賀敏， 聞建光， 游冬琴， 唐勇， 吳勝標(biāo)， 郝大磊，林興穩(wěn)， 龔張融

1. 中國科學(xué)院空天信息創(chuàng)新研究院 遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室, 北京 100101;

2. 中國科學(xué)院大學(xué) 資源與環(huán)境學(xué)院, 北京 100049;

3. 浙江師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院, 金華 321004;

4. 華中科技大學(xué) 光學(xué)與電子信息學(xué)院, 武漢 430074

1 引 言

葉面積指數(shù)LAI（Leaf Area Index）通常定義為單位水平地面上單面的葉面積（Chen 和Black，1992）。作為一個(gè)重要的描述植被結(jié)構(gòu)和功能的關(guān)鍵參數(shù)，LAI能夠在一定程度上反映植被的光合作用（Hashimoto 等，2012）、水分利用（Leuning 等，2008） 以及物質(zhì)交換與能量平衡（Donohue 等，2007；Hymus 等，2002）等信息，是陸面過程模擬的關(guān)鍵性參數(shù)之一（Wigmosta 等，1994；Li 等，2019），已被廣泛應(yīng)用于生態(tài)（Gascon 等，2004；Piao 等，2015）、氣象水文監(jiān)測（Leuning 等，2008）以及農(nóng)業(yè)農(nóng)情監(jiān)測等領(lǐng)域（Duchemin 等，2006；Hedstrom 和Pomeroy，1998）。根據(jù)葉片形狀、有效光合、是否考慮樹干木質(zhì)素等因素，葉面積指數(shù)可表示為總?cè)~面積指數(shù)ToLAI（Total Leaf Area Index）（Watson，1947）、投影葉面積指數(shù)PLAI（Projected Leaf Area Index）（Myneni 等，2002）、垂向葉面積指數(shù)SLAI （Silhouette Leaf Area Index）、有效葉面積指數(shù)LAIe（effective Leaf Area Index）（Black 等，1991）及真實(shí)葉面積指數(shù)LAIt（True Leaf Area Index）（Chen 和Black，1992）等，這些不同的葉面積指數(shù)具有不同的應(yīng)用領(lǐng)域（Zheng 和Moskal，2009）。

目前針對LAI地面采樣的理論及方法已經(jīng)有了系統(tǒng)的闡述與改進(jìn)（Yan 等，2019），然而僅是地面的樣本數(shù)據(jù)難以滿足大區(qū)域監(jiān)測的應(yīng)用需求，遙感技術(shù)的發(fā)展為生產(chǎn)全球LAI產(chǎn)品提供了有效可行方法（Knyazikhin等，1998；Baret等，2007；Xiao等，2014；Zhu 等，2013）。在過去近40 年中，國內(nèi)外學(xué)者基于海量的遙感歷史數(shù)據(jù)發(fā)展了多種LAI反演算法，并在中、低分辨率遙感反演中趨于成熟，形成了多種LAI 產(chǎn)品（表1）。目前，已有大量的研究對這些產(chǎn)品的數(shù)據(jù)來源、生成算法及驗(yàn)證方法和精度等做了詳細(xì)的評述（Fang 等，2019；劉洋 等，2013）和對比（Chen 等，2002；Xiao 等，2017；徐保東，2018；Claverie 等，2016）。其結(jié)果表明，目前基于平坦均質(zhì)地表驗(yàn)證的全球中、低分辨率葉面積指數(shù)產(chǎn)品誤差約0.41（Fang 等，2019），但絕大部分產(chǎn)品通常難以達(dá)到該精度，特別是在崎嶇的山地表面，其LAI產(chǎn)品的誤差會(huì)顯著增大，總體上大于1.7（Jin 等，2017）。而根據(jù)全球氣候觀測系統(tǒng)GCOS（Global Climate Observing System）的要求，LAI 最大不確定性應(yīng)不超過0.5（即相對誤差不超過15%）（GCOS，2016），這給崎嶇地表的LAI估算帶來了巨大的挑戰(zhàn)。

表1 部分全球長時(shí)間序列LAI產(chǎn)品Table 1 Examples of global long term LAI products

目前，已有越來越多的研究涉及到山地LAI，但許多應(yīng)用仍建立在地勢平坦的地表上（馬培培等，2019； Knyazikhin 等，1998；Baret 等，2007；Xiao 等，2014；Zhu 等，2013）。本文根據(jù)文獻(xiàn)統(tǒng)計(jì)學(xué)方法，使用主題：（“Leaf Area Index”O(jiān)R“LAI”） 和主題：（“Rugged”O(jiān)R“Mount*”O(jiān)R“Topogra*”）在Web of Science 上進(jìn)行檢索，結(jié)果發(fā)現(xiàn)自2000 年以來，與地形有關(guān)聯(lián)的LAI 研究文獻(xiàn)有901 篇，占LAI 主題總的檢索結(jié)果的17%，內(nèi)容主要與輻射傳輸建模，LAI 反演和精度評價(jià)，農(nóng)業(yè)、生態(tài)和水文應(yīng)用等密切相關(guān)（圖1）。對這901 條記錄進(jìn)行統(tǒng)計(jì)發(fā)現(xiàn)，同時(shí)出現(xiàn)LAI 和地形的主題的文章的出版數(shù)量和引用頻率均逐年增加，且每年的引用頻率平均30 倍于出版數(shù)量（圖2），說明LAI在山地的應(yīng)用中越來越受到關(guān)注。

圖 1 近20年涉及山地LAI的文獻(xiàn)的領(lǐng)域來源Fig. 1 Statistics of sources of publications and citations correlated with mountain and LAI in recent 20 years

