安德帅, 徐丹丹,2,*, 刘月, 朱建琴
高光谱与拟合多光谱植被指数反演武夷山亚高山草甸LAI的对比研究
安德帅1, 徐丹丹1,2,*, 刘月3, 朱建琴4
1. 南京林业大学生物与环境学院, 南京 210037 2. 南京林业大学南方现代林业协同创新中心, 南京 210037 3. 南京林业大学林学院, 南京 210037 4. 武夷山国家公园科研监测中心, 武夷山市 354300
植被叶面积指数(Leaf Area Index, LAI)是重要的生态学参数, 被广泛用于指示植被密度、生物量、碳、氮物质循环以及气候变化对生态系统的影响, 也作为生态过程模型的重要输入参数。地面实测高光谱遥感数据能以更高的空间分辨率及更高的光谱分辨率监测植物的光谱特征, 为精准反演LAI提供了基础。本项研究以武夷山国家公园黄岗山顶的亚高山草甸为研究对象, 通过建立多种高光谱植被指数和拟合多光谱植被指数反演叶面积指数的统计模型, 并比较高光谱与多光谱对叶面积指数反演的效果, 阐明用于反演高覆盖率亚高山草甸的最适高光谱和拟合多光谱植被指数。结果表明: 高光谱新植被指数(NVI)对于反演LAI有最好的效果,2= 0.85,< 0.01; 依据高光谱NVI拟合而成的多光谱NVI反演结果次之,2= 0.82,< 0.01。几种常用比值植被指数NDVI、MSR、RVI和GNDVI在高光谱和拟合多光谱反演结果中相差不大, 表现较好,2都在0.65以上。通过对比高光谱和拟合Sentinel-2A和Landsat-8两种多光谱卫星波段的反演结果发现, 光谱响应函数中具有更窄波段范围的近红外、红、绿、蓝波段构成的植被指数可以得到更好的反演结果, 而固定波段的高光谱植被指数未必在每种植被指数中都具有最好的反演效果。同时, 发现当某种植被指数反演LAI的线性回归方程的斜率越大, 说明这种植被指数越有可能随LAI的增大而出现饱和现象, 相反的, 斜率越小则说明该种植被指数没有出现饱和现象。此外, 在研究区内使用高光谱和拟合多光谱波段植被指数法反演LAI, NDVI都获得了较好的效果, 存在很好的线性关系, 之前的很多研究和判断都认为NDVI不适用于反演高覆盖植被的LAI, 这个发现是具有意义的, 表明高覆盖植被的叶面积指数在一定范围内是能够被NDVI(应用最广泛的植被指数)较好的反演, 进一步扩展了NDVI反演LAI的适用性和可能性。
高光谱; 模拟多光谱; 遥感反演; 叶面积指数(LAI); 归一化植被指数(NDVI); 武夷山国家公园
植被叶面积指数(Leaf Area Index, LAI)被定义为单位地表面积上绿叶面积总和的一半[1]。LAI是与植被密度、生物量、碳氮等营养循环相关的重要生态学参数, 也是生态过程模型的重要生物物理参数。同时,对于植物季节性变化、物候和植被对气候变化响应来说, LAI也是重要的指示指标[2-4]。
叶面积指数的测量方法可分为直接测量法和间接测量法。直接测量法需剪下植被的叶片进行测算, 测得的叶面积指数较准确且符合叶面积指数的定义, 但相较于间接测量法往往对植被具有一定的破坏性、费时费力且不能实现对目标植被的连续性观测, 存在着对追踪植物的季节性变化差等缺陷。间接测量法又可分为光学仪器测量法和遥感反演法, 常用的测量LAI的光学仪器包括如LAI-2200植物冠层分析仪和LAI-2000植物冠层分析仪等; 遥感反演LAI包括基于经验模型(植被指数)的反演方法和基于物理模型的反演方法, 其中基于植被指数反演法与物理模型反演法相比, 因为反演计算是基于经验的回归模型, 所以植被类型的变化对结果的影响较大, 因而在包含大量不同植被类型的大区域内不具有很好的适应性; 但因其较为方便和灵活, 不用收集和输入大量的生物物理参数, 对于小区域内LAI的反演仍较常用。许多研究者[5-6]利用Landsat系列影像和其他多光谱卫星遥感影像使用植被指数经验回归模型的方法对不同地域的LAI进行反演, 结果都得出了各自研究区的最适植被指数。
