戴聲佩 羅紅霞 鄭倩 胡盈盈 李海亮 李茂芬 禹萱 陳幫乾

摘要：葉面積指數(shù)（LAI）是描述植被生長狀況和冠層結(jié)構(gòu)的一個重要參數(shù)，快速獲取大面積植被與作物L(fēng)AI對于生態(tài)系統(tǒng)科學(xué)研究、農(nóng)林業(yè)生產(chǎn)指導(dǎo)具有十分重要的理論和實踐意義。本研究選取海南島典型熱帶作物——橡膠樹為研究對象，構(gòu)建基于衛(wèi)星遙感植被指數(shù)的橡膠林LAI估算模型并分析其變化規(guī)律。結(jié)果表明，相較于歸一化植被指數(shù)（NDVI）、綠色歸一化植被指數(shù)（GNDVI）、比值植被指數(shù)（RVI）和寬動態(tài)范圍植被指數(shù)（WDRVI）四個指數(shù)，增強植被指數(shù)（EVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、差值植被指數(shù)（DVI）和改良土壤調(diào)節(jié)植被指數(shù)（MSAVI）四個指數(shù)同LAI之間的相關(guān)性較高。構(gòu)建的基于不同植被指數(shù)的橡膠林LAI估算模型（一元線性、指數(shù)和對數(shù)模型）中，基于EVI指數(shù)的橡膠林LAI一元線性估算模型效果最佳，其決定系數(shù)R為0.69。經(jīng)驗證，該模型估算的橡膠林LAI精度較高，觀測和模擬的橡膠林LAI線性擬合R為0.67，均方根誤差RMSE為0.16，平均相對誤差RE為-0.25%，但在橡膠林LAI中值區(qū)存在低估現(xiàn)象，同時在LAI高值區(qū)和低值區(qū)存在一定的高估現(xiàn)象。從空間分布來看，海南島橡膠林LAI高值區(qū)（4.40～6.23）主要分布在海南島西部檐州、白沙等市縣，LAI中值區(qū)（3.80～4.40）主要分布在海南島中部澄邁、屯昌、瓊中等市縣，LAI低值區(qū)（2.69～3.80）主要分布在海南島東部和南部的定安、瓊海、萬寧、樂東、三亞等市縣?？傊?，構(gòu)建的基于EVI指數(shù)的橡膠林LAI一元線性估算模型精度較高，克服了NDVI、GNDVI、RVI等植被指數(shù)容易出現(xiàn)指數(shù)飽和問題，具有較好的科學(xué)性和良好的推廣應(yīng)用價值。

關(guān)鍵詞：葉面積指數(shù);橡膠林;遙感;估算模型;海南島

中圖分類號：S127文獻標(biāo)志碼：A文章編號：202106-SA003

引用格式：戴聲佩，羅紅霞，鄭倩，胡盈盈，李海亮，李茂芬，禹萱，陳幫乾.海南島橡膠林葉面積指數(shù)遙感估算模型比較研究[J].智慧農(nóng)業(yè)（中英文），2021， 3（2）： 45-54.

DAI Shengpei， LUO Hongxia， ZHENG Qian， HU Yingying， LI Hailiang， LI Maofen， YU Xuan， CHEN Bangqian. Comparison of remote sensing estimation models for leaf area index of rubber plantation in Hainan Island[J]. Smart Agriculture， 2021， 3（2）： 45-54. （in Chinese with English abstract）

1引言

葉面積指數(shù)（Leaf Area Index， LAI）是描述植被生長狀況和冠層結(jié)構(gòu)的一個重要參數(shù)[1]，它與植被的許多生物、物理過程（如光合作用、蒸騰作用等）有關(guān)，也是陸地表面過程模型（如作物生長模型、碳循環(huán)模型等）常用的輸入?yún)⒘恐籟2]，影響著陸地生態(tài)系統(tǒng)的物質(zhì)和能量循環(huán)過程?？焖贉?zhǔn)確地獲取區(qū)域乃至全球尺度植被LAI對于生態(tài)系統(tǒng)研究具有重要的科學(xué)意義。LAI也是農(nóng)作物、林木和果樹等生理生態(tài)、良種選育、作物長勢、作物產(chǎn)量評估和病害評價研究的一個重要參數(shù)[3，4]。LAI通常用于定量表征作物葉片的疏密程度和冠層結(jié)構(gòu)特征，作物生育過程中的LAI序列能反映作物長勢動態(tài)變化，可用于作物生長診斷和提高作物估產(chǎn)精度[5]。LAI還是林木和林分群體結(jié)構(gòu)合理性的重要標(biāo)志之一，合理的LAI是充分利用光能、保證林分高產(chǎn)優(yōu)質(zhì)的主要條件[6]。林分LAI研究可以為合理栽培和豐產(chǎn)林培育提供理論依據(jù)，并成為衡量林分質(zhì)量的重要指標(biāo)[7]。測定葉面積的準(zhǔn)確與否，直接影響到對林木和林分合理受光群體結(jié)構(gòu)的研究和光能利用率及凈同化率的計算等[8]。快速獲得大面積作物L(fēng)AI對于指導(dǎo)農(nóng)林業(yè)生產(chǎn)具有十分重要的實踐意義。