圖 2 近20年同時(shí)涉及山地和LAI主題的文獻(xiàn)出版情況Fig. 2 Statistics of publications and citations correlated with mountain and LAI in recent 20 years

山地下墊面異質(zhì)性較強(qiáng)、局部小氣候明顯、云覆蓋時(shí)間長（Wilson 和Jetz，2016），強(qiáng)烈影響衛(wèi)星觀測幾何和輻射特征，給山地參數(shù)的精確估算帶來很大困難（李愛農(nóng) 等，2016，2018），而現(xiàn)有的一些研究表明現(xiàn)有的對外發(fā)布的LAI產(chǎn)品在山地表面的均方根誤差大于1.7（Pasolli 等，2015；Jin 等，2017），反映了LAI產(chǎn)品在山地表面估算中精度不高的事實(shí)。Yu 等（2020）研究發(fā)現(xiàn)，當(dāng)坡度達(dá)到60°時(shí)，忽略地形的LAI 反演算法進(jìn)行LAI反演時(shí)平均相對誤差甚至高達(dá)51%。然而，全球約1/4 的陸地表面是山地，對于中國而言山地更是占據(jù)了陸地面積的2/3，因此不論是從全球還是國家的應(yīng)用需求角度出發(fā)，進(jìn)一步提高葉面積指數(shù)產(chǎn)品在山地崎嶇地表的精度都十分有必要。

因此，本文在綜述現(xiàn)有平坦均一地表發(fā)展的葉面積指數(shù)算法、產(chǎn)品和驗(yàn)證技術(shù)的基礎(chǔ)上，總結(jié)了現(xiàn)有可供山地葉面積指數(shù)反演的二向反射模型、山地森林葉面積指數(shù)快速反演方法以及可能的山地森林葉面積指數(shù)觀測和驗(yàn)證方法，為提高葉面積指數(shù)產(chǎn)品在山地森林覆被下的精度提供參考，進(jìn)而提高葉面積指數(shù)產(chǎn)品的應(yīng)用廣度和應(yīng)用深度。

2 現(xiàn)有LAI 算法及存在問題

2.1 現(xiàn)有LAI反演算法及產(chǎn)品

LAI遙感反演算法一般可劃分為統(tǒng)計(jì)模型和物理模型兩大類（Dorigo等，2007；劉洋 等，2013）。其中統(tǒng)計(jì)模型是指利用LAI真值與波段反射率或植被指數(shù)進(jìn)行線性或非線性的數(shù)學(xué)擬合進(jìn)行 LAI 反演（張曉陽和李勁峰，1995；Zhu 等，2013；白蘭東 等，2016；昝梅 等，2013）；物理模型是基于電磁波與植被冠層及內(nèi)部的相互作用，建立LAI與植被二向反射的正演關(guān)系，進(jìn)而進(jìn)行LAI 反演（Knyazikhin等，1998；Ma等，2018；Li等，2015）。在實(shí)際應(yīng)用中應(yīng)依據(jù)模型的適用性，在植被參數(shù)反演流程中的選擇最優(yōu)的模型和方法（Dorigo 等，2007）。

在統(tǒng)計(jì)模型中，數(shù)學(xué)關(guān)系、植被指數(shù)和用于模型參數(shù)擬合的葉面積指數(shù)為3 個(gè)關(guān)鍵的要素（Chen 和Cihlar，1996；劉洋 等，2013）。數(shù)學(xué)關(guān)系的選擇主要跟植被結(jié)構(gòu)與類型等有關(guān)，一般包括對數(shù)關(guān)系、指數(shù)關(guān)系、多項(xiàng)式等（方秀琴和張萬昌，2003；Dorigo 等，2007）；由于植被在紅光波段的強(qiáng)烈吸收和在近紅外波段的強(qiáng)烈反射，與這兩個(gè)波段相關(guān)的植被指數(shù)在LAI反演中有廣泛的應(yīng)用（Masson 等，2003；Steltzer 和Welker，2006；Turner 等，1999），如歸一化植被指數(shù)NDVI（Normalized Difference Vegetation Index）、比值植被指數(shù)RVI（Ratio Vegetation Index）、增強(qiáng)植被指數(shù)EVI （Enhanced Vegetation Index）、紅 邊 類 指 數(shù)RNDVI （RedEdge Normalized Difference Vegetation Index）（Zhu 等，2017b；Xie 等，2018）等。物理模型一般是對現(xiàn)實(shí)世界的抽象化，通過建立太陽—地表目標(biāo)—傳感器相對穩(wěn)定的場景，設(shè)置觀測幾何、葉片光學(xué)性質(zhì)、冠層結(jié)構(gòu)等參數(shù)，進(jìn)而模擬太陽輻射的傳播過程（Ross，1981；Verhoef，1984；Jacquemoud 等，1995）。基于該理論，建立關(guān)于冠層反射率的正演模型，該模型將輸入一組包括LAI 的參數(shù)，輸出對應(yīng)波段的二向反射因子（或反射率），最后通過定位查找模擬反射率與遙感觀測反射率最匹配或最接近時(shí)的LAI得到最終反演結(jié)果。針對不同的地表結(jié)構(gòu)特征和輻射傳輸過程產(chǎn)生了不同的物理模型。在光學(xué)遙感中，主要可劃分為：植被輻射傳輸模型（Ross，1981；Verhoef，1984；Jacquemoud 等，1995；Xu 等，2017）、幾何光學(xué)模型（Li和Strahler，1992；Schaaf等，1994；柳欽火 等，2019）、混合模型（Wenge等，1999；Wang 等，2013；Wu 等，2019b）和計(jì)算機(jī)模擬模型（Gastellu-Etchegorry 等，2004；黃華國，2019；漆建波 等，2019）。

