海南島橡膠林葉面積指數(shù)遙感反演

海南島橡膠林葉面積指數(shù)遙感反演目錄摘要：本研究聚焦于海南島橡膠林的葉面積指數(shù)（LAI）反演，旨在通過(guò)遙感技術(shù)提高LAI的獲取效率和準(zhǔn)確性。橡膠林在海南島生態(tài)系統(tǒng)中具有重要的生態(tài)和經(jīng)濟(jì)價(jià)值，其LAI是評(píng)估其生長(zhǎng)狀況和冠層結(jié)構(gòu)的關(guān)鍵參數(shù)。由于傳統(tǒng)地面測(cè)量方法的局限性，本研究采用遙感數(shù)據(jù)，構(gòu)建多種經(jīng)驗(yàn)?zāi)Ｐ蛯?duì)LAI進(jìn)行定量反演，包括一元線性/非線性回歸、多元線性回歸和人工神經(jīng)網(wǎng)絡(luò)模型。通過(guò)對(duì)比多種模型，并對(duì)其精度進(jìn)行驗(yàn)證，選取最優(yōu)模型以反演海南島橡膠林LAI，為橡膠林的管理和可持續(xù)經(jīng)營(yíng)提供了科學(xué)依據(jù)，同時(shí)也為海南島的生態(tài)文明建設(shè)和綠色可持續(xù)發(fā)展貢獻(xiàn)了力量。關(guān)鍵詞:橡膠林，葉面積指數(shù)，遙感反演，經(jīng)驗(yàn)統(tǒng)計(jì)模型

1引言葉面積指數(shù)（LeafAreaIndex，LAI）是描述植被生長(zhǎng)狀況和冠層結(jié)構(gòu)的重要參數(shù)，與光合作用、呼吸、蒸騰、碳循環(huán)和降水截獲量等生物、物理過(guò)程密切相關(guān)REF_Ref4777\r\h[1]。在農(nóng)業(yè)、林業(yè)、植物生態(tài)學(xué)等領(lǐng)域，LAI已廣泛應(yīng)用于作物產(chǎn)量估測(cè)、病害評(píng)價(jià)、生態(tài)系統(tǒng)模擬等。橡膠林是海南島重要的生態(tài)林，也是主要的經(jīng)濟(jì)林，對(duì)海南島的生態(tài)環(huán)境和經(jīng)濟(jì)發(fā)展都具有重要意義。橡膠林的葉面積指數(shù)（LAI）是反映其生長(zhǎng)狀況和冠層結(jié)構(gòu)的一個(gè)重要參數(shù)REF_Ref4777\r\h[1]，也是其碳循環(huán)和水循環(huán)過(guò)程的關(guān)鍵變量。因此，高效、準(zhǔn)確地獲取橡膠林LAI對(duì)于橡膠林的管理、保護(hù)和利用以及相關(guān)生態(tài)、農(nóng)業(yè)研究有著十分顯著的意義。然而，由于橡膠林分布廣泛，且受地形、土壤、氣候等因素影響，采用傳統(tǒng)LAI地面直接測(cè)量方法難以進(jìn)行全面高效的監(jiān)測(cè)。而遙感技術(shù)則以其大范圍、高時(shí)效、高精度的監(jiān)測(cè)特點(diǎn)成為橡膠林LAI獲取的有效手段。利用不同類型、不同分辨率、不同時(shí)間尺度的遙感數(shù)據(jù)，結(jié)合植被輻射傳輸模型或經(jīng)驗(yàn)統(tǒng)計(jì)模型，實(shí)現(xiàn)對(duì)橡膠林的LAI的定量反演，可以為橡膠林的生態(tài)功能評(píng)估、生態(tài)系統(tǒng)服務(wù)價(jià)值評(píng)估、橡膠林的可持續(xù)經(jīng)營(yíng)等提供科學(xué)依據(jù)。橡膠林LAI反演方法主要分為兩類：基于經(jīng)驗(yàn)的統(tǒng)計(jì)方法和基于機(jī)理的植被輻射傳輸模型方法。前者通過(guò)建立遙感數(shù)據(jù)與地面觀測(cè)數(shù)據(jù)之間的統(tǒng)計(jì)關(guān)系，利用回歸分析或機(jī)器學(xué)習(xí)等方法建立反演模型，如線性回歸模型、非線性回歸模型、人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型等。簡(jiǎn)單易行，但是具有較強(qiáng)的區(qū)域性和時(shí)變性，需要大量的樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練和驗(yàn)證，且難以反映橡膠林LAI與遙感數(shù)據(jù)之間的物理機(jī)制。后者則是通過(guò)建立植被冠層和大氣層之間的輻射傳輸關(guān)系，利用遙感數(shù)據(jù)反演植被LAI，如PROSAIL模型、SAILH模型等。具有物理意義，適用于不同的遙感數(shù)據(jù)和植被類型，但需要較多的先驗(yàn)信息和參數(shù)輸入，計(jì)算復(fù)雜REF_Ref10599\r\h[2]REF_Ref10619\r\h[3]。本研究選取海南島橡膠林為研究對(duì)象，旨在利用衛(wèi)星遙感數(shù)據(jù)提取各項(xiàng)植被指數(shù)，結(jié)合海南島橡膠林的地面觀測(cè)LAI數(shù)據(jù)，建立多種適合海南島橡膠林的LAI經(jīng)驗(yàn)反演模型，并對(duì)各模型反演精度進(jìn)行驗(yàn)證評(píng)價(jià)，擇取最優(yōu)模型反演海南島橡膠林LAI，為海南島橡膠林的資源管理、保護(hù)和利用提供科學(xué)參考，助力海南島生態(tài)文明建設(shè)和綠色可持續(xù)發(fā)展。2數(shù)據(jù)與方法2.1研究區(qū)概況本文選取海南島為研究區(qū)域，其橡膠林分布情況及LAI觀測(cè)點(diǎn)位置如圖1所示。