doi：10.13360/j.issn.1000-8101.2015.04.031中图分类号：TP79
刘振波1，张丽丽1，葛云健1，顾祝军2
（1.南京信息工程大学气象灾害省部共建教育部重点实验室，南京信息工程大学地理与遥感学院，
南京 210044；2.南京晓庄学院生物化工与环境工程学院）
摘要：以中国东北大兴安岭加格达奇林区为研究区，基于环境（HJ）卫星遥感数据提取森林植被指数，结合实测样点叶面积指数（leaf area index， LAI）数据构建研究区LAI遥感反演模型，获取研究区森林LAI。在此基础上，利用研究区LAI影像对LAI遥感产品GLOBCARBON LAI和MODIS LAI数据进行精度验证。研究结果表明：研究区LAI遥感反演模型中，基于比值植被指数（SR）的线性回归模型精度最高，模型R2为0.606（RMSE=0.251 6），相对误差19.89%；在研究区，GLOBCARBON LAI数据均值高于反演值，而MODIS LAI均值则相对较低，两者相对误差分别为12.2%和11.8%；通过对不同LAI值域的对比分析发现，研究区两种遥感LAI产品的最大误差均在LAI的低值区。
教育期刊网 http://www.jyqkw.com
关键词 ：叶面积指数；遥感反演；森林；HJ卫星；验证
Retrieval and validation of forest leaf area index based on HJ satellite data： taking Jiagadaqi District as a case study
∥
LIU Zhenbo，ZHANG Lili，GE Yunjian，GU Zhujun
Abstract：In this study， forest leaf area index （LAI） was mapped using LAI retrieved model based on remote sensing forest vegetation indexes from HJ satellite data and situ LAI measurements data in Jiagedaqi Distract， northeastern China. GLOBCARBON LAI and MODIS LAI products data were then validated using the retrieved LAI from HJ satellite. Results showed that the accuracy of LAI retrieved model based Simple Ratio （SR） was the highest with an R?square of 0.606 and RMSE of 0.251 6. The relative error of retrieved LAI was 19.89% compared with measurement LAI data. In study area， the average value of GLOBCARBON LAI product was overestimated by 12.2% and the average value of MODIS LAI product was unde?restimated by 11.8%. Furthermore， the errors in low values under 1.5 of the two LAI products were the largest according to comparison analysis of different value ranges of LAI.
Key words：leaf area index（LAI）； retrieval； forest； HJ satellite； validation
First author’s address： Key Laboratory of Meteorological Disaster of Ministry of Education， Nanjing University of Information science and Technology， Nanjing 210044， China
收稿日期：2015-01-15
修回日期：2015-04-15
基金项目：江苏省基础研究计划（自然科学基金）项目（BK20130992，BK20131078）；江苏高校优势学科建设工程资助项目（PAPD）。
作者简介：刘振波（1978-），男，副教授，主要研究方向为资源环境遥感。E?mail： ZBLiu@nuist.edu.cn
叶面积指数（leaf area index，LAI）定义为单位地表面积上绿叶总面积的一半［1］，作为表征植被结构的重要因子，LAI已成为陆面过程、水文和生态等模型的重要输入参数之一［2］。近年来，通过卫星观测数据生产全球及区域LAI产品已成为LAI主要获取手段，如基于AVHRR、VEGETATION、MODIS、MISR等传感器数据的全球LAI 产品已广泛应用于全球变化研究中［3-4］。
