全 文 ：第 26 卷第 11 期
2006 年 11 月
生 　　态 　　学 　　报
ACTA ECOLOGICA SINICA
Vol. 26 ,No. 11
Nov. ,2006
利用不同分辨率卫星影像的 NDVI数据
估算叶面积指数( LAI)
———以岷江上游为例
孙鹏森1 ,刘世荣1 ,刘京涛1 ,李崇巍1 ,林　勇2 ,江　洪3
(11 中国林业科学研究院森林生态环境研究所 ,北京　100091 ; 21 北京师范大学生命科学学院 ,北京　100875 ;
31 南京大学国际地球系统科学研究所 , 南京　210093)
基金项目 :国家自然科学基金资助项目 (30471383 ,30590383) ;国家科技部重大基础研究计划资助项目 (2002CB111504) ;国家林业局森林生态环境
重点实验室基金资助项目
收稿日期 :2006204203 ;修订日期 :2006209220
作者简介 :孙鹏森 (1971～) ,男 ,山东莱州人 ,博士 ,副研究员 ,主要从事遥感及其在生态水文学中的应用研究.
Foundation item : The project was financially supported by National Natural Science Foundation of China (No. 30471383 , No. 30590383) and National Key
Fundamental Research Program(No. 2002CB111504)
Received date :2006204203 ;Accepted date :2006209220
Biography :SUN Peng2Sen ,Associate professor ,mainly engaged in remote sensing and its application in ecohydrology. E2mail :sunpsen @forestry. ac. cn
摘要 :短周期的低分辨率遥感数据为大面积估算 LAI及季节动态和物候趋势提供了有利工具 ,但基于高分辨率 LAI的遥感估算
模型在低分辨率遥感数据上应用有很大的不确定性。研究利用LAI22000 冠层分析仪与跟踪辐射和冠层结构测量仪 (TRAC) ,测
定了岷江上游流域范围内 490 块野外调查样地 (50m ×50m样方)的 LAI数据 ,结合同期较高精度卫星数据 (TM)建立了不同植被
类型的LAI2NDVI算法 ,在经过传感器的相对校正后 ,将这种算法应用到同期分辨率较低的 MODIS数据和 SPOT VEGETATION 数
据上。结果表明 ,30m 分辨率的 TM LAI的均值为 4153 ,250m MODIS LAI的均值为 3155 ,1000m VGT LAI的均值为 4120 ,随着栅格
分辨率的降低 ,总体标准差有增加的趋势 ,并且LAI值也有不同程度的低估 ,其中 MODIS LAI值被低估约 22 %。但利用 TM LAI
数据验证 MODIS 和 VGT LAI数据后发现 ,250m的 MODIS数据预测误差在 30 %左右 ,1000m的 SPOT数据预测误差则高达 50 % ,
空间重采样分析表明 ,栅格分辨率的降低是导致预测误差扩大的主要原因 ,而这也是岷江流域植被分布破碎化的体现。
关键词 :叶面积指数 ;岷江上游 ;归一化植被指数 ;TM;MODIS
文章编号 :100020933(2006) 1123826209 　中图分类号 :Q948 　文献标识码 :A
Derivation and validation of leaf area index maps using NDVI data of different
resolution satellite imageries
SUN Peng2Sen1 ,LIU Shi2Rong1 ,LIU Jing2Tao1 ,LI Chong2Wei1 ,LIN Yong2 ,J IANG Hong3 　(11 Research Institute of Forest Ecology
and Environment , Chinese Academy of Forestry , Beijing 100091 , China ; 21 College of Life Sciences , Beijing Normal Univ. , Beijing 100875 , China ; 31 International
Institute of Earth System Science , Nanjing University , Nanjing 210093 , China) . Acta Ecologica Sinica ,2006 ,26( 11) :3826～3834.
Abstract :Leaf area index(LAI) is an important vegetation structural parameter for quantitative analysis of many ecological and
hydrological processes related to vegetation dynamics as well as phenological trends. Short Revisit period and coarse or medium2
resolution satellite imageries(e. g. SPOTΠVEGETATION and MODIS) demonstrate great potential in exploring large scale leaf area
index(LAI) ,but the reliability is still unclear when LAI algorithms based on high2resolution satellite imageries applied to coarse2
resolution imageries. Totally 490 plot2LAIs(50m×50m) were measured by using Tracing Radiation and Architecture of Canopies
(TRAC) and LAI22000 instruments in the upstream catchment of Minjiang river in SW China. Landsat Thematic Mapper( TM)
scenes at 30m2resolution were used to calculate Normalized Difference Vegetation Index(NDVI) and locate ground sites. Seven land
cover2specific NDVI2LAI converting algorithm were constructed by regression analysis.
