基于熱暗點(diǎn)植被指數(shù)的馬尾松林葉面積指數(shù)反演分析

李聰慧，賴壯杰，劉 健，余坤勇*

(1.福建開放大學(xué) 理工學(xué)院，福建 福州 350013；2.福建農(nóng)林大學(xué) 林學(xué)院，福建 福州 350002；3.福建農(nóng)林大學(xué) 3S技術(shù)應(yīng)用研究所，福建 福州 350002)

葉面積指數(shù)(leaf area index,LAI)是林地上單位面積林分總綠葉面積的1/2[1-2]，可以用于指示植物生物量、生長(zhǎng)狀況和分布密度，并被作為描述植被冠層結(jié)構(gòu)的核心參數(shù)應(yīng)用于構(gòu)建眾多相關(guān)模型之中[3-4]，LAI的快速、高效、無損獲取對(duì)于森林可持續(xù)發(fā)展具有重要意義。近些年來，遙感技術(shù)手段在林業(yè)中被廣泛應(yīng)用，利用遙感技術(shù)反演LAI成為調(diào)查研究的重要手段，其中，無人機(jī)影像較之衛(wèi)星遙感影像反演LAI精度更高、更便捷、更經(jīng)濟(jì)，在業(yè)界廣泛應(yīng)用[2,5]。

植被冠層結(jié)構(gòu)是影響LAI反演的一個(gè)重要因素，目前的研究主要集中于單一垂直角度觀測(cè)，在光譜獲取時(shí)不可避免的忽視了冠層結(jié)構(gòu)及背景因素的干擾，導(dǎo)致光飽和及光缺失，使LAI反演存在較大誤差，出現(xiàn)“同物異譜”或“同譜異物”。多角度遙感技術(shù)的發(fā)展為L(zhǎng)AI反演提供了豐富的三維冠層結(jié)構(gòu)光譜信息[6-8]，為L(zhǎng)AI反演精度的提升提供了更多可能。建立遙感影像計(jì)算得到的植被指數(shù)與實(shí)測(cè)LAI的經(jīng)驗(yàn)關(guān)系是反演LAI的常用方法，傳統(tǒng)植被指數(shù)易受諸多環(huán)境因素的影響[9]，使利用植被指數(shù)反演LAI存在誤差，植被指數(shù)的優(yōu)化成為近來LAI反演研究的一個(gè)重要方向。有研究表明地表植被二向性反射特征中的熱暗點(diǎn)信息可以豐富植被冠層結(jié)構(gòu)的光譜信息，熱暗點(diǎn)信息與植被指數(shù)的結(jié)合可以優(yōu)化植被指數(shù)[10]，進(jìn)一步提升LAI反演精度。

長(zhǎng)汀縣河田鎮(zhèn)地處南方典型水土流失區(qū)，水土流失嚴(yán)重，山上的馬尾松林主要以枝葉稀疏、矮小的“老頭松”為主，林下大面積覆蓋芒萁，使得該區(qū)域單一觀測(cè)角度馬尾松林LAI反演極易受到土壤背景及冠層反射率的影響，出現(xiàn)高植被覆蓋區(qū)的飽和現(xiàn)象。鑒于此，本研究采用無人機(jī)多角度遙感深入挖掘影像信息，一方面通過自由設(shè)定不同觀測(cè)角度獲取更為豐富的光譜信息；另一方面充分考慮馬尾松林二向性反射特征在光譜表達(dá)上出現(xiàn)的熱暗點(diǎn)效應(yīng)，探討將多角度光譜信息中的傳統(tǒng)植被指數(shù)與具有三維立體冠層結(jié)構(gòu)光譜信息中的熱暗點(diǎn)指數(shù)相結(jié)合，克服傳統(tǒng)植被指數(shù)冠層結(jié)構(gòu)信息不足的缺點(diǎn)，提高LAI反演精度，以期實(shí)現(xiàn)研究區(qū)馬尾松林長(zhǎng)勢(shì)的動(dòng)態(tài)監(jiān)測(cè)，并為無人機(jī)多角度遙感在林業(yè)中的應(yīng)用提供更多的理論基礎(chǔ)與經(jīng)驗(yàn)。

