全 文 ：基于影像纹理特征的川西南山地常绿阔叶林
有效叶面积指数的空间分析*
赵安玖1**摇 杨长青2 摇 廖成云2
( 1四川农业大学水土保持与荒漠化防治省级重点实验室, 四川雅安 625014; 2四川省林业调查规划院, 成都 610081)
摘摇 要摇 遥感是获取叶面积指数(LAI)信息的最有吸引力的选择之一,但目前基于遥感数据
的叶面积指数估测精度有限.本文以川西南山地常绿阔叶林为研究对象,基于地面调查的 83
个 20 m伊20 m样地和 SPOT5 数据,运用灰度共生矩阵法提取影像单波段、简单波段比图和主
成分图的纹理信息,以不同图像处理方式的纹理参数作为辅助变量进行地统计分析估算有效
LAI(LAIe) .结果表明: LAIe与不同方式处理图像的纹理参数存在不同程度的相关性,其中,
与 B1波段、B1 / B4和 PC1的均质性呈极显著相关关系.与以归一化植被指数(NDVI)为辅助变
量相比,以纹理参数 B1波段、B1 / B4和 PC1的均质性作为辅助变量估测 LAIe 的精度均有所提
高,分别提高 5. 3% 、11. 0% 、14. 5% ,还能在一定程度上降低统计误差.以 NDVI、PC1均质性作
为辅助变量的 LAIe空间地统计估测模型最优(R2 =0. 840,RMSE=0. 212) .本研究结果为合理
地选择除植被指数外的其他辅助变量估测区域 LAI的空间分布提供了一种新的思路和方法.
关键词摇 有效叶面积指数摇 SPOT5摇 纹理摇 地统计摇 山地常绿阔叶林
文章编号摇 1001-9332(2014)11-3237-10摇 中图分类号摇 S718. 55摇 文献标识码摇 A
Spatial analysis of LAIe of montane evergreen broad鄄leaved forest in southwest Sichuan,
Northwest China, based on image texture. ZHAO An鄄jiu1, YANG Chang鄄qing2, LIAO Cheng鄄
yun2 ( 1 Sichuan Key Laboratory of Soil & Water Conservation and Desertification Combating,
Sichuan Agricultural University, Ya爷an 625014, Sichuan, China; 2Sichuan Forestry Inventory and
Planning Institute, Chengdu 610081, China) . 鄄Chin. J. Appl. Ecol. , 2014, 25(11): 3237-3246.
Abstract: Optical remote sensing is still one of the most attractive choices for obtaining leaf area in鄄
dex (LAI) information, but currently may be derived from remotely sensed data with limited accu鄄
racy. Effective leaf area index (LAIe) of montane evergreen broad鄄leaved forest in southwest Si鄄
chuan was inventoried and assessed in 83 sample field plots of 20 m伊20 m using different types of
image processing techniques, including simple spectral band, simple spectral band ratios and prin鄄
cipal component. Texture information was extracted by gray level co鄄occurrence matrices (GLCM)
from different types of processing image. The results showed that there were correlations of different
degrees between LAIe and texture parameters, and highly significant correlations were observed be鄄
tween LAIe with the homogeneity of the B1 band, B1 / B4 band ratio or principal component PC1 .
Using texture information of remotely sensed data as auxiliary variables, we developed geostatistics
models. Compared with the model based on NDVI auxiliary variable, the accuracy of LAIe were im鄄
proved, presenting an increase by 5. 3% with the homogeneity of the B1 band, 11. 0% with the
homogeneity B1 / B4 band ratio, and 14. 5% with the homogeneity principal component PC1, and the
statistical errors were also reduced to some extent. The optimal LAIe model of spatial geostatistics
was obtained when taking NDVI and homogeneity principal component PC1 as auxiliary variables
(R2 =0. 840,RMSE=0. 212). Our results provided a new way to estimate regional spatial distribu鄄
tion of LAI using other auxiliary variables besides the vegetation index.
Key words: effective leaf area index; SPOT5; texture parameter; geostatistics; montane evergreen
broad鄄leaved forest.
*国家重点科技攻关项目(2011BAC09B05)资助.
**通讯作者. E鄄mail: zaj9828@ aliyun. com
2014鄄01鄄23 收稿,2014鄄07鄄09 接受.
应 用 生 态 学 报摇 2014 年 11 月摇 第 25 卷摇 第 11 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Nov. 2014, 25(11): 3237-3246
摇 摇 森林冠层包含大约 40%的陆生物种,其多样性
是构成地球生物多样性的主要部分[1] . 作为表征森
林冠层结构的核心参数之一,叶面积指数(LAI)控
制着森林冠层的多种生物、物理过程,并与许多生态
过程直接相关(如光合、呼吸、蒸腾、碳循环、降水截
获、能量交换等) [2];LAI 是水文、生态、生物地球化
学和气候等模型所需的关键参数[3-4],一直是遥感
反演领域的研究热点和难点. 现已利用多光谱与高
光谱遥感数据对 LAI 开展了大量研究,但更多的是
利用植被指数 ( VIs)与 LAI 的相互关系建立模
型[5-7] .目前,在小尺度上直接获得 LAI 的主要方法
是地面估算法,而利用遥感数据反演出区域 LAI 的
空间分布,是间接获得 LAI 的常用方法[8-9],光学仪
器法和遥感法的相互结合是测量 LAI的发展趋势.
纹理是遥感图像中的重要空间结构信息和基本
特征,包含色调变化空间分布信息,可度量诸如平滑
度、粗糙度和规律性等特性[10] . 纹理信息与植被的
结构参数密切相关[10],原始光谱信息与纹理信息结
合可有效提高分析的准确性和精度. 地统计参数的
图像半变异函数和一阶纹理处理已被用来估计植被
结构参数,如树冠直径[11-12]、立木密度[13]、演替[14]、
LAI[15]以及提高分类精度[16];二阶纹理测度的空间
信息来自于灰度级共生矩阵,灰度共生矩阵已被用
来提高分类的准确性[17-19],并估算森林结构属
性[20] .纹理结构特征结合森林结构信息(如林木密
度、冠幅、林冠郁闭度)能提高经验 LAI 模型的精
度,如对松林和白杨林的 LAI研究发现,纹理作为归
一化植被指数(NDVI)的辅助变量,能提高 LAI实测
值与模拟值之间的相关性[21];利用 NDVI 和多个纹
理变量预测落叶林分的 LAI,模型精度增加了 20% ,
并认为在空间异质性林分中,纹理变量是好于植被
指数的一个预测变量[22];运用植被指数和纹理变量
对不同植被覆盖类型 LAI 预测的结果类似,其精度
提高来源于纹理信息[23] .