MOD NDVI products at 250m2resolution and 1000m resolution SPOTΠVEGETATION NDVI were used to produce coarse2
resolution LAI data. Since regions of the spectrum among the different sensors are not exactly the same ,a mutual calibration among
the sensors was first performed before they were used for TM LAI algorithms ,and the acquisition date of TM data ,VEGETATION
and MOD NDVI data were constrained in the same month ,i . e.July 2002 ,field measurements were carried out from 2002 to 2004
with the matching dates.
The mean LAI of the catchment derived from TM , MODIS and VEGETATION imageries are 4153 , 3155 and 4120
respectively. MODIS LAI ,VEGETATION LAI images and those in the matching TM scenes were compared ,TM LAI map is much
better correlated to MODIS LAI than to VEGETATION LAI. With the decreasing of the spatial resolution ,the LAI was likely to be
underestimated ,in particular ,MODIS LAI was underestimated by 22 %. It is possible to use MODIS 250m2resolution imagery to
map LAI distribution with acceptable error of approximately 30 % , but 1000m2resolution VEGETATION imagery causes
considerable error of 50 %. Comparisons of LAI values of different2resolution resampled from TM 30m pixels indicate that it is major
cause of scaling errors when aggregate map from high2resolution to coarse2resolution. We speculate that it is a likely result of
landscape fragmentation of this area.
Key words :leaf area index ; upstream of minjiang catchment ; normalized difference vegetation index ; TM; MODIS
叶面积指数 (Leaf Area Index ,LAI)被定义为单位地表面积上总绿叶面积的一半[1 ] ,对阔叶林而言是单侧叶
面积 ,针叶林根据叶或小枝的形态用转换系数校正[2 ] 。叶面积指数不仅作为关键的生物物理参数用来研究生
态系统光合生产力、水分以及能量平衡[3 ,4 ] ,而且还是景观乃至全球尺度生物地球化学循环中重要的植被结构
参数[5 ,6 ] ;在近来的生态水文耦合模拟研究中 ,LAI 因其水文敏感性 (调节蒸散、冠层截留等) 成为耦合生态过
程和水文过程的关键参数[7～9 ] ,而且 ,随着空间精细化模型的发展和基于过程的分布式模拟技术的应用 ,对于
关键植被参数LAI的准确估算越来越重要。
LAI在多学科和多尺度的广泛应用得益于其成功的遥感估算技术 ,其中最多的是基于各类植被指数 (VI)
(如归一化植被指数 ,NDVI)的推算技术[10 ] ,近来也有通过冠层辐射传输模型 RT 的反演算法[11 ] 和遗传算法
GA[12 ] ,以及将 RT模型和 GA 算法结合的推算技术[13 ] 。季节性规律是LAI的重要特征 ,在区域和景观尺度上 ,
由于群落组成的复杂性和气候、水分条件的分异性导致区域植被 LAI 的物候特性和时空格局非常复杂 ,国内
学者罗天祥等人根据叶片生长的形态学规律 ,建立 LAI 物候学模型 ( PhenLAI) ,并利用我国的 16 种类型的天
然林验证了其模拟的最大LAI值[3 ] 。
短周期的卫星影像为大面积植被 LAI 的季节变化和物候规律研究提供了有利的工具 ,1981 年 NOAA2
AVHRR 数据 ,1998 年以来的 SPOT VGT数据 ,2000 年以后 ,MODIS作为新一代环境遥感卫星传感器 ,它所提供
的丰富的遥感信息产品为研究植被在更短周期的物候变化提供了极为便利的条件。
