顧哲衍，張金池，林 杰，韓 誠(chéng)，劉 鑫

(南京林業(yè)大學(xué)森林資源與環(huán)境學(xué)院，江蘇南京 210037)

大氣校正模型對(duì)闊葉林葉面積指數(shù)遙感估算的影響

顧哲衍，張金池，林 杰，韓 誠(chéng)，劉 鑫

(南京林業(yè)大學(xué)森林資源與環(huán)境學(xué)院，江蘇南京 210037)

【目的】為利用遙感技術(shù)定量提取區(qū)域尺度的闊葉林葉面積指數(shù)前的大氣校正模型選擇提供科學(xué)依據(jù).【方法】分別利用6S模型、FLAASH模型和ATCOR2模型對(duì)Landsat 8 OLI影像進(jìn)行了大氣校正，分析了3種模型下的闊葉林葉面積指數(shù)(LAI)與多種植被指數(shù)(VI)相關(guān)性，建立了LAI-VI的線(xiàn)性和非線(xiàn)性的回歸模型，最后通過(guò)驗(yàn)證數(shù)據(jù)組LAI預(yù)測(cè)值(Y)與LAI實(shí)測(cè)值(X)的均方根誤差(RMSE)及線(xiàn)性相關(guān)性大小對(duì)闊葉林LAI遙感估算結(jié)果進(jìn)行了精度對(duì)比.【結(jié)果和結(jié)論】ATCOR2模型不適于闊葉林LAI-VI的回歸建模;除比值植被指數(shù)(RVI)外，F(xiàn)LAASH模型與6S模型下的闊葉林LAI與增強(qiáng)型植被指數(shù)(EVI)、修正土壤調(diào)節(jié)植被指數(shù)(MSAVI)有較好的相關(guān)性，其中FLAASH模型下的闊葉林LAI-MSAVI冪函數(shù)模型擬合優(yōu)度最佳;FLAASH模型的闊葉林LAI估算精度優(yōu)于6S模型;借助遙感技術(shù)定量提取植被生理參數(shù)時(shí)，應(yīng)慎重選擇適宜的大氣校正模型.

遙感;葉面積指數(shù);大氣校正

葉面積指數(shù)(Leaf area index，LAI)是定量分析地球生態(tài)系統(tǒng)能量交換特性的一個(gè)重要結(jié)構(gòu)變量［1］，不僅是表征植物冠層結(jié)構(gòu)和植物群落生產(chǎn)力的基本指標(biāo)，亦與眾多生態(tài)過(guò)程(蒸騰、光合、呼吸、元素循環(huán)等)密切相關(guān)，直接影響植物對(duì)光能的截獲和利用，間接影響冠層阻抗，同時(shí)作為決定地表反射率的重要參數(shù)對(duì)地表和大氣間的相互作用有著重要影響［2］.地面測(cè)量只能獲得點(diǎn)狀或線(xiàn)狀的LAI數(shù)據(jù)，難以反映LAI的空間變異性，定量遙感技術(shù)作為反演陸面參數(shù)的一種重要方法，為實(shí)時(shí)獲取大范圍LAI提供了高效途徑［3-4］.

電磁波在太陽(yáng)-目標(biāo)物-衛(wèi)星之間的傳輸過(guò)程極其復(fù)雜，不僅與光照條件、傳感器的探測(cè)光譜響應(yīng)、地表起伏等有關(guān)，更受到吸收、散射等大氣作用的影響，必然導(dǎo)致輻射傳輸失真，嚴(yán)重降低LAI的反演精度.因而在定量反演LAI前，必須進(jìn)行大氣校正.大氣校正模型可分為3類(lèi)：基于輻射傳輸機(jī)理的校正模型(如6S模型、ATCOR2模型)、基于影像特征的校正模型(如表觀反射率模型、Gilabert模型等)和基于地面定標(biāo)參數(shù)的校正模型［5］.其中，基于輻射傳輸機(jī)理的校正模型物理意義最明確、精度最高，應(yīng)為大氣校正未來(lái)的發(fā)展趨勢(shì)［6-7］.不同的大氣校正模型獲得的植被反射光譜信號(hào)不同，故選擇適宜的大氣校正模型對(duì)LAI的遙感反演具有重要意義［8］.目前，對(duì)于大氣校正模型的研究或集中于模型自身算法［9-11］，或集中于模型算法間的橫向比較［12-13］，而對(duì)于不同大氣校正模型在具體某一陸面參數(shù)反演中的適用性研究卻鮮有報(bào)道.