海南島位于中國(guó)南部，北回歸線以南，東臨南海，西隔瓊州海峽與廣東相望，南界巴士海峽與越南相對(duì)。島嶼中部地區(qū)多為山地和丘陵，以五指山為最高點(diǎn)，海拔為1867.1米，四周地區(qū)則是較為平坦的低地。作為中國(guó)唯一的熱帶濱海省份，它擁有豐富的自然資源，包括長(zhǎng)達(dá)1944公里的海岸線、海灣、山峰、森林公園和天然溫泉。海南島屬熱帶季風(fēng)海洋性氣候，四季不分明，夏無(wú)酷熱，冬無(wú)嚴(yán)寒。干季和雨季明顯，冬春干旱，夏秋多雨，經(jīng)常受到熱帶氣旋影響。年平均氣溫在22.5℃-25.6℃之間，年日照時(shí)數(shù)1780-2600小時(shí)，年降水量1500-2500毫米。海南島的橡膠林是其經(jīng)濟(jì)發(fā)展的重要組成部分，其氣候條件十分適宜橡膠林的生長(zhǎng)，使得海南島成為中國(guó)重要的橡膠種植區(qū)之一。2020年，海南天然橡膠種植面積達(dá)到777.83萬(wàn)畝，產(chǎn)量33.78萬(wàn)噸，約占全國(guó)總產(chǎn)量的40.5%，這些橡膠林不僅提供了經(jīng)濟(jì)價(jià)值，還對(duì)環(huán)境保護(hù)和生態(tài)平衡有著積極影響。圖SEQ圖\*ARABIC1海南島橡膠林分布情況及LAI觀測(cè)點(diǎn)位置2.2數(shù)據(jù)獲取與預(yù)處理2.2.1野外觀測(cè)數(shù)據(jù)樣地選擇是獲取準(zhǔn)確數(shù)據(jù)的關(guān)鍵步驟。本研究在海南島主要橡膠林種植區(qū)選擇了77個(gè)具有代表性的橡膠林樣地（圖1），以確保研究結(jié)果的廣泛適用性。數(shù)據(jù)采集方法采用對(duì)角線采集法，結(jié)合手持GPS和LAI-2200儀器，確保了葉面積指數(shù)（LAI）及其相關(guān)數(shù)據(jù)的精確性和可靠性。樣方大小的設(shè)定考慮到了與陸地衛(wèi)星遙感數(shù)據(jù)的空間分辨率的一致性，設(shè)置為30m×30m，這對(duì)于后續(xù)的數(shù)據(jù)分析和模型構(gòu)建至關(guān)重要。觀測(cè)選擇在2017年每月15號(hào)前后開展，級(jí)觀測(cè)時(shí)間頻率為每月1次，旨在捕捉不同月份的數(shù)據(jù)變化，觀測(cè)時(shí)間為每天上午9-12時(shí)之間，與衛(wèi)星過(guò)境時(shí)間同步，從而提高數(shù)據(jù)的時(shí)效性和相關(guān)性。最后，將地面觀測(cè)的LAI樣本數(shù)據(jù)隨機(jī)分成7：3兩部分，前者用于構(gòu)建估算模型（54個(gè)），后者用于模型驗(yàn)證（23個(gè)）。2.2.2Landsat-OLI數(shù)據(jù)本研究使用覆蓋海南島橡膠林研究區(qū)的Landsat8OLI遙感影像數(shù)據(jù)，進(jìn)行了幾何校正、大氣校正、輻射校正等預(yù)處理。由于海南地區(qū)屬熱帶季風(fēng)海洋性氣候，衛(wèi)星影像質(zhì)量受云霧影響較大，很難獲取到無(wú)云或低云的影像，為降低其對(duì)研究的影像，在GEE平臺(tái)支持下采用像元級(jí)云量提取算法REF_Ref25818\r\h[4]REF_Ref4274\r\h[5]，計(jì)算研究時(shí)段內(nèi)每一景（2017年8-9月共23景）影像云量，并結(jié)合區(qū)域特征和季節(jié)特征綜合評(píng)定每一景得分，合生成最小云量影像。又經(jīng)鑲嵌、剪裁、掩膜等一系列處理，得到最終影像數(shù)據(jù)如圖2所示，具體波段信息見表1。圖SEQ圖\*ARABIC2處理后海南島Landsat8RGB合成影像（紅：B5，綠：B4，藍(lán)：B3）表SEQ表\*ARABIC1Landsat8波段信息序號(hào)波段名稱波段寬度（μm）空間分辨率（m）1Band1Costal0.43-0.45302Band2Blue0.45-0.51303Band3Green0.53-0.59304Band4Red0.64-0.67305Band5NIR0.85-0.88306Band6SWIR11.57-1.65307Band7SWIR22.11-2.29308Band8Pan0.50-0.68159Band9Cirrus1.36-1.383010Band10TIRS110.6-11.1910011Band11TIRS211.5-12.511002.2.3植被指數(shù)計(jì)算本研究選取增強(qiáng)植被指數(shù)（EVI）、歸一化植被指數(shù)（NDVI）、綠色歸一化植被指數(shù)（GNDVI）等20種植被指數(shù)進(jìn)行計(jì)算，以為后續(xù)構(gòu)建LAI遙感反演模型提供數(shù)據(jù)準(zhǔn)備，具體植被指數(shù)及計(jì)算公式見表2。