全 文 ：植物学报 Chinese Bulletin of Botany 2010, 45 (5): 566–578, www.chinbullbotany.com
doi: 10.3969/j.issn.1674-3466.2010.05.006

——————————————————
收稿日期: 2009-08-05; 接受日期: 2009-12-14
基金项目: 国家自然科学基金(No.40901173)、863计划(No.2007AA10Z201, 2006AA10Z201)、北京市自然科学基金(No.4102021)和中
国科学院遥感应用研究所遥感科学国家重点实验室开放基金(No.2009KFJJ020)
* 通讯作者。E-mail: guijun.yang@163.com
多源多角度遥感数据反演森林叶面积指数方法
杨贵军1*, 黄文江1, 王纪华1, 邢著荣1, 2
1国家农业信息化工程技术研究中心, 北京 100097; 2山东科技大学摄影测量与遥感系, 青岛 266510
摘要 利用北京1号和Landsat多源数据组合成4个角度多波段数据集, 在考虑森林三维垂直分布特点的基础上, 结合
INFORM几何光学与辐射传输混合模型, 通过聚类+神经元网络方式, 建立相应的多源多角度LAI反演模型。最后利用实地
LAI测量数据和MODIS LAI产品, 对不同角度组合和噪声水平下的LAI反演结果进行验证。结果表明: 在保证数据质量的条件
下, 通过增加角度可以提高森林的LAI反演精度, 最终R2=0.713, RMSE=0.957, 比单个角度的反演精度平均提高约20%。
关键词 聚类+神经元网络, 森林叶面积指数, 混合模型, 多源多角度
杨贵军, 黄文江, 王纪华, 邢著荣 (2010). 多源多角度遥感数据反演森林叶面积指数方法. 植物学报 45, 566–578.
森林是陆地上面积最大和生产力最高的生态系
统, 是生物圈的能量基地。森林植被与光辐射相互作
用既影响全球碳和氮等重要元素的生物地球化学循
环, 又影响气候的形成与能量流动。因此, 叶面积指
数(leaf area index, LAI)作为许多气候、生态和循环模
型中需要的输入因子(Sellers et al., 1986; Bonan,
1993; Chase et al., 1996; Liu et al., 1997; Wicks
and Curran, 2003), 被广泛应用于全球碳循环和气
候变化的分析中。
叶面积指数一直是遥感反演领域的研究热点和
难点(Verhoef, 1984; Goel, 1988; Goel et al., 1991;
Kuusk et al., 2004; Fang and Liang, 2005)。国内外
专家利用多光谱和高光谱遥感数据开展了大量的研
究工作(Kamel et al., 2006; 吴朝阳和牛铮, 2008)。随
着高光谱传感器(具有光谱分辨率高、波段多、数据
量大、信息量丰富和谱像合一等优点, 对地物的识别
能力更强)的研制成功, 应用高光谱遥感数据反演LAI
的研究也越来越多(Sandmeier and Deering, 1999;
周宇宇等, 2003; Martin et al., 2005)。此外, 由于多
角度遥感能够提供植被辐射方向性信息, 隐含植被立
体结构特征, 因而能够有效地提高森林LAI的反演精
度(冯晓明和赵英时, 2006); 但目前在轨多角度传感
器数量极少, 如何利用现有不同传感器形成的多源多
角度数据进行LAI反演成为亟待解决的问题。
目前, LAI反演方法主要有2种, 即经验模型法和
物理模型法(Weiss and Baret, 1999; Liang et al.,
2003)。(1) 经验模型法 , 即回归分析法(Chase et
al.,1996)。通常是在SVI(spectral vegetation index)
与LAI之间建立1个线性或指数的回归经验模型, 是
目前发展较成熟且使用最为广泛的LAI反演方法。但
该模型受到饱和效应存在的局限(Schlerf and Atz-
berger, 2006), 且获取的经验关系常依赖于场景和传
感器 , 致使其通用性受到一定限制 (Gemmell and
Varjo, 1999)。(2) 物理模型法, 是指利用基于物理方
法的(森林)冠层反射率模型进行LAI反演。其中以几何
光学模型(Li and Strahler, 1992a, 1992b; Chen and
Leblanc, 1997)和辐射传输模型(Verhoef, 1984)为基
础的混合模型最具代表性。Rosema等(1992)建立了
FLIM模型(forest light interaction model), 由于该模
型只考虑单次散射, Hu等(2000)发现其不能很好地解
决森林样地间背景信号的变化。Li等(1995)也提出了
适合反演森林的混合模型, 模型中考虑了单次和多次
散射过程。Kuusk(1995)提出的MCRM模型(Markov
chain canopy reflectance model)可在不同太阳天顶
角下用来模拟2层冠层的反射率, 冠层被假设在水平
地表上均一分布。应用该模型可从ETM数据(Kuusk,
·技术方法·
杨贵军等: 多源多角度遥感数据反演森林叶面积指数方法 567
1998)和POLDER数据(Bicheron and Leroy, 1999)
反演LAI, 并能进行叶绿素含量和MODIS数据的LAI
制 图 。 Nilson 和 Peterson(1991) 与 Nilson 和
Kuusk(2004)提出了方向性多光谱模型, 后来Nilson
和Kuusk又对该模型进行了改进, 将PROSPECT和
MCRM作为子模型加入其中, 并利用GeoSAIL模型
对该模型进行了验证, 结果显示它适用于针叶林LAI
的反演(Huemmerich, 2001)。FLIM-CLUS(forest light
interaction model-clustering)(Femandes et al.,
2002)是改进的FLIM(Hu et al., 2000)模型 , 其与
INFORM模型 (invertible forest reflectance model)
(Schlerf and Atzberger, 2006)均是基于FLIM模型发
展而来的。其中, INFORM模型是FLIM、SAILH和
PROSPECT三种模型的结合, 目前已得到广泛应用。
成功反演除了具备多源多角度数据和反演方法
外, 还需要选择适合的反演策略(Jacquemoud et al.,
2000)。常用的反演策略包括: 代价函数算法(Goel,