鑒于此，本文選取基于輻射傳輸機(jī)理的校正模型中具有代表性的6S模型、FLAASH模型和ATCOR2模型分別對(duì)OLI(Operational land imager)影像進(jìn)行大氣校正，建立LAI與闊葉林植被指數(shù)(Vegetation Index，VI)的統(tǒng)計(jì)回歸模型，探究3種大氣校正模型對(duì)闊葉林LAI遙感反演精度的影響，旨在為大面積反演闊葉林LAI前的大氣校正模型選擇提供借鑒和參考.

1 材料與方法

1.1 研究地區(qū)概況

江寧區(qū)位于江蘇省南京市南部，介于東經(jīng)118° 31'～119°04'，北緯30°38'～32°13'之間，總面積1 500多km2.常態(tài)地貌有低山、丘陵、崗地、平原和盆地，海拔1～371 m，境內(nèi)河道主要有長(zhǎng)江和秦淮河兩大水系.氣候?qū)俦眮啛釒Ъ撅L(fēng)濕潤(rùn)氣候區(qū)，年平均氣溫15.5℃，年均無(wú)霜期224 d，年均降水量1 012 mm，年均日照2 148.3 h.全區(qū)有木本及藥用植物1 000余種，較珍貴的有銀杏Ginkgo biloba、雪松Cedrus deodara、明黨參Changium smyrnioides、夏枯草Prunella vulgaris等.

1.2 數(shù)據(jù)來(lái)源及預(yù)處理

研究數(shù)據(jù)由Landsat 8 OLI多光譜影像數(shù)據(jù)和闊葉林LAI野外實(shí)測(cè)數(shù)據(jù)組成.OLI數(shù)據(jù)由美國(guó)地質(zhì)勘探局(USGS)提供，軌道號(hào)Path 120/Row 38，成像日期2013年8月 13日，探測(cè)波普長(zhǎng)度為 0.433～1.390 μm，已經(jīng)過(guò)系統(tǒng)級(jí)的輻射和幾何糾正.OLI涵蓋Landsat 7 ETM+的所有波段，為了避免大氣吸收特征，OLI對(duì)波段進(jìn)行了重新調(diào)整，比較大的調(diào)整是OLI Band 5(0.845～0.885 μm)，排除了0.825 μm處水汽吸收特征;OLI全色波段Band 8波段寬度較窄，有利于更好地區(qū)分地表有植被和無(wú)植被特征.以江寧區(qū)1∶5萬(wàn)地形圖為標(biāo)準(zhǔn)底圖，采用二次多項(xiàng)式擬合法，對(duì)OLI影像進(jìn)行了幾何精糾正，誤差控制在0.5個(gè)像元內(nèi).闊葉林LAI野外實(shí)測(cè)數(shù)據(jù)由美國(guó)LICOR公司的LAI-2200冠層分析儀測(cè)得，時(shí)間為2013年8月下旬至9月初，樣點(diǎn)數(shù)48個(gè)，其中8月下旬34個(gè)，9月初14個(gè)，主要分布在銅山、將軍山、方山等地.研究區(qū)內(nèi)分布廣面積大的為毛竹Phyllostachys heterocycla純林、麻櫟Quercus acutissima純林和闊葉混交林，為采樣重點(diǎn)林分，樣點(diǎn)數(shù)較多，分別為19、7和11個(gè)，其他林分如黃果樸Celiis labilis純林、香樟Cinnamomum camphora純林、構(gòu)樹(shù)Broussonetia papyrifera純林以及廣玉蘭Megnolia grandiflora和三角楓Acer buergerianum等面積相對(duì)較小，LAI梯度明顯，各林分設(shè)置1～4個(gè)典型樣點(diǎn)，為表述簡(jiǎn)潔，本文將此類(lèi)純林統(tǒng)稱(chēng)為其他林分.考慮到OLI影像30 m的空間分辨率，采樣間距均大于30 m，每個(gè)樣點(diǎn)均由GARMIN手持GPS接收機(jī)定位，坐標(biāo)系為WGS-84.各樣點(diǎn)重復(fù)測(cè)量2次，取均值作為結(jié)果.

