釒Ъ撅L(fēng)濕潤氣候區(qū)，年平均氣溫15.5℃，年均無霜期224 d，年均降水量1 012 mm，年均日照2 148.3 h.全區(qū)有木本及藥用植物1 000余種，較珍貴的有銀杏Ginkgo biloba、雪松Cedrus deodara、明黨參Changium smyrnioides、夏枯草Prunella vulgaris等.

1.2 數(shù)據(jù)來源及預(yù)處理

研究數(shù)據(jù)由Landsat 8 OLI多光譜影像數(shù)據(jù)和闊葉林LAI野外實測數(shù)據(jù)組成.OLI數(shù)據(jù)由美國地質(zhì)勘探局(USGS)提供，軌道號Path 120/Row 38，成像日期2013年8月 13日，探測波普長度為 0.433～1.390 μm，已經(jīng)過系統(tǒng)級的輻射和幾何糾正.OLI涵蓋Landsat 7 ETM+的所有波段，為了避免大氣吸收特征，OLI對波段進行了重新調(diào)整，比較大的調(diào)整是OLI Band 5(0.845～0.885 μm)，排除了0.825 μm處水汽吸收特征;OLI全色波段Band 8波段寬度較窄，有利于更好地區(qū)分地表有植被和無植被特征.以江寧區(qū)1∶5萬地形圖為標準底圖，采用二次多項式擬合法，對OLI影像進行了幾何精糾正，誤差控制在0.5個像元內(nèi).闊葉林LAI野外實測數(shù)據(jù)由美國LICOR公司的LAI-2200冠層分析儀測得，時間為2013年8月下旬至9月初，樣點數(shù)48個，其中8月下旬34個，9月初14個，主要分布在銅山、將軍山、方山等地.研究區(qū)內(nèi)分布廣面積大的為毛竹Phyllostachys heterocycla純林、麻櫟Quercus acutissima純林和闊葉混交林，為采樣重點林分，樣點數(shù)較多，分別為19、7和11個，其他林分如黃果樸Celiis labilis純林、香樟Cinnamomum camphora純林、構(gòu)樹Broussonetia papyrifera純林以及廣玉蘭Megnolia grandiflora和三角楓Acer buergerianum等面積相對較小，LAI梯度明顯，各林分設(shè)置1～4個典型樣點，為表述簡潔，本文將此類純林統(tǒng)稱為其他林分.考慮到OLI影像30 m的空間分辨率，采樣間距均大于30 m，每個樣點均由GARMIN手持GPS接收機定位，坐標系為WGS-84.各樣點重復(fù)測量2次，取均值作為結(jié)果.

1.3 基于輻射傳輸機理的大氣校正模型

1.3.1 6S(Second simulation of satellite signal in the solar spectrum)模型 6S模型將氣體分子(水汽、CO2、O3等)的吸收、散射與氣溶膠的散射一并予以考慮，采用最新近似(State of the art)和連續(xù)散射SOS (Successive orders of scattering)算法來求解輻射傳輸方程，提高了對瑞利散射和氣溶膠散射的計算精度.在處理不均一目標時，考慮了一定半徑之內(nèi)的地物反射及該范圍之外的背景干擾.同時，解決了地表雙向反射分布函數(shù)(BDRF)與大氣環(huán)境相互耦合的問題［14-15］.其基本計算公式為：

式(1)中：ρ為地表反射率，ρT(θs，θυ，φs，φυ)為大氣上界反射率，Tg(θs，θυ)為太陽-目標物大氣路徑透過率，ρR+a為氣體分子散射和氣溶膠散射所構(gòu)成的路徑輻射反射率，T(θs)為大氣透過率，T(θυ)為傳感器-目標物大氣路徑透過率，θs為太陽天頂角，θυ為傳感器天頂角，φs為太陽方位角，φυ為傳感器方位角，S為大氣半球反射率.