目前的卫星影像具有较高空间分辨的卫星影像 ,往往其时间周期较长 (如 TM ,再访周期是 16d) ,而时间
周期较短的卫星影像 (如 MODIS ,1d 2 次) ,则数据的空间分辨率较低 ,本研究旨在探求在较高空间分辨率的情
况下建立的植被指数与叶面积指数之间的关系 ,在较低空间分辨率上应用的可行性 ,这将有助于进一步探求
更加详尽的对于较大尺度植被格局以及季节性变化的描述。
1 　研究区概况
岷江发源于岷山 ,其上游位于东经 102°～104°,北纬 32°～34°,覆盖陆地面积约 24000km2 ,多年平均年均降
水量约 1000mm ,年均温 518～911 ℃,7 月均温 1416～1716 ℃, ≥10 ℃的连续积温 1300～2500 ℃[14 ] 。由于地处
四川盆地和青藏高原的过渡地带 ,海拔高度在 600～4400m 之间变化、气象条件分异性显著 ,导致该区植被格
局复杂。从垂直分布上看 ,海拔 1600m 以下基带植被为常绿阔叶林 ,1600～2000m 代表类型为常绿和落叶阔
叶混交林 ,2000～3800m 阴坡代表类型为亚高山针叶林如岷江冷杉 ( Abies faxoniana) ;阳坡主要有川滇高山栎
( Quercus aquifolioides)为主的硬叶常绿阔叶林或灌丛 ,海拔 3800～4400m 为高山草甸 ;从纬向分布来看 ,岷江上
游南部卧龙自然保护区 ,植被和水分条件较好 ,原始植被得以保存 ;岷江上游中部茂汶地区为峡谷地貌 ,谷深
728311 期 孙鹏森 　等 :利用不同分辨率卫星影像的 NDVI数据估算叶面积指数 (LAI) ———以岷江上游为例 　
2000～3000m ,受“焚风效应”影响 ,降水量不到 500mm ,年均温及 ≥10 ℃的连续积温都较高。植被为旱生半旱
生的草本及灌木 ,不适合森林生长 ;北部为松潘草原 ,地势平坦 ,海拔较高 ,是典型的高山灌丛草甸区。
从历史上看 ,随着人口的增多 ,岷江流域的耕地面积经历了 1949～1958 年的大幅增长期 ,1958～1977 年
的平稳期和 1977～1998 年的逐年增长期 ,而与此同时 ,砍伐和土地开垦致使森林面积也由建国初期的 3915 %
左右降到了 1985 年的最低点 16 % ,20 世纪 80 年代末期随着森工转产和造林工程 ,至 1998 年森林覆盖率仅恢
复到 27 %左右[15 ] ;而人类活动频繁、破坏严重的镇紫区间 (镇江关到紫坪铺两水文站之间流域区间) 森林覆盖
率至今仍徘徊在 16 %左右[16 ] 。在今后相当长的一段时间内 ,该区的森林植被将会逐渐步入全面恢复期 ,研究
LAI 季节动态和空间分布规律 ,可以在较短的时期内掌握该区水分环境和植被的动态之间的相互适应关系 ,
对于更深入的了解和定量评价森林植被水文功能具有重要意义。
2 　研究方法
211 　叶面积指数的样地测定
LAI野外测定选取 50m ×50m 大小的样地 ,样带周边地区的植被类型较为均一 ,利用全球定位系统对样地
进行定位。LAI的测定主要利用LAI22000 冠层分析仪 ,LAI22000 是美国 LI2COR 公司的产品 ,它的设计特点是
从低矮草本到高大森林冠层结构的LAI均能测定 ,适用于在本研究区域内进行不同植被类型 LAI 测定。LAI2
2000 测定值一般称为有效 LAI[17 ] ,是假设树冠叶片的分布是完全随机的情况下 ,但实际冠层往往存在一定的
间隙尺寸分布 ,通过测定冠层间隙尺寸分布可以弥补这一不足 ,因为间隙尺寸分布包含有冠层结构信息 ,可以
定量叶子集聚效应间接测定其对 LAI的影响。加拿大国家遥感中心的陈镜明博士等研制的跟踪辐射与冠层
结构测量仪 (TRAC) ,它是测定叶面积指数 (LAI)和冠层吸收光合作用有效辐射分量 (fPAR) 的一种新型光学仪
器 ,使用一种高频抽样技术在冠层下沿横切线测量太阳直射透射光的光合作用有效辐射 ( PAR) ,从高空间密
度的 PAR 数据可以得到冠层间隙分量和间隙尺寸分布 ,进而从间隙尺寸分布可以得到集聚指数 (ΩE) ,并通过
下面的公式计算实际 LAI :
L = (1 - α) L eγEΠΩE
　　式中 ,L 为实际叶面积指数 ,α为树干等非树叶因素对总的叶面积的比率 ,L e 为有效叶面积指数 ,可以由
LAI 2000 直接测定 ,γE 为不同针叶树种的针叶总面积与簇面积的比率 ,对于阔叶树种 ,γE 取值为 1 ,ΩE 为集
聚指数。
212 　LAI预测模型建立及检验
根据岷江上游流域内的植被分布特点 ,建立针对不同植被类型的 LAI2NDVI 关系 ,选取的植被类型有 :亚
高山暗针叶林 (包括云杉林和冷杉林 ,简称 CF) ,针阔混交林 (MCBF) ,阔叶林 (BF) ,落叶灌丛 ( TDS) ,高山常绿
灌丛 (AES) ,高山草甸 (AM) ,农田 (CL) 等 8 种类型。由于 LAI 具有很强的季节性 ,为了提高不同类型的可比
性 ,样地测定集中在 2002～2004 年的 7～8 月份 ,测定叶面积指数应为年度最高值 ,称为最大叶面积指数 (以
下通用LAI表示) ,共计样地 490 块 ,其中 450 块作为建模样地 ,其余 40 块样地用于检验模型。建模样地中 ,亚
高山暗针叶林包括云杉林和冷杉林共计样地 283 块 ,亚高山常绿灌丛 22 块 ,高山草甸 5 块 ,农田 15 块 ,阔叶林
