全 文 ：第 51 卷 第 9 期
2 0 1 5 年 9 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 51，No. 9
Sep．，2 0 1 5
doi:10．11707 / j．1001-7488．20150904
收稿日期: 2014 － 07 － 31; 修回日期: 2015 － 02 － 09。
基金项目: 国家“十二五”农村领域国家科技支撑计划项目(2012BAD22B0302) ; 森林培育学教学团队项目(Z105021003) ; 中央高校科研
业务费专项资金资助项目(2662015QC048)。
* 赵忠为通讯作者。
不同方法提取的快鸟影像信息估算刺槐林
有效叶面积指数的精度比较*
周靖靖1，2 赵 忠1 刘金良1 赵 君1 赵青侠1 刘 俊3
(1．西北农林科技大学林学院 西部环境与生态教育部重点实验室 杨凌 712100; 2．华中农业大学园艺林学学院 武汉 430070;
3．国家林业局华东林业调查规划设计院 杭州 310019)
摘 要: 【目的】合理利用高分辨率影像空间信息可提高森林参数的估算精度，本研究在前人基础上进一步细
化，探索高分辨率影像的光谱与空间信息在提高森林有效叶面积指数(LAIe)估算精度上的组合规律，以期为高分
辨率影像对森林参数的估算和森林健康评价研究提供参考和基础数据。【方法】以黄土高原渭北地区刺槐人工林
为研究对象，野外测定 76 块刺槐人工林样地的 LAIe，并分别提取高分辨率快鸟影像全色数据的 7 种纹理指数(角
二阶矩阵 ASM、同质性 HOM、相关性 COＲ、对比度 CON、非相似度 DIS、变化量 VAＲ、熵 ENT)和多光谱数据的 7 种
光谱信息(近红外波段 b4、土壤调节植被指数 SAVI、修正的土壤植被指数 MSAVI、非线性植被指数 NLI、改进型土壤
大气修正植被指数 EVI、差值植被指数 DVI、归一化植被指数 NDVI)，通过栅格运算得到光谱 －纹理组合参数，利用
一元线性回归模型、二次多项式模型、乘幂模型和指数模型分别建立光谱 －纹理组合参数、纹理参数与刺槐人工林
LAIe 的关系方程，计算比较光谱 － 纹理与纹理参数对刺槐人工林 LAIe 的估算精度和均方根误差 (ＲMSE)，揭示
Quickbird 影像光谱信息与纹理信息在提高森林 LAIe 估算精度上的组合规律。【结果】ASM，HOM，COＲ 与任意植
被指数结合后，估算精度均比相应纹理指数高; CON，DIS 和 VAＲ 与部分植被指数结合后，估算精度比相应纹理指
数高; 相反，ENT 与任意植被指数结合，光谱 － 纹理组合参数的估算精度均小于纹理指数。二次多项式模型和指
数模型对 LAIe 估算的决定系数略高于一元线性回归模型和乘幂模型。【结论】利用高分辨率影像的纹理信息和
光谱信息估算刺槐人工林 LAIe 时，将空间信息加入光谱信息，可有效估算森林 LAIe 且能够得到较高的森林 LAIe
估算精度; 但并非任意纹理指数与植被指数结合对森林 LAIe 的估算精度均高于纹理指数，且估算模型对精度有一
定影响。本文的研究表明，综合利用高分辨率影像的空间信息和光谱信息，并选择合适的光谱 － 纹理组合参数和
估算方程，有利于区域尺度森林参数的精确估计和反演。
关键词: 有效叶面积指数; 光谱 －纹理; 纹理; 高分辨率影像; 刺槐林
中图分类号: S771. 8 文献标识码: A 文章编号: 1001 － 7488(2015)09 － 0024 － 11
A Comparison of Different Quickbird Image Information for Estimating the Effective
Leaf Area Index of Ｒobinia pseudoacacia Plantations
Zhou Jingjing1，2 Zhao Zhong1 Liu Jinliang1 Zhao Jun1 Zhao Qingxia1 Liu Jun3
(1 ． Key Laboratory of Environment and Ecology in Western China，Ministry of Education College of Forestry，Northwest A＆F
University Yangling 712100; 2 ． College of Horticulture ＆ Forestry Sciences，Huazhong Agricultural University Wuhan 430070;
3 ． East China Forest Inventory and Planning Institute，State Forestry Administration Hangzhou 310019)
Abstract: 【Objective】The spatial information of high resolution remote sensing image can improve the estimation
accuracy of forestry parameters． This study precisely explored the combinational rule of spectral and spatial information
with high resolution remote sensing in order to improve the effective leaf area index (LAIe) based on the existing research．
Obtained results can be provide evidence and data for estimation of forestry parameters and assessments of forestry health．
【Method】The black locust (Ｒobinia pseudoacacia) plantations located in Weibei area of Loess Plateau were chosen as