1988)、查找表法(Knyazikhin et al., 1998a, 1998b)
和人工神经网络法(Gong et al., 1999; Udelhoven
and Schutt, 2000; Kimes et al., 2002)。
本文基于INFORM模型, 建立了聚类+神经元网
络(artificial neural network, ANN)的反演方法, 利用
多源多角度数据实现了对森林LAI的反演。
1 材料与方法
1.1 研究区域概况
研究区位于我国江西省千烟洲人工森林区 (26°44′
48″N, 115°04′13″E)。该区主要树种为湿地松(Pinus
elliottii)、马尾松(Pinus massoniana)、杉木(Cunning-
hamia lanceolata)和木荷(Schima superba)等, 以针
叶林为主, 有少量针阔混交林, 阔叶林主要树种为柑
橘(Citrus reticulata), 常绿植被覆盖度为76%。
1.2 实验场数据获取
2006年10–11月, 在江西省千烟洲人工森林区进行实
验, 测量的主要参数包括: 冠层LAI、林下LAI、树干
密度(stem density, SD)、冠层直径(canopy diameter,
CD)、平均树高(height, H)、冠层叶片水分含量(con-
tent of water, Cw)和叶绿素值(Cab)。
冠层LAI值用LAI-2000仪器(Nebraska, USA)测
得, 于阴天或傍晚(散射光条件)时测量。在20 m × 20
m的样地内测量样地4个角上2 m × 2 m样方以及中间
2 m × 2 m样方的LAI值, 取全部测量的平均值作为20 m
× 20 m样地的LAI值, 共测量15组LAI值。同时, 在
20 m × 20 m的样地内还测定了20组树干密度、树冠
直径以及树高, 同样取其均值代表整个样方的值。利
用称重法测量冠层叶片的水分含量, 叶片的取样方法
为: 分别取同一株树上、中和下不同部位的叶片。此
外, 采集样方内的部分叶片用于叶绿素浓度测定, 摘
取新鲜叶片, 现场冷藏保存后, 带回实验室进行分析
测定。
利用ASD FieldSpec Pro光谱仪(Colorado, USA)
测定冠层的光谱量数据。光谱量的测定是在林中40 m
高的观测塔上进行; 同时还测定了观测塔附近裸露土
壤的光谱曲线(与植被覆盖下的森林土壤并不完全一
致, 此差异可能会给模型验证带来一定误差)以及大
气温度和湿度, 并估算能见度。
1.3 遥感数据获取与处理
多角度数据包含了目标立体结构特征的信息, 增加了
模型反演过程中的先验知识, 可以弥补单一角度数据
反演的不足。但是, 由于现有在轨传感器存在时间分
辨率和空间分辨率的矛盾, 很难在短时期内获得同时
具有高空间分辨率和多角度的遥感数据。因此, 本文
利用短时期内的多源数据构建了多角度数据集, 用于
反演森林LAI。
构建的多角度数据集包括1个时相的Landsat 5
TM(L5TM)数据和3个时相的北京1号小卫星数据。北
京1号小卫星传感器观测视角大、覆盖范围广, 且其
获取32 m多光谱数据的周期短, 与L5TM 影像2、3、
4波段具有相近的特征和性能, 便于构造多角度数据
集。此外, 北京1号小卫星数据和地面测量的数据(在
20 m × 20 m样方内分点测量的平均值)与Chloro-
phyll L5TM数据的观测尺度相近, 适于与TM数据构
成多角度数据集, 也适用于地面测量数据的验证分
析。北京1号小卫星多光谱遥感器由2组线性CCD推扫
式成像仪构成, 成像仪由绿波段(520–620 nm)、红波
段(630–690 nm)和近红外波段(760–900 nm)相机组
成。星下点分辨率为32 m, 幅度为600 km, 视场角为
37.9°。TM数据使用了与北京1号小卫星波段对应的
2、3和4波段数据(二者波段范围基本一致)。表1列出
568 植物学报 45(5) 2010
了获取遥感数据的相关信息。
北京1号小卫星数据的辐射定标系数是利用北京
1号小卫星在2005年11月14日至2006年3月31日期
间获取的图像与 Landsat5/TM、SPOT4/HRVV和
Terra/MODIS进行交叉定标获得。L5TM数据则是采
用Gyanesh和Brian(2003)中定标系数进行辐射定标。
大气校正采用6S模型进行, 其中气溶胶光学厚
度通过利用卫星过境时刻CLMEL太阳分光光度计测
量数据处理得到, 4个时刻的气溶胶光学厚度分别为:
0.28、0.32、0.41和0.44 (lamda = 550 nm)。
遥感数据配准: 先采用30个地面控制点对L5TM
数据进行二次多项式法几何纠正 , 投影坐标系为
UTM-WGS84; 然后参考纠正后的L5TM数据对3个
时相的北京1号小卫星数据进行 image-image配准,
重采样方法选择最近邻法。图1为经过上述处理的多
角度遥感数据。
1.4 森林冠层反射率模型
INFORM(Schlerf and Atzberger, 2006)模型是一个
基于几何光学模型和辐射传输模型的混合模型。它不
仅考虑了树冠冠层透过率的方向性, 而且考虑了树冠
的空间分布和几何形状; 其建模原理简单合理, 便于
重建与反演分析。INFORM模型可以模拟400–2 500
nm之间的森林双向反射率特性, 是对FLIM、SAILH
和PROSPECT三个模型的有机结合。实际上 , IN-
FORM模型是在FLIM(Rosema et al., 1992)模型的基
础上改进得到的, 并加入了LIBERTY或PROSPECT
模型(模拟针叶及阔叶叶片的反射率)。
INFORM模型考虑了阴影和冠层传输。森林被看
作是不连续的冠层, 有树冠和空隙。一个给定的波段,
样地反射率(R)的计算公式为:
R = RC×C + RG×G (1)
式中, RC为无限冠层厚度的冠层反射率; RG为背景反
射率, G为地表因子, C为冠层因子。其中, C的计算公
式如下:
C = (1–Ts×To)×Cs×Co (2)
式中, Ts为太阳方向的平均冠层透过率; To为观测方
向的平均冠层透过率; 它们均与LAI有潜在的关系。
Co为观测方向的冠层地表覆盖率; Cs为太阳方向的
冠层地面覆盖率。地表因子(G)的计算公式为:
G = Fa×Ts×To + Fb×To + Fc×Ts + Fd (3)
式中, Fa为阴影树冠; Fb为光照树冠; Fc为阴影地表;
Fd为光照地表。地表覆盖率(Co)和地面覆盖率(Cs)
由树高、冠层直径、光照和观测几何计算得到, 计算
时考虑了Co和Cs的相关关系。当观测天顶角为θo时,
观察到的地表覆盖率(Co)的计算公式如下:



图1 经过处理的多角度遥感数据
(A) L5TM; (B) BJ1_1; (C) BJ1_2; (D) BJ1_3

Figure 1 The processed remote sensing multi-angle data
(A) L5TM; (B) BJ1_1; (C) BJ1_2; (D) BJ1_3

表1 多源遥感数据的角度配置及波段信息
Table 1 The information and configuration of multi-source and multi-angle data
Data source Acquisition
time
View zenith
angle (°)
Solar zenith
angle (°)
Relative azimuth
angle (°)
Spatial resolution
(m)
Bands
name
L5TM 2006-11-03 7.817 6 46.565 4 97.463 2 30 2, 3, 4
BJ1_1 2006-11-04 10.975 3 44.441 2 111.167 8 32 1, 2, 3
BJ1_2 2006-10-30 17.602 5 43.535 9 137.398 1 32 1, 2, 3
BJ1_3 2006-11-11 7.501 1 47.532 2 167.660 7 32 1, 2, 3
杨贵军等: 多源多角度遥感数据反演森林叶面积指数方法 569

-k
cos1 e
SD
oCo θ
⋅
= − (4)
式中, SD为树林密度(棵·hm–2); k为常量, 表示树冠的
平均水平面积(hm2)。参考观测方向的冠层地表覆盖
率, 太阳天顶角为θs时的冠层地面覆盖率(Cs)的计算
公式为:

k
cos1 e
SD
sCs θ
− ⋅
= − (5)
k的计算公式为:
⋅=
2π(0.5 )
10000
CDk (6)
式中, CD为冠层直径(m)。冠层透过率Ts和To均被假
设为LAI的指数函数。
SAILH模型用于计算植被冠层的双向辐射传输,
INFORM模型中的冠层透过率用SAILH模型计算出
的4个通量中的1个来赋值。若计算观测方向和太阳方
向的平均冠层透过率, 除需给定叶片透过率T和叶片
反射率ρ外, 还需要以下参数: LAI、平均叶倾角ALA
(average leaf inclination angle)、观测天顶角(θo)、
太阳天顶角(θs)、太阳与传感器之间的相对方位角
(ψ)、散射辐射比例(sky1)和热点参数(hot)。To和Ts
的计算公式如下:
To = fSAIL(LAI,ALA,T,ρ,θo,Ψ,sky1,hot) (7)
Ts = fSAIL(LAI,ALA,T,ρ,θs,Ψ,sky1,hot) (8)
式中, hot被定义为叶片平均大小与冠层高度的比例。
在INFORM模型中, 无限冠层深度的冠层反射率
(RC)和背景反射率(RG)采用SAILH和一个适宜的叶片
光学特征模型来计算。对于一个给定的太阳入射和观
测角度, RG的计算公式如下:
RG = fSAIL(LAIU,ALAU,T,ρ,ρsoil,θo,θs,Ψ,sky1,hot) (9)
式中 , LAIU和ALAU分别为林下植被的LAI和ALA,
ρsoil为土壤反射率。本文使用了研究区实测的土壤反
射率光谱。林下植被的叶片光学特征(ρ, T)值由PRO-
SPECT模型计算而来。对于给定的入射和观测角度,
RC的计算公式为:
RC = fSAIL(LAIinf,ALA,T,ρ,ρsoil,θo,θs,Ψ,sky1,hot) (10)
式中, LAIinf为无限冠层深度情况下的LAI。
模型输入的叶片透过率和反射率光谱考虑了落
叶林和针叶林2种情况。对于落叶林, 可使用PRO-
SPECT模型模拟得到; 对于针叶林, 可使用LIBER-
TY模型(Dawson et al., 1998)模拟针叶的光学特征。
PROSPECT模型设计的目的不是用来模拟针叶林的
光学特性, 只有当结构参数N较大时, 用其模拟针叶
叶片光学特征才可获得较好的结果。LIBERTY是一个
通用的辐射传输模型 , 用于模拟针叶或针叶层在
400–2 500 nm之间的反射率和透过率光谱。除
LIBERTY的创建者本人提供的验证外, 较少有人验
证该模型。Schlerf等(2005)在针叶层测试了该模型,
结果表明: 在模拟与测量光谱间, LIBERTY显示出较
好的一致性。LIBERTY模型将针叶视为细胞的集合
体, 计算细胞间的多次散射。利用该模型计算针叶透
过率(T)和反射率(ρ)时, 把它们作为3个结构参数(细
胞直径(d), 细胞间隙(i), 叶片厚度(t))和叶片生物化
学物质(叶绿素(Cab)、水(Cw)、木质素和纤维素(cL)
以及蛋白质(cP))的函数。具体计算公式如下:
T = fLIBERTY(d, i, t, Cab, Cw, cL, cP) (11)
ρ = fLIBERTY(d, i, t, Cab, Cw, cL, cP) (12)
总之, 利用INFORM模型计算样地反射率(R)可
以将其表示为内部冠层参数、叶片参数和外部参数的
函数, 即
R = fINFORM(SD, CD, H, LAI, ALA, LAIinf, LAIU,
ALAU, ρsoil, d, i, t, Cab, Cw, cL, cP, θo, θs, Ψ, sky1,
hot) (13)
1.5 反演方法与策略
人工神经网络法已被许多学者成功用于遥感反演, 但
由于ANN的训练过程非常耗时, 且当目标光谱特征
难以用模型模拟时, ANN的行为将不可预知, 导致反
演结果的可靠性降低、不确定性增大。为了提高反演效
率, 降低反演结果的不确定性, 本文将聚类方法引入到
反演过程中, 建立了K-means聚类+ANN的反演方法。将
训练数据聚类后, 对每类数据分别进行反演, 样本差异
性减小, 反演效率明显提高。此外, 由于每类数据有其
独有的反演模型, 反演稳定性也明显增强。
反演过程主要包括以下几个步骤(图2)。(1) 以遥
感影像的波段设置和观测角度等信息为基础, 结合实
验观测数据, 利用INFORM模型模拟每个角度组合下
的冠层反射率, 并将它们组合成多角度冠层光谱数据
集; (2) 利用聚类+快速神经网络的反演方法训练模
拟得到的冠层光谱数据集, 进而得到关于LAI和多角
度波段反射率的反演模型; (3) 对多源多角度数据进
行辐射定标、大气校正和配准, 得到相同空间分辨率
下的各像元的多角度反射率; (4) 将得到的反演模型
570 植物学报 45(5) 2010
应用于多角度反射率遥感数据, 得到冠层的LAI; (5)
利用研究区实际的LAI观测值和MODIS LAI产品对反
演LAI进行验证, 并评价反演的精度。
根据表1列出的多角度遥感数据的观测角度, 本
文使用INFORM模型进行了聚类+ANN训练和验证数
据的模拟。模拟的每一组数据均为不同参数设置下
(表2)的12条反射率数据(4角度×3波段)。模拟过程中
需要输入的其它参数则采用实验测量值。实际上, 本
文只需要模拟关于LAI变化的数据集, 但为了在应用
模型进行反演前对其加以验证, 故考虑了更多的模拟



