林 杰,潘 穎,楊 敏,佟光臣,唐 鵬,張金池

1 南京林業(yè)大學(xué),江蘇省南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心,江蘇省水土保持與生態(tài)修復(fù)重點(diǎn)實(shí)驗(yàn)室, 南京 210037 2 浙江省寧?？h水利局,寧海 315600

葉面積指數(shù)(Leaf Area Index, LAI)是植被冠層的重要結(jié)構(gòu)參數(shù),是陸面生態(tài)過(guò)程模型的重要輸入?yún)⒘?對(duì)植被冠層截流、光合、呼吸、蒸散、降水截持、碳循環(huán)和土壤侵蝕等起到關(guān)鍵作用,它能反映出植被的水平覆蓋狀況和垂直結(jié)構(gòu),甚至枯枝落葉層厚薄和地下生物量多少,這些屬性正是植被影響土壤侵蝕的主要方面[1- 3]。楊勤科等認(rèn)為L(zhǎng)AI更適合代替植被覆蓋度作為水土保持定量評(píng)價(jià)的重要指標(biāo)[1- 7]。王庫(kù)等利用衛(wèi)星影像數(shù)據(jù)對(duì)江西省興國(guó)縣區(qū)域的植被葉面積指數(shù)分布與土壤侵蝕分布關(guān)系進(jìn)行了分析,定性地說(shuō)明植被葉面積指數(shù)與土壤侵蝕有著良好的相關(guān)性[6]。孫佳佳等研究了馬尾松純林、馬尾松林草的不同覆蓋度和植被葉面積指數(shù)與土壤侵蝕的關(guān)系,結(jié)果表明選擇LAI 表征土壤侵蝕模數(shù)來(lái)評(píng)價(jià)植被水土保持效益,更為穩(wěn)定和可靠[7]。林杰等基于LAI構(gòu)建了USLE方程中的植被覆蓋管理措施C因子,結(jié)果顯示LAI取代植被覆蓋度進(jìn)行水土保持定量估算的精度得到明顯提高[1]。因此,區(qū)域尺度長(zhǎng)時(shí)間序列LAI遙感反演的精度直接影響土壤侵蝕定量評(píng)價(jià)。

遙感技術(shù)具有大范圍、快速和連續(xù)時(shí)間序列等優(yōu)點(diǎn),是估算區(qū)域乃至全球尺度時(shí)間序列LAI的重要技術(shù)手段,其方法有統(tǒng)計(jì)模型法、物理模型方法等多種[8]。統(tǒng)計(jì)模型法簡(jiǎn)單快捷,被很多學(xué)者應(yīng)用于LAI反演或LAI反演方法對(duì)比研究中,但由于統(tǒng)計(jì)模型易受土壤背景等多種外在因素影響,反演精度往往不高,缺少可移植性[9- 13]。物理模型方法的理論基礎(chǔ)完善,模型的參數(shù)具有明確的物理意義,并可對(duì)作用機(jī)理進(jìn)行適當(dāng)?shù)臄?shù)學(xué)描述,但此類模型一般是非線性的,輸入?yún)?shù)多,方程復(fù)雜,適用性較差,且對(duì)非主要因素有過(guò)多的忽略或假定[14- 15]。神經(jīng)網(wǎng)絡(luò)在對(duì)復(fù)雜、非線性數(shù)據(jù)擬合及模式識(shí)別方面有著無(wú)可比擬的優(yōu)勢(shì)[16- 17],楊敏等基于2013年Landsat 8 Operational Land Imager(Landsat 8 OLI)數(shù)據(jù)構(gòu)建了基于后向反射(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)的LAI反演模型,反演精度明顯高于非線性回歸模型,模型具有較高的空間可靠性[18]。