research objects． The LAIe values of 76 plots were measured． We also extracted seven textural parameters of panchromatic
data including ASM，HOM，COＲ，CON，DIS，VAＲ，ENT and seven spectral parameters of multi-spectral image
第 9 期 周靖靖等: 不同方法提取的快鸟影像信息估算刺槐林有效叶面积指数的精度比较
including b4，SAVI，MSAVI，NLI，EVI，DVI，NDVI from Quickbird imagey with high resolution． The combined
spectral-textural indices of Quickbird imagery were obtained using method of raster operation． Four different techniques，
including simple linear regression model， quadratic regression model， power model and exponential model， were
developed to describe the relationship between image parameters and field measurements of LAIe． The predicted accuracy
of combined spectral-textural index and sole texture parameter was compared to reveal the role of combined spectral index
and texture parameters used for LAIe retrieval． 【Ｒesult】The LAIe estimation accuracy was improved when ASM，COＲ
and HOM were combined with SVIs． To a certain extent，the accuracy of SVIs to estimate LAIe was improved with the
combination of CON，DIS，VAＲ and SVIs． The combination of HOM，ASM and COＲ with SVIs gained the higher r2 than
those achieved using HOM，ASM or COＲ alone． The performances of CON，DIS and VAＲ were improved when combining
with partly SVIs． The combination of Entropy data with SVIs invariably yielded adjusted r2 values that were lower than
those achieved using ENT alone． Quadratic regression model and exponential model exhibited higher r2 values than power
model and simple linear regression model slightly．【Conclusion】The combination of spectral and special information can
improve the accuracy of LAIe estimation effectively when the high-resolution image was used to invert LAIe of black locust
plantations． However，not all combined spectral and textural information can obtained higher accuracy comparing to the
solely textural information． The model types influenced the accuracy of LAIe estimation slightly． Our results showed that
comprehensive use of spatial and spectral information and appropriate selection of model was beneficial to accurate
estimation and inversion of forestry parameters．
Key words: effective leaf area index ( LAIe); spectral-textural information; texture; high resolution imagery; black
locust plantation
叶面积指数( leaf area index，LAI)是指单位水
平地面上所有叶片表面积的一半或总叶片投影面积
的一半(Chen et al．，1992)，控制着冠层与大气的物
质流动(Barr et al．，2004; Sonnentag et al．，2007)，是
森林生物量估测和病害评价的有效参数，是表征林
分长势和预测森林产量的重要林学指标之一，也是
森林定量遥感的地面定标手段 (石月婵等，2012;
Nemani et al．，1993)。准确测定 LAI 对于预测林木
生长以及植被对全球气候变化的响应至关重要
(Ｒautiainen et al．，2012; Tillack et al．，2014)。
遥感方法是唯一能够快速连续获取区域乃至景
观尺度 LAI 分布的方法(Gray et al．，2012)。以往大
量的研究通过建立光谱信息与地面实测数据的经验
方程来反演 LAI(Kovacs et al．，2005; Soudani et al．，
