蔡雯潔，沙晉明

(福建師范大學(xué) a.地理學(xué)國(guó)家級(jí)實(shí)驗(yàn)教學(xué)示范中心，b.地理科學(xué)學(xué)院，福州 350007)

0 引言

葉面積指數(shù)(Leaf Area Index，LAI)是陸面過程中的一個(gè)十分重要的結(jié)構(gòu)參數(shù)，是表征植被冠層結(jié)構(gòu)的最基本參量之一，它控制著植被的生物、物理過程，如光合、呼吸、蒸騰、碳循環(huán)和降水截獲等[1]。

LAI的提出源于作物學(xué)。20世紀(jì)40年代中期英國(guó)農(nóng)業(yè)生態(tài)學(xué)家Watson首先提出LAI的概念，即單位土地面積上單面植物光合作用面積的總和[2]。Chen & Black將LAI定義為單位水平地面上所有葉片表面積的一半或總?cè)~片投影面積的一半或綠葉截關(guān)面積的一半[3]。前者通常用于描述葉面平整的闊葉植物；后者不僅適用于闊葉植物，也適用于針葉植物，近年來此定義被廣泛應(yīng)用，因此，本研究采用此定義。LAI是葉覆蓋量的無(wú)量綱度量，受植物大小、年齡、株行距和其他因子的影響[4-7]。如今，LAI已成為一個(gè)重要的植物學(xué)參數(shù)和評(píng)價(jià)指標(biāo)，在農(nóng)業(yè)、果樹業(yè)、林業(yè)以及植物生態(tài)學(xué)、植物生理學(xué)、植被學(xué)、栽培學(xué)等領(lǐng)域得到了廣泛應(yīng)用[8-9]。建立較為精準(zhǔn)的LAI定量反演模型已成為當(dāng)代植物研究的一大熱點(diǎn)。

目前，LAI的測(cè)量方法有直接測(cè)量法和間接測(cè)量法。直接測(cè)量法是經(jīng)典、成熟、相對(duì)精度較高的方法，它可以作為間接測(cè)量法的一個(gè)有效驗(yàn)證，而其缺點(diǎn)是對(duì)植物具有破壞性，工作耗時(shí)耗力，難以保證采樣的代表性，難以獲取大面積LAI。間接測(cè)量法用一些測(cè)量參數(shù)或光學(xué)儀器得到LAI，測(cè)量方便快捷，如 SunScan、LAI-2000和TRAC[3]，但此法需用直接測(cè)量法所得結(jié)果進(jìn)行校正。隨著遙感技術(shù)的發(fā)展，利用遙感影像提取植被指數(shù)已成為估算區(qū)域LAI的一種重要手段，常用方法有經(jīng)驗(yàn)關(guān)系法和物理模型法。經(jīng)驗(yàn)關(guān)系法因其簡(jiǎn)單易行且對(duì)參數(shù)需要少而被廣泛使用。但此法不能充分利用傳感器獲得的光譜信息，而且從多個(gè)波段信息降低為1個(gè)指數(shù)也減少了反演的約束條件，會(huì)導(dǎo)致結(jié)果的不確定性增加，建立大范圍適用的經(jīng)驗(yàn)關(guān)系模型十分困難[10]。物理模型法反演LAI的物理意義明確，但相對(duì)復(fù)雜，嚴(yán)重依賴地面觀測(cè)數(shù)據(jù)，不適用于在大的空間上廣泛開展[10]。

目前，不同的學(xué)者從不同角度和方法出發(fā)研究了不同尺度和不同植被類型的LAI遙感反演問題，一些研究致力于輻射傳輸模型的構(gòu)建來提高LAI的反演精度[11-12]，另一些研究則注重構(gòu)建植被指數(shù)來提高LAI的反演精度[8,13]。將傳統(tǒng)經(jīng)驗(yàn)關(guān)系法受植被指數(shù)質(zhì)量不穩(wěn)定影響的問題納入考慮，在傳統(tǒng)基于植被指數(shù)的LAI反演方法的基礎(chǔ)上引進(jìn)植被含水量、植被覆蓋度、地形3個(gè)核心環(huán)境因子，從而實(shí)現(xiàn)了基于最佳植被指數(shù)與環(huán)境因子的高精度LAI定量反演模型(具體技術(shù)流程見圖1)，為福州市轄區(qū)及其周邊的閩侯縣區(qū)域內(nèi)的闊葉林與生殖生長(zhǎng)階段水稻的葉面積指數(shù)的快速定量監(jiān)測(cè)奠定基礎(chǔ)。