近年來(lái),葉面積指數(shù)反演在農(nóng)業(yè)方面已做了大量研究[19-23],但是在林業(yè)方面研究相對(duì)較少。搭載在Terra和Aqua兩顆衛(wèi)星上的Moderate-resolution Imaging Spectroradiometer(MODIS)傳感器能夠長(zhǎng)時(shí)間收集全球陸地表面LAI的變化信息。然而,目前發(fā)布的MODIS LAI數(shù)據(jù)產(chǎn)品的時(shí)空不連續(xù)性和較低的空間分辨率制約著MODIS LAI產(chǎn)品在土壤侵蝕模型方面的應(yīng)用,高分辨率長(zhǎng)時(shí)間序列的LAI應(yīng)用到土壤侵蝕方面研究相對(duì)較少。因此本文以南京市為研究區(qū)域,應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型,基于1988—2013年Landsat TM遙感數(shù)據(jù),反演長(zhǎng)時(shí)間序列的葉面積指數(shù),對(duì)比分析LAI的年際變化與植被覆蓋度變化的關(guān)系,為區(qū)域土壤侵蝕動(dòng)態(tài)變化遙感監(jiān)測(cè)提供新方法。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

南京市位于長(zhǎng)江下游中部地區(qū),江蘇省西南部,介于31°14′—32°37′N,118°22′—119°14′E之間。全市行政區(qū)域總面積6587.02 km2,地形以低山、丘陵為骨架,以環(huán)狀山、條帶山、箕狀盆地為主要特色。氣候?qū)儆诒眮啛釒Ъ撅L(fēng)氣候,四季分明,雨量充沛,年平均氣溫16℃,年平均降雨117 d,年平均降雨量1106 mm,無(wú)霜期237 d。南京地區(qū)的土壤在北、中部廣大地區(qū)為黃棕壤(地帶性土壤),南部與安徽省接壤處有小面積的紅壤。植被類型屬常綠落葉闊葉混交林。南京地區(qū)人口密集,屬于農(nóng)業(yè)活動(dòng)強(qiáng)烈區(qū),自然植被在歷史上屢遭嚴(yán)重破壞,幾乎全部消失,現(xiàn)有植被多屬次生性質(zhì),其中人工林面積大于自然恢復(fù)的次生林。境內(nèi)現(xiàn)有林業(yè)用地約840 km2。用材林和生態(tài)林約570 km2,經(jīng)濟(jì)林和竹林210 km2。用材林和生態(tài)林的樹(shù)種主要有馬尾松、黑松、杉木、國(guó)外松、麻櫟、刺槐、水池杉、柏類等。經(jīng)濟(jì)林以茶果桑為主。竹林以毛竹為主,集中于丘陵山區(qū)。

1.2 遙感影像數(shù)據(jù)及處理

1)遙感影像數(shù)據(jù)

本文用于反演的遙感影像數(shù)據(jù)為L(zhǎng)andsat 8 OLI及Landsat 5 Thematic Mapper(Landsat 5 TM)數(shù)據(jù),共10景影像數(shù)據(jù)。影像選取要求為：選取時(shí)間為當(dāng)年7—9月份,是植被生長(zhǎng)最為茂盛的月份,也是降雨最為集中,最容易發(fā)生水土流失的月份,為了保證反演精度,研究區(qū)還要盡量選取無(wú)云覆蓋的高質(zhì)量影像,但是2000、2004及2009年在7—9月沒(méi)有符合質(zhì)量要求的影像,故選擇了10月的影像。最終影像數(shù)據(jù)如表1所示。

Landsat 5為光學(xué)對(duì)地觀測(cè)衛(wèi)星,是美國(guó)陸地衛(wèi)星系列(Landsat衛(wèi)星)的第五顆衛(wèi)星,于1984年3月1日發(fā)射,2011年11月18日,美國(guó)地質(zhì)調(diào)查局發(fā)布消息稱由于衛(wèi)星上的放大器迅速老化,目前已停止獲取Landsat 5的衛(wèi)星遙感影像。Landsat 8 OLI多光譜遙感影像數(shù)據(jù)由美國(guó)地質(zhì)勘探局提供。OLI包括了ETM+傳感器所有的波段,為了避免大氣吸收特征,OLI對(duì)波段進(jìn)行了重新調(diào)整,其中比較大的調(diào)整是OLI Band5(0.845—0.885 μm),排除了0.825 μm處水汽吸收特征。

表1 用于南京市時(shí)間序列LAI反演的遙感影像數(shù)據(jù)統(tǒng)計(jì)

