楊樹(shù)林全生長(zhǎng)期LAI遙感估算模型適用性

王　龑, 田慶久, 王　琦, 王　磊

1 浙江省水利水電勘測(cè)設(shè)計(jì)院，杭州　310002 2 南京大學(xué)國(guó)際地球系統(tǒng)科學(xué)研究所，南京　210023 3 中機(jī)十院國(guó)際工程有限公司，洛陽(yáng)　471003

?

楊樹(shù)林全生長(zhǎng)期LAI遙感估算模型適用性

王龑1,2, 田慶久2,*, 王琦3, 王磊2

1 浙江省水利水電勘測(cè)設(shè)計(jì)院，杭州310002 2 南京大學(xué)國(guó)際地球系統(tǒng)科學(xué)研究所，南京210023 3 中機(jī)十院國(guó)際工程有限公司，洛陽(yáng)471003

摘要:基于時(shí)間序列的植被葉面積指數(shù)(LAI)估算方法一直是遙感領(lǐng)域研究的熱點(diǎn)，對(duì)植被全生長(zhǎng)期LAI進(jìn)行估算以跟蹤其生長(zhǎng)情況具有重要的實(shí)用意義。以此為出發(fā)點(diǎn)，以滁州地區(qū)楊樹(shù)林為研究對(duì)象，獲取多時(shí)相環(huán)境衛(wèi)星CCD(簡(jiǎn)稱(chēng)HJ-CDD)遙感影像，并利用LAI-2000同步測(cè)量楊樹(shù)林葉面積指數(shù)(LAI)。使用歸一化植被指數(shù)(NDVI)分別建立展葉期、花果期、葉面積穩(wěn)定期和落葉始期的LAI估算模型，通過(guò)對(duì)比分析得到了全生長(zhǎng)期LAI估算模型，并利用實(shí)測(cè)LAI對(duì)估算LAI進(jìn)行了驗(yàn)證。最后進(jìn)一步對(duì)該模型的適用性進(jìn)行了驗(yàn)證，結(jié)果表明，此模型對(duì)于各個(gè)時(shí)期LAI的估算具有一定的適用性和有效性，可用于全生育期的遙感LAI生成，從而為L(zhǎng)AI的動(dòng)態(tài)變化監(jiān)測(cè)提供了一種有效的研究思路和方法途徑。

關(guān)鍵詞：楊樹(shù)林；遙感；HJ-CCD；LAI；NDVI

植被LAI是研究植被冠層結(jié)構(gòu)的一個(gè)重要參數(shù)，它表征著植被的許多生物物理過(guò)程，同時(shí)也為植冠表面最初能量交換提供結(jié)構(gòu)化定量信息。傳統(tǒng)LAI測(cè)量方法僅能獲得地面有限點(diǎn)的LAI值，不能滿(mǎn)足植被生態(tài)和作物長(zhǎng)勢(shì)監(jiān)測(cè)的需求。隨著遙感技術(shù)的飛速發(fā)展，遙感估算成為行之有效地獲取區(qū)域LAI的方法[1]。國(guó)內(nèi)外已利用多光譜與高光譜遙感數(shù)據(jù)開(kāi)展了大量研究[2- 9]利用多時(shí)相、多波段的遙感影像估算LAI信息，可以進(jìn)一步分析LAI隨時(shí)間和空間變化特征，對(duì)陸地植被的分布及季節(jié)變化研究提供強(qiáng)有力的手段。