表SEQ表\*ARABIC2植被指數(shù)及計(jì)算公式植被指數(shù)計(jì)算公式EVIEnhancedVegetationIndex增強(qiáng)植被指數(shù)REF_Ref1619\r\h[6]NDVINormalizedDifferenceVegetationIndex歸一化植被指數(shù)REF_Ref1877\r\h[7]GNDVIGreenNDVI綠色歸一化植被指數(shù)REF_Ref2050\r\h[8]LSWILandSurfaceWaterIndex陸地表面水體指數(shù)REF_Ref2164\r\h[9]GCCGreenChromaticCoordinate相對(duì)綠度指數(shù)REF_Ref2233\r\h[10]EGIExcessGreenIndex絕對(duì)綠度指數(shù)REF_Ref2233\r\h[10]REF_Ref2321\r\h[11]RVIRatioVegetationIndex比值植被指數(shù)REF_Ref2370\r\h[12]NNIRNormalizedNear-infrared歸一化近紅外指數(shù)REF_Ref2412\r\h[13]SAVISoilAdjustedVegetationIndex土壤調(diào)節(jié)植被指數(shù)REF_Ref2458\r\h[14]WDRVIWideDynamicRangeVegetationIndex寬動(dòng)態(tài)范圍植被指數(shù)REF_Ref2550\r\h[15]NRNormalizedred-band歸一化紅波指數(shù)REF_Ref2412\r\h[13]DVIDifferenceVegetationIndex差值植被指數(shù)REF_Ref4083\r\h[16]RDVIRenormalizedDifferenceVegetationIndex復(fù)歸一化差值植被指數(shù)REF_Ref2798\r\h[17]NMDINormalizedMulti-bandDroughtIndex歸一化多波段干旱指數(shù)REF_Ref2870\r\h[18]SIPIStructureInsensitivePigmentIndex結(jié)構(gòu)不敏感色素指數(shù)REF_Ref2928\r\h[19]NGNormalizedgreen-band歸一化綠波指數(shù)REF_Ref2412\r\h[13]GRVIGreenRatioVegetationIndex綠波比值指數(shù)REF_Ref4406\r\h[20]MSAVIModifiedSoilAdjustedVegetationIndex改良土壤調(diào)節(jié)植被指數(shù)REF_Ref3225\r\h[21]PSRIPlantSenescenceReflectanceIndex植被衰減指數(shù)REF_Ref3261\r\h[22]NDWINormalizedDifferenceWaterIndex歸一化水指數(shù)REF_Ref3297\r\h[23]2.2.4輔助數(shù)據(jù)本研究使用的海南島橡膠林空間分布數(shù)據(jù)來(lái)源于中國(guó)熱帶農(nóng)業(yè)科學(xué)院橡膠研究所，該數(shù)據(jù)是利用日本JAXA的PALSAR/PALSAR-2和Landsat等長(zhǎng)時(shí)序列遙感影像，協(xié)同橡膠林物候特征，建立穩(wěn)定的橡膠林識(shí)別算法，獲取2015年海南島橡膠林空間分布信息，總體分類精度>90%REF_Ref4173\r\h[24]。其他行政區(qū)劃數(shù)據(jù)來(lái)源于國(guó)家基礎(chǔ)地理信息中心REF_Ref4777\r\h[25]。2.3LAI遙感反演方法2.3.1植被指數(shù)與LAI相關(guān)性分析分別分析20種植被指數(shù)與橡膠林LAI的相關(guān)性，可以選出最具相關(guān)性的植被指數(shù)，用于后續(xù)反演模型的構(gòu)建。本研究采取Pearson相關(guān)分析方法，公式為：(1)式中，r為相關(guān)系數(shù)，其值介于[-1,1]，r<0時(shí)表示負(fù)相關(guān)，r>0時(shí)表示正向關(guān)，r越接近1代表相關(guān)性越大，越接近0則代表相關(guān)性越小。2.3.2一元線性/非線性回歸模型根據(jù)相關(guān)性分析結(jié)果，選擇與海南橡膠林LAI相關(guān)性較好的植被指數(shù)分別構(gòu)建一元線性模型（公式2）、指數(shù)模型（公式3）、對(duì)數(shù)模型（公式4），并計(jì)算決定系數(shù)（CoefficientofDetermination,R2(2)(3)(4)式中，x為自變量，y為因變量，在本研究中分別指植被指數(shù)與LAI；a與b為回歸參數(shù)，通過(guò)最小二乘估計(jì)法求得。2.3.3多元線性回歸模型利用54個(gè)LAI觀測(cè)數(shù)據(jù)與相關(guān)性較好的植被指數(shù)構(gòu)建多元線性回歸模型（公式5），并計(jì)算決定系數(shù)（CoefficientofDetermination,R2(5)式中，x1x2?xn為自變量，y為因變量，在本研究中分別指多種植被指數(shù)與LAI；2.3.4人工神經(jīng)網(wǎng)絡(luò)模型在經(jīng)驗(yàn)?zāi)Ｐ偷难芯恐校辉€性模型因其簡(jiǎn)單易懂而常用，但它可能無(wú)法捕捉數(shù)據(jù)中的復(fù)雜非線性關(guān)系，非線性回歸模型和多元線性回歸模型能夠提供更復(fù)雜的數(shù)據(jù)擬合，但可能需要更多的數(shù)據(jù)支持。隨著人工智能和機(jī)器學(xué)習(xí)技術(shù)的飛速發(fā)展，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)已成為這一領(lǐng)域的基本算法之一。