2)其他數(shù)據(jù)源包括：南京市1986、1996、2002年三期土地利用/覆被數(shù)據(jù)(中科院提供),2013年土地利用覆蓋數(shù)據(jù)是以2013年Landsat8 OLI數(shù)據(jù)為基礎(chǔ),參考GOOGLE EARTH高分辨率影像和2002年的土地利用覆被數(shù)據(jù)以及國(guó)家科技基礎(chǔ)條件平臺(tái)——地球系統(tǒng)科學(xué)數(shù)據(jù)共享平臺(tái)獲取的2013年土地利用覆被數(shù)據(jù)進(jìn)行人機(jī)交互解譯獲得,經(jīng)實(shí)地采樣驗(yàn)證,解譯精度在88%以上。

3)數(shù)據(jù)預(yù)處理

圖1 多光譜遙感影像預(yù)處理流程圖 Fig.1 Multi-spectral remote sensing image pre-processing flow chart

大氣校正是遙感影像獲取地面真實(shí)反射率必不可少的步驟,對(duì)植被定量遙感尤為重要[24- 25]。本文采用Fast line-of-sight atmospheric analysis of spectral hypercubes(FLAASH)模型進(jìn)行大氣校正。同時(shí),以校正好的南京市2007年TM遙感影像為標(biāo)準(zhǔn)底圖,采用二次多項(xiàng)式擬合法,對(duì)影像進(jìn)行幾何精糾正,誤差控制在0.5個(gè)像元內(nèi)。最后,用南京邊界矢量數(shù)據(jù)進(jìn)行裁切,得到研究區(qū)域10景影像數(shù)據(jù)。預(yù)處理流程圖如圖1。

1.3 LAI野外實(shí)測(cè)數(shù)據(jù)

為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)反演模型對(duì)于時(shí)間序列LAI反演精度的有效性,本文利用2010年和2009年的LAI實(shí)測(cè)值進(jìn)行反演模型的精度驗(yàn)證。

LAI數(shù)據(jù)的測(cè)定是采用美國(guó)LI-COR LAI- 2200植物冠層分析儀。2009年,樣點(diǎn)數(shù)19個(gè),主要分布在銅山林場(chǎng)。2010年,樣點(diǎn)數(shù)37個(gè),主要分布在江寧區(qū)和銅山林場(chǎng)。所有測(cè)定時(shí)間都選擇在6：30—9：00點(diǎn)之間或16:30—19:00之間,盡量避免因太陽(yáng)光線的直射而引起的測(cè)試誤差,每個(gè)樣地分別在4個(gè)角和中心位置各測(cè)量一次,取5次均值作為結(jié)果。鑒于TM影像30 m的空間分辨率,采樣間距均大于30 m,每個(gè)樣點(diǎn)均由GARMIN手持GPS接收機(jī)定位,坐標(biāo)系為WGS- 84,各樣點(diǎn)重復(fù)測(cè)量2次,取均值作為結(jié)果。

1.4 LAI反演算法

Landsat 8 OLI多光譜遙感影像數(shù)據(jù)包括了Enhanced Thematic Mapper(ETM+)傳感器所有的波段,只是對(duì)部分波段進(jìn)行了調(diào)整,增加了兩個(gè)波段：藍(lán)波段(Band1；0.433—0.453)和短波紅外(Band9；1.360—1.390),其中比較大的調(diào)整是OLI Band5(0.845—0.885 μm),排除了0.825 μm處水汽吸收特征。因此,基于2013年OLI數(shù)據(jù)所建的模型適用于前25年的TM-LAI估算。本文應(yīng)用隱含層為2層的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)1988—2013年南京市LAI進(jìn)行反演[18],利用2009年和2010年LAI的實(shí)測(cè)數(shù)據(jù)檢驗(yàn)反演精度。但是由于傳感器的差異、大氣等因素的影響,每景影像相同地物的反射率會(huì)有一定的差異,因此本文將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和模擬的歸一化部分做了相應(yīng)調(diào)整,即：對(duì)每景分別做歸一化處理,減小反射率差異對(duì)反演精度造成的影響。