2006; Wang et al．，2005; Tian et al．，2007)，然而当
LAI 值中等或者较高时( LAI≥3)，光谱信息会降低
对植被的敏感性，即光谱达到饱和，导致光学遥感的
光谱信息 LAI 反演精度较低 ( Baret et al．，1991 )。
高分辨率遥感数据的空间信息如纹理，与森林的空
间结构有关，能很好地识别地物，可用于估算森林生
物量 ( Sarker et al．，2011; Zhou et al．，2013 )、LAI
(Gray et al．，2012; Kraus et al．，2009)及生物多样性
(Wood et al．，2012)。灰度共生矩阵是计算纹理指
数的常用方法(柳钦火，2010)，且大量研究通过建
立灰度共生矩阵计算的纹理指数与森林参数的经验
方程以达到反演森林参数的目的 ( Nichol et al．，
2011; Wulder et al．，1996; Zhou et al．，2013)。针对
于黄土高原地区刺槐 (Ｒobinia pseudoacacia)林 LAI
的反演，周靖靖等 (2014)研究表明，仅仅利用纹理
信息来估算刺槐林有效叶面积指数 ( effective leaf
area index，LAIe)，Ｒ2 可达到 0. 72。结合光谱和纹
理的反演方法能够充分利用高分辨率影像丰富的光
谱和空间信息，有效提高分析的准确性和精度 (赵
安玖等，2014)，已用于提高森林生物量的反演精
度、不同森林类型 LAI 反演以及提高分类精度等方
面 ( Colombo et al．，2003; Ota et al．，2011; Ouma
et al．，2006; Song et al．，2008)。
本研究在前人研究的基础上，运用 Quickbird
(快鸟)遥感数据的纹理信息和光谱信息，结合野外
实测的刺槐林 LAIe 值，细化研究方法，比较光谱 －
纹理组合参数和仅仅利用纹理信息对刺槐林 LAIe
的估算精度，探究 Quickbird 影像光谱信息与纹理信
息在提高 LAIe 反演精度上的组合规律，以期为
LAIe 的反演和刺槐林健康评价研究提供参考。
1 研究区概况
研究区位于陕西省咸阳市永寿县槐坪林场和马
莲滩林场，地理位置 34°47—34°51 N，108°05—
108°10 E，海拔 1 123 ～ 1 417 m。植被属于暖温带
半湿润落叶阔叶林带，森林覆盖率 38% (张晶晶等，
52
林 业 科 学 51 卷
2010)，以刺槐人工林为主，此外还有油松 ( Pinus
tabulaeformis)、侧柏(Platycladus orientalis)等。气候
为温带大陆性气候，年平均温度 7 ～ 13. 3 ℃，年平均
降雨量 601. 6 mm，其中 53%集中在 7—9 月，年均蒸
发量大于降雨量。植被生长季节为 4 月初至 10 月
底。土壤主要为淋溶性褐土和黑垆土，还有少量的
红土、潮土、淤土、石渣土等(郑元，2010)。
2 研究方法
2. 1 样地布设及有效叶面积指数测定
2012 年 6 月，在研究区选择 76 块林相整齐的
林分，在每一林分中布设 1 块 20 m × 20 m 的样地。
调查林分的林龄 7 ～ 35 年，在各个坡向均有分布，密
度为 525 ～ 3 000 株·hm － 2。调查每块样地的立地与
林分因子，GPS 记录样地 4 角坐标。使用 LAI-2200
植被冠层分析仪测定所有样地的 LAIe，具体方法参
考周靖靖等(2014)和周慧等(2011)。样地内采样
点分布如图 1 所示，所有样地 LAIe 平均值为 4. 43，
变化范围为 0. 95 ～ 6. 80。随机选取 52 块样地的
LAIe 用于模型建立，剩余 24 块样地的 LAIe 用于模
型精度检验。
图 1 样地内采样点分布
Fig． 1 The distribution of sampling points within each plot
2. 2 遥感数据及参数提取
本研究所用数据为 2012 年 6 月 22 日获取的快
鸟影像全色和多光谱数据，空间分辨率分别为
0. 61 m和 2. 44 m。用 1 ∶ 1万数字高程模型 (DEM)
数据和 50 个野外地面采集控制点对全色影像进行
正射校正，误差为 0. 68 像素，用校正好的全色影像
校正多光谱数据，精度为 0. 34 像素。辐射定标多光
谱数据，采用基于 MODTＲAN 4 + 辐射传输模型的
大气校正 FLAASH 模块(Yuan et al．，2009)进行大
气校正，获取地表反射率。所有影像处理过程均在
ENVI 4. 7 中完成。
提取 6 种植被指数［式(1) ～ (6)］、近红外波段
(b4)和 7 种纹理指数［式(8) ～ (14)］参与 LAIe 估
算。灰度二阶矩阵(GLCM)是最常用的计算纹理指
数的方法，根据周靖靖等 ( 2014 ) 的研究结果，熵
(ENT)、变化量(VAＲ)、相关性(COＲ)、角二阶矩阵
(ASM)在 3 × 3 窗口下、对比度(CON)和非相似度
(DIS)在 9 × 9 窗口下对 LAIe 的估算精度最高，因
此本研究运用 GLCM 方法选择在 3 × 3 窗口下计算
全色影像的 ENT，VAＲ，COＲ，ASM，利用 9 × 9 窗口
计算纹理指数 CON 和 DIS。光谱 － 纹理参数的计
算参考 Colombo 等(2003)方法，将纹理栅格图重采
样到 2. 4 m，对光谱信息 ( b4，NDVI，DVI，EVI，NLI，
MSAVI 和 SAVI) 和纹理指数 ( CON _W9 × 9，DIS _
W9 × 9，ENT_W3 × 3，VAＲ_W3 × 3，COＲ_W3 × 3 和
ASM_W3 × 3)分别进行栅格运算，利用 ArcGIS 9. 3
分区统计软件统计每块样地的纹理 － 光谱参数平
均值。
土壤调节植被指数(SAVI):
SAVI = (1 + L)(NIＲ － Ｒ)
(NIＲ + Ｒ + L)
。 (1)
修正的土壤调节植被指数(MSAVI):
MSAVI = ［(2NIＲ + 1) －
(2NIＲ + 1) 2 － 8(NIＲ － Ｒ槡 )］/2。 (2)
非线性植被指数(NLI):
