新疆喀纳斯国家自然保护区植被叶面积指数观测与遥感估算

昝 梅，李登秋，居为民,*，王希群，陈蜀江

(1. 江苏省地理信息技术重点实验室，南京大学, 南京 210093; 2. 南京大学国际地球系统科学研究所, 南京 210093; 3. 新疆师范大学地理科学与旅游学院, 乌鲁木齐 830054; 4. 新疆干旱区湖泊环境与资源实验室, 乌鲁木齐 830054; 5. 国家林业局林产工业规划设计院, 北京 100010)

新疆喀纳斯国家自然保护区植被叶面积指数观测与遥感估算

昝 梅1, 2,3,4，李登秋1,2，居为民1,2,*，王希群5，陈蜀江3,4

(1. 江苏省地理信息技术重点实验室，南京大学, 南京 210093; 2. 南京大学国际地球系统科学研究所, 南京 210093; 3. 新疆师范大学地理科学与旅游学院, 乌鲁木齐 830054; 4. 新疆干旱区湖泊环境与资源实验室, 乌鲁木齐 830054; 5. 国家林业局林产工业规划设计院, 北京 100010)

叶面积指数(Leaf Area Index，LAI)是重要的植被结构参数，调控着植被与大气之间的物质与能量交换，在生态环境脆弱的我国西北部开展植被LAI的研究对阐明该地区植被对气候变化和人类活动的响应特征具有重要的科学意义。利用LAI- 2200和TRAC仪器观测了新疆喀纳斯国家级自然保护区森林和草地的有效叶面积指数(LAIe)和真实LAI，构建了其遥感估算模型，生成了研究区LAIe和LAI的空间分布图。在此基础上，分析了LAI随地形因子(海拔、坡度、坡向)的变化特征，探讨了将其应用于估算研究区森林生物量密度的可行性，并评估了研究区MODIS LAI产品的精度。结果表明：研究区阔叶林、针阔混交林、针叶林、草地LAIe的平均值分别为4.40、3.18、2.57、1.76，LAI的平均值分别为4.76、3.93、3.27、2.30。LAIe和LAI的高值主要集中分布在湖泊和河流附近；植被LAI随海拔、坡度和坡向的变化表现出明显的垂直地带性的特点。LAI随海拔和坡度的增加呈现先增加后减小的变化趋势，坡向对针叶林和草地LAI的影响明显，但对阔叶林和针阔混交林LAI的影响较弱；森林生物量密度(BD)随LAI增加而线性增加(BD=44.396LAI-25.946，R2=0.83)，研究区森林生物量密度平均值为120.3 t/hm2，估算的总生物量为5.0×106t；MODIS LAI产品与利用TM数据生成的LAI之间具有一定的相似性(森林R2=0.42，草地R2=0.53)，但森林和草地的MODIS LAI产品分别比利用TM数据生成的LAI偏低16.5%和24.4%。

叶面积指数(LAI)； 喀纳斯自然保护区； 遥感估算； MODIS LAI

植被叶面积指数(LAI)定义为单位地表面积上绿叶总面积的一半[1]，是重要的植物结构参数，影响生态系统的物质和能量循环过程，是水文和生态等模型的输入参数或状态变量[2- 7]，可靠的LAI数据是研究全球变化情景下植被生长及其碳循环变化的基础[8- 10]。所以，LAI数据的获取一直是生态和遥感领域的研究热点。应用破坏性方法或光学仪器可观测有限样点的LAI[11]。而区域/全球LAI的获取就需要采用遥感统计模型或物理反演模型的方法来实现[12]。基于植被指数的统计模型由于参数少和易于实现的优点而被广泛应用于生成小区域的LAI[13- 14]，但也存在建模需要LAI观测数据、模型适用范围有限的不足。LAI 的物理反演模型具有机理明确、无需LAI地面观测数据、适应性强的优点，但模型的参数较多，对反演结果影响大，反演的LAI需要进行验证。所以，利用反演方法生成的全球MODIS LAI产品的精度评价一直是近年来国内外的研究热点[15]。但这类研究在我国的西北地区还较少开展。

喀纳斯自然保护区位于新疆北部阿尔泰山中段，是中国唯一与四国接壤的自然保护区，也是我国唯一的西伯利亚泰加林分布区，成为阻滞古尔班通古特沙漠北移的重要生态屏障。区内原始植物生态系统保存完好, 具有完整的垂直带谱[16]，是陆地生态系统对全球气候变化响应研究的理想实验区。目前，有关该区域生物资源和生态环境方面的研究很多[17- 19]，但植被LAI的变化特征尚不清楚。所以，研究该地区植被LAI的变化特征及其与植被生物量之间关系，对于明晰气候变化和人类活动对该地区生态系统的影响、制定科学合理的生态保护措施具有重要的科学意义和实际应用价值。

本文以新疆喀纳斯国家级自然保护区为研究区，使用LAI- 2200冠层分析仪和TRAC光学仪器观测植被的有效叶面积指数(LAIe)与真实叶面积指数(LAI)，结合Landsat 5-TM遥感数据生成LAIe与LAI分布图，分析研究区内LAI与植被类型、地形和海拔等因子的关系，探讨利用LAI遥感数据估算森林生物量密度的可行性，并对MODIS LAI产品进行精度评价，以期为研究该地区植被对气候变化和人类活动的响应特征提供参考。

1 研究区与研究方法

1.1 研究区概况

喀纳斯国家级自然保护区位于新疆维吾尔自治区阿勒泰地区的布尔津县境内，北与哈萨克斯坦共和国、俄罗斯共和国接壤，东与蒙古人民共和国毗连，西部与哈巴河县相望，南与布尔津林场为邻(图1)，土地总面积21.92×104hm2。保护区年平均气温-0.2℃，年均降水量1065.4 mm，年均蒸发量为1097.0 mm。森林群落建群种主要有西伯利亚落叶松(LarixsibiricaLdb.)、西伯利亚云杉(PiceaobovataLdb.)、西伯利亚红松(PinussibiricaLdb.)、西伯利亚冷杉(AbiessibiricaLdb.)，伴生的阔叶树种主要有欧洲山杨(PopulustremulaL.)、疣枝桦(BetulapendulaRoth.)以及西伯利亚花楸(SorbussibiricaHedl)、刺蔷薇(RosaacicularisL.)和多刺蔷薇(R.spinosissimaL.)等乔灌木。林下优势植物有：林地早熟禾(PoanemorensisL.)、紫苞鸢尾(IrisruthenicaKer-Gawl)、森林草莓(FragariavescaL.)、白花砧草(GaliumborealeL.)、石生悬钩子(RubussaxatilisL.)等[20- 21]。