人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetwork,ANN），尤其是前饋神經(jīng)網(wǎng)絡(luò)，因其強(qiáng)大的非線性映射能力和自學(xué)習(xí)特性，能夠處理復(fù)雜的數(shù)據(jù)模式，通常在模型比較中表現(xiàn)出色。ANN能夠通過(guò)隱藏層學(xué)習(xí)數(shù)據(jù)中的深層特征，這使得它在處理復(fù)雜的、非線性的、高維的數(shù)據(jù)問(wèn)題時(shí)具有優(yōu)勢(shì)。使用BP算法，網(wǎng)絡(luò)通過(guò)迭代過(guò)程學(xué)習(xí)數(shù)據(jù)，不斷調(diào)整權(quán)重和閾值，以最小化預(yù)測(cè)輸出和實(shí)際觀測(cè)值之間的誤差，其包括一個(gè)反向傳播的過(guò)程，其中誤差從輸出層反向傳播到輸入層，有助于優(yōu)化網(wǎng)絡(luò)中的權(quán)重。基于這些優(yōu)勢(shì)，本研究選擇前饋神經(jīng)網(wǎng)絡(luò)中的BP（BackPropagation）算法構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型，以此建立遙感植被指數(shù)輸入和橡膠林LAI輸出之間的關(guān)系REF_Ref6517\r\h[26]。通過(guò)計(jì)算確定最優(yōu)值和閾值，并調(diào)整權(quán)重，最終得到一個(gè)誤差最小的非線性模型。在構(gòu)建基于多植被指數(shù)的橡膠林LAIANN模型時(shí)，共設(shè)置8個(gè)輸入節(jié)點(diǎn)，6個(gè)隱藏層節(jié)點(diǎn)及1個(gè)輸出節(jié)點(diǎn)，采用Levenberg-Marquardt算法進(jìn)行模型的訓(xùn)練，Sigmoid函數(shù)作為激活函數(shù)，將變量映射到(0,1)區(qū)間內(nèi)，可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。對(duì)于ANN模型訓(xùn)練的輸入數(shù)據(jù)，首先進(jìn)行歸一化處理，然后隨機(jī)選取70%的數(shù)據(jù)用于訓(xùn)練，15%用于驗(yàn)證，另外15%用于測(cè)試，以進(jìn)行建立、驗(yàn)證和測(cè)試ANN模型的性能，確保模型的準(zhǔn)確性和可靠性。2.4模型精度評(píng)價(jià)驗(yàn)證前述利用54個(gè)觀測(cè)點(diǎn)LAI數(shù)據(jù)，基于經(jīng)驗(yàn)統(tǒng)計(jì)方法構(gòu)建了不同植被指數(shù)的一元線性、指數(shù)、對(duì)數(shù)LAI反演模型，通過(guò)計(jì)算決定系數(shù)（CoefficientofDetermination,R2）對(duì)其表現(xiàn)分別進(jìn)行評(píng)估，選出最優(yōu)模型。使用一元線性、指數(shù)、對(duì)數(shù)模型中所選最優(yōu)模型、多元線性回歸模型及人工神經(jīng)網(wǎng)絡(luò)模型分別對(duì)海南島橡膠林LAI進(jìn)行反演，并利用剩余23個(gè)觀測(cè)點(diǎn)LAI數(shù)據(jù)對(duì)各模型反演結(jié)果進(jìn)行精度評(píng)價(jià)驗(yàn)證。本研究通過(guò)反演結(jié)果與觀測(cè)值之間的線性擬合的決定系數(shù)（R2）、均方根誤差（RootMeanSquareError，RMSE）（公式6）和相對(duì)誤差（RelativeError，RE）（公式7）評(píng)價(jià)模型表現(xiàn)(6)(7)式中，M為模擬值，O為真實(shí)值，N為樣本個(gè)數(shù)。3結(jié)果與分析3.1海南島橡膠林LAI月值變化如圖3所示，2017年的海南島橡膠林葉面積指數(shù)（LAI）的月度變化顯示出明顯的季節(jié)性波動(dòng)，自2月至9月逐漸增加，而從10月開始逐步減少。在這一周期中，2月的LAI值最低，為1.18±0.27m2/m2，而9月的LAI值最高，達(dá)到4.33±0.27m2/m2。海南島橡膠林的LAI在1-2月達(dá)到年度最低點(diǎn)，這與其地處較高緯度的熱帶地區(qū)，受干旱氣候和冷空氣影響呈現(xiàn)出落葉的特性有關(guān)。海南島橡膠林落葉期主要集中在氣溫較低的1月和2月，且不同年份的具體落葉時(shí)間有所不同，但多數(shù)集中在2月上中旬REF_Ref4777\r\h[1]。在沒(méi)有重大自然災(zāi)害的情況下，海南橡膠樹在短暫的落葉期后，通常在2月末或3月初開始生長(zhǎng)新葉。海南橡膠林一年中有三次明顯的生長(zhǎng)期，分別在3月、5月初和7月末至8月初，其中第一次生長(zhǎng)期的新葉生長(zhǎng)量約占全年的80%。9月底，新葉生長(zhǎng)基本結(jié)束，LAI值也達(dá)到峰值。隨著橡膠樹的割膠作業(yè)開始，10月至12月LAI值逐漸下降，直到次年1-2月的落葉期，橡膠樹完成了一年的生長(zhǎng)周期。本研究選擇9月份的LAI觀測(cè)值進(jìn)行遙感反演研究，這個(gè)時(shí)期的LAI值處于年度最高點(diǎn)，橡膠林的葉面積達(dá)到最大，且在進(jìn)行遙感反演時(shí)，高LAI值有助于增強(qiáng)遙感信號(hào)，提高反演的準(zhǔn)確性和可靠性。