目前，LAI測量與估算方法大致可分為直接測量法和間接測量法兩類。直接測量法包括格點法、長寬校正法、描形稱重法、鮮重打孔法、標(biāo)準(zhǔn)枝法、面積收獲法、落葉收集法和面積儀測定法等[9]。間接測量法包括點接觸法、消光系數(shù)法、經(jīng)驗公式法、光學(xué)儀器法和遙感方法[10]，其中遙感方法包含光學(xué)模型反演法[11]和統(tǒng)計模型法[12]等。傳統(tǒng)的LAI地面直接測量通常存在對作物和植被具有破壞性、耗時耗力、并且獲得信息有限、難以擴展到大區(qū)域，不能呈面狀分布等局限[13]。與傳統(tǒng)直接測量方法和光學(xué)儀器方法比較，衛(wèi)星遙感數(shù)據(jù)具有覆蓋面積大、更新周期短、花費相對少等特點和無損、快速、大面積應(yīng)用等優(yōu)點，故衛(wèi)星遙感方法成為無損、快速、大面積估算植被LAI切實可行的實用方法[14，15]。

當(dāng)前，國內(nèi)外關(guān)于LAI遙感估算研究主要集中在天然森林[12]和草地[11]，以及水稻[5]、小麥[4]、玉米[16]等大宗農(nóng)作物的研究，極少關(guān)注熱帶作物，如橡膠林、油棕林、木薯、熱帶果樹等LAI的遙感研究[17-20]。雖然胡耀華等[17]研究了海南不同品系膠園的LAI及其變異，并對實生樹膠園的最適LAI作了分析;Rusli和Majid[18]開展了小流域橡膠林和油棕林的LAI制圖和監(jiān)測工作;Chen等[19]利用衛(wèi)星數(shù)據(jù)估算了海南檐州試驗農(nóng)場橡膠林LAI，但是這些研究范圍均只涉及較小空間尺度，尚未擴展到大面積橡膠林LAI 遙感估算。

橡膠樹（Hevea brasiliensis）是天然橡膠生產(chǎn)的主要來源，其廣泛種植于熱帶地區(qū)。橡膠種植業(yè)不僅是海南農(nóng)業(yè)的支柱產(chǎn)業(yè)，也是農(nóng)民經(jīng)濟收入的重要來源。開展典型熱帶作物——橡膠樹LAI遙感估算對海南島橡膠種植空間優(yōu)化、長勢監(jiān)測、產(chǎn)量估算也有重要意義。因此，本研究選取海南島橡膠林為研究對象，構(gòu)建基于衛(wèi)星遙感數(shù)據(jù)提取的各類植被指數(shù)數(shù)據(jù)和野外觀測的橡膠林LAI數(shù)據(jù)的各類經(jīng)驗估算模型，并評估各類模型的表現(xiàn)，選出最優(yōu)估算模型，對海南島橡膠林LAI進行遙感估算，以期為橡膠林長勢遙感監(jiān)測、產(chǎn)量遙感評估提供科學(xué)參考。

2數(shù)據(jù)與方法

2.1研究區(qū)概況

選擇海南島為研究區(qū)，橡膠林分布及LAI觀測點如圖1所示。海南島地處18°10′N～20°10′N和108°37′E～111°03′E之間，島嶼輪廓形似一個橢圓形“大雪梨”，長軸呈東北至西南向長約290km，西北至東南寬約180km，海岸線總長1944km，總面積為33，900km，是中國僅次于臺灣島的第二大島。海南島地勢為中部高、四周低，氣候?qū)贌釒Ъ撅L(fēng)海洋性氣候，全年暖熱，年平均氣溫高，氣溫年差較小，雨量充沛，干濕季節(jié)明顯，光、熱、水資源豐富，風(fēng)、旱、寒等氣候災(zāi)害頻繁。海南島地表覆蓋為熱帶雨林/季雨林，熱帶動植物資源十分豐富。海南是中國重要的天然橡膠樹種植地區(qū)，天然橡膠是海南第一大經(jīng)濟作物。根據(jù)2020年海南省統(tǒng)計年鑒數(shù)據(jù)，截止到2019年底，海南天然橡膠種植面積526，900ha，占全國種植總面積的46.00%;開割面積381，300 ha，占全國開割總面積的48.56%;干膠產(chǎn)量330，800 t，占全國干膠總產(chǎn)量的40.85%;干膠產(chǎn)值33.77億元，占全國干膠產(chǎn)值的41.22%[21]。

