温带落叶林中Sentinel-2与LiDAR反演叶面积指数差异：表观光学厚度、辐射传输先验及水平异质性的影响

《Remote Sensing of Environment》：Discrepancies between Sentinel-2 and LiDAR-derived LAI in temperate deciduous forests: Influence of apparent optical depth, radiative transfer priors, and horizontal heterogeneity

　　

叶面积指数（LAI，即单位地面面积上单面叶片总面积，m2/m2）是驱动各类植被类型生态过程的关键生物物理变量。传统地面测量方法无法满足生态系统监测所需的空间范围与时间频率，遥感因此成为主要替代手段。主动式机载激光扫描（ALS）能够获取森林完整垂直结构信息，而被动式多光谱卫星（如Sentinel-2，S2）则提供高时间分辨率的大范围监测。然而，两种传感器在冠层采样方式上存在根本性不对称：LiDAR信号可解析冠层全垂直剖面，而S2反射率在冠层厚度增加时逐渐由最上层主导，下层叶片对反射信号的贡献极小。此外，S2生物物理处理器中辐射传输模型（RTM）的查找表（LUT）参数化主要基于农田与稀疏植被校准，应用于结构复杂的森林时可能导致系统性低估。本研究在法国三个温带落叶林区域，采用间隙分数法估算LiDAR叶面积指数（LAIALS），并利用PROSAIL混合反演估算Sentinel-2叶面积指数（LAIS2），系统探究两种估计值间差异的来源。研究结果表明：Sentinel-2信号对冠层上部6–10米厚度最为敏感；将LiDAR数据以冠层顶部为基准进行归一化可显著提高其与Sentinel-2的一致性；针对森林冠层优化的PROSAIL先验分布使LAI的均方根误差（RMSE）减半；在两个森林上校准的先验在第三个森林上仍保留了62%的改进效果；冠层水平异质性构成两种传感器间残余差异的主要驱动因素。该研究首次量化了S2反射率所感知的表观冠层厚度，并联合评估了反演参数化与冠层异质性对跨传感器一致性的交互影响，为发展充分利用两种技术互补优势、生成一致LAI时间序列的方法提供了重要指导。

论文解读

一、研究背景与问题提出

叶面积指数（LAI，即单位地面面积上单面叶片总面积，m²/m²）是表征植被冠层结构的关键生物物理变量，直接影响光合作用、呼吸作用与蒸腾作用等生态过程，也是生态系统生产力监测、碳水平衡评估及森林经营管理的重要依据。传统地面测量方法包括直接破坏性采样和利用LAI-2000植物冠层分析仪或半球摄影等光学仪器的间接测量，但这些方法通常假设叶片随机分布而忽略冠层聚集效应，导致对直接测量结果的低估，且无法满足大范围、高频次的监测需求。

遥感技术因此成为LAI估算的主要途径。主动式机载激光扫描（ALS）通过发射激光脉冲并记录与植被要素相互作用后的回波信号，能够获取森林冠层的完整三维垂直结构信息，基于间隙分数和接触频率的方法可估算全垂直范围的LAI或逐高度层的叶面积密度（LAD）。然而，ALS获取成本高，时间覆盖有限。被动式多光谱卫星如Sentinel-2（S2）提供10–20米中等空间分辨率、5天重访周期及覆盖可见光、红边、近红外（NIR）和短波红外（SWIR）的十个光谱波段，可实现高频次的墙到墙监测。基于S2的LAI估算方法包括经验植被指数、辐射传输模型（RTM）反演及结合RTM模拟与机器学习的混合方法，其中混合方法因能表达反射率与冠层生物物理属性间的非线性关系而特别适用于森林冠层。

尽管两种传感器均被广泛用于LAI估算，但已有研究显示二者结果存在系统性差异。已有比较研究多依赖地面实测LAI作为参照，或仅关注单一时期的对比，尚未有研究明确量化这种差异中有多少源于两种传感器在冠层采样方式上的根本不对称。具体而言，ALS信号的时间维度可解析冠层沿垂直方向的结构，缓解全垂直剖面的遮挡效应；而S2反射率在冠层厚度增加时逐渐由最上层主导，缺乏光子相互作用的深度信息，下层即使承载大量叶面积，对冠层顶部反射信号的贡献也甚微。因此，S2所感知的表观冠层厚度在密林中短于实际冠层高度，LAI_S2反演最终估计的是该表观厚度内的LAI而非总LAI。此外，S2生物物理处理器中查找表（LUT）的分布参数基于农业和稀疏植被网络校准，应用于结构复杂的森林时可能因违背均质浑浊介质、农作物典型叶倾角分布等假设而产生偏差。然而，尚无研究从LiDAR导出的LAD剖面量化S2反射率所感知的表观冠层厚度，也未联合评估反演参数化与冠层异质性如何交互驱动两种估计值间的残余差异。本研究旨在填补这些空白。

