全 文 ：植物生态学报 2012, 36 (1): 55–62 doi: 10.3724/SP.J.1258.2012.00055
Chinese Journal of Plant Ecology http://www.plant-ecology.com
——————————————————
收稿日期Received: 2011-06-28 接受日期Accepted: 2011-11-07
* 通讯作者Author for correspondence (E-mail: fanwy@163.com)
三种植被冠层二向反射分布函数模型的比较
于 颖1 范文义1* 杨曦光2
1东北林业大学林学院, 哈尔滨 150040; 2中国科学院海洋研究所, 青岛 266071
摘 要 随着定量遥感技术的发展, 描述森林冠层二向反射分布函数(BRDF)的机理模型越来越多。该研究采用3种植被冠层
BRDF模型——DART模型、4SCALE模型和MGEOSAIL模型, 模拟了不同郁闭度样地在红光、近红外波段各个观测角度下的
场景反射率, 并比较分析了不同BRDF模型的适用性和局限性。结果表明: MGEOSAIL模型只适于模拟样地郁闭度较小、林
木个体较大条件下的场景反射率, 且热点效果不十分明显; DART模型和4SCALE模型适于任何郁闭度条件下的场景反射率
的模拟, 并且精度较高; 4SCALE模型模拟的场景反射率介于DART模型模拟的1次散射与5次散射之间。这3种模型在模拟近
红外波段的场景反射率时, 均存在“碗边”效应。
关键词 二向反射分布函数, DART模型, MGEOSAIL模型, 4SCALE模型
Comparisons of three models for vegetation canopy bi-directional reflectance distribution
function
YU Ying1, FAN Wen-Yi1*, and YANG Xi-Guang2
1School of Forestry, Northeast Forestry University, Harbin 150040, China; and 2Institute of Oceanology, Chinese Academy of Sciences, Qingdao 266071,
China
Abstract
Aims With the development of quantitative remote sensing technology, multiple bi-directional reflectance dis-
tribution function (BRDF) models have been developed to describe reflectance of forest canopies. Our objective is
to compare the DART, 4SCALE and MGEOSAIL models for greater understanding their proper use.
Methods We used the BRDF models to simulate reflectance of the scene with different canopy densities at
various observation angles in red and near-infrared bands and compared the results to analyze model applicability
and limitations.
Important findings The MGEOSAIL model is suitable to simulate the scene reflectance with low canopy den-
sity and large trees, and the hotspot is obvious. The DART and 4SCALE models are accurate and suitable to
simulate the scene reflectance with various kinds of canopy density. Also, the scene reflectance simulated by
4SCALE is higher than DART’s simulated first-order scattering value, but lower than DART’s fifth-order scat-
tering value. All three models show the “bowl” shape in the near-infrared band.
Key words bi-directional reflectance distribution function (BRDF), DART model, MGEOSAIL model,
4SCALE model

随着遥感技术的发展, 准确地描述森林地表反
射率与定量提取地表参数越来越受到学者们的关
注。然而, 遥感观测森林地表的单元一般都是由多
种组分组成的混合像元, 为了能够从像元中精确地
分离各个组分并定量地估算组分对应的生物物理
及生物化学参数, 需要准确地描述像元及各组分的
光谱特性。早期, 人们采用混合像元分解的办法解
决这一问题, 其中线性混合像元分解没有考虑各组
分之间的多次散射效应, 非线性混合像元分解虽然
考虑了组分间二次散射, 但是同样没有考虑双向反
射分布特征, 所以精度不高。1987年, Mustard和
Pieters在混合像元分解中提出了采用二向反射率代
替以往的地物朗伯体反射率, 提高了混合像元分解
精度, 并且Charles和Arnon (1996)指出这种方法也
适用于非线型混合像元分解。后期出现了二向反射
分布函数(BRDF)模型, 更好地解释了像元光谱中
包含的组分多次散射及各向不同性的问题。
目前, 冠层水平的BRDF模型可以分为4大类:
56 植物生态学报 Chinese Journal of Plant Ecology 2012, 36 (1): 55–62