1.3.2 FLAASH(Fast line-of-sight atmospheric analysis of spectral hypercubes)模型 FLAASH實際是MODTRAN4+輻射傳輸模型的一種改進型，適用于可見光、近紅外到短波紅外范圍內(nèi)的光譜，為反演高光譜影像反射率的首選模型，能有效消除大部分大氣和光照等因素對地物反射的影響，獲得較為準確的地物反射率、地表溫度等真實物理參數(shù)［16］，對太陽光譜范圍的限制和近似標準的朗伯體平面的假設(shè)是該算法的核心部分［17］.其基本計算公式為：

式(2)中：L為傳感器處單個像元的總輻射，ρ為像元地表反射率，ρe為該像元和其周邊區(qū)域的平均地表反射率，Sf為大氣向下的反照率，La為大氣程輻射，A、B是基于大氣透過率和幾何條件的系數(shù).

1.3.3 ATCOR2(A spatially adaptive fast atmosphere correction-2)模型 ATCOR2是一種針對太陽光譜和熱光譜范圍的快速大氣糾正模型，對于大氣均勻分布的霧霾和其他氣體都具有獨特的效果.大氣狀況通過一個查證表來描述.其算法可分為3步，①忽略鄰近效應(yīng)計算地表反射率;②計算每個像元鄰近范圍內(nèi)的平均反射率，鄰近效應(yīng)的去除由一個N×N的低通濾波器來實現(xiàn)，N值大小取決于大氣參數(shù)、光譜波段等;③在計算背景反射率(ρr)為0.15時，包含球形反射率對全球通量(碳通量，熱通量等)的影響，模型的最后一步通過平均反射率與ρr的差值對其進行了校正［18］.其第①和②步的計算公式為：

式(3)中：ρ(1)為地表反射率;d為日地距離;c0為傳感器輻射響應(yīng)度;c1為傳感器偏移值;Lα為大氣程輻射;DN為影像灰度值;τv為地表到傳感器的總透過率;Eg為地面輻照度.式(4)中為像元鄰近范圍平均反射率;N為低通濾波器大小;為像元(i，j)的地表反射率;n為影像像元總數(shù).

1.4 基于統(tǒng)計模型的LAI遙感反演

基于統(tǒng)計模型的LAI遙感反演法具有參數(shù)少、計算效率高、容易實現(xiàn)等優(yōu)點，常被用于提取中小區(qū)域尺度的LAI，而植被指數(shù)與LAI之間的密切關(guān)系則是這一方法的理論基礎(chǔ)［19］.植被指數(shù)種類較多，本文在參考前人工作的基礎(chǔ)上［3，15，19］，考慮土壤、大氣背景對LAI反演的影響，選取比值植被指數(shù)(RVI)、歸一化植被指數(shù)(NDVI)、增強型植被指數(shù)(EVI)和修正土壤調(diào)節(jié)植被指數(shù)(MSAVI)與實測LAI建立統(tǒng)計回歸模型.4類植被指數(shù)提取公式如下［15］：

公式(5)～(8)中，ρnir、ρred和ρblue分別為大氣校正后的近紅外、紅光和藍光地表反射率.

2 結(jié)果與分析

2.1 不同林分類型的LAI統(tǒng)計特征分析

LAI定量描述了植物群體空間水平上葉子生長狀況(數(shù)量、密度等)的變化，不同闊葉林類型的LAI有一定差異.由圖1可以看出，毛竹林的LAI平均值最大，其方差亦高于麻櫟林和闊葉混交林.毛竹生長快，成材早，是典型的速生樹種，林分易形成水平和垂直郁閉，LAI均值偏大，研究區(qū)內(nèi)的毛竹均為人工林，間伐撫育等人為干擾作用強烈，LAI波動較強，因而其方差亦較大.闊葉混交林多為天然林，麻櫟林主要分布在山頂，二者受外界干擾作用較少，LAI梯度變化不明顯.其他林分數(shù)據(jù)組包含的樹種多，LAI梯度變化明顯，方差大，且樹種多為高大喬木，如黃果樸、香樟等，復(fù)層枝葉比重大，葉片總量多，LAI平均值亦大.