1 研究區(qū)概況

研究區(qū)河田鎮(zhèn)位于福建省龍巖市長(zhǎng)汀縣中部、汀江上游(圖1)，地理坐標(biāo)116°16′-116°34′E，25°30′-25°44′N，地處亞熱帶季風(fēng)氣候帶，氣候溫和，雨水充沛，年均氣溫17～29.5℃，歷史最高溫39.8℃、最低溫-4.9℃，年降雨量1 700 mm，降雨量集中在4-6月，占全年52.2%，降雨強(qiáng)度大。全鎮(zhèn)面積約296 km2，海拔300～500 m，東臨南山鎮(zhèn)，南接涂坊、濯田鎮(zhèn)，北交新橋鎮(zhèn)，西連策武鄉(xiāng)，鎮(zhèn)中部平坦開闊，四周低山高丘環(huán)繞，是長(zhǎng)汀縣最大的河谷盆地。區(qū)域地帶性植被為中亞熱帶常綠闊葉林。研究區(qū)早年受自然災(zāi)害和人為濫砍濫伐影響嚴(yán)重，森林植被遭到嚴(yán)重破壞，水土流失嚴(yán)重，土壤貧瘠。近年來，隨著“綠水清山就是金山銀山”可持續(xù)發(fā)展理念的提出，該地將生態(tài)文明建設(shè)放到突出的戰(zhàn)略地位，大力開展水土保持工作，極大地推動(dòng)了河田鎮(zhèn)生態(tài)環(huán)境向好發(fā)展，但由于歷史因素，研究區(qū)生態(tài)環(huán)境仍十分脆弱，山上以稀疏、低矮、生長(zhǎng)緩慢的“老頭松”為主要樹種，林下植被以芒萁(Dicranopterisdischotoma)為主，灌木層分布較少。

圖1 研究區(qū)地理位置及樣地分布

2 研究方法

2.1 材料收集與圖像預(yù)處理

2.1.1 地面數(shù)據(jù)采集與處理 本研究在河田鎮(zhèn)設(shè)置72塊連續(xù)相接的10 m×10 m樣地，于2019年10月利用LAI-2200植被冠層分析儀，采用1A4B的方法，獲取各樣地LAI，即手持儀器在林窗空白處取1個(gè)A值，在10 m×10 m樣地中選取4個(gè)能夠代表平均林分密度的點(diǎn)取B值，以重復(fù)3次的測(cè)量平均值作為該樣地的LAI值[1,11-12]。

2.1.2 無人機(jī)影像數(shù)據(jù)獲取與處理 采用精靈4多光譜版無人機(jī)(P4 Multispectral)搭載一體式多光譜成像系統(tǒng)及RTK定位系統(tǒng)，于2019年11月20日午時(shí)分別拍攝0°、±15°、±30°、±45°、±60°共9個(gè)觀測(cè)角度無人機(jī)影像圖(“-”代表無人機(jī)觀測(cè)方向與陽(yáng)光入射方向一致，“+”代表無人機(jī)觀測(cè)方向與陽(yáng)光入射方向相反)，具體航線規(guī)劃和參數(shù)設(shè)置見表1。采用Pix4D Mapper軟件進(jìn)行影像拼接，并選取3對(duì)以上分散的地面明顯標(biāo)志物為控制點(diǎn)，利用ArcGIS10.2軟件的地理配準(zhǔn)工具模塊對(duì)生成的藍(lán)(460±16nm)、綠(560±16nm)、紅(650±16nm)、近紅(730±16nm)、紅邊(840±26nm)5個(gè)波段圖及可見光RGB影像進(jìn)行校正疊加處理，再利用ERDAS疊加各拼接好的波段影像圖生成全色影像圖。