26 块 ,草地 6 块 ,针阔混交林 44 块 ,落叶灌丛 46 块。以上样地主要用于建立并测试基于 TMΠNDVI和LAI关系
模型。样地的分布密度与植被类型的空间分布具有相关性 ,但同一种类型的取样尽量照顾到整个流域。
利用LAI2NDVI的关系模型估计出 LAI 值 ,对于每一种植被类型 ,其预测精度可用总均方根差 ( RMS E ,
Root Mean Square Error)来评价 :
RMS E =
∑
n
i = 1
( yi - y^ i ) 2
n
式中 , yi 和 y^ i 分别为测定值和预测值 , n 为样本数 , (包括建模样本和测试样本) 。
213 　LAI的遥感估算与多尺度分析
8283　 生 　态 　学 　报 26 卷
TM影像采用 2002 年 7 月的遥感数据 ,进行大气校正后 ,从 1∶10 万地形图中选取地面控制点 ,进行几何
精校正并建立地理参考 UTM(48)ΠWGS 84 ,使其精度控制在一个象元以内 ,TM 数据被重新采样建立 30m 分辨
率的数据集 ,并在 ENVI平台下通过波段代数运算方法生成流域 30m NDVI图 ,NDVI = (NIR - R)Π(NIR + R) ,所
采用的红光反射波段 (R)和近红外反射波段 (NIR ,) 分别为 630～690nm 和 760～900nm。SPOT24 VEGETATION
的 NDVI数据 (以下简称 VGT NDVI)来自其全球共享数据集 ,利用 R(610～680nm)和 NIR(780～890nm) 计算得
到 ,并利用最大化合成MVC(Maximum Value Composition)的方法求取 7 月最大的NDVI值 ,这种方法可进一步消
除云、大气、太阳高度角等部分干扰 , VGT NDVI数据被重新采样生成 1km 的数据集。MODIS 250m NDVI数据
(以下建成 MOD NDVI)来源于 NASA 的陆地过程分布式动态档案中心 (LP DAAC ,http :ΠΠedcdaac. usgs. govΠmain.
asp)的植被指数三级产品 ,该产品经过大气校正、16d 限定视角的最大合成 (CV2MVC) 、并附有基于栅格的质量
检验标记 ,所采用的 R 和 NIR 的波长范围分别为 620～670 nm 和 841～876 nm ,数据的获取日期是 2002 年 7 月最
大合成值。VGT NDVI ,MOD NDVI图以及 490 块野外样地的位置图均投影到和 TM NDVI相同的地理参考系中。
利用 30m 分辨率的 TM NDVI ,分别不同植被类型 ,建立 LAI2NDVI 的关系。理论上讲 ,在植被均一的植被
条件下 ,这种关系不会随着空间分辨率的变化而改变 ,或者空间分辨率变化引起的预测偏差很小[18 ] ,在此基
础上 ,利用植被分类图、同期的较低分辨率 NDVI 数据可推算全流域 LAI 空间分布。但实际上 ,由于野外尤其
及山区地形条件下 ,植被分布的破碎化 ,这种估算方法最主要的误差可能来源于植被类型的分类的精度、植被
分布的均一性。在破碎化程度较高的区域 ,这种关系的精度将大大降低 ,因此本研究主要集中分析不同来源
和分辨率的 NDVI数据估算 LAI所产生的误差。
3 　研究结果
311 　NDVI和LAI的相关关系
以往的研究表明 ,表达 NDVI和 LAI之间的双曲线关系是估算LAI的最适当的形式[19 ] 。但由于在生长旺
季 ,不同植被类型的LAI均达到其最大值 ,同一种类型的 LAI 可能分布在较窄的值域区间内 ,这样 ,在较小的
区段内 ,有可能用线性关系拟合效果更好。在本文测定的 8 种类型中 ,针叶林和针阔混交林用双曲线关系拟
合效果较好 ,而其他类型则呈现线性关系。暗针叶林共计 283 块样地 ,云杉属和冷杉属 LAI2NDVI 为双曲线关
系 ,二者LAI的变化范围相似 ,约为 310～810 之间。从 LAI2NDVI的关系图上看 ,云杉和冷杉的样地混合在一
起 ,不能够被清晰的区分出来 ,说明这两种类型的暗针叶林在反射特性上具有相似的规律。针阔混交林和针
叶林的 LAI2NDVI关系类似 ,但其LAI变化变化区间小一些 ,约为 310～510 之间。从高山常绿灌丛和温带落
叶灌丛的情况来看 ,两者均为线性关系 ,但高山灌丛的 LAI 变化较小约为 210～412 ,而落叶灌丛为 015～415
之间 ,主要原因是落叶灌丛包含的种类复杂 ,分布的海拔高度变化也较大 ,LAI 波动较大 ,因此其预测精度低
于常绿灌丛。落叶阔叶的LAI值一般在 215～610 之间 ,且随着 LAI 增大 ,NDVI 值变化很快 ,说明在预测阔叶
树种LAI变化时 ,尤其当 LAI在 610 以下时 ,NDVI是比较敏感的 ( R2 = 01732 , p < 01001) (图 1) 。
312 　基于 NDVI的LAI算法及 TM LAI精度检验
根据图 1 中所示 ,基于 TM影像和地面调查建立 LAI2NDVI 关系 ,即区分不同植被类型的 LAI2NDVI 关系 ,
将这种关系应用到不同分辨率 NDVI 遥感数据上 ,便可以求算基于 VGT NDVI 的 LAI 最大值及空间分布图。
植被分类采用一种优化迭代无监督分类 (OIUC)技术[20 ] ,得到全区的植被分类图 ,将 NDVI < 011 的区域包括裸