圖1 不同林分類型的LAI平均值和方差Fig.1 Mean value and variance of vegetation indices by forest types

2.2 LAI-VI統(tǒng)計回歸模型的建立與相關(guān)性分析

LAI與VI之間的相關(guān)性分析是確定能否應(yīng)用遙感技術(shù)進行大區(qū)域葉面積指數(shù)反演的前提.本文選取與OLI影像成像日期較為接近的8月下旬實測的34個樣本點作為LAI-VI建模數(shù)據(jù)組，以9月初實測的14個樣本點作為模型驗證數(shù)據(jù)組，并分別與LAI進行Pearson相關(guān)性分析(表1).顯然，2種統(tǒng)計方式下的6S與FLAASH模型的LAI-VI相關(guān)性遠高于ATCOR2模型.ATCOR2是二維的大氣校正模型，計算簡單，通常要求大氣均勻分布，在去除大氣影響時，做了較多的影像增強處理，導(dǎo)致影像的真實性減弱，只適合在小尺度局部區(qū)域應(yīng)用.混合像元和鄰近像元等因素會嚴重影響其校正精度，其算法中的一般近鄰效應(yīng)的有效范圍約500～1 000 m，但若相鄰區(qū)反射率有很大差異時，近鄰效應(yīng)的影響范圍可擴大至2 000 m以上［20］.2種統(tǒng)計方式下的FLAASH模型和6S模型的LAI-VI相關(guān)性普遍通過0.05置信水平檢驗.建模數(shù)據(jù)組中，LAI-RVI相關(guān)性最低，LAIEVI與LAI-MSAVI的相關(guān)性均通過0.01置信水平檢驗，達到了極顯著水平，都可作為建模首選植被指數(shù).LAI-NDVI相關(guān)性高于LAI-RVI，但尚未達到極顯著水平.同時注意到，雖然FLAASH模型的LAI-VI相關(guān)性略優(yōu)于6S模型，但已非常接近，因而仍需對這2種大氣校正模型下的LAI反演結(jié)果進行進一步的精度驗證.鑒于上述，本文僅對FLAASH模型與6S模型下的LAI-EVI/LAI-MSAVI進行建模與驗證.

表1 3種模型在2種統(tǒng)計方式下所得Pearson相關(guān)系數(shù)比較1)Tab.1 Pearson correlation coefficients comparison using two statistical methods under three models

2.3 LAI-VI統(tǒng)計回歸模型的建立及精度驗證

表2 2種大氣校正模型下的葉面積估算模型Tab.2 LAI estimation model under two atmospheric correction models

2.3.1 LAI-VI統(tǒng)計回歸模型的建立 利用建模數(shù)據(jù)組數(shù)據(jù)建立基于像元尺度的LAI-VI回歸模型，如：線性回歸模型、指數(shù)模型、二次多項式模型等，找出最合理的回歸模型，回歸模型見表2.2種大氣校正模型下，LAI-VI回歸方程的顯著性水平(P)均小于0.05，即具有統(tǒng)計學(xué)意義，回歸方程均是成立的.

