李聪慧，赖壮杰，刘 健，余坤勇*

(1.福建开放大学 理工学院，福建 福州 350013；2.福建农林大学 林学院，福建 福州 350002；3.福建农林大学 3S技术应用研究所，福建 福州 350002)

叶面积指数(leaf area index,LAI)是林地上单位面积林分总绿叶面积的1/2[1-2]，可以用于指示植物生物量、生长状况和分布密度，并被作为描述植被冠层结构的核心参数应用于构建众多相关模型之中[3-4]，LAI的快速、高效、无损获取对于森林可持续发展具有重要意义。近些年来，遥感技术手段在林业中被广泛应用，利用遥感技术反演LAI成为调查研究的重要手段，其中，无人机影像较之卫星遥感影像反演LAI精度更高、更便捷、更经济，在业界广泛应用[2,5]。

植被冠层结构是影响LAI反演的一个重要因素，目前的研究主要集中于单一垂直角度观测，在光谱获取时不可避免的忽视了冠层结构及背景因素的干扰，导致光饱和及光缺失，使LAI反演存在较大误差，出现“同物异谱”或“同谱异物”。多角度遥感技术的发展为LAI反演提供了丰富的三维冠层结构光谱信息[6-8]，为LAI反演精度的提升提供了更多可能。建立遥感影像计算得到的植被指数与实测LAI的经验关系是反演LAI的常用方法，传统植被指数易受诸多环境因素的影响[9]，使利用植被指数反演LAI存在误差，植被指数的优化成为近来LAI反演研究的一个重要方向。有研究表明地表植被二向性反射特征中的热暗点信息可以丰富植被冠层结构的光谱信息，热暗点信息与植被指数的结合可以优化植被指数[10]，进一步提升LAI反演精度。

长汀县河田镇地处南方典型水土流失区，水土流失严重，山上的马尾松林主要以枝叶稀疏、矮小的“老头松”为主，林下大面积覆盖芒萁，使得该区域单一观测角度马尾松林LAI反演极易受到土壤背景及冠层反射率的影响，出现高植被覆盖区的饱和现象。鉴于此，本研究采用无人机多角度遥感深入挖掘影像信息，一方面通过自由设定不同观测角度获取更为丰富的光谱信息；另一方面充分考虑马尾松林二向性反射特征在光谱表达上出现的热暗点效应，探讨将多角度光谱信息中的传统植被指数与具有三维立体冠层结构光谱信息中的热暗点指数相结合，克服传统植被指数冠层结构信息不足的缺点，提高LAI反演精度，以期实现研究区马尾松林长势的动态监测，并为无人机多角度遥感在林业中的应用提供更多的理论基础与经验。

1 研究区概况

研究区河田镇位于福建省龙岩市长汀县中部、汀江上游(图1)，地理坐标116°16′-116°34′E，25°30′-25°44′N，地处亚热带季风气候带，气候温和，雨水充沛，年均气温17～29.5℃，历史最高温39.8℃、最低温-4.9℃，年降雨量1 700 mm，降雨量集中在4-6月，占全年52.2%，降雨强度大。全镇面积约296 km2，海拔300～500 m，东临南山镇，南接涂坊、濯田镇，北交新桥镇，西连策武乡，镇中部平坦开阔，四周低山高丘环绕，是长汀县最大的河谷盆地。区域地带性植被为中亚热带常绿阔叶林。研究区早年受自然灾害和人为滥砍滥伐影响严重，森林植被遭到严重破坏，水土流失严重，土壤贫瘠。近年来，随着“绿水清山就是金山银山”可持续发展理念的提出，该地将生态文明建设放到突出的战略地位，大力开展水土保持工作，极大地推动了河田镇生态环境向好发展，但由于历史因素，研究区生态环境仍十分脆弱，山上以稀疏、低矮、生长缓慢的“老头松”为主要树种，林下植被以芒萁(Dicranopterisdischotoma)为主，灌木层分布较少。

图1 研究区地理位置及样地分布

2 研究方法

2.1 材料收集与图像预处理

2.1.1 地面数据采集与处理 本研究在河田镇设置72块连续相接的10 m×10 m样地，于2019年10月利用LAI-2200植被冠层分析仪，采用1A4B的方法，获取各样地LAI，即手持仪器在林窗空白处取1个A值，在10 m×10 m样地中选取4个能够代表平均林分密度的点取B值，以重复3次的测量平均值作为该样地的LAI值[1,11-12]。