2.2野外實測數(shù)據(jù)

本研究在海南島主要植膠地區(qū)選擇有代表性的典型橡膠樹林分樣地LAI觀測點77個（圖1），采用對角線數(shù)據(jù)采集法，以及手持GPS、LAI- 2200實地觀測隨機樣方LAI（圖2），從而獲得橡膠林觀測林分樣地LAI及其相關(guān)數(shù)據(jù)。為了與陸地衛(wèi)星遙感數(shù)據(jù)空間分辨率保持一致，隨機樣方的大小設(shè)置為30m×30m;同時為了分析橡膠林生長最佳時期（8—9月份）的LAI，本研究選擇橡膠林LAI觀測日期為2017年8月15日—9月15日。此外觀測時間選擇在每天上午9—12時之間，以便與衛(wèi)星過境時間相匹配。統(tǒng)計77個橡膠林LAI觀測點數(shù)據(jù)，2017年8—9月LAI平均

值為4.33±0.27，最大值為5.12，最小值為3.68。將地面觀測LAI樣本數(shù)據(jù)數(shù)量隨機分成7：3，分別用于LAI估算模型的構(gòu)建樣本（54個）和驗證樣本（23個）。

2.3海南島橡膠林空間分布數(shù)據(jù)

本研究使用的海南島橡膠林空間分布數(shù)據(jù)來源于中國熱帶農(nóng)業(yè)科學(xué)院橡膠研究所（http：//www.catas.cn/xjs/），該數(shù)據(jù)是利用日本JAXA的PALSAR/PALSAR-2和Landsat等長時序列遙感影像，協(xié)同橡膠林物候特征，建立穩(wěn)定的橡膠林識別算法，獲取2015年海南島橡膠林空間分布信息，總體分類精度>90%[22]。

2.4遙感數(shù)據(jù)來源及預(yù)處理

本研究選取覆蓋研究區(qū)范圍的2017年8—9月的Landsat 8 OLI時間序列衛(wèi)星遙感影像23景（表1），并對衛(wèi)星遙感數(shù)據(jù)進行幾何校正、輻射校正、大氣校正等預(yù)處理。選用Landsat-8衛(wèi)星的2、3、4、5、6和7等6個波段參與植被指數(shù)計算，影像空間分辨率為30 m。由于海南島屬熱帶季風(fēng)海洋性氣候，很難獲得完全無云或低云的影像。為解決多云覆蓋對研究的影響，利用像元級云量提取算法（具體原理參考文獻[23]）計算研究時段內(nèi)每一景影像的云量，結(jié)合研究區(qū)域特征和季節(jié)特征綜合評定每一景影像的得分，生成研究區(qū)內(nèi)逐像元云量最小影像（圖3），合成用于LAI估算的遙感影像數(shù)據(jù)，以此克服研究區(qū)多云多雨氣候特征對LAI估算結(jié)果的影響，提高LAI估算的可靠性。

2.5遙感植被指數(shù)計算

基于以往LAI遙感估算研究中常用的植被指數(shù)，本研究中選取了8種衛(wèi)星遙感植被指數(shù)（表2），包括增強植被指數(shù)（Enhanced Vegetation Index，EVI）[24]、歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）[25]、綠色歸一化植被指數(shù)（Green NDVI，GNDVI）[26]、比值植被指數(shù)（Ratio Vegetation Index，RVI）[27]、土壤調(diào)節(jié)植被指數(shù)（Soil Adjusted Vegetation Index，SAVI）[28]、寬動態(tài)范圍植被指數(shù)（Wide Dynamic Range Vegetation Index，WDRVI）[29]、差值植被指數(shù)（Difference Vegetation Index，DVI）[30]和改良土壤調(diào)節(jié)植被指數(shù)（Modified Soil Adjusted Vegetation Index，MSAVI）[31]。為減小空間尺度效應(yīng)，計算植被指數(shù)時利用樣區(qū)中心點及其周圍3×3鄰域像元的地表反射率的平均值。

本研究中對Landsat 8 OLI衛(wèi)星遙感數(shù)據(jù)進行收集、預(yù)處理、最小云量合成和植被指數(shù)計算均是利用谷歌地球引擎（Google Earth Engine，https：//earthengine.google.com/）進行。谷歌地球引擎是Google提供的對大量全球尺度地球科學(xué)資料（尤其是衛(wèi)星數(shù)據(jù)）進行在線可視化計算和分析處理的云計算平臺，該平臺能夠存取衛(wèi)星圖像和其他地球觀測數(shù)據(jù)庫中的資料，并對這些數(shù)據(jù)資料進行處理分析，提供了足夠的運算能力和高效的運算效率[32]。