圖SEQ圖\*ARABIC32017年海南島橡膠林LAI月度變化3.2植被指數(shù)與LAI的相關(guān)性本研究采取Pearson相關(guān)分析方法，分別分析20種遙感植被指數(shù)與海南島橡膠林LAI觀測(cè)值的相關(guān)性，得到相關(guān)系數(shù)如表3所示。正相關(guān)中，EVI、SAVI、DVI、RDVI、MSAVI五種植被指數(shù)與LAI相關(guān)性較好，相關(guān)指數(shù)分別為0.83、0.81、0.82、0.80、0.81，且均具有p<0.001的極其顯著水平；NDVI、GNDVI、LSWI、GCC、EGI、RVI、NNIR、WDRVI、SIPI、NDWI十種植被指數(shù)與LAI的相關(guān)性較差，相關(guān)系數(shù)在0.44-0.64范圍，均通過(guò)p<0.01顯著性水平檢驗(yàn)。而NR、NG、GRVI、PSRI四種植被指數(shù)與LAI為負(fù)相關(guān)，相關(guān)系數(shù)分別為-0.62、-0.66、-0.69、-0.59，均通過(guò)p<0.01顯著性水平檢驗(yàn)。NMDI與LAI不具有相關(guān)性。在選擇用于構(gòu)建LAI估算模型的遙感植被指數(shù)時(shí)，雖然EVI、SAVI、DVI、RDVI、MSAVI這五種指數(shù)與LAI的相關(guān)性最好，但僅依賴這些指數(shù)可能無(wú)法全面捕捉到橡膠林LAI的所有變化。NDVI是最常用的植被指數(shù)之一，能夠反映植被的生長(zhǎng)狀況和生物量；而GNDVI、RVI等其他指數(shù)可能捕捉到與EVI和SAVI不同的植被特性；WDRVI則是為了改善NDVI在高植被覆蓋區(qū)域的飽和問(wèn)題而設(shè)計(jì)的，能夠提供更精確的植被信息。因此本研究選取EVI、SAVI、DVI、RDVI、MSAVI、NDVI、GNDVI、RVI、WDRVI共八種植被指數(shù)用于LAI反演模型的構(gòu)建，這種組合能夠提供不同角度的信息，有助于改善模型對(duì)橡膠林LAI變化的預(yù)測(cè)能力，也可減少單一指數(shù)可能帶來(lái)的偏差，提高模型在不同條件下的適用性和穩(wěn)定性。表SEQ表\*ARABIC3植被指數(shù)與LAI相關(guān)性相關(guān)系數(shù)EVINDVIGNDVILSWIGCCr0.83**0.61*0.65*0.58*0.44*相關(guān)系數(shù)EGIRVINNIRSAVIWDRVIr0.50*0.67*0.64*0.81**0.65*相關(guān)系數(shù)NRDVIRDVINMDISIPIr-0.62*0.82**0.80**0.050.54*相關(guān)系數(shù)NGGRVIMSAVIPSRINDWIr-0.66*-0.69*0.81**-0.59*0.61*注：*表示通過(guò)p<0.01顯著性水平，**表示通過(guò)p<0.001顯著性水平。3.3LAI遙感反演模型構(gòu)建與優(yōu)選3.3.1一元線性/非線性回歸模型分別構(gòu)建EVI、SAVI、DVI、RDVI、MSAVI、NDVI、GNDVI、RVI、WDRVI八種植被指數(shù)與LAI的一元線性模型、指數(shù)模型和對(duì)數(shù)模型，并計(jì)算其決定系數(shù)R2，結(jié)果如表4所示。一元線性模型中，基于EVI指數(shù)構(gòu)建的反演模型y=2.2582x+2.8622表現(xiàn)最佳，決定系數(shù)為0.69；指數(shù)模型中，基于SAVI指數(shù)構(gòu)建的反演模型y=2.8047e0.7580x表現(xiàn)最佳，決定系數(shù)為0.67；對(duì)數(shù)模型中，基于DVI指數(shù)構(gòu)建的反演模型y=1.2697ln(x)-6.0374表現(xiàn)最佳，決定系數(shù)為0.65。以上三種模型均在表中加粗顯示。表SEQ表\*ARABIC4基于植被指數(shù)的LAI一元線性/非線性回歸模型及決定系數(shù)植被指數(shù)反演模型R2EVIy=2.2582x+2.8622y=3.0762e0.5230xy=1.3527ln(x)+4.93120.690.660.63NDVIy=2.5583x+2.2212y=2.6164e0.6086xy=1.7281ln(x)+4.67360.340.360.31GNDVIy=4.1216x+1.2552y=2.0872e0.9754xy=2.7651ln(x)+5.14740.440.460.42RVIy=0.0645x+3.5703y=3.6154e0.0151xy=0.5797ln(x)+2.92450.410.420.38SAVIy=3.2588x+2.4713y=2.8047e0.7580xy=1.6999ln(x)+5.29910.660.670.63WDRVIy=1.2421x+3.8685y=3.8740e0.2940xy=0.1783ln(x)+4.54080.380.400.15DVIy=0.0004x+3.0470y=3.2172e0.00008xy=1.2697ln(x)-6.03740.650.650.65MSAVIy=4.9797x+2.3614y=2.7360e1.1563xy=1.8432ln(x)+6.05400.660.670.643.3.2多元線性回歸模型利用EVI、SAVI、DVI、RDVI、MSAVI、NDVI、GNDVI、RVI、WDRVI八種植被指數(shù)構(gòu)建多元線性回歸模型，但SAVI與其他植被指數(shù)存在較高的共線性。