利用MISR遥感数据反演小兴安岭地区森林叶面积指数

赵 妍，范文义*，王鹤霖，杨晓琴，杨国舜

(1.东北林业大学林学院，哈尔滨 150040;2.内蒙古赤峰市翁牛特旗桥头国营林场;内蒙古赤峰 024500;3.内蒙古赤峰市翁牛特旗高家梁林场;内蒙古赤峰 024500)

叶面积指数定义为单位地面面积上总叶面积的 一半［1］，它是模拟陆地生态系统和它们与气候之间交互作用的重要结构参数，同时它对于植被的诸多生物、物理过程，例如光合作用、蒸腾作用、呼吸作用以及碳、水循环、降水截获等起着至关重要的控制作用［2－6］。随着遥感技术的发展，特别是多角度遥感技术应用研究的不断深入，人们越发关注用多角度遥感数据进行森林参数提取。多角度遥感数据是对地面物体进行多个方向的观测，数据就具有丰富的地物观测信息，具备较强的反演植被结构参数的能力［7－10］，同时能够减小 “异物同谱”、“同物异谱”等现象对于反演结果精度的影响。与垂直观测的遥感数据反演森林植被LAI的方法相比，多角度多波段遥感数据能够反映植被结构信息及地物多维空间结构特征。因此，合理利用多角度遥感数据对于有效反演地表植被结构参数具有重要的理论意义和广泛应用价值。

遥感反演LAI的方法有很多，大体分为统计模型方法、物理模型法及混合反演方法等［11］。本研究以MODIS土地覆盖类型数据和多角度传感器MISR数据为数据源，采用5－Scale几何光学模型［12］与统计模型相结合的方法反演黑龙江省小兴安岭地区植被LAI，并对LAI反演结果进行精度评价。

1 研究区概况与研究方法

1.1 研究区概况

研究区为黑龙江省小兴安岭地区(46°28'～49°21'N，127°42'～130°14'E)，位于中国黑龙江省中北部。其北部以黑龙江中心航线为界，与俄罗斯隔江相望，边境线长249.5 km，是中国东北边疆的重要门户。林业施业区面积386万hm2。属低山丘陵，北部多台地、宽谷;中部低山丘陵，山势和缓;南部属低山，山势较陡。最高峰为平顶山，海拔1 429 m。西部铁力市位于松嫩平原，地势呈波状。该地区属北温带大陆季风气候区。四季分明，冬季严寒、干燥而漫长;春季回暖快;夏季温热湿润;秋季暂短、降温迅速。年平均气温－1～1℃，最冷为1月份，－20～－25℃，最热为7月份，气温20～21℃，极端最高气温为35℃。全年大于10℃活动积温1 800～2 400℃，无霜期90～120 d。年平均日照数2 355～2 400 h。年降雨量550～670 mm，降雨集中在夏季。林区森林茂密，树种较多。有林地面积280万 hm2，森林覆被率为72.6%，活立木总蓄积2.4亿m3。森林类型是以红松为主的针阔叶混交林。主要树种有红松、云杉、冷杉、兴安落叶松、樟子松、水曲柳、黄菠萝、胡桃楸、杨、椴、桦和榆等。小兴安岭得天独厚的自然生态条件，繁衍生长着红松等许多珍贵树木，是中国主要林业基地。

1.2 遥感数据的预处理

本研究使用的遥感数据为2010年7月21日的MISR1B数据和同期的MODIS土地覆盖类型数据。

多角度MISR影像有蓝、绿、红及近红外4个波段，并从9个方向对地面进行观测，见表1，其中心波长分别为446、558、672和867 nm。空间分辨率为1.1 km。