NLI = NIＲ － Ｒ
NIＲ － ＲB
。 (3)
改进型土壤大气修正植被指数(EVI):
EVI = G(NIＲ － Ｒ)
(NIＲ + C1 NIＲ － C2Ｒ + C3)
。 (4)
差值植被指数(DVI):
DVI = NIＲ － Ｒ。 (5)
归一化植被指数(NDVI):
NDVI = NIＲ － Ｒ
NIＲ + Ｒ
。 (6)
式中: B，Ｒ，NIＲ 分别代表快鸟数据蓝波段、红波段
和近红外波段的地表反射率; 参数 L 设为 0. 5; C1，
C2，C3，G 分别为 6. 0，7. 5，1 和 2. 5(Colombo et al．，
2003)。
平均值(ME):
ME = Σ N －1i，j = 0 ip i，j。 (7)
同质性(HOM):
HOM = ∑
N －1
i，j = 0
i
P i，j
1 + ( i － j) 2
。 (8)
对比度(CON):
CON = ∑
N －1
i，j = 0
iP i，j ( i － j)
2。 (9)
非相似度(DIS):
62
第 9 期 周靖靖等: 不同方法提取的快鸟影像信息估算刺槐林有效叶面积指数的精度比较
DIS = ∑
N －1
i，j = 0
iP i，j | i － j | 。 (10)
熵(ENT):
ENT = ∑
N －1
i，j = 0
iP i，j( － lnPi，j)。 (11)
变化量(VAＲ):
VAＲ =
∑
N －1
i，j = 0
(Pi，j － μ)
2
N － 1
。 (12)
角二阶矩阵(ASM):
ASM = ∑
N －1
i，j = 0
iP2i，j。 (13)
相关性(COＲ):
COＲ = ∑
N －1
i，j = 0
ijP i，j － μ1μ2; (14)
μ1 = ∑
N －1
i = 0
i∑
N －1
j = 0
Pi，j;
μ2 = ∑
N －1
j = 0
j∑
N －1
j = 0
Pi，j。
式中: Pi，j 为第 i，j 元素的标准化值; N 为行或列号。
2. 3 统计处理
数据统计分析和参数拟合在 SAS8. 0 统计软件
中完成，图形在 Origin 8. 0 科技绘图软件中完成。
为了避免影像参数间的多重共线性问题，本研究采
用单变量的一元线性回归模型和非线性回归方程
(二次多项式模型、指数模型和乘幂模型)来建立刺
槐林 LAI 的模拟方程，模型具体描述如下:
1) 一元线性回归模型 y = a + bx，式中: y 代
表影像参数，x 表示 LAIe，a 和 b 分别表示拟合曲线
的斜率和截距。
2) 非线性回归模型 ①二次多项式模型 y =
b0 + b1 x1 + b2 x2
2，式中: y 代表影像参数，x 表示
LAIe，b0，b1 和 b2 表示拟合系数; ②乘幕模型 y =
b0 x
b1，式中: y 代表影像参数，x 表示 LAIe，b0和 b1 表
示拟合系数; ③指数模型 y = b0 e
b1x，式中: y 代表影
像参数，x 表示 LAIe，b0和 b1 表示拟合系数。
计算决定系数( r2 )、P-level 和均方根误差( root
mean square error，ＲMSE)来选择最佳刺槐林 LAIe
预测模型和最适合的参数:
ＲMSE =
∑
n
i = 1
( y^ i － yi)
2
槡 n 。
式中: y^ i为刺槐林 LAIe 模拟值; yi为刺槐林 LAIe 野
外实测值; n 为验证样本个数。
3 结果与分析
3. 1 一元线性回归模型
一元线性回归模型均达到极显著水平 ( P ＜
0. 01)，且对于大多数纹理指数，纹理 － 光谱信息对
刺槐林 LAIe 的估算精度高于纹理信息，可明显提高
LAIe 的估算精度(图 2)。HOM，ASM 与任意植被指
数结合后的 r2 均比单独利用 HOM，ASM 的精度高，
且 ＲMSE 均比单独利用 HOM 与 ASM 低，最低为
0. 41。CON，DIS，VAＲ，COＲ 与部分植被指数结合，
r2 比相应纹理指数高，CON 与 b4，EVI，NLI，MSAVI，
NDVI，SAVI 结合，r2 均比 CON 高，ＲMSE 最低为
0. 70; DIS 与 EVI，NLI，MSAVI，NDVI 结合，r2 比 DIS
高，ＲMSE 最低为 0. 70; VAＲ 与 EVI，NLI，MSAVI，
NDVI 和 SAVI 结合，r2 比 VAＲ 提高，ＲMSE 最低为
0. 76; COＲ 与 b4，DVI，EVI，SAVI 结合后，其精度提
高，ＲMSE 由 1. 35 降为 0. 87;然而 ENT 和植被指数
结合的估算精度低于 ENT。
3. 2 二次多项式模型
纹理 －光谱、纹理分别与实测 LAIe 建立的二次
多项式模型均达到极显著水平(P ＜ 0. 01)，二者对
刺槐林 LAIe 的反演结果比较如图 3 所示。HOM，
ASM 和 COＲ 与任意植被指数结合，其 r2 均高于相
应纹理指数，ＲMSE 均低于相应纹理指数，分别由
0. 87，0. 61，1. 35 相应降为 0. 54，0. 41，0. 78。CON，
DIS 和 VAＲ 与部分植被指数结合，r2 比相应纹理指
数高，CON 与 b4，EVI，NLI，MSAVI，NDVI，SAVI 结合
后，其 r2 比 CON 高，ＲMSE 最低为 0. 77; DIS 与
EVI，NLI，MSAVI，NDVI 结合，r2 比 DIS 高，ＲMSE 最
低为 0. 63; VAＲ 与 EVI，NLI，MSAVI，NDVI 和 SAVI
结合，r2 比 VAＲ 提高，ＲMSE 最低为 0. 70;而 ENT
与植被指数结合对 LAI 的反演精度低于 ENT，即
ENT + SVIs 的 r2 低于 ENT。
3. 3 乘幂模型
利用乘幂模型对比纹理 －光谱与纹理信息对刺
槐林 LAIe 的估算结果见图 4，乘幂模型均达到极显
著水平(P ＜ 0. 01)，ASM，COＲ 与植被指数结合的 r2
均高于 ASM 与 COＲ，ＲMSE 最低为 0. 74 和 0. 61。
其余纹理指数与部分植被指数结合能提高估算精
度: CON 与 b4，EVI，NLI，MSAVI，NDVI，SAVI 结合
后对 LAIe 的 r2 比 CON 高，ＲMSE 最低为 0. 76;