不同類型的模型在模型假設(shè)和輻射傳輸過程上有諸多不同（Ross，1981；Li和Strahler，1992）：植被輻射傳輸模型能夠描述連續(xù)冠層的植被的輻射傳輸過程；根據(jù)是否考慮植被水平方向的異質(zhì)性，植被輻射傳輸模型分為一維輻射傳輸模型和三維輻射傳輸模型。例如，一維輻射傳輸模型PROSAIL 模型（Jacquemoud 等，1995），在小麥、玉米、大豆等低矮、均質(zhì)的農(nóng)作物L(fēng)AI估算上取得良好的效果（Jay等，2017；Li等，2017）。三維輻射傳輸模型（Myneni 等，1992；Knyazikhin 等，1998；Gastellu-Etchegorry 等，2004）基于三維坐標(biāo)將冠層劃分為一個(gè)個(gè)單位立方體，獨(dú)立立方體內(nèi)即植被介質(zhì)，能夠用于解釋異質(zhì)性植被冠層的二向反射特性，MODIS LAI、VIIRS LAI 全球產(chǎn)品即是基于三維輻射傳輸模型生產(chǎn)（Knyazikhin 等，1998）。幾 何 光 學(xué) 模 型（Li 和Strahler，1986 和1992）能夠描述離散冠層植被的輻射傳輸過程，Li 等（2015）在幾何光學(xué)模型（Geometric-Optical Mutual Shadowing，GOMS）基礎(chǔ)上修正的間隙率模型中引入了LAI，實(shí)現(xiàn)了將幾何光學(xué)模型用于森林葉面積指數(shù)的反演。然而越詳細(xì)的模型同樣意味著涉及的參數(shù)越多，因此較少地直接使用該模型進(jìn)行LAI 反演，轉(zhuǎn)而利用模擬數(shù)據(jù)集建立LAI-VI關(guān)系進(jìn)行LAI 反演（Deng 等，2006）。計(jì)算機(jī)模擬模型采用蒙特卡羅方法（Monte Carlo）或輻射度原理（Gastellu-Etchegorry 等，2004）進(jìn)行冠層反射率模擬，在構(gòu)建真實(shí)結(jié)構(gòu)場景時(shí)設(shè)置參數(shù)較多，計(jì)算量較大，多用于模型的檢驗(yàn)，而較少應(yīng)用于大面積的LAI反演。

除了多光譜數(shù)據(jù)，SAR 和LiDAR 數(shù)據(jù)也漸漸應(yīng)用于LAI反演，建立起系列非光學(xué)模型，例如有的研究基于SAR 數(shù)據(jù)和輻射傳輸過程的LAI 反演（Bériaux 等，2015），有的研究基于比爾朗伯定律的消光模型，使用激光雷達(dá)LiDAR（Light Detection And Ranging）數(shù)據(jù)建立間隙率模型以達(dá)到反演LAI 的目的（Grotti 等，2020；Yin 等，2020b；Qu等，2020）。LiDAR 發(fā)出的脈沖能夠穿透林冠層到達(dá)地面，然后通過高頻采樣記錄植被尤其是森林的垂直結(jié)構(gòu)，能在一定程度彌補(bǔ)光譜指數(shù)易飽和缺陷。因此，LiDAR 也將成為估計(jì)森林LAI的有效技術(shù)（Yang 等，2019；Tang 等，2014）。

目前，根據(jù)統(tǒng)計(jì)模型和物理模型，多采用光譜指數(shù)法（Rivera 等，2014）、最優(yōu)化迭代法（Fang 等，2003）、機(jī)器學(xué)習(xí)法（Caicedo 等，2014）和查找表法（Verrelst 等，2014）這4 類進(jìn)行區(qū)域LAI 快速反演，根據(jù)現(xiàn)有的比較結(jié)果表示，這4 類方法在使用時(shí)各有優(yōu)缺點(diǎn)（Verrelst 等，2015b；Sinha 等，2020；Dorigo 等，2007），但總體來說，目前全球的LAI產(chǎn)品多基于查找表方法和機(jī)器學(xué)習(xí)方法（表1）。其中，查找表方法基于正演模型，輸入葉片光學(xué)特性、冠層結(jié)構(gòu)參數(shù)及幾何位置信息等參數(shù)，按照一定的步長先建立查找表，再使用代價(jià)函數(shù)最小化實(shí)現(xiàn)LAI最優(yōu)值查找和反演，是部分全球產(chǎn)品的快速反演方法之一，如MODIS LAI、VIIRS LAI（Knyazikhin 等，1998）；機(jī)器學(xué)習(xí)法得益于計(jì)算機(jī)硬件和算法的發(fā)展而逐步被廣泛應(yīng)用于定量參數(shù)反演，尤其是神經(jīng)網(wǎng)絡(luò)的使用促進(jìn)了許多全球產(chǎn)品的生產(chǎn)，速度比查找表和最優(yōu)化算法快許多，可用于三維輻射傳輸模型等復(fù)雜的物理模型的反演，是最有前途的快速反演方法（Sinha 等，2020；Verrelst 等，2015a）。不同的產(chǎn)品在利用機(jī)器學(xué)習(xí)算法的方式上有所不同，有的仍然基于一定的物理模型產(chǎn)生模擬樣本進(jìn)行訓(xùn)練和反演，如CYCLOPES LAI（Baret 等，2007）、EPS LAI（García-Haro 等，2018）及GLOBMAP LAI（Deng 等，2006），但大多學(xué)者還是基于已生成的數(shù)據(jù)產(chǎn)品（如MODIS）進(jìn)行LAI 與輸入?yún)?shù)的模型訓(xùn)練生產(chǎn)的產(chǎn)品，屬于“二次加工”，包括表1中的GLASS LAI（Xiao 等，2014）、GEOV2（Baret等，2013）、PROVA-V（Baret 等，2016）、GIMMS3g LAI（Zhu 等，2013），NOAA CDR LAI（Claverie 等，2016）。這類產(chǎn)品一般不需要考慮新的物理模型，而且有融合多源數(shù)據(jù)的優(yōu)點(diǎn)，在時(shí)空連續(xù)性等方面性能更好（Xiao 等，2017；Jin 等，2017）。