迄今,对热带雨林及针叶林 LAI 的研究深入而
广泛,对落叶林的研究也有所涉及,而对世界森林植
被中具有重要作用和地位的常绿阔叶林的 LAI研究
则相对较少[24-27] .山地常绿阔叶林在四川西南山地
广泛分布,是该区域典型的地带性植被[28] .多年来,
对于川西南山地阔叶林生态系统的生态学过程、复
杂性和异质性等关注较低,且对群落结构和冠层特
征研究的深入程度不够,尤其在中大尺度上几乎没
有涉及[28-29] .因此,本研究以复杂的亚热带山地常
绿阔叶林为对象,使用多种图像处理技术,对 SPOT5
影像的 4 个单波段 (B1、B2、B3、B4)、6 个简单波段
比(B1 / B2、B1 / B3、B1 / B4、B2 / B3、B2 / B4、B3 / B4)和主
成分( PC1、PC2、PC3 )的纹理信息进行提取,研究
SPOT5 影像数据不同图像处理方式的纹理参数是否
能更有效地进行 LAI 估算,以期为区域 LAI 的估测
寻找更多途径.
1摇 研究区域与研究方法
1郾 1摇 研究区概况
研究区位于四川省雅安市雨城区上里镇,东、
北、西三面均为丘陵山地,最高峰黑岩坪海拔 1850
m,最低处海拔 900 m,土壤多为山地黄壤.本区属中
亚热带湿润季风气候,年均气温 16. 1 益,月均最高
气温 25. 3 益(7 月),月均最低气温 6. 1 益 (1 月),
年均日照时数 1019. 9 h,年无霜期 289 d,年均降水
量 1772. 2 mm. 研究区森林覆盖率近 80% ,阔叶林
基本为常绿阔叶树种,树种组成丰富[27-28],主要由
润楠(Machilus pingii)、宜昌润楠(M. ichangensis)、
桢楠(Phoebe zhennan)、扁刺锥(Castanopsis platya鄄
cantha)、栲(C. fargesii)、枹栎(Quercus serrata)、中
华石楠(Photinia beauverdiana)等形成乔木层;灌木
主要有油茶(Camellia oleifera)、 常山(Dichroa febrif鄄
uga)、岗柃(Eurya groffii)、光叶柃(E. glaberrima)、
青榨槭 (Acer davidii)、石海椒(Reinwardtia indica)、
异叶榕(Ficus heteromorpha)、川莓(Rubus setchuenen鄄
sis)等;草本由皱叶狗尾草 ( Setaria plicata)、蝴蝶
花( Iris japonica)、玉簪 (Hosta plantaginea)、冷水花
(Pilea notata)、金星蕨(Parathelypteris glanduligera)
和蕨(Pteridium aquilinum var. latiusculum)等物种
组成.
1郾 2摇 样地设置与数据采集
根据研究区 2008 年森林资源分布图,提取阔叶
林分布区域,在分布区采用 GPS 空间定位,共设置
调查样地 83 个(图 1A、B),每个样地大小为 20 m伊
20 m,实测样地的时间为 2010 年 6 月,与影像保持
相同月份. 采用半球照像系统(Nikon4500鄄5511100
FC鄄E8鄄NA, Lens. Cal FC鄄E8, Regent Instruments
INC. Canada)测量 LAI. 实测时,选择天气状况良
好,相对稳定的情况下[7:40 (太阳升起)之前或
17:10(日落)之后]进行.在每个样地的四角和中心
点各设 5 个样点(图 1C),测试时为避免地面灌草影
响,拍摄高度距离地面 1 m,每个样点重复 3 次. 用
GPS和罗盘仪实测每块样地的海拔、经纬度、坡向、
坡度.同时,对胸径>3 cm的乔木每木检尺,记录树
8323 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
图 1摇 研究区 SPOT5 影像(A)、样地分布图(B,北京 1954 坐
标系)、样地点叶面积指数采集点示意图(C)和半球照片
(D)
Fig. 1 摇 SPOT image data of study area ( A), distribution of
inventory samples plots, where x, y were the cartographic coor鄄
dinates (Beijing 1954) and z was the altitude (m) (B), sche鄄
matic diagram of collected LAI data at every single sample plot
(C), and hemisphere photo (D).
玉: 阔叶林 Evergreen broad鄄leaved forest; 域: 非林地及其他 Non鄄
forest and other forest; 芋: 样地 Sample plot.
种和胸径,对样地内的主要树种(2 ~ 3 个)分别选取
优势木和 3 株平均木作为测高样本.
1郾 3摇 叶面积指数测定
利用冠层分析系统 (Winscanopy 2005,Regent
Instruments INC. Canada)软件分析 LAI.假设叶倾角
和空隙呈泊松随机分布,没有考虑叶的聚集性,结果
为有效叶面积指数(effective leaf area index,LAIe).
由于 LAIe有很多的应用并能转换成真实 LAI,通常
情况下,LAIe 与卫星影像数据的相关性好于真实
LAI,且易反演;另外,LAIe 通过地面仪器直接提供
实测数据更容易验证[30] . 由于研究区地形、地势复
杂,为减少坡度、林分结构等影响因素,本文选取数
据视场角为 57. 5毅的 5 环 LAIe 数据[30-31],样点的
LAIe值采用样地内 5 点 3 次重复的平均值.