岩、水体和冰雪部分作为非植被处理 ,即叶面积指数为零 ,将其他区域按植被类型分别应用下面的转换模型 ,
将 NDVI计算得到 LAI值 ,及最大叶面积指数 (表 1) 。
首先将上述的关系模型应用到 TM NDVI 中 ,计算得到 TM LAI 数据。TM LAI 的精度通过上述预留的 40
块测试样地分植被类型进行检验 ,其根均方差 RMSE 变动范围在 01384～01599 之间 ,即控制在一个 LAI 单位
以内 ,总体预测误差在 815 %～1313 %之间。
313 　VGT LAI与 MODIS LAI计算与校正
将基于 TM的LAI2NDVI关系模型应用到MODIS LAI 和VGTLAI的推算上 ,最主要的误差来源可能有 : (1)
928311 期 孙鹏森 　等 :利用不同分辨率卫星影像的 NDVI数据估算叶面积指数 (LAI) ———以岷江上游为例 　
图 1 　基于 TM影像和地面测定的岷江上游各植被类型的LAI2NDVI 关系
Fig. 1 　Correlation of NDVI derived from Landsat TM with ground measurement across Minjiang watershed for different cover types
A : 针叶林 Coniferous forest ; B : 针阔混交林 Mixed of coniferous and broad2leaved forest ; C : 灌木林 Shrub lands ; D : 阔叶林 Broadleaved forest ; E : 农
田 Crop land ; F : 高山草甸 Alpine meadow
　　 表 1 　不同植被类型的基于 NDVI的 LAI算法
Table 1 　Land cover2specific NDVI to LAI converting algorithms
植被类型 Land cover 回归方程 (Regression) R2 RMS E
针叶林 Coniferous forest LAI = 118 (NDVI + 01069)Π(01815 - NDVI) 01346 01599
针阔混交林 Mixed forest LAI = 41686NDVIΠ(11181 - NDVI) 01592 01536
温带落叶灌丛 Temperate deciduous shrub LAI = 81547NDVI - 01932 01583 01384
高山常绿灌丛 Alpine evergreen shrub LAI = 91174NDVI - 01648 01715 01500
阔叶林 Broadleaved forest LAI = 71813NDVI + 01789 01732 01461
农田 Crop land LAI = 61211NDVI - 11088 01760 01529
高山草甸 Alpine meadow LAI = 31968NDVI + 11202 01871 01470
传感器之间的系统误差导致 TM NDVI和VGT NDVI之间的差别 ; (2)地表异质性大 ,LAI2NDVI关系模型在较粗
分辨率的 SPOT上应用导致的误差 ; (3) 几何精确校正与重建地理参考造成的误差 ; (4) 植被分类造成的误
差 ; (5) LAI2NDVI非线性转换模型带来的误差。这些因素都可能会不同程度的影响最终得到的 MODIS LAI和
0383　 生 　态 　学 　报 26 卷
VGT LAI的精度 ,但这里 ,前两种误差是主要的误差来源 ,由于 3 种传感器所覆盖的波段范围不同 ,因此 ,计算
的植被指数也不同 ,为了消除这种系统性的传感器误差 ,以 TM NDVI 为基准进行相对校正。主要步骤如下 ,
选取地面控制点校准地理参考 ,选取和 TM影像在时间上最接近的 SPOT和 MODIS 影像 ,同时 ,选取该区植被
类型中分布面积较大、植被均一性较好、受人类干扰较低的高山草甸作为背景进行校正 ,发现 VGT NDVI 整体
均值比 TM NDVI 高 01294 个单位 ,MOD NDVI比 TM NDVI高 01264 个单位 ,在将 TM 的 LAI2NDVI 转换模型应
用到 SPOT上的时候 ,首先消除这一差别。
总体上看 ,3 种分辨率的 NDVI 数据计算 LAI结果比较接近 ,其中 TM LAI 的变动范围在 0～9168 之间 ,均
值为 4153 ,MODIS LAI变化在 0～8149 之间 ,均值最小 ,为 3155 ,VGTLAI变化在 0～9118 ,均值为 412 ,尽管进行
了传感器之间的相对校正 ,MODIS的模拟结果仍然偏低 (表 2) 。但从模拟精度来看 ,以 TM 30m LAI为基础 ,对
SPOT 1km LAI 和 MODIS 250m LAI的模拟结果进行检验 ,发现 MODIS 250m LAI 的总体预测误差为 30 %左右 ,
而 SPOT 1km LAI的误差达到接近 50 % ,且和 TM LAI数据的相关性较差 ,MODIS 250m LAI取得了较好的模拟
精度 (图 3) ,进一步分析发现 ,MODIS 250m 被低估的区域主要在 LAI > 410 以上 (图 3) 。
表 2 　不同分辨率的 LAI数据及其不同植被类型的相关统计特征