2.6LAI估算模型構(gòu)建與驗證

在分析觀測LAI數(shù)據(jù)與8種遙感植被指數(shù)之間的相關(guān)性的基礎(chǔ)上，利用54個樣地觀測LAI 數(shù)據(jù)與8種遙感植被指數(shù)，基于經(jīng)驗統(tǒng)計方法，構(gòu)建基于不同植被指數(shù)的橡膠林LAI估算模型（一元線性、指數(shù)和對數(shù)模型），并對模型表現(xiàn)進行評估，并選出最優(yōu)估算模型。不同模型的表現(xiàn)采用決定系數(shù)（Coefficient of Determination，R）進行評估和優(yōu)選。利用選出的最優(yōu)估算模型估算海南島橡膠林LAI，獲得大面積橡膠林LAI的空間分布，并利用剩余23個觀測LAI數(shù)據(jù)對估算結(jié)果進行精度評價和驗證。以估算值與觀測值之間線性擬合的決定系數(shù)R、均方根誤差（Root Mean Square Error，RMSE）和相對誤差（Relative Error，RE）（公式（9）和公式（10））對模型的表現(xiàn)進行驗證和評價。

（9）

（10）

其中，N為數(shù)據(jù)個數(shù);M和O分別為橡膠林LAI估算值和觀測值。

3結(jié)果與分析

3.1植被指數(shù)與LAI的相關(guān)性

為了更好地進行估算模型構(gòu)建，計算植被指數(shù)與觀測LAI之間的相關(guān)系數(shù)。由表3可知，EVI、SAVI、DVI、MSAVI同LAI之間的相關(guān)性較高，其相關(guān)系數(shù)分別為0.83、0.81、0.82和0.81，均通過p<0.001顯著性水平檢驗。LAI與NDVI、GNDVI、RVI、WDRVI之間的相關(guān)性較低，其相關(guān)系數(shù)分別為0.61、0.65、0.67和0.65，均通過p<0.01顯著性水平檢驗。

3.2估算模型構(gòu)建與優(yōu)選

通過構(gòu)建基于不同植被指數(shù)的橡膠林LAI估算模型（一元線性、指數(shù)和對數(shù)模型）（表4），在一元線性模型中，基于EVI指數(shù)的橡膠林LAI估算模型效果最佳（公式（11）），其決定系數(shù)R為0.69，高于基于NDVI、GNDVI、RVI、SAVI、WDRVI、DVI和MSAVI指數(shù)的估算模型。在指數(shù)模型中，基于SAVI指數(shù)的橡膠林LAI估算模型效果最佳（公式（24）），其決定系數(shù)R為0.67，高于基于其他植被指數(shù)的估算模型。在對數(shù)模型中，基于DVI指數(shù)的橡膠林LAI估算模型效果最佳（公式（31）），其決定系數(shù)R為0.65，高于基于其他植被指數(shù)的估算模型。綜合比較，選擇基于EVI指數(shù)的一元線性模型作為橡膠林LAI估算的最優(yōu)模型，并估算海南島橡膠林LAI。

3.3估算結(jié)果與分析

利用選出的最優(yōu)估算模型估算海南島橡膠林LAI，獲得大面積橡膠林LAI的空間分布（圖4）。經(jīng)統(tǒng)計，估算的海南島橡膠林LAI平均值為4.32±0.18，最大值為6.23，最小值為2.69。從空間分布來看，海南島橡膠林LAI高值區(qū)（4.40～6.23）主要分布在海南島西部儋州、白沙等市縣，LAI中值區(qū)（3.80～4.40）主要分布在海南島中部澄邁、屯昌、瓊中等市縣，LAI低值區(qū)（2.69～3.80）主要分布在海南島東部和南部的定安、瓊海、萬寧、樂東、三亞等市縣。海南島橡膠林LAI空間分布存在異質(zhì)性的原因包括以下幾個方面：一是由于海南島橡膠林大部分年齡低于40年[33]，這一年齡段的橡膠樹正處于生長旺盛期，生物量大、生產(chǎn)力高，LAI整體也較高;二是研究區(qū)年齡小于25年的橡膠林大多分布在海南島西部檐州、白沙等市縣[33]，使得海南島橡膠林LAI高值區(qū)域主要分布在海南島的西部市縣;三是海南島東部和南部易受臺風(fēng)災(zāi)害影響，造成橡膠林損害，導(dǎo)致該區(qū)域橡膠林LAI值較低。此外海南島橡膠林主要種植在海拔100～600m山坡地，使得其LAI空間分布差異受地形影響較大，分布于山坡地區(qū)不同海拔、坡度、坡向的橡膠林接收到的太陽輻射呈現(xiàn)空間差異，導(dǎo)致植被生長受到影響，這也使得海南島橡膠林LAI呈現(xiàn)空間差異。