在植被指数的发展过程中, 被人们广泛利用的一类是比值植被指数, 如比值植被指数(RVI)、归一化植被指数(NDVI)、优化的比值植被指数(MSR)等, 其中NDVI是应用最为广泛的一种植被指数, 但因为其自身公式的局限和红光波段吸收饱和的影响, NDVI会随着植被叶面积指数的增大而出现饱和现象, 其他比值植被指数也都存在着一定的饱和效应。利用不同植被指数的多光谱遥感影像反演LAI的研究已有很多[7-8], 但在植被覆盖度高的情况下是否导致植被指数出现饱和效应一直存在着争议。多光谱遥感影像易受云覆盖等天气因素的影响, 导致影像无法使用。如今常用的大区域LAI反演还是依靠于多光谱遥感影像, 多光谱卫星影像反演LAI与高光谱反演LAI哪种效果更好, 相关研究还较少。使用地面实测高光谱模拟多光谱的方法被应用在土壤重金属含量的反演[9]、土壤电导率估算[10]和冬小麦覆盖度估算中[11], 但应用于反演天然草地植被LAI的研究很少。高光谱技术的发展, 使得高光谱数据具有更高的光谱分辨率和空间分辨率[12], 能够精细快速的获取绿色植物的光谱特征且地面实测高光谱数据与LAI也更加贴合, 利用高光谱植被指数反演LAI已得到广泛的使用[13-15]。但大部分关于高光谱遥感反演LAI的研究都集中在小麦、水稻等农作物方面, 对于高光谱反演草地LAI的研究报道较少, 对亚高山草甸的研究则更少。草地是一个非常重要的生态系统, 在气候变化和人类活动方面有着重大的意义, 更好的研究和了解草地在当今全球气候多变的背景下显得尤为重要。
亚高山草甸对于气候变化有着较强的敏感性, 在间接反映全球气候变化方面有着较好的指示作用。本文以武夷山国家公园黄岗山顶的亚高山草甸为研究对象, 对同种植被指数分别建立基于高光谱和模拟多光谱植被指数的统计模型, 旨在分析高光谱和多光谱植被指数在反演草地LAI方面的差异, 分析宽窄波段组合对反演草地LAI的影响, 找到适用于亚高山草地LAI反演的最佳植被指数, 提高反演精度; 探究传统比值植被指数如NDVI(以往的研究中应用最广泛的植被指数)、RVI等在反演高覆盖草地LAI的潜能。以期为本研究区和其他类似亚高山草甸地区更加方便准确的反演草地LAI提供理论依据。
1.1 研究区概况
武夷山国家公园位于中国东南部, 福建省西北部, 拥有着现今世界上面积最大保存最完整的亚热带森林, 植被垂直带谱明显, 海拔由高到低依次为亚高山草甸、亚高山苔藓-矮林带、针叶林带、针阔叶混交林带和亚热带常绿阔叶林带。境内以黄岗山为主峰, 海拔2158 m, 为中国东南地区第一高峰, 号称“华东屋脊”, 年平均降雨量为2820 mm, 年平均气温9 ℃, 全年最高温和最低温分别出现在7月份和1月份, 黄岗山顶的土壤类型主要以砂质黏壤土为主, 地势相对平缓(图1), 主要生长植被为亚高山草甸, 零散分布着灌木矮林, 草甸中的主要草本植物物种为日本麦氏草()、野青茅()和芒()。
1.2 外业调查数据
野外实验于2019年7月29日—2019年8月5日进行(黄岗山顶亚高山草甸的盛草期), 采用空间随机采点(spatial random sampling)的方法并结合黄岗山亚高山草甸的分布情况, 随机选取九个样地(图1), 每个样地由互相垂直的两条100 m直线组成, 每条直线上相隔十米(除样地中心点外)设置一个50 cm´50 cm的样方, 一共确定20个样方(图2)。每个样方点分别测定LAI(美国LI-COR公司生产的LAI-2200植物冠层分析仪), 草地高光谱(美国ASD公司生产的FieldSpec HandHeld 2手持光谱仪, 波长范围:325—1075 nm), 土壤温湿度(美国Stevens公司生产的POGO II), GPS坐标(Trimble Geo X7 厘米级)和草地覆盖度及株高。最终建立的统计模型是基于每个样地20个样方叶面积指数的平均值和每个样地20个样方高光谱植被指数的平均值。
图1 武夷山国家公园黄岗山亚高山草甸野外实验样地(2015年11月26日Sentinel-2A影像)
Figure 1 Sample sites in subalpine meadow of Huanggangshan in Wuyishan National Park
除野外实验数据外, 本文还利用地面所测高光谱数据分别通过Sentinel-2A和Landsat-8遥感卫星的MSI和OLI传感器光谱响应函数, 模拟两种卫星的多光谱波段。网站(https://nwp-saf.eumetsat.int/site/ software/rttov/download/coefficients/spectral-response-functions/)提供了不同传感器的光谱响应函数。