图2 神经元网络+聚类法反演森林LAI流程
ANN: 神经元网络; LAI: 叶面积指数

Figure 2 The workflow of using the artificial neural network
and K-means clustering to invert LAI based on INFORM
model
ANN: Artificial neural network; LAI: Leaf area index


表2 INFORM 模型输入参数及范围
Table 2 The range of parameters for INFORM model
The parameters of model Minimum Maximum Step
Stem density (h·m–2) 250 2 042 224
Canopy diameter (m) 2.00 7.68 0.71
Canopy LAI (m2·m–2) 0.5 7.5 1.0
Understory LAI (m2·m–2) 0.500 0.716 0.027
Understory leaf dry
matter (g·cm–1)
0.001 9 0.016 6 0.002 1
Canopy leaf water
content (g·m–2)
55.60 174.95 14.92
LAI: 叶面积指数 LAI: Leaf area index
输入参数, 输入参数共计262 144种组合。
图3为根据INFORM模型和表2中参数模拟的针
叶林不同冠层的LAI及不同树干密度设置下的冠层反
射率光谱, 其它参数为常量(表3)。
为了检验角度信息的增加对反演结果的影响, 分
别检验了基于使用1个角度、2个角度、3个和4个角度
的反射率数据建立多角度反演模型的情况。前3个角度



图3 根据模型输入参数INFORM模拟的不同叶面积指数(LAI)
(A)和树干密度(SD)(B)反射率值(观测几何参考L5TM数据设
置)

Figure 3 Simulated canopy reflectance based on INFORM
model at different leaf area index (LAI) (A) and stem density
(SD) (B) values (the observation geometry is the same as
L5TM)
杨贵军等: 多源多角度遥感数据反演森林叶面积指数方法 571
表3 INFORM模型输入的常量参数
Table 3 Input constant parameters of INFORM model for
simulation
Name Variables description Value Unit
CD Crown diameter 4 m
Cab_C Chlorophyll content of tree leaf 2.48 mg·g–1
Cw_C Water content of tree leaf 103.3 g·m–2
Cl_C Lignin and cellulose content 63.4 g·m–2
CP_C N content of tree leaf 1.15 g·m–2
LAI_U Average LAI of understory 0.5 m2·m–2
Cab_U Chlorophyll content of understory 50 g·cm–1
Cw_U Water content of understory 0.025 5 g·cm–1
N_U Structure parameter of understory 2
Cm_U Dry matter content of understory 0.005 8 g·cm–1
ALA_C Average leaf angle of tree canopy 55 Degree
ALA_U Average leaf angle of understory 10 Degree
vis Atmosphere visuable distance 10 km
Vws Soil volume water content 10 %


数据均使用由北京1号小卫星影像角度信息得到的模
拟数据, 第4个角度使用的是TM角度信息模拟的数
据。此外, 还建立了单独使用TM模拟数据反演的模型。
2 结果与讨论
2.1 反演模型验证
在以模拟的不同参数条件下的多角度数据集((1)单个
角度数据, 取与BJ1_1相同观测角度的数据; (2) 2个
角度数据, 取与BJ1_1和BJ1_2相同观测角度的数据;
(3) 3个角度数据, 取与BJ1_1、BJ1_2和BJ1_3相同
观测角度的数据; (4) 4个角度数据, 取与BJ1_1、
BJ1_2、BJ1_3和L5TM相同观测角度的数据)为基础
进行聚类和ANN训练过程中 , 随机选取数据集中
50%的数据作为样本, 其余50%作为聚类+ANN反演
模型的验证数据。分析了角度信息的增加对反演冠层
LAI的影响, 保证在将反演模型用于真实遥感数据反
演LAI时具有最佳精度。
从图4可以看出, 对于反演冠层LAI, 每增加1个
角度的数据, 其反演结果的精度就会得到一定程度的
提高。但是, 由于信息冗余导致饱和效应的存在, 提
高的幅度将逐渐变小。此外, 由于验证数据由模拟得
到, 不包含噪声等可能造成误差的外界因素, 故反演
精度均较高。根据上述研究结果, 可以得出以下结论:
使用聚类+神经网络的反演方法, 与单角度反演相比,




