基于不同树种的LAI遥感估测研究

贾艳才

(河北省塞罕坝机械林场，河北 承德 067000)

引言

叶面积指数(Leaf area index,LAI)是一种关键性的参数，可清楚表明植被的生理状态。在遥感反演中，通常认为LAI是单位地面上冠层叶片垂直投影到水平面上的面积总和[1]。LAI在植物的光合作用和蒸腾作用等生理生化活动中起着至关重要的作用[2-4]。因此，快速准确地获取大尺度的LAI具有重要意义。

LAI的传统测量方法包括破坏性取样法、异速生长方程法和凋落物收集法[5-8]。但这些传统的方法不仅耗时耗力，而且很难得到大尺度的LAI数据。随着遥感技术的不断发展，空间分辨率的传感器逐步推新，使用遥感技术进行反演成为获得大尺度下森林LAI的有力手段。孙华[9]等利用偏最小二乘回归法对攸县黄丰桥林场的LAI进行了反演。陈艳华[10]等通过引入土壤反射指数，研究出PROSAIL可以实现LAI的反演工作。Campos-Taberner[11]等将PROSAIL模型与人工神经网络法结合对地中海区域内水稻的不同时相和空间分辨率进行了LAI的反演。PROSAIL模型相比于经验关系法明确了物理意义，适用于更多种植被类型以及更广的空间范围，但此模型还存在一定弊端，如需要参数众多，并且部分参数难以获得。当前研究中利用单个植被指数反演LAI时通常会受到饱和性、包含的波段信息不足等而影响反演精度[12]，并且研究对象多是纯林，对于树种差异性是否对LAI的反演精度有影响没有深入研究[13]。

目前在研究中若要分树种建立LAI的反演模型，则要测得足够的样本量，费时费力，而当研究区域树种类型较多时，分树种建立反演模型就很难继续下去。因此，引入哑变量体现了不同树种对LAI反演的作用，相当于将不同类型的样本合并，扩大了样本容量，提高了模型精度。

1 材料与方法

1.1 研究区概况

本文以塞罕坝机械林场中的千层板林场、北曼甸林场和二道口林场部分区域为研究区域。塞罕坝位于河北省承德市围场满族蒙古族自治县境内，坐标为E116°32′～118°14′，N41°35′～42°40′。极端最高气温33.4℃，最低气温-43.3℃，年均气温-1.3℃，年均降水量460.3mm，是典型的半干旱半湿润寒温性大陆季风气候。塞罕坝处于典型的森林—草原交错带，地形以山地、高原、丘陵、曼甸为主。土壤类型大多为山地棕壤、森林土和风沙土。林场的树种以落叶松、樟子松、白桦、云杉等为主，森林覆盖率达80%，林木年平均生长率为9.7%，总蓄积达到1012×104m3。

1.2 数据获取与处理

在承德塞罕坝机械林场中的千层板林场、北曼甸林场和二道口林场部分区域范围内以“随机采样”为原则设置样地共178个(白桦40个，落叶松56个，樟子松48个，云杉34个)，同时尽量使样地在研究区域内均匀分布(见图1)。在样地的2条对角线各均匀取3个点进行测量，其中2条对角线中点重合，即1个样地内LAI测量点为5个。使用光学仪器LAI-2200C在每个测量点进行4个不同方向的测量，每个方向测量3次。将1个样地内测量的LAI所有数据的平均值作为该样地的LAI值。

图1 样地分布图

1.2.1 遥感影像的处理

利用Snap和Sen2Cor软件对获得的2019年8月8日的哨兵2号遥感影像(http://blog.sina.com.cn/s/blog_764b1e9d0102wek0.html)进行几何校正、正射校正、辐射校正、大气校正、拼接裁剪处理，最终得到研究区域的遥感影像。

1.2.2 植被指数与地形因子的获取

植被指数是反映绿色植被的相对丰度和活性的辐射量值,通过计算遥感影像不同光谱波段间的线性和非线性组合来实现[14]。本研究采用了以下几种植被指数，具体表达式如表1所示。

植被指数的获取主要通过ENVI中的波段运算获得。地形因子主要为DEM。

表1 植被指数表

1.3 研究方法

绿色植物由于光合作用，对可见光，特别是红光会强烈吸收，而在近红外波段则吸收率非常低。由于这些独特的光谱特性，使得遥感波段中包含了很多植物冠层叶片的信息。本文通过对遥感影像的原始波段以及相关的植被指数和地形因子来构建LAI的反演模型。

