樊榮榮，王 妮，李 霞，張灑灑，陳 財，余俞寒

(滁州學院地理信息與旅游學院，安徽滁州 239000)

?

基于滁州市TM數(shù)據(jù)的葉面積指數(shù)估算模型研建

樊榮榮，王 妮，李 霞*，張灑灑，陳 財，余俞寒

(滁州學院地理信息與旅游學院，安徽滁州 239000)

以2010年TM影像為數(shù)據(jù)源，結合實測葉面積指數(shù)(LAI)數(shù)據(jù)，采用逐步回歸方法，分析滁州市森林葉面積指數(shù)與植被指數(shù)關系并建立估測模型。結果表明：在0.01顯著水平下，地面LAI和NDVI、RVI、SAVI的相關性分別為0.899、0.868、0.853；以NDVI為自變量構建的指數(shù)函數(shù)關系模型與LAI相關系數(shù)最高，相關性達0.839，LAI預測精度達78.96%；以NDVI、RVI、SAV為自變量構建的多元線性回歸模型與LAI相關性達0.917，LAI估測平均精度達83.36%，符合森林資源監(jiān)測要求。研究結果為使用遙感數(shù)據(jù)進行滁州市大面積森林質(zhì)量監(jiān)測、森林分布變化提供依據(jù)和技術支持。

葉面積指數(shù)；植被指數(shù)；逐步回歸；滁州市

森林生態(tài)系統(tǒng)是陸地生態(tài)系統(tǒng)的主體，也是生境變化監(jiān)測的主要對象。葉面積指數(shù)(LAI)是單位面積所有葉片垂直投影面積。森林葉面積指數(shù)是衡量森林質(zhì)量的重要指標，其變化體現(xiàn)森林不同生長狀態(tài)，可用來表達森林綠量并作為構建森林生態(tài)系統(tǒng)功能模型的主要指標。LAI測量主要有2種方法：一是使用儀器直接測量，測定結果可為間接測量方法提供定標依據(jù)，但費時費力，且破壞性大。另一種是間接測量，基于遙感數(shù)據(jù)采用經(jīng)驗法和物理模型法進行估測。汪小欽等[1]對森林LAI遙感定量反演的研究趨勢和方向進行了展望，認為基于遙感數(shù)據(jù)對森林LAI的監(jiān)測具有時效性。石月嬋等[2]對部分植被類型LAI反演模型精度進行了比較，結果表明利用整個生長期LAI建立的模型精度最高，其中基于NDVI的LAI指數(shù)模型最優(yōu)。劉婧怡等[3]利用偏最小二乘法把握了各森林類型LAI動態(tài)變化，并結合研究區(qū)森林覆被信息進行區(qū)域估算。趙麗芳等[4]分析了用高光譜遙感數(shù)據(jù)估測森林葉面積指數(shù)常用方法的優(yōu)劣，指出在實際應用中應結合不同方法的長處對LAI進行估測，以提高模型精度。王龔[5]以安徽省滁州市為研究區(qū)，采用統(tǒng)計模型法結合HJ衛(wèi)星數(shù)據(jù)建立以楊樹樹種為主的展葉期、花果期、葉面積穩(wěn)定期和落葉始期LAI-NDVI估算模型，并進行了適用性分析，結果表明此模型可用于時間序列LAI的反演。孫曉[6]基于高光譜遙感數(shù)據(jù)對森林葉面積指數(shù)進行反演研究，探討和分析了高光譜遙感森林葉面積指數(shù)反演的能力，篩選最優(yōu)模型，認為MSAVI(修正土壤調(diào)整植被指數(shù))的二次多項式反演精度最高，為83.01%。上述研究表明，構建LAI與植被指數(shù)關系模型對植被和環(huán)境監(jiān)測評估具有重要意義。但是對滁州不同森林類型而言，基于TM數(shù)據(jù)植被指數(shù)與LAI關系模型的研究鮮見報道。筆者基于地面實測LAI數(shù)據(jù)和TM遙感數(shù)據(jù)，采用統(tǒng)計分析方法，探討滁州市主要森林類型LAI估測的可靠性和應用效果，為研究區(qū)森林資源監(jiān)測與評估提供依據(jù)。