1郾 4摇 遥感影像预处理
遥感影像数据为 1A 级 SPOT鄄5 全色和多光谱
遥感影像,成像时间是 2010 年 6 月 13 日,其中,
全色波段分辨率最高,达 2. 5 m,多光谱数据 B1
(0. 49 ~0. 61 滋m)、B2(0. 61 ~ 0. 68 滋m)、B3(0. 78 ~
0. 89 滋m)的分辨率为 10 m,B4(1. 58 ~ 1. 75 滋m)的
分辨率为 20 m.首先利用 ENVI 5. 0(ITT,USA)进行
大气校正(FLAASH 模块),对原始影像进行辐射定
标,将影像中每个像元的 DN 值转化成绝对辐射亮
度值(辐射率);然后将辐射率转化为真实地表反射
率,其中,大气层模型选择“中纬度夏季(mid鄄latitude
summer)冶,由于 SPOT影像光谱分辨率较低,故不执
行水汽反演,气溶胶模型选择“乡村( rural)冶,反射
率值设置为扩大 10000 倍.由图 2 可以看出,与大气
校正前相比,大气校正后更符合标准植被和裸地的
光谱特征.大气校正后进行正射校正,正射校正除可
进行常规的几何校正功能外,还能根据数字高程模
型(DEM)来纠正影像因地形起伏而产生的畸变.故
在 ENVI 的 Map >Orthorectification 下,选择对应的
SPOT传感器模型,利用数据自带星历参数而无地面
控制点方式,用最邻近法进行重采样,输入研究区
DEM(北京 1954 坐标系地形图 1 颐 10000 矢量等高
线后生成的 10 m分辨率 DEM)进行正射校正,精度
误差为 0. 47,控制在 0. 5 个像元内. 本文将研究区
域分成阔叶林、其他林地和非林地(耕地及建设用
地)3 类,用随机抽样的方法,选取 200 个地面检查
点对分类结果进行精度检验,阔叶林的生产者精度
为 88. 5% ,用户精度为 92. 0% ,总体分类精度为
81郾 4% .最后,将 B4波段的分辨率转化为 10 m(利用
basic tools的 Resize data工具),进行图像处理[比值
(利用 transform 的 Band ratios 工具)和主成分处理
(利用 transform的 Principal component工具)].本研
究仅对阔叶林区进行分析.
图 2摇 研究区影像大气校正前(A)、后(B)植被光谱曲线
Fig. 2摇 Vegetation spectral curve of the image before (A) and
after (B) the atmospheric correction of the study area.
玉: 植被 Vegetation; 域: 裸地 Bare land.
932311 期摇 摇 摇 摇 摇 摇 赵安玖等: 基于影像纹理特征的川西南山地常绿阔叶林有效叶面积指数的空间分析摇 摇
1郾 5摇 纹理信息数据提取
采用灰度共生矩阵 ( gray level co鄄occurrence
matrices,GLCM)法对 SPOT5 的单波段、比值图像、
主成分图像的纹理进行提取,这种统计方法被认为
是一种重要的纹理分析法[32],主要思想是计算图像
上相邻一定距离、一定角度的两个像素出现的联合
概率,从得到的这个概率出发,设计各种纹理特征.
本研究选用均值、方差、二阶距、均质性、对比度、熵、
异质性及相关性 8 种纹理参数来表征研究区纹理空
间结构[20,33],纹理分析在 ENVI 5. 0 中 texture的 Co鄄
occurrence模块中实现.样地的光谱信息值(NDVI)、
纹理特征值采用 3伊3 像素(30 m伊30 m)的平均值,
样地空间位置为样地中心坐标.
1郾 6摇 协同克里格法
协同克里格法(COK)是使用多种变量类型的多
元地统计学中最基本的研究方法[34] .设在某一研究
区内有一组协同区域化变量,它可以由 k个在统计学
中及空间上互相关的随机函数{Zk(x), k = 1,2,…,
K}的集合来表征,在二阶平稳假设下,其期望为:
E[Zk(x)] = mk 坌x, 互变异函数为:酌k忆k ( h) =
1
2 E
{[Zk忆(x+h)-zk忆(x)][zk(x+h)-zk(x)]},设 k0为 k=1,
2, …,K 个区域化变量中某一要估计的主要变量,则待
估域 V上变量的平均值 ZVk0的 COK 估计值 Z
*
Vk0
为:
Z*Vk0 =移
K
k = 1
移
nk
ak = 1
姿akzak
式中: k0为诸区域化变量 k 中某一待定的需要研究
的主变量;zak为估计邻域内定义于支撑上的有效数
据;姿ak为对应的权系数. COK是对普通克里格(OK)
的一种扩展应用,它允许同时使用一种以上的变量
进行预测,不仅考虑了各变量之间的自相关性,而且
考虑了变量之间的交叉相关性,故较 OK 能更准确
地预测结果[34] .本研究中,单变量采用 OK 法,多变
量采用 COK法,其核函数统一用高斯函数.
1郾 7摇 模型验证
为比较不同估测 LAIe的方法,对实测与估测之
间的不相符数据进行检验,用交叉验证来检查推估
方法与实测数据的一致性[35-38] .本文对估测和实测
数据采用平均误差(ME)、平均绝对误差(MAE)、标
准偏差(SD)和均方根误差(RMSE)检验[37] .
2摇 结果与分析
2郾 1摇 有效叶面积指数的地统计特征
研究区83个样地的实测LAIe在1郾 84 ~ 3郾 80,
图 3摇 研究区 LAIe的玫瑰图
Fig. 3摇 Rose diagram of LAIe in the study area.
各部分代表相同的半变异幅度 Each segment represented the same
semivariance magnitude.
林分蓄积和林分密度分别为 57. 07 ~ 217郾 32
m3·hm-2、450 ~ 1875 株·hm-2,空隙度、开度变幅
分别在 1. 2% ~ 15. 5% 、1. 3% ~ 16. 6% . 同时计算
不同方向(0毅、20毅、40毅、60毅、80毅、100毅、120毅、140毅、
160毅)LAIe值的半变异函数,并绘制玫瑰图(图 3),
若区域化变量具有各向异性时,玫瑰图呈现椭圆形,
其长轴方向表示最大连续方向,短轴表示最小连续
方向.从图 3 可以看出,LAIe 值的空间各向异性不
明显,因此本文仅考虑其各向同性.