表1 MISR影像9个观测角度值对应表Tab.1 Value of MISR data by 9 observation angles

对于多角度MISR数据，选择空间斜墨卡托(Space Oblique Mercator，SOM)作为几何纠正后的数据投影。因此应首先定义一个SOM影像的像元，计算出该像元所对应地面点在MSIR影像上的相应位置，再对该位置邻近的MSIR像元进行重采样，得到SOM影像像元的值。用校正后的影像作为参考基底，对其他观测角度下的MSIR影像逐一进行校正，最后以每一观测角度下的MSIR影像为参考，对同一观测角度下的其他波段影像进行校正。这样就得到了SOM投影下的4个波段9个角度的MISR影像。

在对MISR影像进行大气校正时，根据网站提供的滤波函数计算得到MISR各个波段权值——成函数。然后用ENVI中的FLASSH和Spectral工具作出大气校正时需要的格式文件来对其进行大气校正。以观测天顶角26.1°、45.6°和60°的MISR影像为例的大气纠正后的影像，如图1所示。

对于MODIS土地覆盖类型数据，其分辨率是1 km，而本研究采用的多角度MISR数据的分辨率为1.1 km，故将MODIS影像进行重采样后联合MISR影像进行分类。

1.3 5－Scale模型实现与统计模型相结合LAI反演

1.3.1 5－Scale模型模拟冠层反射率

本研究采用5－Scale几何光学模型模拟研究区域森林冠层反射率，根据设定的参数，运行5－Scale模型能够模拟研究区域针叶、阔叶森林在不同角度下的LAI与比值植被指数(SR)的对应值。由于实地观测不同角度的冠层反射率难度大，用物理模型模拟出各种角度下的反射率，进而计算出SR值，用统计模型拟合LAI与SR的关系，实现LAI的反演。为了验证5－Scale模型模拟冠层光谱的精度，本文通过12个样地的实测数据和经过大气校正的同一地区Hyperion高光谱数据与模拟结果进行比较，发现5－Scale模型模拟结果可靠性较高，如图2所示。

图1 观测角26.1°、45.6°和60°MISR三景MISR影像的大气纠正后的影像和谱线分布图Fig.1 Images and spectral line profile at observation angle 26.1°，45.6°，and 60°after atmospheric correction

图2 12个样地5－Scale模拟的冠层反射率、Hyperion影像像元反射率和地面实测冠层反射率的对比Fig.2 Comparison of 12 sample plots by 5-scale model on canopy reflectance，hyperion data pixel reflectance，and ground measured canopy reflectance.

1.3.2 LAI反演方法与流程

大量研究表明，植被指数与LAI存在密切的关系［13］。常用的用于反演LAI的植被指数主要包括比值植被指数(SR)［14］、归一化差值植被指数(NDVI)［15］、垂直植被指数(PVI)［16］、修正的比值植被指数(MSR)［17］、修正的归一化差值植被指数(MNDVI)［18］、减化比值植被指数(RSR)［19］等。本研究通过对5－Scale模型参数敏感性分析试验表明，比值植被指数SR与该区域LAI的相关性最好，最适合该区域LAI的遥感提取。

在经过大气校正和几何精校正的MISR数据基础上，计算比值植被指数SR，再与MODIS土地覆盖类型数据相结合分别得出9个角度下针叶林和阔叶林的SR结果作为下一步建立反演模型的输入数据。

依据研究区域实测样地数据向5－Scale模型输入建模参数，即LAI等，具体参数如图3所示，得到研究区与MISR观测角度一致的比值植被指数(SR)值的输出结果，以指数模型分别模拟LAI与9个角度的SR的关系，作为反演模型。然后用MISR影像计算得出的9个角度下针叶林和阔叶林的SR，代入建立的反演模型最终得出研究区LAI反演结果。反演流程如图4所示。

图3 5－Scale模型模拟研究区域针叶、阔叶森林参数设置Fig.4 Parameters of coniferous forest and broad-leaved forest simulated by 5-scale model

图4 基于5－Scale模型的MISR影像LAI反演流程图Fig.3 Flowchart of LAI inversion based on 5-scale model

