三峽庫(kù)區(qū)森林葉面積指數(shù)多模型遙感估算

董立新

(1.中國(guó)遙感衛(wèi)星輻射測(cè)量與定標(biāo)重點(diǎn)開(kāi)放實(shí)驗(yàn)室，北京 100081； 2.國(guó)家衛(wèi)星氣象中心，北京 100081； 3.中國(guó)氣象局衛(wèi)星應(yīng)用聯(lián)合研究中心，北京 100081)

0 引言

葉面積指數(shù)(leaf area index，LAI)是定量研究森林生態(tài)系統(tǒng)能量交換的一個(gè)重要結(jié)構(gòu)參數(shù)，定義為單位地表面積上的葉子表面積總和的一半[1]。LAI地面測(cè)量可通過(guò)收獲法及異速生長(zhǎng)模型估測(cè)，或利用基于冠層輻射傳輸模型的觀測(cè)儀器直接獲得[2]。但地面測(cè)量較難獲取大范圍LAI。因此，遙感估算區(qū)域尺度LAI是十分有意義的工作[3]。遙感估算主要有2類(lèi)： 一是植被指數(shù)法，即利用植被指數(shù)與LAI的關(guān)系； 另一類(lèi)是模型反演，主要是通過(guò)植被冠層模型，如輻射傳輸模型、幾何光學(xué)模型和計(jì)算機(jī)模擬模型等反演[4]。

植被指數(shù)法是利用植被指數(shù)與實(shí)測(cè)LAI之間的關(guān)系，實(shí)現(xiàn)區(qū)域尺度的LAI估算。如Chen等[5]利用LAI與增強(qiáng)植被指數(shù)(enhanced vegetation index,EVI)和歸一化植被指數(shù)(normalized difference vegetation index，NDVI)的關(guān)系實(shí)現(xiàn)了針葉林LAI估算； 朱高龍等[6]利用Landsat5 TM數(shù)據(jù)計(jì)算植被指數(shù)與LAI之間的關(guān)系，建立了區(qū)域森林LAI估算模型； 劉婧怡等[7]提取10個(gè)植被指數(shù)，在與實(shí)測(cè)LAI相關(guān)性基礎(chǔ)上進(jìn)行了區(qū)域LAI估算； 韓婷婷等[8]在2014年利用TM數(shù)據(jù)反演了西雙版納地區(qū)森林LAI； 劉振波等[9]在2015年基于植被指數(shù)與實(shí)測(cè)LAI構(gòu)建小興安嶺冠層LAI模型； 姚雄等[10]在2017年通過(guò)計(jì)算12種遙感植被指數(shù)，分析了實(shí)測(cè)LAI數(shù)據(jù)和植被指數(shù)的相關(guān)性，構(gòu)建了林地LAI估算模型。還有許多研究者都利用植被指數(shù)與LAI的關(guān)系，計(jì)算了不同植被類(lèi)型的LAI[10-17]。

反射率受到大氣、土壤和植被類(lèi)型等因素的影響，所以通過(guò)植被指數(shù)計(jì)算LAI沒(méi)有通用的關(guān)系式。植被指數(shù)法雖然有一些局限性，但易于得到大范圍的LAI，有很強(qiáng)的實(shí)用性，且精度較高[3]。針對(duì)植被指數(shù)法的局限性，提出了混合像元分解法(spectral mixture analysis, SMA)，解算端元組分在像元中占的百分比，由此減少LAI計(jì)算誤差。陳麗等[18]基于SMA模型進(jìn)行了森林LAI反演。

輻射傳輸模型通過(guò)迭代方法使損失函數(shù)值達(dá)到最小，即采用優(yōu)化技術(shù)使得模型結(jié)果與實(shí)際相符。最早用于植被遙感的模型是SUIT模型[19]。在此基礎(chǔ)上，SAIL模型考慮了LAI、平均葉傾角及冠層組分的透射、反射和土壤反射等參數(shù)，是一個(gè)具有代表性的模型。Kuusk[20]對(duì)SAIL模型又進(jìn)行了改進(jìn)，考慮了熱點(diǎn)效應(yīng)，由此產(chǎn)生了SAIL模型的另一個(gè)版本SAILH，其在計(jì)算單次散射貢獻(xiàn)對(duì)二向反射率的貢獻(xiàn)時(shí)，考慮了葉片的尺寸以及相應(yīng)的陰影影響。