表1 航線規(guī)劃及參數(shù)設(shè)置

2.2 表征馬尾松林LAI的指數(shù)構(gòu)建方法

2.2.1 最優(yōu)熱暗點(diǎn)指數(shù)選取法 熱暗點(diǎn)是基于植被二向性反射光譜特征，某個(gè)特定觀測(cè)角度下植被冠層反射率的最大值和最小值，目前主要以熱暗點(diǎn)指數(shù)表達(dá)熱暗點(diǎn)區(qū)域信息。隨著遙感技術(shù)的發(fā)展，衍生出的不同類型熱暗點(diǎn)指數(shù)，本質(zhì)上都是由熱暗點(diǎn)處反射率計(jì)算得到。根據(jù)前人的研究結(jié)果，本研究選取熱暗點(diǎn)指數(shù)、歸一化熱暗點(diǎn)指數(shù)、改進(jìn)的歸一化熱暗點(diǎn)指數(shù)、熱暗點(diǎn)比值指數(shù)進(jìn)行探討研究(見表2)。研究基于綠光波段、紅光波段、近紅外波段熱暗點(diǎn)處的反射率計(jì)算多種熱暗點(diǎn)指數(shù)(根據(jù)前期研究結(jié)果，本研究選取-45°觀測(cè)角反射率為熱點(diǎn)處反射率，+45°觀測(cè)角反射率為暗點(diǎn)處反射率)。

表2 熱暗點(diǎn)指數(shù)相關(guān)公式

2.2.2 植被指數(shù)選取法 利用植被指數(shù)來估測(cè)LAI是常用的方法之一，本研究通過文獻(xiàn)查閱法選取正射觀測(cè)角度下的歸一化植被指數(shù)、比值植被指數(shù)、綠色歸一化植被指數(shù)、氮素反射率指數(shù)、冠層結(jié)構(gòu)不敏感指數(shù)、可見光大氣修正植被指數(shù)、修正土壤調(diào)節(jié)植被指數(shù)共7個(gè)植被指數(shù)進(jìn)行探討研究(表3)，并對(duì)選定的7個(gè)植被指數(shù)與實(shí)測(cè)LAI進(jìn)行相關(guān)性分析。

表3 植被指數(shù)相關(guān)公式

2.2.3 熱暗點(diǎn)植被指數(shù)構(gòu)建法 研究區(qū)馬尾松林木葉片稀疏且林下芒萁覆蓋面積大，易使傳統(tǒng)植被指數(shù)達(dá)到飽和狀態(tài)，研究采用照片二值化法處理獲取研究區(qū)馬尾松林72個(gè)樣點(diǎn)的草本覆蓋度，進(jìn)行標(biāo)準(zhǔn)化統(tǒng)一量綱，并通過引入熱暗點(diǎn)植被指數(shù)，減少林下芒萁覆蓋度對(duì)所選取植被指數(shù)的影響，進(jìn)一步提高LAI反演精度。研究將HDRI-r引入7個(gè)傳統(tǒng)植被指數(shù)中，通過優(yōu)化H.Kouiti等[21]提出的熱暗點(diǎn)植被指數(shù)，得到本研究區(qū)域各熱暗點(diǎn)植被指數(shù)計(jì)算公式(表4)。

表4 結(jié)合熱暗點(diǎn)信息的植被指數(shù)相關(guān)公式

2.3 表征馬尾松林LAI的反演模型構(gòu)建方法

充分考慮傳統(tǒng)植被指數(shù)易飽和現(xiàn)象和熱暗點(diǎn)植被指數(shù)基于特定觀測(cè)角度的片面性，本研究利用相關(guān)性分析選取多角度傳統(tǒng)植被指數(shù)，將多角度傳統(tǒng)植被指數(shù)與選取的最優(yōu)熱暗點(diǎn)植被指數(shù)相結(jié)合，隨機(jī)選取樣本中的2/3(48個(gè)樣本)作為建模集，1/3(24個(gè)樣本)作為檢驗(yàn)集，利用SPSS軟件構(gòu)建多元逐步回歸模型，模型精度檢驗(yàn)采用均方根誤差(RMSE)、平均相對(duì)精度(RA)、均值估測(cè)精度(RM)3個(gè)指標(biāo)進(jìn)行[22-23]。