Table 2 　Summary of LAI statistics of the seven land cover types and those of TM ,MODIS and VEGETATION over the same scenes
总体
Total
针叶林
CF
针阔混交林
MCBF
高山常绿
灌丛 AES
阔叶林
BF
落叶灌丛
TDS
农田
CL
高山草甸
AM
TM LAI 最大值 Max 9168 9168 7107 7172 7197 4141 5112 4144
30m 最小值 Min 0100 2132 2137 1153 2140 0193 1121 2103
均值 Mean 4153 4198 4174 4149 4173 2137 3101 3123
标准差 S1D1 1101 1156 1136 1169 2109 1142 1162 0186
MOD LAI 最大值 Max 8149 8149 6189 6131 6142 3181 2194 4137
250m 最小值 Min 0100 2107 1114 2147 1107 0171 0189 2147
均值 Mean 3155 3195 4107 3179 3178 2148 2118 3128
标准差 S1D1 1121 0176 1109 1104 1145 0183 0185 0163
VGT LAI 最大值 Max 9118 9118 4151 3152 6175 6157 5177 4118
1000m 最小值 Min 0100 2111 1143 0181 0155 1170 2109 0150
均值 Mean 4120 5110 3181 3105 4147 4193 4112 2123
标准差 S1D1 1189 1151 1136 1134 1173 1148 1113 1130
　　从不同植被类型的统计特征看 ,针叶林的 LAI均值在 3 种分辨率的数据中最高的 ,其中 MOD LAI 的模拟
结果明显偏低。针阔混交林中的 VGT LAI的均值偏低。高山常绿灌丛和阔叶林的 MOD LAI 和 VGT LAI 都有
不同程度的低估。根据 TM 和 MODIS数据的结果 ,落叶灌丛的 LAI 均值相对其他类型是最低的 ,这是因为这
种类型在分类时考虑包括了流域内相对较大面积的干旱河谷杂灌在内 ,而这种灌木的郁闭度和盖度较低 ,总
体LAI值也偏低 ,但同时由于该类型分布比较破碎 ,VGT LAI 值因象元面积较大 ,混合了其他类型而偏高 ,且
标准差较高 ,极差较大。总体上看 ,相对 TM LAI 而言 ,MOD LAI明显被低估 ,而VGT LAI也有被低估的趋势但
不明显 ,对于覆盖度较好的类型而言 ,VGTLAI被低估 ,对覆盖度较差且破碎化的类型 ,VGTLAI则倾向于被高
估 (表 2) 。
314 　LAI的空间尺度扩展与误差分析
前文讲过 ,在较高空间分辨率上建立的LAI2NDVI转换模型在应用到较低分辨率上会产生一系列的误差 ,
这可能是由于较高的空间异质性导致的 ,这些空间异质性包括同一类型植被的密度不同、单象元混合植被类
型 ,有的学者证明植被密度不同是可以被忽略的[21 ] ,对于混合植被类型 ,可以采用亚象元面积比率的方法有
效的解决 ,另外 ,LAI2NDVI之间的非线性关系也可能影响尺度转换 ,并有可能是 MODIS LAI 和 VGT LAI 被低
估的主要原因[18 ] 。
图 4 中显示了随着象元空间分辨率的增大 (100m ,250m ,500m ,1000m) ,LAI 的的根均方差由 0199 逐渐增
大到 1180 ,预测误差也从 23 %增大到 40 % ,这些误差包含上述所有的与尺度转换有关的因素 ,包括空间异质
138311 期 孙鹏森 　等 :利用不同分辨率卫星影像的 NDVI数据估算叶面积指数 (LAI) ———以岷江上游为例 　
图 2 　不同来源与分辨率的遥感数据及推算岷江上游LAI 空间分布图
Fig. 2 　Spatial pattern of LAI across Minjiang watershed derived from different sensors’NDVI products
(a) 30m TM , acquisition date 2002207210 ; (b) 250m MODIS composite for the period of July 1～20 , 2002 ; (c) 1000m SPOT VEGETATION composite for
the period of July 1～20 , 2002
图 3 　基于相同的算法利用 VEGETATION 与 MODIS遥感数据推算LAI 并与 TM推算结果的比较
Fig. 3 　Comparison of VGT LAI and MOD LAI with those derived from TM with the same algorithm
性问题、非线性转换模型等因素。这种误差反映了该区地面特征的现实状况 ,从某种程度上将是很难被可克
服的。同时还发现 ,当象元大小从 30m 增加到 250m 的过程中 ,其预测误差迅速扩大 ,而 500～1000m 的区间
内 ,预测误差增加减缓。据此 ,可以推断 ,该区进行 LAI 的测定 ,其象元大小只有小于 250m ,其预测误差才有