1 研究區(qū)概況

福州市位于北緯25°16′～26°39′，東經(jīng)118°24′～120°30′，簡(jiǎn)稱榕，別名三山，是福建省的省會(huì)，是中國(guó)東南沿海重要經(jīng)濟(jì)中心與港口城市。福州市現(xiàn)轄：倉(cāng)山、臺(tái)江、鼓樓、晉安、馬尾和長(zhǎng)樂6個(gè)市轄區(qū)(長(zhǎng)樂為新加入的市轄區(qū))，以及連江、羅源、閩侯、閩清、永泰、福清和平潭7個(gè)縣。屬典型亞熱帶季風(fēng)氣候，多年平均氣溫16～22 ℃，多年平均降雨量 900～2 100 mm。地貌屬于典型的河口盆地，主城區(qū)四周群山環(huán)抱，地形相對(duì)封閉，地勢(shì)由西北向東南傾斜，閩江穿城而過。植被屬于南亞熱帶季雨林和中亞熱帶常綠闊葉林，類型復(fù)雜，種類繁多，主要有常綠闊葉林、針葉林、竹林、灌叢、草叢、濱海沙生植被等。

福州市轄區(qū)林地分布范圍較為廣泛，除了臺(tái)江區(qū)外，其他5個(gè)城區(qū)林地覆蓋率都較高，林地覆蓋率可達(dá)53.33%；福州市草地面積僅占全市總面積的0.98%，且分布較為零散；福州市轄區(qū)耕地面積占總面積的5.68%，但少有大面積的連片耕地，耕地以灌溉水田為主，主要的農(nóng)作物為水稻。

研究范圍(圖2)包括晉安區(qū)內(nèi)的鼓山闊葉林、倉(cāng)山區(qū)內(nèi)的長(zhǎng)安山與高蓋山闊葉林以及閩侯縣內(nèi)的多處水稻田。定該區(qū)域?yàn)楦Ｖ萆鷳B(tài)示范區(qū)，進(jìn)行福州市轄區(qū)(除開長(zhǎng)樂和瑯岐經(jīng)濟(jì)開發(fā)區(qū))與閩侯縣LAI的定量遙感反演。

2 研究方法與數(shù)據(jù)

2.1 研究方法

圖 1 基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型技術(shù)流程Figure 1 Technique flowchart of quantitative inversion model to LAI based on optimal vegetation index and environmental factors

圖 2 研究區(qū)示意Figure 2 A map of sketch for study area

研究數(shù)據(jù)共有30組，其中，具有明顯誤差的有5組(誤差可能來自于測(cè)定LAI的操作方式以及操作時(shí)外界環(huán)境的干擾)。可用數(shù)據(jù)共有25組，其中闊葉林13組，水稻田12組。將全部可用數(shù)據(jù)進(jìn)行LAI定量反演模型的建立以及精度檢驗(yàn)。建立模型的統(tǒng)計(jì)工作用SPSS軟件來完成，具體步驟如下：

首先，在控制自變量地形因子(P)、植被覆蓋度因子(Z)與植被含水量因子(E)的前提下，對(duì)實(shí)測(cè)LAI與多種植被指數(shù)做偏相關(guān)分析，選出適合估算本研究區(qū)域闊葉林或水稻田(生殖生長(zhǎng)階段)LAI的最優(yōu)植被指數(shù)。其次，對(duì)實(shí)測(cè)LAI、最優(yōu)植被指數(shù)、地形因子(P)、植被覆蓋度因子(Z)與植被含水量因子(E)進(jìn)行多元線性回歸分析，從而建立基于最佳植被指數(shù)與環(huán)境因子的高精度LAI定量反演模型。

2.2 研究數(shù)據(jù)