由表2可知：①從植被指數(shù)角度看，2種大氣校正模型下的LAI-MSAVI回歸模型的擬合優(yōu)度R2值總體高于LAI-EVI.研究區(qū)植被分布不均，種類繁多，在OLI影像30 m的分辨率下，必然產(chǎn)生大量植被-土壤混合像元.MSAVI是土壤調(diào)節(jié)植被指數(shù)(SAVI)的改進型，建立了簡單的植被-土壤系統(tǒng)模型，相比SAVI而言，更加充分地考慮了土壤因素的變動.②從大氣校正模型角度看，F(xiàn)LAASH模型下的LAI-VI的R2值整體高于6S模型.FLAASH模型通過計算影像上的黑暗像元來反演氣溶膠厚度，6S模型則是對各像元逐一求算，范文義等［7］認為對于ETM+傳感器而言，F(xiàn)LAASH模型在還原植被真實波普信息時有所欠缺，但6S模型對于OLI影像光譜范圍內(nèi)的濾光函數(shù)難以界定，采用光譜上下限近似求解，在很大程度上影響了6S模型對OLI影像的校正精度.注意到，2種模型下，擬合優(yōu)度最高的均是LAI-MSAVI冪函數(shù)方程(6S模型R2=0.432，F(xiàn)LAASH模型R2= 0.465).6S模型與FLAASH模型都遵循輻射傳輸機理，輻射傳輸方程定量考慮了地形、地球曲率、大氣密度、氣壓等對光輻射的影響，模型參變量具有部分共性，且研究區(qū)大氣模式相對固定，因而2種模型下LAI-VI總體呈相似趨勢.

2.3.2 精度驗證 鑒于回歸模型的擬合優(yōu)度R2值為參與建模數(shù)據(jù)內(nèi)部的擬合優(yōu)度檢驗值，為了能夠更客觀地評價各模型下的LAI反演精度，本文利用未參與建模的驗證數(shù)據(jù)組帶入2種大氣校正模型下最理想的LAI-MSAVI冪函數(shù)模型，并計算LAI實測值和預(yù)測值的均方根誤差(RMSE)及線性相關(guān)性大小(R2)，以內(nèi)外結(jié)合的方式來交叉檢驗反演精度.RMSE計算公式如式(9)所示，其值大小僅表示預(yù)測值接近真實值的程度，值愈小則表示預(yù)測效果愈好.

式中：Yi為LAI實測值;為LAI模擬值，n為驗證數(shù)據(jù)組樣本自由度.

由表3可知，2種大氣模型下的LAI實測值與LAI預(yù)測值的線性相關(guān)性R2值均較高，RMSE相近，說明二者皆可用于LAI反演.FLAASH模型下的R2值大于6S模型，RMSE小于6S模型，基于OLI影像的 FLAASH模型反演 LAI精度略高于 FLAASH模型.

表3 不同大氣校正模型下的RMSE和R2值比較Tab.3 Comparison of RMSE and R2under two atmospheric correction models

3 討論與結(jié)論

本文利用LAI與植被指數(shù)之間的相關(guān)關(guān)系，分析比較了基于輻射傳輸機理的3種大氣校正模型(6S、FLAASH和ATCOR2)對闊葉林LAI反演精度的影響.ATCOR2模型對大氣狀況具有理想化的假設(shè)，要求大氣均勻分布，校正運算時，對影像進行多次的增強和拉伸，校正后的影像存在較嚴重的輻射失真現(xiàn)象，導(dǎo)致LAI與植被指數(shù)的相關(guān)性過低，難以用于LAI遙感定量估算.王建等［20］詳細解析了ATCOR2模型算法，認為其著重于改善影像目視質(zhì)量，適合在小尺度局部區(qū)域的遙感影像中應(yīng)用，而在較為精確的定量遙感應(yīng)用中，則需考慮應(yīng)用數(shù)字地形模型(Digital terrain model，DEM)對圖像進行預(yù)處理，以消除地形對地表反射特性的影響，這與本文的分析結(jié)果是一致的.FLAASH模型與6S模型下，除RVI外，LAI-VI回歸模型相關(guān)性整體良好.雖然6S模型較FLAASH模型而言，在計算氣溶膠效應(yīng)時更為準確，但對于OLI影像的光譜濾光函數(shù)沒有精確的界定，校正后的影像植被指數(shù)與 LAI相關(guān)性不如FLAASH模型.