幾何光學(xué)模型解決的是植被幾何結(jié)構(gòu)和空間分布模型化等問(wèn)題，用結(jié)構(gòu)參數(shù)(株密度、樹(shù)冠大小、高度等)表達(dá)幾何結(jié)構(gòu)。該模型考慮了地物的太陽(yáng)承照面和陰影，計(jì)算光照植被、陰影植被、光照地面和陰影地面4個(gè)分量。其中最有代表性的為L(zhǎng)i-Strahler幾何光學(xué)模型[21-22]和Jupp等[23]提出的模型。為了能夠使模型適用于濃密的林地，Li等[24]進(jìn)一步提出了考慮樹(shù)冠相互陰影效應(yīng)的GOMS模型； 其后，Li等[25-26]在間隙率模型的基礎(chǔ)上，進(jìn)一步提出了幾何光學(xué)—輻射傳輸混合模型，實(shí)現(xiàn)了幾何光學(xué)模型向輻射傳輸模型的逼近。

輻射傳輸模型和幾何光學(xué)模型等都具有一定的物理基礎(chǔ)，且獨(dú)立于植被類(lèi)型的影響，有一定的普適性。但有些反函數(shù)不收斂，會(huì)造成LAI的估算錯(cuò)誤，同時(shí)計(jì)算復(fù)雜耗時(shí)。計(jì)算機(jī)模擬法采用蒙特卡羅方法(Monte Carlo)進(jìn)行光子跟蹤，但所需參數(shù)太多，而且計(jì)算量較大，不適用于大面積的LAI反演。本文以三峽庫(kù)區(qū)為研究區(qū)，利用植被指數(shù)法針對(duì)不同森林類(lèi)型建立多個(gè)LAI反演模型，以期估算區(qū)域尺度LAI。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

三峽庫(kù)區(qū)是一個(gè)特定的區(qū)域概念(圖1)，泛指175 m水位方案淹沒(méi)涉及的20個(gè)縣、市，位于長(zhǎng)江上游低位地區(qū)，北靠大巴山，南鄰云貴高原。地理位置位于E106°00′～111°50′，N29°16′～31°25′之間，面積約5.8×104km2。開(kāi)始于湖北省宜昌市，向西至重慶市江津區(qū)，著名的三峽大壩位于宜昌市西部邊界。

圖1 研究區(qū)位置及野外樣點(diǎn)分布示意圖

研究區(qū)屬于典型的亞熱帶季風(fēng)氣候區(qū)，冬季溫暖，夏季干熱，秋季濕度較大，多云霧。年平均氣溫為15～19 ℃，平均年降水量為1 140～1 450 mm。庫(kù)區(qū)河谷地與平坦地區(qū)占4.3%，丘陵占21.7%，山地占74%。由于地處我國(guó)亞熱帶常綠闊葉林區(qū)，主要的植被類(lèi)型包括常綠針葉林、落葉針葉林、常綠闊葉林、混交林、灌木林和農(nóng)作物，在林內(nèi)通常有一至數(shù)個(gè)優(yōu)勢(shì)種，常分為2個(gè)喬木層。區(qū)內(nèi)人煙稠密，農(nóng)業(yè)與林業(yè)活動(dòng)歷史悠久?，F(xiàn)有的森林中人工林、次生林較多，由于自然演替與人為干擾的原因，使演替的系列、階段與速度的變化較大，加之樹(shù)種較多，因而較之我國(guó)東北針闊葉混交林與華北暖溫帶落葉闊葉林區(qū)域情況更為復(fù)雜。

1.2 數(shù)據(jù)源及其預(yù)處理

1.2.1 野外數(shù)據(jù)

所用野外數(shù)據(jù)是在“三峽工程生態(tài)與環(huán)境遙感動(dòng)態(tài)與實(shí)時(shí)監(jiān)測(cè)”項(xiàng)目支持下，參照《中國(guó)生態(tài)系統(tǒng)研究網(wǎng)絡(luò)觀測(cè)與分析標(biāo)準(zhǔn)方法——陸地生物群落調(diào)查觀測(cè)與分析》以及《測(cè)樹(shù)學(xué)》[27]的調(diào)查方法，在2003—2007年間對(duì)土地利用及LAI進(jìn)行多次廣泛調(diào)查(圖1)，主要包括龍門(mén)河自然保護(hù)區(qū)(2003年4—6月)和三峽庫(kù)區(qū)(2006年8—9月； 2007年9—10月)。