望控制在 30 %左右 ,象元空间尺度增大 ,预测精度将大大降低。
4 　分析与讨论
利用高分辨率卫星影像、区分不同植被类型建立 LAI 算法 ,进而将这种算法用在在更大的尺度上是目前
许多学者关住的问题 ,关键是如何控制误差扩大化。由于 TM 影像具有较高的空间分辨率 ,基本可以保证象
元内植被类型的单一性 ,野外样地的大小覆盖一个以上的象元 ,因此经过精确几何校正完全能够保证野外工
作和遥感分析工作在相同的对象上。本研究证实了 NDVI 估算 LAI 取得了相对可靠的精度 ,当然也有学者利
用其他与植被有关的光谱指数取代 NDVI ,也取得了相当好的效果 ,例如利用 NIR 和 R 波段的简单比率 ( SR =
ρNIRΠρred) ,本文主要目的并不是比较哪种植被指数的预测效果好 ,所以没有对其他植被指数进行比较。
重采样后 ,LAI图的空间分辨率降低 ,但不同分辨率与最初样点的吻合程度也逐渐降低 ,数据趋向离散
2383　 生 　态 　学 　报 26 卷
图 4 　TM LAI 及其重采样后形成的不同分辨率结果的比较
Fig. 4 　Comparison of LAI derived from TM 30m scene with that resampled to different resolutions , 100m , 250m , 500m and 1km
化 ,这主要是由于该区的地形条件和景观破碎化程度决定的 ,破碎化程度越高 ,重采样前后象元值的变化就越
大 ,这明显区别于大面积均一的下垫面 ,例如在加拿大的试验结果表明 ,被重采样到 1 km 和 4 km 后 ,TM LAI
和AVHRR LAI仍然表现除良好的吻合关系 ,预测精度没有明显的变化[18 ] ,但这一结论却不能在岷江流域被证
实 ,关键在于两者的植被均一性差别太大了。空间分辨率降低后 ,本研究也发现LAI出现负向偏差 ,这一点和
Chen 的结论一致[18 ] ,即尺度增大 ,LAI有被低估的趋势 ,胡少英等在黑河及汉江流域LAI产品质量评价研究中
证实相对于经过验证的 TM LAI ,1km MODIS LAI 产品被低估 10 %～58 %[22 ] 。
5 　结论
本研究利用地面调查数据和 TM影像数据 ,建立区分不同植被类型建立 LAI 算法 ,经验证具有较高的可
靠性。
LAI算法在较低空间分辨率遥感数据上应用时 ,主要的预测误差由于象元尺度扩大导致 ,而尺度扩大对
误差的影响与下垫面的均一化程度有很大关系 ,在植被分布复杂、景观破碎化程度高的地区 ,尽可能选取高分
辨率的遥感影像进行 LAI预测。综合岷江上游地形、植被等因素考虑 ,选择 250m 的分辨率的遥感数据比较合
适 ,一方面有望将预测误差控制在 30 %以内 ,另外 ,从数据源的可获取性来看 ,LP DAAC 数据中心已经向全球
提供 250m 的 16d 合成数据 ,具有较短的时间周期 ,基本能够满足LAI物候过程等短周期分析的需要。
References :
[ 1 ] 　Chen J M , Black T A. Defining leaf area index for non2flat leaves ,Plant Cell and Environment ,1992 ,15 :421～429.
[ 2 ] 　Chen J M ,Cihlar J . Retrieving Leaf Area Index of Boreal Conifer Forests Using Landsat TM images. Remote Sensing of Environment . 1996 ,55 :153～162.
[ 3 ] 　Luo T X ,Neilson ,Ronald P , Tian H , VÊrÊsmarty ,Charles J , Zhu H Z , Liu S R. A model for seasonality and distribution of leaf area index of forests and its
application to China.Journal of Vegetation Science ,2002 ,13 :817～830.
[ 4 ] 　Bonan G B. Land2atmosphere interactions for climate system models : coupling biophysical , biogeochemical , and ecosystem dynamical processes. Remote
Sensing of Environment ,1995 ,51 :57～73.
[ 5 ] 　Running S W ,Nemani R R ,Peterson D L ,Band L E ,Potts D F ,Pierce L L , Spanner M A. Mapping regional forest evapotranspiration and photosynthesis by
338311 期 孙鹏森 　等 :利用不同分辨率卫星影像的 NDVI数据估算叶面积指数 (LAI) ———以岷江上游为例 　
coupling satellite data with ecosystem simulation. Ecology ,1989 ,70 ,1090～1101.
