全 文 ：第 25卷第 6期
2005年 6月
生 态 学 报
ACTAECOLOGICASINICA
Vol.25,No.6
Jun.,2005
植被叶面积指数遥感监测模型
李开丽,蒋建军,茅荣正,倪绍祥
(南京师范大学地理科学学院,南京 210097)
基金项目:国家自然科学基金资助项目(40371081);江苏省教育厅自然科学研究资助项目(00KJB170003)
收稿日期:2004-04-09;修订日期:2004-11-07
作者简介:李开丽(1977～),女,山东临沂人,硕士生,主要从事遥感与 GIS应用研究。E-mail:lklcelery@163.com
Foundationitem:NationalNaturalScienceFoundationofChina(No.40371081)andNaturalScienceResearchProgramofJiangsuEducational
Office(No.00KJB170003)
Receiveddate:2004-04-09;Accepteddate:2004-11-07
Biography:LIKai-Li,Mastercandidate,mainlyengagedinapplicationofRSandGIS.E-mail:lklcelery@163.com
摘要:叶面积指数是植被定量遥感的重要参数,区域的时序列叶面积指数揭示了区域生态的演化过程,反演方法上主要是通过
植被指数建立相关模型实现的,对于不同地区或不同气候带而言,模型的通用性以及各种植被指数在模型中的灵敏度都需做进
一步的探讨。以江苏省宜兴市作为研究区,采用 2002年 8月 22日获得的 Landsat-5TM图像数据和 2003年 8月 23～26日采
用 LAI-2000进行的野外实测植被叶面积指数(LAI)数据,分别探讨了植被指数(VI)与 LAI的一元、多元线性回归模型和非线
性回归模型,其中的非线性回归模型包括对数、指数、乘幂和多项式回归模型。结果表明,VI与 LAI之间的最佳回归模型为多
元线性回归模型,R2达 0.864;采用逐步选择剔除法,遴选出了用于回归模型的植被指数为:RVI、PVI、SAVIL=0.35、MSAVI、
ARVIγ=1、ARVIγ=0.5和 SARVI。经模型 LAI=-ln((VI-VI∞)/(VIg-VI∞))/KVI检验,预测值(y)与实测值(x)的拟合度较好
y=0.5345x+1.3304,R2为 0.7379。RVI与 LAI的三次多项式回归模型也较好,R2为 0.7806。再次为 RVI与 LAI的一元线
性回归模型,R2为 0.7726,比值植被指数 RVI在反演叶面积指数模型中具有较高的灵敏度。
关键词:遥感;植被指数;叶面积指数;监测;模型
文章编号:1000-0933(2005)06-1491-05 中图分类号:Q945,Q948,TP79 文献标识码:A
Themodelingofvegetationthroughleafareaindexbymeansofremotesensing
LIKai-Li,JIANGJian-Jun,MAORong-Zheng,NIShao-Xiang (CollegeofGeographicalSciences,NanjingNormal
University,Nanjing210097,China).ActaEcologicaSinica,2005,25(6):1491～1496.