選取林相比較完整且有代表性的森林設(shè)置樣地[28]，樣地的分配兼顧不同的森林類(lèi)型和地形條件，在龍門(mén)河自然保護(hù)區(qū)分別布設(shè)樣地40塊，樣地大小為100 m×100 m，每樣地內(nèi)按系統(tǒng)抽樣法設(shè)立5個(gè)20 m×20 m樣方，對(duì)樣地內(nèi)胸徑大于5 cm的喬木進(jìn)行每木檢尺，內(nèi)容包括樹(shù)木名稱(chēng)、胸徑、樹(shù)高、冠幅、枝下高、覆蓋度和LAI，同時(shí)記錄了當(dāng)?shù)氐沫h(huán)境條件； 在三峽庫(kù)區(qū)調(diào)查樣地共28個(gè)，在距林分中心60～100 m的范圍內(nèi)設(shè)置4～5個(gè)樣地(成熟林為100 m，其他為60 m)，樣地大小為20 m×20 m，每樣地再分成4個(gè)樣方進(jìn)行喬木層調(diào)查。

1.2.2 LAI野外測(cè)量

測(cè)量?jī)x器為L(zhǎng)i-Cor公司的LAI-2000 Plant Canopy Analyzer。實(shí)際測(cè)量中，選取有代表性的樣地，樣地內(nèi)的測(cè)量采用隨機(jī)抽樣布點(diǎn)法。與光學(xué)遙感影像的空間分辨率(30 m×30 m)對(duì)應(yīng)。布設(shè)考慮了儀器的最大覆蓋范圍，避免測(cè)量范圍的重疊。

LAI-2000要求測(cè)量盡量選擇在陰天,以避免晴天條件下的直射光影響。實(shí)際操作中，當(dāng)天空和植物冠層的條件不理想的情況下需要調(diào)整測(cè)量的方式，如通常需要測(cè)量多個(gè)數(shù)據(jù)進(jìn)行均值處理得到LAI的值； 同時(shí)，太陽(yáng)和操作員不能在傳感器的視角里； 對(duì)于樹(shù)葉很濃而又有大的空隙時(shí)需要傳感器使用窄的視角，可以把樹(shù)葉和空隙結(jié)合起來(lái)考慮。

1.2.3 遙感數(shù)據(jù)與預(yù)處理

光學(xué)遙感數(shù)據(jù)主要為2002年覆蓋三峽庫(kù)區(qū)的7景Landsat TM影像數(shù)據(jù)，成像日期分別是2002年8月29日、2002年8月30日、2002年9月1日和2002年10月2日。由于光學(xué)遙感傳感器受到太陽(yáng)高度、地形和大氣等因素的影響，要得到地物真實(shí)反射率必須先經(jīng)過(guò)數(shù)據(jù)預(yù)處理，主要包括： 輻射校正、大氣校正、幾何糾正和地形光譜校正。

本文采用ERDAS9.0軟件中的ATCOR2模塊進(jìn)行TM影像的大氣校正； 并采用控制點(diǎn)校正方式，以三峽地區(qū)1∶ 50 000比例尺的地形圖作為參考，對(duì)TM數(shù)據(jù)進(jìn)行了幾何糾正。本文采用最近鄰法進(jìn)行重采樣，以保證光譜信息不變，重采樣后的文件為高斯—克呂格投影。坐標(biāo)轉(zhuǎn)換時(shí)的精度均控制在0.8個(gè)像元以?xún)?nèi)。

考慮到三峽地區(qū)地形起伏較大，對(duì)反射率有很大影響，特別是在陡峭地區(qū)還會(huì)形成太陽(yáng)光在坡面上的多次反射，因此，對(duì)TM數(shù)據(jù)采用Minnaert校正法[29]進(jìn)行地形光譜校正。

1.2.4 輔助數(shù)據(jù)

輔助數(shù)據(jù)主要為土地利用圖，是利用30 m空間分辨率Landsat TM影像制作的2002年三峽地區(qū)1∶ 50 000土地利用圖[30]，經(jīng)過(guò)2003年8月進(jìn)行野外驗(yàn)證，2002年分類(lèi)結(jié)果總體精度為84.31%，Kappa系數(shù)為0.75[31]。本文從中提取出針葉林、闊葉林和混交林等地物類(lèi)型。