EVI，NLI，MSAVI，NDVI 提高 DIS 的 r2，ＲMSE 最低
为 0. 75; DVI，MSAVI 与 SAVI 提高 HOM 对 LAIe 的
r2，ＲMSE 最低为 0. 73; EVI，NLI，MSAVI，NDVI 与
SAVI 提高 VAＲ 的估算效果，ＲMSE 最低为 0. 73。
3. 4 指数模型
将利用指数模型得到的纹理 －光谱与纹理的估
算结果相对比(图 5)，结果表明，指数模型均达到极
显著水平(P ＜ 0. 01)，HOM，COＲ，ASM 与植被指数结
合后，估算精度均比相应纹理指数高。CON，DIS，
VAＲ 与部分植被指数结合后，r2 比相应纹理指数高，
72
林 业 科 学 51 卷
图 2 比较光谱 －纹理指数与纹理对 LAIe 估算精度(一元线性回归模型)
Fig． 2 Coefficients of determination ( r2 ) for LAIe retrieval using combinations of two
SVIs with texture parameters and using texture parameters alone( simple linear regression model)
82
第 9 期 周靖靖等: 不同方法提取的快鸟影像信息估算刺槐林有效叶面积指数的精度比较
图 3 比较光谱 －纹理指数与纹理对 LAIe 估算精度(二次多项式模型)
Fig． 3 Coefficients of determination ( r2 ) for LAIe retrieval using combinations of two
SVIs with texture parameters and using texture parameters alone( quadratic regression model)
92
林 业 科 学 51 卷
图 4 比较光谱 －纹理指数与纹理对 LAIe 估算精度(乘幂模型)
Fig． 4 Coefficients of determination ( r2 ) for LAIe retrieval using combinations of two
SVIs with texture parameters and using texture parameters alone( power model)
03
第 9 期 周靖靖等: 不同方法提取的快鸟影像信息估算刺槐林有效叶面积指数的精度比较
图 5 比较光谱 －纹理指数与纹理对 LAIe 估算精度(指数模型)
Fig． 5 Coefficients of determination ( r2 ) for LAIe retrieval using combinations
of two SVIs with texture parameters and using texture parameters alone( exponential model)
13
林 业 科 学 51 卷
ＲMSE 最低分别为 0. 79，0. 64 和 0. 72。CON 与除
DVI 以外的植被指数结合，提高了 CON 的估算精
度，ＲMSE 最低为 0. 79。DIS 和 VAＲ 分别与 EVI，
NLI，MSAVI，NDVI 和 SAVI 结合后，r2 比相对应的
DIS 与 VAＲ 高; 与 b4 和 DVI 结合后，估算精度比
DIS 与 VAＲ 低。ENT 与植被指数结合，估算精度均
比 ENT 低。
3. 5 不同模型对光谱 －纹理反演有效叶面积指数
的影响
分别从 4 种不同模型的光谱 －纹理组合中选择
估算精度最高的参数组合，分别是 CON_W9 × 9 +
MSAVI，DIS _W9 × 9 + NDVI，ENT _W3 × 3 + NLI，
HOM_ W3 × 3 + MSAVI，ASM _ W3 × 3 + MSAVI，
VAＲ_W3 × 3 + MSAVI，COＲ_W3 × 3 + MSAVI，比较
4 种模型对光谱 －纹理估算刺槐林 LAIe 的影响，其
r2 比较结果如图 6 所示，二次多项式模型和指数模
型的 r2 略高于其他 2 种模型;另外，二次多项式模
型的 ＲMSE 分别为 0. 87，0. 80，0. 65，0. 54，0. 41，
0. 73，0. 78，略低于其他 3 种模型。
图 6 不同反演模型对 LAIe 估算的影响
Fig． 6 Influence of predicted model on accuracy of
LAIe estimation models
A. CON_W9 × 9 + MSAVI;B. DIS_W9 × 9 + NDVI;C. ENT_W3 × 3 +
NLI;D. HOM_W3 × 3 + MSAVI;E. ASM_W3 × 3 + MSAVI;F. VAＲ_W3 ×
3 + MSAVI;G. COＲ_W3 × 3 + MSAVI．
4 结论与讨论
本研究以 Quickbird 影像的全色数据和多光谱
数据为数据源，利用一元线性回归模型、二次多项式
模型、乘幂模型和指数模型建立影像参数与野外实
测 LAIe 的关系方程，比较光谱 －纹理与纹理对刺槐
林 LAIe 的 估算效 果，结论如下: 角二阶矩阵
(ASM)、同质性 (HOM)和相关性 ( COＲ)与任意植
被指数结合，估算精度均比相应的纹理指数高; 对
比度(CON)、非相似度(DIS)、变化量(VAＲ)与部分
植被指数结合后，估算精度比相应纹理指数高; 熵
(ENT)与植被指数结合反而降低了其反演精度。二
次多项式模型和指数模型的 r2 比一元线性回归模
型和乘幂模型稍高。
纹理通常能够反映森林的结构信息，植被特征
由传感器收集的光谱信息反映出来，而植被指数能
够定量光谱信息。由于阴影、树高以及密度等因素，
无法精确从遥感影像上提取森林植被的光谱信息
(Wood et al．，2012)，而将纹理信息加入到光谱信息
较纹理信息能提高 LAI 估算精度，实际上是植被特
征与空间结构的结合较仅仅利用空间结构能够更好
地表达 LAI 特征。森林是由密集和稀疏单元组合而
成的，刺槐林冠层空间结构的不均一和随机分布可
以通过高分辨率影像的纹理信息得到一定的反映
