植被LAI是研究植被冠层结构的一个重要参数，它表征着植被的许多生物物理过程，同时也为植冠表面最初能量交换提供结构化定量信息。传统LAI测量方法仅能获得地面有限点的LAI值，不能满足植被生态和作物长势监测的需求。随着遥感技术的飞速发展，遥感估算成为行之有效地获取区域LAI的方法^[1]。国内外已利用多光谱与高光谱遥感数据开展了大量研究^{[2, 3, 4, 5, 6, 7, 8, 9]}利用多时相、多波段的遥感影像估算LAI信息，可以进一步分析LAI随时间和空间变化特征，对陆地植被的分布及季节变化研究提供强有力的手段。

目前常用的LAI遥感估算方法主要是经验估算法，经验估算法主要通过建立植被指数与叶面积指数的统计关系来估算叶面积指数，归一化差值植被指数(NDVI)为最普遍使用的一种植被指数。但是这种方法估算林地LAI的缺陷是：1)叶面积稳定期LAI达到一定值，使NDVI出现饱和，造成LAI-NDVI估算模型几乎表现不出LAI随NDVI变化的趋势。2)落叶期由于落叶及林窗，造成林下灌草混合的影响变大，使NDVI不能真实反映单一研究对象的信息，从而导致LAI-NDVI模型不能准确估算LAI。这两大问题一直是LAI遥感估算领域研究的热点和难点，目前国内外研究甚少^{[10, 11, 12, 13]}，并且这些研究仅做了分析，而没有提出明确的解决方法。

鉴于此问题，以杨树林为研究对象，获取多时相HJ-CCD 数据和实测LAI数据，构建了各个生长期和整个时期的LAI估算模型并对模型进行了对比分析，得到了可用于叶面积稳定期和落叶始期LAI估算的模型——全生长期LAI估算模型，并进行了精度验证。最后通过对该模型的适用性进行验证，进一步说明了此模型可用于时间序列的LAI估算，进而进行LAI季节变化特征分析。

研究区位于安徽省滁州市境内，滁州市位于安徽省东部，长江三角洲西部边缘。地貌大致可分为丘陵区、岗地区和平原区三大类型，全市森林总面积达27.33万hm²，森林覆盖率达到20.5%，人工林占95%以上，群落类型有阔叶林，针叶林，针阔混交林。杨树已成为滁州市的主要造林树种之一，其中黑杨类占的比例达80%以上，在树种结构中占有绝对优势。

2012年5月至2013年6月，在安徽滁州地区共开展了4次野外杨树林测量实验，样地和控制点分布如图 1。使用LAI-2000测量杨树LAI,测量中采取 A 值(天空光)、B 值(冠层下方) 分开测量，即在空旷地方测量 A 值，进入林分后测量 B 值。

图 1 研究区控制点和主要植被样地分布示意 Fig.1 The distribution diagram of GPS control points and main vegetation sample plots for study area

图选项

研究一共选定了70个固定杨树样地，210个样点，每次都在相同样地的相同测点进行相同观测方式重复观测。为了减小地形及地表不均质对观测结果的影响，样区设置在地势相对平坦、优势树种较单一、杨树林空间分布面积大于90m×90m的位置。为了提高观测精度，探头佩带90°张角的镜头盖，每个样区布置3—5个样地，每个样地大约30m×30m，每个样地内沿对角线随机选取3个样点，每个样点测3次B值，取测量时间最接近的A、B值估算各样点LAI，求3个样点的平均值作为该样地的LAI。考虑到天顶角最大的A值第5圈数据可能存在地物遮挡影响，以及相对严重的蓝光多次散射影响，本研究仅用LAI2000的1—4圈数据计算LAI^[14]，结果如表 1。用手持GPS(Mobile Mapper 6)记录各个样地的中心经纬度，同时详细记录各个对应样点的杨树长势状况及周围植被覆盖情况，并用数码相机拍照作为辅助信息。

获取与地面观测时间相近的4景滁州地区HJ-CCD影像数据，分别为2012年5月4日、2012年9月16日、2013年4月14日和2013年6月3日。首先对这4景影像进行辐射定标、大气校正，得到反射率图像，然后利用实地测量的控制点分别对其进行几何精校正，误差控制在0.5个象元以内。

NDVI在植被遥感中应用最为广泛，是植被生长状态及植被覆盖的最佳指示因子，并且经过比值可部分消除与太阳角、地形、云／阴影和大气条件有关的辐照度条件的变化^[15]。因此，研究选择了归一化植被指数(NDVI)开展研究。

在模型的形式上，考察了NDVI的线性、指数、对数3种形式。首先用4个时相HJ-CCD影像计算出NDVI，使用GPS点提取对应样点NDVI值，分别建立各时期地面LAI和NDVI的模型，如图 2所示，4月份、5月份、6月份和9月份3种形式的估算模型，相关系(R²)如表 2所示。

图 2 各时期LAI-NDVI估算模型 Fig.2 The estimation model of LAI (Leaf Area Index) for each period