www.plant-ecology.com
几何光学模型、辐射传输模型、混合模型和计算机
模拟模型。几何光学模型的代表有Li和Strahler
(1992)的几何光学模型, 以及Chen和Leblanc (1997)
的4SCALE模型。几何光学模型的优势在于考虑了
植被个体的结构特征, 适于模拟离散植被群落的冠
层BRDF特性。早期的几何光学模型没有考虑群体
间、各组分间的多次散射。4SCALE模型的提出考
虑了组分的多次散射, 使得几何光学模型的精度大
大提高。辐射传输模型的代表模型为SAIL (Verhoef,
1984), 它考虑了多次散射的因素, 但是没有考虑到
植被的几何结构, 适于模拟非常均匀的植被群体的
BRDF特征, 已被广泛应用(杨曦光等, 2010)。混合
模型是集几何光学模型与辐射传输模型于一体的
冠层BRDF模型, 适于任何非均匀植被群体, 但是
计算量较大。实际上, 4SCALE模型从某种意义上说
也可以理解为混合模型。混合模型的代表为
GEOSAIL模型(Huemmrich, 2001), 它将辐射传输
模型SAIL与含有植被结构特征的几何光学模型
GEO结合起来, 大大提高了模型的模拟精度, 但是
只有垂直观测信息。后来的研究者又提出了
MGEOSAIL模型(王强等, 2010), 它是一个多角度
观测植被冠层反射率混合模型, 弥补了GEOSAIL
模型只有垂直观测信息的不足。计算机模拟模型的
代表为DART模型, 它能够完整地反映出植被真实
场景信息, 利用光线跟踪法模拟冠层BRDF特征,
但是此模型需要输入的参数较多, 结构较复杂。
近几年来, 学者们对上述4大类模型做了大量
研究, 并从机理角度分析了各个模型的优缺点。薛
云等(2005)介绍了几种典型的冠层BRDF模型, 分
别简要说明了各模型的核心原理及其适用性, 但是
没有对其进行对比分析; 刘佳和范文义(2008)介绍
了BRDF模型的发展过程, 对比讨论模型的优缺点,
为模型选择提供了重要的依据; 车大为等(2008)综
述了多角度遥感中二向性反射模型在理论研究和
实际应用中的现状与进展, 分析了各个模型的应用
范围, 但是这些研究没有定量描述采用不同模型模
拟场景反射率精度上的差异, 均属于综述性观点。
王强等(2010)以DART模型模拟结果为检验数据 ,
对比分析MGEOSAIL与GEOSAIL模型的精度, 其
结果表明MGEOSAIL模型比GEOSAIL模型更优越,
虽然进行了定量比较, 但是也只限于同类模型间的
分析比较。另外, 在采用冠层BRDF模型估算植被物
理结构参数及生物化学参数时, 由于不同的研究者
采用不同的BRDF模型 , 很少考虑甚至忽略了
BRDF模型的适用性和局限性, 导致估算结果的精
度存在较大差异。在估算森林叶面积指数时, 蔡博
峰和邵霞(2007)采用SAIL模型反演了植被冠层叶面
积指数 ; Deng 等 (2006) 采用 4SCALE 模型结合
VEGETA- TION数据估算了全球叶面积指数; 笔者
也曾采用GEOSAIL模型与TM数据估算了植被叶面
积指数。不同的模型对估算叶面积指数的精度有不
同的影响, 精度范围为50%–85%。因此, 研究不同
BRDF模型的适用性和局限性 , 以进一步提高
BRDF模型反演森林参数的精度是十分必要的。本
研究可为后续研究者明确哪一种模型更适合特定
的研究区域, 是否需要采用多模型相结合的方法估
算研究区域植被参数等问题提供参考。
本研究针对不同类型实地调查样地数据, 分别
采用DART、4SCALE和MGEOSAIL这3种应用比较
广泛的BRDF模型模拟冠层各个角度的反射率, 并
比较这3种模型在模拟植被冠层BRDF上的精度, 进
而分析了模型的潜力与局限性, 可为后期其他研究
学者准确地描述研究区域植被冠层反射率及选择
合适模型估算植被冠层参数提供重要的参考依据。
1 研究区域和数据
研究区域选择大兴安岭盘古林场, 隶属于塔河
区, 位于52°41′57.1″ N, 123°51′56.5″ E。东南、西北、
东北、南分别与蒙克山林场、阿木尔林业局、盘中
林场和呼中林业局交界, 森林覆盖率为68.68%, 以
木材生产为主, 主要有落叶松(Larix gmelinii)、白桦
(Betula platyphylla)、樟子松(Pinus sylvestris)、山杨
(Populus davidiana)等树种。林木总蓄积为984万m3,
成、过熟林蓄积256万m3。
在研究区内分别选取100 m × 100 m的落叶松、
50 m × 50 m的白桦两块纯林大样地, 将其划分为10
m × 10 m的方格, 统计每个方格内树木的数量及分
布, 测量样地中落叶松、白桦标准木的参数, 包括
树高、胸径、冠高、冠幅、枝叶平均倾角、叶子大
小等, 并用ASD光谱仪(FieldSpec, Analytical Spec-
tral Devices Inc., Boulder, Colorado, USA)测定叶片
的反射率、透射率和背景反射率。落叶松、白桦纯
林样地地表植被覆盖类型分别为杜鹃(Rhododend-
ron simsii)和杜香(Ledum palustre), 对样地进行调
于颖等: 三种植被冠层二向反射分布函数模型的比较 57