( Colombo et al．， 2003; Gebreslasie et al．， 2011;
Wood et al．，2012; Wulder et al．，1998)。而结合光
谱和纹理的反演方法能够充分利用高分辨率
Quickbird 影像丰富的空间和光谱信息，较为全面地
反映森林结构。前人的研究也有类似的结果，如
Wulder 等(1996)将纹理作为辅助信息加入到 NDVI
中有效改善了松树林和杨树林 LAI 的反演精度;
Wulder 等(1998)将多个纹理参数加入到 NDVI 中，
使得阔叶林 LAI 反演精度提高了 20% ; Colombo 等
(2003)将纹理指数加入到植被指数中，对不同森林
类型的 LAI 进行反演，精度明显提高。
另外，本文的研究将可能对解决光谱信息估算
LAI 的饱和问题提供思路。当 LAI 大于 3 时，光谱
信息不会随着植被覆盖度的增大而增大，不能完全
解释森林空间结构的集聚现象，本研究的研究区域
刺槐林 LAIe 最大值达到 6. 8，因此光谱饱和可能是
影响估算精度的重要原因。遥感影像是纹理和光谱
的结合，纹理信息和光谱信息共同构成光学遥感数
据丰富的信息量，但二者占主导地位的尺度不同。
当遥感影像在小尺度内变化较小时，通常占主导地
位的是光谱信息;相反，当具有较大变异时，占主导
地位的是纹理信息。而决定这一差别的是不连续地
物的大小和数量。随着小区域内可区分的不连续单
元的灰色色调的增加，纹理将占主导地位(Haralick
et al．，1973)。针对于森林冠层，纹理信息和光谱信
息的结合实际上是森林空间结构信息和植被冠层表
层信息的结合(Wulder et al．，1998)。当 LAI 达到一
定程度时，郁闭度增大，冠层结构相对复杂，组成森
23
第 9 期 周靖靖等: 不同方法提取的快鸟影像信息估算刺槐林有效叶面积指数的精度比较
林冠层的不连续单元增加，光谱信息不是反映森林
植被的主要信息，而此时则可能是纹理信息成为反
映森林植被的主要信息。纹理信息的介入，补充了
光谱对森林植被特征的反映，所以在光谱信息达到
饱和状态时，纹理信息和光谱信息的结合仍然可保
证 LAIe 具有较高的估算精度。
参 考 文 献
柳钦火 ． 2010． 定量遥感模型、应用及不确定性研究 ． 北京: 科学出
版社 ．
(Liu Q H． 2010． The study of model，application，uncertainty about
quantitative remote sensing． Beijing: Science Press．［in Chinese］)
石月婵，杨贵军，冯海宽，等 ． 2012． 北京山区森林叶面积指数季相
变化遥感监测 ． 农业工程学报，28(15) : 133 － 139．
( Shi Y C，Yang G J，Feng H K，et al． 2012． Ｒemote sensing of
seasonal variability monitoring of forest LAI over mountain areas in
Beijing． Transactions of the Chinese Society of Agricultural
Engineering，28(15) : 133 － 139． ［in Chinese］)
张晶晶，赵 忠，宋西德，等 ． 2010． 渭北黄土高原人工刺槐林植物
多样性动态 ． 西北植物学报，30(12) : 2490 － 2496．
(Zhang J J，Zhao Z，Song X D，et al． 2010． Biodiversity dynamics of
artificial Ｒobinia pseudoacacia forest in Weibei Loess Plateau． Acta
Botanica Boreali-Occidentalia Sinica，30 (12 ) : 2490 － 2496． ［in
Chinese］)
赵安玖，杨长青，廖承云 ． 2014． 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 ． 应用生态学报，
25(11) : 3237 － 3246
(Zhao A J，Yang C Q，Liao C Y． 2014． Spatial analysis of LAIe of
montane evergreen broad-leaved forest in southwest Sichuan，
Northwest China， based on image texture． Chinese Journal of
Applied Ecology，25(11) : 3237 － 3246． ［in Chinese］)
郑 元 ． 2010． 刺槐光合生理特征与固碳能力研究 ． 杨凌: 西北农
林科技大学博士学位论文 ．
( Zheng Y． 2010． A study of photosynthetic and physiological
characteristics and carbon fixation capacity of black locust (Ｒobinia
pseudoacacia) ． Yangling: PhD thesis of Northwest A＆F University．
［in Chinese］)
周 慧，赵 忠，周靖靖，等 ． 2011． 黄土高原区不同密度刺槐林冠
层结构特征及月动态变化 ． 林业科技开发，25(5) : 16 － 20．
(Zhou H，Zhao Z，Zhou J J，et al． 2011． Canopy structure of black
locust plantations with different densities and monthly dynamics in
the Loess Plateau． China Forestry Science and Technology，25(5) :
16 － 20． ［in Chinese］)
周靖靖，赵 忠，刘金良，等 ． 2014． 基于快鸟影像纹理特性的刺槐
林叶面积指数估算 ． 应用生态学报，25(5) : 1266 － 1274．