目前常用的LAI遙感估算方法主要是經(jīng)驗(yàn)估算法，經(jīng)驗(yàn)估算法主要通過(guò)建立植被指數(shù)與葉面積指數(shù)的統(tǒng)計(jì)關(guān)系來(lái)估算葉面積指數(shù)，歸一化差值植被指數(shù)(NDVI)為最普遍使用的一種植被指數(shù)。但是這種方法估算林地LAI的缺陷是：1)葉面積穩(wěn)定期LAI達(dá)到一定值，使NDVI出現(xiàn)飽和，造成LAI-NDVI估算模型幾乎表現(xiàn)不出LAI隨NDVI變化的趨勢(shì)。2)落葉期由于落葉及林窗，造成林下灌草混合的影響變大，使NDVI不能真實(shí)反映單一研究對(duì)象的信息，從而導(dǎo)致LAI-NDVI模型不能準(zhǔn)確估算LAI。這兩大問(wèn)題一直是LAI遙感估算領(lǐng)域研究的熱點(diǎn)和難點(diǎn)，目前國(guó)內(nèi)外研究甚少[10- 13]，并且這些研究?jī)H做了分析，而沒(méi)有提出明確的解決方法。

鑒于此問(wèn)題，以楊樹(shù)林為研究對(duì)象，獲取多時(shí)相HJ-CCD 數(shù)據(jù)和實(shí)測(cè)LAI數(shù)據(jù)，構(gòu)建了各個(gè)生長(zhǎng)期和整個(gè)時(shí)期的LAI估算模型并對(duì)模型進(jìn)行了對(duì)比分析，得到了可用于葉面積穩(wěn)定期和落葉始期LAI估算的模型——全生長(zhǎng)期LAI估算模型，并進(jìn)行了精度驗(yàn)證。最后通過(guò)對(duì)該模型的適用性進(jìn)行驗(yàn)證，進(jìn)一步說(shuō)明了此模型可用于時(shí)間序列的LAI估算，進(jìn)而進(jìn)行LAI季節(jié)變化特征分析。

1研究區(qū)概況

研究區(qū)位于安徽省滁州市境內(nèi)，滁州市位于安徽省東部，長(zhǎng)江三角洲西部邊緣。地貌大致可分為丘陵區(qū)、崗地區(qū)和平原區(qū)三大類(lèi)型，全市森林總面積達(dá)27.33萬(wàn)hm2，森林覆蓋率達(dá)到20.5%，人工林占95%以上，群落類(lèi)型有闊葉林，針葉林，針闊混交林。楊樹(shù)已成為滁州市的主要造林樹(shù)種之一，其中黑楊類(lèi)占的比例達(dá)80%以上，在樹(shù)種結(jié)構(gòu)中占有絕對(duì)優(yōu)勢(shì)。

2數(shù)據(jù)獲取與處理

2.1地面數(shù)據(jù)獲取

2012年5月至2013年6月，在安徽滁州地區(qū)共開(kāi)展了4次野外楊樹(shù)林測(cè)量實(shí)驗(yàn)，樣地和控制點(diǎn)分布如圖1。使用LAI-2000測(cè)量楊樹(shù)LAI,測(cè)量中采取 A 值(天空光)、B 值(冠層下方) 分開(kāi)測(cè)量，即在空曠地方測(cè)量 A 值，進(jìn)入林分后測(cè)量 B 值。

圖1　研究區(qū)控制點(diǎn)和主要植被樣地分布示意Fig.1　The distribution diagram of GPS control points and main vegetation sample plots for study area

研究一共選定了70個(gè)固定楊樹(shù)樣地，210個(gè)樣點(diǎn)，每次都在相同樣地的相同測(cè)點(diǎn)進(jìn)行相同觀測(cè)方式重復(fù)觀測(cè)。為了減小地形及地表不均質(zhì)對(duì)觀測(cè)結(jié)果的影響，樣區(qū)設(shè)置在地勢(shì)相對(duì)平坦、優(yōu)勢(shì)樹(shù)種較單一、楊樹(shù)林空間分布面積大于90m×90m的位置。為了提高觀測(cè)精度，探頭佩帶90°張角的鏡頭蓋，每個(gè)樣區(qū)布置3—5個(gè)樣地，每個(gè)樣地大約30m×30m，每個(gè)樣地內(nèi)沿對(duì)角線隨機(jī)選取3個(gè)樣點(diǎn)，每個(gè)樣點(diǎn)測(cè)3次B值，取測(cè)量時(shí)間最接近的A、B值估算各樣點(diǎn)LAI，求3個(gè)樣點(diǎn)的平均值作為該樣地的LAI?？紤]到天頂角最大的A值第5圈數(shù)據(jù)可能存在地物遮擋影響，以及相對(duì)嚴(yán)重的藍(lán)光多次散射影響，本研究?jī)H用LAI2000的1—4圈數(shù)據(jù)計(jì)算LAI[14]，結(jié)果如表1。用手持GPS(Mobile Mapper 6)記錄各個(gè)樣地的中心經(jīng)緯度，同時(shí)詳細(xì)記錄各個(gè)對(duì)應(yīng)樣點(diǎn)的楊樹(shù)長(zhǎng)勢(shì)狀況及周?chē)脖桓采w情況，并用數(shù)碼相機(jī)拍照作為輔助信息。