Abstract:LeafAreaIndex(LAI)isthemainparameterinquantifyingvegetationbymeansofremotesensing.Thetemporal
variationinLAIisindicativeoftheevolutionprocessofregionalecology.Vegetationindex(VI)hasbeenusedwidelyfor
modelingvegetation.Theapplicabilityoftheestablishedmodelsissubjecttothelocalclimateindifferentregions.Itisthus
necessarytoexaminehowthederivedVIreactstothechangeinclimate.ThisstudyfocusesonYixingCityofJiangsuProvince
usingLandsatThematicMapperdatareceivedonAugust22,2002.VegetationLAIdataweremeasuredinthefieldfrom
August23toAugust26of2003.Univariateandmultivariatelinearandnon-linearmodelswasestablishedforLAIfrom
variousvegetationindicesthroughregressionanalysis.Thenonlinearregressionmodelsincludelogarithmic,exponential,
powerandpolynomialregressionones.InastepwisebackwardregressionanalysisitwasfoundthatRVI,PVI,SAVIL=0.35,
MSAVI,ARVIγ=1,ARVIγ=0.5andSARVIweresignificanttothemodelingofLAI.Theobtainedresultsshowthatthebest
multivariatelinearregressionmodeltakestheform ofLAI=1.493×RVI-0.864×PVI-1.964×SAVIL=0.35-7.378×
MSAVI+4.145×ARVIγ=1+34.396×ARVIγ=0.5-20.966×SARVI-1.430(R2is0.864).LAIvaluespredictedfrom this
regressionmodel(y)matchescloselythosemeasuredfromthemodelLAI=-ln((VI-VI∞)/(VIg-VI∞))/KVI(x).These
twosetsofresultshavethefolowingregressionrelationship:y=0.5345x+1.3304(R2=0.7379)。Thecubicpolynomial
regressionmodelsLAIfromRVIperformsquitewel.AnothercubicpolynomialregressionmodelbetweenRVIandLAIis
alsoratheraccuratewiththeR2valuebeing0.7806.ThenextmostaccuratemodelisalineronewithR2valuebeing0.7726.
IntheseregressionmodelsRVIishighlysensitivetochangesinLAI
===================================================================
.
Keywords:remotesensing;vegetationindex;LeafAreaIndex;modeling,monitoring
绿色植被的叶面积指数(LAI)是定量分析地球生态系统能量交换特性的一个重要结构变量,不仅可用于农作物产量预估
和病虫害评价,而且是描述林冠特性,确定森林CO2、水和氧气交换率的重要变量[1]。LAI可定义为单位面积上所有叶子表面积
的总和,或单位面积上所有叶子向下投影的面积总和。本文涉及的 LAI采用后面这个定义。
测量 LAI的方法目前有直接测量和间接测量两种方法。直接测量法有量测法、重量比例法[2]、分层收割法和斜点样方
法[3]。间接测量法是利用各种测量仪器进行测量,这类仪器如LAI-2000[4]、MVI[5]、TRAC和Demon[6]。另外一种间接测量LAI
的方法是基于遥感技术。由于遥感数据具有覆盖面积大、更新周期短、花费相对少等优点,所以目前研究 LAI的时空分布大多
是基于遥感数据[7]。1999年美国发射的环境遥感卫星 Terra(EOS-AM1)所携带的中分辨率成像光谱仪(MODIS),其主要用途