2 结果分析

2.1 5－Scale模型模拟结果

5－Scale模型输入参数包括:环境参数和植被参数等。依据研究区域样地数据分别在MISR影像9个角度下设置模型输入参数。具体参数设置如图3所示。

叶面积指数设定范围为0.5～10，设置步长为0.1。对于MISR数据根据9个观测角度(0°，±26.1°，±45.6°，±60.0°，±70.5)依次设定最大观测天顶角及步长进行模拟。得到模型模拟结果，见表2和表3，为建立反演模型进行数据准备。

2.2 指数模型模拟结果

采用指数模型分别建立LAI与SR在MISR数据9个角度下的统计关系。以观测角度70.5度为例，针叶林、阔叶林在此角度下LAI与SR的统计关系的模拟结果如图5和图6所示。

表2 5－Scale模型模拟研究区阔叶林结果Tab.2 Broad-leaved forest results in the study site simulated by 5-scale model

图5 70.5°针叶LAI与SR的指数关系Fig.5 Relationship between coniferous LAI index and SR index at 70.5°

表3 5－Scale模型模拟研究区针叶林结果Tab.3 Coniferous forest results in the study site simulated by 5-scale model

图6 70.5°阔叶LAI与SR的指数关系Fig.6 Relationship between broad-leaved LAI index and SR index at 70.5°

其他各角度(即 0°，± 26.1°，± 45.6°，±60.0°，－70.5)均呈现以上类似统计关系。用10个样地的实测LAI对各个角度的模型的模拟值进行验证，结果如图7和图8所示。

图7 70.5°针叶LAI真实值与指数模拟值Fig.7 LAI real value and simulated value for coniferous forest at 70.5°

图8 70.5°阔叶LAI真实值与指数模拟值Fig.8 LAI real value and simulated value for broad-leaved forest at 70.5°

2.3 LAI反演结果与分析

将经计算得到的MISR数据9个角度下的SR结果依次输入对应指数模型得到各自9个角度针叶林、阔叶林LAI反演结果。由于森林中植被生长方向繁杂，而且受到来自外界各种光照等条件的影响，因此其生长方向具有一定的随机性，故取其9个角度平均值作为研究区LAI的最终反演结果与实际情况较为符合，如图9所示。研究区域植被LAI随着纬度的增加呈现递减趋势，且反演值集中在1.1～3.1之间;反演统计结果表明:LAI均值为1.21，最大值为9.28，最小值为0.83。这与该地区实地调查数据较为一致，表明本研究LAI反演结果的可靠性。

图9 小兴安岭地区LAI反演结果图Fig.9 LAI inversion results of Xiaoxing'an Mountain forest

2.4 反演结果验证

选取研究区域内20个具有代表性即能基本涵盖研究区域内所有优势树种的样地，其中包括11个阔叶林样地和9个针叶林样地进行外业实测。为减小地形等因素对于外业实测结果的影响，将样地尽量设置在地势比较平坦、优势树种较为单一、植被空间分布相对均匀的地点。在每个样地内用TRAC进行实地测量。将外业实测LAI数据与反演结果进行比较，如图10所示，算得反演精度为95.7%，均方差为0.34，反演值在合理误差范围内，反演结果较好。

式中:i和n分别表示验证样本的序号和总数。

图10 LAI反演结果与外业实测数据比较图Fig.10 Comparison of LAI between inversion results and field measured data

3 结论与讨论

本文采用5－Scale几何光学模型模拟小兴安岭地区森林冠层SR值，然后用指数统计模型模拟LAI和SR关系，以多角度MISR为数据源数据对LAI进行反演。对反演结果进行精度检验，结果表明:反演精度达到95.7%，均方差为0.34，实现了多角度多光谱遥感数据反演LAI，反演精度效高。多角度数据遥感反演的大区域LAI对于森林植被生物量的反演及森林生态系统碳、水循环等方面的进一步研究具有重要意义。

研究中LAI反演结果与样地实测数据存在一定偏差，有以下可能原因:

(1)多角度MISR影像质量不够高，可能会影响大气校正的精度及指数模型的模拟。

(2)对MISR影像进行的几何校正和大气校正不够精确，进而导致森林植被冠层反射率存在偏差。经过校正后的植被冠层光谱反射率虽然与波谱库中光谱特征相近，但由于并未应用地面实测数据验证，因而无法精确获得这一过程中引进的误差。

】

［1］Chen J M，Pavlic G，Brown L，et al.Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high resolution satellite imagery and ground measurements［J］.Remote Sensing of Environment，2002，80:165-184.