图1 喀纳斯国家自然保护区位置和LAI观测样点分布图(黄色和绿色点分别为使用LAI- 2200和TRAC的观测样点)Fig.1 The location of Kanas National Nature Reserve and plots where LAI were measured using the LAI- 2200 (yellow dots) and TRAC (green dots) instruments

1.2 叶面积指数的观测和处理

1.2.1 野外数据的获取

2011年6月28日—7月8日对研究区进行了野外考察和LAI观测。结合研究区1∶5000森林资源分布图和地形图，在地势平坦、植被优势种类单一，面积大于100 m×100 m处布设LAI观测样方。在每个样区内布设两条相距25 m、长度为50 m的平行测线，沿测线每隔10 m布设1个采样点，取12个采样点的观测结果的平均值作为一个样区的LAIe和LAI观测值。在研究区共布设了50个样方，其中，森林样方37个(针叶林17个、针阔混交林12个、阔叶林8个)，草地样方13个(图1)。这些样方基本涵盖了研究区内除灌木外所有植被类型和主要植被种类。在观测LAIe/LAI的同时，用GPS获取样区中心经纬度及海拔高度，记录优势种类、树高(草地高度)、胸径(株丛宽度)、郁闭度(盖度)、坡向、坡度等信息，拍摄样区照片。

(1)森林LAI观测

使用美国LI-COR公司的LAI- 2200和加拿大Third Wave Engineering公司的TRAC进行森林LAI的观测。研究表明，利用LAI- 2200观测LAIe和TRAC观测聚集度指数(Ω)，可以得到可靠的LAI观测数据[22]。由于这次野外观测主要是在无人区进行，南北样区相距较远，不可能在同一地点长期停留，加之天气条件的限制，未能使用LAI- 2200和TRAC两种仪器对同一样方进行观测。在20个样方(13个针叶林、7个针阔混交林)使用的仪器为LAI- 2200，观测在阴天或日落时进行，仪器镜头视场角设为270°，观测者在林冠下方的每个观测点背对太阳采样4—6次，获得B值(林下天空光)。在每个样方的林下观测开始前和结束后分别在林外开阔地测量A值(天空光)。在晴空条件下，采用TRAC观测了17个样方(4个针叶林、8个阔叶林、5个针阔混交林)。观测时保持仪器的传感器离地面约1 m，沿测线匀速采样，每10 m作为一个采样单元[22]。在每个样方拍摄林冠照片，在室内利用Photoshop软件确定非绿叶比例(α)[23]。在每个样区选择3棵优势树种，每棵树取10张叶片，测量其宽度以确定叶片特征宽度(W)。受野外条件的限制，未能观测针簇比(γE)参数，而根据参考文献对其确定[23- 26]。

(2)草地LAI观测

利用LAI- 2200进行13个草地样方的LAI观测时，在每个采样点挖一个长15 cm、宽5 cm、深约5 cm的小坑，以放置仪器探头，挖坑时尽量不破坏周围草地的原有结构[27]。在每个测点的草地上方测量A值，将仪器探头保持与地表在同一水平面测量B值。由于观测时研究区的草地正处在生长茂盛期，非绿叶可以忽略不计，参数α取为0。

1.2.2 观测数据处理

采用LAI- 2200观测的1—4圈数据计算LAIe，对TRAC的观测数据采用TRAC WIN软件进行处理得到LAIe和Ω，用以下公式将观测的LAIe转换为LAI[28]:

LAI=(1-α)LAIe/Ω

(1)

式中,α为树干和树枝等非绿叶部分的比例，根据拍摄的冠层照片确定。

Ω与植被类型和叶片空间分布特征有关。如果叶片是空间随机分布，则Ω=1；如果叶片是聚集分布，则Ω< 1。 对于草地样方，该参数取为0.74[25];对于森林样方，该参数根据TRAC的观测结果确定。TRAC可以同时观测LAI、LAIe和Ω，但TRAC仅能直接观测到尺度大于针簇(如树群、树冠、树枝等)的聚集度指数(ΩE)，对阔叶林，ΩE等于Ω；而对于针叶林，ΩE与Ω的关系为[22,24,29]:

Ω=ΩE/γE

(2)

式中,γE为簇内所有针叶的总表面积与针簇总表面积的比值。对于阔叶林，该参数等于1.0，而对于针叶林，该参数大于1.0，与树种有关。

朱高龙等的研究结果表明，利用LAI- 2200观测的 LAIe比TRAC观测的LAI偏低12.8%，两者相关系数R2为0.81[22,30]，Chen等和Simic等也有相似的结论[24,31]。针对在同一样方仅有LAI- 2200或TRAC观测数据的实际情况，首先对TRAC的LAIe观测数据进行订正，以消除与LAI- 2200观测数据的系统性差别，再结合Ω数据计算LAI。

1.3 栅格数据的获取及处理

使用的TM遥感数据和DEM数据(30 m×30 m)(图2)来源于国际科学数据平台(http://datamirror.csdb.cn)。对2011年8月14日覆盖研究区的Landsat 5-TM影像(144/26)，进行几何精校正(误差小于0.5个像元)、辐射定标、大气校正后得到地表反射率数据。2011年7月4日-11日8天合成的MOD15A2 LAI产品数据(1 km×1 km)来自USGS网站(http://glovis.usgs.gov/)，图幅号为h23v04。地表覆盖数据(图3)来自研究区2009年的森林二类调查成果。所有的栅格数据都统一到UTM(WGS84)投影。