1.3 基于植被指数的叶面积指数反演
本文选用14种常见的比值高光谱植被指数和7种比值多光谱植被指数，如表1所示，其中多光谱新植被指数(NVI)是依据R.K.Gupta等人[16]在2001年提出的高光谱NVI公式在本文中提出的, 使用R软件, 建立高光谱植被指数和LAI之间的线性回归关系, 通过线性模型的2,值和回归公式中的截距斜率并结合生态遥感的理论, 比较分析高光谱和多光谱植被指数反演LAI的能力。
图2 每个样地的样方设计
Figure 2 Quadrat design in each sample site
1.4 拟合多光谱波段植被指数的计算
本次野外实验期间, 研究区内的Sentinel-2和Landsat-8多光谱卫星影像因为云的影响而无法获取, 利用地面实测的高光谱数据和光谱响应函数可以实现对卫星多光谱波段的模拟, 分析高光谱和多光谱遥感数据反演LAI的表现。
不同遥感卫星传感器在不同的波段, 具有不同的光谱响应能力, 传感器在每个波段处接受的辐射能量与入射辐射能量之比就是该传感器的光谱响应函数[29], 可以根据传感器各自的光谱响应函数在具有地面高光谱数据的情况下, 拟合为多光谱数据, 表2为Sentinel-2A MSI与Landsat-8 OLI传感器参数。
式中:S是待拟合波段的光谱反射率,(l)是地面实测高光谱各波长处的反射率,f(l)是待拟合波段的光谱响应函数,max和min是地面实测高光谱各波段取值范围的上下界限。
2.1 地面观测样地的基本特征
表3是测试所得各样地的野外数据的统计学描述, 包括每个样地LAI的范围, 最大值和最小值, 以及它们的标准差, 草地覆盖度和高度, 土壤湿度和温度。统计结果为G9样地LAI平均值最大, G3样地LAI平均值最小; G7样地LAI范围最大, G9样地LAI范围最小; 标准差最大为G7的0.66, 标准差最小为G9的0.46, 其余样地的标准差都在0.50—0.58之间; 样地的平均草地覆盖度在69.70 %—87.50 %之间, 平均株高在38.85 cm—68.10 cm之间, 土壤湿度介于37.27 %—52.50 %; 土壤温度范围在21.72—31.22 ℃之间。由表3可以看出, 研究区各样地之间的平均LAI差值较小, 平均LAI最大值为3.38, 平均LAI最小值为2.83, 结合株高和草地覆盖度说明本研究区的草地总体长势较好, 覆盖度较高, 生长较为均匀。
表1 常用高光谱和多光谱比值植被指数计算公式
注:800是光谱波长在800 nm处的反射率, 类推670则是光谱波长在670 nm处的反射率; NIR指近红外波段的反射率, Red或R指红光波段的反射率, G和B分别代表绿光波段和蓝光波段反射率。NVI多光谱公式中的NIRn1是指Sentinel-2A中的B7(768—798 nm)Vegetation Red Edge波段反射率, RE2是指Sentinel-2A中的B6(730—750 nm)Vegetation Red Edge波段反射率。
表2 Sentinel-2A MSI与Landsat-8 OLI传感器参数
注: Sentinel-2A的近红外波段包括近红外宽(B8)和近红外窄(B8a)两种。
表3 各样地生物物理参数的描述统计
2.2 高光谱植被指数与拟合多光谱植被指数反演LAI的线性回归结果
如表4所示，所有高光谱植被指数均通过了显著性检验(<0.05), 以决定系数2作为评价指示判断高光谱植被指数对LAI反演效果的好坏程度, 结果显示所有14种高光谱植被指数中反演效果最好的是NVI,2达0.85, 反演效果仅次于NVI的是NDVI, 然后是NDSI, MSR, RVI等, 反演结果较差的为RDVI, mNDVI705, RI1dB和mSR705, 它们的2都在0.60之下。