共線性是指模型中的兩個(gè)或多個(gè)預(yù)測(cè)變量高度相關(guān)，以至于它們包含相似的信息，可能會(huì)使模型的預(yù)測(cè)能力下降。為了提高模型的穩(wěn)定性和預(yù)測(cè)能力，故將SAVI變量移除，最終得到多元線性反演模型：y=6.7464+3.9226*EVI-9.6821*NDVI+6.2864*GNDVI-0.1052*RVI+4.6999*WDRVI+0.0002*DVI-7.1322*MSAVI，決定系數(shù)為0.73。3.3.3人工神經(jīng)網(wǎng)絡(luò)模型使用前饋神經(jīng)網(wǎng)絡(luò)中的BP算法構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型，共設(shè)置8個(gè)輸入節(jié)點(diǎn)，對(duì)應(yīng)于選定的8種不同的植被指數(shù)；6個(gè)隱藏層節(jié)點(diǎn)，用于捕捉輸入數(shù)據(jù)之間的復(fù)雜關(guān)系和模式；1個(gè)輸出節(jié)點(diǎn)，用于預(yù)測(cè)LAI值，即網(wǎng)絡(luò)的最終目標(biāo)。隨機(jī)選取70%的LAI觀測(cè)數(shù)據(jù)用于訓(xùn)練，15%用于驗(yàn)證，另外15%用于測(cè)試，得到結(jié)果如圖4所示。（a）為訓(xùn)練結(jié)果，決定系數(shù)R2為0.85，意味著模型可以解釋85%的數(shù)據(jù)變異性，表示模型與訓(xùn)練數(shù)據(jù)擬合較好；均方根誤差RMSE為0.0485，是一個(gè)相對(duì)較低的誤差值，說(shuō)明模型的預(yù)測(cè)與實(shí)際觀測(cè)值非常接近。（b）為驗(yàn)證結(jié)果，決定系數(shù)R2為0.74，略低于訓(xùn)練結(jié)果，表明模型在新數(shù)據(jù)上的預(yù)測(cè)能力略有下降，但仍然保持了較好的水平；均方根誤差RMSE為0.0838，表明驗(yàn)證過(guò)程中的預(yù)測(cè)誤差較訓(xùn)練時(shí)有所增加，這種性能下降是模型泛化能力的正常表現(xiàn)。（c）為測(cè)試結(jié)果，決定系數(shù)R2為0.89，比訓(xùn)練和驗(yàn)證集都要高，表明模型在測(cè)試集上的表現(xiàn)非常好，能夠準(zhǔn)確預(yù)測(cè)橡膠林LAI；均方根誤差RMSE為0.0491，接近訓(xùn)練集的誤差，說(shuō)明模型在測(cè)試數(shù)據(jù)上的預(yù)測(cè)精度很高?？傮w相對(duì)誤差如圖5所示，主要集中在（-0.08，0.08）區(qū)間，這表明模型的預(yù)測(cè)結(jié)果與實(shí)際觀測(cè)值非常接近，誤差較小。綜上所述，基于多種遙感植被指數(shù)的人工神經(jīng)網(wǎng)絡(luò)模型在橡膠林LAI的估算中表現(xiàn)出色，具有較高的準(zhǔn)確性和可靠性，其綜合表現(xiàn)優(yōu)于傳統(tǒng)的一元線性/非線性模型和多元線性模型，可能歸因于神經(jīng)網(wǎng)絡(luò)能夠捕捉和建模更復(fù)雜的非線性關(guān)系。圖SEQ圖\*ARABIC4基于植被指數(shù)的LAI人工神經(jīng)網(wǎng)絡(luò)模型模擬結(jié)果圖SEQ圖\*ARABIC5基于植被指數(shù)的LAI人工神經(jīng)網(wǎng)絡(luò)模型相對(duì)誤差3.4反演結(jié)果與分析圖6為海南島橡膠林葉面積指數(shù)（LAI）遙感反演的綜合視圖，涵蓋分別利用五種基于植被指數(shù)的模型進(jìn)行全島橡膠林LAI反演的結(jié)果，包括（a）基于EVI的線性回歸模型LAI反演結(jié)果、（b）基于SAVI的指數(shù)回歸模型LAI反演結(jié)果、（c）基于DVI的對(duì)數(shù)回歸模型LAI反演結(jié)果、（d）基于EVI、NDVI、GNDVI、RVI、WDRVI、DVI和MSAVI七種植被指數(shù)的多元線性回歸模型LAI反演結(jié)果，以及（e）基于植被指數(shù)的人工神經(jīng)網(wǎng)絡(luò)模型LAI反演結(jié)果。具體可以觀察到，多元回歸模型顯示出較大的高值區(qū)域和較小的空間差異；人工神經(jīng)網(wǎng)絡(luò)模型則顯示出較大的空間差異；而基于EVI、SAVI、DVI的三種一元回歸模型反演結(jié)果基本一致。雖然五種結(jié)果在空間分布上有一定差異，但總體呈現(xiàn)相似的變化趨勢(shì)，表明五種模型都能捕捉到海南島橡膠林LAI的基本空間格局。綜合來(lái)看，海南島西北部地區(qū)為橡膠林LAI高值（4.4-6.0）分布主要區(qū)域，中值（3.8-4.4）區(qū)域廣泛分布在中部地區(qū)，低值（<3.8）區(qū)域少量而分散地分布于全島。結(jié)合圖1中海南島橡膠林分布情況，可以推斷西北及中部地區(qū)橡膠林長(zhǎng)勢(shì)較好，東部和南部地區(qū)的橡膠林密度較低或生長(zhǎng)狀況較差，從而影響LAI值。圖SEQ圖\*ARABIC6海南島橡膠林LAI遙感反演結(jié)果圖3.5精度驗(yàn)證與分析圖7為不同模型在反演海南島橡膠林葉面積指數(shù)（LAI）時(shí)的精度和偏差情況，以此可對(duì)比不同模型的性能。