2 植被指數(shù)法LAI估算方法

本文首先利用TM數(shù)據(jù)計(jì)算7種常用植被指數(shù)和5個(gè)自定義植被指數(shù)，并結(jié)合野外觀測(cè)的LAI，通過(guò)多元逐步回歸與主成分分析(principal component analysis,PCA)等多個(gè)回歸模型篩選不同森林類(lèi)型的LAI估算模型，最終建立了不同森林類(lèi)型的LAI估算模型，實(shí)現(xiàn)區(qū)域尺度森林LAI多模型估算。

2.1 植被指數(shù)計(jì)算

植被指數(shù)是指由多光譜遙感數(shù)據(jù)經(jīng)線性和非線性組合而構(gòu)成的數(shù)值[32-33]，是反映地表植被生長(zhǎng)、覆蓋、生物量和種植特征的間接指標(biāo)。本文計(jì)算的植被指數(shù)包括7個(gè)常用指數(shù)與5個(gè)自定義指數(shù)。常用指數(shù)包括： NDVI[34]、垂直植被指數(shù)[35](perpendicular vegetation index，PVI)、土壤調(diào)節(jié)植被指數(shù)[36](soil-adjusted vegetation index，SAVI)、修正的土壤調(diào)節(jié)植被指數(shù)[37](modified soil-adjusted vegetation index，MSAVI)、EVI[38]、大氣阻抗植被指數(shù)[39](atmospherically resistant vegetation index，ARVI)和土壤調(diào)節(jié)大氣耐抗植被指數(shù)[39](soil adjusted and atmospherically resistant vegetation index，SARVI)。

植被指數(shù)與所用的波段組合方式有很大關(guān)系，為了充分利用其他波段，以突出植被信息為原則，在反復(fù)試驗(yàn)的基礎(chǔ)上，本文自定義了5個(gè)指數(shù)，計(jì)算公式分別為

(1)

(2)

(3)

(4)

(5)

式中ρbi為L(zhǎng)andsat TM數(shù)據(jù)第i波段的反射率。

2.2 PCA

在實(shí)際問(wèn)題中，多變量問(wèn)題中不同變量之間存在一定相關(guān)性，由于變量較多，勢(shì)必增加問(wèn)題的復(fù)雜性。PCA將原變量重新組合成新的互相獨(dú)立的幾個(gè)綜合指標(biāo)，同時(shí)可根據(jù)需要從中選取較少指標(biāo)盡可能地反映原變量的信息。PCA也是一種降維處理，抓住了問(wèn)題的主要矛盾，并提取了新的信息，有利于實(shí)際問(wèn)題分析處理。PCA可以單獨(dú)處理一些問(wèn)題外，也可以與回歸分析結(jié)合起來(lái)，即主成分回歸。

設(shè)原始矩陣X的p個(gè)向量作線性組合，綜合指標(biāo)向量簡(jiǎn)寫(xiě)為

Fi=a1iX1+a2iX2+…+apiXp，a1i2+a2i2+…+api2=1。

(6)

根據(jù)協(xié)方差矩陣求出特征值λi、主成分分量貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率，確定主成分分量個(gè)數(shù)，并將特征值λi按大小順序排列。特征值是各主成分分量的方差，反映了各個(gè)主成分分量的影響力。根據(jù)選取主成分分量個(gè)數(shù)的原則，選取累計(jì)貢獻(xiàn)率達(dá)80%～95%的特征值λ1，λ2，…，λm，其中整數(shù)m即為主成分分量的個(gè)數(shù)。主成分分量貢獻(xiàn)率β和累積貢獻(xiàn)率B的計(jì)算方式分別為

(7)

(8)

然后，建立初始變量載荷矩陣，解釋主成分分量。主成分分量載荷P(yi,xj)實(shí)際上也是主成分分量yi與各變量xj之間的相關(guān)系數(shù)R，即

(9)

式中Lij為單位特征向量。

最后，建立主成分回歸模型進(jìn)行計(jì)算分析。

3 結(jié)果與驗(yàn)證

3.1 植被指數(shù)與實(shí)測(cè)LAI相關(guān)性分析

本文計(jì)算了植被指數(shù)與LAI的R值(表1)。由表1可見(jiàn)，VI1，NDVI，SAVI，ARVI，MSAVI及SARVI等植被指數(shù)與LAI的相關(guān)性相對(duì)較高。但不同的森林類(lèi)型，其相關(guān)性稍有不同。由此依據(jù)，可進(jìn)一步建立植被指數(shù)與LAI的回歸關(guān)系模型。

