岷江上游典型流域叶面积指数的遥感模型及反演*

何 磊,唐姝娅,苗 放,李玉霞

(1.成都理工大学地球科学学院,成都610059;2.四川省地震局减灾救助研究所,成都610041;3.电子科技大学地表空间信息技术研究所,成都610054)

叶面积指数(LAI)是指每单位地表面积的叶面面积比例[1]。它是陆地生态系统的一个十分重要的结构参数,是表征植被冠层结构最基本的参量之一,它控制着植被的许多生物、物理过程,如光合、呼吸、蒸腾、碳循环和降水截获等。LAI作为计算植物蒸散和干物质累积最重要的参数,且最能反映遥感数据与植物生长状态密切相关关系,因此,研究LAI指数动态变化模式具有重要理论和应用价值,而植物群落LAI的大小和变化,取决于生态环境、群落结构和利用状况。传统的LAI地面测量获得信息有限,而且不能呈面状分布,所以,大区域研究LAI仅仅靠地面观测是行不通的,卫星遥感为大区域研究LAI提供了唯一的途径[2]。本文通过利用多时相多传感器遥感数据和地面实测数据,对岷江上游典型流域毛儿盖地区的叶面积指数进行了遥感模型建立和反演,评价结果表明反演结果能较好地反映研究区植被生长状况。

1 研究区概况

选择岷江上游的毛儿盖地区,其范围是：东经103°00′-103°30′,北纬 30°20′-32°40′,研究区面积约为1 760 km2,跨松潘县和黑水县的部分区域。区域内水系发育较好,较大的水系有贯穿整个研究区的毛儿盖河、热务沟等,该区域植被与土壤的形成与发育复杂多样,沿高程有明显的垂直地带性。其植被分区上属于泛北极植物区中国喜马拉雅植物亚区横断山脉地区的一部分,植被垂直带分布明显,表现出明显的温性森林、干旱河谷灌丛、亚高山森林、亚高山草甸、灌丛等生态类型。本研究区包含了岷江上游区域典型的植被、土壤、地貌等特征,故该区域研究成果在岷江上游地区具有一般通用性。

2 遥感数据源

采用的遥感数据源包括2003年7月10日的Landsat/ETM数据和2003年11月2日的EOS/ASTER数据(以下简称 ETM数据和 ASTER数据)。

对比分析ASTER和ETM相关参数特征可以看出：(1)ETM影像在可见光近红外通道的波段数比ASTER多一个蓝光波段,其余三个波段的覆盖范围大致相同,也可以很好地反映植被状况。(2)ASTER传感器在SWIR通道包含的波段数明显比ETM要多,这样可以很好地反映表层土壤、植被和岩石等地物的特征。(3)ASTER传感器在热红外通道有5个波段,而ETM只有一个波段。ETM在热红外通道的空间分辨率仅达到120 m;ASTER热红外通道的空间分辨率可达90 m。ASTER在热红外通道的高光谱分辨率使得它可以反演出较为准确的温度和辐射率。(4)ASTER的在可见光和近红外通道空间分辨率(15 m)较ETM(30 m)高。

图1分别为岷江上游毛儿盖研究区ETM(4,3,2合成)和ASTER(3N,2,1合成)假彩色合成图像。

图1 研究区ETM(左图)与ASTER遥感图像(右图)

3 叶面积指数遥感模型建立与反演

叶面积指数可以从两个途径获取：一是统计模型,用植被指数NDVI及其平均叶角等参数进行推算;二是理论模型,用二向反射率分布函数进行反演。前者计算简单,需要平均叶角或叶角分布数据;后者需要利用多角度遥感数据获取较多的参数,计算复杂[3]。本文根据研究区的资料和遥感数据特点,利用统计模型求取研究区的叶面积指数。

叶面积指数往往是难以直接从遥感数据获得,但是根据它与遥感参数——植被指数间的密切关系,可以通过大量的理论与实验研究,建立相关的理论和经验统计模型。

Jordan提出的比值植被指数(RVI)是最早的植被指数：RVI=RNir/RRed。其中 RNir和RRed分别为近红外波段反射率和红光波段反射率。RVI对大气影响敏感,而且当植被覆盖不够密度时(小于50%),它的分辨率也很弱,只有在植被覆盖浓密的情况下效果最好。对于浓密植物,反射的红光辐射很小,RVI将无限增长。Deering提出归一化差分植被指数(NDVI,Normalized Difference Vegetation Index)将比值限定在[-1,1]的范围内：

式中：DN NIR——卫星接收的近红外波段亮度值;DN R——卫星接收的红光波段亮度值;RNir——卫星接收的近红外波段反射率;RRed——卫星接收的红光波段反射率。

由于利用了植被冠层对电磁波谱中红色和近红外两个波谱段反射能量的光谱对比特性,NDVI提高了对土壤背景的鉴别能力;同时削弱了大部分与仪器定标、太阳角、地形、云/阴影和大气衰减等的影响,增强了对植被的响应能力。张仁华等根据高塔遥感实验场的大量观测资料研究表明,植被指数NDVI或RVI与叶面积指数呈现非线性函数关系。它们之间的关系可表示为