1　材料與方法

1.1研究區(qū)概況研究區(qū)滁州市位于 117°10′～119°14′ E、31°51′～ 33°13′ N，北亞熱帶向暖溫帶過渡區(qū)，四季分明，氣候溫和，雨量適中，年降雨量800～1 100 mm，無霜期220 d。全市土地總面積1.33萬km2，地跨長江、淮河兩大流域，地貌大致可分為丘陵區(qū)、崗地區(qū)和平原區(qū)3種類型，其中丘陵和崗地占 88.5%，平原、圩區(qū)和湖泊占 11.5%。

滁州市森林總面積2 733 km2，森林覆蓋率20.55%。研究區(qū)域集中在滁州市瑯琊、南譙2區(qū)。城區(qū)森林分布集中在瑯琊山國家4A級景區(qū)，群落類型包括闊葉林、針葉林、針闊混交林，從森林質(zhì)量和面積比例角度，估測滁州市森林葉面積指數(shù)具有典型性和代表性。圖1為研究區(qū)森林分布。

圖1　滁州市森林分布Fig.1　Chuzhou forest distribution

1.2地面數(shù)據(jù)收集

1.2.1試驗區(qū)與樣點選設。所選樣區(qū)為滁州市城區(qū)內(nèi)多個森林點，涉及庭院林、道路林、風景游憩林、生態(tài)公益林和生產(chǎn)經(jīng)營林[7]。基于地形及地表均質(zhì)性對觀測結果的影響，樣區(qū)一般選擇在地勢相對平坦、優(yōu)勢樹種相對單一、樹木空間分布相對均勻處，樣區(qū)在研究區(qū)內(nèi)盡量均勻分布，并基本涵蓋研究區(qū)全部森林類型和主要樹種。通過手持式GPS地面定位儀獲取樣地中心點的經(jīng)緯度和海拔，并采集樣區(qū)優(yōu)勢木樹高、樹冠高、胸徑、葉片大小、郁閉度以及坡向、坡度等二類調(diào)查數(shù)據(jù)。樣點分布位置見圖2。

注：+為樣點分布處。Note： + stands for sample distribution.圖2　滁州市森林樣點分布Fig.2　Forest sample distribution in Chuzhou City

1.2.2葉面積指數(shù)測定。使用CI-110植物灌層分析儀，于樹木生長季(夏季)，在每個樣點中確定觀測位置后，定位3個間隔10 m的點，在地表灌草上方離地面1 m處，利用魚眼鏡頭和CCD圖像傳感器獲取植物冠層圖像并進行分析，通過應用CI-110系統(tǒng)自帶軟件Plant Digital Imager分別計算每個觀測點3個點位的LAI，取3個點位的平均LAI作為該樣點LAI值。同時利用GPS定位每個樣點的坐標位置，并進行記錄。按照上述方法分別對23個不同的樣點測量得到相應坐標參數(shù)和LAI。

1.3遙感數(shù)據(jù)處理所用2010年TM數(shù)據(jù)空間分辨率為30 m×30 m，選取均勻分布的25個地面控制點，使用ENVI軟件對TM影像進行幾何精糾正，將誤差范圍控制在0.5個像元以內(nèi)，并對圖像進行重采樣。由于地表反射電磁波被衛(wèi)星的傳感器記錄下來得到的DN值并沒有實際意義，需要通過輻射定標把圖像上的DN值轉(zhuǎn)為輻射亮度或者是反射率，通過TM各個波段的增益偏置[8]進行輻射定標計算出TM影像對應的地表反射率，最后對TM影像進行大氣校正，以消除或減少大氣散射對圖像的干擾。校正過程中，氣溶膠模式采用大陸氣溶膠模式。

1.4植被指數(shù)計算與提取城市植被覆蓋類型通常分為喬木、灌木、草地、疏林地和其他綠地5類，其中喬木、灌木和草地3種類型在城市中分布范圍較廣。根據(jù)研究區(qū)植被分布和TM數(shù)據(jù)特點，提取以下植被指數(shù)。

1.4.1歸一化植被指數(shù)(NDVI)。NDVI可通過遙感數(shù)據(jù)中近紅外波段(nir)和紅光波段(r)的反射率計算得到。NDVI對植被冠層的背景亮度非常敏感，葉冠背景信息因氣候、落葉、粗糙度、有機物質(zhì)等因素影響使反射率呈現(xiàn)一定的變化，可以用來監(jiān)測植被生長活動的季節(jié)與年際變化。其變化范圍為[-1，1]，負值表示地面覆蓋為云、水、雪等，對可見光高反射；0表示有巖石或裸土等，nir和r近似相等；當nir>r，NDVI為正值，表示有植被覆蓋，且隨覆蓋度增大而增大。計算公式為：