通过对比表4中高光谱反演LAI与拟合的两种卫星多光谱波段反演LAI结果可以看出, 反演LAI效果最好的植被指数是NVI, 高光谱NVI反演结果2= 0.85, Sentinel-2A拟合多光谱NVI反演结果2= 0.82; 对于NDVI的反演效果较好的是高光谱和Sentinel-2A拟合的多光谱数据,2= 0.79, Landsat-8效果相对较差,2= 0.78; 对于MSR和RVI两种植被指数而言, 表现最好的是Landsat-8和Sentinel-2A(NIR=B8a)拟合多光谱2= 0.80, 其中Sentinel-2A(NIR=B8a)拟合多光谱反演的效果要好于Sentinel-2A(NIR=B8), 而且拟合多光谱反演效果要好于高光谱的反演效果; 对GNDVI, 高光谱反演效果要好于拟合的多光谱,2= 0.68, 其次是Landsat-8拟合多光谱2= 0.66, 最差的为Sentinel- 2A拟合多光谱反演的效果; 基于EVI的反演中Sentinel-2A拟合多光谱反演最好,2= 0.64, 然后是高光谱2= 0.60, 最差的是Sentinel-2A; RDVI的反演中Sentinel-2A拟合多光谱反演效果最好(2= 0.70), 然后是Sentinel-2A(NIR=B8a)和Sentinel-2A (NIR=B8)的0.68和0.66, 效果最差的为高光谱，2= 0.59。对于NDVI, MSR, RVI这三种植被指数而言无论是高光谱还是拟合多光谱反演效果相近,2都在0.78左右。
地面高光谱拟合Sentinel-2A多光谱波段和Landsat-8多光谱波段构建的植被指数反演LAI结果显示, 参与反演的七种多光谱植被指数中无论是Sentinel-2A拟合多光谱植被指数反演得到的LAI还是Landsat-8拟合多光谱植被指数反演得到的LAI, 尽管因为不同卫星各自的光谱响应函数不同造成植被指数在反演效果上稍有差距, 但它们在反演趋势上却是相同的, 即除本文中新使用的多光谱新植被指数(NVI)外, 其他植被指数中反演效果最好的依次为RVI, MSR, NDVI, GNDVI, EVI和RDVI。
14种植被指数与地面LAI的线性回归公式(表5)显示, NVI, MSR, RVI, mSR705公式中的斜率较低, 都小于1, 其中RVI斜率最低为0.07, 而NDVI, NDSI, GNDVI, RDVI等植被指数斜率较高, 尤其NDVI和NDSI, 分别为10.3和60.4。
本文中使用的14种常见高光谱植被指数, 部分是在反演小麦等农作物叶面积指数过程中总结得到的, 草地与农作物的生长状态存在很大不同, 农作物一般生长的较为均匀整齐而草地情况较为复杂, 大多数野外环境下长势不均, 存在空间异质性, 进而影响到测试样点的LAI值, 梁亮等[13]和束美艳等[21]测定小麦LAI时选择一块具有代表性、小麦长势均匀的区域将叶片剪下, 利用比叶重法测算小麦LAI, 而草地并不适合这种方法, 因为长势均匀的草地占少数不能代表研究区的总体情况, 所以本实验测定LAI时考虑到这种空间异质性的影响, 在每个样方的周围均匀的测试六次以减少空间异质性所带来的影响。
表4 高光谱与拟合多光谱植被指数反演LAI结果比较
表5 高光谱和拟合多光谱植被指数与LAI线性回归方程
根据结果部分中六种相同高光谱和拟合多光谱植被指数的比较发现, 对NDVI的反演结果来说Sentinel-2A拟合的结果要好于Landsat-8, 结合NDVI公式和它们的传感器参数, 发现Sentinel-2A在红光波段更窄; 在MSR和RVI反演效果中, Landsat-8和Sentinel-2A(NIR=B8a)的结果要好于Sentinel-2A(NIR=B8)的结果, 同样结合公式和波段范围分析发现Sentinel-2A的近红波段B8波段比B8a和Landsat-8的近红外波段B5更宽; 对EVI来说, 公式中有蓝波段的参与, Landsat-8的蓝波段B2比Sentinel-2A的蓝波段更窄, 最终Landsat-8的反演效果要好于Sentinel-2A。由此可见, 在基于植被指数的LAI计算中, 窄波段得出的植被指数反演LAI效果要优于宽波段。同时, 分析表4发现, 尽管高光谱有更高的光谱分辨率, 但在某些植被指数的反演中未必能够保持稳定的结果, 有些研究者会组合不同的高光谱波段试图找到最佳的波段组合, 而多光谱由于依据光谱响应函数均衡了更多波段的权重, 稳定性较好, 但却可能因为宽波段的缘故不能获得最好的反演结果。刘玉琴等[30]以内蒙古自治区赤峰市克斯克腾旗贡格尔草原为研究对象, 分别使用Hyperion影像和HJ-1B CCD1影像作为高光谱和多光谱数据, 对窄波段和宽波段植被指数反演LAI进行了对比研究, 结果发现窄波段植被指数比宽波段植被指数反演效果更好, 这与本研究的结果相一致。黄岗山顶夏季气候湿润, 水汽含量大, 本次结果得出的反演效果最好的植被指数NVI的设计初衷就是为了排除近红外波段处水蒸气吸收带的干扰, 在本实验中得到了很好的验证, NVI排除了水汽的影响并且表现要好于NDVI。