图2 研究区DEM图Fig.2 DEM map of the study area

图3 研究区30 m地表覆盖分布图Fig.3 30 m land cover map of the study area

1.4 植被指数的选取

基于TM地表反射率数据计算NDVI(归一化植被指数)[32]、SR(比值植被指数)[32]、SAVI(土壤调节植被指数)[32]、MSR(修正的简单植被指数)[33]、MAVI(湿度调节植被指数)[30]、RSR(减化比值植被指数)[34]、MNDVI(修正的归一化差值植被指数)[32]、ARVI(大气阻抗植被指数)[32]和EVI(改进型土壤大气修正植被指数)[32](表1)。为了减小几何订正误差的影响，计算植被指数时利用样区中心点及其周围3×3邻域像元的地表反射率的平均值[35]。

表1 植被指数的计算公式

B、R、NIR、SWIR分别是TM影像的第1、3、4和5波段的地表反射率；L为土壤调整参数，取为0.5；r是与气溶胶类型和性质有关的参数，取值为1.0；SWIRmax和SWIRmin分别为冠层完全郁闭和裸土条件下的TM5波段反射率，分别取TM5反射率直方图两端1%处的值

2 结果与讨论

2.1观测的LAIe/LAI及其遥感估算模型

观测的LAIe和LAI的统计结果列于表2，其中α、ΩE、Ω与朱高龙等[22]在黑龙江帽儿山林场观测的结果接近。观测的针叶林LAI平均值为3.58，低于针阔混交林的4.50和阔叶林的4.42。这是由植被繁茂程度，冠层结构以及叶片空间分布等特征共同作用的结果。草地LAI的平均值和标准偏差最大，分别为5.68和2.60，最小值和最大值分别为1.38和9.84，原因是草地在研究区空间分布广、覆盖度变化大，位于保护区核心区的草地生长茂密不受干扰，LAI很高。

表2 喀纳斯自然保护区叶面积指数观测数据的统计结果

LAIe(TRAC) 和LAIe(LAI- 2200)分别为用TRAC和LAI- 2200观测的LAIe； LAI为利用方程(1)计算的LAI；在计算LAI时，对TRAC观测的LAIe进行了订正

分析表明，研究区植被指数与LAIe及LAI的最优相关形式为指数型(判断指标是R2和 RMSE)。LAIe的最佳估算模型分别为：针叶林LAIe=0.4861e2.6801ARVI(R2=0.64，RMSE=0.43)，阔叶林LAIe=2.3405e0.0611ARVI(R2=0.74，RMSE=0.49)，针阔混交林LAIe=0.5575e2.499ARVI(R2=0.70，RMSE=0.42)，草地LAIe=0.3627e4.3037SR(R2=0.55，RMSE=1.09)。由表3可知，ARVI是针叶林、针阔混交林和草地LAI的最佳估算变量，建立的模型分别是LAI=0.4162e3.2706ARVI，LAI =0.5675e2.7732ARVI，LAI =0.5125e4.1258ARVI；阔叶林LAI的最佳估算因子是MAVI，建立的模型是LAI=1.5325e2.174MAVI。

研究区内地形复杂多变，大气水汽和气溶胶存在较大的空间变化，ARVI中包含了蓝波段的信息，可消减大气的影响，所以它与研究区大部分植被类型的LAIe及LAI具有较高的相关性；而MAVI利用了短波红外信息，能有效减小土壤背景的影响[30]，与阔叶林LAI的相关性较高，但是该参数对水分较为敏感，而针叶林样区的土壤湿度差异明显，导致该参数与针叶林LAI的相关性较差。

表3 不同植被类型的LAI遥感估算模型

x是植被指数，y是LAI

2.2LAIe和LAI的空间分布特征及其与植被类型关系

利用以上最佳遥感估算模型得到研究区LAIe和LAI的空间分布图(图4，图5)。可见，LAIe和LAI高值区主要分布在海拔相对较低处，离湖和河流的距离及海拔高度的增加，LAIe和LAI逐渐减小。这是研究区气候和地貌特征综合作用的结果。温度和水分是这里植被生长的主要限制因子。喀纳斯湖周边和河流两岸，地势相对低缓，温度相对较高，山上溶雪产生的地表径流不断补充，植被生长较好，而海拔较高的东北部，温度低，植被生长季短，导致植被覆盖度较低，LAIe和LAI较小。

图4 研究区植被30 m分辨率LAIeFig.4 30 m resolution vegetation LAIe of the study area

图5 研究区植被30 m分辨率LAIFig.5 30 m resolution vegetation LAI of the study area

由表4可知，遥感估算的研究区LAI总体上大于LAIe。96%的像元LAI大于LAIe，两者相差大于1的像元主要分布在植被密度较大之处。阔叶林、针阔混交林、针叶林和草地的LAIe及LAI的平均值依次减小。由于阔叶林的聚集程度较低、Ω较高(表2)，其LAIe和LAI的平均值差别最小，为0.36。而针阔混交林和针叶林的的聚集程度较高、Ω较小，其LAIe和LAI的平均值分别相差0.70和0.75。研究区草地面积广布、地形和水热条件差异大，所以其LAIe和LAI具有较大的空间异质性，变异系数CV(CV=SD/Mean×100%,SD是标准差)分别为48%和33%。而阔叶林的分布较集中，LAIe和LAI空间变异性最小，CV分别仅为25%和19%。