图选项

使用以上所有时期共112个样本的实测LAI与对应影像象元的NDVI建立线性、指数、对数3种形式的模型，如图 3所示。

图 3 全生长期LAI估算模型 Fig.3 The LAI estimation model of aspen forest during the whole growth period

图选项

由表 2可以看出，单个时期的LAI估算模型相关性在4月份和5月份比较高，而在6月份和9月份比较低。整个观测时期的LAI-NDVI模型相关性虽然比4月份和5月份低，但是相比于6月份和9月份，模型有了很大改善。其中LAI与NDVI的指数模型(1)的相关性最高(图 3)。由于对于一般的林地，密度和林窗等大小不均匀，且较小LAI的林地易受林下背景植被的影响，因此模型的复相关系数(R²)很难达到较高值。为了验证模型的可靠性，使用未参加建模的55个样点的地面LAI测量数据对(1)式的LAI估算模型进行了验证(图 4)。经验证，实测值与估算值的相关系数R²=0.531，均方根误差RMSE=0.38，可见该模型精度较高。因此，(1)式能够可靠的反映统计关系:

图 4 LAI估算值与实测值的比较 Fig.4 The relationship between estimated LAI and measured LAI

图选项

定义此模型为全生长期LAI估算模型。

上述研究表明，4月份(展叶期)和5月份(花果期)的模型相关性高于全生长期模型，而6月份(叶面积稳定期)和9月份(落叶始期)则低于全生长期模型。这是由于：

(1) 4月份杨树林处于展叶期，5月份处于花果期，这两个时期是杨树林生长最旺盛的时期，LAI随时间增大的速度比较快，NDVI变化比较灵敏，并且林下灌草影响比较小。尤其是4月份，此时杨树处于展叶期，而林下灌草则刚刚开始发芽，其覆盖度很小，几乎可以忽略不计，LAI-NDVI模型反映的是单一杨树林对象真实的生长特点。对于5月份，虽然杨树林生长也比较快，NDVI随LAI变化也比较明显，但是，由于此时林下灌草已经逐渐开始生长，叶子开始展开，因此对于杨树林，尤其是对较稀疏的杨树林的影响变大。因为林下灌草与杨树林混合后在影像上表现为两者的混合信息，NDVI不能真实的反映杨树林像元信息，所以造成此时期LAI-NDVI模型相关性较4月份低。而全生长期模型的样本量较大，个别样本尤其是处于叶面积稳定期和落叶始期的样本的影响，这两个时期的样本几乎占到了整个时期样本的50%，因此这些样本带来的误差对整个时期样本的分布趋势影响较大，所以全生长期模型相关性低于4月份和5月份。

(2)6月份，杨树林处于生长高峰期，叶子已经封顶，林下灌草几乎对其无影响。但是，此时LAI值基本达到3.0左右，使NDVI出现一定程度的饱和，且个别LAI值较小的样点主要是受林窗的影响，这些原因导致该时期模型几乎表现不出LAI随NDVI的变化趋势。9月份，杨树林处于落叶始期，部分叶子已落，叶子已变稀疏，然而林下灌草却依然生长旺盛，尤其对于密度较小和叶片较稀疏的样点，受灌草和林窗的影响较大。由于不同植被类型的LAI随NDVI变化的趋势有较大差异，因此，位于林窗较大处的样点受灌草的影响较大，使得LAI-NDVI模型相关性大大降低。并且单个时期的样本数量偏小，单个数据的测量误差对数据的整体分布趋势影响较大，而全生长期模型用整个时期的LAI数据进行统计时，样本量较大，样本中各时期的单点测量误差对数据整体分布趋势影响较小，因此全生长期模型相关性比6月份和9月份估算模型好。

(3)另外，数据样本代表性较差，造成单时期LAI比较集中，而整个时期的LAI分布与单时期的LAI分布相比，相对均匀，且分散在LAI-NDVI二维空间的不同位置，能够表现出LAI随NDVI的变化趋势，因此全生长期模型相关性较6月份和9月份的模型好。如图 5所示，4月份65%以上的LAI测量数据集中在1.0—2.0之间，而NDVI分布在0.43—0.54之间；5月份70%的LAI测量数据集中在2—3.5之间，NDVI在0.55—0.72之间；6月份62.5%的LAI集中在2.90—3.50，NDVI在0.63—0.72之间；9月份73%以上的LAI集中在2.5—4.0，NDVI在0.50—0.66；而整个时期的LAI变化范围由1.3到4.3，NDVI由0.43变化到0.72，扩大了LAI的变化范围，而且不同时期的数据在NDVI-LAI二维空间的位置不同，4月份LAI数据分布在LAI-NDVI的低值区域，6月份和9月份LAI数据分布在相对高值区域，5月份分布在相对中间位置，因此全生长期模型的数据能够表现出LAI随NDVI的变化趋势。

图 5 多个时期的NDVI与LAI散点图 Fig.5 Scatter of multitemporal NDVI and LAI for simple points