3.4精度驗證與分析

比較估算和觀測的橡膠林LAI結(jié)果（圖5）可知，橡膠林LAI估算模型精度較高，模型估算結(jié)果基本處于95%置信區(qū)間，觀測和模擬的橡膠林LAI線性擬合決定系數(shù)R為0.67，通過p<0.001顯著性水平檢驗，均方根誤差RMSE為0.16，平均相對誤差RE為-0.25%。但在橡膠林LAI中值區(qū)（3.80～4.40）存在低估現(xiàn)象，同時在LAI高值區(qū)（>4.40）和低值區(qū)（<3.80）存在一定的高估現(xiàn)象，這可能是由于海南島橡膠林總體處于生長旺盛期（年齡小于25年的面積比例為52.54%[33]），其植被指數(shù)和LAI整體處于較高值，造成其區(qū)分度較低，使得橡膠林LAI估算出現(xiàn)偏差。

4討論與結(jié)論

4.1討論

海南島地處熱帶，該區(qū)域多云多雨，覆蓋研究區(qū)的光學(xué)影像數(shù)據(jù)質(zhì)量往往不佳，不能滿足研究需求。本研究中，針對海南多云多雨的熱帶氣候特征，采用像元級最小云量影像合成方法，獲取Landsat時間序列不同波段合成的純凈影像，克服了研究區(qū)多云多雨氣候特征對LAI估算結(jié)果的影響，提高了LAI估算的可靠性?；谶b感大數(shù)據(jù)平臺谷歌地球引擎構(gòu)建的遙感數(shù)據(jù)集[32]，為LAI估算研究與應(yīng)用提供了充足的數(shù)據(jù)基礎(chǔ)。

橡膠林是典型的熱帶作物，其樹形高大、植被茂密、生產(chǎn)力高。而在植被茂密、生產(chǎn)力高的熱帶地區(qū)遙感研究中，單一植被指數(shù)往往無法準(zhǔn)確表示作物的生長情況，容易出現(xiàn)指數(shù)飽和問題[34]，如NDVI、GNDVI、RVI等植被指數(shù)采用非線性拉伸的方式增強了近紅外和紅光波段反射率的對比度，導(dǎo)致其對高植被區(qū)具有較低的靈敏度。本研究中，基于EVI指數(shù)構(gòu)建橡膠林LAI估算模型，較好地解決了指數(shù)飽和問題，這是由于EVI指數(shù)中紅光和近紅外波段的范圍設(shè)置更窄，不僅提高了對稀疏植被探測的能力，而且減少了水汽的影響，同時，引入了藍光波段，對大氣氣溶膠的散射和土壤背景進行了矯正，可以穩(wěn)定地反映熱帶地區(qū)植被的情況。經(jīng)檢驗，構(gòu)建的基于EVI指數(shù)的橡膠林LAI估算模型精度也較高，具有較好的科學(xué)基礎(chǔ)和實用性。但在模型推廣應(yīng)用過程中，一方面需要更大空間覆蓋范圍的地面樣點驗證，另一方面還需要進行長時間序列的地面樣點觀測，以滿足未來LAI時空反演和時空分析需求。

LAI遙感估算方法主要包含光學(xué)模型反演和統(tǒng)計模型2種。光學(xué)模型反演法是基于植被的雙向反射率分布函數(shù)，是一種建立在輻射傳輸模型基礎(chǔ)上的模型，LAI作為輸入變量，采用迭代的方法來反演LAI。這種方法的優(yōu)點是有物理模型基礎(chǔ)，不受植被類型的影響，然而由于有些模型過于復(fù)雜，反演非常耗時，且反演估算LAI過程中有些函數(shù)并不總是收斂的，從而限制了光學(xué)模型反演方法的使用和發(fā)展[11]。統(tǒng)計模型法主要是從遙感圖像數(shù)據(jù)中提取植被指數(shù)與野外實測LAI建立關(guān)系模型，進而估算植被LAI。常用的植被指數(shù)有EVI和NDVI等，這種方法在不同植被類型，如森林、草地等的LAI與植被指數(shù)的函數(shù)關(guān)系不同，在使用時需要重新計算、擬合。但由于該模型方法參數(shù)輸入單一，計算簡單[14，15]，因此，本研究也采用此方法進行橡膠林LAI的遙感估算，也取得了較好的效果。

綜上，未來需要充分利用遙感云計算平臺計算優(yōu)勢，結(jié)合多源遙感數(shù)據(jù)，充分發(fā)揮不同數(shù)據(jù)源的組合優(yōu)勢，發(fā)展更高精度的估算模型，如輻射傳輸模型、機理模型、深度學(xué)習(xí)模型等，提高橡膠林等熱帶作物L(fēng)AI估算精度，為橡膠林長勢遙感監(jiān)測、產(chǎn)量遙感評估提供科學(xué)參考。