1.5 精度評(píng)價(jià)方法

平均相對(duì)誤差(MAPE)、均方根誤差(RMSE)和相關(guān)系數(shù)(R)被用來(lái)衡量和刻畫(huà)模型的精度。其計(jì)算公式分別為(公式1—3)：

(1)

(2)

(3)

2 結(jié)果與分析

2.1 基于地面實(shí)測(cè)LAI數(shù)據(jù)的誤差分析

為了進(jìn)一步驗(yàn)證時(shí)間序列LAI反演的精度,本文分別利用2009年和2010年的LAI實(shí)測(cè)值進(jìn)行檢驗(yàn),擬合結(jié)果如圖2,模擬精度如表2。

圖2 2009年和2010年LAI反演值和實(shí)測(cè)值Fig.2 Fitting results of measured LAI and retrieval LAI in 2009 and 2010

采樣時(shí)間Sampling time 樣本點(diǎn)數(shù)The sample dotMAPERMSER2009190.23950.29620.77132010370.21740.25810.6844

圖2顯示模型能較好地模擬2009年和2010年的LAI,模擬值和實(shí)測(cè)值吻合度較高。由表2可知,2009和2010年平均相對(duì)誤差(MAPE)、均方根誤差(RMSE)、相關(guān)系數(shù)(R)分別是0.2395 和 0.2174、0.2962和0.2581、0.7713和0.6844,各項(xiàng)精度評(píng)價(jià)指標(biāo)均較好。

利用基于2013年Landsat8 OIL數(shù)據(jù)訓(xùn)練生成的BP神經(jīng)網(wǎng)絡(luò)模型,成功模擬了1988—2013年的LAI,生成1988—2013年LAI分布圖,如圖3。

圖3 1988—2013年南京市LAI分布圖Fig.3 LAI distribution map of Nanjing City in 1988—2013

從圖3中可以直觀地看出,LAI小于2的主要分布在建筑物比較密集、植被稀疏的城區(qū),包括江寧區(qū)北部、六合區(qū)南部、浦口區(qū)東南部、棲霞區(qū)以及市轄區(qū)；LAI在2—3之間的,主要分布在建筑物較多、有部分植被的城區(qū)與鄉(xiāng)鎮(zhèn),面積較大,分布比較分散；LAI在3—4之間的,主要分布在建筑物較少、植被較多的郊區(qū)以及農(nóng)田,面積最大；LAI大于4的主要分布在紫金山、老山、幕府山、將軍山、銅山等植被比較密集的山區(qū)。模擬結(jié)果與南京市的植被分布實(shí)際情況相符。

2.2 南京市植被變化分析

由于南京市四周有大量農(nóng)田分布,農(nóng)田受人為影響較為明顯,LAI的變化不僅與農(nóng)田的面積變化有關(guān),農(nóng)作物的長(zhǎng)勢(shì)也將直接影響LAI的大小,為了排除農(nóng)作物對(duì)LAI變化的影響,本文根據(jù)南京市1988、1994、2002、2013四年的土地利用分類,用耕地進(jìn)行掩膜處理,生成去除耕地后南京市的LAI分布圖(圖4)。

圖4 去除耕地后南京市LAI分布圖Fig.4 LAI distribution map of Nanjing City without cultivated land

如圖4所示,可以看出南京近40年來(lái),去除耕地后建筑用地等面積逐年增加,由主城區(qū)向四周擴(kuò)散,相應(yīng)的耕地面積逐漸較小。為了定量地了解LAI的變化趨勢(shì),本研究統(tǒng)計(jì)分析了去除耕地后全市的低LAI區(qū)域(LAI<2)和高LAI區(qū)域(LAI>3)的變化趨勢(shì)(圖5)。