之一就是获取和监测包括LAI在内的地表覆盖特性。目前,SAR[7]、IKONOS[8],特别是多光谱遥感数据[9]和高光谱数据[10,11]都
已用于反演 LAI。
LAI的遥感反演方法大致可分为两类[1,12]。第 1类方法着眼于光谱绝对值或其变换形式,如波段反射率和由其计算得到的
光谱植被指数(VI),然后建立 LAI-VI之间的回归模型,方法简单灵活,应用广泛,但对不同的数据需要重新拟合参数和不断调
整模型。第 2类方法是建立在生物学、物理学基础上的概念光学模型,并从中反演有关生物物理、化学参数。这类方法具有较强
的物理基础,但要求输入较多难以获得的参数,因而限制了这类方法的应用。
从遥感数据中,特别是多光谱数据和高光谱数据提取 LAI是可行的。由于受大气、土壤背景、仪器定标及植被本身光化学
过程变化等内外因素的影响,各种 VI和 LAI的关系具有地域性和时效性。简单实用的 LAI的反演方法以及反演精度的提高
已成为研究热点和难点。宜兴地区的自然环境较为复杂,山地、丘陵和平原并存,所以地表覆盖植被也呈现出多样性。本文试图
利用从 LandsatTM图像中计算得到的 VI与在野外实测的 LAI值,建立反演 LAI回归统计模型;探讨在此自然环境下,这种
模型方法的可行性、最优的模型形式,主要目的在于改善 LAI的提取效率与精度。
1 研究区与数据来源
1.1 研究区
宜兴位于北纬 31º07～31º37,东经 119º31～120º03。地势南高北低,南部为丘陵山区,占总面积的 40%,茗岭山主峰黄塔
顶海拔 611.5m,为全区最高峰。北部为平原低洼圩区。全区气候属北亚热带季风区,四季分明,温和湿润,雨量充沛。
全区可分为太 平原区、低洼圩区、太湖渎区、宜南丘陵区和南山林特区。太 平原区和低洼圩区以粮食为主,稻麦两熟。太
湖渎区以经济作物为主。宜南丘陵区农粮林并举,林地面积占全区林地的 40.82%,林木覆盖率 50.4%,其中,以杉木、毛竹为主
的用材林占 58.51%,以茶树为主的经济林占 18.65%,以板栗为主的木本粮油林 1.8%,薪炭林占 21.04%。南山林特区以林为
主,粮林结合,林木覆盖率达 89.5%,经济作物有板栗、毛竹、茶林等。
1.2 数据来源
本研究所用数据主要包括遥感图像数据和野外实测数据两部分。其中,遥感图像数据为 Landsat-5TM,轨道号 119/38,
2002年 8月 22日获取,做了几何精校正和大气校正;野外实测LAI数据用美国LI-COR公司的LAI-2000叶面积测量仪获得,
测定时间为 2003年 8月 23～26日,与 TM数据获取时间基本同步。尽量选择植被覆盖较均一的地点作为样点,共 23个样点。
测量对象包括青梅、板栗、水稻、竹林、茶园及针叶林(经济作物园)。样点间距大于 30m(考虑 TM的像元大小)。在每个样点随
机测 6个点,然后从仪器读出 LAI平均值,同时用 GARMIN12XLC手持 GPS接收仪测定每个点的地理坐标,定位误差在 5m
以内。为提高精度,同一样点测 2～3次,取平均值作为最终结果。
2 遥感植被指数与 LAI值的相关分析
2.1 植被指数
考虑到大气和背景土壤对反演 LAI的影响,本研究选取了比值植被指数(RVI)、归一化植被指数(NDVI)、垂直植被指数
(PVI)、土壤调节植被指数(SAVI)、修正土壤调节植被指数(MSAVI)、大气阻抗植被指数(ARVI)及综合土壤大气调节植被指
数(SARVI)。其中,SAVI中的土壤影响因子L取值 0.5;ARVI中的光路辐射订正系数取值为 1与 0.5;SARVI中的L取 0.5,
光路辐射订正系数取 1。以上植被指数的相应计算公式如下:
NDVI= (NIR- R)/(NIR+ R)
RVI= NIR/R
PVI= (0.355NIR- 0.149R)2+ (0.355R- 0.852NIR)へ 2
SAVI= (1+ L)(NIR- R)/(NIR+ R+ L)
ARVI= (ρNIR- ρRB)/(ρNIR+ ρRB)其中,ρRB= ρR- γ(ρB- ρR)
2941 生 态 学 报 25卷
SARVI= (ρNIR- ρRB)(1+ L)/(ρNIR+ ρRB+ L)
MSAVI= 2NIR+ 1- (2NIR+ 1)
2へ - 8(NIR- Red)
2
式中,NIR,ρNIR为近红外波段,R,ρR为红色波段,ρB为蓝色波段。
2.2 植被指数与 LAI的相关分析
利用 PCI9.0遥感软件,完成了各样点的植被指数提取。植被指数与 LAI相关分析的结果见表 1。由表 1可见,除 PVI外,
其他植被指数与 LAI都有很高相关性。因此可以认为,基于植被指数来建立研究区 LAI的遥感监测模型是基本可行的。
表 1 植被指数与 LAI的相关系数
Table1 Thecorrelationcoefficientbetweenvegetationindicesand
LAI
植被指数
VegetationIndex
相关系数
Correlationcoefficient
显著性
Sig.