表1 各種植被指數(shù)與LAI的R值

注： 顯著水平P≤0.05。

3.2 基于植被指數(shù)的LAI估算回歸模型篩選

3.2.1 一元回歸分析

根據(jù)表1初步篩選植被指數(shù)，針葉林選用VI1，NDVI，SAVI，ARVI，MSAVI和SARVI共6個(gè)植被指數(shù)； 闊葉林則選用VI1，NDVI，MSAVI和SAVI共4個(gè)植被指數(shù)，雖然VI3的R值也達(dá)到了0.34，但在實(shí)際回歸計(jì)算中效果不太理想，故未做一元回歸分析； 混交林選用NDVI，VI1和VI2共3個(gè)植被指數(shù)。同時(shí)，進(jìn)一步建立了一元線性回歸分析模型，并統(tǒng)計(jì)了R、判定系數(shù)(R2)等變量(表2)。

表2 各種植被指數(shù)與LAI的一元線性回歸分析

注： 顯著水平P≤0.05。

在一元線性回歸分析后，嘗試一元非線性回歸擬合。選用LAI與NDVI的多個(gè)擬合方程進(jìn)行比較，確定最能充分描述數(shù)據(jù)的模型。主要有： 線性模型、二次多項(xiàng)式、復(fù)合模型、生長(zhǎng)模型、對(duì)數(shù)模型、三次多項(xiàng)式、S曲線、指數(shù)模型、雙曲線模型和冪指數(shù)模型。針葉林的擬合結(jié)果如圖2和表3所示，圖2中NDVI值域拉伸至[0，255]。通過(guò)擬合模型的R2對(duì)各種模型的優(yōu)劣進(jìn)行比較，由表3可以發(fā)現(xiàn)，NDVI與LAI的二次多項(xiàng)式模型擬合的R2為0.518，遠(yuǎn)大于其他模型結(jié)果，似乎應(yīng)采用二次多項(xiàng)式對(duì)不同森林類(lèi)型的LAI進(jìn)行非線性擬合。但從圖2可以發(fā)現(xiàn)，在NDVI值的低位(179)，LAI的值竟然達(dá)到了2以上，這與現(xiàn)實(shí)不相符。

圖2 針葉林LAI-NDVI不同模型擬合圖

表3 植被指數(shù)與LAI的非線性回歸模型R2(針葉林)

而線性模型擬合與雙曲線模型比較，具有較高的R2，但雙曲線模型更能表達(dá)LAI隨NDVI的變化趨勢(shì)，這與以往的研究結(jié)果一致[40]。所以對(duì)于針葉林，采用雙曲線模型進(jìn)行分析(表4)，分析可見(jiàn)，其R2最大為0.634，不太令人滿(mǎn)意，故嘗試?yán)枚嘣鸩交貧w分析。

表4 植被指數(shù)與LAI的雙曲線分析模型

注： 顯著水平P≤0.01。

3.2.2 多元逐步回歸分析

由以上結(jié)果可知，一元回歸分析模型在對(duì)LAI預(yù)測(cè)中的結(jié)果不盡如意，所以，考慮對(duì)其進(jìn)行多元逐步回歸分析。分析發(fā)現(xiàn)，多元逐步回歸分析模型比一元回歸分析模型具有更好的R值和預(yù)測(cè)能力(表5)。經(jīng)多元逐步回歸分析，針葉林LAI對(duì)植被指數(shù)VI1，VI2與VI4較為敏感，R達(dá)到0.803，R2判定為0.644，經(jīng)t檢驗(yàn)，VI1與VI4的檢驗(yàn)值均達(dá)0.000，按0.05水平均有顯著性意義。其他類(lèi)型比針葉林結(jié)果較差，原因可能是各指標(biāo)之間存在波段相關(guān)性，故嘗試采用PCA法進(jìn)行建模。