圖5 南京市LAI年際變化趨勢(shì)Fig.5 The interannual variation trend of LAI in Nanjing City

如圖5a所示,從全市整體來(lái)看,1988—2013年期間,LAI<2的低植被覆蓋區(qū)域不斷增加,LAI>3的高植被覆蓋區(qū)域面積有先減少后增加的趨勢(shì)。LAI<2的區(qū)域面積由335.81 km2升至798.87 km2；LAI>3的區(qū)域面積由203.97 km2減少至71.41 km2(1996年),而后又增加至270.15 km2,與1988年基本持平。從20世紀(jì)80年代開(kāi)始,全市城區(qū)面積不斷擴(kuò)張,土地利用動(dòng)態(tài)變化數(shù)據(jù)顯示從1986年到2013年間,居民點(diǎn)及建設(shè)用地面積從11.85%上升為27.2%,耕地及林地面積不斷減少,從78.19%下降到60.84%。低植被覆蓋區(qū)面積不斷增加,植被遭到嚴(yán)重破壞,高植被覆蓋區(qū)域的面積迅速減少；進(jìn)入21世紀(jì)后,城市面積還在不斷擴(kuò)張,低植被覆蓋區(qū)面積繼續(xù)增加,而由于國(guó)家政策以及人們意識(shí)的改變,在加速城市建設(shè)的同時(shí)注重保護(hù)和恢復(fù)植被[26],高植被覆蓋區(qū)面積不斷增加,但是耕地面積不斷減少。

李明詩(shī)等以南京市主城區(qū)為例,以10期(1986至2011年)Landsat TM/ETM+遙感數(shù)據(jù)為信息源,采用線性光譜混合模型提取植被覆蓋度,對(duì)研究區(qū)植被覆蓋時(shí)空動(dòng)態(tài)模式特征進(jìn)行了評(píng)價(jià)[27]。為了對(duì)比分析李明詩(shī)等評(píng)價(jià)結(jié)果,本文選取南京市主城區(qū)(玄武區(qū)、鼓樓區(qū)、秦淮區(qū)、建鄴區(qū)、雨花臺(tái)區(qū)、棲霞區(qū))統(tǒng)計(jì)分析時(shí)間序列(1988—2013年)LAI的分布變化情況。圖5表明主城區(qū)1988—2013年間,LAI<2的區(qū)域不斷增加,LAI>3的區(qū)域不斷減少。LAI>3的面積由50.49%降至35.75%；LAI<2的面積由27.58%升至42.20%。其變化趨勢(shì)與李明詩(shī)[27]等得到的南京城市綠地時(shí)空動(dòng)態(tài)變化一致。其主要原因是1988—2013年南京市主城區(qū)城市化快速發(fā)展,城市人口迅速增加,目前全南京市常住人口總量為818.78萬(wàn)人,常住人口城鎮(zhèn)化率達(dá)到了80.5%,大力度的房地產(chǎn)開(kāi)發(fā),城鎮(zhèn)用地不斷擴(kuò)張,良好的植被遭到破壞,導(dǎo)致LAI>3的面積下降,而隨著生態(tài)文明的建設(shè),林草植被恢復(fù)率又得以改善,導(dǎo)致LAI又表現(xiàn)出一定的波動(dòng)性。

3 結(jié)論與討論

本文應(yīng)用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)南京市1988—2013年時(shí)間序列的葉面積指數(shù)進(jìn)行反演,分析BP神經(jīng)網(wǎng)絡(luò)模型反演時(shí)間序列LAI的精度情況,對(duì)比分析LAI的年際變化與土地覆蓋變化的關(guān)系。得出如下結(jié)論：

(1)模型擬合度較高,結(jié)合2009年和2010年的實(shí)測(cè)數(shù)據(jù),兩年的平均相對(duì)誤差、均方根誤差、相關(guān)系數(shù)分別是0.2395 和 0.2174、0.2962和0.2581、0.7713和0.6844,各項(xiàng)精度評(píng)價(jià)指標(biāo)均較好。

(2)1988—2013年期間,南京市LAI<2的主要分布在建筑物比較密集、植被稀疏的城區(qū),包括江寧區(qū)北部、六合區(qū)南部、浦口區(qū)東南部、棲霞區(qū)以及市轄區(qū)；LAI>4的主要分布在紫金山、老山、幕府山、將軍山、銅山等植被比較密集的山區(qū)。

(3)統(tǒng)計(jì)分析去除耕地后南京市LAI,在1988—2013年期間,低植被覆蓋(LAI<2)面積不斷增加,高植被覆蓋區(qū)(LAI>3)面積先減少后增加,耕地面積不斷減少,符合南京市的發(fā)展變化規(guī)律。

