基于地理環(huán)境要素的葉面積指數(shù)遙感定量反演

蔡雯潔，沙晉明

(福建師范大學(xué) a.地理學(xué)國家級實驗教學(xué)示范中心，b.地理科學(xué)學(xué)院，福州 350007)

0 引言

葉面積指數(shù)(Leaf Area Index，LAI)是陸面過程中的一個十分重要的結(jié)構(gòu)參數(shù)，是表征植被冠層結(jié)構(gòu)的最基本參量之一，它控制著植被的生物、物理過程，如光合、呼吸、蒸騰、碳循環(huán)和降水截獲等[1]。

LAI的提出源于作物學(xué)。20世紀40年代中期英國農(nóng)業(yè)生態(tài)學(xué)家Watson首先提出LAI的概念，即單位土地面積上單面植物光合作用面積的總和[2]。Chen & Black將LAI定義為單位水平地面上所有葉片表面積的一半或總?cè)~片投影面積的一半或綠葉截關(guān)面積的一半[3]。前者通常用于描述葉面平整的闊葉植物；后者不僅適用于闊葉植物，也適用于針葉植物，近年來此定義被廣泛應(yīng)用，因此，本研究采用此定義。LAI是葉覆蓋量的無量綱度量，受植物大小、年齡、株行距和其他因子的影響[4-7]。如今，LAI已成為一個重要的植物學(xué)參數(shù)和評價指標，在農(nóng)業(yè)、果樹業(yè)、林業(yè)以及植物生態(tài)學(xué)、植物生理學(xué)、植被學(xué)、栽培學(xué)等領(lǐng)域得到了廣泛應(yīng)用[8-9]。建立較為精準的LAI定量反演模型已成為當代植物研究的一大熱點。

目前，LAI的測量方法有直接測量法和間接測量法。直接測量法是經(jīng)典、成熟、相對精度較高的方法，它可以作為間接測量法的一個有效驗證，而其缺點是對植物具有破壞性，工作耗時耗力，難以保證采樣的代表性，難以獲取大面積LAI。間接測量法用一些測量參數(shù)或光學(xué)儀器得到LAI，測量方便快捷，如 SunScan、LAI-2000和TRAC[3]，但此法需用直接測量法所得結(jié)果進行校正。隨著遙感技術(shù)的發(fā)展，利用遙感影像提取植被指數(shù)已成為估算區(qū)域LAI的一種重要手段，常用方法有經(jīng)驗關(guān)系法和物理模型法。經(jīng)驗關(guān)系法因其簡單易行且對參數(shù)需要少而被廣泛使用。但此法不能充分利用傳感器獲得的光譜信息，而且從多個波段信息降低為1個指數(shù)也減少了反演的約束條件，會導(dǎo)致結(jié)果的不確定性增加，建立大范圍適用的經(jīng)驗關(guān)系模型十分困難[10]。物理模型法反演LAI的物理意義明確，但相對復(fù)雜，嚴重依賴地面觀測數(shù)據(jù)，不適用于在大的空間上廣泛開展[10]。

目前，不同的學(xué)者從不同角度和方法出發(fā)研究了不同尺度和不同植被類型的LAI遙感反演問題，一些研究致力于輻射傳輸模型的構(gòu)建來提高LAI的反演精度[11-12]，另一些研究則注重構(gòu)建植被指數(shù)來提高LAI的反演精度[8,13]。將傳統(tǒng)經(jīng)驗關(guān)系法受植被指數(shù)質(zhì)量不穩(wěn)定影響的問題納入考慮，在傳統(tǒng)基于植被指數(shù)的LAI反演方法的基礎(chǔ)上引進植被含水量、植被覆蓋度、地形3個核心環(huán)境因子，從而實現(xiàn)了基于最佳植被指數(shù)與環(huán)境因子的高精度LAI定量反演模型(具體技術(shù)流程見圖1)，為福州市轄區(qū)及其周邊的閩侯縣區(qū)域內(nèi)的闊葉林與生殖生長階段水稻的葉面積指數(shù)的快速定量監(jiān)測奠定基礎(chǔ)。