表1　各觀測(cè)時(shí)期楊樹(shù)林LAI實(shí)測(cè)值的統(tǒng)計(jì)

2.2HJ-CCD遙感數(shù)據(jù)獲取及處理

獲取與地面觀測(cè)時(shí)間相近的4景滁州地區(qū)HJ-CCD影像數(shù)據(jù)，分別為2012年5月4日、2012年9月16日、2013年4月14日和2013年6月3日。首先對(duì)這4景影像進(jìn)行輻射定標(biāo)、大氣校正，得到反射率圖像，然后利用實(shí)地測(cè)量的控制點(diǎn)分別對(duì)其進(jìn)行幾何精校正，誤差控制在0.5個(gè)象元以?xún)?nèi)。

3楊樹(shù)林LAI估算模型構(gòu)建

3.1各時(shí)期LAI估算模型構(gòu)建

NDVI在植被遙感中應(yīng)用最為廣泛，是植被生長(zhǎng)狀態(tài)及植被覆蓋的最佳指示因子，并且經(jīng)過(guò)比值可部分消除與太陽(yáng)角、地形、云/陰影和大氣條件有關(guān)的輻照度條件的變化[15]。因此，研究選擇了歸一化植被指數(shù)(NDVI)開(kāi)展研究。

在模型的形式上，考察了NDVI的線性、指數(shù)、對(duì)數(shù)3種形式。首先用4個(gè)時(shí)相HJ-CCD影像計(jì)算出NDVI，使用GPS點(diǎn)提取對(duì)應(yīng)樣點(diǎn)NDVI值，分別建立各時(shí)期地面LAI和NDVI的模型，如圖2所示，4月份、5月份、6月份和9月份3種形式的估算模型，相關(guān)系(R2)如表2所示。

3.2楊樹(shù)林全生長(zhǎng)期LAI估算模型構(gòu)建

使用以上所有時(shí)期共112個(gè)樣本的實(shí)測(cè)LAI與對(duì)應(yīng)影像象元的NDVI建立線性、指數(shù)、對(duì)數(shù)3種形式的模型，如圖3所示。

由表2可以看出，單個(gè)時(shí)期的LAI估算模型相關(guān)性在4月份和5月份比較高，而在6月份和9月份比較低。整個(gè)觀測(cè)時(shí)期的LAI-NDVI模型相關(guān)性雖然比4月份和5月份低，但是相比于6月份和9月份，模型有了很大改善。其中LAI與NDVI的指數(shù)模型(1)的相關(guān)性最高(圖3)。由于對(duì)于一般的林地，密度和林窗等大小不均勻，且較小LAI的林地易受林下背景植被的影響，因此模型的復(fù)相關(guān)系數(shù)(R2)很難達(dá)到較高值。為了驗(yàn)證模型的可靠性，使用未參加建模的55個(gè)樣點(diǎn)的地面LAI測(cè)量數(shù)據(jù)對(duì)(1)式的LAI估算模型進(jìn)行了驗(yàn)證(圖4)。經(jīng)驗(yàn)證，實(shí)測(cè)值與估算值的相關(guān)系數(shù)R2=0.531，均方根誤差RMSE=0.38，可見(jiàn)該模型精度較高。因此，(1)式能夠可靠的反映統(tǒng)計(jì)關(guān)系:

LAI=0.481e2.889×NDVI(R2=0.5073)

(1)

定義此模型為全生長(zhǎng)期LAI估算模型。

圖2　各時(shí)期LAI-NDVI估算模型Fig.2　The estimation model of LAI (Leaf Area Index) for each period

圖3　全生長(zhǎng)期LAI估算模型　Fig.3　The LAI estimation model of aspen forest during the whole growth period

圖4　LAI估算值與實(shí)測(cè)值的比較　Fig.4　The relationship between estimated LAI and measured LAI

觀測(cè)時(shí)間Measurementtime對(duì)應(yīng)生長(zhǎng)期Growthperiod線性R2Linear指數(shù)R2Exponent對(duì)數(shù)R2Logarithm2012-05-07花果期0.60480.58740.59522012-09-22落葉始期0.23750.2290.2342013-04-19展葉期0.66150.71580.65752013-06-08葉面積穩(wěn)定期0.11510.1350.11892012-05-07—2013-06-08以上所有時(shí)期0.47720.50730.4866

4結(jié)果分析與驗(yàn)證

4.1結(jié)果分析

上述研究表明，4月份(展葉期)和5月份(花果期)的模型相關(guān)性高于全生長(zhǎng)期模型，而6月份(葉面積穩(wěn)定期)和9月份(落葉始期)則低于全生長(zhǎng)期模型。這是由于：

(1) 4月份楊樹(shù)林處于展葉期，5月份處于花果期，這兩個(gè)時(shí)期是楊樹(shù)林生長(zhǎng)最旺盛的時(shí)期，LAI隨時(shí)間增大的速度比較快，NDVI變化比較靈敏，并且林下灌草影響比較小。尤其是4月份，此時(shí)楊樹(shù)處于展葉期，而林下灌草則剛剛開(kāi)始發(fā)芽，其覆蓋度很小，幾乎可以忽略不計(jì)，LAI-NDVI模型反映的是單一楊樹(shù)林對(duì)象真實(shí)的生長(zhǎng)特點(diǎn)。對(duì)于5月份，雖然楊樹(shù)林生長(zhǎng)也比較快，NDVI隨LAI變化也比較明顯，但是，由于此時(shí)林下灌草已經(jīng)逐漸開(kāi)始生長(zhǎng)，葉子開(kāi)始展開(kāi)，因此對(duì)于楊樹(shù)林，尤其是對(duì)較稀疏的楊樹(shù)林的影響變大。因?yàn)榱窒鹿嗖菖c楊樹(shù)林混合后在影像上表現(xiàn)為兩者的混合信息，NDVI不能真實(shí)的反映楊樹(shù)林像元信息，所以造成此時(shí)期LAI-NDVI模型相關(guān)性較4月份低。而全生長(zhǎng)期模型的樣本量較大，個(gè)別樣本尤其是處于葉面積穩(wěn)定期和落葉始期的樣本的影響，這兩個(gè)時(shí)期的樣本幾乎占到了整個(gè)時(shí)期樣本的50%，因此這些樣本帶來(lái)的誤差對(duì)整個(gè)時(shí)期樣本的分布趨勢(shì)影響較大，所以全生長(zhǎng)期模型相關(guān)性低于4月份和5月份。

圖5　多個(gè)時(shí)期的NDVI與LAI散點(diǎn)圖Fig.5　Scatter of multitemporal NDVI and LAI for simple points