或表示为

式中：A、B、C——经验系数,A、B 通常接近于1。其中,A是由植物本身的光谱反射确定,B与叶倾角、观测角有关,C取决于叶子对辐射的衰减,这种衰减呈非线性的指数函数变化。

根据式(1),综合考虑了研究区数据资料及其特征,结合相关研究资料,本研究由以下关系式获得LAI：

由式(3)可以推导出LAI的函数关系式：

对LANDSAT ETM而言,归一化差分植被指数NDVI式(1)中 和分别是ETM波段3(630-690 nm)和波段4(760～900 nm)的反射率。对Aster传感器而言,标准化差值植被指数NDVI式(1)中Rnir和Rred分别是Aster波段2(630～690 nm)和波段3N(760～860 nm)的反射率。

图2为该研究区ETM图像的叶面积指数反演结果图,可以看到研究区的LAI值基本分布在2～4之间。经ARCGIS软件统计分析,岷江上游毛儿盖地区的LAI值在0～2之间的占10.13%,在2～4.5之间的占 78.86%,大于 4.5或者 0的占11.01%,其中 LAI最大值为 4.814,平均值为2.941。结合研究区植被分类图,经统计分析表明：亚高山草甸的LAI平均为2.617,灌丛的LAI平均为3.032,针阔混交林的LAI平均为3.783[4]。

图2为该研究区ASTER图像的叶面积指数反演结果图。可以看到研究区的LAI值基本分布在0.48～1.37。经ARCGIS软件统计分析,岷江上游毛儿盖地区的LAI值在0～0.5之间的占21.51%,在0.5～2.5之间的占73.41%,大于2.5或者小于0占5.08%,其中LAI最大值为4.231,平均值为0.926。结合研究区植被分类图,经统计分析表明：亚高山草甸的LAI平均为0.525,灌丛的LAI平均为0.683,针阔混交林的LAI平均为2.316。

对比图2和图3可以看出,由ASTER数据反演的叶面积指数整体上比ETM数据反演的叶面积指数统计分析值要小;这与遥感图像的时相有关[5],ETM数据采集时间为7月中旬,该时间是植被生长旺盛阶段,植被叶片生长旺盛故而叶面积指数相应较大;ASTER数据获取时间为11月,该时间已是冬初,研究区已有部分的雪覆盖,落叶林植被的叶片已经凋落,草甸也已枯萎,植被进入了冬歇阶段,故叶面积指数明显较小。岷江上游毛儿盖地区植被叶面积指数随海拔梯度的增加LAI减小,这与植被垂直分布性有关[6]。由两个图像反演的叶面积指数,较好地反映了植被类型及其空间分布变化的趋势。

图2 ETM图像叶面积指数反演结果与分布曲线图

图3 ASTER图像叶面积指数反演结果与分布曲线图

4 结论

根据对岷江上游研究区的实地踏勘和定位观测研究,综合利用Aster和ETM 遥感数据、地面实测数据和常规观测数据等,分析了叶面积指数的遥感反演方法及其影响因子,并提出了用遥感方法反演叶面积指数的最佳模型和最佳植被指数。通过模型反演可以得出,基于2003年7月的ETM数据反演出叶面积指数,其值在2～4.5之间的占78.86%;按照植被分类统计,亚高山草甸的LAI平均为2.617,灌丛的LAI平均为3.032,针阔混交林的LAI平均为3.783。2003年11月的ASTER数据反演结果在0.5～2.5之间的占73.41%;按照植被分类统计,亚高山草甸的LAI平均为0.525,灌丛的LAI平均为0.683,针阔混交林的 LAI平均为2.316。反演结果表明,叶面积指数受时相和植被空间分布影响较大,但是,不同植被类型影响程度不同,针叶林受影响相对较小,灌木林受影响较大,叶面积指数与植被类型的空间垂直分布性有关。通过对研究区进行实测叶面积指数作为模型验证数据,将能更好地提高模型精度。

[1] 惠凤鸣,田庆久,金震宇,等.植被指数与叶面积指数关系研究及定量化分析[J].遥感信息,2003,45(2)：10-13.

[2] 李开丽,蒋建军,茅荣正,等.植被叶面积指数遥感监测模型[J].生态学报,2005,25(6)：1491-1496.

[3] 方秀琴,张万昌.叶面积指数LAI的遥感定量方法综述[J].国土资源遥感,2003,57(3)：58-62.

[4] 李玉霞.岷江上游毛儿盖地区生态水信息指标参数遥感量化研究[D].成都：成都理工大学,2007.

[5] 顾祝军,曾志远.遥感植被盖度研究[J].水土保持研究,2005,12(4)：18-21.

[6] Qi J,Kerr Y H,Moran M S,et al.Leaf Area Index Estimates Using Remotely Sensed Data and BRDF Models in a Semiarid Region[J].Remote Sensing of Environment,2000,73：18-30.