表5 各種植被指數(shù)與LAI的多元逐步回歸分析

注： 顯著水平P≤0.05。

3.3 PCA模型

利用PCA方法，對(duì)針葉林、闊葉林和混交林分別進(jìn)行了第1到第4主成分分量的提取(表6)，分析了各主成分分量貢獻(xiàn)率(表7)，從而建立了基于各植被指數(shù)的LAI估算的主成分回歸模型(表8)。表中分量為不同森林類(lèi)型進(jìn)行PCA而導(dǎo)出的主成分分量Ci(i=1,2,3,4)。

表6 不同森林類(lèi)型的PCA結(jié)果

表7 PCA各分量貢獻(xiàn)率

表8 各種植被指數(shù)與LAI的主成分回歸模型

注： 顯著水平P≤0.05；Ci(i=1,2,3,4)由主成分分量載荷確定。

由表8可見(jiàn)，與多元逐步回歸分析相比，針葉林的主成分回歸模型R反而有所下降，但是闊葉林和混交林的R值有所上升。根據(jù)以上分析，發(fā)現(xiàn)對(duì)于不同的森林類(lèi)型，可采用不同的模型進(jìn)行估算。根據(jù)R2的大小，在研究區(qū)不同森林類(lèi)型LAI預(yù)測(cè)中，針葉林采用多元回歸模型，闊葉林與混交林都采用主成分回歸模型。

3.4 結(jié)果及驗(yàn)證

將多模型應(yīng)用到TM影像中，計(jì)算得到了研究區(qū)LAI結(jié)果(圖3)?？梢钥闯?，研究區(qū)大部分LAI值范圍在1～9之間，整體上呈“中北低、東南高”的分布格局； 東部林地LAI值相對(duì)較高，大部分區(qū)域的LAI值高于4，主要原因在于該區(qū)分布龍門(mén)河自然保護(hù)區(qū)，林分結(jié)構(gòu)以針葉林和闊葉林為主； 南部林地LAI值也相對(duì)較高，該地區(qū)地形復(fù)雜，森林覆蓋率非常好； 中北部地區(qū)林地LAI值相對(duì)較低，原因在于該區(qū)植被稀疏，過(guò)度開(kāi)發(fā)使得林下水土流失嚴(yán)重?？梢?jiàn)，基于多模型估算的LAI值較好地還原了三峽庫(kù)區(qū)LAI值的空間分布狀態(tài)。

圖3 三峽庫(kù)區(qū)LAI結(jié)果

對(duì)不同的森林類(lèi)型，其預(yù)測(cè)精度可用總均方根誤差(root mean square error, RMSE)來(lái)評(píng)價(jià)(圖4)。LAI的精度通過(guò)與樣本中預(yù)留的觀測(cè)樣地(分針葉林、闊葉林和混交林)進(jìn)行檢驗(yàn)，其RMSE分別為0.829 4,1.111 5和1.790 9。實(shí)測(cè)值與預(yù)測(cè)值比較如圖4所示，R2也達(dá)到了0.77以上，結(jié)果比較滿(mǎn)意。

(a) 針葉林(b) 闊葉林 (c) 混交林

4 結(jié)論

區(qū)域尺度LAI遙感反演結(jié)果是森林生態(tài)系統(tǒng)和全球碳循環(huán)研究的基礎(chǔ)參數(shù)，本文通過(guò)多個(gè)模型估算得到三峽庫(kù)區(qū)區(qū)域尺度森林LAI分布結(jié)果，主要結(jié)論有：

1)利用Landsat TM計(jì)算的7種常用植被指數(shù)和5個(gè)自定義植被指數(shù)，通過(guò)模型篩選建立了不同森林類(lèi)型的LAI估算模型。其中，針葉林采用多元逐步回歸模型，闊葉林與混交林采用PCA模型，最終通過(guò)多個(gè)模型估算得到三峽庫(kù)區(qū)區(qū)域尺度的森林LAI。

2)通過(guò)與樣地實(shí)測(cè)LAI數(shù)據(jù)比較進(jìn)行精度驗(yàn)證，針葉林、闊葉林和混交林LAI的RMSE分別為0.829 4,1.111 5和1.790 9，R2均達(dá)到了0.77以上。

3)研究發(fā)現(xiàn)，森林LAI容易出現(xiàn)飽和現(xiàn)象，且利用遙感數(shù)據(jù)進(jìn)行建模時(shí)，對(duì)不同季節(jié)的數(shù)據(jù)，模型也有所不同，因此進(jìn)行模型篩選是非常必要的，這正是植被指數(shù)法LAI遙感估算的一大難點(diǎn)和重要工作。