基于异速生长信息的山地针叶林叶面积指数估算：融合Sentinel-2光谱与纹理特征的多源遥感方法

《Ecological Informatics》：Allometry-informed estimation of leaf area index in mountainous coniferous forests using Sentinel-2 spectral and textural features

　　

论文摘要专业翻译 叶面积指数（LAI）是连接冠层结构、生态系统功能与陆面过程的关键冠层变量，通常定义为单位地面面积上的单侧绿色叶面积，而对于针叶树种，更适宜将其表示为每单位水平地面面积上针叶总表面积的一半。地面测量为LAI估算提供了参考基准，但在山地森林中难以推广。Sentinel-2影像凭借其中等空间分辨率、频繁的重访周期和多光谱配置，为区域尺度LAI反演提供了一条可行路径。然而，Sentinel-2在山地针叶林中的LAI估算仍面临挑战：崎岖地形、冠层阴影、混合像元和异质林分结构均可能削弱光谱指数与地面实测LAI之间的关系。胸径（DBH）和树高（TH）与树木大小、冠层发育和叶面积分配密切相关，长期被用于森林异速生长研究，有望为LAI建模提供结构性约束以降低机器学习模型的不稳定性。本研究在新疆阿尔泰山针叶林中，利用47个野外样地，首先评估了实测LAI与复合结构变量DBH2×TH之间的关系；随后将该结构变量与Sentinel-2植被指数（VIs）和纹理特征（TFs）相结合，比较了纯结构、光谱、纹理、光谱-纹理以及机器学习建模策略；最后利用12个无人机（UAV）覆盖样地进行跨分辨率一致性评估。结果表明，DBH2×TH为LAI建模提供了有效的异速生长结构基础，光谱和纹理特征的加入进一步提升了仅基于结构变量的LAI估算精度，UAV覆盖样地的一致性评估验证了Sentinel-2估算结果与高分辨率观测之间的跨尺度一致性。该框架为山地针叶林样地尺度LAI估算提供了一种结合结构信息与遥感特征的可行方法。

论文解读文章

一、研究背景与问题

叶面积指数（Leaf Area Index, LAI）是表征植被冠层结构的关键参数，定义为单侧绿色叶面积与单位地面面积之比，对于针叶树种则更适宜表示为每单位水平地面面积上针叶总表面积的一半。LAI直接调控冠层辐射截获、蒸散、光合能力和碳交换等关键生态过程，因此被广泛用于生态学和生物地球化学模型中，也是模拟植被对环境变化响应的核心输入变量。

地面实测LAI虽能提供可靠的参考基准，但在山地森林中难以大范围推广。直接破坏性采样虽然精度高，但劳动密集且难以在广阔或难以到达的林区实施，在物种组成和冠层结构复杂的森林中尤为困难。间接光学方法可提供样地尺度测量，但其估算结果受冠层结构、木质组分、光照条件和采样几何等因素影响。半球摄影和辐射类仪器在样地尺度上有效，但无法独立生成连续的区域LAI图。

Sentinel-2影像凭借中等空间分辨率、频繁重访周期和多光谱配置，为区域LAI反演提供了可行途径。然而，Sentinel-2在山地针叶林中的LAI估算仍面临显著挑战：崎岖地形、冠层阴影、混合像元和异质林分结构会削弱光谱指数与地面实测LAI之间的关系。机器学习模型可纳入多个预测变量，但当野外样本有限且预测变量空间较大时，其性能可能不稳定。结构信息或可帮助降低这种不稳定性。胸径（Diameter at Breast Height, DBH）和树高（Tree Height, TH）与树木大小、冠层发育和叶面积分配密切相关，长期用于森林异速生长研究。遥感影像纹理特征可描述冠层排列和背景混合的空间异质性，但其参数化方式也可能影响LAI反演结果。然而，将异速生长结构、Sentinel-2光谱指数和纹理特征相结合能否在纯结构变量基础上进一步提升LAI估算精度，此前尚不明确。

二、研究内容与意义

研究人员在新疆阿尔泰山针叶林中开发了一套基于异速生长信息的Sentinel-2样地尺度LAI估算框架。利用47个野外样地，首先评估实测LAI与复合结构变量DBH²×TH之间的关系；随后将该结构变量与Sentinel-2植被指数（Vegetation Indices, VIs）和纹理特征（Texture Features, TFs）相结合，比较纯结构、光谱、纹理、光谱-纹理和机器学习等多种建模策略；最后利用12个无人机（Unmanned Aerial Vehicle, UAV）覆盖样地进行跨分辨率一致性评估。由于这些UAV覆盖样地是主野外数据集的一个子集，该比较被视作一致性评估而非独立验证。该研究为山地针叶林LAI估算提供了一种结合结构信息与多源遥感特征的创新框架，具有重要的方法论意义和应用价值。