PVI 0.879* 0.000
NDVI 0.866* 0.000
PVI 0.556* 0.000
SAVI(L=0.5) 0.866* 0.000
MSAVI 0.856* 0.000
ARVI(γ=1) 0.857* 0.000
ARVI(γ=0.5) 0.866* 0.000
SARVI(L=0.5,γ=1) 0.838* 0.000
* 显著水平 Significant(p≤0.01)
3 LAI监测模型的建立
3.1 一元线性回归模型
回归方程为:
y= ax+ b
式中,y代表 LAI,x代表植被指数。表 2分别列出了所建立的
不同植被指数与 LAI的一元线性拟合模型。
由表 2可见,RVI的拟合程度最好,NDVI次之,这与大
多数人所得的结果一致。SAVI系列中,L=0.1时,R=
0.8661,R2=0.7501,表现最好,并且仅次于 RVI,略低于
NDVI。L=0.35时与 LAI的线性相关性表现最差,而当时植
被盖度又较高,这可能和 TM图像进行了大气校正有关。已有
研究表明:土壤背景与大气对于遥感图像影响有交互作用,去
除其中一个因素可能会增加另外一个因素的影响,但是总体来看削弱了部分因素影响强度。SARVI的表现也大体与此相似。
PVI与 LAI的线性回归分析的相关系数和确定系数都很低。
表 2 植被指数与 LAI的一元线性回归模型
Table2 TheunivariatelinearregressionmodelsbetweenVIandLAI
植被指数
VegetationIndex
回归方程
Themonadiclinearregressionmodels
R R2 F Sig.
RVI Y=1.093X-1.097 0.8790 0.7726 31.366 0.000
NDVI Y=12.274X-3.917 0.8661 0.7502 63.068 0.000
PVI Y=5.167X-0.907 0.5558 0.3089 9.386 0.006
SAVI(L=0.1) Y=11.164X-3.915 0.8661 0.7501 63.022 0.000
SAVI(L=0.25) Y=9.831X-3.911 0.8659 0.7499 62.951 0.000
SAVI(L=0.35) Y=9.338X-4.032 0.8573 0.7350 58.251 0.000
SAVI(L=0.5) Y=8.203X-3.905 0.8657 0.7495 62.832 0.000
MSAVI Y=14.634X-7.486 0.8559 0.7326 57.520 0.000
ARVI(γ=1) Y=8.515X+0.418 0.8569 0.7344 58.080 0.000
ARVI(γ=0.5) Y=9.922X-1.215 0.8657 0.7494 62.809 0.000
SARVI(L=0.5,γ=1) Y=5.729X-0.371 0.8381 0.7025 49.586 0.000
* 显著水平 Significant(p≤0.05)
3.2 多元线性回归模型
多元线性方程为:
y= a0x0+ a1x1+,…,+ anxn+ an1
式中,y代表 LAI,x0,x1,…,xn分别代表不同的 VI,a0,a1,…,an为拟合系数。将不同的 VI与 LAI代入上式,采用向后逐步选
择剔除法得到以下回归方程:
LAI= 1.493× RVI- 0.864× PVI- 1.964× SAVIL=0.35- 7.378× MSAVI+ 4.145× ARVIγ=1+
34.396× ARVIγ=0.5- 20.966× SARVI- 1.430
结果显示,多元线性回归模型比一元线性回归模型和非线性回归模型表现都好,其 R=0.930,R2=0.864,F统计量=13.641,
Sig.F=0.000。
3.3 一元非线性回归模型
VI-LAI的一元非线性回归模型采用了对数模型、指数模型、乘幂模型和三次多项式模型。结果表明,以下三次多项式模型
39416期 李开丽 等:植被叶面积指数遥感监测模型
是最适合研究区使用的非线性模型:
y= a*x3+ b*x2+ c*x+ d
式中,y为 LAI,x代表 VI,a,b,c与 d为拟合系数。表 3列出了 VI与 LAI之间的三次多项式拟合模型。
表 3 植被指数与 LAI的一元三次多项式回归模型
Table3 ThecubicequationregressionmodelsofbetweenVIandLAI
植被指数
VegetationIndex
一元三次多项式回归方程
Thecubicequationregressionmodels
R R2 F Sig.