表4 遥感估算的研究区不同植被类型LAIe与LAI统计结果

2.3 地形因子对LAI的影响

2.3.1 海拔对植被LAI的影响

图6是研究区内不同植被类型LAI随海拔高度的变化特征，图中的点代表了每1 m海拔高度间隔内所有像元LAI的平均值。可见，针叶林、阔叶林、针阔混交林和草地的LAI总体上均表现出随海拔升高先增加后减小的变化趋势。一方面是由于海拔较低时，人类活动影响相对强烈，对植被的破坏严重。另外，随海拔升高，降水逐渐增加，在海拔1500 m左右形成阿勒泰山中山带的降雨带[36]，针叶树种丰富度最大，生长旺盛，LAI出现最大值4.3。但随海拔的继续增加，温度降低，液态降水减小，土壤越来越贫瘠，导致树木郁闭度下降，在海拔2600 m左右针叶林很难生长，LAI降到最小[36]。阔叶林LAI在海拔高度1400 m时达到峰值6.0。根据文献记载[21,36]，保护区阔叶林的主要建群种疣枝桦常分布于中山带下部(海拔1228—2300 m)。圆叶桦(乔木的过渡树种)主要分布在海拔约2500 m坡度平缓的阴坡与高寒垫状植被共生。这与图6中LAI随海拔变化的情况基本一致。针阔混交林LAI随海拔变化趋势介于针叶林和阔叶林之间，海拔在1400 m时LAI出现峰值。当海拔为1500—1800 m时，草地LAI较高，约为5.5，但存在明显的波动，主要是坡度和坡向对LAI的影响所导致。

图6 研究区不同植被类型LAI随海拔高度的变化特征Fig.6 Changes of LAI of different vegetation types with altitudes in the study area

2.3.2 坡度对植被LAI的影响

图7是研究区不同植被类型LAI平均值随坡度变化情况，当坡度小于45°时，相同坡度条件下，阔叶林、针阔混交林、针叶林和草地的LAI依次减小，4种植被类型的LAI都表现出随坡度先增加后减小的趋势。坡度在10—14°时，森林的LAI出现峰值，而后下降。草地LAI在坡度为1—3°时较高，随后下降；当坡度大于30°时，随坡度增加，草地LAI快速下降。由于坡度较小处多为山脊台地或沟底地带，水热和光合条件较差，人类活动扰动较多，导致植被LAI较低。随着坡度缓慢增加，水热条件有所改善，人类干扰减弱，植被生长变好，LAI增大。当坡度继续增大，土壤侵蚀加剧，土层变薄，植被生长变差，LAI减小。而坡度大于45°后，阔叶林和针阔混交林的LAI又出现了上升趋势，但波动较大。出现这种现象的原因有3个方面，一是由于坡向、海拔、针阔叶比例变化的共同作用所致，二是坡度变大后地形对遥感信号的影响增强，使遥感估算的LAI误差增大，三是坡度大于45°的像元总数较少、在不同海拔分布不均匀。

图7 研究区不同植被类型LAI平均值随坡度的变化 Fig.7 Changes of LAI of different vegetation types with slope in the study area (LAI was binned at 1° intervals of slope)

2.3.3 坡向对植被LAI的影响

分析发现，研究区坡向对针叶林和草地的LAI影响明显，但对阔叶林和混交林LAI的影响较弱。不同坡度条件下针叶林LAI平均值随坡向而变化(图8)，其中阴坡(0—45°，315—360°)和半阴坡(45—90°，270—315°)LAI最大值为4.00，总体平均值为3.09，而阳坡(135—225°)和半阳坡(90—135°，225—270°)LAI的最大值才为3.50，总体平均值为2.72。在所有坡度范围条件下，阴坡和半阴坡的LAI平均值都大于阳坡和半阳坡LAI的平均值；坡度越大，针叶林LAI随坡向的变化越剧烈。不同海拔条件下针叶林LAI平均值随坡向而变化(图8)，阴坡和半阴坡LAI最大值为4.50，总体平均值为2.71，而阳坡和半阳坡最大LAI为4.00，总体平均值为2.47。海拔高度低于2400 m时，所有海拔范围条件下阴坡和半阴坡的LAI平均值都大于阳坡和半阳坡的LAI平均值，当海拔大于2400 m后，针叶林分布稀少，长势差，LAI对坡向的变化剧烈，但空间变化特征不明显。阴坡和半阴坡针叶林LAI较高的可能原因主要是阴坡和半阴坡蒸散消耗相对少、土壤水分含量高、更利于喜湿温凉性针叶林的生长。当然，地形对不同波段遥感信号影响的差异，也会改变LAI随坡向的变化特征，但其程度还需要进一步深入分析。

图8 不同坡度和海拔范围下针叶林LAI平均值随坡向的变化Fig.8 Changes of LAI of needle leaved forests with aspect under different conditions slopes and elevations

不同坡度条件下，草地LAI平均值随坡向而变化(图9)，阳坡和半阳坡草地LAI的平均值为1.97，阴坡和半阴坡LAI的平均值1.79，在所有坡度范围条件下，阴坡和半阴坡的LAI平均值都小于阳坡和半阳坡LAI的平均值，随着坡度的增大，草地LAI随坡向的波动愈明显。不同海拔条件下，草地LAI平均值随坡向而变化(图9)，当海拔小于2100 m时，阳坡和半阳坡LAI平均值小；但海拔大于2100 m后，阳坡和半阳坡LAI的平均值为1.62，大于阴坡和半阴坡LAI的平均值1.45，因为当海拔较高时温度成为草地生长最主要的限制因子，阳坡的日照充足，地表温度高、土壤有机物质的分解、转化和迁移速度均超过阴坡，利于草本植被的生长[37- 38]。

图9 不同坡度和海拔高度条件下草地LAI平均值随坡向的变化Fig.9 Changes of LAI of grasslands with aspect under different conditions of slopes and elevations

2.4 森林LAI与生物量密度的关系

LAI在一定程度上能反应群落生物量高低。利用保护区森林二调数据，采用方精云[39]的生物量换算因子连续函数法得到小班森林生物量，转换成与LAI空间匹配的生物量密度栅格数据(30 m×30 m)。图10是研究区生物量密度(BD)随LAI变化的散点图，其中LAI是不同BD等级(间隔为0.1 t/hm2)条件下所有格点LAI的平均值。可见，森林LAI与BD存在很好的线性关系(BD =44.396LAI-25.946，R2=0.83)。估算的研究区森林BD最小值为54.0 t/hm2，最大值为189.0 t/hm2，平均值为120.3 t/hm2，森林总生物量约为5.0×106t，其中阔叶林、针阔混交林和针叶林生物量分别约为0.3×106t、0.6×106t、4.1×106t。而根据森林清查数据直接计算的森林总生物量约为5.6×106t，阔叶林、针阔混交林和针叶林生物量分别约为0.3×106t，0.6×106t，4.7×106t。