(Zhou J J，Zhao Z，Liu J L，et al． 2014． Estimating leaf area index of
black locust (Ｒobinia pseudoacacia L． ) plantations based on texture
parameters of Quickbird imagery． Chinese Journal of Applied
Ecology，25(5) : 1266 － 1274． ［in Chinese］)
Baret F，Guyot G． 1991． Potentials and limits of vegetation indices for
LAI and APAＲ assessment． Ｒemote sensing of environment，
35(2) : 161 － 173．
Barr A G，Black T，Hogg E，et al． 2004． Inter-annual variability in the
leaf area index of a boreal aspen-hazelnut forest in relation to net
ecosystem production． Agricultural and Forest Meteorology，126
(3) : 237 － 255．
Chen J M，Black T A． 1992． Defining leaf area index for non-flat leaves．
Plant Cell and Environment，15(4) : 421 － 429．
Colombo Ｒ，Bellingeri D，Fasolini D，et al． 2003． Ｒetrieval of leaf area
index in different vegetation types using high resolution satellite
data． Ｒemote Sensing of Environment，86(1) : 120 － 131．
Gebreslasie M T，Ahmed F B，van Aardt J A N． 2011． Extracting
structural attributes from IKONOS imagery for Eucalyptus plantation
forests in KwaZulu-Natal，South Africa，using image texture analysis
and artificial neural networks． International Journal of Ｒemote
Sensing，32(22) : 7677 － 7701．
Gray J，Song C． 2012． Mapping leaf area index using spatial，spectral
and temporal information from multiple sensors． Ｒemote Sensing of
Environment，119(16) : 173 － 183．
Haralick Ｒ M，Shanmugam K，Dinstein I H． 1973． Textural features for
image classification． Systems， Man and Cybernetics， IEEE
Transactions on，6: 610 － 621．
Kovacs J M，Wang J F，Flores-Verdugo F． 2005． Mapping mangrove leaf
area index at the species level using IKONOS and LAI-2000 sensors
for the Agua Brava Lagoon，Mexican Pacic． Extuarine Coastal and
Shelf Science，62(1 /2) : 377 － 384．
Kraus T，Schmidt M，Dech S W，et al． 2009． The potential of optical
high resolution data for the assessment of leaf area index in East
African rainforest ecosystems． International Journal of Ｒemote
Sensing，30(19) : 5039 － 5059．
Nemani Ｒ， Pierce L， Ｒunning S， et al． 1993． Forest ecosystem
processes at the watershed scale: sensitivity to remotely-sensed leaf
area index estimates． International Journal of Ｒemote Sensing，14
(13) : 2519 － 2534．
Nichol J E，Sarker M L Ｒ． 2011． Improved biomass estimation using the
texture parameters of two high-resolution optical sensors． IEEE
Transactions on Geoscience and Ｒemote Sensing，49 ( 3 ) : 930 －
948．
Ota T， Mizoue N， Yoshida S． 2011． Influence of using texture
information in remote sensed data on the accuracy of forest type
classification at different levels of spatial resolution． Journal of
Forest Ｒesearch，16(6) : 432 － 437．
Ouma Y O，Tateishi Ｒ． 2006． Optimization of second-order grey-level