图4 基于模拟数据验证聚类+ ANN反
演模型
LAI: 叶面积指数

Figure 4 The validation of ANN+
cluster inversion method based on sim-
ulated data
LAI: Leaf area index
572 植物学报 45(5) 2010
多角度反演确实能够提高反演的精度; 并且, 从1个角
度增加为2个角度反演时, 精度提高最快; 然而随着反
演角度的继续增加, 反演精度增加幅度逐渐减小。
2.2 多源数据LAI的反演
利用建立的聚类+ANN多角度遥感反演模型, 进行了
基于真实遥感数据的LAI反演, 并用地面测量的数据
对反演结果进行了验证。由于遥感数据受地表复杂状
况、大气条件和传感器辐射误差等的影响, 使得多角
度反射率数据集存在一定的噪声, 因此反演模型要具
有一定的抗噪能力才能得到比较好的反演结果。图5
为利用无噪声模拟数据得到的聚类+ANN反演模型反
演的冠层LAI的结果。
从图5可以看出, 反演结果不太理想, 特别是利
用2个角度和3个角度反演时, 出现了明显不符合实
际的结果, 导致难以判断增加角度对提高反演精度的
作用。除L5TM数据的反演精度较高外, 北京1号小卫
星数据的反演精度均比较低。因此为了保证多角度反
演的精度, 首先应消除单角度反演中存在的误差。经
分析得出BJ1_2和BJ1_3两幅图受大气影响比较严
重, 图像的噪声点也比较多, 为此对二者进行了5×5
模版的线性滤波。


图5 不同角度组合反演森林冠层叶面积指数(LAI)的结果(不考虑噪声影响)
(A) BJ1_1反演LAI; (B) BJ1_1 + BJ1_2反演LAI; (C) BJ1_1 + BJ1_2 + BJ1_3反演LAI; (D) BJ1_1 + BJ1_2 + BJ1_3 + L5TM反演
LAI

Figure 5 Inversion of forest leaf area index (LAI) based on different multi-angle data (without considering noise)
(A) Inversion from BJ1_1; (B) Inversion from BJ1_1 and BJ1_2; (C) Inversion from BJ1_1, BJ1_2 and BJ1_3; (D) Inversion from
BJ1_1, BJ1_2, BJ1_3 and L5TM
杨贵军等: 多源多角度遥感数据反演森林叶面积指数方法 573
另外, 为了增强聚类+ANN反演模型的抗噪能力,
本文重新在训练数据中加入了1%的随机噪声, 并按
照图2流程重新进行训练后得到反演模型。图6为重新
得到的森林冠层LAI的反演结果。
从图6可以看出, 在训练数据中加入随机噪声后,
反演结果直观上呈现出很好的规律性。4个冠层LAI
的分布图均呈现出相对合理的分布范围, 且LAI的变
化范围逐步增加。此外, 从图6还可以发现, 对于多角
度反演, 每增加1个角度的数据都会改变最终反演结
果的整体特点, 在多角度反演中各图像噪声被削弱。
2.3 反演结果的验证与分析
本文从2个方面对反演结果进行了验证。(1) 利用地面
观测的LAI数据进行验证 ; (2) 通过MODIS/Aqua
2006年11月1日至8日内合成的LAI产品进行验证
(Datset: MODIS/Aqua Leaf Area Index/FPAR 8-day
L4 Global 1 km SIN V005, Center lat/lon: 24.
9703deg,116.5492 deg)。
由于MODIS数据的投影和空间分辨率与本文反
演得到的LAI不同, 为了将MODIS LAI产品用于验证,
对本文反演的LAI进行了以下几何变换处理: 利用
MODIS Level-1B产品所提供的几何信息, 即观测天
顶角、方位角、景中心经纬度和高程, 将不同角度组
合下的LAI反演结果按照MODIS数据的成像过程和几
何关系进行模拟, 然后根据观测角度和经纬度信息确
定每个MODIS像元真实对应的地面瞬时视场位置和

图6 不同角度组合反演森林冠层叶面积指数(LAI)的结果(考虑了噪声影响)
(A)、(B)、(C)和(D)同图5

Figure 6 Inversion of forest leaf area index (LAI) based on different multi-angle data (considering noise)
(A), (B), (C) and (D) see Figure 5
574 植物学报 45(5) 2010
范围, 再将对应的LAI像元找出来, 根据空间加权平
均 , 得到降尺度的LAI, 最终可以得到由本文反演
LAI模拟的MODIS LAI图像(图7)。模拟的LAI图像与真
实的MODIS LAI产品像元在空间上一一对应, 且投影
方式和空间分辨率完全相同。这种几何处理更多地考
虑了2种传感器成像的内在差异, 因此, 比直接进行
二者间的配准更符合实际。
在此基础上 , 对不同角度组合下反演LAI和
MODIS LAI产品分别进行统计分析, 结果见表4。从
表4可以看出: (1) 利用未添加噪声的模拟数据训练
出的反演模型进行单个角度反演LAI时 , 单个角度
L5TM反演LAI的精度最高, 超过了4个角度数据反演
LAI的精度, 证明L5TM数据的获取、定标和处理非常
可信。此外, BJ1_1和BJ1_3成像时大气状况较差, 造
成图像质量比BJ1_2差, 也给反演带来了一定的影响。
不同角度组合遥感数据反演LAI时, BJ1_1+BJ1_2和
BJ1_1+BJ1_2+BJ1_3反演LAI的精度比BJ1_1反演
LAI的精度提高了约40%; 4个角度反演LAI的精度仅
达到了BJ1_2和L5TM单个角度反演精度的平均水
平。说明在遥感数据质量无保证的前提下, 不断增加
其它角度数据不仅不能提高LAI的反演精度, 反而会
削弱部分数据单独反演LAI的精度。(2) 模拟数据添加
噪声后, 训练出的反演模型能更好地适应含有噪声的
遥感数据, 使单个角度或多角度组合反演LAI的精度
均有显著提高, RMSE值均有不同程度的减小。利用
BJ1_1、BJ1_2和BJ1_3三个角度数据分别反演LAI
的精度比无噪声训练模型单独反演LAI的精度提高了
20%以上, 说明添加噪声训练后的反演模型更能够适
应含有噪声的遥感数据, 可以有效地提高反演LAI的
精度。但是 , 对于L5TM提高不足2%, 主要是因为
L5TM数据图像质量本身噪声影响很小, 所以添加噪
声训练后的反演模型提高其反演精度很有限。在多角
度组合数据反演LAI时, 由于反演模型能够削弱数据
噪声的影响, 故随着角度的增加, 多角度数据反演
LAI的精度会逐渐增大, 4个角度反演LAI的精度比原
来提高了30%。
图 8为 4个角度反演 L A I的几何变换结果和
MODIS LAI产品的散点图; 同时选择地面测量的LAI
和对应反演的LAI进行统计分析 , R 2=0 .445 9 ,
RMSE=0.566 8 (图8)。从图8可以看出, 经过几何变
换处理后本文反演出的LAI与MODIS LAI值基本一致
(R2=0.713, RMSE=0.957), 但与本文反演的LAI相