图10 研究区森林生物量密度与LAI的关系LAI是不同BD等级(间隔为0.1 t/hm2)条件下所有格点LAI的平均值Fig.10 Relationship between forest biomass density (BD) and LAI binned at 0.1 t/hm2 invervals of BD in the study area

2.5 MODIS LAI产品验证

参考Morisette等[40]提出的方法，对生成的研究区30 m TM LAI数据进行采样，生成1 km分辨率LAI数据(TM 1 km LAI)，对MODIS 1 km LAI产品进行评价。由图11可知，研究区内森林和草地的TM 1 km LAI与MODIS 1 km LAI之间的决定系数R2分别为0.42和0.53，均通过了0.01水平的显著性检验。森林和草地MODIS 1 km LAI产品的平均值比TM 1 km LAI的平均值分别偏低约16.50%和24.40%。很多研究也发现，MODIS LAI产品在不同地区、不同植被类型条件下存在着不同程度的高估或低估现象[41- 42]，混合像元是造成偏差主要的原因之一[43]。

图11 研究区森林和草地MODIS LAI(MODIS 1 km LAI)与利用TM数据及观测数据生成的LAI(TM 1 km LAI)比较结果 Fig.11 Comparison of MODIS LAI products (MODIS 1 km LAI) with LAI (TM 1 km LAI )generated using TM data and field measurements for the forest and grassland in the study area

3 结论

本文在新疆喀纳斯自然保护区针对不同植被类型，利用LAI- 2200和TRAC两种光学仪器，观测得到LAIe和LAI，建立了基于Landsat 5-TM遥感影像的LAIe和LAI估算模型。进而研究了植被LAI随海拔、坡度和坡向的变化特征，分析了植被生物量密度与LAI之间的关系，评价了MODIS LAI产品在该地区的精度。结果表明：

(1)研究区针叶林、针阔混交林、阔叶林和草地的LAIe最优遥感估算模型分别是：LAIe=0.4861e2.6801ARVI，LAIe=0.5575e2.499ARVI，LAIe=2.3405e0.0611ARVI，LAIe=0.3627e4.3037SR；LAI的估算模型分别是：LAI=0.4162e3.2706ARVI，LAI=0.5675e2.7732ARVI，LAI=1.5325e2.174MAVI，LAI=0.5125e4.1258ARVI。由于植被冠层的聚集效应，估算的混交林和针叶林的LAI明显大于LAIe，在进行区域LAI遥感估算时，必须考虑这一因素。

(2)研究区的LAI整体上表现出随海拔升高先增加后减小的特点，LAI随坡度的变化也有类似的特征。坡向对针叶林和草地LAI的影响较明显，其中针叶林的LAI在阴坡和半阴坡略高于阳坡和半阳坡；草地LAI在阳坡和半阳坡总体上大于阴坡和半阴坡。当海拔高度低于2100 m时，草地LAI在阳坡和半阳坡小于阴坡和半阴坡，海拔继续升高后，草地LAI在阳坡和半阳坡大于阴坡和半阴坡。

(3)保护区森林的LAI与BD之间具有较好的线性相关性，BD =44.396LAI-25.946(R2=0.83)，说明利用LAI在区域尺度估算研究区森林生物量具有一定的可行性。

(4)MODIS LAI与利用TM数据生成的LAI具有一定的一致性，但森林和草地的MODIS LAI平均值相对于利用TM遥感数据和地面LAI观测数据生成的LAI分别偏低了16.50%和24.40%。

本研究利用地面观测和遥感数据，研究了作为我国唯一的西伯利亚泰加林分布区的喀纳斯自然保护区内不同植被类型LAIe和LAI的空间变化特征及其与地形因子之间的关系。获得的观测数据和有关结论可为类似后续研究提供有益参考。但由于受无人区观测条件的限制，这次研究还存在以下不足之处，可能给研究结果带来不确定性，需要予以注意。主要有：未能在同一样区利用LAI- 2200和TRAC进行观测，导致需要利用经验公式对TRAC观测的LAIe进行订正；在将光学仪器观测信号转换为Ω和LAI时，利用文献研究成果确定了部分参数，如方程2中的γE；遥感数据的获取时间与LAI的野外观测时间存在着一个半月的时间差别，尽管研究区为国家级自然保护区，在该时间段内，森林LAI的变化可以忽略不计，但是，草地LAI可能会随温度条件的变化发生一定程度的改变，从而影响LAI遥感估算模型的参数；使用的TM数据未进行地形订正，可能会影响LAI随坡向的变化特征。

致谢：野外观测得到新疆喀纳斯自然保护区管委会的大力支持，闽江学院地理科学系朱高龙副教授，南京大学国际地球系统科学研究所柳艺博博士、张春华博士对本文写作给予帮助，特此致谢。

[1] Chen J M, Black T A. Defining leaf area index for nonflat leaves. Plant Cell and Environment, 1992, 15(4): 421- 429.

[2] Cramer W, Kicklighter D W, Bondeau A, Moore lii B, Churkina G, Nemry B, Ruimy A, Schloss A L, ThE. Participants OF. ThE. Potsdam NpP. Model Intercomparison. Comparing global models of terrestrial net primary productivity (NPP): overview and key results. Global Change Biology, 1999, 5(S1): 1- 15.

[3] Liu J, Chen J M, Cihlar J, Park W M. A process-based boreal ecosystem productivity simulator using remote sensing inputs. Remote Sensing of Environment, 1997, 62(2): 158- 175.

[4] Reich P B, Turner D P, Bolstad P. An approach to spatially distributed modeling of net primary production (NPP) at the landscape scale and its application in validation of EOS NPP products. Remote Sensing of Environment, 1999, 70(1): 69- 81.