2.2 山地LAI反演存在的問題

盡管目前已有不少LAI全球產(chǎn)品，但目前在山地的精度評估以及算法改進(jìn)方面的研究還比較缺乏，其中還有許多問題需要進(jìn)一步解決。首先，關(guān)于山地的定義，在不同的研究領(lǐng)域一直具有爭議。K?rner 等（2011）討論了不同定義的優(yōu)缺點(diǎn)，基于全球DEM 評估了地形起伏狀況，并在全球尺度上將3×3 的格網(wǎng)中高程差大于200 m 的地表劃分為山地，完成了全球山地的制圖并對山脈名稱等進(jìn)行歸檔，同時(shí)為了方便全球生物多樣性對比，對山地中林線、等溫線等概念做了劃分，是目前國際上認(rèn)可度較高的一種定義。

其次，山地生態(tài)系統(tǒng)在資源生產(chǎn)、維持碳水平衡等許多方面發(fā)揮巨大的作用，山地LAI的準(zhǔn)確估算與否將直接影響陸表過程模型的輸出參量精度。LAI反演尚且存在聚集效應(yīng)、尺度效應(yīng)、地形效應(yīng)、飽和效應(yīng)等14 類問題（Fang 等，2019），而山地地形起伏度大，植被空間分布不甚均衡，其影響主要體現(xiàn)在以下方面：

（1）不同尺度地形影響衛(wèi)星數(shù)據(jù)輻射給葉面積指數(shù)反演帶來較大誤差（Yu 等，2020；Roupioz等，2014；靳華安 等，2016）。在光學(xué)遙感中，地形的起伏不僅會(huì)引起光譜的失真，造成同物異譜和同譜異物的現(xiàn)象，對于高大山體更會(huì)對背陰坡造成遮擋，形成山體本影以及落影（Wen 等，2018）。地形對不同尺度的地表反射率影響不同（Wen 等，2018；Wu 等，2019b），具體體現(xiàn)在以下幾個(gè)方面：第一，在區(qū)域尺度上，地表由許多單一坡面的小面元組合而成，形成崎嶇的復(fù)合坡面，而在復(fù)合坡面里崎嶇地表會(huì)改變太陽輻射的散射和吸收、形成鄰近像元地形輻射，造成地表輻射不均勻等問題；第二，在像元尺度上，地形的起伏重疊造成太陽—地表—傳感器STS（Sun-Target-Sensor）之間的幾何關(guān)系發(fā)生變化，接收到的信號失真，這種輻射差異在陽坡和陰坡更加明顯；第三，在亞像元尺度上，混合地表類型的非朗伯特性導(dǎo)致輻射的有效攔截面積差異較大（Roupioz 等，2014）。因此，這種輻射的差異會(huì)影響山地葉面積指數(shù)的反演精度，實(shí)際上，地形起伏可能會(huì)使反演的LAI 產(chǎn)生13.5%以上的誤差（Yu 等，2020）。如何定量反映地形與傳感器接受輻射之間的關(guān)系是山地葉面積指數(shù)反演的重點(diǎn)難題之一。

（2）適用于山地不同尺度植被的輻射傳輸基礎(chǔ)理論不足以支持高精度葉面積指數(shù)反演?，F(xiàn)有的輻射傳輸模型，大多基于平坦地表和均質(zhì)下墊面的假設(shè)，近年來考慮山地起伏的輻射傳輸模型漸漸增加（Wu 等，2019a 和2017；Wen 等，2015；Fan 等，2014；郝大磊 等，2018），然而在實(shí)際應(yīng)用中還需要考慮植被的向地性生長、如何求解植被內(nèi)部多次散射解，以及山地植被下墊面異質(zhì)性強(qiáng)等多種問題，普遍缺乏能準(zhǔn)確描述山地植被冠層不同尺度下的反射輻射特性的遙感機(jī)理模型。

（3）山地云雨復(fù)雜環(huán)境普遍導(dǎo)致用于葉面積指數(shù)反演的光學(xué)遙感數(shù)據(jù)不足。根據(jù)已有的統(tǒng)計(jì)顯示，全球熱帶和亞熱帶森林的年平均云覆蓋率大于80%，山地的云覆蓋空間變異率甚至達(dá)到了20% （Wilson 和Jetz，2016），山地光學(xué)被動(dòng)遙感數(shù)據(jù)缺失嚴(yán)重。因此，僅僅依靠光學(xué)遙感數(shù)據(jù)滿足不了山地生態(tài)參量定量反演的時(shí)空精度需求，往往需要結(jié)合激光雷達(dá)、合成孔徑雷達(dá)等其他主動(dòng)遙感方式，這對解決多源遙感數(shù)據(jù)融合以及地形校正問題提出了同步要求。