(2)6月份，楊樹(shù)林處于生長(zhǎng)高峰期，葉子已經(jīng)封頂，林下灌草幾乎對(duì)其無(wú)影響。但是，此時(shí)LAI值基本達(dá)到3.0左右，使NDVI出現(xiàn)一定程度的飽和，且個(gè)別LAI值較小的樣點(diǎn)主要是受林窗的影響，這些原因?qū)е略摃r(shí)期模型幾乎表現(xiàn)不出LAI隨NDVI的變化趨勢(shì)。9月份，楊樹(shù)林處于落葉始期，部分葉子已落，葉子已變稀疏，然而林下灌草卻依然生長(zhǎng)旺盛，尤其對(duì)于密度較小和葉片較稀疏的樣點(diǎn)，受灌草和林窗的影響較大。由于不同植被類(lèi)型的LAI隨NDVI變化的趨勢(shì)有較大差異，因此，位于林窗較大處的樣點(diǎn)受灌草的影響較大，使得LAI-NDVI模型相關(guān)性大大降低。并且單個(gè)時(shí)期的樣本數(shù)量偏小，單個(gè)數(shù)據(jù)的測(cè)量誤差對(duì)數(shù)據(jù)的整體分布趨勢(shì)影響較大，而全生長(zhǎng)期模型用整個(gè)時(shí)期的LAI數(shù)據(jù)進(jìn)行統(tǒng)計(jì)時(shí)，樣本量較大，樣本中各時(shí)期的單點(diǎn)測(cè)量誤差對(duì)數(shù)據(jù)整體分布趨勢(shì)影響較小，因此全生長(zhǎng)期模型相關(guān)性比6月份和9月份估算模型好。

(3)另外，數(shù)據(jù)樣本代表性較差，造成單時(shí)期LAI比較集中，而整個(gè)時(shí)期的LAI分布與單時(shí)期的LAI分布相比，相對(duì)均勻，且分散在LAI-NDVI二維空間的不同位置，能夠表現(xiàn)出LAI隨NDVI的變化趨勢(shì)，因此全生長(zhǎng)期模型相關(guān)性較6月份和9月份的模型好。如圖5所示，4月份65%以上的LAI測(cè)量數(shù)據(jù)集中在1.0—2.0之間，而NDVI分布在0.43—0.54之間；5月份70%的LAI測(cè)量數(shù)據(jù)集中在2—3.5之間，NDVI在0.55—0.72之間；6月份62.5%的LAI集中在2.90—3.50，NDVI在0.63—0.72之間；9月份73%以上的LAI集中在2.5—4.0，NDVI在0.50—0.66；而整個(gè)時(shí)期的LAI變化范圍由1.3到4.3，NDVI由0.43變化到0.72，擴(kuò)大了LAI的變化范圍，而且不同時(shí)期的數(shù)據(jù)在NDVI-LAI二維空間的位置不同，4月份LAI數(shù)據(jù)分布在LAI-NDVI的低值區(qū)域，6月份和9月份LAI數(shù)據(jù)分布在相對(duì)高值區(qū)域，5月份分布在相對(duì)中間位置，因此全生長(zhǎng)期模型的數(shù)據(jù)能夠表現(xiàn)出LAI隨NDVI的變化趨勢(shì)。

通過(guò)上述結(jié)果分析可知，全生長(zhǎng)期模型相關(guān)性較好，而6月份和9月份的LAI-NDVI模型相關(guān)性較差。而6月份主要是因?yàn)長(zhǎng)AI基本達(dá)到穩(wěn)定，使得NDVI比較集中，所以不能表現(xiàn)出LAI隨NDVI的變化趨勢(shì)；9月份則由于林下灌草及林窗的影響，導(dǎo)致其N(xiāo)DVI不能反映楊樹(shù)林的真實(shí)信息，因此LAI和NDVI的相關(guān)性較差。這兩種情況一直是遙感反演領(lǐng)域的研究熱點(diǎn)，也是至今尚未解決的難點(diǎn)。本論文以此為出發(fā)點(diǎn)，通過(guò)對(duì)各時(shí)期估算模型和全生長(zhǎng)期估算模型的研究，以及具體的對(duì)比分析，找到了一種全生長(zhǎng)期LAI估算模型，可用來(lái)估算葉面積穩(wěn)定期和落葉始期的LAI。

4.2楊樹(shù)林全生長(zhǎng)期LAI估算模型適用性驗(yàn)證

圖6　模型估算LAI值和實(shí)測(cè)LAI值隨時(shí)間變化趨勢(shì)圖　Fig.6　The variation trend of LAI estimated and measured LAI with time