图7 4个角度反演叶面积指数(LAI)几何变换结果与MODIS LAI产品的比较
(A) 反演LAI; (B) MODIS LAI产品

Figure 7 Comparison of inverted leaf area index (LAI) based on four-angle data with MODIS LAI product
(A) The geometric transform of inverted LAI; (B) MODIS LAI product

杨贵军等: 多源多角度遥感数据反演森林叶面积指数方法 575


表4 不同角度遥感数据组合反演叶面积指数(LAI)与MODIS
LAI产品验证的结果
Table 4 The validation of inverted leaf area index (LAI)
based on different multi-angle data with MODIS LAI product
The training with-
out noise
The training
with noise
The combination of
multi-angle data
R2 RMSE


R2 RMSE
BJ1_1 0.324 0.819 0.403 0.673
BJ1_2 0.433 1.961 0.516 1.059
BJ1_3 0.373 1.927 0.445 1.201
L5TM 0.617 0.613 0.628 0.619
BJ1_1 + BJ1_2 0.445 2.797 0.584 0.915
BJ1_1 + BJ1_2 + BJ1_3 0.482 2.316 0.672 1.228
BJ1_1 + BJ1_2 + BJ1_3
+ L5TM
0.547 2.573 0.743 0.957


比, MODIS LAI值整体上偏低0.5–1。造成这种差异的
因素有多种, 例如反演算法、地形和传感器载荷等的
差异。此外, 反演的LAI值总体上也略大于地面测量的
LAI值, 其原因是地面测量的LAI值是垂直地面获取
的, 忽略了地形影响; 而进行多角度遥感成像时, 受
地形影响像元实际对应表面积增大, 导致LAI值增加。
从对反演结果的分析来看, 利用多角度遥感数据
反演森林冠层的LAI取得了比较满意的结果, 但由于
以下因素的存在, 限制了LAI反演精度的进一步提高。
(1)遥感数据方面: 由于北京1号小卫星3个角度数据
的定标及辐射校正的精度均低于L5TM, 加之大气状
况较差, 导致数据的质量不高, 一定程度上抑制了能
够提供 LAI反演的有效信息 , 使 BJ1_1+BJ1_2+
BJ1_3三个角度组合反演LAI的精度仅比单独L5TM
反演LAI的精度高5%。此外, 多角度遥感数据的4个角
度接近, 相关性较大, 不是最佳的角度配置, 致使冠
层的多角度信息不能够全部被观测到, 这从根本上制
约了最终LAI的反演精度。 (2) 模型方面 : 在利用
INFORM模拟训练数据时, 由于部分参数借鉴了经验
取值, 使得模拟数据与实际冠层反射率间存在一定的
偏差, 导致利用聚类+ANN方法得到的反演模型有一
定误差, 反演LAI的不确定性增大。另外, 虽然可通过
在模拟数据中添加随机噪声来提高反演模型的抗噪
能力, 但对于噪声的添加形式和强度需要通过对遥感
图像质量做出具体分析后才能确定。模型敏感性及其
区域适用性将是后续研究的重要内容。(3) 验证过程
中空间尺度效应的影响。先用GPS定位地面测量数
据, 然后将相同经纬度的反演值进行对比。实际上卫
图8 多角度叶面积指数(LAI)的反
演结果与MODIS LAI和测量LAI的
比较

