EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 4: 500 - 504

DOI: https://doi.org/10.3724/SP.J.1047.2015.00500

Orginal Article

Bamboo Forest LAI Retrieval and Analysis in Mountainous Area Based on TAVI

  • JIANG Hong , 1, * ,
  • ZHANG Zhaoming 2 ,
  • WANG Xiaoqin 1 ,
  • HE Guojin 2
Expand
  • 1. Key Laboratory of Spatial Data Mining & Information Sharing of Ministry of Education, Spatial Information Research Centre of Fujian Province, Fuzhou University, Fuzhou 350002, China
  • 2. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
*Corresponding author: JIANG Hong, E-mail:

Received date: 2014-02-20

  Request revised date: 2014-04-13

  Online published: 2015-04-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

As one of the key biophysical parameters in the bamboo forest evaluation, the leaf area index (LAI) retrieval from remote sensing data has always been challenged by the topographic effect in mountainous area. In this paper, the topographic-adjusted vegetation index (TAVI) was proposed to eliminate the topographic influence for the bamboo forest LAI derivation in Yongan city, Fujian, based on the Rapideye high spatial resolution satellite imagery. Normalized difference vegetation index (NDVI) and ratio vegetation index (RVI) were also utilized in the statistical analysis with respect to LAI for comparison with TAVI. The regression results indicate: (1) LAI is more linearly correlated with TAVI than NDVI or RVI. R2 (coefficient of determination) of the linear regression between LAI and TAVI, NDVI, RVI are 0.6085, 0.3156, and 0.4092 respectively. For the optimal non-linear fitting model, the corresponding R2 had increased to 0.6624, 0.5280 and 0.6497 respectively. Although the quadratic polynomial regression model can well explain the relationship between LAI and NDVI or RVI, it can hardly illustrate the typical phenomenon of "same object with different spectra" and "different objects with same spectrum" that resulted from topographic effect. (2) Both the LAI-TAVI regression models and the in-situ measurement demonstrate that the proposed method can effectively avoid the above problems with a correlation coefficient (r) of 0.7674 between in-situ and the simulated LAI, and a RMSE of 0.3403. In conclusion, TAVI shows good capability to alleviate the topographic effect and can be effectively applied to the LAI retrieval of the bamboo forest in mountainous area.

Key words： leaf area index (LAI); topographic-adjusted vegetation index (TAVI); same object with different spectra

Cite this article

JIANG Hong , ZHANG Zhaoming , WANG Xiaoqin , HE Guojin . Bamboo Forest LAI Retrieval and Analysis in Mountainous Area Based on TAVI[J]. Journal of Geo-information Science, 2015 , 17(4) : 500 -504 . DOI: 10.3724/SP.J.1047.2015.00500

1 引言

叶面积指数（LAI）是指单位水平地表面积上所有绿色叶片单面面积[1]。是估算森林净初级生产力[2]、生物量[3-4]等多种生长参数的重要生物物理指标,用于竹林生物量[5]、竹笋产量[6]、丰产度[7-8]等指标评价。目前,遥感植被指数（VI）反演仍是获取大范围叶面积指数的重要方法,如常规多光谱植被指数[9-11]、高光谱多角度植被指数[12]等。由于毛竹林主要分布在山区,地形影响会降低毛竹林叶面积指数遥感反演的精度。通过DEM数据的地形校正方法可以有效削减遥感影像地形影响[13-14],可用于竹林生物量遥感估算[15]、植被净初级生产力遥感模拟[16]等。但是,高精度的DEM数据常因涉密等原因难以获取,而且山区的DEM数据和遥感影像间也无法做到完全配准,制约了DEM数据地形校正方法的广泛应用。因此,构建一种无需DEM数据就能有效削减山区地形影响的植被指数意义重大。本文采用地形调节植被指数（TAVI）[17-18],结合地面实测叶面积指数,进行山区毛竹林叶面积指数遥感建模及反演分析。

2 研究区与数据源

2.1 研究区基本特征

福建省永安市是我国南方重点林区县,森林覆盖率高达83.2%,其中,毛竹林面积占林地面积的25%以上,农民人均占有竹林0.45 hm2。研究样区选择永安市西北角的毛竹林传统产地（图1（a））,样区南北长1630 m,东西宽2340 m,平均坡度21°,最大坡度48°。
Fig. 1 Multi-spectral image, NDVI, RVI and TAVI of sample area