不同遥感数据源及反演算法的差异导致各遥感LAI产品精度不同，因此在应用遥感LAI产品时，对LAI产品的精度评价显得尤为重要。针对遥感LAI产品精度评价，国内外学者在不同区域已有较多研究，结论不尽相同［5-6］。Pisek等［7］针对北美地区MODIS LAI产品进行了验证研究，结果表明MODIS/LAI产品相对绝对误差中值变化范围为34%～88%，且当LAI处于高值区时，产品值的波动较大。Cohen等［8］验证了北美4种不同植被覆盖区域（ 农田、草原、针叶林、混交林） 的MODIS LAI旧版算法（Collection 3）与新版算法（Collection 4），发现新版算法在农田和草原植被区域精度有较大改善，但在森林区域仍存在高估现象［8］。Abuelgasim等［9］验证了MODIS LAI、SPOT4/ VGT LAI与POLDER-1 LAI 3种产品在加拿大森林区域精度，结果显示VGT LAI产品与实测结果更为接近，另两种LAI产品精度较低。Fang等［10-11］对MODIS LAI（C4、C5）与CYCLOPES V3.1 LAI产品精度进行了综合分析，研究结果显示LAI的精度为±1.0，不能满足全球气候观测系统GCOS的应用需求（±0.5以内）。孙晨曦等［12］、王圆圆等［13］基于实测LAI数据分别对锡林浩特草原地区GLASS LAI、MODIS LAI进行了精度验证，结果显示两种LAI产品均存在一定程度的高估，GLASS LAI数据在研究区的精度与一致性要优于MODIS LAI。
综合已有研究可以发现，由于遥感数据源及反演算法的差异以及不同研究区地表植被覆盖类型的不同，现有遥感LAI数据产品在不同区域的反演精度存在较大差异。本研究针对中国森林覆盖区域，选取中国东北大兴安岭加格达奇林区为研究区，在地表森林LAI实地测量的基础上，根据实测数据首先实现较高空间分辨率环境（HJ）卫星的LAI制图，进而利用HJ卫星反演的LAI通过尺度转换分别对MODIS LAI产品与GLOBCARBON LAI产品进行精度分析。
1数据及处理
1.1研究区概况
本研究选取中国东北大兴安岭加格达奇地区为研究区（图1）。研究区位于内蒙古自治区境内，大兴安岭山脉的东南坡，面积1 587km2，气候属寒温带大陆性气候，区内森林广袤，为中国北方典型的寒温带林区，主要分布有兴安落叶林、白桦、樟子松、山杨、黑桦、云杉等树种。
1.2研究数据
1.2.1环境卫星影像及预处理
本研究首先采用环境卫星（HJ-1）数据作为较高分辨率遥感数据反演研究区LAI，数据由中国卫星资源中心（http：∥www.secmep.cn）下载，影像获取时间为2012年8月30日，数据均为L2 数据，经过系统辐射纠正和几何校正，需要进一步进行大气校正与几何精校正。
本研究数据大气校正采用6S模型进行影像的大气校正，根据研究区地理位置输入6S模型相关参数，模拟获得大气校正参数。几何精校正通过地面控制点进行，控制点选取在研究区内路口、桥梁、标志地物等影像上易于识别的点，利用gps实测其经纬度完成对影像的精校正，纠正误差控制在0.5个像元以内。
1.2.2遥感LAI产品数据
本研究分别对研究区MODIS LAI产品数据与GLOBCARBON LAI产品数据进行精度验证，数据时相分别为2012年8月8—15日时段的MODIS LAI数据与2012年8月的GLOBCARBON LAI产品数据，其中MODIS LAI数据为MODIS标准产品MOD15A2数据。该LAI产品数据为NASA基于TERRA-AQUA/MODIS数据生成的全球2000年以来的叶面积指数产品，每8天合成1景，空间分辨率为1 km。MOD15数据主算法将全球植被划分为8种生态群系类型，针对不同的生物群系类型，分别采用三维辐射传输模型生成查找表，以MOD09 1-7陆地波段的方向地表反射率为输入反演获取像元LAI；当光谱数据在预期范围之外时，采用基于植被类型的NDVI-LAI备用算法，产品为真实叶面积指数。
GLOBCARBON LAI数据为基于SPOT/VEGETATION数据生成的全球1999年后的LAI产品，该产品为30 d合成数据，空间分辨率1 km。GLOBCARBON LAI利用VEGEETATION地表反射率计算植被指数SR（Simple Ratio）和RSR（Reduced Simple Ritio），在地表森林与非森林区域分别建立RSR-LAI与SR-LAI关系生成叶面积指数，算法考虑植被的集聚效应，将生成的有效叶面积指数转换为真实叶面积指数。
1.2.3地面实测数据
本研究野外观测数据获取时间为2012年8月12—16日。观测时选取森林密度相对均一区域标定30 m×30 m的样区进行测量，样点LAI测量采用配备双光学感应传感器的植物冠层分析仪LAI-2200 （LI-COR，USA），于测量样区对角线上大致均匀选取5个测量点测量其森林冠层LAI。测量时一个传感器分别在地表灌丛以下随机测量4个B值，另一传感器则放置于林地外开阔地上同步测量A值，最后取5个测量点的LAI均值作为该样区森林冠层有效LAI。集聚指数测量利用冠层分析仪TRAC（Tracing Radiation and Architecture of Canopies），在样区内随机取4条直线线路，4条线路均与太阳入射光方向垂直，分别得到4组样区冠层集聚指数，取均值作为该样区森林冠层集聚指数。最后，根据样点有效LAI结合同步测量的集聚指数计算得到样点森林真实叶面积指数（LAI=LAIe /Ω），共获取33个采样点的测量数据。
1.3研究方法