1.3.1 基本模型

线性模型在LAI反演中已得到广泛应用[9]，以线性模型作为LAI反演模型的基础模型：

LAI=a0+a1X1+…+anXn+ε

式中，LAI为叶面积指数，a0、a1…an为参数，X1、X2…X3为各变量因子，ε为误差项。

各因子与LAI的关系并不完全符合线性关系，利用R语言中的spreadLevelPlot函数检查各变量的方差齐性，通过推荐的幂转换参数，对原始数据进行幂转换。除此之外，还对原始数据进行对数变换，增加线性拟合的准确度。

1.3.2 哑变量模型

基于基础模型的哑变量模型的基本形式为：

LAI=b0+∑aizi+b1X1+b2X2…bnXn+ε

式中,LAI为因变量,b0、b1…bn为参数，X1、X2…X3为各变量因子，zi为哑变量，ai为相应的哑变量参数，ε为误差项。

依据模型的需要对类别特征进行编码处理，为了避免引起多重共线性，一般类别为k的特征需要编码为一组k-1个衍生哑变量，以表示特征内部的所有类别。将树种作为哑变量，由于树种有4个水平，因此得到3个衍生哑变量。

当树种为落叶松时，树种落叶松取值为1，树种樟子松取值为0，树种云杉取值为0。

当树种为樟子松时，树种落叶松取值为0，树种樟子松取值为1，树种云杉取值为0。

当树种为云杉时，树种落叶松取值为0，树种樟子松取值为0，树种云杉取值为1。

当树种为白桦时，树种落叶松取值为0，树种樟子松取值为0，树种云杉取值为0。

1.3.3 模型评价

模型结果采用确定系数R2、均方根误差RMSE、平均相对误差ME、赤池信息准则AIC。

AIC=2p-2ln(L)=Nln(SSE)-Nln(N)+2p

2 结果与分析

2.1 变量因子选择

对所有的变量因子进行全局择优，选择使R2最大的变量因子作为模型的自变量。由图2可以看出，B5、B6、B9、B10、B11、B12、B13以及B19对R2贡献比较大。

图2 变量因子筛选图

变量的详细信息如表2所示，对比植物的光谱曲线发现，各变量的中心波长都处于植被光谱曲线的反射波峰，表明这些变量蕴含了很多植物冠层叶片信息，可以通过这些变量来反演LAI。而DEM则反映了同一树种在不同海拔的情况下叶面积指数也会发生变化[15,16]。

表2 变量信息表

2.2 模型构建与评价

将8个变量因子进行线性拟合，利用R中的model.matrix函数将树种转化为3个虚拟变量，构建哑变量模型。模型构建如下。

线性模型：

哑变量模型:

使用R2、RMSE、ME、AIC值对模型进行检验与评价。R2介于0～1，R2越大说明模型精度越高；RMSE、ME、AIC值越小越好，说明模型拟合误差低。通过表3可知，虽然模型的平均相对误差都为0，但哑变量的R2略高于线性模型，RMSE和AIC值都低于

表3 模型评价表

线性模型，表示将树种作为哑变量有助于提高LAI的反演精度。从图3中可以看出，哑变量模型的残差分布范围更加均匀。用已构建好的哑变量模型结合研究区域的遥感影像和DEM，反演得到研究区域的LAI分布图(图4)。

图3 模型残差分布图

图4 研究区域LAI分布图

3 结论

本文以塞罕坝地区落叶松、樟子松、白桦及云杉为例，选用线性模型来对构建LAI的反演模型。利用全局则优来挑选适合的模型自变量，最终选择的变量为：B5:vegetation red edge(中心波长：0.740um)、B6:vegetation red edge(中心波长：0.705um)、B9:blue(中心波长：0.490um)、B10:SWIR(中心波长：1.610um)、B11:SWIR(中心波长：2.190um)、B12:coastal aerosol(中心波长：0.443um)、B13:NDVI、B19:DEM。其中，前7个变量主要是不同光谱信息对LAI的影响，DEM则主要是LAI对地形因子的响应。通过对模型指标的评价，哑变量模型提高了LAI反演的预测精度以及适用性，为大尺度区域LAI的反演提供一定参考。