texture in high-resolution imagery for statistical estimation of above-
ground biomass． Journal of Environmental Informatics，8(2) : 70 －
85．
Ｒautiainen M，Heiskanen J，Korhonen L． 2012． Seasonal changes in
canopy leaf area index and MODIS vegetation products for a boreal
forest site in central Finland． Boreal Environment Ｒesearch，
17(1) : 72 － 84．
Sarker L Ｒ，Nichol J E． 2011． Improved forest biomass estimates using
ALOS AVNIＲ-2 texture indices． Ｒemote Sensing of Environment，
115(4) : 968 － 977．
Song C，Dickinson M B． 2008． Extracting forest canopy structure from
spatial information of high resolution optical imagery: tree crown size
33
林 业 科 学 51 卷
versus leaf area index． International Journal of Ｒemote Sensing，
29(19) : 5605 － 5622．
Sonnentag O，Chen J M，Ｒoberts D A，et al． 2007． Mapping tree and
shrub leaf area indices in an ombrotrophic peatland through multiple
endmember spectral unmixing． Ｒemote Sensing of Environment，109
(3) : 342 － 360．
Soudani K，Francois C，le Maire G，et al． 2006． Comparative analysis of
IKONOS，SPOT，and ETM + data for leaf area index estimation in
temperate coniferous and deciduous forest stands． Ｒemote Sensing of
Environment，102(1 /2) : 161 － 175．
Tian Q，Luo Z，Chen J M，et al． 2007． Ｒetrieving leaf area index for
coniferous forest in Xingguo County，China with Landsat ETM +
images． Journal of Environmental Management，85: 624 － 627．
Tillack A，Clasen A，Kleinschmit B，et al． 2014． Estimation of the
seasonal leaf area index in an alluvial forest using high-resolution
satellite-based vegetation indices． Ｒemote Sensing of Environment，
141: 52 － 63．
Wang Q，Adiku S，Tenhunen J，et al． 2005． On the relationship of
NDVI with leaf area index in a deciduous forest site． Ｒemote
Sensing of Environment，94(2) : 244 － 255．
Wood E M，Pidgeon A M，Ｒadeloff V C，et al． 2012． Image texture as a
remotely sensed measure of vegetation structure． Ｒemote Sensing of
Environment，121: 516 － 526．
Wulder M，Franklin S，Lavigne M． 1996． High spatial resolution optical
image texture for improved estimation of forest stand leaf area index．
Canadian Journal of Ｒemote Sensing，22(4) : 441 － 449．
Wulder M A，LeDrew E F，Franklin S E，et al． 1998． Aerial image
texture information in the estimation of northern deciduous and mixed
wood forest leaf area index (LAI) ． Ｒemote Sensing of Environment，
64(1) : 64 － 76．
Yuan J G，Niu Z，Wang X P． 2009． Atmospheric correction of hyperion
hyperspectral image based on FLAASH． Spectroscopy and Spectral
Analysis，29(5) : 1181 － 1185．
Zhou J J，Zhao Z，Zhao Q，et al． 2013． Quantification of aboveground
forest biomass using Quickbird imagery，topographic variables，and
field data． Journal of Applied Ｒemote Sensing，7(1) : 073484．
(责任编辑 石红青)
43