4.2結(jié)論

本研究通過構(gòu)建基于衛(wèi)星遙感植被指數(shù)的橡膠林LAI估算模型，實現(xiàn)了海南島橡膠林LAI遙感估算。結(jié)果表明，相較于NDVI、GNDVI、RVI和WDRVI指數(shù)，EVI、SAVI、DVI和MSAVI指數(shù)同LAI之間的相關(guān)性較高。構(gòu)建的基于不同植被指數(shù)的橡膠林LAI估算模型（一元線性、指數(shù)和對數(shù)模型）中，基于EVI指數(shù)的橡膠林LAI一元線性估算模型效果最佳（公式（11）），其決定系數(shù)R為0.69。經(jīng)驗證，該模型估算的橡膠林LAI精度較高，觀測和模擬的橡膠林LAI線性擬合R為為67，RMSE為0.16，RE為-0.25%，但在橡膠林LAI中值區(qū)存在低估現(xiàn)象，同時在LAI高值區(qū)和低值區(qū)存在一定的高估現(xiàn)象。從空間分布來看，海南島橡膠林LAI高值區(qū)（4.40～6.23）主要分布在海南島西部儋州、白沙等市縣，LAI中值區(qū)（3.80～4.40）主要分布在海南島中部澄邁、屯昌、瓊中等市縣，LAI低值區(qū)（2.69～3.80）主要分布在海南島東部和南部的定安、瓊海、萬寧、樂東、三亞等縣市。本研究構(gòu)建的基于EVI指數(shù)的橡膠林LAI一元線性估算模型精度較高，克服了NDVI、GNDVI、RVI等植被指數(shù)容易出現(xiàn)指數(shù)飽和問題，具有較好的科學(xué)性和良好的推廣應(yīng)用價值。

參考文獻：

[1] FANG H， BARET F， PLUMMER S， et al. An overview of global. leaf area index （LAI）： Methods， products， validation， and applications[J]. Reviews of Geophysics，2019，57（3）： 739-799.

[2]TURNER D， COHEN W， KENNEDY R， et al. Relationships between leaf area index and Landsat TM spectral. vegetation indices across three temperate zone sites[J]. Remote Sensing of Environment， 1999， 70（1）： 52-68.

[3] CHEN J， CIHLAR J. Retrieving leaf area index of boreal. conifer forests using Landsat TM images[J]. Remote Sensing of Environment， 1996， 55（2）： 153-162.

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

XIA T， WU W， ZHOU Q， et al. Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral. remote sensing[J]. Transactions of the CSAE， 2013，29（3）： 139-147.

[5]康婷婷，居為民，李秉柏.水稻葉面積指數(shù)遙感反演方法對比分析[J].江蘇農(nóng)業(yè)科學(xué)，2015， 43[5]： 366-371.

KANG T， JU W， LI B. Comparative analysis of remote sensing inversion methods for rice leaf area index[J]. Jiangsu Agricultural. Sciences， 2015， 43（5）： 366-371.

[6]朱春全，雷靜品，劉曉東，等.不同經(jīng)營方式下楊樹人工林葉面積分布與動態(tài)研究[J].林業(yè)科學(xué)，2001， 37 （1）： 46-51.

ZHU C， LEI J， LIU X， et al. The distribution and seasonal. change of leaf area in poplar plantations managed in different ways[J]. Scientia SilvaeSinicae， 2001，37（1）：46-51.

[7]劉志理，戚玉嬌，金光澤.小興安嶺谷地云冷杉林葉面積指數(shù)的季節(jié)動態(tài)及空間格局[J].林業(yè)科學(xué)，2013，49（8）： 58-64.

LIU Z， QI Y， JIN G. Seasonality and spatial. pattern of leaf area index of a spruce-fir forest at the valley in Xiaoxing'an Mountains[J]. Scientia SilvaeSinicae， 2013，49（8）： 58-64.

[8]王希群，馬履一，賈忠奎，等.葉面積指數(shù)的研究和應(yīng)用進展[J].生態(tài)學(xué)雜志，2005， 24（5）： 537-541.

WANG X， MA L， JIA Z， et al. Research and application advances in leaf area index （LAI）[J]. Chinese Journal. of Ecology， 2005， 24（5）： 537-541.

[9]朱旭珍.三種不同方法估算森林葉面積指數(shù)的比較研究[D].杭州：浙江農(nóng)林大學(xué)，2014.

ZHU X. A comparative study of three different methods for estimating forest leaf area index[D]. Hangzhou： Zhejiang A&F University， 2014.

[10]王修信，孫濤，朱啟疆，等.林地葉面積指數(shù)遙感估算方法適用分析[J].生態(tài)學(xué)報，2014， 34（16）： 4612-4619.

WANG X， SUN T， ZHU Q， et al. Assessment of different methods for estimating forest leaf area index fromremote sensing data[J]. Acta EcologicaSinica， 2014， 34 （16）： 4612-4619.

[11]柳藝博，居為民，朱高龍，等.內(nèi)蒙古不同類型草原葉面積指數(shù)遙感估算[J].生態(tài)學(xué)報，2011， 31（18）： 5159- 5170.