[5] Scurlock J M O, Cramer W, Olson R J, Parton W J, Prince S D. Terrestrial NPP: toward a consistent data set for global model evaluation. Ecological Applications, 1999, 9(3): 913- 919.

[6] Law B E, Tuyl S V, Cescatti A, Baldocchi D D. Estimation of leaf area index in open-canopy ponderosa pine forests at different successional stages and management regimes in Oregon. Agricultural and Forest Meteorology, 2001, 108(1): 1- 14.

[7] Chen P Q, Huang Y, Yu G R. Carbon cycle of the Earth System Beijing: Science Press, 2004: 55- 71.

[8] Dan L, Ji J J, Ma Z G. The variation of net primary production and leaf area index over Xinjiang Autonomous Region and its response to climate change. Acta Ecologica Sinica, 2007, 27(9): 3582- 3592.

[9] Wang Y, Yan X D. The Response of the forest ecosystem in China to global climate change. Chinese Journal of Atmospheric Sciences, 2006, 30(5): 1009- 1018.

[10] Huang M, Ji J J. The spatial-temporal distribution of leaf area index in China: a comparison between ecosystem modeling and remote sensing reversion. Acta Ecologica Sinica, 2010, 30(11): 3057- 3064.

[11] Wang X Q, Ma L Y, Jia Z K, Xu C Y. Research and application advances in leaf area index(LAI). Chinese Journal of Ecology, 2005, 24(5): 537- 541.

[12] Weiss M, Baret F. Evaluation of canopy biophysical variable retrieval performance from the accumulation of large swath satellite data. Remote Sensing of Environment, 1999, 70(3): 293- 300.

[13] Fang X Q, Zhang W C, Liu S C. The estimation of LAI in Heihe river basin using remotely sensed data. Remote Sensing for Land and Resources, 2004, 59(1): 27- 31.

[14] Zhang R H. Experimental remote sensing models and ground-based. Beijing: Science Press, 1996: 52- 55.

[15] Chen G, Liu Q H, Du Y M. A study on geometrical processing methods for LAI products intercomparison between MODIS and TM. Journal of Beijing Normal University: Natural Science, 2007, 43(3): 356- 361.

[16] Pan W D. Scientific Investigation on Kanas Re-serve of China. Beijing: Chinese Forestry Press, 1989: 48- 77.

[17] Pan X L, Zhang H D. Character of vegetation and research on forming of flora in Kanas. Arid Zone Research, 1994, 11(4): 1- 7.

[18] Lu P, Yan G X. Forest in Xinjiang. Urumqi: Xinjiang People′s Publishing House, 1990: 94- 158.

[19] Liu X Y, Yang Z P, Ma Z G, Di F, Geoffrey W. Land use and land cover pattern in Kanas Natural Reserve based on terrain factors. Arid Land Geography, 2011, 5(34): 851- 857.

[20] Zhang H H, Pan C D, Bazhaerbiekd·A S L H, Kou F T, Tan W P. Altitudinal Changes of Forest Community Types and Species Diversity in Kanasi Tourism Region. Xinjiang Agricultural Sciences, 2008, 45(2): 225- 231.

[21] Liu C L, Pan C D, Wu X Y, Kou F T, Tan W P. Distribution pattern of tree species richness along an altitudinal gradient in Kanas of Xinjiang. Chinese Journal of Ecology, 2009, 28(2): 203- 208.

[22] Zhu G L, Ju W M, Chen J M, Fan W Y, Zhou Y L, Li X F, Li M Z. Forest canopy leaf area index in Maoershan Mountain: Ground measurement and remote sensing retrieval. Chinese Journal of Applied Ecology, 2010, 21(8): 2117- 2124.

[23] Liu Z L, Jin G Z, Qi Y J, Estimate of Leaf Area Index in an Old-Growth Mixed Broadleaved-Korean Pine Forest in Northeastern China. PLoS ONE, 2011, 7(3): 1- 11.

[24] Gower S T, Kucharik C J, Norman J M. Direct and indirect estimation of leaf area index, fAPAR, and net primary production of terrestrial ecosystems. Remote Sensing of Environment, 1999, 70(1): 29- 51.

[25] Chen J M, Govind A, Sonnentag O, Zhang Y Q,Barr A,Amiro B. Leaf area index measurements at Fluxnet-Canada forest sites. Agricultural and Forest Meteorology, 2006, 140(1/4): 257- 268.

[26] Tang S, Chen J M, Zhu Q, Li X, Chen M, Sun R, Zhou Y, Deng F, Xie D. LAI inversion algorithm based on directional reflectance kernels. Journal of Environmental Management, 2007, 85(3): 638- 648.

[27] Liu Y B, Ju W M, Zhu G L, Chen J M, Xing B L, Zhu J F, Zhou Y L. Retrieval of leaf area index for different grasslands in Inner Mongolia prairie using remote sensing data. Acta Ecologica Sinica, 2011, 31(18): 1- 12.

[28] Chen J M. Optically-based methods for measuring seasonal variation of leaf area index in boreal conifer stands. Agricultural and Forest Meteorology, 1996, 80(2/4): 135- 163.

[29] Chen J M, Cihlar J. Plant canopy gap-size analysis theory for improving optical measurements of leaf-area index. Applied Optics, 1995, 34(27): 6211- 6222.

[30] Zhu G L. Retrieval of leaf area index and foliage clumping index from remotely sensed data [D]. Nanjing: Nanjing University, 2011: 13- 18.

[31] Simic A, Chen J M, Freemantle J R, Miller J R, Pisek J. Improving Clumping and LAI Algorithms Based on Multiangle Airborne Imagery and Ground Measurements. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(4): 1742- 1759.

[32] Zhao Y S. The principle and method of analysis of remote sensing application. Beijing: Science Press, 2008: 372- 383.

[33] Chen J M, Cihlar J. Retrieving leaf area index of boreal conifer forest using Landsat TM images. Remote Sensing of Environment, 1996, 55(2): 153- 162.