1 研究區(qū)概況

福州市位于北緯25°16′～26°39′，東經(jīng)118°24′～120°30′，簡稱榕，別名三山，是福建省的省會，是中國東南沿海重要經(jīng)濟中心與港口城市。福州市現(xiàn)轄：倉山、臺江、鼓樓、晉安、馬尾和長樂6個市轄區(qū)(長樂為新加入的市轄區(qū))，以及連江、羅源、閩侯、閩清、永泰、福清和平潭7個縣。屬典型亞熱帶季風(fēng)氣候，多年平均氣溫16～22 ℃，多年平均降雨量 900～2 100 mm。地貌屬于典型的河口盆地，主城區(qū)四周群山環(huán)抱，地形相對封閉，地勢由西北向東南傾斜，閩江穿城而過。植被屬于南亞熱帶季雨林和中亞熱帶常綠闊葉林，類型復(fù)雜，種類繁多，主要有常綠闊葉林、針葉林、竹林、灌叢、草叢、濱海沙生植被等。

福州市轄區(qū)林地分布范圍較為廣泛，除了臺江區(qū)外，其他5個城區(qū)林地覆蓋率都較高，林地覆蓋率可達53.33%；福州市草地面積僅占全市總面積的0.98%，且分布較為零散；福州市轄區(qū)耕地面積占總面積的5.68%，但少有大面積的連片耕地，耕地以灌溉水田為主，主要的農(nóng)作物為水稻。

研究范圍(圖2)包括晉安區(qū)內(nèi)的鼓山闊葉林、倉山區(qū)內(nèi)的長安山與高蓋山闊葉林以及閩侯縣內(nèi)的多處水稻田。定該區(qū)域為福州生態(tài)示范區(qū)，進行福州市轄區(qū)(除開長樂和瑯岐經(jīng)濟開發(fā)區(qū))與閩侯縣LAI的定量遙感反演。

2 研究方法與數(shù)據(jù)

2.1 研究方法

圖 1 基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型技術(shù)流程Figure 1 Technique flowchart of quantitative inversion model to LAI based on optimal vegetation index and environmental factors

圖 2 研究區(qū)示意Figure 2 A map of sketch for study area

研究數(shù)據(jù)共有30組，其中，具有明顯誤差的有5組(誤差可能來自于測定LAI的操作方式以及操作時外界環(huán)境的干擾)?？捎脭?shù)據(jù)共有25組，其中闊葉林13組，水稻田12組。將全部可用數(shù)據(jù)進行LAI定量反演模型的建立以及精度檢驗。建立模型的統(tǒng)計工作用SPSS軟件來完成，具體步驟如下：

首先，在控制自變量地形因子(P)、植被覆蓋度因子(Z)與植被含水量因子(E)的前提下，對實測LAI與多種植被指數(shù)做偏相關(guān)分析，選出適合估算本研究區(qū)域闊葉林或水稻田(生殖生長階段)LAI的最優(yōu)植被指數(shù)。其次，對實測LAI、最優(yōu)植被指數(shù)、地形因子(P)、植被覆蓋度因子(Z)與植被含水量因子(E)進行多元線性回歸分析，從而建立基于最佳植被指數(shù)與環(huán)境因子的高精度LAI定量反演模型。

2.2 研究數(shù)據(jù)

2.2.1 遙感數(shù)據(jù)的獲取與處理

從USGS官方網(wǎng)站[注]https://earthexplorer.usgs.gov/.中選取下載2017年8月15日、9月16日以及10月2日的Landsat 8遙感影像。影像云量覆蓋低，空間分辨率為30 m。對影像進行預(yù)處理，包括輻射校正、地形校正、圖像融合、行政區(qū)邊界裁剪。再以谷歌地圖數(shù)據(jù)、GlobeLand 30地表覆蓋數(shù)據(jù)與實地樣點數(shù)據(jù)為參考，在預(yù)處理過后的影像上進行支持向量機(SVM)分類，分出林地與耕地兩大土地利用類型。

2.2.2 植被覆蓋度的提取

植被覆蓋度是指植被在地面的垂直投影面積占總面積的百分比[14]。李榮春與陸秀明等學(xué)者發(fā)現(xiàn)植被覆蓋度與LAI間存在顯著的相關(guān)關(guān)系，并成功地利用植被覆蓋度來估算夏玉米與水稻LAI[15-16]。因此，本研究將植被覆蓋度作為輸入因子參與到LAI定量反演當中。

植被指數(shù)和植被覆蓋度之間具有較高的線性正相關(guān)特性，像元二分模型是常用于由植被指數(shù)來確定植被覆蓋度的一種有效方法。使用基于NDVI植被指數(shù)的像元二分模型來提取植被覆蓋度(Z):