NDVI作为应用最广泛的一种植被指数在本实验中依旧表现不错, 是仅次于NVI的一种植被指数。李子扬等[14], 吴朝阳和牛铮[31]的实验结果都显示了当LAI大于2后, NDVI基本达到饱和状态。本项研究以他们的实验结果为参考, 绘制出图3a, 目的是直观地表现NDVI随LAI变化的关系。正是由于NDVI与LAI之间存在这种饱和关系, 造成之前的研究认为NDVI不能够很好的反演LAI, 但在本研究区九个样地平均LAI在2.83—3.38的情况下却有较好的反演效果。之所以出现这种与之前研究相矛盾的现象, 可能是由于本研究区亚高山草甸几乎不受人类干扰, 生长较均匀, 使得本次实验的草地叶面积指数相对集中, 而LAI在这段区间内恰好与高光谱NDVI线性关系较好, 没有因为NDVI与LAI存在饱和关系而影响到它们之间的线性关系。由此可以推断出, 如图3b 所示, 在两条虚线之间（即LAI为2.83—3.38这个范围内）是存在一段线性关系的, 而不存在LAI大于2之后, NDVI不再适用于LAI的反演。这个结果打破了NDVI在出现饱和后反演LAI效果不佳的刻板印象, 进一步扩大了NDVI的适用性。赵娟等[32]在冬小麦生长后期, 叶面积指数为1.50—4.00的情况下, 利用NDVI反演LAI得到的2= 0.71, 也有较好的反演效果, 结合本文的结果更加说明了LAI在较中等的范围区间内, 存在着较好的线性回归关系。
图3 之前研究认为的LAI与NDVI的关系(a)和本文中得出的LAI与NDVI的关系(b)
Figure 3 Relation between LAI and NDVI (a) considered by previous studies and relation between LAI and NDVI (b) obtained in this paper
本研究区亚高山草甸LAI的总体变化范围有限, 九个样地平均叶面积指数只在2.83—3.38的这个小区间内, 利用高光谱NDVI反演LAI也只能被限制在这个小区间内, 所以能够确定的高光谱NDVI反演LAI存在较好线性关系的也只有本实验的这一小段, 至于LAI大于2且不在2.83—3.38这个区间内, NDVI是否和LAI依然有着较高的相关性, 有待在具有更大LAI范围的草地得到进一步的发现, 从而使NDVI在反演类似亚高山草甸或者某一个小区间LAI时可以得到充分利用。
图4是使用了与图3a相同的模拟数据, 区别是把图3a的自变量变为图4的因变量, 把因变量变为图4的自变量, 图4的目的是使我们能够更直观的看出相较于LAI小于2, 当LAI大于2(开始出现饱和现象)后NDVI反演LAI的斜率会明显变大, 反推则说明当一种植被指数的斜率较高时, 可能是因为这种植被指数存在的自身饱和性所导致。NDVI与LAI的线性关系, 斜率为10.34(表5), 明显高于大多数植被指数与LAI线性回归的斜率, NDVI符合这个结论, 对于斜率更高的两种植被指数NDSI和PSND可能也同样存在自身饱和性, 所以当使用NDSI和PSND两种植被指数时应考虑它们随LAI增大的饱和性影响。NVI、MSR和RVI的斜率较低, 分别为0.61, 0.56, 0.07(表5), 说明这三种植被指数没有出现饱和现象, 而且MSR被提出时本就是为减少NDVI存在的饱和性问题, 本结果也表明MSR在减少饱和方面存在有效性。
图4 NDVI反演LAI关系曲线
Figure 4 NDVI inversion LAI relationship curve
本文利用高光谱植被指数的方法对黄岗山顶亚高山草甸叶面积指数进行反演, 取得了不错的反演效果, 找出五种与LAI线性回归较好的高光谱植被指数, 得到反演本研究区亚高山草甸LAI的最佳植被指数—— 新植被指数(NVI)。同时, 根据高光谱NVI所使用波段拟合的Sentinel-2A卫星的多光谱波段植被指数, 在反演中同样获得最好的效果, 从而为草地LAI反演提供了一种新的多光谱植被指数NVI。