NDVI=(ρnir-ρr)/(ρnir+ρr)

(1)

式中,ρnir和ρr分別代表近紅外波段和紅光波段的反射率。

1.4.2比值植被指數(shù)(RVI)。比值植被指數(shù)是遙感數(shù)據(jù)近紅外波段(nir)和紅光波段(r)反射率間的比值。RVI是綠色植物的靈敏指示參數(shù)，與LAI、葉綠素含量相關性高。植被覆蓋度大小影響RVI，當植被覆蓋度較高時，RVI對植被十分敏感；當植被覆蓋度小于50%時，這種敏感性顯著降低。RVI計算公式為：

RVI=ρnir/ρr

(2)

式中，ρnir和ρr分別代表近紅外波段和紅光波段的反射率。

1.4.3土壤調(diào)節(jié)指數(shù)(SAVI)。土壤調(diào)節(jié)指數(shù)可以抑制土壤噪聲影響，與NDVI相比，增加了根據(jù)實際情況確定土壤調(diào)節(jié)系數(shù)L，L取值范圍為[0，1]。L=0 時，表示植被覆蓋度為零；L=1時，植被覆蓋度非常高，土壤背景的影響為零，這種情況只有在樹冠濃密、高大樹木覆蓋的地方才會出現(xiàn)。該研究中L值取0.5。SAVI計算公式為：

(3)

式中，ρnir和ρr分別代表近紅外波段和紅光波段的反射率。

1.4.4植被指數(shù)提取。根據(jù)上述3種植被指數(shù)定義，基于ENVI軟件，將研究區(qū)的遙感數(shù)據(jù)導入并利用ENVI中BasicTools中的波段計算工具(bandmatch)進行植被指數(shù)的提取。其中遙感數(shù)據(jù)的3波段(b3)和4波段(b4)分別代表紅光波段和近紅外波段。NDVI 波段計算公式為float(b4-b3)/(b4+b3)；RVI波段計算公式為float(b4/b3)；SAVI波段計算公式為float(b4-b3)(1+L)/(b4+b3+L)。

1.5植被指數(shù)與葉面積指數(shù)關系模型建立采用ENVI中的ROI信息導出方式，導出提取的植被指數(shù)信息，將實測坐標對應像元保存為感興趣區(qū)，并將感興趣區(qū)所有遙感信息導出為文本文件，在Excel中打開文本文件，根據(jù)Excel中數(shù)據(jù)分析工具，建立LAI與植被指數(shù)的散點圖，確定相關系數(shù)。

在對葉面積指數(shù)與植被指數(shù)進行相關分析的基礎上，建立相應回歸模型。使用SPSS軟件，對LAI和NDVI、RVI、SAVI數(shù)據(jù)進行逐步回歸[9]。將提取的23個樣地點6個波段組合值：NDVI、RVI、SAVI和海拔、坡度、坡向等立地信息作為自變量，剔除無顯著性的海拔、坡度、坡向3個立地因子，采用逐步回歸方法，構建葉面積指數(shù)與植被指數(shù)間一元及多元線性回歸方程，比較結果中的R、R2[10]及顯著性水平Sig.值，選取LAI與植被指數(shù)的最優(yōu)模型。根據(jù)決定系數(shù)R2判斷方程擬合的相關性，R2越趨近于1，表示擬合方程具有越高的參考價值；相反，R2越接近0，表示參考價值越低。

2　結果及分析

2.1LAI與各植被指數(shù)相關關系LAI與各植被指數(shù)間相關系數(shù)揭示兩者間相互密切程度，主要通過對相關系數(shù)的計算與檢驗完成。相關系數(shù)取值范圍為[-1，1]，正值表示正相關，負值表示負相關；相關系數(shù)絕對值越接近于1，表示二者關系越密切。越接近與0，表示二者間關系越不密切。

根據(jù)導入到Excel中的LAI以及植被指數(shù)，利用Excel中數(shù)據(jù)分析工具，計算出LAI與NDVI、VRI、SAVI相關系數(shù)分別為0.899、0.868、0.853。由此可知，LAI與NDVI、RVI、SAVI均呈正相關，且相關系數(shù)都在0.85以上，相關性較高；其中NDVI與LAI的相關程度最高，達到0.899。

2.2不同類型植被指數(shù)與LAI遙感估測模型的建立

2.2.1一元線性回歸模型。利用SPSS軟件，對各個植被指數(shù)類型與LAI建立一元線性回歸模型，其公式為：

Y=a+bX

(4)