為了進(jìn)一步驗(yàn)證此模型的適用性，選擇一個(gè)大樣方，布設(shè)了8個(gè)樣地，分別于2012年5月7日(花果期)、2012年9月22日(落葉始期)、2013年4月19日(展葉期)、2013年6月8日(葉面積穩(wěn)定期)進(jìn)行連續(xù)觀測(cè)，計(jì)算每個(gè)時(shí)期8個(gè)樣地的平均值作為此時(shí)期的實(shí)測(cè)LAI值，得到LAI觀測(cè)值隨時(shí)間變化特征，如圖6所示。另外，分別用這4個(gè)時(shí)期對(duì)應(yīng)的LAI-NDVI線性模型(圖2)估算8個(gè)樣地的LAI取平均作為此生長(zhǎng)期的LAI，同時(shí)從全生長(zhǎng)期模型估算的四景LAI影像(圖6)中取出這8個(gè)樣地的LAI估算值并取平均，得到各個(gè)生長(zhǎng)期估算模型的LAI估算值和全生長(zhǎng)期估算模型的LAI估算值隨時(shí)間變化特征，如圖6所示。

從圖6中可以看出，從整個(gè)生長(zhǎng)期LAI的變化趨勢(shì)看，用全生長(zhǎng)期模型估算的LAI的季節(jié)變化趨勢(shì)比用各個(gè)生長(zhǎng)期單個(gè)模型估算的LAI的季節(jié)變化趨勢(shì)更為接近實(shí)測(cè)LAI的季節(jié)變化趨勢(shì)，即4月份至6月份處于上升趨勢(shì)，6月份達(dá)到頂峰，6月份至9月份處于下降趨勢(shì)，這與研究區(qū)楊樹(shù)林的生長(zhǎng)規(guī)律相符合，這進(jìn)一步證明了全生長(zhǎng)期模型用于各個(gè)時(shí)期LAI估算的適用性。雖然在4月份和5月份，用各個(gè)生長(zhǎng)期單個(gè)LAI估算模型估算的LAI值比全生長(zhǎng)期模型稍接近實(shí)測(cè)LAI值，但是這兩種模型估算的LAI與實(shí)測(cè)LAI的差值相差不大。在6月份和9月份，用全生長(zhǎng)期模型估算的LAI值比各個(gè)生長(zhǎng)期LAI估算模型估算的LAI值更接近真實(shí)值，明顯提高了精度；而且，可以明顯看出，6月份的LAI-NDVI估算模型估算得到的LAI值偏小，而9月份的偏大。這是因?yàn)?月份LAI基本達(dá)到最大，NDVI相對(duì)集中，加上個(gè)別樣點(diǎn)受林窗影響，導(dǎo)致LAI幾乎表現(xiàn)不出隨NDVI變化的趨勢(shì)；而9月份部分葉子已經(jīng)凋落，葉片密度變小，但林下灌草生長(zhǎng)茂盛，引起楊樹(shù)林像元在影像上的NDVI值反映的是楊樹(shù)林和灌草的混合信息，比真實(shí)的楊樹(shù)林NDVI值大，因此用9月份LAI-NDVI估算模型估算得到的LAI值也比楊樹(shù)林的真實(shí)值大，這與實(shí)際情況相符合。

結(jié)合全生長(zhǎng)期估算模型的驗(yàn)證結(jié)果(圖4)及兩種不同估算模型估算LAI值與實(shí)測(cè)LAI隨時(shí)間變化的趨勢(shì)特征(圖6)可知，全生長(zhǎng)期模型對(duì)于各個(gè)生長(zhǎng)期LAI估算具有一定的適用性和有效性。因此，基于此模型可生成時(shí)間序列的LAI，進(jìn)而研究LAI的動(dòng)態(tài)變化，這為L(zhǎng)AI動(dòng)態(tài)變化研究提供了一種有效的遙感方法和思路。