在草地覆盖度平均为70 %—80 %, 平均株高在38.85—68.10 cm之间(表3)、几乎未受人为破坏的亚高山草甸地区, 比值型植被指数NDVI、RVI、MSR等依然受饱和影响较小, 相关系数2均在0.8左右。
根据对比两种不同卫星光谱响应函数模拟的多光谱植被指数反演LAI结果可以看出, 更窄波段范围拟合而成的近红外、红、绿和蓝波段所组成的植被指数比较宽波段拟合的近红外、红、绿和蓝波段所组成的植被指数反演效果更好。
NDVI反演LAI取得了一个不错的效果,2= 0.79(表4), 并且NDVI与LAI之间存在很好的线性关系, 证明当NDVI达到饱和后, 依然能够作为一种适用的植被指数来反演草地LAI。同时, 发现当某种植被指数反演LAI的线性回归方程的斜率越大时, 这种植被指数越有可能随LAI的增大而出现饱和现象, 相反的, 斜率越小则说明该种植被指数没有出现饱和现象。
[1] CHEN J M, BLACK T A. Defining leaf area index for non-flat leaves[J]. Plant, Cell & Environment, 1992, 15(4): 421–429.
[2] LIU Xinghe, WANG Le. Feasibility of using consumer-grade unmanned aerial vehicles to estimate leaf area index in Mangrove forest[J]. Remote Sensing Letters, 2018, 9(11): 1040–1049.
[3] LI Zhaoqin, GUO Xulin. A suitable vegetation index for quantifying temporal variation of leaf area index (LAI) in semiarid mixed grassland[J]. Canadian Journal of Remote Sensing, 2014, 36(6): 709–721.
[4] RYU Y, VERFAILLIE J, MACFARLANE C, et al. Continuous observation of tree leaf area index at ecosystem scale using upward-pointing digital cameras[J]. Remote Sensing of Environment, 2012, 126: 116–125.
[5] 徐全芝, 张万昌, 刘三超, 等. 黑河流域叶面积指数的遥感反演[J]. 干旱区研究, 2003(4): 281–285.
[6] 贾玉秋, 李冰, 程永政, 等. 基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较[J]. 农业工程学报, 2015(9): 173–179.
[7] 骆社周, 程峰, 王方建, 等. 基于TM遥感数据的西藏林芝地区叶面积指数反演[J]. 遥感技术与应用, 2012, 27(5): 740–745.
[8] 朱绪超, 袁国富, 易小波, 等. 基于Landsat 8 OLI影像的塔里木河下游河岸林叶面积指数反演[J]. 干旱区地理, 2014, 37(6): 1248–1256.
[9] 郭云开, 曹小燕, 谢琼, 等. 模拟多光谱的土壤重金属含量反演研究初探[J]. 测绘工程, 2015, 24(12): 7–11.
[10] 曹肖奕, 丁建丽, 葛翔宇, 等. 基于不同卫星光谱模拟的土壤电导率估算研究[J]. 干旱区地理, 2020, 43(1): 172–181.
[11] 陈召霞, 徐新刚, 徐良骥, 等. 基于新型植被指数的冬小麦覆盖度遥感估算[J]. 麦类作物学报, 2016, 36(7): 939–944.
[12] 辛明月, 殷红, 陈龙, 等. 不同生育期水稻叶面积指数的高光谱遥感估算模型[J]. 中国农业气象, 2015, 36(6): 762–768.