2郾 2摇 有效叶面积指数与各纹理参数的相关性
研究区实测 LAIe与 NDVI的相关系数为 0. 824
(P < 0. 001 ),其非线性表达式为 LAIe = 0郾 153
exp(0郾 869NDVI)(R2 = 0. 679). LAIe 与 SPOT5 影像
单波段(B1 ~ B4)、比值波段(B1 / B2、B1 / B3、B1 / B4、
B2 / B3、B2 / B4、B3 / B4)及主成分(PC1、PC2、PC3,3 个
分量的总贡献率为 94. 3% ,PC1的贡献率为 81. 5% )
的纹理特征参数值的相关性分析表明,影像单波段
均质性、熵值与 LAIe 的相关性均达显著水平(P<
0郾 05),其中,B1的均质性值的相关系数达 0. 72(P<
0郾 01);LAIe与比值波段纹理特征参数值(方差、均
质性、熵值)均呈显著相关(P<0. 05),与 B3 / B4熵值
的相关系数为 0. 77(P<0. 01),与 B1 / B4均质性值的
相关系数为-0. 83(P<0. 01);主成分纹理特征参数
值均质性、熵值与 LAIe均达显著相关(P<0. 05),主
成分 PC1均质性与 LAIe呈极显著正相关(P<0. 01)
(表 1 ). 因此,本文用与 LAIe 相关性极显著的
NDVI、B1的均质性值、B1 / B4的均质性值、PC1的均质
性值作辅助变量,进行地统计分析. LAIe、NDVI、 B1
均质性值、B1 / B4均质性值、PC1均质性值的正态分
布检验概率 (PK鄄S )分别为 0. 078、0. 063、0. 084、
0郾 089、0. 092,说明这几个值均符合正态分布,能满
足地统计的要求.
0423 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
表 1摇 遥感单波段、比值波段和主成分纹理参数值与 LAIe间的 Pearson相关系数
Table 1摇 Pearson correlation coefficients between texture parameters of single band, ratio bands, principal component and
LAIe
纹理变量
Texture
parameter
单波段 Single band
B1 B2 B3 B4
比值波段 Ratio band
B1 / B2 B1 / B3 B1 / B4 B2 / B3 B2 / B4 B3 / B4
主成分 Principle component
PC1 PC2 PC3
均值Mean -0. 49** -0. 36** -0. 18 0. 06 -0. 69** -0. 11 -0. 65** -0. 76** -0. 70** 0. 64** 0. 25* 0. 71** 0. 16
方差 Variance -0. 11 -0. 07 -0. 05 0. 42** -0. 53** 0. 72**-0. 26* -0. 45** -0. 62** 0. 16 0. 11 -0. 43** 0. 10
均质性Homogeneity 0. 72** 0. 65** -0. 57** -0. 58** -0. 49** 0. 37**-0. 83** -0. 09 0. 32* -0. 52** 0. 86** 0. 25* 0. 72**
对比度 Contrast -0. 65** -0. 31* -0. 68** 0. 43** 0. 22* -0. 37** 0. 45** 0. 26* -0. 44** 0. 38** 0. 45** -0. 45** 0. 48**
异质性 Dissimilarity -0. 15 -0. 16 -0. 09 0. 03 0. 07 0. 08 0. 09 0. 11 -0. 13 0. 10 -0. 43** -0. 13 0. 49**
熵 Entropy 0. 45** 0. 48** -0. 35** 0. 68** 0. 24* -0. 56**-0. 53** -0. 46** -0. 57** 0. 77** 0. 56** 0. 44** -0. 62**
二阶距 Secondment -0. 16 -0. 09 0. 04 0. 15 -0. 17 0. 33* 0. 18 0. 12 0. 19 -0. 07 -0. 12 0. 15 0. 21
相关性 Correlation -0. 08 -0. 10 0. 24* 0. 28** 0. 10 0. 12 0. 33* 0. 07 -0. 16 -0. 24* -0. 09 -0. 14 0. 17
*P<0. 05;** P<0. 01.
2郾 3摇 有效叶面积指数的地统计估计
为分析影像纹理信息对 LAIe空间分布的影响,
结合 NDVI 和 B1均质性值、B1 / B4均质性值、PC1均
质性值等辅助变量,进行 COK 插值估计. 运用高斯
模型进行各向同性拟合(图 4),其中,块金值(C0)
和块金值与基台值之比[C0 / (C0 +C)]低反映随机
因素引起的异质性占总空间异质性的比重不高,表
明数据存在大量显著的结构性误差.研究区 LAIe 的
变程值在 340 ~ 750 m,说明该尺度范围内具有空间
相关性,结构性因子是影响其空间变异的主要因素.
从决定系数反映出,利用 NDVI 作为辅助变量,LAIe
精度可提高 1. 0% ,表明 NDVI 对 LAIe 空间分布精
度的提高贡献相对较小. 与 NDVI 作为辅助变量相
比,各纹理特征值为辅助变量时,LAIe的空间地统
图 4摇 不同纹理参数辅助变量的半变异函数图(高斯模型)
Fig. 4摇 Experimental omnidirectional semivariogram (Gaussian model) for different auxiliary variables of textures.
A: LAIe; B: LAIe, NDVI; C: LAIe, B1均质性 LAIe, B1 homogeneity; D: LAIe, B1 / B4均质性 LAIe, B1 / B4 homogeneity; E: LAIe, PC1均质性
LAIe, PC1homogeneity; F: LAIe, NDVI, PC1均质性 LAIe, NDVI, PC1homogeneity. 下同 The same below.
142311 期摇 摇 摇 摇 摇 摇 赵安玖等: 基于影像纹理特征的川西南山地常绿阔叶林有效叶面积指数的空间分析摇 摇
计模型精度提高幅度较大,分别为 5. 3% (B1均质
性)、11. 0% (B1 / B4均质性)、14. 5% (PC1均质性).