3 結(jié)果與分析

3.1 最優(yōu)熱暗點(diǎn)植被指數(shù)的選定

3.1.1 選取最優(yōu)熱暗點(diǎn)指數(shù) 研究利用SPSS軟件將不同波段反射率計(jì)算的熱暗點(diǎn)指數(shù)與馬尾松林LAI進(jìn)行擬合(圖2～圖4)可見，不同類型的熱暗點(diǎn)指數(shù)與實(shí)測(cè)LAI的相關(guān)性不同，其中基于綠光波段反射率計(jì)算的NDHD-g與實(shí)測(cè)LAI擬合效果最優(yōu)，R2為0.371 7；基于紅光波段反射率計(jì)算的HDS-r、HDRI-r與實(shí)測(cè)LAI擬合效果最優(yōu)且R2相同為0.398；基于近紅外波段反射率計(jì)算的NDHD-nir與實(shí)測(cè)LAI擬合效果最優(yōu)，R2為0.339 1。相較其他波段熱暗點(diǎn)指數(shù)，本研究區(qū)紅光波段反射率計(jì)算的熱暗點(diǎn)指數(shù)HDS-r、HDRI-r與實(shí)測(cè)LAI擬合效果最佳，同時(shí)，基于HDRI-r較HDS-r計(jì)算簡(jiǎn)便考慮，本研究認(rèn)為基于紅光波段反射率計(jì)算的熱暗點(diǎn)比值指數(shù)HDRI-r更具有表達(dá)LAI的能力，因而選取HDRI-r作為L(zhǎng)AI反演的一個(gè)重要輔助參數(shù)。

注：a)HDS-g與LAI的最優(yōu)擬合模型；b)NDHD-g與LAI的最優(yōu)擬合模型；c)MNDHD-g與LAI的最優(yōu)擬合模型；d)HDRI-g與LAI的最優(yōu)擬合模型。

注：a)HDS-r與LAI的最優(yōu)擬合模型；b)NDHD-r與LAI的最優(yōu)擬合模型；c)MNDHD-r與LAI的最優(yōu)擬合模型；d)HDRI-r與LAI的最優(yōu)擬合模型。

注：a)HDS-nir與LAI的最優(yōu)擬合模型；b)NDHD-nir與LAI的最優(yōu)擬合模型；c)MNDHD-nir與LAI的最優(yōu)擬合模型；d)HDRI-nir與LAI的最優(yōu)擬合模型。

3.1.2 選取傳統(tǒng)植被指數(shù) 本研究選定的7個(gè)傳統(tǒng)植被指數(shù)與實(shí)測(cè)LAI進(jìn)行相關(guān)性分析結(jié)果表明，7個(gè)植被指數(shù)與實(shí)測(cè)LAI均顯著相關(guān)(表4)，相關(guān)性從高到低排列為NDVI>VARI>MSAVI>RVI>SIPI>NRI>GNDVI，其中NDVI、MSAVI、RVI、VARI與實(shí)測(cè)LAI極顯著相關(guān)，GNDVI、NRI、SIPI與實(shí)測(cè)LAI顯著相關(guān)，選取的7個(gè)植被指數(shù)均具有表達(dá)LAI信息的潛在能力。

3.1.3 選取最優(yōu)熱暗點(diǎn)植被指數(shù) 一方面，熱暗點(diǎn)植被指數(shù)較之傳統(tǒng)植被指數(shù)表現(xiàn)出更高的抗飽和性。通過計(jì)算，分別對(duì)比傳統(tǒng)植被指數(shù)、熱暗點(diǎn)植被指數(shù)與草本覆蓋度的增長(zhǎng)關(guān)系可見，研究區(qū)馬尾松林傳統(tǒng)植被指數(shù)與草本覆蓋度的變化趨勢(shì)差異較大，傳統(tǒng)植被指數(shù)值在中、高草本覆蓋度區(qū)域數(shù)值下降并逐漸趨向飽和(圖5)；熱暗點(diǎn)植被指數(shù)與草本覆蓋度變化趨勢(shì)整體一致，熱暗點(diǎn)植被指數(shù)值隨著草本覆蓋度的增加而增加(圖6)，可見，熱暗點(diǎn)植被指數(shù)抗飽和性優(yōu)于傳統(tǒng)植被指數(shù)。

注：a)草本覆蓋度與NDVI；b)草本覆蓋度與GNDVI；c)草本覆蓋度與MSAVI；d)草本覆蓋度與NRI；e)草本覆蓋度與RVI；f)草本覆蓋度與VARI；g)草本覆蓋度與SIPI。

注：a)草本覆蓋度與NHDRI；b)草本覆蓋度與GNHDRI；c)草本覆蓋度與MSAHDRI；d)草本覆蓋度與NRHDRI；e)草本覆蓋度與RHDRI；f)草本覆蓋度與SIPHDRI；g)草本覆蓋度與VARHDRI。