(1)

根據(jù)李苗苗[14]提出的確定NDVIsoil和NDVIveg值的方法，取NDVI(公式4)在置信度為5%和95%附近的值來作為NDVIsoil和NDVIveg。

2.2.3 地形因子的提取

在同一個氣候區(qū)域內(nèi)，地形是影響植被格局的最重要的因子之一，而且還可以通過形態(tài)的變化，如坡度、坡向等因素，對光照、溫度、水分和土壤養(yǎng)分等資源的空間進行再分配[17]，直接或間接地影響植被的再分布，從而影響冠層的分布狀況。靳華安等學(xué)者考慮了地形因素的影響，成功建立了精度高于未考慮地形變量的LAI定量反演模型[18]。地形因子分為大范圍尺度地形因子(如海拔、經(jīng)緯度)與小范圍尺度地形因子(如坡度、坡向)?？紤]到本次研究的區(qū)域范圍以及定量分析要求，選取坡度作為地形因子參與研究區(qū)的LAI定量反演。

用于提取地形因子的基礎(chǔ)數(shù)據(jù)為研究區(qū)30 m分辨率的GDEMDEM。該數(shù)據(jù)是從地理空間數(shù)據(jù)云網(wǎng)站 中下載得到的。通過ENVI 5.3 Toolbox中的Terrain>Topographic Modeling模塊進行坡度數(shù)據(jù)的提取，隨后對提取到的坡度數(shù)據(jù)進行標準化處理，從而獲得地形因子(P)。

2.2.4 植被含水量因子的提取

植被含水量是指地面植被覆蓋在單位面積上自身的含水總量數(shù)值。植物的生長發(fā)育直接受葉片水分狀況控制，間接受到土壤水分等因素影響。植被冠層中水分含量約占40%～80%，是影響植物光合作用和生物量的主要因素之一。因此，植被冠層水分狀況對LAI具有一定作用力。

植被含水量是降水因子在植被上的映射。因此，將植被含水量視為地理環(huán)境要素參與到LAI的建模當中。研究區(qū)中植被覆蓋度高，土壤背景基本上被植被信號掩蓋，光學(xué)遙感探測的信號大部分來源于植被信息。因而，利用光學(xué)遙感直接監(jiān)測植被冠層水分狀況是可行的。目前，國內(nèi)外已發(fā)展了許多基于光學(xué)遙感技術(shù)估算植被含水量的方法，如光譜反射率、光譜水分指數(shù)和輻射傳輸模型。光譜水分指數(shù)中的復(fù)比指數(shù)能減小冠層LAI變化影響的同時使對葉片含水量的敏感性最大化[19]。因此，復(fù)比指數(shù)(SRWI/NDWI[20])作為植被含水量因子(E)參與到LAI的建模當中。

(2)

式(2)中：Swir1與Swir2均為短波紅外波段， Swir1的波段范圍為1.560～1.660 μm，Swir2的波段范圍為2.100～2.300 μm，Nir為近紅外波段，Green為綠色波段。

2.2.5 植被指數(shù)的提取與最優(yōu)篩選

1)植被指數(shù)的提取

對未經(jīng)圖像融合處理的預(yù)處理后的影像進行植被指數(shù)的提取。植被指數(shù)是指2個或者多個波長范圍內(nèi)的地物反射率進行線性或者非線性組合，產(chǎn)生的對植物的生長、生物量等具有一定指示作用的數(shù)值。目前已提出的植被指數(shù)可達150多種，而這些植被指數(shù)中只有少數(shù)經(jīng)過系統(tǒng)的實踐檢驗?？紤]到大氣和背景土壤對反演LAI的影響，選取了比值植被指數(shù)(RVI)、歸一化植被指數(shù)(NDVI)、調(diào)節(jié)型歸一化植被指數(shù)(ANDVI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)、增強型植被指數(shù)(EVI)、大氣阻抗植被指數(shù)(ARVI)以及綜合土壤大氣調(diào)節(jié)植被指數(shù)(SARVI)[21-22]。以上植被指數(shù)的相應(yīng)計算公式如下：

(3)

(4)

(5)

(6)

(7)

(8)

(9)