Figure 8 Comparison of inverted
leaf area index (LAI) with MODIS
LAI product and measured LAI
576 植物学报 45(5) 2010
星数据与测量数据所对应的空间尺度并不完全一致,
卫星数据单个像元对应30 m×30 m的地面范围, 而
测量值对应的则是20 m×20 m的样地。所以, 计算结
果除了受卫星数据处理精度、模型假设和模型参数设
置等因素的影响外, 还会在一定程度上受到二者空间
尺度差异的影响。同样, 将反演LAI经过几何变换为
MODIS成像(MODIS liked)方式下的LAI时, 以及用重
采样过程中直接计算的均值代替MODIS像元尺度的
LAI时, 也会造成一定的误差。
今后的工作需要从反演模型区域的适用性、模型
反演精度的提高及加强地面观测和改进验证方法等
方面进行深入研究。
3 结论
本文以反演森林叶面积指数为研究目标, 基于辐射传
输模型——INFORM模型和多源多角度遥感数据完成
了森林冠层LAI的反演 , 并利用地面测量数据和
MODIS LAI产品对反演结果进行了验证。以BJ1_1 +
BJ1_2 + BJ1_3 + L5TM 4个角度遥感数据为输入,
基于聚类+ANN建立了多角度遥感数据冠层LAI反演
模型 , 该模型比利用单个角度反演LAI精度提高了
20%–200%, 表明本文设计的森林冠层LAI反演流程
和反演模型能够满足精度的要求。从本文的研究工作
可以得出以下结论。
(1) 基于INFORM模型模拟适合研究区域LAI反
演的模拟数据, 模型中重点考虑了树冠直径、密度、
叶片水分和树冠LAI等因素对冠层反射率的影响; 同
时也考虑了林下冠层对冠层光谱的影响, 主要考虑的
是林下冠层LAI和干物质含量等因素的影响。在此基
础上, 根据观测几何确定了冠层和地表的方向性空隙
率, 计算了光照、阴影树冠及光照、阴影地表4个分
量。这使模型更加接近真实的辐射传输过程, 能够有
效用于多角度遥感数据反演LAI。
(2) 利用INFORM模型建立反演模型时, 将聚类
方法用于反演, 并且将其与神经网络结合, 建立了基
于聚类+ANN的LAI反演模型, 提高了复杂模型反演
的速度和精度。将训练数据聚类后, 对每类数据分别
进行反演, 可以提高反演效率; 由于每类数据有其独
有的反演模型, 反演稳定性也得到加强。同时, 考虑
到遥感数据存在一定程度的噪声, 因此对训练数据加
入了一定的噪声, 这使得到的反演模型能够更好地适
合含有噪声影响的多角度遥感数据, 保证了冠层LAI
反演具有足够的精度。
(3) 利用地面测量LAI数据验证反演LAI, 结果为
R2=0.445 9, RMSE=0.566 8。此外, 还利用MODIS
LAI产品进行了对比。采用本文提出的几何变换方法,
将反演的LAI根据MODIS成像方式进行空间重投影转
换, 得出与MODIS像元分辨率相同的LAI, 然后再与
MODIS LAI产品进行逐一对比, 结果证明反演精度达
到R2=0.713, RMSE=0.957。
参考文献
冯晓明, 赵英时 (2006). 多角度卫星遥感多阶段目标决策反
演研究. 中国科学D辑(地球科学) 36, 672–679.
吴朝阳, 牛铮 (2008). 基于辐射传输模型的高光谱植被指数
与叶绿素浓度及叶面积指数的线性关系改进. 植物学通报
25, 714–721.
周宇宇, 唐世浩, 朱启疆, 阎广建 (2003). 基于新型机载多角
度传感器AMTIS的LAI反演. 国土资源遥感 4, 9–12.
Bicheron P, Leroy M (1999). A method of biophysical pa-
rameter retrieval at global scale by inversion of a vegeta-
tion reflectance model. Remote Sens Environ 67, 251–
266.
Bonan GB (1993). Importance of leaf area index and forest
type when estimating photosynthesis in boreal forests.
Remote Sens Environ 43, 303–314.
Chase TN, Pielke RA, Kittel TG, Running SR, Nemani R
(1996). Sensitivity of a general circulation model to global
changes in leaf area index. J Geophys Res 101, 7393–
7408.
Chen JM, Leblanc S (1997). A 4-scale bidirectional reflec-
tion model based on canopy architecture. IEEE Trans
Geosci Remote Sens 35, 1316–1337.
Dawson TP, Curran PJ, Plummer SE (1998). LIBERTY-
modeling the effects of leaf biochemical concentration on
reflectance spectra. Remote Sens Environ 65, 50– 60.
Fang HL, Liang SL (2005). A hybrid inversion method for
mapping leaf area index from MODIS data: experiments
and application to broadleaf and needleleaf canopies.
Remote Sens Environ 94, 405–424.
Femandes R, Miller JR, Hu BX, Rubinstein IG (2002). A
multi-scale approach to mapping effective leaf area index
in boreal piceamarina stands using high spatial resolution
杨贵军等: 多源多角度遥感数据反演森林叶面积指数方法 577
CASI imagery. Int J Remote Sens 23, 3547–3568.
Gemmell F, Varjo J (1999). Utility of reflectance model
inversion versus two spectral indices for estimating bio-
physical characteristics in a boreal forest test site. Re-
mote Sens Environ 68, 95–111.
Goel NS (1988). Models of vegetation canopy reflectance
and their use in estimation of biophysical parameters from
reflectance data. Remote Sens Environ 4, 1–213.
Goel NS, Rozehnal I, Thompson RL (1991). A computer
graphics based model for scattering from objects of arbi-
trary shapes in the optical region. Remote Sens Environ
36, 73–104.
Gong P, Wang SX, Liang SL (1999). Inverting a canopy
reflectance model using a neural network. Int J Remote
Sens 20, 111–122.
Gyanesh C, Brian M (2003). Revised Landsat 5 TM radio-
metric calibration procedures and postcalibration dynamic
ranges. IEEE Trans Geosci Remote Sens 41, 2674–2677.
Hu B, Inanen K, Miller JR (2000). Retrieval of leaf area
index and canopy closure from CASI data over the BO-
REAS flux tower sites. Remote Sens Environ 74, 255–
274.
Huemmerich KF (2001). The GeoSail model: a simple addi-
tion to the SAIL model to describe discontinuous canopy
reflectance. Remote Sens Environ 75, 423–431.
Jacquemoud S, Bacour C, Poilvé H, Frangi JP (2000).
Comparison of four radiative transfer models to simulate
plant canopies reflectance: direct and inverse mode.
Remote Sens Environ 74, 471–481.
Kamel S, Christophe F, Guerric M (2006). Comparative
analysis of IKONOS, SPOT, and ETM+ data for leaf area
index estimation in temperate coniferous and deciduous
forest stands. Remote Sens Environ 102, 161–175.
Kimes D, Gastellu-Etchegorry J, Este`ve P (2002). Re-
covery of forest canopy characteristics through inversion
of a complex 3D model. Remote Sens Environ 79, 320–
328.
Knyazikhin Y, Martonchik JV, Diner DJ, Myneni RB,
Verstraete M, Pinty B (1998a). Estimation of vegetation
canopy leaf area index and fraction of absorbed photo-
synthetically active radiation from MISR data. J Geophys
Res 103, 32239–32256.
Knyazikhin Y, Martonchik JV, Myneni RB, Dine DJ, Run-
ning SW (1998b). Synergistic algorithm for estimating
vegetation canopy leaf area index and fraction of ab-
sorbed photosynthetically active radiation from MODIS
and MISR data. J Geophys Res 103, 32257–32276.
Kuusk A (1995). A fast invertible canopy reflectance model.
Remote Sens Environ 51, 342–350.
Kuusk A (1998). Monitoring of vegetation parameters on
large areas by the inversion of a canopy reflectance
model. Int J Remote Sens 19, 2893–2905.
Kuusk A, Lang M, Nilson T (2004). Simulation of the re-
flectance of ground vegetation in sub-boreal forests. Agric
For Meteorol 126, 33–46.
Li XW, Strahler AH (1992a). Geometric-optical bidirectional
reflectance modeling of the discrete crown vegetation
canopy: effect of crown shape and mutual shadowing.
IEEE Trans Geosci Remote Sens 30, 276–292.
Li XW, Strahler AH (1992b). Mutual shadowing and direc-
tional reflectance of a rough surface: a geometric-optical
model. Proceedings of the International Geoscience and
Remote Sensing Symposium (IGARSS’92). New York:
Institute of Electrical and Electronic Engineers. pp. 766–
768.
Li XW, Strahler AH, Woodcock CE (1995). A hybrid geo-
metric optical-radiative transfer approach from modeling
albedo and directional reflectance of discontinuous cano-
pies. IEEE Trans Geosci Remote Sens 33, 466–480.
Liang SL, Fang H, Thorp L, Kaul M, Niel TGV, McVicar TR
(2003). Estimation and validation of land surface broad-
band albedos and leaf area index from EO-1 ALI data.
IEEE Trans Geosci Remote Sens 41, 1260–1267.
Liu J, Chen J, Cihlar J, Park W (1997). A process-based
boreal ecosystem productivity simulator using remote
sensing inputs. Remote Sens Environ 62, 158–175.
Martin S, Clement A, Joachim H (2005). Remote sensing
of forest biophysical variables using HyMap imaging
spectrometer data. Remote Sens Environ 95, 177–194.
Nilson T, Peterson U (1991). A forest canopy reflectance
model and a test case. Remote Sens Environ 37, 131–
142.
Nilson T, Kuusk A (2004). Improved algorithm for estimat-
ing canopy indices from gap fraction data in forest cano-
pies. Agric For Meteorol 124, 157–169.
Rosema A, Verhoef W, Noorbergen H, Borgesius JJ
(1992). A new forest light interaction model in support of
forest monitoring. Remote Sens Environ 42, 23–41.
Sandmeier S, Deering DW (1999). Structure analysis and
classification of boreal forests using airborne hyperspec-
tral BRDF data from ASAS. Remote Sens Environ 69,
281–295.
578 植物学报 45(5) 2010
Schlerf M, Atzberger C, Hill J (2005). Remote sensing of
forest biophysical variables using HyMap imaging spec-
trometer data. Remote Sens Environ 95, 177–194.
Schlerf M, Atzberger C (2006). Inversion of a forest reflec-
tance model to estimate structural canopy variables from
hyperspectral remote sensing data. Remote Sens Environ
100, 281–294.
Sellers PJ, Miutz Y, Sud YC, Dalcher A (1986). A simple
biosphere model (SiB) for use within general circulation
models. J Atmos Sci 43, 505–531.
Udelhoven T, Schütt B (2000). Capability of feed-forward
neutral networks for a chemical evaluation of sediments
with diffuse reflectance spectroscopy. Chemom Intell
Lab Syst 51, 9–22.
Verhoef W (1984). Light scattering by leaf layers with ap-
plication to canopy reflectance modeling: the SAIL model.
Remote Sens Environ 16, 125–141.
Weiss M, Baret F (1999). Evaluation of canopy biophysical
variable retrieval performances from the accumulation of
large swath satellite data. Remote Sens Environ 70, 293–
306.
Wicks TE, Curran PJ (2003). Flipping forests: estimating
future carbon sequestration of the boreal forest using
remotely sensed data. Int J Remote Sens 24, 835–842.