RVI Y=-0.171x3+1.958x2-6.096x+7.382 0.8835 0.7806 34.13 0.000
NDVI Y=14.544x3+1.935x2-3.877x+1.798 0.8798 0.7741 34.27 0.000
PVI Y=-100.350x3+237.570x2-178.240x+45.197 0.6397 0.4092 5.44 0.013
SAVI(L=0.1) Y=11.292x3+0.952x2-3.121x+1.716 0.8797 0.7739 34.24 0.000
SAVI(L=0.25) Y=7.926x3+0.296x2-2.437x+1.645 0.8788 0.7723 34.18 0.000
SAVI(L=0.35) Y=7.926x3+0.296x2-2.437x+1.645 0.8796 0.7737 30.00 0.000
SAVI(L=0.5) Y=4.805x3-0.292x2-1.614x+1.530 0.8793 0.7732 34.10 0.000
MSAVI Y=166.300x3-303.130x2+192.070x-40.399 0.8798 0.7740 34.06 0.000
ARVI(γ=1) Y=-27.565x3+34.259x2-4.1294x+1.756 0.8623 0.7435 18.36 0.000
ARVI(γ=0.5) Y=-76.365x3+112.87x2-43.179x+6.682 0.8783 0.7714 33.29 0.000
SARVI(L=0.5,γ=1) Y=-5.576x3+12.294x2-1.831x+1.667 0.8456 0.7150 15.89 0.000
*显著水平 Significant(p≤0.01)
3.4 精度验证
为估计 LAI和 APAR(吸收性光合辐射)在检验 VI后,Baret&Gauyot建立了一个作为 LAI函数的 VI变化模型,其表达
式为:
VI= VI∞ + (VIg- VI∞)·exp(- KVI·LAI)[1],
变换后为
LAI=- ln VI- VI∞VIg- VI( )∞ /KVI
图 1 叶面积指数的实测值与预测值
Fig.1 MeasuredvaluesandpredictedvaluesofLAI
式中,VIg相应于裸土的 VI,VI∞是 VI的渐进无穷值,KVI是一个消光系数。本研究采用 LAI=-ln
VI- VI∞
VIg- VI( )∞ /KVI模型得
到的一组 LAI值视为实测值来检验多元线性回归模型的精度。VI被指定采用 NDVI,VI∞采用出现的最大 NDVI值,而 VIg
为研究区裸土的均值。研究结果表明,由多元线性回归模型所得预测值(y)与实测值(x)的拟合度较好,y=0.5345x+1.3304,
R2为 0.7379。各实测点的预测值与实测值的误差情况如图 1所示。
最后,根据多元线性回归模型可以得出研究区叶面积指数的监测结果见图版Ⅰ。
4941 生 态 学 报 25卷
4 结论
4.1 由研究区 TM图像数据提取的植被指数(VI)与植被叶面积指数(LAI)之间的相关分析表明,除 PVI外,其余几种 VI与
LAI之间有很好的相关性,两者的相关系数 RVI最大(0.879),SARVI(L=0.5,γ=1)最小(0.838),所得到的回归模型的拟合
程度也很好。因此可以认为,基于 VI来建立研究区 LAI的遥感监测模型是基本可行的。
4.2 分别建立了不同形式VI与研究区LAI的一组一元线性回归模型和多元线性回归模型以及一组非线性回归模型。对这些
模型的分析比较发现:
(1)VI-LAI之间最佳的回归模型为多元线性回归模型,其相关系数达 0.930,确定系数达 0.864。同时,利用向后逐步选择
剔除法选出了用于回归模型的植被指数:RVI、PVI、SAVIL=0.35、MSAVI、ARVIγ=1、ARVIγ=0.5和 SARVI。经模型 LAI=
- ln VI- VI∞VIg- VI( )∞ /KVI检验,预测值(y)与实测值(x)的拟合度较好,y=0.5345x+1.3304,R2为 0.7379。RVI-LAI的三次多
项式回归模型也较好,其相关系数与确定系数分别为 0.8835和 0.7806。再次为 RVI-LAI的一元线性回归模型,其相关系数与
确定系数分别为 0.8790和 0.7726。
(2)RVI-LAI关系在多个回归模型中表现都非常好,并且在一元线性回归模型、对数回归模型、乘幂回归模型和三次多项
式回归模型中其 R与 R2值都为最高,所以 RVI较其它 VI更适合作为模拟 LAI的一元回归模型。
(3)虽然三次多项式和多元线性回归模型比一元线性回归模型更好的拟合了 LAI与 VI的关系,从而能够提高 LAI的反
演精度,但是这两种模型都削弱的 LAI-VI关系的直观性,掩盖了二者间的生物物理机理。
(4)PVI与 LAI的相关性很差,所以 PVI对于反演 LAI的一元回归模型并不适合。在反演 LAI的多元线性回归模型中,
PVI被选取作为多元中的一元,但这是统计方法在为取得最佳模型时的选择方法,并不证明 PVI与 LAI相关性如何。
(5)由于受 LAI实测样本数量和研究区环境的限制,适合任何地区的模型并不存在,本文提出的 LAI-VI反演模型在外推
到其他地区时,模型的参数需要依据研究区具体的 LAI实测样本和研究区环境进行拟合得到。
References:
[1] PuRL,GongPeng.HyperSpectralRemoteSensinganditsApplications.Beijing:HigherEducationPress,2000.127～131.