如同时分析植被指数(NDVI)和纹理变量对 LAIe 空
间分布影响,以 NDVI、 PC1均质性同时作辅助变
量为例,决定系数达 0. 84,模型精度提高幅度达
21郾 4% (表 2).
2郾 4摇 有效叶面积指数的估测及验证
由图 5 可以看出,研究区中部为 LAIe 的低值
区,北部为高值区. 为了检查数据的无偏性,通过实
测与估测 LAIe比较,进行空间估测方法的有效性验
证,如果估测方法是无偏的,ME理想状态下为 0,表
3 显示所有方法均为有偏估计;MAE 分析结果显示
以 LAIe、PC1均质性为辅助变量模型(模型 E)的误
差较低(0. 196),以 LAIe 和 NDVI、PC1均质性为辅
助变量模型(模型 F)的误差最低(0. 180),从 RMSE
值可以看出,模型 E、F的估算结果明显低于以 LAIe
为辅助变量模型(模型 A),以 LAIe、NDVI 为辅助变
量模型(模型 B),以 LAIe 和 B1均质性为辅助变量
模型(模型 C),以 LAIe和 B1 / B4均质性为辅助变量
模型(模型 D).由图 6 可以看出,半变异函数的基台
值与不同辅助变量的 LAIe 空间分布格局变异密切
相关,模型 B、D、F 的基台值增大明显,说明结构性
因子对 LAIe空间变异的影响越来越显著.以纹理变
量为辅助变量时,模型 E 是最佳模型;综合考虑
NDVI和纹理变量时,模型 F是最佳模型(表 3).
表 2摇 不同纹理参数辅助变量的半变异函数的参数
Table 2摇 Semivariogram parameters of different auxiliary variables of textures
模型
Model
块金值
Nugget
(C0)
基台值
Sill
(C+C0)
变程
Range
(m)
块金值 /基台值
Nugget / sill
[C0 / (C+C0)]
残差平方和
RSS
决定系数
R2
A 0. 00430 0. 1986 400 0. 0217 0. 00480 0. 685
B 0. 00020 0. 0964 750 0. 0021 0. 00175 0. 692
C 0. 00010 0. 0357 340 0. 0028 0. 00019 0. 729
D 0. 00001 0. 0252 390 0. 0003 0. 00003 0. 768
E 0. 00001 0. 0234 410 0. 0004 0. 00003 0. 792
F 0. 00001 0. 0195 410 0. 0005 0. 00002 0. 840
A: LAIe; B: LAIe, NDVI; C: LAIe, B1均质性 LAIe, B1 homogeneity; D: LAIe, B1 / B4均质性 LAIe, B1 / B4 homogeneity; E: LAIe, PC1均质性
LAIe, PC1homogeneity; F: LAIe, NDVI, PC1均质性 LAIe, NDVI, PC1homogeneity. 下同 The same below.
图 5摇 不同纹理参数辅助变量的 LAIe
Fig. 5摇 LAIe of different auxiliary variables of textures in study area.
2423 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
图 6摇 不同纹理参数辅助变量的 LAIe分布图的半变异函数
Fig. 6 摇 Omnidirectional semivariograms derived from predicted
LAI surfaces under different auxiliary variables of textures.
表 3摇 不同纹理参数辅助变量模型估测及验证表
Table 3 摇 Evaluation and validation sample plots using
different auxiliary variables of textures
模型
Model
LAIe
估测值
LAIe
estimated
value
平均误差
ME
平均绝
对误差
MAE
均方根
误差
RMSE
标准差
SD
A 2. 457 -0. 016 0. 301 0. 409 0. 436
B 2. 458 -0. 012 0. 258 0. 403 0. 431
C 2. 463 -0. 014 0. 269 0. 356 0. 429
D 2. 461 -0. 015 0. 234 0. 287 0. 428
E 2. 455 -0. 013 0. 196 0. 232 0. 427
F 2. 456 -0. 014 0. 180 0. 212 0. 425
3摇 讨摇 摇 论
纹理是反映区域中像素灰度级空间分布的属
性,是复杂的视觉实体或子模式的组合,包括亮度、
色彩、陡度、大小等特征[39] . 本研究发现,LAIe 与
SPOT5 影像单波段、比值图像及主成分图像的纹理
特征参数值的相关性密切,特别与 B1均质性值、
B1 / B4均质性值、PC1均质性值达极显著相关,这是
由于常绿阔叶林冠层结构的变化会使其纹理的均质
性加强、对比度发生显著改变,反映出冠层结构特征
会对遥感影像估算 LAIe 产生影响[40-41] .然而,这种
精确的自然结构信息的确定十分困难,因为一个特
定的纹理信息受许多现象共同影响,包括树冠直径、
立木密度、几何照度、林隙大小及分布等[42] .一般情
况下,LAI 与纹理关系的变化应随林分结构的变化
而变化,如对于同龄、郁闭冠层的幼林,其林分冠层
的纹理应十分平滑;随着林隙的增加、年龄差异和树
高分布的变化,纹理结构相应呈现粗糙趋势. 因此,
可以预期郁闭度高的成熟林分有较高的叶面积与粗
糙的纹理相联系,而郁闭冠层幼林平滑的纹理亦伴
随着较高的叶面积[41-42] .