三、关键技术方法

研究区位于中国新疆北部阿尔泰山（86.18°–91.08°E，46.40°–49.17°N），海拔1000–3500米，是中国境内西西伯利亚山脉南泰加林的唯一分布区，优势树种包括西伯利亚冷杉（Abies sibirica）、西伯利亚云杉（Picea obovata）、西伯利亚红松（Pinus sibirica）、西伯利亚落叶松（Larix sibirica）、疣枝桦（Betula pendula）、小叶桦（Betula microphylla）和欧洲山杨（Populus tremula）等。野外调查于2022至2024年每年7–8月进行，覆盖47个30m×30m样地，样地位于至少1公顷的同质林分内，分布在不同疏密度的针叶林分中。样地内记录树种，对所有胸径大于5cm的树木进行每木检尺，胸径用卷尺测量，树高用Hagl?f激光测距仪测量。样地LAI采用九点半球摄影方案测定，使用配备180°鱼眼镜头的佳能数码相机在九个采样点垂直向上拍摄冠层半球影像，在WinSCANOPY软件中以鱼眼模式处理，通过交互式掩膜排除树干、大枝、裸露地面等非叶组分，采用基于颜色的监督分类进行像元分类并人工校正，利用LAI-2000G间隙率反演算法计算各图像LAI，九点平均得到样地代表性地LAI。Sentinel-2地表反射率协调数据集（COPERNICUS/S2_SR_HARMONIZED）作为主要卫星数据源，在Google Earth Engine（GEE）平台上结合云概率数据集（COPERNICUS/S2_CLOUD_PROBABILITY）进行云筛选，保留蓝、绿、红、红边和窄近红外波段，以样地坐标为中心的3×3像元窗口提取样地级反射率，窗口平均云概率≥10%或有效像元少于9个的记录被剔除。UAV多光谱影像作为辅助高分辨率数据集，使用DJI六旋翼平台搭载MS600多光谱传感器，光谱范围400–900nm，包含蓝、绿、红、红边和近红外五个波段，飞行高度120m时地面采样距离（Ground Sampling Distance, GSD）为8.65cm，在2022至2024年7–8月生长旺季与地面测量同日采集，共收集12幅多光谱影像，每幅覆盖约150m×150m，飞行安排在晴朗天气当地时间12:00–14:00，飞行前后使用标准白板进行辐射定标。研究中从Sentinel-2样地级反射率数据计算了67个植被指数作为候选光谱预测变量，并提取纹理特征用于描述冠层空间异质性。

四、研究结果

DBH²×TH与实测LAI的关系

研究人员首先评估了实测LAI与复合结构变量DBH²×TH之间的关系。结果表明，DBH²×TH为LAI建模提供了有效的异速生长结构基础，该复合变量与实测LAI之间存在显著关联，反映了树木大小和高度对冠层叶面积分配的结构性控制作用。

不同建模策略的比较

研究人员将DBH²×TH与Sentinel-2植被指数和纹理特征相结合，系统比较了纯结构、光谱、纹理、光谱-纹理和机器学习等多种建模策略。结果表明，光谱和纹理特征的加入在纯结构变量基础上进一步提升了LAI估算精度，说明遥感光谱信息和空间纹理信息能够补充结构变量未能捕获的冠层变异性。

跨分辨率一致性评估

研究人员利用12个UAV覆盖样地进行Sentinel-2估算结果与UAV尺度观测之间的跨分辨率一致性评估。结果表明，Sentinel-2基于的LAI估算与UAV高分辨率观测之间具有良好的一致性，验证了该框架在不同空间分辨率之间的稳健性。由于这些UAV覆盖样地是主野外数据集的一个子集，该比较被视作一致性评估而非独立验证。

五、讨论与结论

讨论部分指出，结合异速生长结构信息、Sentinel-2光谱指数和纹理特征的多源建模框架能够有效提升山地针叶林样地尺度LAI估算精度。结构变量提供了与树木大小和冠层发育直接相关的生物物理约束，光谱指数捕获了冠层绿色度和叶绿素吸收特征，纹理特征则描述了冠层排列和背景混合的空间异质性，三者互补共同提升了模型性能。UAV覆盖样地的一致性评估进一步表明该框架在不同空间分辨率之间具有良好的可转移性。

研究结论为：基于异速生长信息的Sentinel-2框架能够有效实现山地针叶林样地尺度LAI估算。DBH²×TH提供了结构基础，Sentinel-2光谱和纹理特征的加入在结构变量基础上进一步提升了估算精度，UAV覆盖样地的一致性评估验证了跨分辨率稳健性。该框架为山地针叶林LAI遥感反演提供了一种结合地面结构测量与多源遥感特征的有效方法，对森林生态监测和碳循环研究具有重要的应用价值。