5結(jié)論與討論

本研究利用多個(gè)時(shí)期LAI地面觀測(cè)數(shù)據(jù)和遙感數(shù)據(jù)，對(duì)不同時(shí)期楊樹(shù)林LAI估算模型相關(guān)性進(jìn)行了探索，得到了楊樹(shù)林全生長(zhǎng)期LAI估算模型，最后通過(guò)驗(yàn)證進(jìn)一步證明了全生長(zhǎng)期模型用來(lái)估算各個(gè)時(shí)期LAI的適用性，為楊樹(shù)林季節(jié)變化監(jiān)測(cè)提供了有效途徑。研究結(jié)論如下：

(1) 楊樹(shù)林LAI與NDVI的相關(guān)性隨著季相的變化而變化，4月中旬(展葉期)和5月初(花果期)的較高，6月份(葉面積穩(wěn)定期)和9月份(落葉始期)的較低。

(2)全生長(zhǎng)期LAI估算模型的相關(guān)性較4月份和5月份稍低，但是較6月份和9月份卻有大大提高。這說(shuō)明用全生長(zhǎng)期模型來(lái)估算葉面積穩(wěn)定期和落葉始期的LAI具有一定的可行性，可改善這兩個(gè)時(shí)期LAI估算模型的局限性。

(3)楊樹(shù)林全生長(zhǎng)期LAI估算模型可以推廣到其他任何時(shí)期楊樹(shù)林LAI的估算，并且基于此模型得到的LAI值隨時(shí)間變化趨勢(shì)較接近實(shí)測(cè)LAI隨時(shí)間變化趨勢(shì)。

(4)環(huán)境星具有分辨率較高和成像周期較短的優(yōu)勢(shì)，能兼顧時(shí)效性和精度要求，更有利于跟蹤植被生長(zhǎng)情況。

(5)由于觀測(cè)天氣及衛(wèi)星重訪周期的限制，要獲取與地面觀測(cè)時(shí)間完全同步的影像數(shù)據(jù)比較困難，因此本研究獲取了成像時(shí)間與觀測(cè)時(shí)間最接近的準(zhǔn)同步遙感影像。雖然獲取影像與地面觀測(cè)時(shí)間不完全同步，但6月份楊樹(shù)林LAI已經(jīng)穩(wěn)定，9月份LAI已封頂且?guī)滋靸?nèi)物候基本無(wú)變化，因此對(duì)于各個(gè)時(shí)期LAI的總體變化趨勢(shì)影響很小。

參考文獻(xiàn)(References):

[1]WeissM, Baret F. Evaluation of canopy biophysical variable retrieval performances from the accumulation of large swath satellite data. Remote Sensing of Environment, 1999,70(3): 293- 306.

[2]Kuusk A, Lang M, Nilson T. Simulation of the reflectance of ground vegetation in sub-boreal forests. Agricultural and Forest Meteorology, 2004, 126(1/2): 33- 46.

[3]Fang H L, Liang S L. A hybrid inversion method for mapping leaf area index from MODIS data: experiments and application to broadleaf and needle leaf canopies. Remote Sensing of Environment, 2005, 94(3): 405- 424.

[4]Soudani K, Fran?ois C, le Maire G, Le Dantec V, Dufrêne E. Comparative analysis of IKONOS, SPOT, and ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands. Remote Sensing of Environment, 2006, 102(1/2):161- 175.

[5]楊貴軍, 趙春江, 邢著榮, 黃文江, 王紀(jì)華等. 基于PROBA/CHRIS 遙感數(shù)據(jù)和PROSAIL模型的春小麥LAI 反演. 農(nóng)業(yè)工程學(xué)報(bào), 2011, 27(10):88- 94.

[6]趙麗芳. 利用Hypeion高光譜遙感數(shù)據(jù)估測(cè)森林葉面積指數(shù)[D]. 北京: 北京林業(yè)大學(xué),2007.

[7]Colombo R, Bellingeri D, Fasolini D, Marino C M. Retrieval of leaf area index in different vegetation types using high resolution satellite data. Remote Sensing of Environment, 2003, 86(1): 120- 131.