Sarker和 Nichol[43]利用 ALOS AVNIR鄄2 数据对
区域生物量建立线性与多元回归模型时发现,植被
指数对模型精度提高不明显,而纹理结构特征则大
幅提高了模型精度,调整决定系数(R2)最高达 0. 88
(RMSE=32 t·hm-2);有学者运用不同影像源研究
植被结构反演时也证明,纹理结构特征是不可忽视
的变量[41-42] .本文以纹理变量 B1均质性值、B1 / B4均
质性值、PC1均质性值作为辅助变量,进行 COK插值
估计,相对于 NDVI 作为辅助变量其估计精度分别
提高 5. 3% 、11. 0% 、14. 5% ,以 NDVI、PC1均质性值
同时作辅助变量,模型精度提高幅度达 21. 4% ,这
与 Wulder 等[21-22]的结果一致,表明纹理结构属性
确实能提高区域 LAIe估测精度[23] .目前,利用中等
(250 m)以上分辨率卫星传感器数据估测区域和全
球的 LAI 精度已有大量研究[44-46] . Garrigues 等[44]
总结了不确定性的来源:1)获得噪声的检测质量、
参考对应点扩散函数(PSF)、校正错误、污染大气与
云、背景、地形和饱和度;2)与冠层相关的参数,如
聚集度、混合像元、植被下层变化、乔木和叶片结构;
3)输入辅助数据的准确性(如大气气溶胶厚度、土
地覆盖).本研究中,不同的图像处理方式对叶面积
估测有一定影响,单波段的纹理结构对 LAIe估测精
度的提高没有比值和主成分图像的纹理结构效果
好,这主要是后者为综合了图像的纹理特征,特别是
主成分 ( PC1的贡献率为 81. 5% ),这与 Sarker 和
Nichol[43]的研究结果一致.
White等[47]认为,使用半球照相系统测定 LAI
比 LAI鄄2000 和 CI鄄110 更精确、更有效率. 研究区
LAIe的测定采用 Winscanopy冠层分析仪,所测数据
能反映林分内林木 LAIe 的大小变化.有研究表明,
当 LAI达到 3 以后,NDVI 值便不再增加了,原因是
NDVI由红光波段与近红外波段组成,红光波段受
植被覆盖度影响较大,随植被覆盖度增大,叶绿素 a
强烈吸收红光使红光通道很快饱和,另外 NDVI 的
算式本身存在非线性问题,使得植被越来越茂密时,
NDVI不能同步增长,产生“饱和冶现象[48] . 研究区
天然次生阔叶林林龄在 30 ~ 40 年,林相完整,LAIe
值在 1. 84 ~ 3. 80,LAIe>3 的样本为 8 个,占 9郾 6% ,
且 LAIe 与 NDVI 指数回归拟合效果显著 ( R2 =
0郾 679,P<0. 001),从区域内植被组成、LAI 分布等
特征发现适合进行区域 LAIe 估测,“饱和冶不是影
响估测精度的重要原因.在复杂的植物冠层组成、非
有效光合植被的存在、复杂的土壤环境下,用实测的
342311 期摇 摇 摇 摇 摇 摇 赵安玖等: 基于影像纹理特征的川西南山地常绿阔叶林有效叶面积指数的空间分析摇 摇
有限数量的 LAI 数据来推算全区域状况有较大困
难,故运用地统计方法来解决森林变量的空间结构
和机理问题是必然趋势[49] .地统计估计方法如克里
格插值要求观测点间应有空间自相关,且要求研究
区真实的森林景观不是分散镶嵌体,然而近年来许
多学者运用空间估测技术(如确定性、克里格插值
等)来解决诸如森林生物量、LAI 的空间分布,因为
地统计估计能轻易地满足要求;另外,建立中、大尺
度区域景观结构的空间分布信息与观测数据之间的
联系,遥感技术提供了一个有效途径[50] . Viana
等[51]运用确定性、克里格等插值方法对葡萄牙中北
部区域松林、灌木地上生物量进行分析,认为即使是
不连续的森林镶嵌体,地统计方法也适用于中大尺
度区域生物量的空间估测; Carmen 等[52] 利用从
Landsat提取的 NDVI 和高程数据进行 CK 和 RK 分
析,得到较好的 LAI空间分布结果.景观尺度也强烈
影响 LAI的空间分布,如陈健等[53]利用 TM 和 MO鄄
DIS数据对芦苇植被 LAI 反演研究发现,空间自相
关的空间依赖范围可达 600 m 左右. 本文中各地统
计方法的空间依赖范围在 340 ~ 750 m,虽然本研究
区域为不连续的森林镶嵌体,这在一定程度上降低
了空间相关性,但在此尺度下仍存在空间自相关,表
明利用遥感数据、采用地统计法适于估测区域 LAIe
的空间分布.本文利用纹理变量作为辅助变量不但
提高了 LAIe估计精度,同时在一定程度上降低统计
误差.但是,利用纹理变量对 LAIe 估计有一些潜在
问题,如纹理是一个非常复杂的属性,由于感兴趣区
域对象、地形条件、选择窗口大小的不同,纹理可以
在很宽的范围内变化[54];纹理处理可以生成大量数
据,难以管理[54];预期更有效的纹理测量需使用更
高空间分辨率的图像,才能使小尺度的结构细节得
以区分[55-58] .鉴于此,下一步工作应考虑利用不同
空间分辨率遥感数据提取的纹理参数、选择不同纹
理窗口大小、影响纹理的环境因子等来研究对 LAI
估测的影响.
参考文献
[1]摇 Hopkin M. Biodiversity and climate form focus of forest
canopy plan. Nature, 2005, 436: 452
[2]摇 Li S鄄M (李淑敏), Li H (李摇 红), Sun D鄄F (孙丹
峰), et al. Estimation of regional leaf area index by re鄄
mote sensing inversion of PROSAIL canopy spectral
model. Spectroscopy and Spectral Analysis (光谱学与光
谱分析), 2009, 29(10): 2725-2729 (in Chinese)
[3]摇 Bonan GB. Importance of leaf area index and forest type
when estimating photosynthesis in boreal forests. Remote
Sensing of Environment, 1993, 43: 303-314
[4]摇 Turner DP, Cohen WB, Kennedy RE, et al. Relation鄄
ships between leaf area index, FPAR, and net primary
production of terrestrial ecosystems. Remote Sensing of
Environment, 1999, 70: 52-68
[5]摇 Kuusk A, Lang M, Nilson T. Simulation of the reflec鄄
tance of ground vegetation in sub鄄boreal forests. Agricul鄄
tural and Forest Meteorology, 2004, 126: 33-46
[6]摇 Fang HL, Liang SL. A hybrid inversion method for
mapping leaf area index from MODIS data: Experiments
and application to broadleaf and needleleaf canopies.