式(3)～(9)中：Nir為近紅外波段，Red為紅色波段，Blue為藍色波段，Green為綠色波段；SAVI的土壤背景調(diào)節(jié)系數(shù)L(理論范圍0～1)取0.35；EVI的增益系數(shù)G取2.5，冠層背景調(diào)節(jié)系數(shù)L取1，大氣氣溶膠阻力系數(shù)C1取6，C2取7.5；ARVI的光路輻射訂正系數(shù)V取1與0.5；SARVI中的L取0.5，光路輻射訂正系數(shù)V取1；ANDVI的土壤背景調(diào)節(jié)系數(shù)L(理論范圍0～1)取0.85。

2)植被指數(shù)的最優(yōu)篩選

相關(guān)系數(shù)揭示了2個地理要素之間相互關(guān)系的密切程度，它的值介于[-1，1]區(qū)間，它的絕對值越接近1，表示2個要素之間的關(guān)系越密切。在多要素所構(gòu)成的地理系統(tǒng)中，當研究某一要素對另一要素的影響程度時，把其他要素的影響視為常數(shù)，而單獨研究2個要素之間的相互關(guān)系的密切程度時，則為偏相關(guān)分析。偏相關(guān)系數(shù)就是用以度量偏相關(guān)程度的統(tǒng)計量。

(1) 考慮地理環(huán)境要素方法下的植被指數(shù)的最優(yōu)篩選：在控制自變量地形因子(P)、植被覆蓋度因子(Z)與植被含水量因子(E)的前提下，對實測LAI與多種植被指數(shù)做偏相關(guān)分析，選出適合估算本研究區(qū)域闊葉林或水稻田(生殖生長階段)LAI的最優(yōu)植被指數(shù)，結(jié)果如表1所示。

(2)傳統(tǒng)單植被指數(shù)方法下的植被指數(shù)的最優(yōu)篩選：對實測LAI與多種植被指數(shù)做相關(guān)分析，選出適合估算本研究區(qū)域闊葉林或水稻田(生殖生長階段)LAI的最優(yōu)植被指數(shù)，結(jié)果如表1所示。

表 1 基于2種方法的最優(yōu)植被指數(shù)及其篩選依據(jù)Table 1 Optimal vegetation indexes based on two methods and their screening bases

注：**在0.01 水平上顯著相關(guān)。

2.2.6 葉面積指數(shù)的獲取

盡量選擇植被覆蓋較均一且具有區(qū)域代表性的地點作為采樣地(圖3、圖4)，樣地間的距離大于30 m，共30處樣地，其中闊葉林樣地15處，水稻田樣地15處。在每個樣地內(nèi)隨機測2～3個點，然后取LAI平均值作為該樣點的實測LAI值。同時，用Trimble Juno SB GPS手持機測定每個樣點的地理坐標，定位誤差在2～5 m，為提高精度，在同一樣點上測2～3次，取平均值作為最終結(jié)果。于2017年8月23日至26日及9月2日至9日采集闊葉林樣地的葉面積指數(shù)；于2017年9月4日至8日及9月23日至29日采集水稻田樣地的葉面積指數(shù)。用于對應(yīng)分析的遙感影像獲取時間分別是2017年8月15日、2017年9月16日和2017年10月2日?？紤]到水稻葉面積指數(shù)受生育期的影響，選取均處于生殖生長階段(揚花-完熟期)的水稻田作為采樣點；考慮到研究區(qū)闊葉林的葉面積指數(shù)在8、9月份變化幅度較小?？梢哉J為實測LAI與遙感影像基本達到了同步。葉面積指數(shù)采用儀器測定法來獲取，用到的測量儀器是由美國LI-COR公司生產(chǎn)的植物冠層分析儀(LAI-2000 Canopy Analyzer)，它被公認為是測量葉面積指數(shù)精度較高的儀器[23]，已應(yīng)用于如水稻的營養(yǎng)需求和生長情況的研究[24]、玉米 、大豆、林木群體(遒樹、白蠟、欒樹)[25]以及闊葉林區(qū)的LAI測定[23]。為避免太陽直接輻射帶來的誤差，觀測選擇在全陰天或太陽升起或落下前后進行，盡量避免在白天日照強烈的情況下觀測，以確保數(shù)據(jù)的可比性。