2.2.1 遙感數(shù)據(jù)的獲取與處理

從USGS官方網(wǎng)站[注]https://earthexplorer.usgs.gov/.中選取下載2017年8月15日、9月16日以及10月2日的Landsat 8遙感影像。影像云量覆蓋低，空間分辨率為30 m。對(duì)影像進(jìn)行預(yù)處理，包括輻射校正、地形校正、圖像融合、行政區(qū)邊界裁剪。再以谷歌地圖數(shù)據(jù)、GlobeLand 30地表覆蓋數(shù)據(jù)與實(shí)地樣點(diǎn)數(shù)據(jù)為參考，在預(yù)處理過后的影像上進(jìn)行支持向量機(jī)(SVM)分類，分出林地與耕地兩大土地利用類型。

2.2.2 植被覆蓋度的提取

植被覆蓋度是指植被在地面的垂直投影面積占總面積的百分比[14]。李榮春與陸秀明等學(xué)者發(fā)現(xiàn)植被覆蓋度與LAI間存在顯著的相關(guān)關(guān)系，并成功地利用植被覆蓋度來估算夏玉米與水稻LAI[15-16]。因此，本研究將植被覆蓋度作為輸入因子參與到LAI定量反演當(dāng)中。

植被指數(shù)和植被覆蓋度之間具有較高的線性正相關(guān)特性，像元二分模型是常用于由植被指數(shù)來確定植被覆蓋度的一種有效方法。使用基于NDVI植被指數(shù)的像元二分模型來提取植被覆蓋度(Z):

(1)

根據(jù)李苗苗[14]提出的確定NDVIsoil和NDVIveg值的方法，取NDVI(公式4)在置信度為5%和95%附近的值來作為NDVIsoil和NDVIveg。

2.2.3 地形因子的提取

在同一個(gè)氣候區(qū)域內(nèi)，地形是影響植被格局的最重要的因子之一，而且還可以通過形態(tài)的變化，如坡度、坡向等因素，對(duì)光照、溫度、水分和土壤養(yǎng)分等資源的空間進(jìn)行再分配[17]，直接或間接地影響植被的再分布，從而影響冠層的分布狀況。靳華安等學(xué)者考慮了地形因素的影響，成功建立了精度高于未考慮地形變量的LAI定量反演模型[18]。地形因子分為大范圍尺度地形因子(如海拔、經(jīng)緯度)與小范圍尺度地形因子(如坡度、坡向)?？紤]到本次研究的區(qū)域范圍以及定量分析要求，選取坡度作為地形因子參與研究區(qū)的LAI定量反演。

用于提取地形因子的基礎(chǔ)數(shù)據(jù)為研究區(qū)30 m分辨率的GDEMDEM。該數(shù)據(jù)是從地理空間數(shù)據(jù)云網(wǎng)站 中下載得到的。通過ENVI 5.3 Toolbox中的Terrain>Topographic Modeling模塊進(jìn)行坡度數(shù)據(jù)的提取，隨后對(duì)提取到的坡度數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，從而獲得地形因子(P)。

2.2.4 植被含水量因子的提取

植被含水量是指地面植被覆蓋在單位面積上自身的含水總量數(shù)值。植物的生長(zhǎng)發(fā)育直接受葉片水分狀況控制，間接受到土壤水分等因素影響。植被冠層中水分含量約占40%～80%，是影響植物光合作用和生物量的主要因素之一。因此，植被冠層水分狀況對(duì)LAI具有一定作用力。

植被含水量是降水因子在植被上的映射。因此，將植被含水量視為地理環(huán)境要素參與到LAI的建模當(dāng)中。研究區(qū)中植被覆蓋度高，土壤背景基本上被植被信號(hào)掩蓋，光學(xué)遙感探測(cè)的信號(hào)大部分來源于植被信息。因而，利用光學(xué)遙感直接監(jiān)測(cè)植被冠層水分狀況是可行的。目前，國(guó)內(nèi)外已發(fā)展了許多基于光學(xué)遙感技術(shù)估算植被含水量的方法，如光譜反射率、光譜水分指數(shù)和輻射傳輸模型。光譜水分指數(shù)中的復(fù)比指數(shù)能減小冠層LAI變化影響的同時(shí)使對(duì)葉片含水量的敏感性最大化[19]。因此，復(fù)比指數(shù)(SRWI/NDWI[20])作為植被含水量因子(E)參與到LAI的建模當(dāng)中。

(2)