Remote Sensing of Environment, 2005, 94: 405-424
[7]摇 Kamel S, Christophe F, Guerric M. Comparative analy鄄
sis of IKONOS, SPOT, and ETM+ data for leaf area
index estimation in temperate coniferous and deciduous
forest stands. Remote Sensing of Environment, 2006,
102: 161-175
[8]摇 Tian Q, Luo Z, Chen JM, et al. Retrieving leaf area in鄄
dex for coniferous forest in Xingguo County, China with
Landsat ETM+ images. Journal of Environmental Manage鄄
ment, 2007, 85: 624-627
[9]摇 Wang P, Sun R, Hu J, et al. Measurements and simu鄄
lation of forest leaf area index and net primary producti鄄
vity in Northern China. Journal of Environmental
Management, 2007, 85: 607-615
[10]摇 Champion I, Dubois鄄Fernandez P, Guyon D, et al. Ra鄄
dar image texture as a function of forest stand age. Inter鄄
national Journal of Remote Sensing, 2008, 29: 1795 -
1800
[11]摇 Bruniquel鄄Pinel V, Gastellu鄄Etchegorry JP. Sensitivity
of texture of high resolution images of forest to biophysi鄄
cal and acquisition parameters. Remote Sensing of Envi鄄
ronment, 1998, 65: 61-85
[12]摇 Song C, Woodcock CE. Estimating tree crown size from
multiresolution remotely sensed imagery. Photogramme鄄
tric Engineering and Remote Sensing, 2003, 69: 1263-
1270
[13]摇 St鄄Onge BA, Cavayas F. Estimating forest stand struc鄄
ture from high resolution imagery using the directional
variogram. International Journal of Remote Sensing,
1995, 16: 1999-2021
[14] 摇 Song CH, Woodcock CE. The spatial manifestation of
forest succession in optical imagery: The potential of
multiresolution imagery. Remote Sensing of Environ鄄
ment, 2002, 82: 271-284
[15]摇 Song C, Dickinson MB. Extracting forest canopy struc鄄
ture from spatial information of high resolution optical
imagery: Tree crown size versus leaf area index. Inter鄄
national Journal of Remote Sensing, 2008, 29: 5605 -
5622
[16]摇 Warner T, Steinmaus K. Spatial classification of or鄄
chards and vineyards with high spatial resolution pan鄄
chromatic imagery. Photogrammetric Engineering and
Remote Sensing, 2005, 71: 179-187
[17]摇 Franklin SE, Peddle DR. Spectral texture for improved
class discrimination in complex terrain. International
Journal of Remote Sensing, 1989, 10: 1437-1443
4423 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷
[18]摇 Franklin SE, Hall RJ, Moskal LM, et al. Incorporating
texture into classification of forest species composition
from airborne multispectral images. International Jour鄄
nal of Remote Sensing, 2000, 21: 61-79
[19]摇 Puissant A, Hirsch J, Weber C. The utility of texture
analysis to improve per鄄pixel classification for high to
very high spatial resolution imagery. International Jour鄄
nal of Remote Sensing, 2005, 26: 733-745
[20]摇 Kayitakire F, Hamel C, Defourny P. Retrieving forest
structure variables based on image texture analysis and
IKONOS鄄2 imagery. Remote Sensing of Environment,
2006, 102: 390-401
[21]摇 Wulder M, Franklin S, Lavigne M. High spatial resolu鄄
tion optical image texture for improved estimation of for鄄
est stand leaf area index. Canadian Journal of Remote
Sensing, 1996, 22: 441-449
[22]摇 Wulder M, LeDrew EF, Franklin SE, et al. Aerial im鄄
age texture information in the estimation of northern de鄄
ciduous and mixed wood forest leaf area index (LAI).
Remote Sensing of Environment, 1998, 64: 64-76
[23]摇 Colombo R, Bellingeri D, Fasolini D, et al. Retrieval of
leaf area index in different vegetation types using high
resolution satellite data. Remote Sensing of Environment,
2003, 86: 120-131
[24]摇 Gratani L, Crescente MF. Map鄄makings of plant bio鄄
mass and leaf area index for management of protected
areas. Aliso, 2000, 19: 1-11
[25]摇 Eriksson H, Eklundh L, Hall K, et al. Estimating LAI
in deciduous forest stands. Agricultural and Forest Mete鄄
orology, 2005, 129: 27-37
[26]摇 Townsend PA, Singh A, Foster JR, et al. A general
Landsat model to predict canopy defoliation in broadleaf
deciduous forests. Remote Sensing of Environment,
2012, 119: 255-265
[27]摇 Chianucci F, Cutini A. Estimation of canopy properties
in deciduous forests with digital hemispherical and cover
photography. Agricultural and Forest Meteorology,
2013, 168: 130-139
[28] 摇 Hu T鄄X (胡庭兴). Study on Montane Forest Ecosys鄄
tems in Southwest China. Beijing: Science Press, 2011
(in Chinese)
[29]摇 Zhao A鄄J (赵安玖), Hu T鄄X (胡庭兴), Chen X鄄H
(陈小红). Multiple鄄scale spatial analysis of community
structure in a mountainous mixed evergreen鄄deciduous
broad鄄leaved forest southwest China. Biodiversity Science
(生物多样性), 2009, 17(1): 43-50 (in Chinese)
[30]摇 Chen JM. Optically鄄based methods for measuring sea鄄
sonal variation of leaf area index in boreal conifer
stands. Agricultural and Forest Meteorology, 1996, 80:
135-163
[31]摇 Demarez V, Duthoit S, Baret F, et al. Estimation of
leaf area and clumping indexes of crops with hemisphe鄄
rical photographs. Agricultural and Forest Meteorology,
2008, 128: 644-655
[32]摇 Lu D. Aboveground biomass estimation using Landsat
TM data in the Brazilian Amazon. International Journal
of Remote Sensing, 2005, 26: 2509-2525
[33]摇 Tian Y鄄Q (田艳琴), Guo P (郭 摇 平). Texture fea鄄
ture extraction of multiband remote sensing image based
on gray level co鄄occurrence matrix. Computer Science
(计算机科学), 2004, 31 (12): 162 - 163 ( in Chi鄄
nese)
[34]摇 Wackernagel H. Multivariate Geostatistics. Berlin:
Springer, 2003
[35]摇 Davis B. Uses and abuses of cross鄄validation in geosta鄄
tistics. Mathematical Geology, 1987, 19: 241-248
[36]摇 Goovaerts P. Geostatistics for Natural Resources Evalua鄄
tion. New York: Oxford University Press, 1997
[37]摇 Lloyd CD. Local Models for Spatial Analysis. Boca Ra鄄
ton, FL, USA: CRC Press, 2007
[38]摇 Berterretche M, Hudak AT, Cohen WB, et al. Compar鄄
ison of regression and geostatistical methods for mapping
Leaf Area Index (LAI) with Landsat ETM+ data over a
boreal forest. Remote Sensing of Environment, 2005,
96: 49-61
[39]摇 Rosenfeld A, Kak A. Digital Picture Processing. Wash鄄
ington DC, USA: Academic Press, 1982
[40]摇 Ozdemir I, Karnieli A. Predicting forest structural pa鄄
rameters using the image texture derived from World鄄
View鄄2 multispectral imagery in a dryland forest, Israel.