1.3 基于輻射傳輸機(jī)理的大氣校正模型

1.3.1 6S(Second simulation of satellite signal in the solar spectrum)模型 6S模型將氣體分子(水汽、CO2、O3等)的吸收、散射與氣溶膠的散射一并予以考慮，采用最新近似(State of the art)和連續(xù)散射SOS (Successive orders of scattering)算法來(lái)求解輻射傳輸方程，提高了對(duì)瑞利散射和氣溶膠散射的計(jì)算精度.在處理不均一目標(biāo)時(shí)，考慮了一定半徑之內(nèi)的地物反射及該范圍之外的背景干擾.同時(shí)，解決了地表雙向反射分布函數(shù)(BDRF)與大氣環(huán)境相互耦合的問(wèn)題［14-15］.其基本計(jì)算公式為：

式(1)中：ρ為地表反射率，ρT(θs，θυ，φs，φυ)為大氣上界反射率，Tg(θs，θυ)為太陽(yáng)-目標(biāo)物大氣路徑透過(guò)率，ρR+a為氣體分子散射和氣溶膠散射所構(gòu)成的路徑輻射反射率，T(θs)為大氣透過(guò)率，T(θυ)為傳感器-目標(biāo)物大氣路徑透過(guò)率，θs為太陽(yáng)天頂角，θυ為傳感器天頂角，φs為太陽(yáng)方位角，φυ為傳感器方位角，S為大氣半球反射率.

1.3.2 FLAASH(Fast line-of-sight atmospheric analysis of spectral hypercubes)模型 FLAASH實(shí)際是MODTRAN4+輻射傳輸模型的一種改進(jìn)型，適用于可見(jiàn)光、近紅外到短波紅外范圍內(nèi)的光譜，為反演高光譜影像反射率的首選模型，能有效消除大部分大氣和光照等因素對(duì)地物反射的影響，獲得較為準(zhǔn)確的地物反射率、地表溫度等真實(shí)物理參數(shù)［16］，對(duì)太陽(yáng)光譜范圍的限制和近似標(biāo)準(zhǔn)的朗伯體平面的假設(shè)是該算法的核心部分［17］.其基本計(jì)算公式為：

式(2)中：L為傳感器處單個(gè)像元的總輻射，ρ為像元地表反射率，ρe為該像元和其周邊區(qū)域的平均地表反射率，Sf為大氣向下的反照率，La為大氣程輻射，A、B是基于大氣透過(guò)率和幾何條件的系數(shù).

1.3.3 ATCOR2(A spatially adaptive fast atmosphere correction-2)模型 ATCOR2是一種針對(duì)太陽(yáng)光譜和熱光譜范圍的快速大氣糾正模型，對(duì)于大氣均勻分布的霧霾和其他氣體都具有獨(dú)特的效果.大氣狀況通過(guò)一個(gè)查證表來(lái)描述.其算法可分為3步，①忽略鄰近效應(yīng)計(jì)算地表反射率;②計(jì)算每個(gè)像元鄰近范圍內(nèi)的平均反射率，鄰近效應(yīng)的去除由一個(gè)N×N的低通濾波器來(lái)實(shí)現(xiàn)，N值大小取決于大氣參數(shù)、光譜波段等;③在計(jì)算背景反射率(ρr)為0.15時(shí)，包含球形反射率對(duì)全球通量(碳通量，熱通量等)的影響，模型的最后一步通過(guò)平均反射率與ρr的差值對(duì)其進(jìn)行了校正［18］.其第①和②步的計(jì)算公式為：