圖 3 采樣時的實際拍照Figure 3 The actual picture taken during sampling

圖 4 基于地表覆蓋的樣地分布Figure 4 Distribution map of sample plots based on surface cover

3 結(jié)果與討論

3.1 研究數(shù)據(jù)的統(tǒng)計分析

如表2所示，研究區(qū)闊葉林實測LAI平均值為1.971，最大值為3.085，最小值為1.120。大量研究表明森林的LAI取值范圍通常為2～10，此次測定的闊葉林LAI偏小，原因可能是研究區(qū)內(nèi)地的闊葉林已渡過生長繁盛期而紛紛邁向掉落期；研究區(qū)水稻田(生殖生長階段)實測LAI平均值為2.634，最大值為5.100，最小值為0.180，相關(guān)研究測定處于生殖生長階段水稻的LAI取值范圍大致為0～6[26-27]，此次測定的水稻LAI符合生物規(guī)律。

表 2 研究數(shù)據(jù)的統(tǒng)計量Table 2 Statistics of research data

3.2 模型精度檢驗

采用均方根偏差RMSD(Root Mean Square Deviation)和判定系數(shù)R22種方式來對模型進行精度檢驗。

(10)

(11)

式(10～11)中：n是用于模型精度驗證的樣本數(shù)，LAIobs是實測的LAI值，LAImod是估算得到的LAI值。RMSD的取值范圍為[0,+∞)，RMSD值越小表示LAImod和LAIobs的值越接近。R2的取值范圍為[0,1]，R2越接近于1，表明模型的預(yù)測能力越強，模型效果顯著。

用于建立模型的樣點共有25個，其中，闊葉林樣點13個，水稻田樣點12個。這些樣點與建立模型的樣點相同。由表3可以看出，就RMSD值方面，基于地理環(huán)境要素的LAI反演模型均小于基于傳統(tǒng)單植被指數(shù)方法的LAI反演模型；就R2值方面，2種方法下的反應(yīng)模型均大于0.7，且基于地理環(huán)境要素的LAI反演模型均大于基于傳統(tǒng)單植被指數(shù)方法的LAI反演模型。這表明基于地理環(huán)境要素的LAI反演模型的精度均大于基于傳統(tǒng)單植被指數(shù)方法的LAI反演模型(預(yù)測效果見圖5)。這也證明了基于最佳植被指數(shù)與環(huán)境因子的高精度LAI定量反演模型是可行的。

3.3 模型敏感性分析

敏感性分析是建立新模型的重要一步。它提供系統(tǒng)檢驗?zāi)Ｐ托袨榈臋C會，了解模擬系統(tǒng)運行機制。運用局部敏感性分析的回歸分析法(偏相關(guān)系數(shù))，揭示各輸入因子在局部范圍內(nèi)變化時對模型輸出響應(yīng)的影響。為了對比2個研究對象下的LAI定量反演模型的敏感性分析，引入“貢獻度”這一指標。

表 3 基于2種方法建立的最優(yōu)LAI反演模型Table 3 Optimal inversion models to leaf area index based on two methods

注：E為植被含水量因子，Z為植被覆蓋度，P為地形因子。

圖 5 基于2種方法建立的LAI反演模型預(yù)測效果檢驗Figure 5 Test of prediction effect of leaf area index inversion models based on two methods

貢獻度為偏相關(guān)系數(shù)的絕對值與該模型各因子偏相關(guān)系數(shù)絕對值的總和之比。

如表4所示，基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型中，植被覆蓋度對模型的貢獻度均很大，且對闊葉林LAI的貢獻度要高于對處于生殖生長階段的水稻LAI的貢獻度，這可能與本研究中闊葉林覆蓋度大于生殖生長階段的水稻覆蓋度有關(guān)；植被指數(shù)對LAI的影響程度也很顯著，符合傳統(tǒng)經(jīng)驗關(guān)系方法理論；作為地形因子的坡度對LAI的影響程度稍顯微弱，與孫東的亞熱帶常綠闊葉林葉面積指數(shù)對地形因子的響應(yīng)研究的結(jié)果相適應(yīng)[28]，其中對闊葉林LAI的貢獻度要高于對處于生殖生長階段的水稻LAI的貢獻度，這可能與本研究的水稻田樣地均處于地勢平坦區(qū)域，坡度變化幅度不大有關(guān)，從標準偏差可看出；含有植被含水量信息的SRWI/NDWI對處于生殖生長階段的水稻LAI的影響程度要大于對闊葉林LAI的影響程度，這可能與兩種植被的生理特性息息相關(guān)。水稻對水分最為敏感的時期從孕穗到開花期[29]，樹木冠層對水分的敏感時期從出葉開始到出葉結(jié)束期(大部分亞熱帶常綠闊葉樹種的出葉結(jié)束時間在4月中旬)[30]。盡管研究對象均已經(jīng)過了對水分最為敏感的時期，水稻作為淹灌灌溉方式下的喜濕作物，在植物生長發(fā)育方面，水稻對水分的敏感性仍要大于闊葉樹種對水分的敏感性。