二、研究内容与结论

研究在法国三个国有温带落叶林区域（Aigoual、Blois、Mormal）开展，这些区域由法国国家森林办公室（ONF）管理，涵盖从幼龄到成熟、从纯林同龄到混交多层林的结构多样性，夏季LAI可高达16 m²/m²，远超S2反演的饱和水平。研究提出三个假设：H1，S2主要捕获冠层最上层的厚度信息，导致LAI_S2相对LAI_ALS系统性低估，可通过ALS数据校正；H2，调整RTM反演参数化以适应S2感知的表观冠层厚度，可提高与LAI_ALS的一致性；H3，森林结构特征可能挑战两种技术共同的假设（如空间均质植被分布），构成额外的不一致来源。

研究利用2021年初夏同期获取的高密度ALS数据（VQ780 II RIEGL全波形传感器，点密度25–50点/平方米）和无云S2 Level 2A反射率产品，采用间隙分数法从LiDAR点云生成LAD剖面并估算LAI_ALS，利用PROSAIL混合反演（PROSPECT-D叶片光学模型与4SAIL冠层反射模型耦合）估算LAI_S2。研究开发了替代性点云归一化方法，以1米分辨率冠层高度模型（CHM_ALS）为参考面而非传统的地形模型（DTM_ALS），将冠层顶部设为原点，使LiDAR信息与从冠层顶部捕获信号的S2图像更好对齐。同时，研究优化了PROSAIL反演的LUT参数化范围，并利用LiDAR导出的指标评估冠层上部水平异质性对两种LAI估计值关系质量的影响。

研究得出以下主要结论：Sentinel-2信号对冠层上部6–10米厚度最为敏感，低于实际冠层高度；将LiDAR数据以冠层顶部为基准归一化可显著提高其与Sentinel-2的一致性；针对森林冠层优化的PROSAIL先验分布使LAI的均方根误差（RMSE）减半；在两个森林上校准的先验在第三个森林上仍保留了62%的改进效果，表明具有一定的泛化能力；冠层水平异质性构成两种传感器间残余差异的主要驱动因素，即使在LAI_S2优化后仍影响两者关系质量。

三、关键技术方法

研究采用的主要技术方法包括：利用间隙分数法从LiDAR点云生成叶面积密度（LAD）垂直剖面并估算LAI_ALS；开发以冠层高度模型（CHM_ALS）为参考的替代性点云归一化方法，将冠层顶部设为原点以对齐S2信号；利用PROSAIL辐射传输模型（PROSPECT-D与4SAIL耦合）生成传感器反射率查找表（LUT），结合支持向量回归（SVR）集成（bagging）方法进行混合反演估算LAI_S2；基于BD Forêt V2数据掩膜非落叶林像素，并以冠层覆盖分数（fCover）阈值筛选密集林分像素；利用LiDAR导出的指标量化冠层上部水平异质性对跨传感器一致性的影响。样本来源为法国三个国有森林（Aigoual、Blois、Mormal），ALS数据由法国ALTOA公司统一采集，S2数据来自Copernicus Data Space Ecosystem。

四、研究结果

S2反射率对表观冠层厚度的敏感性：通过LiDAR导出的LAD剖面分析，研究确定Sentinel-2信号主要感知冠层上部6–10米的厚度，该表观厚度显著短于实际冠层高度，导致LAI_S2在密林中系统性低估总LAI。

CHM归一化对跨传感器一致性的改善：以冠层顶部为基准的替代性点云归一化方法使LiDAR数据与S2信号在垂直采样上更好对齐，显著提高了LAI_ALS与LAI_S2的一致性，验证了H1假设。

森林适应型PROSAIL先验的优化效果：针对森林冠层特征优化的LUT参数化使两种传感器LAI估计值的RMSE减半，验证了H2假设。在两个森林上校准的先验分布在第三个森林上保留了62%的改进效果，表明该参数化策略具有一定的跨站点泛化能力。

水平异质性对残余差异的驱动作用：利用LiDAR导出的指标评估冠层上部水平异质性后发现，即使在LAI_S2优化后，冠层水平异质性仍是两种传感器间残余差异的主要驱动因素，验证了H3假设。

五、讨论与结论

讨论部分指出，两种传感器在冠层采样深度上的不对称性是LAI估计值差异的根本来源之一。ALS信号可解析全垂直剖面，而S2反射率缺乏深度信息，在密林中主要反映冠层上部的光学特性。将LiDAR数据以冠层顶部为基准归一化，实质上是将LiDAR信息重新对齐到与S2一致的采样框架，从而改善跨传感器一致性。PROSAIL反演参数化的优化表明，默认的农业导向LUT先验不适用于结构复杂的森林冠层，针对森林特征的先验分布能显著减少系统性偏差，且这种优化策略在不同森林间具有一定的可迁移性。然而，冠层水平异质性构成难以通过参数化调整消除的残余差异来源，这反映了均质浑浊介质假设在真实森林中的局限性。研究结论强调，LAI_ALS与LAI_S2不应被视为参照-目标对，而应作为两种遥感产品，其跨传感器一致性可通过理解采样机制差异和优化反演参数化来量化和改进。该研究首次从LiDAR导出的LAD剖面量化了S2反射率所感知的表观冠层厚度，并联合评估了反演参数化与冠层异质性的交互作用，为发展充分利用两种技术互补优势、生成一致LAI时间序列的方法提供了重要指导。论文发表在《Remote Sensing of Environment》。