式(2)中：Swir1與Swir2均為短波紅外波段， Swir1的波段范圍為1.560～1.660 μm，Swir2的波段范圍為2.100～2.300 μm，Nir為近紅外波段，Green為綠色波段。

2.2.5 植被指數(shù)的提取與最優(yōu)篩選

1)植被指數(shù)的提取

對(duì)未經(jīng)圖像融合處理的預(yù)處理后的影像進(jìn)行植被指數(shù)的提取。植被指數(shù)是指2個(gè)或者多個(gè)波長(zhǎng)范圍內(nèi)的地物反射率進(jìn)行線性或者非線性組合，產(chǎn)生的對(duì)植物的生長(zhǎng)、生物量等具有一定指示作用的數(shù)值。目前已提出的植被指數(shù)可達(dá)150多種，而這些植被指數(shù)中只有少數(shù)經(jīng)過系統(tǒng)的實(shí)踐檢驗(yàn)?？紤]到大氣和背景土壤對(duì)反演LAI的影響，選取了比值植被指數(shù)(RVI)、歸一化植被指數(shù)(NDVI)、調(diào)節(jié)型歸一化植被指數(shù)(ANDVI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)、增強(qiáng)型植被指數(shù)(EVI)、大氣阻抗植被指數(shù)(ARVI)以及綜合土壤大氣調(diào)節(jié)植被指數(shù)(SARVI)[21-22]。以上植被指數(shù)的相應(yīng)計(jì)算公式如下：

(3)

(4)

(5)

(6)

(7)

(8)

(9)

式(3)～(9)中：Nir為近紅外波段，Red為紅色波段，Blue為藍(lán)色波段，Green為綠色波段；SAVI的土壤背景調(diào)節(jié)系數(shù)L(理論范圍0～1)取0.35；EVI的增益系數(shù)G取2.5，冠層背景調(diào)節(jié)系數(shù)L取1，大氣氣溶膠阻力系數(shù)C1取6，C2取7.5；ARVI的光路輻射訂正系數(shù)V取1與0.5；SARVI中的L取0.5，光路輻射訂正系數(shù)V取1；ANDVI的土壤背景調(diào)節(jié)系數(shù)L(理論范圍0～1)取0.85。

2)植被指數(shù)的最優(yōu)篩選

相關(guān)系數(shù)揭示了2個(gè)地理要素之間相互關(guān)系的密切程度，它的值介于[-1，1]區(qū)間，它的絕對(duì)值越接近1，表示2個(gè)要素之間的關(guān)系越密切。在多要素所構(gòu)成的地理系統(tǒng)中，當(dāng)研究某一要素對(duì)另一要素的影響程度時(shí)，把其他要素的影響視為常數(shù)，而單獨(dú)研究2個(gè)要素之間的相互關(guān)系的密切程度時(shí)，則為偏相關(guān)分析。偏相關(guān)系數(shù)就是用以度量偏相關(guān)程度的統(tǒng)計(jì)量。

(1) 考慮地理環(huán)境要素方法下的植被指數(shù)的最優(yōu)篩選：在控制自變量地形因子(P)、植被覆蓋度因子(Z)與植被含水量因子(E)的前提下，對(duì)實(shí)測(cè)LAI與多種植被指數(shù)做偏相關(guān)分析，選出適合估算本研究區(qū)域闊葉林或水稻田(生殖生長(zhǎng)階段)LAI的最優(yōu)植被指數(shù)，結(jié)果如表1所示。

(2)傳統(tǒng)單植被指數(shù)方法下的植被指數(shù)的最優(yōu)篩選：對(duì)實(shí)測(cè)LAI與多種植被指數(shù)做相關(guān)分析，選出適合估算本研究區(qū)域闊葉林或水稻田(生殖生長(zhǎng)階段)LAI的最優(yōu)植被指數(shù)，結(jié)果如表1所示。

表 1 基于2種方法的最優(yōu)植被指數(shù)及其篩選依據(jù)Table 1 Optimal vegetation indexes based on two methods and their screening bases