本研究首先基于研究区较高空间分辨率HJ-1影像提取研究区测量样点植被指数，并结合同步测量样点LAI数据，建立研究区HJ-1影像森林LAI反演模型。其中植被指数选取NDVI［14］、SR［15］、SAVI［16］、EVI［17］、DVI［18］5种常用的植被指数。在此基础上，以HJ-1 LAI作为真值，对HJ-1LAI像元重采样到与MODIS LAI和GLOBCARBON LAI一致的空间分辨率，对该两种LAI产品进行精度验证。
2结果与分析
2.1研究区HJ-1影像LAI反演
根据预处理后的HJ-1影像，分别提取研究区各测量样点5种植被指数。根据已有研究［15，19］，回归模型分别选用线性、指数与对数3种回归模型。结合同步测量的样点LAI数据建立各植被指数与LAI回归模型（表1），其中随机选取22个LAI测量值用于建模，其余11个样点用于模型验证。由表1可见，各回归模型均具有较高的相关性，均通过了0.05的置信检验。各植被指数的3种回归模型精度基本相差不大，线性回归模型相对精度较高，5种植被指数回归模型的平均复相关系数R2为0.485 6，其次为指数模型与对数模型，R2分别为0.462和0.461 8。综合5种植被的模型回归精度，最低的为垂直植被指数（DVI）平均复相关系数R2仅为0.365 3，比值植被指数（SR）模型反演精度最高，3种回归模型的平均复相关系数R2达到0.586。
综合所有模型，基于SR的线性回归模型精度最高，R2达到0.606（RMSE=0.251 6），模型反演LAI相对误差19.89%。本研究根据此回归模型反演得到研究区LAI图（HJ-30 m LAI）（图2a）。由图2可见，研究区LAI东南部整体LAI值较高，部分区域其值高于5.0，均值为2.27，整体上沿山脉走势呈东南高西北低的趋势。
2.2研究区不同LAI统计分析
根据CEOS（Committee Earth Observing Satellites）全球中等分辨率LAI产品验证框架［20］，本研究将HJ卫星反演的30 m空间分辨率LAI数据重采样为1 km分辨率数据（HJ-1 km LAI）（图2b），以便与MODIS LAI和GLOBCARBON LAI数据进行空间匹配并验证（图2c和2d）。由图2可见，研究区重采样后的HJ-1 km LAI影像细节表现仍高于MODIS LAI与GLOBCABON LAI数据。此外，研究区3种影像LAI空间分布格局基本一致，但GLOBCARBON LAI产品数据LAI值整体上高于其他两种数据。
进一步对研究区3种LAI影像数据进行统计分析（表2）发现：研究区3种LAI数据在植被区域LAI值域范围最大的为GLOBCARBON LAI数据，其值在0.93～4.91；HJ-1 km LAI数据与MODIS LAI数据值域基本相同；GLOBCARBON LAI均值最高，其值比HJ-1 kmLAI高0.29，相对误差为12.2%；而MODIS LAI数据均值比HJ-1 km LAI均值则低0.28，相对误差为11.8%。两种遥感LAI数据产品在研究区LAI均值误差均在12%左右，但GLOBCARBON LAI存在高估现象，而MODIS LAI数据则明显低估。
2.3研究区不同区间LAI值验证
利用研究区HJ-1 km LAI影像分别与MODIS LAI影像、GLOBCARBON LAI影像相同像素点上LAI作散点图（图3），可以发现3种LAI数据均具有较高的相关性，复相关系数R2分别达到0.68和0.72。进一步按低值、中值、高值区3个LAI区间分别进行统计（表3），可见研究区森林LAI在不同值域范围内精度不同，整体上GLOBCARBON LAI与MODIS LAI两种数据产品均随着LAI值的升高其精度也随着提高，在LAI低于1.5的低值区两种LAI遥感产品精度均表现最差，其与HJ-1 km LAI的相对误差分别为+33.7%、-37.0%，而在［1.5， 3.0］值域区间内相对误差与整个值域内的LAI相对误差相似。
3结论
本研究基于野外样点实测LAI数据，首先建立研究区较高空间分辨率环境（HJ）卫星反演LAI模型，在此基础上通过像元空间聚合对遥感LAI产品数据MODIS LAI和GLOBCARBON LAI进行精度检验。研究结果表明：
1）研究区HJ卫星LAI反演模型中，基于比值植被指数（SR）的线性回归模型反演模型精度最高，模型反演的相对误差为19.89%；
2）对遥感LAI产品数据的检验结果表明，研究区MODIS LAI均值整体偏低，而GLOBCARBON LAI均值则整体偏高，两者与反演值的相对误差都在12%左右；
3）进一步通过不同区间值LAI的对比可见，研究区该两种遥感LAI产品在小于1.5的低值区部分误差最大，均值相对误差达到+33.7%和-37%，在高值区则精度均最高。
全球遥感LAI产品数据已在全球变化与碳循环研究以及植被定量监测等领域得到了广泛应用，其产品精度直接关系到研究结果的可信度。通过本研究对最常用的两种LAI遥感产品的精度验证及与已有研究可以发现，不同遥感LAI产品及不同下垫面状况下精度均表现各异，在应用各遥感LAI产品时应预先估计由此可能带来的不确定性。
教育期刊网 http://www.jyqkw.com
参考文献
［1］Chen J M， Black T A. Defining leaf?area index fornon?flat leaves［J］.Plant Cell and Environment， 1992，15（4）：421-429.
