《Trees, Forests and People》：Improving LAI Retrieval in Complex Mountains with Implicit Mutual Terrain Irradiance
编辑推荐：
本研究针对复杂山区叶面积指数(LAI)遥感反演中地形引起的辐射畸变问题，提出了一种融合离散各向异性辐射传输(DART)模型与随机森林(RFR)算法的物理机制完备的LAI反演方法。通过模拟多种山地场景的辐射相互作用并引入地形互辐射效应，显著提升了陡坡区域的LAI估算精度（R2=0.99，RMSE=0.15）。该方法为山地生态系统碳循环研究提供了可靠技术支撑。
在青藏高原东缘的王朗国家级自然保护区，茂密的森林如同绿色海洋般覆盖着海拔2431-4899米的连绵山峦。这里地形崎岖复杂，峡谷与山峰交错分布，形成了独特的山地生态系统。叶面积指数（Leaf Area Index, LAI）作为表征植被冠层结构的关键生物物理参数，在区域生态评估、环境监测以及全球碳循环研究中具有不可替代的重要性。然而，崎岖地形会导致传感器记录的辐射信号发生畸变，给LAI遥感反演带来巨大不确定性。
传统冠层反射率模型往往忽略土壤-冠层之间的地形互辐射（mutual terrain irradiance）效应，限制了物理机制的完整性。在山区，地形起伏会改变光照和观测几何，影响表面各向异性反射；同时重新分配入射辐照度，改变直射和散射辐照度比例。现有MODIS、AVHRR等全球LAI产品因空间分辨率较粗（如100米），难以捕捉山地更精细尺度的LAI变化，导致冠层反射率与真实LAI间的数学关系出现非线性畸变。虽然机器学习算法如随机森林（Random Forest Regression, RFR）、高斯过程回归（Gaussian Process Regression, GPR）等提升了非线性关系拟合能力，但这些方法依赖大量实地数据且缺乏物理解释性。物理模型虽然能描述辐射传输过程，但为保持计算效率，多数模型未考虑地形互辐射，导致在坡面应用时估算误差可增加32%以上。
为解决这一难题，研究团队创新性地将计算机仿真模型与机器学习算法相结合，既保证了物理机制的完备性，又提高了计算效率。他们采用离散各向异性辐射传输（Discrete Anisotropic Radiative Transfer, DART）模型模拟不同地形和冠层配置下的辐射传输，生成LAI反演基准数据集。DART模型通过体素化三维场景构建和光线追踪方法，能精确模拟地表各向异性散射和方向性辐射通量，被公认为光学遥感中最全面的三维辐射传输模型之一。
研究团队设计了18组典型地形场景，包括平坦、单坡（0-60°）、崎岖地形（山谷、多坡、单峰和多峰）等，结合不同植被类型（针叶林、阔叶林、灌木林）和土壤背景，生成了超过17万条模拟记录。通过集成随机森林回归（RFR）、人工神经网络（Artificial Neural Network, ANN）、反向传播神经网络（Backpropagation Neural Network, BPNN）和高斯过程回归（GPR）四种机器学习算法，建立了反射率与LAI的映射关系。
关键技术方法包括：利用DART模型构建包含多种地形特征（坡度、坡向、天空可视因子Sky View Factor, SVF）和植被参数（LAI范围0.5-5）的模拟数据集；采用随机森林回归等机器学习算法建立反射率-LAI反演模型；基于王朗自然保护区131个样地（30m×30m）的LAI-2200冠层分析仪实地测量数据进行验证；结合Landsat-9遥感影像（30米分辨率）和30米数字高程模型（Digital Elevation Model, DEM）进行空间分析。
3.1. LAI反演模型评价
通过对比四种机器学习算法的性能，随机森林回归（RFR）表现最优，其训练结果达到R2=0.99、RMSE=0.15、MAE=0.13的精度。在数百次重复实验中，RFR表现出最小的变异性和最稳定的预测行为，其优越性进一步得到最高拟合优度和最低平均误差的支持。因此，研究选择RFR作为后续LAI反演和空间分布模拟的主要模型。
3.2. 模型在实际场景中的适用性评价
将提出的LAI反演模型应用于真实山区场景，预测值与实测值比较显示R2=0.88、RMSE=0.33、MAE=0.28，表明模型估计与野外观测高度一致。密度散点图中大多数点聚集在1:1线附近，残差主要分布在-0.25至0.25范围内，呈近似正态分布，证实了模型在复杂山地条件下的最小偏差和稳健性能。
3.3. 周围地形因素对LAI反演的影响分析
仅基于平坦地形反射率数据训练的LAI反演模型精度最低，预测误差最大。将单坡地形纳入平坦地形模型后，性能得到改善，这归因于考虑了地形调整的太阳-目标-传感器几何关系，增强了表面各向异性反射特征。在崎岖地形上训练并考虑地形互辐射的模型达到R2=0.81，而所有地形条件下训练的模型表现最佳（R2=0.84），表明能准确再现真实山区场景中的LAI分布。
3.4. 模型在真实山区场景中的适用性
3.4.1. 研究区LAI分布
LAI反演模型有效考虑了山区的相互地形辐照度，生成了基于像元级估算的LAI空间分布图。结果显示明显空间异质性，高LAI值主要集中在东部低海拔地区（海拔<3000米），而较高较陡地形往往导致较低LAI值。
3.4.2. 地形对LAI反演的影响研究
模型在不同地形条件下均表现稳健，但在0-90°和270-360°方向的坡面上预测精度低于90-180°和180-270°方向。这种差异主要源于复杂山地条件下地形照明效应引起的反射率模式变化。随着坡度增加，提出的方法表现出更强的适应性，对应减少了山区反演的不确定性。
3.4.3. 植被覆盖度对LAI反演的影响研究
将LAI阈值分为低覆盖（LAI < 2 m2/m2）和高覆盖（LAI ≥ 2 m2/m2）。模型能有效减少高覆盖区LAI高估和低覆盖区低估的趋势，在不同植被类型和覆盖密度下均表现良好。
3.4.4. 天空可视因子对LAI反演的影响研究
随着SVF增加，基于单坡模型的精度提高，而复杂地形条件下训练的模型在不同天空照明条件下保持稳定的R2和RMSE值，表明考虑相互地形辐照度能有效减少复杂山地环境中的反演不确定性。
研究结论表明，通过结合DART模型与RFR算法，并引入周围地形特征，显著提高了复杂山地条件下LAI反演的准确性。该方法有效减弱了相互地形辐照度对反射率数据的干扰，能更真实反映冠层生长状态。精化的LAI产品为碳水循环和气候-生态系统耦合模型提供了改进的参数输入，有助于更好地理解山地生态系统对环境变化的响应。
讨论部分指出，尽管考虑了相互地形辐照度，但地形与植被结构的相互作用机制仍需进一步研究。模型性能在很大程度上取决于输入参数的质量和完整性，DART模拟基于能捕捉典型地形和植被条件的代表性山地场景，但真实山地生态系统中冠层结构、植被类型和土壤背景的变异更为复杂，可能对LAI反演结果产生重要影响。未来研究可结合大规模遥感数据和图像模拟框架（如LESS），扩展训练数据时间序列以考虑季节和气候效应对LAI反演的影响。
该研究为山区植被监测提供了稳健且可扩展的框架，具有重要的科学和实践价值。考虑周围地形特征为地形复杂区域的可靠生物物理参数生成提供了强大方法，支持改进的山地环境植被监测和生态系统建模。