(4)統(tǒng)計(jì)分析南京市主城區(qū)LAI,LAI的年際變化與其他學(xué)者得到的南京市植被蓋度變化趨勢(shì)一致,反演結(jié)果的時(shí)序性較高。研究結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)模型對(duì)時(shí)間序列LAI反演具有較高的精度,為實(shí)現(xiàn)土壤侵蝕模型中植被覆蓋管理措施因子C的定量遙感反演及區(qū)域土壤侵蝕定量遙感監(jiān)測(cè)提供了新途徑。

但是,由于BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練存在一定程度的誤差,而且反演區(qū)域的面積較大,植被類型與植被群落結(jié)構(gòu)復(fù)雜多樣,農(nóng)作物的種植狀況復(fù)雜,導(dǎo)致時(shí)間序列LAI遙感反演精度有待進(jìn)一步提高,反演方法還需要進(jìn)行進(jìn)一步研究。LAI高度概括植被水平覆蓋與垂直結(jié)構(gòu)特性, 利用多角度遙感數(shù)據(jù)及物理模型,建立多角度LAI的反演方法,構(gòu)建不同植被結(jié)構(gòu)下LAI與土壤侵蝕的耦合模型,以及多源遙感影像定量融合,各種LAI反演方法交叉使用,為區(qū)域土壤侵蝕定量遙感監(jiān)測(cè)提供新途徑,將是未來(lái)研究趨勢(shì)。

參考文獻(xiàn)(References):

[1] 林杰, 張金池, 顧哲衍, 吳玉敏. 基于葉面積指數(shù)的植被覆蓋管理措施因子C的遙感定量估算. 林業(yè)科學(xué), 2013, 49(2): 86- 92.

[2] 楊勤科, 羅萬(wàn)勤, 馬宏斌, 梁偉. 區(qū)域水土流失植被因子的遙感提取. 水土保持研究, 2006, 13(5): 267- 268, 271- 271.

[3] Li H D, Jiang J, Chen B, Li Y K, Xu Y Y, Shen W S. Pattern of NDVI-based vegetation greening along an altitudinal gradient in the eastern Himalayas and its response to global warming. Environmental Monitoring and Assessment, 2016, 188(3): 10.

[4] 林杰. 基于植被結(jié)構(gòu)特征的土壤侵蝕遙感定量反演[D]. 南京: 南京林業(yè)大學(xué),2011.

[5] Lin J, Zhang J C, Gu Z Y, Chen J D, Chen H. A new approach of assessing soil erosion using the remotely sensed leaf area index and its application in the hilly area. International Journal of Plant Research, 2014, 27(2): 1- 12.

[6] 王庫(kù), 史學(xué)正, 于東升, 田慶久. 紅壤丘陵區(qū) LAI 與土壤侵蝕分布特征的關(guān)系. 生態(tài)環(huán)境學(xué)報(bào), 2006, 15(5): 1052- 1055.

[7] 孫佳佳, 于東升, 史學(xué)正, 顧祝軍, 張文太, 楊浩. 植被葉面積指數(shù)與覆蓋度定量表征紅壤區(qū)土壤侵蝕關(guān)系的對(duì)比研究. 土壤學(xué)報(bào), 2010, 47(6): 1060- 1066.

[8] 向洪波, 郭志華, 趙占輕, 王建力. 不同空間尺度森林葉面積指數(shù)的估算方法. 林業(yè)科學(xué), 2009, 45(6): 139- 144.

[9] 方秀琴, 張萬(wàn)昌. 葉面積指數(shù)(LAI)的遙感定量方法綜述. 國(guó)土資源遙感, 2003, 15(3): 58- 62．

[10] 楊飛, 張柏, 宋開(kāi)山, 王宗明, 劉殿偉, 劉煥軍, 李方, 李鳳秀, 國(guó)志興, 靳華安. 大豆葉面積指數(shù)的高光譜估算方法比較. 光譜學(xué)與光譜分析, 2008, 28(12): 2951- 2955.

[11] 夏天, 吳文斌, 周清波, 周勇. 冬小麥葉面積指數(shù)高光譜遙感反演方法對(duì)比. 農(nóng)業(yè)工程學(xué)報(bào), 2013,29(3): 139- 147.