式(3)中：ρ(1)為地表反射率;d為日地距離;c0為傳感器輻射響應(yīng)度;c1為傳感器偏移值;Lα為大氣程輻射;DN為影像灰度值;τv為地表到傳感器的總透過(guò)率;Eg為地面輻照度.式(4)中為像元鄰近范圍平均反射率;N為低通濾波器大小;為像元(i，j)的地表反射率;n為影像像元總數(shù).

1.4 基于統(tǒng)計(jì)模型的LAI遙感反演

基于統(tǒng)計(jì)模型的LAI遙感反演法具有參數(shù)少、計(jì)算效率高、容易實(shí)現(xiàn)等優(yōu)點(diǎn)，常被用于提取中小區(qū)域尺度的LAI，而植被指數(shù)與LAI之間的密切關(guān)系則是這一方法的理論基礎(chǔ)［19］.植被指數(shù)種類(lèi)較多，本文在參考前人工作的基礎(chǔ)上［3，15，19］，考慮土壤、大氣背景對(duì)LAI反演的影響，選取比值植被指數(shù)(RVI)、歸一化植被指數(shù)(NDVI)、增強(qiáng)型植被指數(shù)(EVI)和修正土壤調(diào)節(jié)植被指數(shù)(MSAVI)與實(shí)測(cè)LAI建立統(tǒng)計(jì)回歸模型.4類(lèi)植被指數(shù)提取公式如下［15］：

公式(5)～(8)中，ρnir、ρred和ρblue分別為大氣校正后的近紅外、紅光和藍(lán)光地表反射率.

2 結(jié)果與分析

2.1 不同林分類(lèi)型的LAI統(tǒng)計(jì)特征分析

LAI定量描述了植物群體空間水平上葉子生長(zhǎng)狀況(數(shù)量、密度等)的變化，不同闊葉林類(lèi)型的LAI有一定差異.由圖1可以看出，毛竹林的LAI平均值最大，其方差亦高于麻櫟林和闊葉混交林.毛竹生長(zhǎng)快，成材早，是典型的速生樹(shù)種，林分易形成水平和垂直郁閉，LAI均值偏大，研究區(qū)內(nèi)的毛竹均為人工林，間伐撫育等人為干擾作用強(qiáng)烈，LAI波動(dòng)較強(qiáng)，因而其方差亦較大.闊葉混交林多為天然林，麻櫟林主要分布在山頂，二者受外界干擾作用較少，LAI梯度變化不明顯.其他林分?jǐn)?shù)據(jù)組包含的樹(shù)種多，LAI梯度變化明顯，方差大，且樹(shù)種多為高大喬木，如黃果樸、香樟等，復(fù)層枝葉比重大，葉片總量多，LAI平均值亦大.

圖1 不同林分類(lèi)型的LAI平均值和方差Fig.1 Mean value and variance of vegetation indices by forest types