2.1.2 无人机影像数据获取与处理 采用精灵4多光谱版无人机(P4 Multispectral)搭载一体式多光谱成像系统及RTK定位系统，于2019年11月20日午时分别拍摄0°、±15°、±30°、±45°、±60°共9个观测角度无人机影像图(“-”代表无人机观测方向与阳光入射方向一致，“+”代表无人机观测方向与阳光入射方向相反)，具体航线规划和参数设置见表1。采用Pix4D Mapper软件进行影像拼接，并选取3对以上分散的地面明显标志物为控制点，利用ArcGIS10.2软件的地理配准工具模块对生成的蓝(460±16nm)、绿(560±16nm)、红(650±16nm)、近红(730±16nm)、红边(840±26nm)5个波段图及可见光RGB影像进行校正叠加处理，再利用ERDAS叠加各拼接好的波段影像图生成全色影像图。

表1 航线规划及参数设置

2.2 表征马尾松林LAI的指数构建方法

2.2.1 最优热暗点指数选取法 热暗点是基于植被二向性反射光谱特征，某个特定观测角度下植被冠层反射率的最大值和最小值，目前主要以热暗点指数表达热暗点区域信息。随着遥感技术的发展，衍生出的不同类型热暗点指数，本质上都是由热暗点处反射率计算得到。根据前人的研究结果，本研究选取热暗点指数、归一化热暗点指数、改进的归一化热暗点指数、热暗点比值指数进行探讨研究(见表2)。研究基于绿光波段、红光波段、近红外波段热暗点处的反射率计算多种热暗点指数(根据前期研究结果，本研究选取-45°观测角反射率为热点处反射率，+45°观测角反射率为暗点处反射率)。

表2 热暗点指数相关公式

2.2.2 植被指数选取法 利用植被指数来估测LAI是常用的方法之一，本研究通过文献查阅法选取正射观测角度下的归一化植被指数、比值植被指数、绿色归一化植被指数、氮素反射率指数、冠层结构不敏感指数、可见光大气修正植被指数、修正土壤调节植被指数共7个植被指数进行探讨研究(表3)，并对选定的7个植被指数与实测LAI进行相关性分析。

表3 植被指数相关公式

2.2.3 热暗点植被指数构建法 研究区马尾松林木叶片稀疏且林下芒萁覆盖面积大，易使传统植被指数达到饱和状态，研究采用照片二值化法处理获取研究区马尾松林72个样点的草本覆盖度，进行标准化统一量纲，并通过引入热暗点植被指数，减少林下芒萁覆盖度对所选取植被指数的影响，进一步提高LAI反演精度。研究将HDRI-r引入7个传统植被指数中，通过优化H.Kouiti等[21]提出的热暗点植被指数，得到本研究区域各热暗点植被指数计算公式(表4)。

表4 结合热暗点信息的植被指数相关公式

2.3 表征马尾松林LAI的反演模型构建方法

充分考虑传统植被指数易饱和现象和热暗点植被指数基于特定观测角度的片面性，本研究利用相关性分析选取多角度传统植被指数，将多角度传统植被指数与选取的最优热暗点植被指数相结合，随机选取样本中的2/3(48个样本)作为建模集，1/3(24个样本)作为检验集，利用SPSS软件构建多元逐步回归模型，模型精度检验采用均方根误差(RMSE)、平均相对精度(RA)、均值估测精度(RM)3个指标进行[22-23]。

3 结果与分析

3.1 最优热暗点植被指数的选定

3.1.1 选取最优热暗点指数 研究利用SPSS软件将不同波段反射率计算的热暗点指数与马尾松林LAI进行拟合(图2～图4)可见，不同类型的热暗点指数与实测LAI的相关性不同，其中基于绿光波段反射率计算的NDHD-g与实测LAI拟合效果最优，R2为0.371 7；基于红光波段反射率计算的HDS-r、HDRI-r与实测LAI拟合效果最优且R2相同为0.398；基于近红外波段反射率计算的NDHD-nir与实测LAI拟合效果最优，R2为0.339 1。相较其他波段热暗点指数，本研究区红光波段反射率计算的热暗点指数HDS-r、HDRI-r与实测LAI拟合效果最佳，同时，基于HDRI-r较HDS-r计算简便考虑，本研究认为基于红光波段反射率计算的热暗点比值指数HDRI-r更具有表达LAI的能力，因而选取HDRI-r作为LAI反演的一个重要辅助参数。