doi: 10.3724/SP.J.1258.2012.00055
查, 测量其叶面积指数、郁闭度等, 这些为BRDF模
型提供实测输入参数。通过架设一定高度的木塔架,
测量大样地的冠层光谱数据。冠层光谱数据依次采
集天顶角0°、±30°、±40°、±45°、±60°时的冠层光
谱曲线值, 作为与模型模拟结果对比的实测数据。
2 模型的模拟和比较
2.1 DART模型
DART模型是法国生物圈空间研究中心(Center
for the Study of the Biosphere from Space) (Huemm-
rich, 2001)开发的一个混合模型。它将区域场景三维
空间划分为有限个单位立方体, 根据光线传输跟踪
与相函数来判断下一时刻光线的方向, 把所有立方
体的辐射场有机地结合起来, 最终模拟地物在各个
波段、各个方向上的BRDF值。模拟过程是由多个
模块集合而成的, 包括场景的建立模块、地表辐射
模拟模块、大气辐射模拟模块和传感器响应模拟模
块等。DART模型与传统的辐射传输模型(Idso & de
Wit, 1970; Ross, 1981; Myneni et al., 1989)相比有着
明显的优势。传统的辐射传输模型认为, 地物要素
在水平方向上分布均一不变; 而DART模型考虑了
场景中地物各要素的空间分布不均一性, 并且考虑
了冠层的几何特征对辐射传输模型的影响, 适于均
匀植被和不连续植被, 模拟效果较好。不足之处是
模型复杂, 运算量大, 反演成为最大的问题。
2.2 4SCALE模型
4SCALE模型是多伦多大学陈镜明教授在1997
年提出的一个几何光学模型 (Chen & Leblanc,
1997)。陈镜明教授从4个尺度上考虑各因素对冠层
辐射BRDF值的影响(牛铮和王长耀, 2008): (1)在大
于树冠尺度上考虑树冠群落的分布特征, 避免了以
前假设树木是随机分布的缺点; (2)考虑树冠形态,
研究光源-树冠-传感器三者之间的几何关系; (3)考
虑树冠内枝叶空间位置的分布; (4)考虑针叶林的
“针”、阔叶林的“叶”在树冠内的角度分布特征。考
虑了这4个尺度, 4SCALE模型能够更准确地描述不
均匀森林冠层的BRDF特征。它比李小文几何光学
模型(Li & Strahler, 1992)进了一步, 不仅考虑了大
于冠层尺度和冠层内部尺度枝叶结构对BRDF的影
响, 而且认为冠层并不是一个刚体, 而是有着孔隙
分布的。模型考虑了各个冠层之间的重叠效应和阴
影效应。
2.3 MGEOSAIL模型
MGEOSAIL模型是在GEOSAIL模型的基础上
改进得到的。GEOSAIL模型是Huemmrich (2001),
提出的用于描述不连续冠层辐射的模型, 它是一个
几何模型GEO (Jasinski & Eagleson, 1990; Nilson &
Kuusk, 1989)和一个辐射传输模型SAIL的结合。几
何模型用来计算在场景内树冠及背景阴影和树冠
及背景光照的面积比例。辐射传输模型用来计算树
冠的反射率和传输率。GEOSAIL模型为了计算简
化, 作了如下假设(薛云等, 2005): (1)所有的树木有
同样的形状和大小; (2)树木间彼此没有阴影; (3)树
冠彼此不重叠; (4)树比像元要小; (5)光照冠层、光照
背景及其阴影都有单个反射率; (5)模型只适应于垂
直观测。它用冠层组分的光学属性、树的形状、太
阳天顶角和冠层覆盖来计算场景垂直观测下的反
射率及吸收光合辐射的比例(fraction of absorbed
photosynthetic active radiation, FAPAR)或拦截的光
合辐射的比例(fraction of intercepted photosynthetic
active radiation, FIPAR)。MGEOSAIL将GEOSAIL模
型垂直观测下的4个分量(可视冠层光照、可视背景
光照、可视冠层阴影、可视背景阴影)的面积比例转
换为随观测角度而变化, 分别计算观测天顶角小于
树冠锥顶角且太阳天顶角大于树冠锥顶角、观测天
顶角小于树冠锥顶角且太阳天顶角小于树冠锥顶
角、观测天顶角大于树冠锥顶角且太阳天顶角大于
树冠锥顶角, 以及观测天顶角大于树冠锥顶角且太
阳天顶角小于树冠锥顶角4种情况下的场景反射率,
就得到各个观测角度下的反射率。
2.4 森林样地的统计特征与参数
研究中采用上述3种植被冠层BRDF模型模拟
森林样地的场景反射率, 并进行比较。模型的输入
参数采用森林样地参数的实测值(表1)。为了避免以
往大部分研究中对样地树木空间分布随机假设的
缺点, 这里分别统计了落叶松纯林大样地和白桦纯
林大样地每10 m × 10 m内的树木数量, 并计算其平
均值与方差, 模拟空间分布。树木的空间分布包括
两种: 泊松分布(公式1)与纽曼分布(公式2)。
( ) !xmexP
xm−
= (1)
( ) [ ] ,!!;; 1 1221
2
1 x
j
jmx
m
N jj
em
x
memmxP ∑∞
=
−
−=
58 植物生态学报 Chinese Journal of Plant Ecology 2012, 36 (1): 55–62

