塞罕坝地区主要树种LAI遥感估测

2023-02-16 01:49臧贺喜

农业与技术 2023年3期

臧贺喜

(河北省塞罕坝机械林场大唤起分场，河北承德 068466)

叶面积指数(Leaf area index，LAI)是指单位地表面积上的叶子表面积总和的一半[1]。是描述植被冠层结构的关键变量,与森林植被的光合、蒸腾、降水截留、碳氮循环等众多生态过程密切相关[2]，其在许多模拟区域和全球陆地生态系统与大气间相互作用的模型中发挥着至关重要的作用[3]。因此，在全球气候变暖的大背景下，能够准确、快速地估测LAI具有重要意义。

目前，叶面积指数的测量方法一般综合归纳为直接测量法与间接测量法2类[4]。直接测定方法是传统的一种方法，如落叶收集法、鲜重打孔法和分层收割法等[5]，直接测量法的优点是其得到的LAI指数较准确、精度较高，但其对植物具有一定的破坏性，且耗费时间和人力物力，通常用于小范围进行测定LAI[6]。间接测量法是用一些参数来测定反推叶面积指数，其中光学测量法是最具代表性的方法[4]。利用地面光学仪器实测数据结合遥感数据得到林地LAI的优点主要在于基本没有破坏性，而且具有快速便捷、经济实用等突出特点，是目前在大尺度范围林地研究中，高效准确地获得和估测LAI最可行的方式[7]。利用光学遥感数据采取不同形式构建模型，主要有2种方法反演叶面积指数：基于物理模型的方法和基于植被指数的统计模型方法[8]。前者的优势在于具有普适意义[9]，需要一定的物理基础，但因为需要通过反演来估算LAI，而过程中有些不收敛的反函数可能会使得反演结果产生很大的不确定性，甚至导致反演结果错误[10]；除此之外，模型输入参数众多而且获取困难，计算复杂、耗等也是此方法存在的问题；后者以光谱信息或植被指数与LAI的统计关系为基础，植被冠层的光谱信息中包含了大量信息，遥感估测法便是依靠它们进行叶面积指数的预测[11]。高光谱数据的波段窄，且波谱连续，从而能够形成许多植被指数，对LAI相对敏感[12]。统计模型法虽然具有模型参数随时间和地点而变化的不足，但同时也有高效、易于实现等特点，因而在利用遥感影像大范围估算植被LAI中更为常见[11]。

国内外已利用多光谱和高光谱遥感数据开展了大量研究，Sanpedro等[13]利用TM和ETM+数据的NDVI反演LAI，表明NDVI与LAI(0.1～6范围内)具有很强的线性关系；傅银贞等[14]通过建立不同植被指数与LAI的相关关系，经过计算表明，TNDVI和NDVI的指数曲线和幂函数曲线模型对马尾松LAI具有更好的预测性。受森林垂直与水平结构的影响，植被类型不同，植被指数与LAI间的函数关系也会产生区别，因此在实际研究中，应依据研究区域的状况再次进行拟合调整[12]。

本文以塞罕坝机械林场部分区域内的华北落叶松、樟子松、白桦与云杉为研究对象，结合遥感影像，对不同植被指数进行比较分析，选择适宜的植被指数组合建立线性模型。同时引入树种作为随机效应，构建线性混合效应模型进行林场LAI的反演，探讨加入树种变量对模型精度的影响。通过比较传统线性模型与线性混合效应模型估测林场LAI，对模型进行评价，从而为合理选用植被指数与相关模型提供基础，以能够得到更精确的森林LAI，以期为森林经营管理乃至碳循环研究提供更可靠的数据支撑。

1 数据与方法

1.1 研究区概况

研究区位于河北省承德市围场满族蒙古族自治县，为北部坝上地区的塞罕坝机械林场(E116°51′～117°39′，N42°02′～42°36′)，地处河北省最北部，内蒙古高原浑善达克沙地南缘，属于森林-草原交错带，海拔高度1010～1939.9m，极端最高气温为33.4℃，最低气温为-43.3℃，年均气温-1.3℃，年均积雪7个月，年均无霜期67d，年均降水量460mm。林区的主要乔木树种包括华北落叶松、白桦(Betula platyphylla)、蒙古栎(Quercusmongolica)、山杨(Populus davidiana)等，林下植物以柔毛绣线菊(Spiraea pubescens)、叉分蓼(Polygonum divaricatum)、地榆(Sanguisorba officinalis)、金莲花(Trollius chinensis)、鹳草(Geaniumpratense)等为主。

1.2 地面数据采集

以随机采样为原则，在塞罕坝机械林场中的北曼甸林场、千层板林场和三道河口林场的部分区域，均匀地设置145个样地(包括41个落叶松林地，43个樟子松林地，30个白桦林地，31个云杉林地)，见图1。使用LAI-2200C植物冠层分析仪进行LAI的测量。每块样地的测量点为5个，测量点均匀地分布在样地的2条对角线上，即每条对角线有3个测量点，对角线交叉重合为1个点。从4个方向逐次测量每个点的LAI，每个点测量3次。最终得到样地所有LAI测量数据，取平均值作为该样地的LAI值。

图1 样地分布图

1.3 遥感数据获取与预处理

本研究采用sentinel-2遥感数据用于反演，影像来源于欧空局(https://www.esa.int/ESA),成像时间为2019年8月8日。Sentinel-2卫星所带传感器能够覆盖13个光谱波段。遥感数据预处理包括大气校正和几何校正等，利用欧洲航空局提供的免费软件SNAP(sentinel application platform)和Sen2Cor进行大气校正的处理，再进行几何校正、正射校正、辐射校正，根据行政区划进行拼接裁剪后得到研究区域遥感影像，用于反演估测LAI。

1.4 植被指数选取

为进行植被覆盖状况和动态变化规律的调查，通过遥感获取植被信息是研究的基础[15]。植被指数是指利用绿色植被对电磁波的反射和吸收能力，对敏感波段进行线性或非线性组合，能够体现植被信息[16]。通过遥感影像计算后得到植被指数，再利用植被指数与样地实测LAI数据的经验关系建立模型，通常能够很好地反演LAI[17]。合适地选取植被指数能够有效提高LAI估测反演精度。本研究选取6种植被指数，其植被指数表达式见表1。

本文通过对遥感影像的原始波段以及相关的植被指数、地形因子进行比较分析，选择红波段(B1)、短波红外波段(B2)、海岸/气溶胶波段(B3)、归一化植被指数(B4)以及高程(B5)作为自变量来构建坝上地区LAI反演估测模型。