[34] Brown L, Chen J M, Leblanc S G, Cihlar J. A shortwave infrared modification to the simple ratio for LAI retrieval in boreal forests: An image and model analysis. Remote Sensing of Environment, 2000, 71(1): 16- 25.

[35] Atzberger C, Richter K. Spatially constrained inversion of radiative transfer models for improved LAI mapping from future Sentinel- 2 imagery. Remote Sensing of Environment, 2012, 120: 208- 218.

[36] Yuan G Y. The vertical zonation of the western Altay mts. Acta Geographica Sinica, 1986, 41(1): 32- 40.

[37] Cheng S D. Distribution characters of vegetation coverage and soil erosion in Wenanyi watershed on loess plateau [D]. Xi′an: Xi′an University of Technology, 2011: 54- 61.

[38] Guo J P, Zhang Y X. Studies on the dynamics and distribution pattern of landscape elements in the forest Landscape restoration process in Guandi-shan forest region. Acta Ecologica Sinica, 2002, 22(12): 2021- 2029.

[39] Fang J Y, Liu G H, Xu S L. Biomass and net production of forest vegetation in china. Acta Ecologica Sinica, 1996, 16(5): 497- 508.

[40] Morisette J T, Baret F, Privette J L, Myneni R B, Nickeson J E, Garrigues S, Shabanov N V, Weiss M, Fernandes R A, Leblanc S G, Kalacska M, Sánchez-Azofeifa G A, Chubey M, Rivard B, Stenberg P, Rautiainen M, Voipio P, Manninen T, Pilant A N, Lewis T E, Iiames J S, Colombo R, Meroni M, Busetto L, Cohen W B, Turner D P, Warner E D, Petersen G W, Seufert G, Cook R. Validation of global moderate-resolution LAI products: a framework proposed within the CEOS Land Product Validation Subgroup. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7): 1804- 1817.

[41] Li X F, Ju W M, Chen S, Zhou Y L. Influence of land cover data on regional forest leaf area index inversion. Journal of Remote Sensing, 2010, 14(5): 982- 989.

[42] Sun P S, liu S R, Liu J T, Li C W, Lin Y, Jiang H. Derivation and validation of leaf area index maps using NDVI data of different resolution satellite imageries. Acta Ecologica Sinica, 2006, 26(11): 3826- 3834.

[43] Yang F, Sun J L, Zhang B, Yao Z F, Wang Z M, Wang J L, Yue X F. Assessment of MODIS LAI product accuracy based on the PROSAIL model, TM and field measurements. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(4): 192- 198.

参考文献:

[7] 陈泮勤, 黄耀, 于贵瑞. 地球系统碳循环. 北京: 科学出版社, 2004: 55- 71.

[8] 丹利, 季劲钧, 马柱国. 新疆植被生产力与叶面积指数的变化及其对气候的响应.生态学报, 2007, 27(9): 3582- 3592.

[9] 王叶, 延晓冬. 全球气候变化对中国森林生态系统的影响. 大气科学, 2006, 30(5): 1009- 1018.

[10] 黄玫, 季劲钧. 中国区域植被叶面积指数时空分布- 机理模型模拟与遥感反演比较. 生态学报, 2010, 30(11): 3057- 3064.

[11] 王希群,马履一, 贾忠奎, 徐程扬. 叶面积指数的研究和应用进展. 生态学杂志, 2005, 24(5): 537- 541.

[13] 方秀琴, 张万昌, 刘三超. 黑河流域叶面积指数的遥感估算. 国土资源遥感, 2004, 59(1): 27- 31.

[14] 张仁华. 实验遥感模型与地面基础. 北京: 科学出版社, 1996: 52- 55.

[15] 陈果, 柳钦火, 刘强, 杜永明. MODIS和降尺度TM数据反演叶面积指数相互验证中几何处理方法的研究. 北京师范大学学报: 自然科学版, 2007, 43(3): 356- 361.

[16] 潘文斗. 中国哈纳斯保护区科学考察. 北京:中国林业出版社, 1989: 4- 7.

[17] 潘晓玲, 张宏达. 哈纳斯自然保护区植被特点及植物区系形成的探讨. 干旱区研究, 1994, 11(4): 1- 7.

[18] 陆平, 严赓雪. 新疆森林. 乌鲁木齐: 新疆人民出版社, 1990: 94- 158.

[19] 刘新宇, 杨兆萍, 马忠国, 邸枫, Geoffrey WALL. 基于地形因子的喀纳斯自然保护区土地利用/覆被现状格局分析. 干旱区地理, 2011, 5(34): 851- 857.

[20] 张荟荟, 潘存德, 巴扎尔别克·阿斯勒汗, 寇福堂, 谭卫平. 喀纳斯旅游区森林群落类型及其物种多样性随海拔梯度的变化. 新疆农业科学, 2008, 45(2): 225- 231.

[21] 刘翠玲, 潘存德, 吴晓勇, 寇福堂, 谭卫平. 新疆喀纳斯树种丰富度垂直格局特征. 生态学杂志, 2009, 28(2): 203- 208.

[22] 朱高龙, 居为民, 陈镜明, 范文义, 周艳莲, 李显风, 李明泽. 帽儿山地区森林冠层叶面积指数的地面观测与遥感反演. 应用生态学报, 2010, 21(8): 2117- 2124.

[27] 柳艺博, 居为民, 朱高龙, Chen J M, 范文义, 周艳莲, 李显风, 李明泽. 内蒙古不同类型草地叶面积指数遥感估算. 应用生态学报, 2011, 31(18): 5159- 5170.

[30] 朱高龙. 植被叶面积指数与叶片聚集度系数遥感反演方法研究[D]. 南京: 南京大学, 2011: 13- 18.

[32] 赵英时. 遥感应用分析原理与方法. 北京: 科学出版社, 2008: 372- 383.

[36] 袁国映. 阿勒泰山西部地区的垂直自然带. 地理学报, 1986, 41(1): 32- 40.