www.plant-ecology.com
for x = 0, 1, 2, … (2)
m
mvmmv
mm −=−= 2
2
1 (3)
其中, P(x)为树木符合泊松分布的概率; PN(x)为树木
符合纽曼分布下的概率; x表示每10 m × 10 m内树
木的株数; m表示10 m × 10 m内树木的平均株数; m1
表示10 m × 10 m内树木的平均聚集组数; m2表示10
m × 10 m内树木每聚集组内的平均株数, 即聚集组
的平均大小; v表示10 m × 10 m内树木株数的方差。
对样地调查数据统计得, 落叶松大样地m = 5,
v = 5; 白桦大样地m = 35, v = 124, 计算m1 = 14,
m2 = 2.5。平均值与方差相等时, 即m = v时, 为泊松
分布, m2 > 1时, 为纽曼分布, 所以根据公式(1)、
(2)得到样地林木的空间分布图(图1)。从图1中可以
看出: 落叶松纯林大样地树木的空间分布符合泊松
分布, 与以往人们的随机假设相同; 而白桦纯林大
样地树木的空间分布符合参数为2.5的纽曼分布,
即林木之间是聚集生长的。可见, 在以往的BRDF
模型中人们均假设树木空间分布的随机性是有局
限性的。为了判定上述3种模型对稀疏林木和浓密
林木的各自适用性, 又设定了一个郁闭度为0.1的
稀疏落叶松纯林大样地, 其参数见表1。
2.5 模拟结果比较分析
对郁闭度为0.7的落叶松纯林大样地 , 采用
DART模型、4SCALE模型和MGEOSAIL模型, 分别
模拟场景在红光波段(670 nm)、近红外波段(865 nm)
各个角度上的反射率值(图2, 图3), 并用实测冠层
各个角度反射率进行验证。从图2可以看出, 采用
DART模型模拟场景在红光波段1次散射和5次散射
得到的反射率值基本一致, 因为在红光波段植被吸
收较多, 反射量少, 冠层内部及冠层之间的多次散
射值非常小, 可以忽略不计。4SCALE模拟的结果也
与DART模型一致, 只是热点处的反射率比DART
模型的高一些, 这一结果与实测值相符, 精度为
64%。说明4SCALE模型对植被冠层结构描述得更
为精确详细 , 使得热点效果更加明显。然而
MGEOSAIL模拟的场景反射率与另外两个模型差
异较大, 热点效果不明显, BRDF值均偏大。其原因:
一是因为MGEOSAIL模型假设树木冠层之间没有
重叠, 所以在模拟森林郁闭度较大的样地时, 低估
了冠层阴影量, 增大了冠层光照量, 导致最终场景
反射率偏高; 二是因为MGEOSAIL计算四分量在


图1 落叶松、白桦纯林样地的林木分布图。m2, 聚集组的
平均大小。
Fig. 1 Tree distributions of Larix gmelinii and Betula platyp-
hylla plots. m2, average size of a clustered group.