式中，Y是地面LAI實測值，X為各植被指數(shù)，a、b為擬合參數(shù)。該研究用NDVI、RVI、SAVI分別與LAI進行擬合，所得一元線性模型見表1。

表1各植被指數(shù)與LAI的一元線性回歸模型

Table 1Simple linear regression model of vegetation index and LAI

植被指數(shù)類型VegetationindexRR2Sig.回歸模型RegressionmodelNDVI0.8990.8090.000Y=-2.172+8.342XndviRVI0.8680.7540.000Y=0.347+0.805XrviSAVI0.8530.7270.000Y=0.561+3.913Xsavi

由表1可知，一元線性模型中，在0.01顯著性水平下，LAI與NDVI之間的擬合度比RVI和SAVI的擬合度好；NDVI與LAI建立的回歸模型中，R2值0.809，說明模型得出的結論能正確反映因變量的準確率為80%，相對于RVI和SAVI與LAI回歸模型，NDVI與LAI回歸模型有較高的精確性。

2.2.2多元線性回歸模型。LAI與各植被指數(shù)建立多元線性回歸模型，公式為：

Y=a0X0+a1X1+…+anXn

(5)

式中，Y代表實測LAI值；Xi為i(i=1，2，…，n)種植被指數(shù)；an代表擬合參數(shù)。該研究建立LAI與NDVI、RVI、SAVI的多元線性回歸模型，結果為：

Y=-1.197+4.229Xndvi+0.291Xrvi+1.256Xsavi

構建的多元回歸模型在0.01顯著性水平下，LAI與NDVI、RVI、SAVI多元回歸模型R2值為0.917，表明模型中得出的結論能正確反映因變量的準確率為91.7%，具有較好的擬合效果。

2.2.3非線性回歸模型。由表1可知，NDVI與LAI的相關性較高，故選NDVI建立與LAI的非線性回歸模型。分別構建LAI-NDVI的對數(shù)關系、指數(shù)函數(shù)關系、冪函數(shù)關系、多項式函數(shù)關系模型，結果見圖3。

圖3　LAI-NDVI非線性函數(shù)關系模型Fig.3　Functional relationship model of LAI-NDVI

由圖3可知，NDVI和LAI呈正相關關系，隨著LAI的增大，NDVI線性增大，且變化的幅度較大；NDVI與LAI具較好的非線性相關關系。其中以指數(shù)函數(shù)關系的決定系數(shù)R2最高，具有最優(yōu)的擬合效果。

2.3模型精度的檢驗由于估測模型存在不同的誤差，所以有必要對建立的模型進行檢驗，以驗證估算結果的可靠性及模型的適用性。模型精度檢驗使用未參與建模的6個樣點測定值進行，基于擬合效果最好的多元回歸模型以及以NDVI為自變量構建的指數(shù)函數(shù)關系模型反演其葉面積指數(shù)，并根據(jù)所得的預測值跟相對應的實測值進行比較。其精度計算公式為：

(7)

利用公式(7)對多元回歸模型和LAI-NDVI指數(shù)模型的精度進行驗證，結果見表2、3。

表3　LAI-NDVI指數(shù)模型精度驗證

由表2、3可知，利用多元線性回歸模型估測葉面積指數(shù)，精度為76%～87%，平均精度達到83.36%；以NDVI為自變量構建的指數(shù)函數(shù)關系模型，其葉面積指數(shù)估測平均精度達78.96%。前一模型符合森林資源常規(guī)監(jiān)測要求，后一模型精度接近森林資源監(jiān)測要求。

3　結論

研究森林葉面積指數(shù)(LAI)與TM數(shù)據(jù)植被指數(shù)(NDVI、RVI、SAVI)的關系，構建了其關系模型，是使用常規(guī)遙感數(shù)據(jù)進行森林生境監(jiān)測及森林質(zhì)量評估的基礎。該研究以滁州市TM數(shù)據(jù)為例，構建了相關模型，得出以下結論。

(1)基于TM數(shù)據(jù)植被指數(shù)NDVI、RVI、SAVI與LAI相關性分別為0.899、0.868、0.853，NDVI與LAI的相關性最高；在建立的以NDVI為參數(shù)的4種單因素相關模型中，指數(shù)函數(shù)模型相關系數(shù)最高，為0.839，根據(jù)此模型估測LAI值的平均精度達78.96%。