图1 样区影像、NDVI、RVI、TAVI

2.2 主要数据源

根据毛竹林叶面积指数野外实测时间,收集到2011年11月27日的RapidEye多光谱遥感影像。影像空间分辨率5 m,太阳方位角178.42°,太阳高度角42.94°。
2011年12月,在研究样区对毛竹林叶面积指数采用“双机测量”进行了实测：利用两台LAI-2000植被冠层分析仪,一台位于制高点测天空光,另一台在林下测量林冠。林下测量采用卷尺辅助,每个点在15 m×15 m范围内测量5次,取平均值,并同步记下测量点GPS坐标,共采集29个毛竹林叶面积指数实测数据（图1（a）红点）。

3 基于TAVI的山区毛竹林LAI反演分析

3.1 数据预处理与LAI反演算法

（1）数据预处理
对RapidEye多光谱遥感影像进行辐射定标,将影像DN值转换为表观反射率;利用地形图进行几何精校正（校正误差小于1个像元）;计算研究样区太阳入射角余弦值（cosi）。
（2）植被指数计算
根据表1的计算公式,利用遥感影像近红外波段与红光波段的表观反射率数据计算得到NDVI、RVI和TAVI结果,并将结果极差标准化为0-1。其中,TAVI采用“最大值优化匹配算法”计算 f Δ ：① 将遥感影像中的植被划分成阴坡与阳坡两类;② 计算阴坡部分TAVI的最大值MTAVI阴与阳坡部分TAVI的最大值MTAVI阳;③ 令 f Δ 从0开始,以0.001为步长,依次递增,当MTAVI阴与MTAVI阳相等或近似相等时,得到 f Δ 最优值0.180。对研究样区NDVI、RVI、TAVI与cosi线性回归分析,采用回归斜率（k）、截距（d）和相关系数（r）,评估3种植被指数削减地形影响的效果。
（3）LAI-VI统计建模与反演验证
利用采集的14个毛竹林叶面积指数实测数据与RapidEye遥感影像的NDVI、RVI、TAVI,分别进行线性和非线性回归分析。非线性回归采用多项式、指数、对数和幂函数等形式。根据回归函数的决定系数（R2）等指标选择毛竹林LAI-VI最佳反演统计模型。
另外,采用毛竹林LAI-VI最佳统计模型反演研究区毛竹林叶面积指数,利用余下的15个毛竹林叶面积指数实测数据对反演结果进行验证。验证利用毛竹林实测LAI与模拟LAI相关系数（r）和标准误差（RMSE）进行评估。
RMSE = 1 n ∑ i = 1 n d i 2 （1）
式（1）中,di为毛竹林模拟LAI与实测LAI的偏差;n为测量次数。

3.2 毛竹林LAI反演结果分析

（1）VI反演结果分析
研究区NDVI、RVI、TAVI计算结果如图1（b）-（d）所示。目视观察可知,NDVI、RVI影像的地形纹理效应显著;而TAVI影像地形纹理效应基本消除,呈平面状。NDVI、RVI、TAVI与cosi相关分析结果显示（表2）,TAVI-cosi回归方程斜率（-0.0442）和相关系数（0.0044）比NDVI-cosi（0.6060,0.5774）和RVI-cosi（0.6677,0.6196）大幅下降,TAVI与cosi基本不相关。这说明山体阴坡、阳坡的NDVI或RVI信息因受地形影响,产生信息变异,阳坡植被指数值被增强,而阴坡植被指数值被减弱;而山体阴坡、阳坡的TAVI信息基本不受地形干扰,阴坡、阳坡的植被指数信息变异不大,更符合山区植被生长实际情况。TAVI具有削减地形影响的效果,主要原理在于其中的阴影植被指数（SVI）对山体阴坡部分的常规植被指数信息实现了非线性补偿,而对山体阳坡部分常规植被指数信息实现了非线性压制,并通过 f Δ 的调节,最终达到阴坡/阳坡的植被指数信息平衡。
Tab. 1 Vegetation index

表1 植被指数

植被指数 公式 备注
归一化差值植被指数（NDVI） NDVI=Bnir-BrBnir+Br Rouse等(1974)[19]
比值植被指数（RVI） RVI=BnirBr Jordan等(1969)[20]
地形调节植被指数（TAVI） TAVI=Bnir-BrBnir+Br+fΔMr-BrBr 江洪等(2010, 2011)[17-18]
SVI=Mr-BrBr