不同观测角度下的面积比不够精确, 把树冠当成刚
体, 没有考虑树冠孔隙, 导致热点效应不明显。
在近红外波段, DART模型模拟的1次散射的模
拟结果和5次散射的模拟结果差距较大(图3), 因为
冠层在近红外波段吸收减小, 反射增大, 导致树冠
间及树冠内部多次散射作用大大增加, 但是总体上
仍小于实测值, 精度为76.7%, 说明实际树木之间
的多次散射关系是非常复杂的。4SCALE模拟的冠
层反射率在DART模型模拟的1次散射和5次散射之
间, 因为4SCALE只考虑了光照组分对阴影组分的
多次散射作用, 没有考虑阴影组分对光照组分以及
冠层组分之间的多次散射, 使模拟结果比DART模
型模拟的5次散射结果低。MGEOSAIL模型模拟热
于颖等: 三种植被冠层二向反射分布函数模型的比较 59

doi: 10.3724/SP.J.1258.2012.00055
表1 森林样地参数实测值
Table 1 Measured parameters in forest plots
变量值 Variable value 变量
Variable 落叶松纯林大样地
Plot of Larix gmelinii
白桦纯林大样地
Plot of Betula platyphylla
纯落叶松疏林大样地
Sparse plot of Larix gmelinii
太阳方位角 Sun azimuth (°) 0 0 0
太阳天顶角 Sun zenith (°) 40 40 40
叶片反射率(红光/近红外)
Leaf reflectance (red/near-infrared)
0.015 7 / 0.437 5 0.028 0 / 0.423 9 0.015 7 / 0.437 5
叶片透射率(红光/近红外)
Leaf transmissivity (red/near-infrared)
0.006 0 / 0.360 8 0.009 0 / 0.347 6 0.006 0 / 0.360 8
茎干反射率(红光/近红外)
Stem reflectance (red/near-infrared)
0.087 7 / 0.243 0 0.011 4 / 0.227 5 0.087 7 / 0.243 0
茎干透射率(红光/近红外)
Stem transmissivity (red/near-infrared)
0/0 0/0 0/0
背景反射率(红光/近红外)
Background reflectance (red/near-infrared)
0.052 4 / 0.608 4 0.057 3 / 0.379 8 0.052 4/0.608 4
场景叶面积指数 Leaf area index of the scene 3.2 2.9 0.5
树干高 Height of the trunk (m) 16.0 8.2 16.0
冠高 Height of the canopy (m) 7.6 7.6 7.6
冠半径 Canopy radius (m) 1.75 0.95 1.75
枝倾角 Branch dip angle (°) 22.5 27.0 22.5
叶倾角 Leaf dip angle (°) 65 50 65
枝厚度 Branch thickness (m) 0.014 7 0.012 6 0.014 7
叶厚度与宽度之比
Ratio of leaf thickness to width
0.750 0.017 0.750
叶大小 Leaf size (m) 0.005 0.034 0.005
半锥顶角 Half apex angle (°) 35 – 35
簇内针的聚集度
Clumping index of shoots
1.4 – 1.4
树木分布及NEYMAN参数m2
Tree distribution and NEYMAN parameter m2
随机分布m2 = 1.0
Random distribution
m2 = 1.0
纽曼分布m2 = 2.5
NEYMAN distribution
m2 = 2.5
随机分布m2 = 1.0
Random distribution
m2 = 1.0
冠型(CONE/CYLI)
Crown type (CONE/CYLI)
CONE CYLI CONE
冠高与冠宽之比
Ratio of canopy height to width
3.0 3.9 3.0
郁闭度 Canopy density 0.7 0.7 0.1
场景大小 Scene size 100 m × 100 m 50 m × 50 m 100 m × 100 m
地表覆盖类型 Land-cover type 杜鹃 Rhododendron simsii 杜香 Ledum palustre 杜鹃 Rhododendron simsii
CONE, 圆锥形; CYLI, 圆柱形。
CONE, cone shape; CYLI, cylinder shape.