(2)研究區(qū)不同類型植被指數(shù)與LAI估測模型中，以多元線性回歸模型擬合效果最好。據(jù)此模型估測LAI值的平均精度達到83.36%。

(3)TM影像具較高空間分辨率、較豐富的信息量和較高定位精度，在實際研究中也較易于獲取。研究結果表明，利用TM影像對森林葉面積指數(shù)進行估測，能夠滿足森林資源監(jiān)測的基本精度要求?；谠撗芯恐薪⒌南嚓P模型，可對同一地區(qū)、同一時相的森林葉面積指數(shù)進行估測；但對于不同地區(qū)、不同時段森林LAI估測，則需要進行進一步取樣和分析。

(4)由于森林空間結構的異質(zhì)性和復雜性，使其葉面積指數(shù)實測值受樹種、時相及儀器使用誤差精度等因素的影響；此外，氣象、地形因素也可導致葉面積指數(shù)實測精度降低。因此，在LAI估測中，應注意取樣點的均質(zhì)性和代表性，注意研究和構建遙感數(shù)據(jù)為主、多源數(shù)據(jù)參與的LAI估測模型，盡可能降低人為誤差和非人為誤差，以提高森林葉面積指數(shù)估測精度。

[1] 汪小欽，江洪，傅銀貞.森林葉面積指數(shù)遙感研究進展[J].福州大學學報，2009，37(6)：822-828.

[2] 石月嬋，楊貴軍，馮海寬，等.北京山區(qū)森林葉面積指數(shù)季相變化遙感監(jiān)測[J].農(nóng)業(yè)工程學報，2012，28(15)：133-139.

[3] 劉婧怡，湯旭光，常守志，等.森林葉面積指數(shù)遙感反演模型構建及區(qū)域估算[J].遙感技術與應用，2014，29(1)：18-25.

[4] 趙麗芳，譚炳香，楊華，等.高光譜遙感森林葉面積指數(shù)估測研究現(xiàn)狀[J].世界林業(yè)研究，2007，20(2)：50-54.

[5] 王龔.基于星遙感數(shù)椐的落葉闊葉林識別模型及其全生長期估算方法[D].南京：南京大學，2014.

[6] 孫曉.基于CASI高光譜遙感數(shù)據(jù)估測森林葉面積指數(shù)研究[D].北京：中國林業(yè)科學研究院，2012.

[7] 何興元，劉常富，陳瑋，等.城市森林分類探討[J].生態(tài)學雜志，2004(5)：175-178，185.

[8] 陳靜，姚靜.Landsat-5TM影像增益偏置值對地面反射率計算影響分析[J].國土資源遙感，2010，22(2)：45-48.

[9] 呂海燕，李海旺，李武林.基于逐步回歸分析的河南糧食產(chǎn)量因素研究[J].河南科學，2013(12)：35-38.

[10] 張文彤．SPSS.11.0統(tǒng)計分析教程(高級篇)[M].北京：希望電子出版社，2002：65-77.

Establishment of Leaf Area Index Estimation Model Based on TM Data of Chuzhou City

FAN Rong-rong, WANG Ni, LI Xia*et al

(School of Geographic Information and Tourism, Chuzhou University, Chuzhou, Anhui 239000)

Based on the TM images of 2010 as the data source, combining with the measuredLAIdata, using stepwise regression method, the relationship between forest leaf area index and vegetation index in Chuzhou City was analyzed, the estimation model was established. The results showed that: under 0.01 significant level, the groundLAIandNDVI,RVI,SAVIcorrelation were 0.899, 0.868, 0.853; the correlation coefficient between the index function relation model constructed with NDVI as independent variables was highest, correlation was 0.839,LAIprediction accuracy reached 78.96%; the correlation between multivariate linear regression model constructed withNDVI,RVIandSAVas independent variables andLAIwas up to 0.917, the average accuracy ofLAIprediction was 83.36%, which is conform to the requirements of forest resources administration. The results can provide basis and technical support for large-area forest quality monitoring, forest distribution change in Chuzhou City using remote sensing data.

Leaf area index; Vegetation index; Stepwise regression; Chuzhou City

全國大學生創(chuàng)新創(chuàng)業(yè)項目(201510377012)。

樊榮榮(1995- )，女，安徽長豐人，本科生，專業(yè)：地理科學。*通訊作者，教授，博士生導師，從事遙感技術應用及森林資源監(jiān)測研究。

2016-06-08

S 127；TP 79

A

0517-6611(2016)21-241-04