[12] 湯旭光, 劉殿偉, 宋開(kāi)山, 張柏, 姜廣甲, 楊飛, 徐京萍. 東北主要綠化樹(shù)種葉面積指數(shù)(LAI)高光譜估算模型研究. 遙感技術(shù)與應(yīng)用, 2010, 25(3): 334- 341.

[13] 呂勇, 鄧立斌, 張曉蕾, 劉鵬, 饒興旺. 單木葉面積預(yù)測(cè)模型. 林業(yè)資源管理, 2005(4): 45- 47.

[14] Chen J M, Leblanc S G. A four-scale bidirectional reflectance model based on canopy architecture. Geoscience & Remote Sensing IEEE Transactions on, 1997, 35(5): 1316- 1337.

[15] 陳健, 倪紹祥, 李云梅. 基于神經(jīng)網(wǎng)絡(luò)方法的蘆葦葉面積指數(shù)遙感反演. 國(guó)土資源遙感, 2008, 20(2): 62- 67.

[16] Noble P A, Tribou E H. Neuroet: An easy-to-use artificial neural network for ecological and biological modeling. Ecological Modelling, 2007, 203(1/2): 87- 98．

[17] Bacour C, Baret F, Béal D, Weiss M, Pavageau K. Neural network estimation of LAI, fAPAR, fCover and LAI×Cab, from top of canopy MERIS reflectance data: principles and validation. Remote Sensing of Environment, 2006, 105(4): 313- 325.

[18] 楊敏, 林杰, 顧哲衍, 佟光臣, 翁永兵, 張金池, 魯小珍. 基于Landsat 8 OLI多光譜影像數(shù)據(jù)和BP神經(jīng)網(wǎng)絡(luò)的葉面積指數(shù)反演. 中國(guó)水土保持科學(xué), 2015, 13(4): 86- 93.

[19] 席建超, 張紅旗, 張志強(qiáng). 應(yīng)用遙感數(shù)據(jù)反演針葉林有效葉面積指數(shù). 北京林業(yè)大學(xué)學(xué)報(bào), 2004, 26(6): 36- 39.

[20] 宋開(kāi)山, 張柏, 王宗明, 張淵智, 劉煥軍. 基于人工神經(jīng)網(wǎng)絡(luò)的大豆葉面積高光譜反演. 中國(guó)農(nóng)業(yè)科學(xué), 2006, 39(6): 1138- 1145.

[21] 尹芳, 江東, 劉磊. 基于環(huán)境星HSI影像的草地葉面積指數(shù)反演. 遙感技術(shù)與應(yīng)用, 2011, 26(3): 360- 364.

[22] 趙虎, 裴志遠(yuǎn), 馬尚杰, 王連林, 馬志平. 利用HJ- 1-A/BCCD2數(shù)據(jù)反演冬小麥葉面積指數(shù). 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(10):172- 176.

[23] 范聞捷, 蓋穎穎, 徐希孺, 閆彬彥. 遙感反演離散植被有效葉面積指數(shù)的空間尺度效應(yīng). 中國(guó)科學(xué):地球科學(xué), 2013, 43(2): 280- 286.

[24] 顧哲衍, 張金池, 林杰, 韓誠(chéng), 劉鑫. 大氣校正模型對(duì)闊葉林葉面積指數(shù)遙感估算的影響. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào), 2014, 35(3): 100- 104, 110- 110.

[25] 顧哲衍, 張金池, 林杰, 韓誠(chéng), 劉鑫. 不同大氣校正模型對(duì)葉面積指數(shù)遙感反演精度的影響比較. 干旱區(qū)資源與環(huán)境, 2014, 28(7): 62- 66.

[26] Li H D, Li Y K, Gao Y Y, Zou C X, Yan S G, Gao J X. Human impact on vegetation dynamics around Lhasa, southern Tibetan Plateau, China. Sustainability, 2016, 8(11): 1146.

[27] 李明詩(shī), 孫力, 常瑞雪. 基于Landsat圖像的南京城市綠地時(shí)空動(dòng)態(tài)分析. 東北林業(yè)大學(xué)學(xué)報(bào), 2013, 41(6): 55- 60.