图选项

通过上述结果分析可知，全生长期模型相关性较好，而6月份和9月份的LAI-NDVI模型相关性较差。而6月份主要是因为LAI基本达到稳定，使得NDVI比较集中，所以不能表现出LAI随NDVI的变化趋势；9月份则由于林下灌草及林窗的影响，导致其NDVI不能反映杨树林的真实信息，因此LAI和NDVI的相关性较差。这两种情况一直是遥感反演领域的研究热点，也是至今尚未解决的难点。本论文以此为出发点，通过对各时期估算模型和全生长期估算模型的研究，以及具体的对比分析，找到了一种全生长期LAI估算模型，可用来估算叶面积稳定期和落叶始期的LAI。

为了进一步验证此模型的适用性，选择一个大样方，布设了8个样地，分别于2012年5月7日(花果期)、2012年9月22日(落叶始期)、2013年4月19日(展叶期)、2013年6月8日(叶面积稳定期)进行连续观测，计算每个时期8个样地的平均值作为此时期的实测LAI值，得到LAI观测值随时间变化特征，如图 6所示。另外，分别用这4个时期对应的LAI-NDVI线性模型(图 2)估算8个样地的LAI取平均作为此生长期的LAI，同时从全生长期模型估算的四景LAI影像(图 6)中取出这8个样地的LAI估算值并取平均，得到各个生长期估算模型的LAI估算值和全生长期估算模型的LAI估算值随时间变化特征，如图 6所示。

图 6 模型估算LAI值和实测LAI值随时间变化趋势图 Fig.6 The variation trend of LAI estimated and measured LAI with time

图选项

从图 6中可以看出，从整个生长期LAI的变化趋势看，用全生长期模型估算的LAI的季节变化趋势比用各个生长期单个模型估算的LAI的季节变化趋势更为接近实测LAI的季节变化趋势，即4月份至6月份处于上升趋势，6月份达到顶峰，6月份至9月份处于下降趋势，这与研究区杨树林的生长规律相符合，这进一步证明了全生长期模型用于各个时期LAI估算的适用性。虽然在4月份和5月份，用各个生长期单个LAI估算模型估算的LAI值比全生长期模型稍接近实测LAI值，但是这两种模型估算的LAI与实测LAI的差值相差不大。在6月份和9月份，用全生长期模型估算的LAI值比各个生长期LAI估算模型估算的LAI值更接近真实值，明显提高了精度；而且，可以明显看出，6月份的LAI-NDVI估算模型估算得到的LAI值偏小，而9月份的偏大。这是因为6月份LAI基本达到最大，NDVI相对集中，加上个别样点受林窗影响，导致LAI几乎表现不出随NDVI变化的趋势；而9月份部分叶子已经凋落，叶片密度变小，但林下灌草生长茂盛，引起杨树林像元在影像上的NDVI值反映的是杨树林和灌草的混合信息，比真实的杨树林NDVI值大，因此用9月份LAI-NDVI估算模型估算得到的LAI值也比杨树林的真实值大，这与实际情况相符合。

结合全生长期估算模型的验证结果(图 4)及两种不同估算模型估算LAI值与实测LAI随时间变化的趋势特征(图 6)可知，全生长期模型对于各个生长期LAI估算具有一定的适用性和有效性。因此，基于此模型可生成时间序列的LAI，进而研究LAI的动态变化，这为LAI动态变化研究提供了一种有效的遥感方法和思路。

本研究利用多个时期LAI地面观测数据和遥感数据，对不同时期杨树林LAI估算模型相关性进行了探索，得到了杨树林全生长期LAI估算模型，最后通过验证进一步证明了全生长期模型用来估算各个时期LAI的适用性，为杨树林季节变化监测提供了有效途径。研究结论如下：

(1) 杨树林LAI与NDVI的相关性随着季相的变化而变化，4月中旬(展叶期)和5月初(花果期)的较高，6月份(叶面积稳定期)和9月份(落叶始期)的较低。

(2)全生长期LAI估算模型的相关性较4月份和5月份稍低，但是较6月份和9月份却有大大提高。这说明用全生长期模型来估算叶面积稳定期和落叶始期的LAI具有一定的可行性，可改善这两个时期LAI估算模型的局限性。

(3)杨树林全生长期LAI估算模型可以推广到其他任何时期杨树林LAI的估算，并且基于此模型得到的LAI值随时间变化趋势较接近实测LAI随时间变化趋势。

(4)环境星具有分辨率较高和成像周期较短的优势，能兼顾时效性和精度要求，更有利于跟踪植被生长情况。

(5)由于观测天气及卫星重访周期的限制，要获取与地面观测时间完全同步的影像数据比较困难，因此本研究获取了成像时间与观测时间最接近的准同步遥感影像。虽然获取影像与地面观测时间不完全同步，但6月份杨树林LAI已经稳定，9月份LAI已封顶且几天内物候基本无变化，因此对于各个时期LAI的总体变化趋势影响很小。