2.2 LAI-VI統(tǒng)計(jì)回歸模型的建立與相關(guān)性分析

LAI與VI之間的相關(guān)性分析是確定能否應(yīng)用遙感技術(shù)進(jìn)行大區(qū)域葉面積指數(shù)反演的前提.本文選取與OLI影像成像日期較為接近的8月下旬實(shí)測(cè)的34個(gè)樣本點(diǎn)作為L(zhǎng)AI-VI建模數(shù)據(jù)組，以9月初實(shí)測(cè)的14個(gè)樣本點(diǎn)作為模型驗(yàn)證數(shù)據(jù)組，并分別與LAI進(jìn)行Pearson相關(guān)性分析(表1).顯然，2種統(tǒng)計(jì)方式下的6S與FLAASH模型的LAI-VI相關(guān)性遠(yuǎn)高于ATCOR2模型.ATCOR2是二維的大氣校正模型，計(jì)算簡(jiǎn)單，通常要求大氣均勻分布，在去除大氣影響時(shí)，做了較多的影像增強(qiáng)處理，導(dǎo)致影像的真實(shí)性減弱，只適合在小尺度局部區(qū)域應(yīng)用.混合像元和鄰近像元等因素會(huì)嚴(yán)重影響其校正精度，其算法中的一般近鄰效應(yīng)的有效范圍約500～1 000 m，但若相鄰區(qū)反射率有很大差異時(shí)，近鄰效應(yīng)的影響范圍可擴(kuò)大至2 000 m以上［20］.2種統(tǒng)計(jì)方式下的FLAASH模型和6S模型的LAI-VI相關(guān)性普遍通過(guò)0.05置信水平檢驗(yàn).建模數(shù)據(jù)組中，LAI-RVI相關(guān)性最低，LAIEVI與LAI-MSAVI的相關(guān)性均通過(guò)0.01置信水平檢驗(yàn)，達(dá)到了極顯著水平，都可作為建模首選植被指數(shù).LAI-NDVI相關(guān)性高于LAI-RVI，但尚未達(dá)到極顯著水平.同時(shí)注意到，雖然FLAASH模型的LAI-VI相關(guān)性略?xún)?yōu)于6S模型，但已非常接近，因而仍需對(duì)這2種大氣校正模型下的LAI反演結(jié)果進(jìn)行進(jìn)一步的精度驗(yàn)證.鑒于上述，本文僅對(duì)FLAASH模型與6S模型下的LAI-EVI/LAI-MSAVI進(jìn)行建模與驗(yàn)證.

表1 3種模型在2種統(tǒng)計(jì)方式下所得Pearson相關(guān)系數(shù)比較1)Tab.1 Pearson correlation coefficients comparison using two statistical methods under three models

2.3 LAI-VI統(tǒng)計(jì)回歸模型的建立及精度驗(yàn)證

表2 2種大氣校正模型下的葉面積估算模型Tab.2 LAI estimation model under two atmospheric correction models

2.3.1 LAI-VI統(tǒng)計(jì)回歸模型的建立 利用建模數(shù)據(jù)組數(shù)據(jù)建立基于像元尺度的LAI-VI回歸模型，如：線(xiàn)性回歸模型、指數(shù)模型、二次多項(xiàng)式模型等，找出最合理的回歸模型，回歸模型見(jiàn)表2.2種大氣校正模型下，LAI-VI回歸方程的顯著性水平(P)均小于0.05，即具有統(tǒng)計(jì)學(xué)意義，回歸方程均是成立的.

由表2可知：①?gòu)闹脖恢笖?shù)角度看，2種大氣校正模型下的LAI-MSAVI回歸模型的擬合優(yōu)度R2值總體高于LAI-EVI.研究區(qū)植被分布不均，種類(lèi)繁多，在OLI影像30 m的分辨率下，必然產(chǎn)生大量植被-土壤混合像元.MSAVI是土壤調(diào)節(jié)植被指數(shù)(SAVI)的改進(jìn)型，建立了簡(jiǎn)單的植被-土壤系統(tǒng)模型，相比SAVI而言，更加充分地考慮了土壤因素的變動(dòng).②從大氣校正模型角度看，F(xiàn)LAASH模型下的LAI-VI的R2值整體高于6S模型.FLAASH模型通過(guò)計(jì)算影像上的黑暗像元來(lái)反演氣溶膠厚度，6S模型則是對(duì)各像元逐一求算，范文義等［7］認(rèn)為對(duì)于ETM+傳感器而言，F(xiàn)LAASH模型在還原植被真實(shí)波普信息時(shí)有所欠缺，但6S模型對(duì)于OLI影像光譜范圍內(nèi)的濾光函數(shù)難以界定，采用光譜上下限近似求解，在很大程度上影響了6S模型對(duì)OLI影像的校正精度.注意到，2種模型下，擬合優(yōu)度最高的均是LAI-MSAVI冪函數(shù)方程(6S模型R2=0.432，F(xiàn)LAASH模型R2= 0.465).6S模型與FLAASH模型都遵循輻射傳輸機(jī)理，輻射傳輸方程定量考慮了地形、地球曲率、大氣密度、氣壓等對(duì)光輻射的影響，模型參變量具有部分共性，且研究區(qū)大氣模式相對(duì)固定，因而2種模型下LAI-VI總體呈相似趨勢(shì).