注：a)HDS-g与LAI的最优拟合模型；b)NDHD-g与LAI的最优拟合模型；c)MNDHD-g与LAI的最优拟合模型；d)HDRI-g与LAI的最优拟合模型。

注：a)HDS-r与LAI的最优拟合模型；b)NDHD-r与LAI的最优拟合模型；c)MNDHD-r与LAI的最优拟合模型；d)HDRI-r与LAI的最优拟合模型。

注：a)HDS-nir与LAI的最优拟合模型；b)NDHD-nir与LAI的最优拟合模型；c)MNDHD-nir与LAI的最优拟合模型；d)HDRI-nir与LAI的最优拟合模型。

3.1.2 选取传统植被指数 本研究选定的7个传统植被指数与实测LAI进行相关性分析结果表明，7个植被指数与实测LAI均显著相关(表4)，相关性从高到低排列为NDVI>VARI>MSAVI>RVI>SIPI>NRI>GNDVI，其中NDVI、MSAVI、RVI、VARI与实测LAI极显著相关，GNDVI、NRI、SIPI与实测LAI显著相关，选取的7个植被指数均具有表达LAI信息的潜在能力。

3.1.3 选取最优热暗点植被指数 一方面，热暗点植被指数较之传统植被指数表现出更高的抗饱和性。通过计算，分别对比传统植被指数、热暗点植被指数与草本覆盖度的增长关系可见，研究区马尾松林传统植被指数与草本覆盖度的变化趋势差异较大，传统植被指数值在中、高草本覆盖度区域数值下降并逐渐趋向饱和(图5)；热暗点植被指数与草本覆盖度变化趋势整体一致，热暗点植被指数值随着草本覆盖度的增加而增加(图6)，可见，热暗点植被指数抗饱和性优于传统植被指数。

注：a)草本覆盖度与NDVI；b)草本覆盖度与GNDVI；c)草本覆盖度与MSAVI；d)草本覆盖度与NRI；e)草本覆盖度与RVI；f)草本覆盖度与VARI；g)草本覆盖度与SIPI。

注：a)草本覆盖度与NHDRI；b)草本覆盖度与GNHDRI；c)草本覆盖度与MSAHDRI；d)草本覆盖度与NRHDRI；e)草本覆盖度与RHDRI；f)草本覆盖度与SIPHDRI；g)草本覆盖度与VARHDRI。

表5 选取植被指数相关系数矩阵

另一方面，研究将传统植被指数、热暗点植被指数分别与实测LAI进行线性拟合(表6)，对热暗点植物指数反演马尾松林LAI效果加以评价，以此检验热暗点植被指数在反演马尾松林LAI上的优势，为马尾松林LAI反演研究提供参考意见。

表6 植被指数与实测LAI拟合R2对比

根据拟合R2结果可见，传统植被指数与实测LAI的拟合R2从高到低排列为NDVI>MSAVI>VARI>RVI>GNDVI>SIPI>NRI，其中最高的为NDVI，而GNDVI、NRI、SIPI与实测LAI的拟合R2均较低；引入优选热暗点指数HDRI-r后的对应热暗点植被指数与实测LAI的拟合R2由大到小依次为NHDRI>SIPHDRI>RHDRI>GNHDRI>MSAHDRI>NRHDRI>VAHDRI。相较于对应的传统植被指数，热暗点植被指数NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI与LAI拟合R2均有显著提升，分别提高了82%、333%、295%、161%、1 409%、380%、192%，很好地说明了热暗点植被指数能更好地反映研究区LAI的真实情况。本研究选取热暗点植被指数中与LAI相关性最高的NHDRI作为优化LAI反演模型的重要指数。

3.2 马尾松林LAI反演模型构建

在多角度传统植被指数的选取上，以9个观测角度下与实测LAI相关性排前2名的植被指数作为构建模型的自变量(表7)，即NDVI-60°、RVI-60°、MSAVI-45°、RVI-45°、MSAVI-30°、SIPI-30°、VARI-15°、NDVI-15°、NDVI0°、VARI0°、VARI+15°、RVI+15°、NDVI+30°、RVI+30°、NDVI+45°、VARI+45°、SIPI+60°、VARI+60°，加上最优热暗点植被指数NHDRI共计19个植被指数作为多元回归分析的自变量，构建本研究区最优马尾松林LAI反演模型如下：