（4）LAI 的尺度效應(yīng)導(dǎo)致山地LAI 真實(shí)性檢驗(yàn)中像元尺度的真值獲取困難。目前，已有大量關(guān)于LAI 產(chǎn)品真實(shí)性檢驗(yàn)的研究，包括耕地、草原、林地等不同地表覆蓋類型。在現(xiàn)有空間分辨率（>300 m）的全球產(chǎn)品基礎(chǔ)上，闊葉林森林LAI 的均方根誤差約為0.89，針葉林LAI的均方根誤差約為1.17（Fang 等，2019）。然而，目前絕大多數(shù)檢驗(yàn)的結(jié)論基于相對平坦均質(zhì)的地表而忽略了地形的影響。由于LAI具有較強(qiáng)的尺度效應(yīng)，對于山地復(fù)雜地表，難以獲取像元尺度的LAI 真值，因此山地LAI 算法和產(chǎn)品真實(shí)性檢驗(yàn)具有較大的不確定性。

3 山地森林LAI反演及驗(yàn)證

3.1 山地LAI反演方法

目前，在反演山地LAI時(shí)，針對地形的處理主要還是采用以下兩種方法：一是先做地形校正處理，獲得等效于平坦地表的反射率，或以校正后的反射率計(jì)算的植被指數(shù)進(jìn)行統(tǒng)計(jì)擬合和反演，或使用不考慮地形的LAI 反演模型（圖4）；二是構(gòu)建適用于山地植被冠層的反射物理模型，然后基于局部坡面反射率開展LAI 反演（圖5）。以下將展開闡述這兩種方法的使用情況。

圖4 基于地形校正的LAI反演思路Fig. 4 The process of LAI retrieval with topographic correction

圖5 基于山地輻射傳輸模型LAI反演的思路Fig. 5 The process of LAI retrieval with mountain RTM

3.1.1 基于地形校正反射率的反演

（1）地形校正基本原理和主要方法。地形校正是指針對地形引起遙感圖像的輻射畸變進(jìn)行校正（圖6（1）），消除遙感影像中地形效應(yīng)的影響（Soenen 等，2005；Wen 等，2015）。目前，地形校正算法發(fā)展至今已有30 余種（林興穩(wěn) 等，2020），主要包括經(jīng)驗(yàn)?zāi)Ｐ?、物理模型及半?jīng)驗(yàn)?zāi)Ｐ停ǘ嗡牟ê烷悘V建，2007；Wen 等，2015）。早期的經(jīng)驗(yàn)?zāi)Ｐ鸵话阋员戎?、統(tǒng)計(jì)等方法為主，多利用太陽下行輻射和太陽天頂角預(yù)先構(gòu)建的經(jīng)驗(yàn)關(guān)系來構(gòu)建模型，如Teillet-回歸（Teillet 等，1982）、b校正模型（Vincini 等，2002）、VECA 校正模型（Gao 和 Zhang，2009）等。這類模型參數(shù)多缺乏物理意義，忽略了不同波段對地形的敏感性，在地表復(fù)雜的區(qū)域普適性較差。物理模型多依據(jù)山地輻射傳輸模型來構(gòu)建地形校正模型，根據(jù)建模過程中是否考慮地表的二項(xiàng)反射特性，可將該類模型分為基于朗伯體假設(shè)（Lambertian based model）的地形校正和基于非朗伯體假設(shè)（Non-Lambertian model） 的 地 形 校 正（林 興 穩(wěn) 等，2020）。早期的物理模型多采用朗伯體假設(shè)模型，不考慮散射和周圍地形輻射，利用太陽輻射在太陽—地表—傳感器之間的幾何關(guān)系構(gòu)建模型，認(rèn)為水平面接收到的輻射亮度為L0cosθs，而坡面接收到的輻射亮度為L0cosθi，因此水平面和坡面的反射率之比可表示為L0cosθs/L0cosθi，進(jìn)而構(gòu)建了余弦校正方法（Teillet 等，1982）、SCS（Sun-Canopy-Sensor）校正（Gu 和Gillespie，1998）等。后來由于考慮目標(biāo)與地物的相對幾何關(guān)系和局部入射角過大等帶來的過校正或欠校正問題，促進(jìn)了系列改進(jìn)的模型的發(fā)展，比如一些研究增加經(jīng)驗(yàn)性的調(diào)節(jié)系數(shù)（即半經(jīng)驗(yàn)?zāi)Ｐ停?gòu)建了一系列模型，如C 校 正（Teillet 等， 1982）、 SCS+C 校 正（Soenen 等，2005）等。余弦校正及其改進(jìn)模型計(jì)算簡單，在稀疏植被覆蓋的晴天條件下，適用性較好，但在濃密植被覆蓋區(qū)域校正效果較差（林興穩(wěn) 等，2020）；SCS 及其改正模型考慮了冠層分布對輻射的影響，提升了在濃密植被的校正效果，但該類模型沒考慮散射輻射和周圍地形輻射影響，在相對太陽天頂角較大時(shí)候，仍然存在過校正問題（林興穩(wěn) 等，2020）。另一類基于朗伯假設(shè)考慮了散射輻射和周圍地形輻射的山地輻射傳輸模型將山地表面目標(biāo)接收的總?cè)肷漭椛湔斩菶total表示為太陽直接輻射照度Es、天空漫散射輻射照度Ed及周圍地形反射輻射照度Ea這3 個(gè)部分的總和，產(chǎn)生了Proy 模型（Proy 等，1989）、Sandmeier 模型（Sandmeier 等，1998）、ATCOR 模型（Richter 等，2009）等一系列算法。該類算法更加適應(yīng)用于描述各種地表類型的校正結(jié)果，模型適用性廣，但同時(shí)涉及的參數(shù)多、模型復(fù)雜、仍然存在陰影區(qū)域過校正問題，非朗伯體假設(shè)方法則考慮了地表的二向反射特征，引入BRDF（Bidirectional Reflectance Distribution Function）的概念，突出不同角度觀測到的反射輻射的差異性，包括Minnaert 系列半經(jīng)驗(yàn)?zāi)Ｐ停≧eeder，2002）、BRATC（BRDF-based atmospheric and topographic correction）模型以及一些同時(shí)進(jìn)行大氣校正和地形校正的耦合算法（Li等， 2012； Wen 等， 2009， 2015； Zhang 等，2017）。Minnaert 系列模型計(jì)算簡單但場景參數(shù)依賴性強(qiáng)，不適合用于定量分析，而地氣耦合類算法能夠較好地克服過校正問題，但同時(shí)涉及的物理參數(shù)較多，因此需要有足夠的先驗(yàn)知識支持其廣泛的適應(yīng)性。