（e）人工神經(jīng)網(wǎng)絡(luò)模型（ANN-LAI）決定系數(shù)R2為五種模型中的最高值0.85，表明模型與觀測(cè)值之間有很強(qiáng)的線性關(guān)系，預(yù)測(cè)能力較強(qiáng)；均方根誤差RMSE為五種模型中最低值0.15，表明模型的預(yù)測(cè)與實(shí)際觀測(cè)值之間的差異較小，預(yù)測(cè)精度較高，但該模型在預(yù)測(cè)中存在一定程度的高估現(xiàn)象。（d）多元線性回歸模型（multivariate-LAI）決定系數(shù)R2為0.71，相比人工神經(jīng)網(wǎng)絡(luò)模型較低，表明模型與觀測(cè)值之間的線性關(guān)系較弱；均方根誤差RMSE為0.16，較人工神經(jīng)網(wǎng)絡(luò)模型略高，顯示其預(yù)測(cè)精度略有下降，偏差主要體現(xiàn)在低值區(qū)域較為明顯的高估及高值區(qū)一定程度的低估。一元線性/非線性回歸模型（a）、（b）、（c）決定系數(shù)R2分別為0.67、0.59及0.55，與觀測(cè)值之間的線性關(guān)系最弱，預(yù)測(cè)能力有限；均方根誤差RMSE分別為0.16、0.20、0.21，預(yù)測(cè)精度也較低。由于海南島橡膠林大多處于生長(zhǎng)旺盛期，植被指數(shù)和LAI整體處于較高值，這可能導(dǎo)致模型在區(qū)分不同LAI水平時(shí)的能力受限，從而在估算中產(chǎn)生偏差。綜合來(lái)看，遙感反演模型在估算天然橡膠的LAI方面表現(xiàn)出了良好的潛力，尤其是人工神經(jīng)網(wǎng)絡(luò)模型，在近期長(zhǎng)勢(shì)遙感監(jiān)測(cè)中顯示出較高的適用性。圖SEQ圖\*ARABIC7海南島橡膠林LAI反演模型精度評(píng)估4討論與結(jié)論4.1討論在橡膠林的葉面積指數(shù)（LAI）反演中，增強(qiáng)型植被指數(shù)（EVI）的應(yīng)用可以優(yōu)化植被信號(hào)的提取，特別是在高植被覆蓋區(qū)域，通過(guò)減少大氣散射的影響和調(diào)整土壤背景信號(hào)，提高了對(duì)植被動(dòng)態(tài)的敏感度。這一點(diǎn)在解決傳統(tǒng)植被指數(shù)，如歸一化植被指數(shù)（NDVI）在高植被覆蓋區(qū)域所面臨的飽和問(wèn)題時(shí)尤為重要REF_Ref5479\r\h[25]?；跈C(jī)理的植被輻射傳輸模型和基于經(jīng)驗(yàn)的統(tǒng)計(jì)模型方法在遙感反演LAI中各有優(yōu)勢(shì)。前者提供了一種基于物理原理的方法，能夠利用植被的光譜信息來(lái)估算LAI，但需要復(fù)雜的參數(shù)化和大量的地面驗(yàn)證數(shù)據(jù)。面對(duì)大規(guī)模應(yīng)用，統(tǒng)計(jì)模型法提供了一種更為簡(jiǎn)便和快速的估算方法，但其依賴于經(jīng)驗(yàn)關(guān)系，在不同的植被類型和條件下需要重新校準(zhǔn)REF_Ref10619\r\h[3]REF_Ref17248\r\h[28]。海南島橡膠林LAI的時(shí)空變化受多種影響因素的作用。自然災(zāi)害如臺(tái)風(fēng)和干旱、氣候變化導(dǎo)致的降水和溫度變化，以及地形條件對(duì)光照和水分的影響，都會(huì)對(duì)橡膠林的LAI產(chǎn)生顯著的影響。對(duì)這些影響因素的深入理解對(duì)于預(yù)測(cè)LAI的變化、指導(dǎo)橡膠林的管理和保護(hù)具有重要意義。4.2結(jié)論本研究選取海南島橡膠林作為研究對(duì)象，利用現(xiàn)場(chǎng)觀測(cè)的橡膠林葉面積指數(shù)（LAI）與通過(guò)衛(wèi)星遙感數(shù)據(jù)提取的多種植被指數(shù)，構(gòu)建了多種基于經(jīng)驗(yàn)的反演模型。并通過(guò)對(duì)這些模型的性能評(píng)估，選出了最佳的反演模型，以實(shí)現(xiàn)對(duì)海南島橡膠林LAI的遙感反演。在一元線性/非線性模型中，基于EVI指數(shù)的LAI線性回歸模型、基于SAVI指數(shù)的LAI指數(shù)模型以及基于DVI指數(shù)的LAI指數(shù)模型三種表現(xiàn)最佳，決定系數(shù)R2分別為0.69、0.67、0.65?；贓VI、DVI、RDVI、MSAVI、NDVI、GNDVI、RVI、WDRVI七種植被指數(shù)的多元線性回歸模型，決定系數(shù)R2為0.73。使用前饋神經(jīng)網(wǎng)絡(luò)中的BP算法構(gòu)建LAI人工神經(jīng)網(wǎng)絡(luò)模型，決定系數(shù)R2為0.85，優(yōu)于前四種模型。分別利用五種模型對(duì)海南島橡膠林LAI進(jìn)行反演，結(jié)果顯示多元線性回歸模型高值區(qū)域較大，人工神經(jīng)網(wǎng)絡(luò)模型空間差異較大，而基于EVI、SAVI、DVI的三種一元回歸模型反演結(jié)果基本一致。五種結(jié)果在空間分布上有一定差異，但總體呈現(xiàn)相似的變化趨勢(shì)，LAI高值（4.4-6.0）區(qū)域集中分布在西北部地區(qū)，中值（3.8-4.4）區(qū)域廣泛分布在中部地區(qū)，低值（<3.8）區(qū)域少量而分散地分布于全島特別是東部及南部。綜上所述，本研究通過(guò)構(gòu)建基于經(jīng)驗(yàn)的反演模型，成功實(shí)現(xiàn)了對(duì)海南島橡膠林葉面積指數(shù)（LAI）的遙感反演，為橡膠林生長(zhǎng)狀況的遙感監(jiān)測(cè)和產(chǎn)量的遙感評(píng)估提供了理論支持和科學(xué)數(shù)據(jù)。未來(lái)的研究可以進(jìn)一步優(yōu)化模型，探討更精確的遙感反演方法，以滿足不同尺度和精度的需求。