本研究區(qū)域?qū)俪青l(xiāng)結(jié)合地區(qū)，建設(shè)用地和耕地居多，林地覆蓋度不高，地表紅光反射作用較強，RVI對LAI的敏感性降低.MSAVI綜合考慮了植被-大氣和土壤-大氣的交互作用，因而2種大氣校正模型下的LAI-MSAVI冪函數(shù)擬合優(yōu)度最佳，適于研究區(qū)的LAI反演.

經(jīng)過對FLAASH模型和6S模型的LAI-MSAVI冪函數(shù)模型的反演結(jié)果的RMSE和線性相關(guān)性的比較，F(xiàn)LAASH模型更適于大面積的LAI遙感估算.由于研究區(qū)域地形不復(fù)雜，因此在運用FLAASH模型與6S模型時，本文視地表為均一的朗伯面，未考慮地表雙向反射效應(yīng)，這在某種程度上影響了LAI遙感估算精度.今后工作中，應(yīng)運用地表雙向反射效應(yīng)對大氣校正結(jié)果進行訂正，從而提高LAI的估算精度.

［1］ 李開麗，蔣建軍，茅榮正，等.植被葉面積指數(shù)遙感監(jiān)測模型［J］.生態(tài)學(xué)報，2005，25(6)：1491-1496.

［2］ 邵璞，曾曉東.CLM3.0-DGVM中植物葉面積指數(shù)與氣候因子的時空關(guān)系［J］.生態(tài)學(xué)報，2011，31(16)：4725-4731.

［3］ 林文鵬，趙敏，張翼飛，等.基于SPOT 5遙感影像的城市森林葉面積指數(shù)反演［J］.測繪科學(xué)，2008，33(2)：57-59.

［4］ CHEN J M，PAVLIC G，BROWN L，et al.Derivation and validation of Canada wide coarse resolution leaf area index maps using high-resolution satellite imagery and ground measurements［J］.Remote Sens Environ，2001 (80)：11-20.

［5］ 陳新芳，陳鏡明，安樹青，等.不同大氣校正方法對森林葉面積指數(shù)遙感估算影響的比較［J］.生態(tài)學(xué)雜志，2006，25(7)：769-773.

［6］ 王釗.6S輻射模型算法解析及在MODIS大氣校正中的應(yīng)用［J］.陜西氣象，2006(5)：34-37.

［7］ 范文義，孫曉芳，王巖，等.基于兩種輻射傳輸模型的遙感數(shù)據(jù)大氣校正及結(jié)果對比分析［J］.東北林業(yè)大學(xué)學(xué)報，2009，34(7)：121-124.

［8］ 宋巍巍，管東生.五種TM影像大氣校正模型在植被遙感中的應(yīng)用［J］.應(yīng)用生態(tài)學(xué)報，2008，19(4)：769-774.

［9］ 鄭偉，曾志遠.遙感圖像大氣校正的黑暗像元法［J］.國土資源遙感，2005(1)：8-11.

［10］CHEN Jun，QUAN Wenting，ZHANG Minwei，et al.A simple atmospheric correction algorithm for modis in shallow turbid waters：A case study in Taihu Lake［J］.Sel Top Appl Earth Observ Remote Sens，2013，6(4)：1825-1833.

［11］REMMEL T K，MITCHELL S W.The importance of accurate visibility parameterization during atmospheric correction：impact on boreal forest classification［J］.Int J Remote Sens，2013，34(14)：5213-5227.

［12］張婷媛，林文鵬，陳家治，等.基于FLAASH和6S模型的Spot 5大氣校正比較研究［J］.光電子·激光，2009，20(11)：1471-1473.

［13］ 楊杭，張霞，帥通，等.OMIS-Ⅱ圖像大氣校正之FLAASH法與經(jīng)驗線性法的比較［J］.測繪通報，2010 (8)：4-6.

［14］買買提依明·買買提，塔西甫拉提·特依拜，買買提沙吾提，等.基于6S模型的遙感數(shù)據(jù)大氣校正應(yīng)用研究［J］.水土保持研究，2011，18(3)：15-18.