2.3.2 精度驗(yàn)證 鑒于回歸模型的擬合優(yōu)度R2值為參與建模數(shù)據(jù)內(nèi)部的擬合優(yōu)度檢驗(yàn)值，為了能夠更客觀地評(píng)價(jià)各模型下的LAI反演精度，本文利用未參與建模的驗(yàn)證數(shù)據(jù)組帶入2種大氣校正模型下最理想的LAI-MSAVI冪函數(shù)模型，并計(jì)算LAI實(shí)測(cè)值和預(yù)測(cè)值的均方根誤差(RMSE)及線(xiàn)性相關(guān)性大小(R2)，以?xún)?nèi)外結(jié)合的方式來(lái)交叉檢驗(yàn)反演精度.RMSE計(jì)算公式如式(9)所示，其值大小僅表示預(yù)測(cè)值接近真實(shí)值的程度，值愈小則表示預(yù)測(cè)效果愈好.

式中：Yi為L(zhǎng)AI實(shí)測(cè)值;為L(zhǎng)AI模擬值，n為驗(yàn)證數(shù)據(jù)組樣本自由度.

由表3可知，2種大氣模型下的LAI實(shí)測(cè)值與LAI預(yù)測(cè)值的線(xiàn)性相關(guān)性R2值均較高，RMSE相近，說(shuō)明二者皆可用于LAI反演.FLAASH模型下的R2值大于6S模型，RMSE小于6S模型，基于OLI影像的 FLAASH模型反演 LAI精度略高于 FLAASH模型.

表3 不同大氣校正模型下的RMSE和R2值比較Tab.3 Comparison of RMSE and R2under two atmospheric correction models

3 討論與結(jié)論

本文利用LAI與植被指數(shù)之間的相關(guān)關(guān)系，分析比較了基于輻射傳輸機(jī)理的3種大氣校正模型(6S、FLAASH和ATCOR2)對(duì)闊葉林LAI反演精度的影響.ATCOR2模型對(duì)大氣狀況具有理想化的假設(shè)，要求大氣均勻分布，校正運(yùn)算時(shí)，對(duì)影像進(jìn)行多次的增強(qiáng)和拉伸，校正后的影像存在較嚴(yán)重的輻射失真現(xiàn)象，導(dǎo)致LAI與植被指數(shù)的相關(guān)性過(guò)低，難以用于LAI遙感定量估算.王建等［20］詳細(xì)解析了ATCOR2模型算法，認(rèn)為其著重于改善影像目視質(zhì)量，適合在小尺度局部區(qū)域的遙感影像中應(yīng)用，而在較為精確的定量遙感應(yīng)用中，則需考慮應(yīng)用數(shù)字地形模型(Digital terrain model，DEM)對(duì)圖像進(jìn)行預(yù)處理，以消除地形對(duì)地表反射特性的影響，這與本文的分析結(jié)果是一致的.FLAASH模型與6S模型下，除RVI外，LAI-VI回歸模型相關(guān)性整體良好.雖然6S模型較FLAASH模型而言，在計(jì)算氣溶膠效應(yīng)時(shí)更為準(zhǔn)確，但對(duì)于OLI影像的光譜濾光函數(shù)沒(méi)有精確的界定，校正后的影像植被指數(shù)與 LAI相關(guān)性不如FLAASH模型.

本研究區(qū)域?qū)俪青l(xiāng)結(jié)合地區(qū)，建設(shè)用地和耕地居多，林地覆蓋度不高，地表紅光反射作用較強(qiáng)，RVI對(duì)LAI的敏感性降低.MSAVI綜合考慮了植被-大氣和土壤-大氣的交互作用，因而2種大氣校正模型下的LAI-MSAVI冪函數(shù)擬合優(yōu)度最佳，適于研究區(qū)的LAI反演.

