激光雷達應用——葉面積指數反演

葉面積指數（leaf area index，LAI）定義為單位地面上所有葉片單面面積的總和^[1]。是生態系統中具有重要作用的森林參數之一。

目前測量葉面積指數的主要方法有以下幾種^[2]：

傳統實地測量法

間接測量法

遙感光學測量法

傳統實地測量方法和間接測量法在實際應用中有諸多限制，實地測量測得的LAI精準度高但具有破壞性、工作量大、耗時長、且獲取獲得的采樣點上的數據有限^[3,4]；間接測量法則是基于一定的經驗公式和數學模型，結果往往具有較大的不確定性；目前基于遙感的森林LAI監測主要依靠激光雷達（light detection and ranging，LiDAR）、光學、微波等手段，光學遙感數據以其長時間序列、全球區域尺度覆蓋和高重訪周期的特點，在大區域尺度的森林LAI監測中有不可替代的作用，但需建立在大量地面樣本點基礎上^[5]；激光雷達具有穿透性，可以穿透冠層并快速獲得大面積的高精度的森林冠層以及林分內部結構參數，因此，基于激光雷達的LAI監測有著重要作用^[4]。

激光雷達是傳統雷達與激光技術相結合的產物。以微波雷達原理為基礎，將激光束作為新的探測信號，具有良好的方向性、單色性和相干性的特點，在植被生態監測中具有以下優勢^[6]：

數據密度大

數據精度高

植被穿透力強

激光雷達系統可以快速、準確地獲取測量點的高精度三維坐標數據，在植被監測領域得到廣泛關注^[7]，目前已成功應用于林業中對樹高、冠層垂直結構、郁閉度、生物量等參數的提取^[8]，同時，在不同尺度與不同平臺上也得到了極大的應用拓展（圖2）。

圖1不同類型的激光雷達傳感器搭載平臺及適用尺度

圖片來源于（張巖博^[9]，2019）

激光雷達可以獲得高精度的植被三維參數，為植被LAI反演提供了可能，目前，雷達反演LAI的方法主要有兩種：

經驗模型反演法

基于比爾朗博定律物理模型法

經驗模型法是結合地面樣本與機載激光雷達統計特征的方法，主要通過提取激光雷達的高度、密度、強度等統計參數與實測LAI建立回歸模型實現葉面積指數反演。這種模型結構簡單，尤其是在不清楚地面實況或遙感信號產生機理過于復雜的情況下，是一種較合適的反演方法^[10]。

物理模型法則是激光雷達在進行植被信息獲取時，激光脈沖打到植被冠層表面，一部分能量被反射，而另一部分能量將穿過植被枝葉間的間隙繼續前進，直至被遮擋，只有部分能量到達地面（圖2）。而穿過植被冠層的光照強度衰減可用基于冠層間隙率的比爾朗博公式來描述，并通過比爾朗博定律推算得到LAI^[11-13]：

式中，G(θ)表示單位面積內所有葉子在與太陽入射垂直平面的平均投影，在一個具有球形葉片分布的冠層中，G(θ)表征葉傾角分布，取經驗值0.50；θ為入射輻射的天頂角；Ω是聚集指數；f_cover表示觀測覆蓋度，計算如下^[14]：

式中，n_maize為冠層回波點云數；n_cropland為總點云數。

圖2 點云分類圖像三維顯示（紅色點為地面激光點，綠色點為植被的激光點）

圖片來源于（駱社周^[15]，2013）

基于物理模型法的LAI反演相比經驗模型表現出了更為明顯的優勢，基于經驗模型的激光雷達葉面積指數反演仍然需要進行實地破壞性采樣已取得構建模型的必要數據，模型的適用性較為局限；同時，模型構建過程缺乏物理意義，僅是通過對點云進行預處理計算點云的統計特征，進而結合經驗回歸模型進行LAI反演，這導致反演的結果存在一定的不確定性。已有研究表明：激光雷達的物理模型LAI反演與樣地實測LAI沒有明顯差異（圖3）^[4,16]，并且準確性也優于其它的一些數學或經驗模型^[13]。隨著激光雷達應用LAI反演的研究發展，運用激光雷達結合物理模型進行葉面積指數反演的研究逐漸深入，反演算法也在不斷進步，軟硬件的更新優化也大大普及了激光雷達的應用面，在實際應用中可以與其它LAI監測方法形成優勢互補，為大區域森林LAI反演或其他森林參數反演提供硬件支持。

圖3 LiDAR與樣地的葉面積指數實測值對比（橙色為LiDAR計算，藍色為實地測量）

圖片來源于（羅洪斌^[17]，2020）

參考文獻

[1] Watson DJ. Comparative Physiological Studies on the Growth of Field Crops: II. The Effect of Varying Nutrient Supply on Net Assimilation Rate and Leaf Area. Annals of Botany, 1947, 11(4): 375-407

[2] 劉婷，蘇偉，王成, 等. 基于機載LiDAR數據的玉米葉面積指數反演. 中國農業大學學報, 2016, 21(03): 104-111

[3] Gower ST, Kucharik CJ, Norman JM. 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

[4] 羅洪斌，岳彩榮，張國飛, 等. 機載激光雷達在不同區域尺度森林葉面積指數反演中的應用. 西部林業科學, 2021, 50(04): 33-40

[5] 方紅亮. 我國葉面積指數衛星遙感產品生產及驗證. 遙感技術與應用, 2020, 35(5): 990-1003

[6] 劉斌，張軍，魯敏, 等. 激光雷達應用技術研究進展. 激光與紅外, 2015(2): 117-122

[7] 張健，張雷，曾飛, 等. 機載激光3D探測成像系統的發展現狀. 中國光學, 2011, 4(3): 213 —232

[8] 龐勇，趙峰，李增元, 等. 機載激光雷達平均樹高提取研究. 遙感學報, 2008, 12(1): 153-158

[9]張巖博, 2019. 基于LiDAR與遙感影像對玉米葉面積指數反演的方法研究, 新疆大學.

[10]融合無人機載激光雷達與多光譜遙感數據的冬小麥葉面積指數反演. 土壤學報, 2022, 59(01): 161-171

[11] Ma H, Song J, Wang J. Forest Canopy LAI and Vertical FAVD Profile Inversion from Airborne Full-Waveform LiDAR Data Based on a Radiative Transfer Model. Remote Sensing, 2015, 7(2)

[12] Nilson T. A theoretical analysis of the frequency of gaps in plant stands. Agricultural Meteorology, 1971, 8: 25-38

[13] Richardson JJ, Moskal LM, Kim S-H. Modeling approaches to estimate effective leaf area index from aerial discrete-return LIDAR. Agricultural and Forest Meteorology, 2009, 149(6): 1152-1160

[14] Danson FM, Hetherington D, Morsdorf F, et al. Forest Canopy Gap Fraction From Terrestrial Laser Scanning. IEEE Geoscience and Remote Sensing Letters, 2007, 4(1): 157-160

[15] 駱社周，王成，張貴賓, 等. 機載激光雷達森林葉面積指數反演研究. 地球物理學報, 2013(5): 1467-1475

[16] Li Y, Guo Q, Su Y, et al. Retrieving the gap fraction, element clumping index, and leaf area index of individual trees using single-scan data from a terrestrial laser scanner. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 308-316

[17] 羅洪斌，舒清態，王強, 等. 多源遙感數據結合的橡膠林有效葉面積指數升尺度估測. 江西農業大學學報, 2020, 42(02): 349-357