［15］林杰.基于植被結(jié)構(gòu)特征的土壤侵蝕遙感定量反演［D］.南京：南京林業(yè)大學(xué)，2011.

［16］趙國祥，苗放.高光譜影像FLAASH大氣校正模型參數(shù)影響與評價——以西藏山南為例［J］.科技資訊，2012 (34)：6-7.

［17］郭云開，曾繁.基于FLAASH與QUAC模型的SPOT 5影像大氣校正比較［J］.測繪通報，2012(11)：21-23，41.

［18］程亮，馬友華，黃艷艷，等.ENVI FLAASH和ERDAS ATCOR2的大氣校正對比研究［J］.農(nóng)業(yè)網(wǎng)絡(luò)信息，2011(12)：17-20.

［19］朱高龍，居為民，范文義，等.帽兒山地區(qū)森林冠層葉面積指數(shù)的地面觀測與遙感反演［J］.應(yīng)用生態(tài)學(xué)報，2010，21(8)：2117-2124.

［20］王建，潘竟虎，王麗紅.基于遙感衛(wèi)星圖像的ATCOR2快速大氣糾正模型及應(yīng)用［J］.遙感技術(shù)與應(yīng)用，2002，17(4)：193-197.

【責任編輯 李曉卉】

Effects of atmospheric correction on remote sensing estimation of LAI of broadleaved forest

GU Zheyan，ZHANG Jinchi，LIN Jie，HAN Cheng，LIU Xin
(College of Forest and Environment，Nanjing Forestry University，Nanjing 210037，China)

【Objective】This study aimed to provide a scientific basis for selecting the atmospheric correction model prior to the quantitative extraction of leaf area index of broadleaved forest at a regional scale using remote sensing.【Method】6S model，F(xiàn)LAASH model，and ATCOR2 model were used respectively on Landsat 8 OLI image for the atmospheric correction to analyze the correlation of these three kinds of leaf area index(LAI)of broadleaved forest and a variety of vegetation index(VI)，establishing the linear and nonlinear regression model of LAI-VI.The root mean square error and correlation of validation data set of LAI predicted value(Y)and the LAI measured values(X)were calculated.【Result and conclusion】The ATCOR2 model was not suitable for building broadleaved forest LAI-VI regression model;in addition to the RVI，for FLAASH model and 6S model，LAI of broadleaved forest had a good correlation with EVI，MSAVI.Among them the power function model of LAI-MSAVI with FLAASH model yield the best goodness of fit.LAI estimation precision of FLAASH model was superior to the 6S model for broadleaved forest.With the aid of remote sensing technology to quantitatively extract vegetation physiological parameters，suitable atmospheric correction model should be selected prudently.

remote sensing;leaf area index;atmospheric correction

S718.5

A

1001-411X(2014)03-0100-05

2013-01-12 優(yōu)先出版時間：2014-03-31

優(yōu)先出版網(wǎng)址：http:∥www.cnki.net/kcms/doi/10.7671/j.issn.1001-411X.2014.03.018.html

顧哲衍(1990—)，男，碩士研究生，E-mail:ah_gzy@163.com;通信作者:張金池(1965—)，男，教授，博士，E-mail: nj_zjc@163.com

國家自然科學(xué)基金(31200534);長三角水源區(qū)面源污染林業(yè)生態(tài)修復(fù)技術(shù)研究(201104055-1);江蘇省2009年度研究生科研創(chuàng)新計劃項目;南京林業(yè)大學(xué)高學(xué)歷人才基金項目;江蘇省高等學(xué)校林學(xué)優(yōu)勢學(xué)科建設(shè)項目(164010641)

顧哲衍，張金池，林 杰，等.大氣校正模型對闊葉林葉面積指數(shù)遙感估算的影響［J］.華南農(nóng)業(yè)大學(xué)學(xué)報，2014，35(3)：100-104.