圖6 模型在崎嶇地表的演變Fig. 6 The evolution of models over rugged terrain

（2）LAI反演方法。通過地形校正，可以糾正因地形起伏、遮掩等因素引起的輻射畸變，一定程度上能夠獲取相對平衡準(zhǔn)確的崎嶇地表的反射率（Wen 等，2015），因此經(jīng)過地形校正后的反射率能夠明顯提升LAI 反演的精度（Chen 和Cao，2012）?；诘匦涡Ｕ椒ㄟM(jìn)行LAI 反演的主要可分為以下兩種：第一種，基于經(jīng)過地形校正計(jì)算的植被指數(shù)的LAI反演方法。在預(yù)處理階段，將遙感影像的地表反射率進(jìn)行地形校正，用校正后的結(jié)果計(jì)算出常用的植被指數(shù)（如NDVI、RVI、SAVI等），然后基于LAI 測量真值構(gòu)建LAI 與植被指數(shù)的線性或非線性的統(tǒng)計(jì)關(guān)系（Chen 和Cao，2012；Meyer等，2019；劉婷 等，2019；董立新，2019）。目前，有研究基于這類統(tǒng)計(jì)關(guān)系，對比了闊葉林、針葉林和灌木等不同類型植被分別在陰坡和陽坡的LAI反演結(jié)果，分析了植被的稀疏程度和背景反射率的貢獻(xiàn)對植被指數(shù)選擇的影響（廖鈺冰 等，2011）。其結(jié)果顯示，經(jīng)過地形輻射校正的反射率用于LAI反演模型中精度雖然有明顯提高，但同時(shí)也具有統(tǒng)計(jì)模型的共性缺陷，那就是可移植性較差。尤其在山地這種特定崎嶇復(fù)雜的地表建立的統(tǒng)計(jì)關(guān)系很難運(yùn)用到另一個(gè)崎嶇山地地表，因此在進(jìn)行大區(qū)域反演時(shí)，需要建立足夠的統(tǒng)計(jì)關(guān)系來應(yīng)對不同類型的復(fù)雜地表的反演。第二種，基于地形校正反射率后采用平坦地表的LAI反演模型進(jìn)行反演。目前許多用于LAI反演的物理模型里本身沒有地形相關(guān)的參數(shù)，例如PROSAIL 模型、ACRM 模型、5-Sacle 模型等，因此直接用于山地（尤其是高分辨率）LAI 反演時(shí)往往忽略了地形輻射的影響，因此有的研究在使用輻射傳輸模型反演之前，先對地形起伏顯著區(qū)域的遙感反射率數(shù)據(jù)進(jìn)行地形校正。例如，谷成燕（2013）用Teillet方法校正后的反射率和PROSAIL 模型反演了崎嶇地表毛竹林的LAI，為南方典型的竹林植被類型提供了較好的反演思路；王強(qiáng)等（2016）將地形校正后的反射率用于四分量模型，并反演了黑河大野口區(qū)域的LAI；朱旭珍（2014）利用地形校正后的反射率同時(shí)使用PROSAIL 模型和20 種植被指數(shù)進(jìn)行了森林LAI反演，分析了單株、樣地、區(qū)域這3個(gè)尺度的估算效果。

從以上的研究看，使用地形校正對崎嶇地表反射率進(jìn)行糾正后用于LAI反演總體上可以有效降低地形的影響，但現(xiàn)有的地形校正方法大部分存在過校正或欠校正的現(xiàn)象（林興穩(wěn) 等，2020），且不同的地形校正方法在不同的地表類型LAI反演中有較大差異，目前還沒有有效的比較，尤其缺少不同空間尺度上的對比。