[13] 梁亮, 杨敏华, 张连蓬, 等. 小麦叶面积指数的高光谱反演[J]. 光谱学与光谱分析, 2011, 31(6): 1658–1662.
[14] 李子扬, 钱永刚, 申庆丰, 等. 基于高光谱数据的叶面积指数遥感反演[J]. 红外与激光工程, 2014, 43(3): 944–949.
[15] 潘海珠, 陈仲新. 无人机高光谱遥感数据在冬小麦叶面积指数反演中的应用[J]. 中国农业资源与区划, 2018, 39(3): 32–37.
[16] GUPTA R K, VIJAYAN D, PRASAD T S. New hyperspectral vegetation characterization parameters[J]. Advances in Space Research, 2001, 28(1): 201–206.
[17] HABOUDANE D, MILLER J R, PATTEY E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2004, 90(3): 337–352.
[18] DEFRIES R S, TOWNSHEND J R G. NDVI-Derived Land Cover Classification at a Global Scale[J]. International Journal of Remote Sensing, 1994, 15(17): 3567–3586.
[19] LI Fei, MISTELE B, HU Yuncai, et al. Comparing hyperspectral index optimization algorithms to estimate aerial N uptake using multi-temporal winter wheat datasets from contrasting climatic and geographic zones in China and Germany[J]. Agricultural and Forest Meteorology, 2013, 180: 44–57.
[20] CHEN J M. Evaluation of Vegetation Indices and a Modified Simple Ratio for Boreal Applications[J]. Canadian Journal of Remote Sensing, 1996, 22(3): 229–242.
[21] 束美艳, 顾晓鹤, 孙林, 等. 基于新型植被指数的冬小麦LAI高光谱反演[J]. 中国农业科学, 2018, 51(18): 3486–3496.
[22] 薛利红, 曹卫星, 罗卫红, 等. 光谱植被指数与水稻叶面积指数相关性的研究[J]. 植物生态学报, 2004(1): 47–52.
[23] 付刚, 沈振西, 钟志明. 西藏高原青稞三种植被指数对红外增温的初始响应[J]. 生态环境学报, 2015, 24(3): 365–371.
[24] FITZGERALD G J, RODRIGUEZ D, CHRISTENSEN L K, et al. Spectral and thermal sensing for nitrogen and water status in rainfed and irrigated wheat environments[J]. Precision Agriculture, 2006, 7(4): 233–248.
[25] JIANG Zhangyan, HUETE A R, DIDAN K, et al. Development of a two-band enhanced vegetation index without a blue band[J]. Remote Sensing of Environment, 2008, 112(10): 3833–3845.
[26] HUETE A, DIDAN 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.
[27] SIMS D A, GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages[J]. Remote Sensing of Environment, 2002, 81(2): 337–354.
[28] GUPTA R K, VIJAYAN D, PRASAD T S. Comparative analysis of red-edge hyperspectral indices[J]. Advances in Space Research, 2003, 32(11): 2217–2222.
[29] 朱佳明, 郭云开, 刘海洋, 等. 一种组合反演叶面积指数的方法[J]. 测绘科学, 2019, 44(1): 60–65.
[30] 刘玉琴, 沙晋明, 余涛, 等. 基于宽波段和窄波段植被指数的草地LAI反演对比研究[J]. 遥感技术与应用, 2014, 29(4): 587–593.
[31] 吴朝阳, 牛铮. 基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进[J]. 植物学通报, 2008, 25(6): 714–721.
[32] 赵娟, 黄文江, 张耀鸿, 等. 冬小麦不同生育时期叶面积指数反演方法[J]. 光谱学与光谱分析, 2013, 33(9): 2546–2552.