雖然在基于最佳植被指數(shù)與環(huán)境因子的LAI反演模型當中各因子的貢獻度有大有小，但各因子均對模型輸出產(chǎn)生影響，它們的存在均為模型精度的提高做出了必不可少的貢獻。

表 4 基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型及各因子對葉面積指數(shù)的影響程度Table 4 Inversion models to leaf area index based on optimum vegetation index and environmental factor and the influence of various factors on leaf area index

注：E為植被含水量因子，Z為植被覆蓋度，P為地形因子；貢獻度為偏相關(guān)系數(shù)的絕對值與模型各因子偏相關(guān)系數(shù)的絕對值總和之比。

4 結(jié)語

用經(jīng)預(yù)處理后的Landsat8OLI遙感影像進行植被指數(shù)和植被水分指數(shù)(E)的計算，并在植被指數(shù)的基礎(chǔ)上估算植被覆蓋度(Z)。將通過DEM數(shù)據(jù)提取的坡度數(shù)據(jù)進行標準化處理，由此提取地形因子(P)。在控制植被覆蓋度因子(Z)、植被水分指數(shù)(E)與地形因子(P)的前提下，對實測LAI與多種植被指數(shù)做偏相關(guān)分析，選出適合分別估算區(qū)域闊葉林和水稻田(生殖生長階段)LAI的最優(yōu)植被指數(shù)。對實測LAI、最優(yōu)植被指數(shù)、地形因子(P)與植被覆蓋度因子(Z)進行多元線性回歸分析，建立基于最佳植被指數(shù)與環(huán)境因子的高精度LAI定量反演模型。最后，對該模型進行精度檢驗，證明其可行性。

在闊葉林LAI反演模型中，植被覆蓋度的貢獻度占首位，次位是植被指數(shù)，第三位是地形因子，第四位為植被含水量因子；在生殖生長階段水稻的LAI反演模型中，植被指數(shù)的貢獻度占首位，次位是植被覆蓋度，第三位是植被含水量因子，第四位為地形因子。這與2種植被的分布特征和生物特性息息相關(guān)。未來的研究中還應(yīng)多關(guān)注考慮環(huán)境因子的LAI遙感反演，試圖從機理上解釋各因子對LAI遙感估算的影響。

本研究所建立的LAI定量反演模型需要注意的是：(1)本研究中的水稻LAI定量反演模型只適用于位于地勢平坦處并且處于生殖生長階段的水稻，往后可展開對其余生長階段以及山地環(huán)境中水稻的研究；(2)由于采用Landsat8OLI遙感影像的分辨率為30m，在此范圍內(nèi)可能會存在大的孔隙度，而用Landsat8OLI遙感影像反演出的LAI是整個像元，即30m×30m范圍內(nèi)的LAI平均值，所以在地面測量LAI時須選擇植被覆蓋較均一處進行測量，并且需要取多次測量的平均值作為實測LAI參與建模；(3)GPS的坐標系應(yīng)與遙感影像的一致，以保證通過測量樣地的中心位置坐標提取的遙感信息以及地形信息的正確性；(4)研究中用于反映植被含水量因子的植被水分指數(shù)未必是最優(yōu)植被水分指數(shù)，往后的研究需對植被水分指數(shù)進行篩選，從而進一步提高LAI反演模型的精度；(5)雖然研究樣地較少，但采樣地具有較強的區(qū)域代表性，因此所建立的基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型具有一定的區(qū)域?qū)嵱眯裕?6)雖然用于檢驗?zāi)Ｐ途鹊臉颖九c建模樣本相同，但是基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型的精度檢驗結(jié)果與傳統(tǒng)單植被指數(shù)LAI定量反演模型的精度檢驗結(jié)果具有可比性，仍可證明，基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型與未考慮環(huán)境因子的單植被指數(shù)LAI定量反演模型相比，其驗證精度有所提高。