表7 各角度植被指数与实测LAI相关性分析

y=0.07×NHDRI-0.42×RVI-60°(R2=0.502，RMSE=0.299 6)

模型拟合R2为0.344 3，RMSE为0.389 6，RA为88.73%，RM达到了99%以上。可见，马尾松林LAI反演精度高，模型可靠。根据研究区马尾松林LAI反演模型计算公式，利用ArcGIS制作反演专题图(图7)，研究区马尾松林LAI范围为0.11～4.28m2/m2，均值为2.51m2/m2。

图7 马尾松林LAI估测专题

4 结论与讨论

植被冠层结构是影响LAI估测的一个重要因素，基于多角度无人机影像的马尾松林LAI反演过程中，热暗点指数的引入丰富了冠层结构信息。基于红光波段反射率计算的热暗点比值指数HDRI-r计算相对简便，与研究区马尾松林实测LAI拟合效果最佳(R2=0.398)。在传统植被指数中引入HDRI-r的热暗点植被指数与草本覆盖度变化趋势整体保持一致，且有效缓解了传统植被指数的饱和现象，减少了马尾松林LAI反演中林下芒萁覆盖度对选取植被指数的影响。

马尾松林LAI的反演中，相较于传统植被指数，热暗点植被指数在提高LAI反演精度方面具有更大优势。引入热暗点信息的植被指数(NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI)与实测LAI的拟合R2均大于0.37，相较于对应的传统植被指数，R2分别提高了82%、333%、295%、161%、1 409%、380%、192%，明显高于传统植被指数，有效提升了研究区马尾松林LAI的反演精度。其中，MSAHDRI(R2=0.384 2)较未引入HDRI-r的传统植被指数MSAVI(R2=0.147 4)拟合R2变化率最高，提高了1 409%，NHDRI与实测LAI拟合R2最高，R2为0.406 5，研究选取NHDRI作为构建LAI反演模型的一个重要变量。马尾松林LAI反演精度的提升表明，通过多角度无人机遥感影像的热暗点区域进行LAI反演是可行且可靠的，热暗点信息与植被指数的结合能够有效提高马尾松林LAI反演精度。

不同观测角度的植被指数信息以及热暗点植被指数信息均能提高LAI的反演精度，研究探究了0°、±15°、±30°、±45°、±60°共9个观测角度下与LAI相关性较高的植被指数NDVI-60°、RVI-60°、MSAVI-45°、RVI-45°、MSAVI-30°、SIPI-30°、VARI-15°、NDVI-15°、NDVI0°、VARI0°、VARI+15°、RVI+15°、NDVI+30°、RVI+30°、NDVI+45°、VARI+45°、SIPI+60°、VARI+60°以及热暗点植被指数NHDRI共19个植被指数在表征研究区马尾松林LAI方面的作用，由反演模型y=0.07×NHDRI-0.42×RVI-60°可见，NHDRI和RVI-60°与研究区马尾松林LAI关系最大，最优热暗点植被指数NHDRI的选取确可提高马尾松林LAI反演精度，而多角度植被指数RVI-60°的出现也说明了在LAI反演过程中，不能只考虑热暗点植被指数，要将传统植被指数与热暗点植被指数相结合，增加反演信息量，使反演精度更高。此外，由模型计算得到的研究区马尾松林LAI范围0.11～4.28 m2/m2(均值为2.51 m2/m2)，实地测量的LAI范围为0.34～3.93 m2/m2(均值为1.87 m2/m2)，LAI值总体偏低，与研究区所处南方红壤重点流失区，水土流失严重，土壤较为贫瘠，马尾松林枝叶稀疏，以矮小的“老头松”为主的实际情况相符，模型能够较为准确的反映实际情况，但本次研究在提取植被指数时未对芒萁与马尾松进行分离，模型计算LAI值与实测值还有一定差距，林下芒萁对马尾松LAI的具体影响还需进一步探讨；同时，不同地域内马尾松生长状况和LAI会有所不同，模型表达不同地域马尾松LAI差异的稳定性也有待进一步深入研究。