A comparison of the LAI retrieval for subalpine meadows in Wuyishan by hyperspectral and simulated multispectral vegetation index
AN Deshuai1, XU Dandan1,2,*, LIU Yue3, ZHU Jianqin4
1. College of Biology and Environment, Nanjing Forestry University, Nanjing 210037, China 2. Co-Innovation Center for Sustainable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037, China 3. College of Forestry, Nanjing Forestry University, Nanjing 210037, China 4. Research and Monitoring Center, Wuyishan National Park, Wuyishan 354300, China
The Leaf Area Index (LAI) is an important ecological parameter and is widely used as an indicator for vegetation density, biomass, carbon and nitrogen cycle, and response of ecosystems to climate change. It is also a key biophysical parameter for ecological process models. Field measured hyper-spectra has the potential to monitor plant spectral features with higher spatial resolution, which supports accurate inversion of LAI. Therefore, we establish a variety of hyperspectral vegetation index and simulated multispectral vegetation index inversion statistical models in subalpine meadows in Wuyishan National Park, and then compare the hyperspectral and multispectral leaf area index. Our results clarify the optimal hyperspectral and simulated multispectral vegetation index for LAI estimation in subalpine meadows with high vegetation coverage. The results show that Hyperspectral New Vegetation Index (NVI) has the best effect on LAI inversion,2= 0.85,< 0.01; the results of simulated multispectral NVI inversion based on hyperspectral NVI fitting are the second,2= 0.82,< 0.01. Several commonly used ratio vegetation indices, NDVI, MSR, RVI and GNDVI, have little difference in the results of hyperspectral and simulated multispectral inversion, and perform well, with2all above 0.65. By comparing the inversion results of hyperspectral and fitting Sentinel-2A and Landsat-8 two multispectral satellite bands, it is found that the vegetation index composed of the near-infrared, red, green, and blue bands with a narrower band in the spectral response function have better inversion results, and the fixed-band hyperspectral vegetation index may not have the best inversion effect in every vegetation index. At the same time, it was found that when the slope of the linear regression equation for the inversion of LAI by a vegetation index is larger, it indicates that the vegetation index is more likely to saturate with the increase of LAI. On the contrary, the smaller the slope, the more the vegetation index is not saturation occurs. In the literature, most studies indicate that NDVI is not suitable for LAI inversion for high vegetation covered ecosystems. However, our results show that using the hyperspectral and fitting multi-spectral band vegetation index methods to retrieve LAI and NDVI have achieved good results. Our results also indicate that NDVI has the potential to estimate LAI in high vegetation covered grassland within a certain range, which would further extend the applicability and possibility of NDVI in LAI inversion.
hyperspectral remote sensing; simulated multi-spectra; remote sensing inversion; leaf area index; NDVI; Wuyishan National Park
安德帅, 徐丹丹, 刘月, 等. 高光谱与拟合多光谱植被指数反演武夷山亚高山草甸LAI的对比研究[J]. 生态科学, 2022, 41(5): 187–196.
AN Deshuai, XU Dandan, LIU Yue, et al. A Comparison of the LAI Retrieval for Subalpine Meadows in Wuyishan by Hyperspectral and Simulated Multispectral Vegetation Index[J]. Ecological Science, 2022, 41(5): 187–196.
10.14108/j.cnki.1008-8873.2022.05.023
S157.2
A
1008-8873(2022)05-187-10
2020-09-07;
2020-10-15
国家自然科学基金(41901361); 福建省林业厅资助项目(闽林科便函[(2018)26号]); 江苏省“六大人才高峰”创新人才团队项目(TD-XYDXX-006)
安德帅(1995—), 男, 山东德州人, 硕士, 主要从事草地遥感等研究, E-mail: deshuaian@njfu.edu.cn
徐丹丹, 女, 博士, 副教授, 主要从事生态遥感等研究, E-mail: dandan.xu@njfu.edu.cn
猜你喜欢 植被指数叶面积样地 仁怀市二茬红缨子高粱的生物量及载畜量调查贵州畜牧兽医(2022年3期)2022-06-28基于无人机图像的草地植被盖度估算方法比较草业科学(2022年3期)2022-03-26额尔古纳市兴安落叶松中龄林植被碳储量研究现代园艺(2021年23期)2021-12-01冬小麦SPAD值无人机可见光和多光谱植被指数结合估算农业机械学报(2021年8期)2021-08-27作物叶面积测量的研究进展湖南农业大学学报（自然科学版）(2021年3期)2021-07-02基于角尺度模型的林业样地空间结构分析新农业(2020年18期)2021-01-0715 年生鹅掌楸林分生长差异性研究花卉(2020年24期)2021-01-04马奶子葡萄叶面积评估模型的建立新疆农业科学(2020年1期)2020-02-14基于植被指数选择算法和决策树的生态系统识别农业机械学报(2019年6期)2019-06-27苎麻叶面积测定方法比较研究中国麻业科学(2015年5期)2015-12-28