注：Bnir表示近红外波段数据;Br表示红光波段数据;Mr表示研究区红光波段数据的最大值;f(Δ)表示地形调节因子;SVI表示阴影植被指数

Tab. 2 Regression analyses between NDVI、RVI、TAVI and cosi

表2 NDVI、RVI、TAVI与cosi回归分析结果

植被指数 斜率（k） 截距（d） 相关系数（r）
NDVI 0.6060 0.3323 0.5774
RVI 0.6677 0.1584 0.6196
TAVI -0.0442 0.6617 0.0044
（2）LAI-VI回归结果分析
毛竹林LAI实测数据与NDVI、RVI、TAVI线性回归模型和最佳非线性回归模型结果如图2、表3所示。线性回归表明,毛竹林实测LAI与NDVI、RVI和TAVI的R2,分别达到0.3156、0.4092和0.6085,并都通过F检验。非线性回归表明,毛竹林实测LAI与NDVI、RVI的散点图更符合U曲线关系,R2分别达到0.5280、0.6497;而毛竹林实测LAI与TAVI散点图的最佳非线性函数形式为近线性的幂曲线关系,R2为0.6624。
Fig. 2 Regression analyses between in-situ LAI and VI (green stands for linear regression, red stands for non-linear regression)

图2 实测LAI-VI回归分析（绿色为线性回归,红色为非线性回归）

毛竹林实测LAI与NDVI、RVI的散点图更符合U曲线关系的主要原因在于,LAI实测点位于山体的阴坡和阳坡,而阴坡/阳坡的植被近红外波段与红光波段反射率不是等比例变化,常规植被指数无法消除地形影响,从而产生“同物异谱”现象：阴坡、阳坡上LAI值相同或相近（同物）的像元对应着不同的植被指数值（异谱）,阴坡的植被指数值偏小,而阳坡的植被指数值偏大,从而导致实测LAI-VI散点图表现为典型的U曲线关系。此外,还存在“同谱异物”现象：同一个植被指数值（同谱）有可能表示阳坡植被覆盖较差（LAI较小）的情形,也可能表示阴坡植被覆盖较好（LAI较大）的情形（异物）。U曲线关系模型可有效解释实测LAI-VI样本数据散点图的分布规律,但用于推广反演大面积植被LAI时要慎重。实测LAI-TAVI最佳非线性回归结果与线性回归结果的决定系数相差不大,主要表现为（近）线性曲线关系。这是因为TAVI可以有效减弱地形对植被指数信息的影响,从而较好地克服了“同物异谱”、“同谱异物”问题,较适合在山区大面积植被LAI反演中应用推广。
（3）LAI反演结果分析
采用表3的实测LAI-TAVI线性回归模型反演的研究区毛竹林LAI结果如图3所示。利用其余15个实测LAI数据验证的结果表明（图4）,实测LAI-模拟LAI相关系数达到0.7674,标准误差0.3403,而实测LAI平均值3.566,模拟LAI平均值3.526。图3毛竹林LAI反演结果表明,LAI值在0-1、1-2、2-3的占比都在25%以上,3-4约占15%,>4略高于4%,表明冬季毛竹林LAI数值不高,符合季节特征。
Tab. 3 Regression models between in-situ LAI and VI

表3 实测LAI-VI拟合回归模型

回归类型 植被指数 模型 R2 F（F0.05=3.9）
线性 NDVI y=3.5554x+0.5478 0.3156 5.53
RVI y=2.6755x+2.1746 0.4092 8.31
TAVI y=20.252x-13.058 0.6085 18.65
非线性 NDVI y=39.598x2-58.451x+24.088 0.5280 13.43
RVI y=20.591x2-15.73x+5.6826 0.6497 22.26
TAVI y=9.1868x4.8818 0.6624 18.75