表5 選取植被指數(shù)相關(guān)系數(shù)矩陣

另一方面，研究將傳統(tǒng)植被指數(shù)、熱暗點(diǎn)植被指數(shù)分別與實(shí)測(cè)LAI進(jìn)行線性擬合(表6)，對(duì)熱暗點(diǎn)植物指數(shù)反演馬尾松林LAI效果加以評(píng)價(jià)，以此檢驗(yàn)熱暗點(diǎn)植被指數(shù)在反演馬尾松林LAI上的優(yōu)勢(shì)，為馬尾松林LAI反演研究提供參考意見。

表6 植被指數(shù)與實(shí)測(cè)LAI擬合R2對(duì)比

根據(jù)擬合R2結(jié)果可見，傳統(tǒng)植被指數(shù)與實(shí)測(cè)LAI的擬合R2從高到低排列為NDVI>MSAVI>VARI>RVI>GNDVI>SIPI>NRI，其中最高的為NDVI，而GNDVI、NRI、SIPI與實(shí)測(cè)LAI的擬合R2均較低；引入優(yōu)選熱暗點(diǎn)指數(shù)HDRI-r后的對(duì)應(yīng)熱暗點(diǎn)植被指數(shù)與實(shí)測(cè)LAI的擬合R2由大到小依次為NHDRI>SIPHDRI>RHDRI>GNHDRI>MSAHDRI>NRHDRI>VAHDRI。相較于對(duì)應(yīng)的傳統(tǒng)植被指數(shù)，熱暗點(diǎn)植被指數(shù)NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI與LAI擬合R2均有顯著提升，分別提高了82%、333%、295%、161%、1 409%、380%、192%，很好地說明了熱暗點(diǎn)植被指數(shù)能更好地反映研究區(qū)LAI的真實(shí)情況。本研究選取熱暗點(diǎn)植被指數(shù)中與LAI相關(guān)性最高的NHDRI作為優(yōu)化LAI反演模型的重要指數(shù)。

3.2 馬尾松林LAI反演模型構(gòu)建

在多角度傳統(tǒng)植被指數(shù)的選取上，以9個(gè)觀測(cè)角度下與實(shí)測(cè)LAI相關(guān)性排前2名的植被指數(shù)作為構(gòu)建模型的自變量(表7)，即NDVI-60°、RVI-60°、MSAVI-45°、RVI-45°、MSAVI-30°、SIPI-30°、VARI-15°、NDVI-15°、NDVI0°、VARI0°、VARI+15°、RVI+15°、NDVI+30°、RVI+30°、NDVI+45°、VARI+45°、SIPI+60°、VARI+60°，加上最優(yōu)熱暗點(diǎn)植被指數(shù)NHDRI共計(jì)19個(gè)植被指數(shù)作為多元回歸分析的自變量，構(gòu)建本研究區(qū)最優(yōu)馬尾松林LAI反演模型如下：

表7 各角度植被指數(shù)與實(shí)測(cè)LAI相關(guān)性分析

y=0.07×NHDRI-0.42×RVI-60°(R2=0.502，RMSE=0.299 6)

模型擬合R2為0.344 3，RMSE為0.389 6，RA為88.73%，RM達(dá)到了99%以上?？梢?，馬尾松林LAI反演精度高，模型可靠。根據(jù)研究區(qū)馬尾松林LAI反演模型計(jì)算公式，利用ArcGIS制作反演專題圖(圖7)，研究區(qū)馬尾松林LAI范圍為0.11～4.28m2/m2，均值為2.51m2/m2。

圖7 馬尾松林LAI估測(cè)專題

4 結(jié)論與討論

植被冠層結(jié)構(gòu)是影響LAI估測(cè)的一個(gè)重要因素，基于多角度無人機(jī)影像的馬尾松林LAI反演過程中，熱暗點(diǎn)指數(shù)的引入豐富了冠層結(jié)構(gòu)信息?；诩t光波段反射率計(jì)算的熱暗點(diǎn)比值指數(shù)HDRI-r計(jì)算相對(duì)簡(jiǎn)便，與研究區(qū)馬尾松林實(shí)測(cè)LAI擬合效果最佳(R2=0.398)。在傳統(tǒng)植被指數(shù)中引入HDRI-r的熱暗點(diǎn)植被指數(shù)與草本覆蓋度變化趨勢(shì)整體保持一致，且有效緩解了傳統(tǒng)植被指數(shù)的飽和現(xiàn)象，減少了馬尾松林LAI反演中林下芒萁覆蓋度對(duì)選取植被指數(shù)的影響。