LIU Y， JU W， ZHU G， et al. Retrieval. of leaf area index for different grasslands in Inner Mongolia prairie using remote sensing data[J]. Acta EcologicaSinica， 2011，31（18）： 5159-5170.

[12]昝梅，李登秋，居為民，等.新疆喀納斯國家自然保護區(qū)植被葉面積指數(shù)觀測與遙感估算[J].生態(tài)學(xué)報，2013，33（15）：4744-4757.

ZAN M， LI D， JU W， et al. Measurement and retrieval. of leaf area index using remote sensing data in Kanas National. Nature Reserve， Xinjiang[J]. Acta EcologicaSinica， 2013 33（15）： 4744-4757.

[13]郭志華，向洪波，劉世榮，等.落葉收集法測定葉面積指數(shù)的快速取樣方法[J].生態(tài)學(xué)報，2010， 30（5）： 1200-1209.

GUO Z， XIANG H， LIU S， et al. Sampling method for rapid measurement of leaf area index by leaf litter collection in deciduous forests [J]. Acta EcologicaSinica， 2010，30（5）： 1200-1209.

[14] WOODGATE W， JONES S， SUAREZ L， et al. Understanding the variability in ground-based methods for retrieving canopy openness， gap fraction， and leaf area index in diverse forest systems[J]. Agricultural. and Forest Meteorology， 2015， 205： 83-95.

[15] LIU Z， WANG C， CHEN J， et al. Empirical. models for tracing seasonal. changes in leaf area index in deciduous broadleaf forests by digital. hemispherical. photography[J]. Forest Ecology and Management， 2015， 351： 67-77.

[16]姚延娟，范聞捷，劉強，等.玉米全生長期葉面積指數(shù)收獲測量法的改進[J].農(nóng)業(yè)工程學(xué)報，2010， 26（8）： 189-194.

YAO Y， FAN W， LIU Q， et al. Improved harvesting method for corn LAI measurement in corn whole growth stages[J]. Transactions of the CSAE， 2010， 26 （8）： 189-194.

[17]胡耀華，伍業(yè)綱，王釗，等.關(guān)于巴西橡膠樹林葉面積指數(shù)的研究[J].熱帶作物學(xué)報，1981， 2（2）： 35-43.

HU Y， WU Y， WANG Z， et al. A study on the leaf area index of Hevea brasiliensis stand[J]. Chinese Journal. of Tropical. Crops， 1981， 2（2）： 35-43.

[18] RUSLI N， MAJID M. Monitoring and mapping leaf area index of rubber and oil palm in small watershed area[C]// 8th International. Symposium of the Digital. Earth （ISDE 8）. Bristol， United Kingdom： IOP Publishing Ltd.， 2014， 18： ID 012036.

[19] CHEN B， WU Z， WANG J， et al. Spatiotemporal. prediction of leaf area index of rubber plantation using HJ- 1A/1B CCD images and recurrent neural. network[J]. ISPRS Journal. of Photogrammetry and Remote Sensing， 2015， 102： 148-160.

[20]陳幫乾，吳志祥，楊川，等.海南儋州地區(qū)橡膠林葉面積指數(shù)月動態(tài)研究[J].熱帶農(nóng)業(yè)科學(xué)，2015， 35（11）： 1-6， 11.

CHEN B， WU Z， YANG C， et al. Monthly dynamics of leaf area index of rubber plantation in Danzhou， Hainan Island， China[J]. Chinese Journal. of Tropical. Agriculture， 2015，35（11）： 1-6， 11.

[21]海南省統(tǒng)計局，國家統(tǒng)計局海南調(diào)查總隊.海南省統(tǒng)計年鑒2020[M].北京：中國統(tǒng)計出版社，2020.

Hainan Provincial. Bureau of Statistics， Hainan Investigation Team of National. Bureau of Statistics. Hainan statistical. yearbook 2020 [M]. Beijing： China Statistics Press， 2020.

[22]CHEN B， LI X， XIAO X， et al. Mapping tropical. forests and deciduous rubber plantations in Hainan Island，China by integrating PALSAR 25-m and multi-temporal. Landsat images[J]. International. Journal. of Applied Earth Observation and Geoinfbnnation， 2016， 50： 117-130.

[23]李睿.基于Google Earth Engine的桂林市土地利用時空變化分析[D].南昌：東華理工大學(xué)，2019.

LI R. Spatial-temporal. analysis of land use change in Guilin city based on Google Earth Engine[D]. Nanchang： East China University of Technology， 2019.

[24] HUETE A， DID AN K， MIURA T， et al. Overview of the radiometric and biophysical. performance of the MODIS vegetation indices [J]. Remote Sensing of Environment， 2002， 83（1-2）： 195-213.