[37] 程圣东. 黄土高原文安驿流域植被覆盖与土壤侵蚀分布特征研究[D]. 西安: 西安理工大学, 2011: 54- 61.

[38] 郭晋平, 张芸香. 森林景观恢复过程中景观要素空间分布格局及其动态研究. 生态学报, 2002, 22(12): 2021- 2029.

[39] 方精云, 刘国华, 徐嵩龄. 我国森林植被的生物量和净生产量. 生态学报, 1996, 16(5): 497- 508.

[41] 李显风, 居为民, 陈姝, 周艳莲. 地表覆盖分类数据对区域森林叶面积指数反演的影响. 遥感学报, 2010, 14(5): 982- 989.

[42] 孙鹏森, 刘世荣, 刘京涛, 李崇巍, 林勇, 江洪. 利用不同分辨率卫星影像的NDVI 数据估算叶面积指数(LAI)——以岷江上游为例. 生态学报, 2006, 26(11): 3826- 3834.

[43] 杨飞, 孙九林, 张柏, 姚作芳, 王宗明, 王卷乐, 乐夏芳. 基于PROSAIL模型及TM与实测数据的MODIS LAI精度评价. 农业工程学报, 2010, 26(4): 192- 198.

MeasurementandretrievalofleafareaindexusingremotesensingdatainKanasNationalNatureReserve,Xinjiang

ZAN Mei1,2,3,4, LI Dengqiu1,2, JU Weimin1,2,*, WANG Xiqun5, CHEN Shujiang3, 4

1JiangsuProvincialKeyLaboratoryofGeographicInformationScienceandTechnology,NanjingUniversity,Nanjing210093,China2InternationalInstituteforEarthSystemScience,NanjingUniversity,Nanjing210093,China3SchoolofGeographyScienceandTourism,XinjiangNormalUniversity,Urumqi830054,China4KeyLaboratoryofLakeEnvironmentandResourcesinAridZone,Urumqi830054,China5PlanningandDesignInstituteofForestProductsIndustry,StateForestryAdministrationofChina,Beijing100010,China

Leaf area index (LAI) is one of the most important vegetation structural parameters in terrestrial ecosystems. It significantly regulates the exchanges of matter and energy between the atmosphere and terrestrial ecosystems due to its effects on many biophysical and physiological processes, including photosynthesis, respiration，transpiration，precipitation interception, energy transfer, and so on. The study on LAI is of scientific importance for assessing the response of vegetation to climate change and human activities in ecologically fragile areas in northwest China. In this paper, effective LAI (LAIe) and actual LAI of forests and grasslands were measured with the LAI- 2200 and TRAC instruments in Kanas National Nature Reserve, Xinjiang Autonomous Region. Based on measurements of LAIeand LAI at 50 sampling plots, models for estimating LAIeand LAI from Landsat 5-TM remote sensing data were developed. Then, the changes of LAI with topographic factors (including elevation, slope, and aspect) were analyzed. The possibility of estimating vegetation biomass density based on LAI estimated from TM remote sensing data (TM LAI) was explored. Finally, the quality of the MODIS LAI product in the study area was assessed using TM LAI as the benchmark. The results show that both LAIeand LAI significantly change with land cover types. Both LAIeand LAI exponentially change with vegetation indices. The best fitted models for estimating LAIeand LAI are LAIe=0.4861e2.6801ARVIand LAI=0.4162e3.2706ARVIfor needle-leaved forests, LAIe=2.3405e0.0611ARVIand LAI=1.5325e2.174MAVIfor broad-leaved forests, LAIe=0.5575e2.499ARVIand LAI=0.5675e2.7732ARVIfor mixed forests, LAIe=0.3627e4.3037SRand LAI=0.5125e4.1258ARVIfor grasslands, respectively (AVRI is the atmospherically resistant vegetation index, SR is the simple ratio vegetation index, and MAVI is the moisture adjusted vegetation index). The averages of remotely sensed LAIeof broad-leaved forests, mixed forests, needle-leaved forests, and grasslands are 4.40, 3.18, 2.57, and 1.76, respectively. The corresponding values of LAI are 4.76, 3.93, 3.27, and 2.30, respectively. High values of LAIeand LAI mainly appears in locations nearby the lakes and rivers. The changes of LAI with altitude, slope and aspect exhibit obviously vertical patterns. LAI tends to increase first and then decrease with the increases in altitude and slope. Aspect has significant influences on the LAI of needle-leaved forests and grasslands, but less influences on LAI of broad-leaved forests and mixed forests. LAI can act as a valuable predictor of forest biomass density (BD) (BD=44.396LAI-25.946,R2=0.83, BD was derived from the forest resources inventory data). The average BD of forests estimated from remotely sensed LAI is 120.3 t/hm2and the estimated total forest biomass is 5.0×106t in the study area. The re-sampling technique was adopted here for getting 1 km resolution TM LAI data from 30 m TM LAI data of the study area. 1 km MODIS LAI show similar patterns with LAI re-sampled from the 30 m LAI map generated from TM data and measured LAI, withR2=0.42 for forests andR2=0.53 for grasslands. However, MODIS LAI is 16.5% and 24.4% lower than LAI estimated using TM remote sensing data for forests and grasslands.

leaf area index (LAI); Kanas National Nature Reserve; estimation using remote sensing data; MODIS LAI

973项目(2010CB950702，2010CB833503)；江苏高校优势学科建设工程资助项目；江苏高校优秀科技创新团队

2012- 05- 04;

2012- 10- 26

*通讯作者Corresponding author.E-mail: juweimin@nju.edu.cn

10.5846/stxb201205040641

昝梅，李登秋，居为民，王希群，陈蜀江.新疆喀纳斯国家自然保护区植被叶面积指数观测与遥感估算.生态学报,2013,33(15):4744- 4757.

Zan M, Li D Q, Ju W M, Wang X Q, Chen S J.Measurement and retrieval of leaf area index using remote sensing data in Kanas National Nature Reserve, Xinjiang.Acta Ecologica Sinica,2013,33(15):4744- 4757.