注：**在0.01 水平上顯著相關(guān)。

2.2.6 葉面積指數(shù)的獲取

盡量選擇植被覆蓋較均一且具有區(qū)域代表性的地點(diǎn)作為采樣地(圖3、圖4)，樣地間的距離大于30 m，共30處樣地，其中闊葉林樣地15處，水稻田樣地15處。在每個(gè)樣地內(nèi)隨機(jī)測(cè)2～3個(gè)點(diǎn)，然后取LAI平均值作為該樣點(diǎn)的實(shí)測(cè)LAI值。同時(shí)，用Trimble Juno SB GPS手持機(jī)測(cè)定每個(gè)樣點(diǎn)的地理坐標(biāo)，定位誤差在2～5 m，為提高精度，在同一樣點(diǎn)上測(cè)2～3次，取平均值作為最終結(jié)果。于2017年8月23日至26日及9月2日至9日采集闊葉林樣地的葉面積指數(shù)；于2017年9月4日至8日及9月23日至29日采集水稻田樣地的葉面積指數(shù)。用于對(duì)應(yīng)分析的遙感影像獲取時(shí)間分別是2017年8月15日、2017年9月16日和2017年10月2日?？紤]到水稻葉面積指數(shù)受生育期的影響，選取均處于生殖生長(zhǎng)階段(揚(yáng)花-完熟期)的水稻田作為采樣點(diǎn)；考慮到研究區(qū)闊葉林的葉面積指數(shù)在8、9月份變化幅度較小。可以認(rèn)為實(shí)測(cè)LAI與遙感影像基本達(dá)到了同步。葉面積指數(shù)采用儀器測(cè)定法來獲取，用到的測(cè)量?jī)x器是由美國(guó)LI-COR公司生產(chǎn)的植物冠層分析儀(LAI-2000 Canopy Analyzer)，它被公認(rèn)為是測(cè)量葉面積指數(shù)精度較高的儀器[23]，已應(yīng)用于如水稻的營(yíng)養(yǎng)需求和生長(zhǎng)情況的研究[24]、玉米 、大豆、林木群體(遒樹、白蠟、欒樹)[25]以及闊葉林區(qū)的LAI測(cè)定[23]。為避免太陽(yáng)直接輻射帶來的誤差，觀測(cè)選擇在全陰天或太陽(yáng)升起或落下前后進(jìn)行，盡量避免在白天日照強(qiáng)烈的情況下觀測(cè)，以確保數(shù)據(jù)的可比性。

圖 3 采樣時(shí)的實(shí)際拍照Figure 3 The actual picture taken during sampling

圖 4 基于地表覆蓋的樣地分布Figure 4 Distribution map of sample plots based on surface cover

3 結(jié)果與討論

3.1 研究數(shù)據(jù)的統(tǒng)計(jì)分析

如表2所示，研究區(qū)闊葉林實(shí)測(cè)LAI平均值為1.971，最大值為3.085，最小值為1.120。大量研究表明森林的LAI取值范圍通常為2～10，此次測(cè)定的闊葉林LAI偏小，原因可能是研究區(qū)內(nèi)地的闊葉林已渡過生長(zhǎng)繁盛期而紛紛邁向掉落期；研究區(qū)水稻田(生殖生長(zhǎng)階段)實(shí)測(cè)LAI平均值為2.634，最大值為5.100，最小值為0.180，相關(guān)研究測(cè)定處于生殖生長(zhǎng)階段水稻的LAI取值范圍大致為0～6[26-27]，此次測(cè)定的水稻LAI符合生物規(guī)律。

表 2 研究數(shù)據(jù)的統(tǒng)計(jì)量Table 2 Statistics of research data

3.2 模型精度檢驗(yàn)

采用均方根偏差RMSD(Root Mean Square Deviation)和判定系數(shù)R22種方式來對(duì)模型進(jìn)行精度檢驗(yàn)。

(10)

(11)

式(10～11)中：n是用于模型精度驗(yàn)證的樣本數(shù)，LAIobs是實(shí)測(cè)的LAI值，LAImod是估算得到的LAI值。RMSD的取值范圍為[0,+∞)，RMSD值越小表示LAImod和LAIobs的值越接近。R2的取值范圍為[0,1]，R2越接近于1，表明模型的預(yù)測(cè)能力越強(qiáng)，模型效果顯著。