点效应不明显, 原因同上。这3个模型在近红外波段
都呈现“碗边”效应, 因为观测角度变大时, 辐射传
输路径变长, 多次散射效果更加明显。
对郁闭度为0.7的白桦纯林大样地, 采用DART
模型、4SCALE模型分别模拟场景在红光波段(670
nm)、近红外波段(865 nm)各个角度上的反射率值
(图4, 图5), 并与实测值进行比较。图5中DART模型
模拟的1次散射与5次散射的差比图3中的小, 可见,
对于阔叶白桦林的多次散射效果没有针叶落叶松
林的明显, 因为针叶林的叶簇由多个针元素组成,
总面积较阔叶林叶片面积大, 针叶与针叶之间多次
散射总量变大, 所以1次散射与5次散射的差异较阔
叶林明显。正是这个原因, 使得模型模拟白桦林冠
层BRDF结果与实测值更加接近, 在红光和近红外
波段精度分别达到64.9%和77.6%。这里没有采用
MGEOSAIL模型对白桦纯林样地模拟场景反射率,
是因为MGEOSAIL模型只对针叶林计算了各个观
测角度下的四分量面积比例的变化, 没有对阔叶林
进行各个观测角度四分量的计算, 此模型有待于进
一步改进。
60 植物生态学报 Chinese Journal of Plant Ecology 2012, 36 (1): 55–62

www.plant-ecology.com


图2 红光波段(670 nm) DART、4SCALE和MGEOSAIL模型
模拟的落叶松纯林大样地场景反射率。
Fig. 2 Reflectance modeled by DART, 4SCALE and MGEO-
SAIL models in red band (670 nm) for Larix gmelinii plot.




图3 近红外波段(865 nm) DART、4SCALE和MGEOSAIL
模型模拟的落叶松纯林大样地场景反射率。
Fig. 3 Reflectance modeled by DART, 4SCALE and MGEO-
SAIL models in near-infrared band (865 nm) for Larix gmelinii
plot.


由于MGEOSAIL模型在模拟郁闭度较大的林
地时存在缺陷, 如忽略了冠层之间的重叠, 认为树
冠是刚体等, 使得计算的场景反射率不准确。这里
我们设置了一个郁闭度为0.1的稀疏落叶松纯林大样
地, 同时采用DART、4SCALE和MGEOSAIL模型模
拟场景反射率(图6, 图7), 并进行比较, 探讨各个模
型的适用范围及局限性。从图6可以看出, 在红光波
段, 对于稀疏林地, 3种模型的模拟结果非常吻合。


图4 红光波段(670 nm) DART和4SCALE模型模拟的白桦
纯林大样地场景反射率。
Fig. 4 Reflectance modeled by DART and 4SCALE models
in red band (670 nm) for Betula platyphylla plot.




图5 近红外波段(865 nm) DART模型和4SCALE模型模拟
的白桦纯林大样地场景反射率。
Fig. 5 Reflectance modeled by DART and 4SCALE models
in near-infrared band (865 nm) for Betula platyphylla plot.


同样忽略了多次散射, DART模型模拟的1次散射和
5次散射的结果一致。图7给出了在近红外波段对于
稀疏林地3种模型的模拟结果。可以看出, 对于稀疏
林地, 各个模型模拟的多次散射结果的差异比浓密
林地减少了很多, 原因是稀疏林地冠层之间的多次
散射效应明显减少。而且不论是在红光波段还是近
红外波段, 3个模型模拟的热点效应都减小了, 主要
是稀疏林地光照背景面积比例增加, 阴影面积比例
于颖等: 三种植被冠层二向反射分布函数模型的比较 61

doi: 10.3724/SP.J.1258.2012.00055


图6 红光波段(670 nm), DART、4SCALE和MGEOSAIL模
型模拟的稀疏落叶松纯林大样地场景反射率。
Fig. 6 Reflectance modeled by DART, 4SCALE and MGEO-
SAIL models in red band (670 nm) for sparse Larix gmelinii
plot.



图7 近红外波段(865 nm), DART、4SCALE和MGEOSAIL
模型模拟的稀疏落叶松纯林大样地场景反射率。
Fig. 7 Reflectance modeled by DART, 4SCALE and MGEO-
SAIL models in near-infrared band (865 nm) for sparse
Larix gmelinii plot.