馬尾松林LAI的反演中，相較于傳統(tǒng)植被指數(shù)，熱暗點(diǎn)植被指數(shù)在提高LAI反演精度方面具有更大優(yōu)勢(shì)。引入熱暗點(diǎn)信息的植被指數(shù)(NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI)與實(shí)測(cè)LAI的擬合R2均大于0.37，相較于對(duì)應(yīng)的傳統(tǒng)植被指數(shù)，R2分別提高了82%、333%、295%、161%、1 409%、380%、192%，明顯高于傳統(tǒng)植被指數(shù)，有效提升了研究區(qū)馬尾松林LAI的反演精度。其中，MSAHDRI(R2=0.384 2)較未引入HDRI-r的傳統(tǒng)植被指數(shù)MSAVI(R2=0.147 4)擬合R2變化率最高，提高了1 409%，NHDRI與實(shí)測(cè)LAI擬合R2最高，R2為0.406 5，研究選取NHDRI作為構(gòu)建LAI反演模型的一個(gè)重要變量。馬尾松林LAI反演精度的提升表明，通過多角度無人機(jī)遙感影像的熱暗點(diǎn)區(qū)域進(jìn)行LAI反演是可行且可靠的，熱暗點(diǎn)信息與植被指數(shù)的結(jié)合能夠有效提高馬尾松林LAI反演精度。

不同觀測(cè)角度的植被指數(shù)信息以及熱暗點(diǎn)植被指數(shù)信息均能提高LAI的反演精度，研究探究了0°、±15°、±30°、±45°、±60°共9個(gè)觀測(cè)角度下與LAI相關(guān)性較高的植被指數(shù)NDVI-60°、RVI-60°、MSAVI-45°、RVI-45°、MSAVI-30°、SIPI-30°、VARI-15°、NDVI-15°、NDVI0°、VARI0°、VARI+15°、RVI+15°、NDVI+30°、RVI+30°、NDVI+45°、VARI+45°、SIPI+60°、VARI+60°以及熱暗點(diǎn)植被指數(shù)NHDRI共19個(gè)植被指數(shù)在表征研究區(qū)馬尾松林LAI方面的作用，由反演模型y=0.07×NHDRI-0.42×RVI-60°可見，NHDRI和RVI-60°與研究區(qū)馬尾松林LAI關(guān)系最大，最優(yōu)熱暗點(diǎn)植被指數(shù)NHDRI的選取確可提高馬尾松林LAI反演精度，而多角度植被指數(shù)RVI-60°的出現(xiàn)也說明了在LAI反演過程中，不能只考慮熱暗點(diǎn)植被指數(shù)，要將傳統(tǒng)植被指數(shù)與熱暗點(diǎn)植被指數(shù)相結(jié)合，增加反演信息量，使反演精度更高。此外，由模型計(jì)算得到的研究區(qū)馬尾松林LAI范圍0.11～4.28 m2/m2(均值為2.51 m2/m2)，實(shí)地測(cè)量的LAI范圍為0.34～3.93 m2/m2(均值為1.87 m2/m2)，LAI值總體偏低，與研究區(qū)所處南方紅壤重點(diǎn)流失區(qū)，水土流失嚴(yán)重，土壤較為貧瘠，馬尾松林枝葉稀疏，以矮小的“老頭松”為主的實(shí)際情況相符，模型能夠較為準(zhǔn)確的反映實(shí)際情況，但本次研究在提取植被指數(shù)時(shí)未對(duì)芒萁與馬尾松進(jìn)行分離，模型計(jì)算LAI值與實(shí)測(cè)值還有一定差距，林下芒萁對(duì)馬尾松LAI的具體影響還需進(jìn)一步探討；同時(shí)，不同地域內(nèi)馬尾松生長(zhǎng)狀況和LAI會(huì)有所不同，模型表達(dá)不同地域馬尾松LAI差異的穩(wěn)定性也有待進(jìn)一步深入研究。