用于建立模型的樣點(diǎn)共有25個(gè)，其中，闊葉林樣點(diǎn)13個(gè)，水稻田樣點(diǎn)12個(gè)。這些樣點(diǎn)與建立模型的樣點(diǎn)相同。由表3可以看出，就RMSD值方面，基于地理環(huán)境要素的LAI反演模型均小于基于傳統(tǒng)單植被指數(shù)方法的LAI反演模型；就R2值方面，2種方法下的反應(yīng)模型均大于0.7，且基于地理環(huán)境要素的LAI反演模型均大于基于傳統(tǒng)單植被指數(shù)方法的LAI反演模型。這表明基于地理環(huán)境要素的LAI反演模型的精度均大于基于傳統(tǒng)單植被指數(shù)方法的LAI反演模型(預(yù)測(cè)效果見圖5)。這也證明了基于最佳植被指數(shù)與環(huán)境因子的高精度LAI定量反演模型是可行的。

3.3 模型敏感性分析

敏感性分析是建立新模型的重要一步。它提供系統(tǒng)檢驗(yàn)?zāi)Ｐ托袨榈臋C(jī)會(huì)，了解模擬系統(tǒng)運(yùn)行機(jī)制。運(yùn)用局部敏感性分析的回歸分析法(偏相關(guān)系數(shù))，揭示各輸入因子在局部范圍內(nèi)變化時(shí)對(duì)模型輸出響應(yīng)的影響。為了對(duì)比2個(gè)研究對(duì)象下的LAI定量反演模型的敏感性分析，引入“貢獻(xiàn)度”這一指標(biāo)。

表 3 基于2種方法建立的最優(yōu)LAI反演模型Table 3 Optimal inversion models to leaf area index based on two methods

注：E為植被含水量因子，Z為植被覆蓋度，P為地形因子。

圖 5 基于2種方法建立的LAI反演模型預(yù)測(cè)效果檢驗(yàn)Figure 5 Test of prediction effect of leaf area index inversion models based on two methods

貢獻(xiàn)度為偏相關(guān)系數(shù)的絕對(duì)值與該模型各因子偏相關(guān)系數(shù)絕對(duì)值的總和之比。

如表4所示，基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型中，植被覆蓋度對(duì)模型的貢獻(xiàn)度均很大，且對(duì)闊葉林LAI的貢獻(xiàn)度要高于對(duì)處于生殖生長(zhǎng)階段的水稻LAI的貢獻(xiàn)度，這可能與本研究中闊葉林覆蓋度大于生殖生長(zhǎng)階段的水稻覆蓋度有關(guān)；植被指數(shù)對(duì)LAI的影響程度也很顯著，符合傳統(tǒng)經(jīng)驗(yàn)關(guān)系方法理論；作為地形因子的坡度對(duì)LAI的影響程度稍顯微弱，與孫東的亞熱帶常綠闊葉林葉面積指數(shù)對(duì)地形因子的響應(yīng)研究的結(jié)果相適應(yīng)[28]，其中對(duì)闊葉林LAI的貢獻(xiàn)度要高于對(duì)處于生殖生長(zhǎng)階段的水稻LAI的貢獻(xiàn)度，這可能與本研究的水稻田樣地均處于地勢(shì)平坦區(qū)域，坡度變化幅度不大有關(guān)，從標(biāo)準(zhǔn)偏差可看出；含有植被含水量信息的SRWI/NDWI對(duì)處于生殖生長(zhǎng)階段的水稻LAI的影響程度要大于對(duì)闊葉林LAI的影響程度，這可能與兩種植被的生理特性息息相關(guān)。水稻對(duì)水分最為敏感的時(shí)期從孕穗到開花期[29]，樹木冠層對(duì)水分的敏感時(shí)期從出葉開始到出葉結(jié)束期(大部分亞熱帶常綠闊葉樹種的出葉結(jié)束時(shí)間在4月中旬)[30]。盡管研究對(duì)象均已經(jīng)過了對(duì)水分最為敏感的時(shí)期，水稻作為淹灌灌溉方式下的喜濕作物，在植物生長(zhǎng)發(fā)育方面，水稻對(duì)水分的敏感性仍要大于闊葉樹種對(duì)水分的敏感性。

雖然在基于最佳植被指數(shù)與環(huán)境因子的LAI反演模型當(dāng)中各因子的貢獻(xiàn)度有大有小，但各因子均對(duì)模型輸出產(chǎn)生影響，它們的存在均為模型精度的提高做出了必不可少的貢獻(xiàn)。