[8]Turner D P, Cohen W B, Kennedy R E, Fassnacht K S, Briggs J M. Relationships between leaf area index and landsat TM spectral vegetation indices across three temperate zone sites. Remote Sensing of Environment, 1999, 70(1): 52- 68.

[9]Manninen T, Korhonen L, Voipio P, Lahtinen P, Stenberg P. Leaf area index (LAI)estimation of boreal forest using wide optics airborne winter photos. Remote Sensing, 2009, 1(4): 1380- 1394.

[10]Wang Q, Tenhunen J, Granier A, Reichstein M, Bouriaud O, Nguyen D, Breda N. Long-term variations in leaf area index and light extinction in a Fagus sylvatica stand as estimated from global radiation profiles. Theoretical and Applied Climatology, 2004, 79(3/4): 225- 238.

[11]Wang Q, Adiku S, Tenhunen J, Granier A. On the relationship of NDVI with leaf area index in a deciduous forest site. Remote Sensing of Environment, 2005, 94(2): 244- 255.

[12]Birky A K. NDVI and a simple model of deciduous forest seasonal dynamics. Ecological Modelling, 2001, 143(1/2): 43- 58.

[13]LüDEKE M, JANECEK A, KOHLMAIER G H. Modelling the seasonal CO2uptake by land vegetation using the global vegetation index. Tellus B, 1991, 43(2): 188- 196.

[14]朱高龍, 李明澤, 居為民, 陳鏡明, 吳中忠. HJ-1CCD與Landsat-5TM在森林葉面積指數(shù)估算中的比較分析. 東北林業(yè)大學(xué)學(xué)報(bào),2011,39(1):127- 130.

[15]趙英時(shí). 遙感應(yīng)用分析原理與方法. 北京:科學(xué)出版社,2003.

The applicability of leaf area index estimation model in an aspen forest over a growth period

WANG Yan1,2, TIAN Qingjiu2,*, WANG Qi3, WANG Lei2

1ZhejiangDesignInstituteofWaterConservancyandHydroelectricPower,Hangzhou310002,China2InternationalInstituteforEarthSystemScience,NanjingUniversity,Nanjing210023,China3ChinaMachineryTDIInternationalEngneeringCompanyLimited,Luoyang471003,China

Abstract：Estimation of leaf area index (LAI) time series is a hotspot in remote sensing, because it allows tracking of vegetation biomass changes over a growth period. In this study, we acquired multi-temporal HJ-CDD remote sensing images of an aspen forest in Chuzhou area and synchronously measured LAI using LAI-2000. LAI estimation models of different growth stages (leaf production, flowering, fruit bearing, leaf constant period, and leaf abscission period) were constructed using normalized difference vegetation index (NDVI). Contrastive analysis was used to obtain LAI estimation model of the aspen forest over a growth period and estimated LAI was verified. The results showed that the model could be applied to estimate LAI over a growth period and provide useful information on the dynamic monitoring change of LAI.

Key Words:aspen forest; remote sensing; HJ-CCD; LAI; NDVI

基金項(xiàng)目:國(guó)家重大科技專(zhuān)項(xiàng)(30-Y20A01-9003-12/13); 全球變化研究國(guó)家重大科學(xué)研究計(jì)劃項(xiàng)目課題(2010CB951503)

收稿日期:2014- 10- 21; 網(wǎng)絡(luò)出版日期:2015- 08- 21

*通訊作者

Corresponding author.E-mail: tianqj@nju.edu.cn

DOI:10.5846/stxb201410212064

王龑, 田慶久, 王琦, 王磊.楊樹(shù)林全生長(zhǎng)期LAI遙感估算模型適用性.生態(tài)學(xué)報(bào),2016,36(8):2210- 2216.

Wang Y, Tian Q J, Wang Q, Wang L.The applicability of leaf area index estimation model in an aspen forest over a growth period.Acta Ecologica Sinica,2016,36(8):2210- 2216.