［2］Wicks T E， Curran P J.Flipping forests：estimating future carbon sequestration of the boreal forest using remotely sensed data［J］.International Journal of Remote Sensing，2003，24（4）：835-842.
［3］丛日亮，张金池，林杰，等.苏南丘陵区主要林型叶面积指数季节动态［J］.林业科技开发，2011，25（3）：63-66.
［4］刘洋， 刘荣高， 陈镜明， 等.叶面积指数遥感反演研究进展与展望［J］.地球信息科学学报， 2013， 15（5）：734-743.
［5］曾也鲁， 李静， 柳钦火.全球LAI地面验证方法及验证数据综述［J］.地球科学进展， 2012， 27（2）：165-174.
［6］肖志强，王锦地，王锗森.中国区域MODISLA产品及其改进［J］.遥感学报， 2008， 12（6）：993-1000.
［7］Pisek J， Chen J M.Comparison and validation of MODIS and VEGETATION global LAI products over four big foot sites in North America ［J］.Remote Sensing of Environment， 2007， 109（1）：81-94.
［8］Cohen W B， Maiersperger T K， Yang Z， et al.Comparison of land cover and LAI estimates derived from ETM+ and MODIS FOR four sites in North America：A Quality Assessment of 2000/2001 Provisional MODIS Products［J］.Remote Sensing of Environment， 2003， 88（3）：233-255.
［9］Abuelgasim A A，Fernandes R A， Leblanc S G.Evaluation of national and global LAI products derived from optical remote sensing instruments over Canada［J］.IEEE Transactions on Geoscience and Remote Sensing， 2006， 44（7）：1872-1884.
［10］Fang H L， Wei S S， Jiang C Y， et al.Theoretical uncertainty analysis of global MODIS， CYCLOPES， and GLOBCARBON LAI products using a triple collocation method［J］.Remote Sensing of Environment.2012a， 124：610-621.
［11］Fang H L， Wei S S， Liang S L.Validation of MODIS and CYCLOPES LAI products using global field measurement data［J］.Remote Sen?sing of Environment，2012b， 119：43-54.
［12］孙晨曦， 刘良云， 关琳琳.内蒙古锡林浩特草原GLASS LAI产品的真实性检验［J］.遥感技术与应用， 2013，28（6）：949-954.
［13］王圆圆， 王猛， 李贵才， 等.基于野外观测和TM 数据的锡林浩特典型草原MODIS/LAI产品验证［J］.草业学报， 2011， 20（4）：252-260.
［14］Wang F M， Huang J F， Tang Y L， et al.New vegetation index and its application in estimating leaf area index of rice［J］.Rice Science，2007，14（3）：195-203.
［15］Chen J M.Evaluation of vegetation indices and a modifiedsimple ratio for boreal applications［J］.Canadian Journalof Remote Sensing， 1996（22）：229-242.
［16］Huete A R.A soil?adjusted vegetation index（SAVI）［J］.Remote Sensing of Environment，1988， 25：295-309.
［17］Jiang Z， Huete A R， Chen J， et al.Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction ［J］.Remote Sensing of Environment，2006， 101（3）：366-78.
［18］Wang Q， Adiku S， Tenhunen J， et al.On the relationship of NDVI with leaf area index in a deciduous forest site［J］.Remote sensing of environment，2005， 94（2）：244-55.
［19］Chen J M， Pavlic G， Brown L， et al.Derivation and validationof Canada?wide coarse?resolution leaf area indexmaps using high?resolution satellite imagery and groundmeasurements［J］.Remote Sensing of Environment， 2002，80（1）：165-184.
［20］Morisette J T， Baret F， Privette J L， et al.Validation of global mode?rate resolution LAI products：a framework proposed within the CEOS Land Product Validation subgroup［J］.IEEE Transactions on Geoscience and Remote Sensing， 2006， 44（7）：1804-1817.
（责任编辑 葛华忠）