經(jīng)過(guò)對(duì)FLAASH模型和6S模型的LAI-MSAVI冪函數(shù)模型的反演結(jié)果的RMSE和線(xiàn)性相關(guān)性的比較，F(xiàn)LAASH模型更適于大面積的LAI遙感估算.由于研究區(qū)域地形不復(fù)雜，因此在運(yùn)用FLAASH模型與6S模型時(shí)，本文視地表為均一的朗伯面，未考慮地表雙向反射效應(yīng)，這在某種程度上影響了LAI遙感估算精度.今后工作中，應(yīng)運(yùn)用地表雙向反射效應(yīng)對(duì)大氣校正結(jié)果進(jìn)行訂正，從而提高LAI的估算精度.

［1］ 李開(kāi)麗，蔣建軍，茅榮正，等.植被葉面積指數(shù)遙感監(jiān)測(cè)模型［J］.生態(tài)學(xué)報(bào)，2005，25(6)：1491-1496.

［2］ 邵璞，曾曉東.CLM3.0-DGVM中植物葉面積指數(shù)與氣候因子的時(shí)空關(guān)系［J］.生態(tài)學(xué)報(bào)，2011，31(16)：4725-4731.

［3］ 林文鵬，趙敏，張翼飛，等.基于SPOT 5遙感影像的城市森林葉面積指數(shù)反演［J］.測(cè)繪科學(xué)，2008，33(2)：57-59.

［4］ 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 Sens Environ，2001 (80)：11-20.

［5］ 陳新芳，陳鏡明，安樹(shù)青，等.不同大氣校正方法對(duì)森林葉面積指數(shù)遙感估算影響的比較［J］.生態(tài)學(xué)雜志，2006，25(7)：769-773.

［6］ 王釗.6S輻射模型算法解析及在MODIS大氣校正中的應(yīng)用［J］.陜西氣象，2006(5)：34-37.

［7］ 范文義，孫曉芳，王巖，等.基于兩種輻射傳輸模型的遙感數(shù)據(jù)大氣校正及結(jié)果對(duì)比分析［J］.東北林業(yè)大學(xué)學(xué)報(bào)，2009，34(7)：121-124.

［8］ 宋巍巍，管東生.五種TM影像大氣校正模型在植被遙感中的應(yīng)用［J］.應(yīng)用生態(tài)學(xué)報(bào)，2008，19(4)：769-774.

［9］ 鄭偉，曾志遠(yuǎn).遙感圖像大氣校正的黑暗像元法［J］.國(guó)土資源遙感，2005(1)：8-11.

［10］CHEN Jun，QUAN Wenting，ZHANG Minwei，et al.A simple atmospheric correction algorithm for modis in shallow turbid waters：A case study in Taihu Lake［J］.Sel Top Appl Earth Observ Remote Sens，2013，6(4)：1825-1833.

［11］REMMEL T K，MITCHELL S W.The importance of accurate visibility parameterization during atmospheric correction：impact on boreal forest classification［J］.Int J Remote Sens，2013，34(14)：5213-5227.

［12］張婷媛，林文鵬，陳家治，等.基于FLAASH和6S模型的Spot 5大氣校正比較研究［J］.光電子·激光，2009，20(11)：1471-1473.

［13］ 楊杭，張霞，帥通，等.OMIS-Ⅱ圖像大氣校正之FLAASH法與經(jīng)驗(yàn)線(xiàn)性法的比較［J］.測(cè)繪通報(bào)，2010 (8)：4-6.

［14］買(mǎi)買(mǎi)提依明·買(mǎi)買(mǎi)提，塔西甫拉提·特依拜，買(mǎi)買(mǎi)提沙吾提，等.基于6S模型的遙感數(shù)據(jù)大氣校正應(yīng)用研究［J］.水土保持研究，2011，18(3)：15-18.