Inversion of Forest Leaf Area Index Calculated from Multi-source
and Multi-angle Remote Sensing Data
Guijun Yang 1*, Wenjiang Huang 1 , Jihua Wang1, Zhurong Xing 1, 2
1National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China; 2Department of
Photogrammetry and Remote Sensing, Shandong University of Science and Technology, Qingdao 266510, China
Abstract Beijing small satellite, named BJ-1, and Landsat TM data were used to construct multi-source and four-angle
datasets for inversion of forest leaf area index (LAI). Taking into account the vertical and 3-D distribution of forests, the
hybrid model, INFORM, combining the geometric optical model and radiative transfer model, was used to support the
retrieval model of LAI. The clustered method of ANN was utilized to obtain the information from forward INFORM- model
simulated data under different groups of input parameters. After these steps, the inversion model was applied in different
combinations of multi-angle under different levels of noise. The accuracy of inversion of forest LAI can be improved by
adding observations of angle data if the quality of data is considered. Our data analysis resulted in an accuracy of
R2=0.713, RMSE=0.957, which was 20% greater than the average accuracy of mono-angle data for inversion of LAI.
Key words clustered method of ANN, forest LAI, hybrid model, multi-source and multi-angle
Yang GJ, Huang WJ, Wang JH, Xing ZR (2010). Inversion of forest leaf area index calculated from multi-source and
multi-angle remote sensing data. Chin Bull Bot 45, 566–578.
———————————————
* Author for correspondence. E-mail: guijun.yang@163.com
(责任编辑: 孙冬花)