减少, 这使得在各个角度上观测到的光照量均较
大, 差异减小。由此可见, MGEOSAIL模型对于稀疏
林地场景反射率的模拟是正确的, 在林地郁闭度较
大时 , MGEOSAIL就有了局限性 ; DART模型和
4SCALE模型适于任何郁闭度条件下林地场景反射
率的模拟。
3 讨论和结论
本研究分别采用DART模型和4SCALE模型对3
块纯林大样地(郁闭度为0.7的落叶松纯林大样地、
郁闭度为0.7的白桦纯林大样地、郁闭度为0.1的落
叶松纯林大样地)进行场景BRDF的模拟。比较发现:
在红光波段, DART模型与4SCALE模型的模拟效果
非常一致; 在近红外波段4SCALE模拟的BRDF值
介于DART模型模拟的1次散射和5次散射之间, 原
因是4SCALE模型在模拟多次散射量时只考虑了冠
层内部光照组分对阴影组分的多次散射, 忽略了冠
层之间及阴影组分对光照组分的多次散射效应。
DART模型和4SCALE模型均能很好地反映热点效
应, 并且在近红外波段能描述出“碗边”特征。针对
郁闭度较低的样地, 在近红外波段各模型模拟的多
次散射差异较小, 而对于郁闭度较大的样地, 此差
异就大大增加了。这一结论为研究者比较DART模
型与4SCALE模型提供了重要的参考依据。
采用MGEOSAIL模型对郁闭度为0.7和0.1的两
块落叶松纯林大样地进行场景BRDF的模拟。比较
发现: MGEOSAIL模型在模拟郁闭度较大的样地
时, 结果比其他模型偏大, 原因是模型在计算四分
量时认为冠层之间没有重叠, 树冠为不透明刚体,
低估了冠层阴影的量, 而高估了冠层光照的量, 使
得场景反射率偏大。在模拟郁闭度较小的样地时,
结果与DART模型、4SCALE模型基本一致。而且热
点效果较郁闭度较大时有所增加。这表明
MGEOSAIL模型仅适用于不连续、稀疏林分冠层的
BRDF模拟。这一结果与王强等(2010)的研究结果一
致。王强等(2010)采用MGEOSAIL模型和DART模
型模拟森林样地郁闭度为0.05时在红光波段、近红
外波段的BRDF特性时发现, MGEOSAIL模拟结果
与DART模型基本一致。
此外, 4SCALE模型模拟植被冠层BRDF特性
时, 模型中既考虑了树木不均匀聚集程度, 又考虑
了枝与叶簇尺度的聚集程度, 所以模拟不同分布情
况下的植被BRDF特性比较精确, 但是在考虑多次
散射时, 4SCALE没有考虑冠层之间及阴影对光照
组分的多次散射作用 , 所以低估了多次散射量 ;
DART模型利用光线跟踪法, 通过给定树木的位置
考虑树木的不均匀程度, 如果详细到已知枝与叶的
位置, 也可以考虑枝叶聚集度, 进而准确地模拟多
次散射, 所以结果更接近实测值, 这也是很多学者
使用DART模型验证其他模型模拟结果的原因 ;
MGEOSAIL模型既没有考虑树木不均匀聚集程度,
62 植物生态学报 Chinese Journal of Plant Ecology 2012, 36 (1): 55–62