表 4 基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型及各因子對(duì)葉面積指數(shù)的影響程度Table 4 Inversion models to leaf area index based on optimum vegetation index and environmental factor and the influence of various factors on leaf area index

注：E為植被含水量因子，Z為植被覆蓋度，P為地形因子；貢獻(xiàn)度為偏相關(guān)系數(shù)的絕對(duì)值與模型各因子偏相關(guān)系數(shù)的絕對(duì)值總和之比。

4 結(jié)語(yǔ)

用經(jīng)預(yù)處理后的Landsat8OLI遙感影像進(jìn)行植被指數(shù)和植被水分指數(shù)(E)的計(jì)算，并在植被指數(shù)的基礎(chǔ)上估算植被覆蓋度(Z)。將通過DEM數(shù)據(jù)提取的坡度數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，由此提取地形因子(P)。在控制植被覆蓋度因子(Z)、植被水分指數(shù)(E)與地形因子(P)的前提下，對(duì)實(shí)測(cè)LAI與多種植被指數(shù)做偏相關(guān)分析，選出適合分別估算區(qū)域闊葉林和水稻田(生殖生長(zhǎng)階段)LAI的最優(yōu)植被指數(shù)。對(duì)實(shí)測(cè)LAI、最優(yōu)植被指數(shù)、地形因子(P)與植被覆蓋度因子(Z)進(jìn)行多元線性回歸分析，建立基于最佳植被指數(shù)與環(huán)境因子的高精度LAI定量反演模型。最后，對(duì)該模型進(jìn)行精度檢驗(yàn)，證明其可行性。

在闊葉林LAI反演模型中，植被覆蓋度的貢獻(xiàn)度占首位，次位是植被指數(shù)，第三位是地形因子，第四位為植被含水量因子；在生殖生長(zhǎng)階段水稻的LAI反演模型中，植被指數(shù)的貢獻(xiàn)度占首位，次位是植被覆蓋度，第三位是植被含水量因子，第四位為地形因子。這與2種植被的分布特征和生物特性息息相關(guān)。未來的研究中還應(yīng)多關(guān)注考慮環(huán)境因子的LAI遙感反演，試圖從機(jī)理上解釋各因子對(duì)LAI遙感估算的影響。

本研究所建立的LAI定量反演模型需要注意的是：(1)本研究中的水稻LAI定量反演模型只適用于位于地勢(shì)平坦處并且處于生殖生長(zhǎng)階段的水稻，往后可展開對(duì)其余生長(zhǎng)階段以及山地環(huán)境中水稻的研究；(2)由于采用Landsat8OLI遙感影像的分辨率為30m，在此范圍內(nèi)可能會(huì)存在大的孔隙度，而用Landsat8OLI遙感影像反演出的LAI是整個(gè)像元，即30m×30m范圍內(nèi)的LAI平均值，所以在地面測(cè)量LAI時(shí)須選擇植被覆蓋較均一處進(jìn)行測(cè)量，并且需要取多次測(cè)量的平均值作為實(shí)測(cè)LAI參與建模；(3)GPS的坐標(biāo)系應(yīng)與遙感影像的一致，以保證通過測(cè)量樣地的中心位置坐標(biāo)提取的遙感信息以及地形信息的正確性；(4)研究中用于反映植被含水量因子的植被水分指數(shù)未必是最優(yōu)植被水分指數(shù)，往后的研究需對(duì)植被水分指數(shù)進(jìn)行篩選，從而進(jìn)一步提高LAI反演模型的精度；(5)雖然研究樣地較少，但采樣地具有較強(qiáng)的區(qū)域代表性，因此所建立的基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型具有一定的區(qū)域?qū)嵱眯裕?6)雖然用于檢驗(yàn)?zāi)Ｐ途鹊臉颖九c建模樣本相同，但是基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型的精度檢驗(yàn)結(jié)果與傳統(tǒng)單植被指數(shù)LAI定量反演模型的精度檢驗(yàn)結(jié)果具有可比性，仍可證明，基于最佳植被指數(shù)與環(huán)境因子的LAI定量反演模型與未考慮環(huán)境因子的單植被指數(shù)LAI定量反演模型相比，其驗(yàn)證精度有所提高。