International Journal of Applied Earth Observation and
Geoinformation, 2011, 13: 701-710
[41]摇 Wood EM, Pidgeon AM, Radeloff VC, et al. Image tex鄄
ture as a remotely sensed measure of vegetation struc鄄
ture. Remote Sensing of Environment, 2012, 121: 516-
526
[42]摇 Gray J, Song C. Mapping leaf area index using spatial,
spectral, and temporal information from multiple sen鄄
sors. Remote Sensing of Environment, 2012, 119: 173-
183
[43]摇 Sarker LR, Nichol JE. Improved forest biomass esti鄄
mates using ALOS AVNIR鄄2 texture indices. Remote
Sensing of Environment, 2011, 115: 968-977
[44]摇 Garrigues S, Lacaze R, Baret F, et al. Validation and
intercomparison of global leaf area index products de鄄
rived from remote sensing data. Journal of Geophysical
Research, 2008, 113: G02028
[45]摇 Fang HL, Wei SS, Liang SL. Validation of MODIS and
CYCLOPES LAI products using global field measurement
data. Remote Sensing of Environment, 2012, 119: 43-
54
[46]摇 Fang HL, Wei SS, Jiang CY, et al. Theoretical uncer鄄
tainty analysis of global MODIS, CYCLOPES, and
GLOBCARBON LAI products using a triple collocation
method. Remote Sensing of Environment, 2012, 124:
610-621
[47]摇 White MA, Asner GP, Nemani RR, et al. Measuring
fractional cover and leaf area index in arid ecosystems:
Digital camera, radiation transmittance, and laser alti鄄
metry methods. Remote Sensing of Environment, 2000,
74: 45-57
[48]摇 Wang Z鄄X (王正兴), Liu C (刘 摇 闯), Huete A.
From AVHRR鄄NDVI to MODIS鄄EVI: Advances in vege鄄
tation index research. Acta Ecologica Sinica (生态学
542311 期摇 摇 摇 摇 摇 摇 赵安玖等: 基于影像纹理特征的川西南山地常绿阔叶林有效叶面积指数的空间分析摇 摇
报), 2003, 23(5): 979-987 (in Chinese)
[49]摇 Hengl T. A Practical Guide to Geostatistical Mapping.
Amsterdam, the Netherlands: University of Amsterdam,
2009
[50]摇 Pettorelli N, Vik JO, Mysterud A, et al. Using the
satellite鄄derived NDVI to assess ecological responses to
environmental change. Trends in Ecology and Evolution,
2005, 20: 503-510
[51]摇 Viana H, Aranha J, Lopes D, et al. Estimation of
crown biomass of Pinus pinaster stands and shrubland
above鄄ground biomass using forest inventory data, re鄄
motely sensed imagery and spatial prediction models.
Ecological Modelling, 2012, 226: 22-35
[52]摇 Carmen H, Le佼nia N, Domingos L, et al. Data fusion
for high spatial resolution LAI estimation. Information
Fusion, 2012, 16: 59-67
[53]摇 Chen J (陈 摇 健), Ni S鄄X (倪绍祥), Li J鄄J (李静
静), et al. Scaling effect and spatial variability in re鄄
trieval of vegetation LAI from remotely sensed data. Acta
Ecologica Sinica (生态学报), 2006, 26(5): 1502 -
1508 (in Chinese)
[54]摇 Chen D, Stow DA, Gong P. Examining the effect of
spatial resolution and texture window size on classifica鄄
tion accuracy: An urban environment case. International
Journal of Remote Sensing, 2004, 25: 2177-2192
[55]摇 Boyd DS, Danson FM. Satellite remote sensing of forest
resources: Three decades of research development. Pro鄄
gress in Physical Geography, 2005, 29: 1-26
[56]摇 Tuominen S, Pekkarinen A. Performance of different
spectral and textural aerial photograph features in multi鄄
source forest inventory. Remote Sensing of Environment,
2005, 94: 256-268
[57]摇 Gu C鄄Y (谷成燕), Du H鄄Q (杜华强), Zhou G鄄M
(周国模), et al. Retrieval of leaf area index of Moso
bamboo forest with Landsat Thematic Mapper image
based on PROSAIL canopy radiative transfer model.
Chinese Journal of Applied Ecology (应用生态学报),
2013, 24(8): 2248-2256 (in Chinese)
[58]摇 Zou J (邹摇 杰), Yan G鄄J (阎广建). Optical methods
for in situ measuring leaf area index of forest canopy: A
review. Chinese Journal of Applied Ecology (应用生态
学报), 2010, 21(11): 2971-2979 (in Chinese)
作者简介摇 赵安玖,男,1975 年生,博士,副教授. 主要从事
林业 GIS、林木生长与环境关系研究. E鄄mail: zaj9828 @
aliyun. com
责任编辑摇 杨摇 弘
6423 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 25 卷