[ 6 ] 　Turner D P ,Cohen W B ,Kennedy R E ,Fassnacht K S , Briggs J M. Relationships between leaf area index ,fPAR ,and net primary production of terrestrial
ecosystems. Remote Sensing of Environment ,1999 ,70 ,52～68.
[ 7 ] 　Warrick R Dawes ,Lu Z , Tom J H , Peter H R. Evaluation of a distributed parameter ecohydroloical model ( TOPOG
-
IRM) on a small cropping rotation
catchment . Journal of hydrology ,1997 ,191 :64～86.
[ 8 ] 　Watson F G R ,Grayson R B , Vertessy R A.Large scale distribution modeling and the utility of detailed ground data. Hydrological Processes ,1998 ,12 :873
～888.
[ 9 ] 　Sun P S ,Liu S R.Large2scale eco2hydrological model and its integration with GIS. Acta Ecologica Sinica ,2003 ,23 (10) :2115～2124.
[10 ] 　Curran P J ,Dungan J L , Gholz H L. Seasonal LAI in slash pine estimated with landsat TM. Remote Sensing of Environment ,1992 , (39) :3～13.
[11 ] 　Kuusk A. A fast invertible canopy reflectance model . Remote Sensing of Environment ,1995 ,51 :342～350.
[12 ] 　Allard J W de Wit . The Application of a Genetic Algorithm for Crop Model Steering using NOAA2AVHRR Data ,Remote Sensing for Earth Science ,Ocean ,
and Sea Ice Applications ,1999 ,3868 :167～181.
[13 ] 　Fang H L ,Liang S L ,Kuusk A. Retrieving leaf area index using a genetic algorithm with a canopy radiative transfer model . Remote Sensing of Environment ,
2003 ,85 ,257～270.
[14 ] 　Zhang W H ,Lu T ,Zhou J Y, Kang Y X ,Ma K M ,Liu G H. A floristic study on seed plants in the upper reaches of Minjiang River. Acta Bot . Borea l .
Occident . Sin. 2003 ,23 (6) :888～894.
[15 ] 　Fan H. A study on 50a land use and cover change of watershed of upper Minjiang river. Journal of Mountain Science ,2002 ,20 (1) :64～69.
[16 ] 　Chen Z M ,Ren S X. Effect of forest in the upstream minjiang river on Zipingpu reservoir and Dujiangyan irrigation region.Journal of Chengdu University of
Science and Technology ,1995 ,3 :1～14.
[17 ] 　Chen J M ,Cihlar J . Plant canopy gap size analysis theory for improving optical measurements of leaf area index. Applied Optics ,1995 ,34 ,6211～6222.
[18 ] 　Chen J M ,Pavlic G,Brown L , et al . Derivation and validation of Canada2wide coarse2resolution leaf area index maps using high2resolution satellite imagery
and ground measurement . Remote Sensing of Environment ,2002 ,80 :165～184.
[19 ] 　Pu R L ,Gong P. Hyperspectral remote sensing and its applications. Beijing : Higher Education Press ,2000.
[20 ] 　Jiang H ,Liu S R ,Sun P S. The influence of vegetation type on the hydrological process at the landscape scale. Canadian Journal of Remote Sensing ,2004 ,30
(5) :743～763.
[21 ] 　Hu Z , Islam S. A framework for analyzing and designing scale invariant remote sensing algorithms. IEEE Transactions on Geoscience and Remote Sensing ,
1997 ,35 :747～755.
[22 ] 　Hu S Y,Zhang W C. A Quality Assessment of MODIS LAI Product in Heihe and Hanjiang River Basins ,Remote Sensing Information ,2005 ,4 :22～27.
参考文献 :
[ 9 ] 　孙鹏森 ,刘世荣. 大尺度生态水文模型的构建及其与 GIS集成. 生态学报 ,2003 ,23 (10) :2115～2124.
[14 ] 　张文辉 ,卢涛 ,周建云 ,康永祥 ,马克明 ,刘国华. 岷江上游流域种子植物区系研究. 西北植物学报 ,2003 ,23 (6) :888～894.
[15 ] 　樊宏. 岷江上游近 50a 土地覆盖报道变化趋势. 山地学报 ,2002 ,20 (1) :64～69.
[16 ] 　陈祖铭 ,任守贤. 岷江上游森林对紫坪铺工程和都江堰灌区的影响. 成都科技大学学报 ,1995 ,3 :1～14.
[19 ] 　浦瑞良 ,宫鹏. 高光谱遥感及其应用. 北京 :高等教育出版社 ,2000.
[22 ] 　胡少英 ,张万昌. 黑河及汉江流域 MODIS叶面积指数产品质量评价. 遥感信息 ,2005 ,4 :22～27.
4383　 生 　态 　学 　报 26 卷