3.1.2 基于山地物理模型的反演

（1）山地冠層反射率模型。模擬山地冠層反射率主要有兩個(gè)環(huán)節(jié)，分別是冠層結(jié)構(gòu)的表達(dá)和輻射傳輸過程的模擬，只有對冠層反射率進(jìn)行精確的刻畫，才能進(jìn)一步進(jìn)行山地LAI 的反演，表2中列出了主要的考慮地形的冠層反射率模型。Schaaf等（1994）嘗試在GOMS模型（Li和Strahler，1986）中加入地形效應(yīng)，即進(jìn)行坐標(biāo)旋轉(zhuǎn)將平地模型拓展到坡地，但其僅考慮了地形引起的入射和觀測幾何畸變，并未顧及樹冠的向地性生長；Combal 等（2000）在Ross 輻射傳輸模型（Ross，1981）的基礎(chǔ)上引入地形（圖6（b）），對比了植被垂直坡面生長PGVM（Perpendicular to the Ground Vegetation Model）和豎直坡面生長VVM（Vertical Vegetation Model）兩種模式對反照率的影響，發(fā)現(xiàn)在以渾濁介質(zhì)為假設(shè)的輻射傳輸模型中也存在植被生長方向?qū)趯臃瓷渎实挠绊懀▓D6（c））。Fan 等（2014 和2015）在四尺度幾何光學(xué)模型基礎(chǔ)上發(fā)展了適用于坡地的森林冠層GOST 模型并進(jìn)行了修正，其中以針葉林“圓柱+圓錐”的形狀為例考慮了樹冠的向地性，同時(shí)也很好地模擬出熱點(diǎn)效應(yīng)，但忽略了天空散射光和冠層內(nèi)多次散射影響。SLC（Soil-Leaf-Canopy）模型（Verhoef 和Bach，2007）是一個(gè)綜合的輻射傳輸模型，耦合了土壤BRDF、熱點(diǎn)效應(yīng)、大氣效應(yīng)等要素，當(dāng)它被拓展為適用于山地地形的SLCT模型（Mousivand等，2015）時(shí)，新增考慮地形鄰近效應(yīng)對大氣層頂反射率的影響。Pasolli 等（2015）將PROSAIL模型中基于平地的太陽入射角度拓展至坡面，用坡面入射角替代太陽天頂角，研究了連續(xù)植被坡面反射率下反演LAI 的成效；Yin 等（2017）通過修正消光路徑長度考慮樹冠向地性并增加天空散射光的貢獻(xiàn)，發(fā)展了基于PLC（the Path Length Correction）的一維輻射傳輸模型，并在LAI 反演中得到初步的應(yīng)用和驗(yàn)證（Yin 等，2020a）；Wu等（2019a）則以GOMS 幾何光學(xué)模型為主框架，在此基礎(chǔ)上加進(jìn)地形影響，并且考慮樹冠的向地性生長，修正地形對場景組分四分量面積比例的影響，同時(shí)引入SAIL 模型描述天空散射光和冠層內(nèi)部多次散射對組分反射率的影響，發(fā)展了單一坡面離散森林冠層GOSAILT 模型；Hao 等（2018和2020）考慮到低分辨率遙感影像中亞地形效應(yīng)的影響，基于地表的各向異性發(fā)展了復(fù)合坡輻射傳輸模型-dESM 模型。由此可見，基于離散和連續(xù)植被的物理模型在山地的拓展已經(jīng)相對成熟，并且在不同粗細(xì)尺度上也有一定研究。

（2）山地LAI反演及策略?；谏降剌椛鋫鬏斈Ｐ蚅AI 反演不需要單獨(dú)對反射率進(jìn)行地形校正，因?yàn)樯降剌椛鋫鬏斦菽Ｐ蛢?nèi)部本身包含地形參數(shù)，如坡度、坡向等，反演時(shí)一般采用查找表方法和機(jī)器學(xué)習(xí)方法（Pasolli 等，2015；Yu 等，2020；Jin 等，2019）。實(shí)際上目前鮮有直接基于山地輻射傳輸模型進(jìn)行崎嶇地表LAI反演，現(xiàn)階段針對山地的LAI反演研究仍然多聚焦于類似于草地的均質(zhì)假設(shè)地表（Pasolli 等，2015；Yu 等，2020）。其中最重要的原因是均質(zhì)地表涉及的參數(shù)少而異質(zhì)性地表涉及的參數(shù)多，冠層反射率模型太過復(fù)雜，廣泛推廣運(yùn)用還比較困難。因此，與平坦地表相比，在進(jìn)行山地崎嶇地形的森林LAI反演時(shí)，需要考慮如何簡化反演過程、提高反演速度。