［15］林杰.基于植被結(jié)構(gòu)特征的土壤侵蝕遙感定量反演［D］.南京：南京林業(yè)大學(xué)，2011.

［16］趙國(guó)祥，苗放.高光譜影像FLAASH大氣校正模型參數(shù)影響與評(píng)價(jià)——以西藏山南為例［J］.科技資訊，2012 (34)：6-7.

［17］郭云開(kāi)，曾繁.基于FLAASH與QUAC模型的SPOT 5影像大氣校正比較［J］.測(cè)繪通報(bào)，2012(11)：21-23，41.

［18］程亮，馬友華，黃艷艷，等.ENVI FLAASH和ERDAS ATCOR2的大氣校正對(duì)比研究［J］.農(nóng)業(yè)網(wǎng)絡(luò)信息，2011(12)：17-20.

［19］朱高龍，居為民，范文義，等.帽兒山地區(qū)森林冠層葉面積指數(shù)的地面觀測(cè)與遙感反演［J］.應(yīng)用生態(tài)學(xué)報(bào)，2010，21(8)：2117-2124.

［20］王建，潘竟虎，王麗紅.基于遙感衛(wèi)星圖像的ATCOR2快速大氣糾正模型及應(yīng)用［J］.遙感技術(shù)與應(yīng)用，2002，17(4)：193-197.

【責(zé)任編輯 李曉卉】

Effects of atmospheric correction on remote sensing estimation of LAI of broadleaved forest

GU Zheyan，ZHANG Jinchi，LIN Jie，HAN Cheng，LIU Xin
(College of Forest and Environment，Nanjing Forestry University，Nanjing 210037，China)

【Objective】This study aimed to provide a scientific basis for selecting the atmospheric correction model prior to the quantitative extraction of leaf area index of broadleaved forest at a regional scale using remote sensing.【Method】6S model，F(xiàn)LAASH model，and ATCOR2 model were used respectively on Landsat 8 OLI image for the atmospheric correction to analyze the correlation of these three kinds of leaf area index(LAI)of broadleaved forest and a variety of vegetation index(VI)，establishing the linear and nonlinear regression model of LAI-VI.The root mean square error and correlation of validation data set of LAI predicted value(Y)and the LAI measured values(X)were calculated.【Result and conclusion】The ATCOR2 model was not suitable for building broadleaved forest LAI-VI regression model;in addition to the RVI，for FLAASH model and 6S model，LAI of broadleaved forest had a good correlation with EVI，MSAVI.Among them the power function model of LAI-MSAVI with FLAASH model yield the best goodness of fit.LAI estimation precision of FLAASH model was superior to the 6S model for broadleaved forest.With the aid of remote sensing technology to quantitatively extract vegetation physiological parameters，suitable atmospheric correction model should be selected prudently.

remote sensing;leaf area index;atmospheric correction

S718.5

A

1001-411X(2014)03-0100-05

2013-01-12 優(yōu)先出版時(shí)間：2014-03-31

優(yōu)先出版網(wǎng)址：http:∥www.cnki.net/kcms/doi/10.7671/j.issn.1001-411X.2014.03.018.html

顧哲衍(1990—)，男，碩士研究生，E-mail:ah_gzy@163.com;通信作者:張金池(1965—)，男，教授，博士，E-mail: nj_zjc@163.com

國(guó)家自然科學(xué)基金(31200534);長(zhǎng)三角水源區(qū)面源污染林業(yè)生態(tài)修復(fù)技術(shù)研究(201104055-1);江蘇省2009年度研究生科研創(chuàng)新計(jì)劃項(xiàng)目;南京林業(yè)大學(xué)高學(xué)歷人才基金項(xiàng)目;江蘇省高等學(xué)校林學(xué)優(yōu)勢(shì)學(xué)科建設(shè)項(xiàng)目(164010641)

顧哲衍，張金池，林 杰，等.大氣校正模型對(duì)闊葉林葉面積指數(shù)遙感估算的影響［J］.華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2014，35(3)：100-104.