注：y指实测LAI,x指相应的植被指数

Fig. 3 Retrieved LAI images of sample area

图3 研究区LAI反演结果

Fig. 4 Correlation analysis of in-situ LAI and the simulated LAI

图4 实测LAI-模拟LAI相关分析

4 结语

通过山区毛竹林叶面积指数地面实测、遥感建模及其反演分析认为：
（1）在山区反演毛竹林叶面积指数时,不能忽视地形影响,而TAVI具有良好的削减地形影响效果,适用于山区毛竹林等植被叶面积指数反演。
（2）NDVI、RVI等常用植被指数易受地形影响,用其反演的LAI-VI非线性模型可解释植被叶面积指数在山区的分布规律,但用于推广估算大面积植被叶面积指数时,存在“同物异谱”、“同谱异物”等不确定性问题。
（3）森林叶面积指数实测方法有待改进。虽然竹林冠层的聚集效应相对较轻,但采用LAI-2000植被冠层分析仪测量的是有效叶面积指数,测量结果存在森林冠层聚集指数问题,有待后续研究解决。
（4）TAVI算法还需进一步改进提升,如 f Δ 的“最大值优化匹配算法”如何避免局部最优、实现全局最优的问题,以及阴坡/阳坡分类算法等。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Chen J, Black T.Defining leaf area index for non-flat leaves[J]. Plant, Cell and Environment, 1992,15(4):421-429.

[2]
江洪,汪小钦,孙为静.福建省森林生态系统NPP的遥感模拟与分析[J].地球信息科学学报,2010,12(4):580-586.

[3]
Rangaswamy M, Vyjayanthi N, Chandra S J.Estimation of LAI and above-ground biomass in deciduous forests: Western Ghats of Karnataka, India[J]. International Journal of Applied Earth Observation and Geoinformation, 2008,10(2):211-219.

[4]
Gerald M, Dietrich H, Christoph L.Altitudinal change in LAI and stand leaf biomass in tropical montane forests: a transect study in Ecuador and a pan-tropical meta-analysis[J]. Ecosystems, 2007,10(6):924-935.

[5]
郑金双,曹永慧,代全林,等.茶秆毛竹林叶面积指数与生物量关系的研究[J].竹子研究汇刊,2001,20(1):53-57.

[6]
潘寅辉,虞敏之,胡建军,等.四季竹叶面积指数与竹笋产量的关系[J].西南林学院学报,2006,26(5):21-23.

[7]
王超,蒙朝阳,陈洪,等.小蓬竹的叶面积指数测定[J].山地农业生物学报,2007,26(3):277-279.

[8]
郑进煊,董文渊,陈冲,等.海子坪天然毛竹林叶面积指数及秆形结构[J].林业科技开发,2009,23(3):44-48.

[9]
Zhang Z, He G, Wang X, et al.Leaf area index estimation of bamboo forest in Fujian province based on IRS P6 LISS 3 imagery[J]. International Journal of Remote Sensing, 2011,32(19):5365-5379.

[10]
石月婵,杨贵军,冯海宽,等.北京山区森林叶面积指数季相变化遥感监测[J].农业工程学报,2012,28(15):133-139.

[11]
Tian Q, Luo Z, Chen J, et al.Retrieving leaf area index for coniferous forest in Xingguo County, China with Landsat ETM+ images[J]. Journal of Environmental Management, 2007,85:624-627.

[12]
王李娟,牛铮,侯学会,等.基于CHRIS数据的新型植被指数的LAI估算研究[J].光谱学与光谱分析,2013,33(4):1082-1086.

[13]
段四波,阎广建,穆西晗,等.基于DEM的山区遥感图像地形校正方法[J].地理与地理信息科学,2007,23(6):18-22.

[14]
高永年,张万昌.遥感影像地形校正研究进展及其比较实验[J].地理研究,2008,27(2):467-477.

[15]
董德进,周国模,杜华强,等.6种地形校正方法对雷竹林地上生物量遥感估算的影响[J].林业科学,2011,47(12):1-8.

[16]
刘玉安,黄波,易成功,等.基于地形校正的植被净初级生产力遥感模拟及分析[J].农业工程学报,2013,29(13):130-141.

[17]
江洪,毛政元,汪小钦.地形调节植被指数及其在森林动态监测中的应用[J].北京林业大学学报,2011,33(5):8-12.

[18]
江洪,汪小钦,吴波,等.地形调节植被指数构建及在植被覆盖度遥感监测中的应用[J].福州大学学报(自然科学版),2010,38(4):527-532.

[19]
Rouse J, Haas J, Shell R, et al.Monitoring vegetation systems in the Great Plains with ERTS[C]. Third Earth Resources Technology Satellite-1 Symposium, 1, 10-14 December, Washington, D.C.: NASA Scientific and Technical Information Office, 1972:309-317.

[20]
Jordan C.Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969,50:663-666.

Options
Outlines

/

〈 〉