www.plant-ecology.com
也没有考虑叶簇尺度的聚集程度, 而且认为树木之
间没有重叠, 所以模拟结果最差。
综上所述, 在红光波段模拟森林郁闭度较低的
场景BRDF值时, 采用3个模型的效果基本一致, 郁
闭度较高时, 应采用4SCALE模型或者DART模型
来模拟冠层反射率。在近红外波段模拟郁闭度较低
的场景BRDF值时, 采用MGEOSAIL模型、4SCALE
模型或者DART模型5次散射模拟的效果基本一致,
郁闭度较高时, 采用4SCALE模型或者DART模型
5次散射模拟结果。DART模型和4SCALE模型适于
任何郁闭度情况下的林地场景反射率的模拟。但是
由于DART模型需要输入的参数过多, 计算量大,
在输入枝叶空间位置和角度分布的时候, 需要的参
数文件又过于复杂, 无法大范围模拟场景反射率,
因而没有4SCALE模型简单适用。因此, 在模拟植被
冠层反射率特性及估算植被冠层参数时, 充分考虑
BRDF模型的适应性, 结合实际情况, 灵活多变地
应用现有模型或对现有模型进行相应的修正改进,
将会大大提高模拟植被冠层反射率及估算植被物
理生化参数的精度。
致谢 国家科技支撑项目(2011BAD37B01和2011-
BAD08B01)资助。
参考文献
Cai BF (蔡博峰), Shao X (绍霞) (2007). Leaf area index
petrieval based on remotely sensed data and PROS-
PECT+SAIL model. Remote Sensing for Land & Re-
sources (国土资源遥感), (2), 39–43. (in Chinese with
English abstract)
Charles I, Arnon K (1996). A review of mixture modeling
techniques for sub-pixel land cover estimation. Remote
Sensing Reviews, 13, 161–186.
Che DW (车大为), Chen SB (陈圣波), Lü LT (吕乐婷), Jin
SY (金晟业), Yang PY (杨培玉) (2008). The research and
advance of bi-directional reflectance model in multi-angle
remote sensing. Journal of Jilin University (Earth Science
Edition) (吉林大学学报(地球科学版)), 38, 229–231. (in
Chinese with English abstract)
Chen JM, Leblanc SG (1997). A four-scale bidirectional re-
flectance model based on canopy architecture. IEEE
Transactions on Geoscience and Remote Sensing, 35,
1316–1337.
Deng F, Chen JM, Plummer S, Chen MZ, Pisek J (2006). Al-
gorithm for global leaf area index retrieval using satellite
imagery. IEEE Transactions on Geoscience and Remote
Sensing, 44, 2219–2229.
Huemmrich KF (2001). The GeoSAIL model: a simple addition
to the SAIL model to describe discontinuous canopy re-
flectance. Remote Sensing of Environment, 75, 423–431.
Idso SB, de Wit CT (1970). Light relations in plant canopies.
Applied Optics, 9, 177–184.
Jasinski MF, Eagleson PS (1990). Estimation of subpixel vege-
tation cover using red-infrared scattergrams. IEEE Trans-
actions on Geoscience and Remote Sensing, 28, 253–267.
Li X, Strahler AH (1992). Geometric-optical bidirectional re-
flectance modeling of the discrete crown vegetation can-
opy: effect of crown shape and mutual shadowing. IEEE
Transactions on Geoscience and Remote Sensing, 30,
276–291.
Liu J (刘佳), Fan WY (范文义) (2008). Review on BRDF
model and the inversion strategy. Remote Sensing Tech-
nology and Application (遥感技术与应用), 23, 104–110.
(in Chinese with English abstract)
Myneni RB, Ross J, Asrar G (1989). A review on the theory of
photon transport in leaf canopies. Agriculture and Forest
Meteorology, 45, 1–153.
Nilson T, Kuusk A (1989). A reflectance model for the homo-
geneous plant canopy and its inversion. Remote Sensing of
Environment, 27, 157–167.
Niu Z (牛铮), Wang CY (王长耀) (2008). Remote Sensing
Foundation and Application of Carbon Cycling (碳循环
遥感基础与应用). Science Press, Beijing. 69. (in Chi-
nese)
Ross J (1981). The Radiation Regime and Architecture of Plant
Stands. Kluwer Academic Publishers, Hague, The Neth-
erlands. 391.
Verhoef W (1984). Light scattering by leaf layers with applica-
tion to canopy reflectance modeling: the SAIL model.
Remote Sensing of Environment, 16, 125–141.
Wang Q (王强), Guo ZF (过志峰), Sun GQ (孙国清), Luo CW
(罗传文), Liu DD (刘丹丹) (2010). Construction of
MGeoSALL: a hybrid BRDF model for discontinuous
vegetation canopies. Acta Geodaetica et Cartographica
Sinica (测绘学报), 39, 195–201. (in Chinese with English
abstract)
Xue Y (薛云), Chen SM (陈水森), Xia LH (夏丽华), Chen YB
(陈颖彪) (2005). A brief introduction to several typical
leaf/canopy models. Journal of West China Forestry Sci-
ence (西部林业科学), 34, 70–73. (in Chinese with Eng-
lish abstract)
Yang XG (杨曦光), Fan WY (范文义), Yu Y (于颖) (2010).
Estimation of forest canopy chlorophyll content based on
PROSPECT and SAIL models. Spectroscopy and Spectral
Analysis (光谱学与光谱分析), 30, 3022–3026. (in Chi-
nese with English abstract)

责任编委: 郭 柯 责任编辑: 王 葳