參考文獻(xiàn)戴聲佩,羅紅霞,鄭倩,等.基于MODISLAI產(chǎn)品的海南島橡膠林葉面積指數(shù)時(shí)空變化特征及其影響因素分析[J].中國(guó)農(nóng)業(yè)信息,2021,33(02):1-12.劉洋,劉榮高,陳鏡明,等.葉面積指數(shù)遙感反演研究進(jìn)展與展望[J].地球信息科學(xué)學(xué)報(bào),2013,15(05):734-743.劉洋,劉榮高,劉斯亮,等.基于物理模型訓(xùn)練神經(jīng)網(wǎng)絡(luò)的作物葉面積指數(shù)遙感反演研究[J].地球信息科學(xué)學(xué)報(bào),2010,12(3):426-435.李睿.基于GoogleEarthEngine的桂林市土地利用時(shí)空變化分析[D].南昌：東華理工大學(xué)，2019.GorelickN,HancherM,DixonM,etal.GoogleEarthEngine:Planetary-scalegeospatialanalysisforeveryone[J].RemoteSensingofEnvironment,2017,202:18-27.HueteA,DidanK,MiuraT,etal.OverviewoftheradiometricandbiophysicalperformanceoftheMODISvegetationindices[J].RemotesensingofEnvironment,2002,83(1-2):195-213.RouseJ,HaasR,SchellJ,etal.MonitoringvegetationsystemsintheGreatPlainswithERTS[C]//ThirdEarthResourcesTechnologySatellite(ERTS)Symposium.WashingtonDC,USA:NASASpecialPublication,1974,1:309-317.GitelsonAA,MerzlyakMN.Remoteestimationofchlorophyllcontentinhigherplantleaves[J].InternationalJournalofRemoteSensing,1997,18(12):2691-2697.XiaoX,HollingerD,AberJ,etal.Satellite-basedmodelingofgrossprimaryproductioninanevergreenneedleleafforest[J].RemotesensingofEnvironment,2004,89(4):519-534.WoebbeckeDM,MeyerGE,VonBargenK,etal.Colorindicesforweedidentificationundervarioussoil,residue,andlightingconditions[J].TransactionsoftheASAE,1995,38(1):259-269.MeyerG,MehtaT,KocherM,etal.Texturalimaginganddiscriminantanalysisfordistinguishingweedsforspotspraying[J].TransactionsoftheASAE,1998,41(4):1189.PearsonRL,MillerLD.Remotemappingofstandingcropbiomassforestimationoftheproductivityoftheshortgrassprairie[C].In:ProceedingsoftheRemoteSensingofEnvironment,VIII,1972.SripadaRP,WhiteJG,CrozierCR,etal.Aerialcolorinfraredphotographyfordeterminingin-seasonnitrogenrequirementsforcorn[J].AgronomyJournal,2005,97(5):1511-1514.HueteAR.Asoil-adjustedvegetationindex(SAVI)[J].RemoteSensingofEnvironment,1988,25(3):295-309.HuangJ,HouY,SuW,etal.MappingcornandsoybeancroppedareawithGF-1WFVdata[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2017,33(7):164-170.TuckerCJ.Redandphotographicinfraredlinearcombinationsformonitoringvegetation[J].RemoteSensingofEnvironment,1979,8(2):127-150.RoujeanJL,andBreonFM.EstimatingPARabsorbedbyvegetationfrombidirectionalreflectancemeasurements[J].RemoteSensingofEnvironment,1995,51(3):375-384.WangL,QuJJ.NMDI:aNormalizedMulti-band