［2］Chen J M，Cihlar J.Retrieving leaf area index of boreal conifer forests using Landsat TM images［J］.Remote Sensing of Environment，1996，55:153-162.

［3］Sellers P J，Mintz Y，Sud Y C，et al.A simple biosphere model(SiB)for use within general circulation models［J］.Journal of the Atmospheric Sciences，1986，43:505-531.

［4］Running S W，Nemani R R，Peterson D L，et al.Mapping regional forest evapotranspiration and photosynthesis by coupling satellite data with ecosystem simulation［J］.Ecology，1989，70:1090-1101.

［5］Bonan G B.Importance of leaf area index and forest type when estimating photosynthesis in boreal forests［J］.Remote Sensing of Environment，1993，43:303-314.

［6］Turner DP，Cohen WB，Kennedy RE，et al.Relationships between leaf area index，fPAR，and net primary production of terrestrial ecosystems［J］.Remote Sensing of Environment，1999，70:52-68

［7］Li X.Bidirectional reflectance and angular signature of objects［J］.Remote Sensing of Environment，1989，4(1):67-72.

［8］Yao Y，Yan G，Wang J.The approach on leaf area index inversion using multi-angular and multi-spectral data sets［J］.Journal of Remote Sensing，2005，9(2):117-122.

［9］Feng X.Quantitative remote sensing studies on eco-environment in InnerMongolia with multi-angle MISR data［D］.Dissertation，Chinese Academy of Sciences，2006.

［10］Goel N S，Grier T.Estimation of canopy parameters of row planted vegetation canopies using reflectance data for only four view directions［J］.Remote Sensing of Environment，1987，21:37-51.

［11］Fang H，Liang S.A hybrid inversion method for mapping leaf area index from MODIS data:experiments and application to broadleaf and needleleaf canopies［J］.Remote Sens.Environment，2005，94:405-424.

［12］White P，Miller J R，Chen J.Four-scale linear model for anisotropic reflectance(FLAIR)for plant canopies-Part I:model description and partial validation［J］.IEEE Transactions on Geoscience and Remote Sensing，2001，39(5):1072-1083.

［13］Zhang R.Experimental Remote Sensing Model and Groundwork［M］.Beijing:Science Press，1996.

［14］Jordan C F.Derivation of leaf area index from quality of light on the forest floor［J］.Ecology，1969，50:663-666.

［15］Rouse J W，Haas R H，Schell J A，et al.Monitoring vegetation systems in the great plains with ERTS［A］.In Proceedings of Third ERTS Symposium［C］，1974:309-317.

［16］Richardson A J，Wiegand C L.Distinguishing vegetation from soil background information［J］.Photogrammetric Engineering and Remote Sensing，1977，43:1541-1552.

［17］Chen J M.Evaluation of vegetation indices and a modified simple ratio for boreal applications［J］.Canadian Journal of Remote Sensing，1996，22:229-242.

［18］Neman I R，Pierce L，Running S，et al.Forest ecosystem processes at the watershed scale:Sensitivity to remotely sensed leaf area index estimates［J］.International Journal of Remote Sensing，1993，14:2519-2534.

［19］Brown L，Chen J M，Leblance S G，et al.A shortwave infrared modification to the simple ratio for LAI retrieval in boreal forests:An image and model analysis［J］.Remote Sensing of Environment，2000，71:16-25.

［20］杨曦光，范文义，于 颖.森林叶绿素含量的高光谱遥感估算模型的建立［J］.森林工程，2010，26(2):8－11.