[2] DuanAW.Measuringleafareaindexofcropcolony.IrrigationandDrainage,1996,15(1):50～53.
[3] RenH,PengSL.ComparisonofmethodsforestimatingleafareaindexinDinghushanforests.ActaEcologicaSinica,1997,17(2):220
～223.
[4] VilalobosFJ,OrgazFandMateosL.Non-destructivemeasuredofleafareainolivetreesusingagapinversionmethod.Agricultureand
ForestMeteorology,1995,73:29～42.
[5] KucharikCJ,NormanJM andGowerST.Measurementsofbranchareaandadjustingleafareaindexindirectmeasurements.
AgricultureandForestMeteorology,1998,91:69～88.
[6] GowerST,KucharikCJandNormanJM.Directandindirectestimationofleafareaindex,fAPARandNetProductionofTerrestrial
Ecosystem.RemoteSensingofEnvironment,1999,70:29～51.
[7] PalosciaS.AnEmpiricalapproachforretrievingleafareaindexfrom multifrequencySAR data.GeoscienceandRemoteSensing
Symposium.IGARSS95.’QuantitativeRemoteSensingforScienceandApplications,International,V.2,1995.967～969.
[8] ColomboR,BelingeriD,FasoliniD,etal.Retrievalofleafareaindexindifferentvegetationtypesusinghighresolutionsatelitedata.
RemoteSensingofEnvironment,2003,86:120～131.
[9] MyneniRB,NemaniRRandRunningSW.Estimationofgloballeafareaindexandabsorbedparusingradiativetransfermodels.IEEE
TransactiononGeoscienceandRemoteSensing,1997,35:1380～1393.
[10] PengG,RuiliangPu,BigingGS,etal.Estimationofforestleafareaindexusingvegetationindicesderivedfromhyperspectraldata.
IEEETransactiononGeoscienceandRemoteSensing,2003,41:1355～1362.
[11] LiuW D,XiangYQ,ZhengLF.RelationshipsbetweenriceLAI,CH.Dandhyper-spectradata.JournalofRemoteSensing,2000,4
(4):279～283.
[12] FangHL,LiangSLandKunskA.Retrievingleafareaindexusingageneticalgorithmwithacanopyradiativetransfermodel.Remote
SensingofEnvironment,2003,85:257～270.
参考文献:
[1] 浦瑞良,宫鹏.高光谱遥感及其应用.北京:高等教育出版社,2000.127～131.
[2] 段爱旺.作物群体叶面积指数的测定.灌溉排水,1996,15(1):50～53.
[3] 任海,彭少麟.鼎湖山森林群落的几种叶面积指数测定方法的比较.生态学报,1997,17(2):220～223.
[11] 刘伟东,项月琴,郑兰芬.高光谱数据与水稻叶面积指数及叶绿素密度的相关分析.遥感学报,2000,4(4):279～283.
59416期 李开丽 等:植被叶面积指数遥感监测模型
6941 生 态 学 报 25卷