[25] ROUSE J， HAAS R， SCHELL J， et al. Monitoring vegetation systems in the Great Plains with ERTS[C]// Third Earth Resources Technology Satellite （ERTS） Symposium. Washington DC， USA： NASA Special. Publication， 1974， 1：309-317.

[26] GITELSON A， MERZLYAK M. Remote estimation of chlorophyll content in higher plant leaves[J]. International. Journal. of Remote Sensing， 1997， 18（12）： 2691- 2697.

[27] PEARSON R， MILLER L. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie[C]// 8th International. Symposium on Remote Sensing of Environment （ISRSE 8）. Michigan， USA： Environment Research Institute of Michigan， 1972，45： 7-12.

[28] HUETE A. A soil-adjusted vegetation index （SAVI） [J]. Remote Sensing of Environment， 1988， 25（3）： 295-309.

[29]黃健熙，侯矞焯，蘇偉，等.基于GF-1 WFV數(shù)據(jù)的玉米與大豆種植面積提取方法[J].農(nóng)業(yè)工程學(xué)報，2017，33（7）： 164-170.

HUANG J， HOU Y， SU W， et al. Mapping com and soybean cropped area with GF-1 WFV data[J]. Transactions of the CSAE， 2017， 33（7）： 164-170.

[30] TUCKER C. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment， 1979， 8（2）： 127-150.

[31] QI J， CHEHBOUNI A， HUETE A， et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment， 1994， 48（2）： 119-126.

[32] GORELICK N， HANCHER M， DIXON M， et al.

Google Earth Engine： Planetary-scale geospatial. analysis for everyone[J]. Remote Sensing of Environment，2017， 202： 18-27.

[33] CHEN B， XIAO X， WU Z， et al. Identifying establishment year and pre-conversion land cover of rubber plantations on Hainan Island， China using Landsat data during 1987—2015[J]. Remote Sensing， 2018， 10（8）：1240.

[34] OLIVAS P， OBERBAUER S， CLARK D， et al. Comparison of direct and indirect methods for assessing leaf area index across a tropical. rain forest landscape[J]. Agricultural. and Forest Meteorology， 2013， 177： 110-116.

Comparison of Remote Sensing Estimation Models for Leaf Area Index of Rubber Plantation in Hainan Island

DAI Shengpei1，2*， LUO Hongxia1，2， ZHENG Qian1，2， HU Yingying1，2， LI Hailiang1，2， LI Maofen1，2， YU Xuan1，2， CHEN Bangqian3

（1. Key Laboratory of Agricultural. Remote Sensing， Ministry of Agriculture and Rural. Affairs， Beijing 100081， China; 2. Institute of Scientific and Technical. Information. Chinese Academy of Tropical. Agricultural. Sciences/Key Laboratory of Applied Research on Tropical. Crop Information Technology of Hainan Province， Haikon 571101， China; 3. Rubber Research Institute， Chinese Academy of Tropical. Agricultural. Sciences， Haikou 571101， China）

Abstract： Leaf area index （LAI） is an important index to describe the growth status and canopy structure of vegetation， is of great theoretical. and practical. significance to quickly obtain LAI of large area vegetation and crops for ecosystem science research and agricultural. &forestry production guidance. In this study， the typical. tropical. crop rubber tree in Hainan Island was selected as the research area， the LAI estimation model of rubber plantation based on satellite remote sensing vegetation indices was constructed， and its spatiotemporal. variation was analyzed. The results showed that， compared with correlations between LAI and the indices of normalized difference vegetation index （NDVI）， green NDVI （GNDVI）， ratio vegetation index （RVI） and wide dynamic range vegetation index （WDRVI）， correlations were higher between LAI and the indices of enhanced vegetation index （EVI）， soil adjusted vegetation index （SAVI）， difference vegetation index （DVI） and modified soil adjusted vegetation index （MSAVI）. Among the LAI estimation models based on different vegetation indices （linear， exponential. and logarithmic models）， the linear estimation model based on EVI index was the best， and its coefficient of determination （R） was 0.69. The accuracy of LAI estimation model was high. The linear fitting R of observed and simulated LAI was 0.67， the root mean square error （RMSE） was 0.16， and the average relative error （RE） was -0.25%. However， there was underestimation in the middle value and overestimation in the high and low value area of LAL. The high LAI values （4.40—6.23） were mainly distributed in Danzhou and Baisha in the west of Hainan Island， the middle LAI values （3.80—4.40） were mainly distributed in Chengmai，Tunchang and Qiongzhong in the middle of Hainan Island， and the low LAI values （2.69—3.80） were mainly distributed in Ding'an， Qionghai， Wanning， Ledong and Sanya in the east and south of Hainan Island. In summary， the linear estimation model for rubber plantation LAI based on EVI index obtained high accuracy， and has good values of popularization and appliance.

Key words： leaf area index （LAI）; rubber plantation; remote sensing; estimation model; Hainan Island

（登陸www.smartag.net.cn免費獲取電子版全文）