表 2 山地冠層反射率模型Table 2 Part of canopy reflectance model in slope area

假設(shè)植被冠層反射率正演模型簡化書寫為：

式中，f表示基于山地地表建模的物理模型映射關(guān)系，α，β分別表示坡度、坡向，θs，φs，θv，φv分別表示太陽方向和觀測方向的天頂角和方位角，λ表示樹冠密度。簡化反演過程可從3 個(gè)方面進(jìn)行考慮：1）參數(shù)敏感性分析。由于遙感定量化參數(shù)反演本身的病態(tài)性，當(dāng)物理模型本身輸入的未知參數(shù)越多，需要的數(shù)據(jù)就越多，中間過程引起的不確定性會(huì)以累積效應(yīng)反映到反演的結(jié)果中，故而反演越復(fù)雜費(fèi)時(shí)。因此，需要制定合適的反演策略以減少反演結(jié)果的誤差和不確定性。Li等（1998）提出的MSDT （Multi-stage，Sample-direction Dependent，Target-decisions）反演策略已得到實(shí)際應(yīng)用，其主要思想是根據(jù)先驗(yàn)知識，例如地形數(shù)據(jù)、土地覆蓋分類數(shù)據(jù)、主要作物生長模式等，對輸入的參數(shù)做敏感分析（Saltelli 等，2010；Verrelst 等，2015a），固定不重要的參數(shù)，進(jìn)而簡化輸入變量。2）代價(jià)函數(shù)優(yōu)化選擇。通過使用代價(jià)函數(shù)來確定查找表查找結(jié)果最優(yōu)值是常用的方法之一，不同的代價(jià)函數(shù)在具體的使用中魯棒性不同，對反演結(jié)果的影響大小不一。這些方法主要可分為三類：信息量度、M 估計(jì)和最小對比度方法。Verrelst 等（2015b）、Rivera 等（2013）和Leonenko 等（2013）對比了60 余種不同的代價(jià)函數(shù)和最優(yōu)值選取方法進(jìn)行了討論，并對比了一些典型的代價(jià)函數(shù)的優(yōu)缺點(diǎn)。最小二乘估計(jì)LSE（Least Squared Error）因?yàn)樗惴ê唵危悄壳斑b感反演研究中使用較多的方法（Leonenko等，2013；Ma等，2014）；然而物理模型的殘差可能具有非線性和異質(zhì)性，很可能與最小二乘估計(jì)的高斯分布性質(zhì)假設(shè)不符。已有的研究表明，M 估計(jì)中基于卡方分布的正則化算法在遙感定量化反演中具有較強(qiáng)的魯棒性，例如MODIS LAI產(chǎn)品生產(chǎn)中就是使用了該方法（Ganguly等，2008和2012）。雖然目前越來越多的研究集中于改進(jìn)物理模型和反演技術(shù)，但較少研究系統(tǒng)地闡述殘差的性質(zhì)以及它們?nèi)绾斡绊慙AI反演。實(shí)際上作為反演結(jié)果不確定性產(chǎn)生的重要來源之一，代價(jià)函數(shù)也應(yīng)根據(jù)具體情況進(jìn)行優(yōu)選。3）反演角度的優(yōu)化選擇。在可見光近紅外波段，不同觀測方向的反射率差別較大，以GOSAILT 模型為例（Wu 等，2019a），在坡面狀態(tài)，離散森林二向反射更是有以下幾個(gè)特點(diǎn)（圖7）：第一，在相同方位角下，輸入不同LAI時(shí)的前向觀測的反射率差異小于后向觀測的；第二，坡度越陡，輸入不同LAI時(shí)的反射率整體上差異越??；第三，下墊面背景反射率的不同對觀測到的結(jié)果又很大影響。輸入不同LAI時(shí)反射率差異小就意味著反演時(shí)存在更大的不確定性，因此在稀疏植被區(qū)域應(yīng)根據(jù)實(shí)際情況選擇合適的反演角度進(jìn)行反演。而在濃密植被區(qū)域，由于光子本身傳播存在顯著的內(nèi)部多次散射，不管是傾斜地表還是平坦地表，觀察到的反射率都存在顯著的光譜飽和效應(yīng)，這是目前參數(shù)反演中仍待統(tǒng)一解決的共性問題。盡管現(xiàn)有一些研究也嘗試將BRDF效應(yīng)、多角度觀測等跟角度相關(guān)的信息加入到LAI 反演算法中（Hasegawa 等，2010），以提升LAI反演精度，但目前還很少有專門考慮山地LAI反演時(shí)BRDF信息對反演結(jié)果的影響。

圖7 不同坡度下太陽主平面不同觀測角度反射率對比（SZA=30°，SAA=120°，Aspect=120°）Fig. 7 The reflectance comparison between different slopes in solar principal plane

3.1.3 其他方法

除了上述方法以外，科學(xué)家們也致力于研究其他不使用DEM 但適合山地使用的變量。例如，有研究表明比值類植被指數(shù)（如RVI、NDVI 等）能夠消除大部分地形的影響，但實(shí)際上在大坡度條件下，比值類植被指數(shù)的地形效應(yīng)也很明顯（朱高龍 等，2013）；另一些研究致力于構(gòu)建新的能夠消除地形效應(yīng)的適用于山地崎嶇地表的植被指數(shù)，如NDMVI（Normalized Difference Mountain Vegetation Index）（吳 志 杰 等， 2017）、 SEVI（Shadow-Eliminated Vegetation Index）（蔣世豪 等，2020）、TAVI（topography-adjusted vegetation index）（江洪 等，2011）等，且這些植被指數(shù)已分別初步用于植被覆蓋度、FPAR、LAI等陸表參數(shù)的估算。從以上對植被指數(shù)的應(yīng)用中得出，NDMVI 對地形的糾正效果優(yōu)于余弦校正的NDVI，SEVI同時(shí)考慮本影和落影對冠層反射率的影響，而基于SEVI反演FPAR 無需DEM 數(shù)據(jù)的支持，可以達(dá)到經(jīng)FLAASH+C 組合校正后NDVI 與RVI 反演FPAR 相似的結(jié)果，且能改善落影區(qū)域的地形校正效果，相對誤差降至約2.730%。

3.2 山地LAI地面真實(shí)性檢驗(yàn)方法

山地LAI 真實(shí)性檢驗(yàn)的難點(diǎn)在于山地LAI 的地面精確觀測以及LAI的尺度轉(zhuǎn)換。傳統(tǒng)的觀測主要基于光路長度、間隙大小等理論，使用LAI-2200、TRAC、魚眼相機(jī)、機(jī)載LiDAR 等儀器進(jìn)行測量，與平坦地表相比，在傾斜的地面上，水平放置的傳感器的路徑長度范圍會(huì)增加，結(jié)果導(dǎo)致上坡的森林冠層信號更強(qiáng)，而下坡則更弱（圖8）。一般小于30°的坡度對LAI 地面觀測影響較小，而大于30°的坡度將成為地面觀測的中等誤差源（Gonsamo和Pellikka，2008）。針對地形引起的影響，許多學(xué)者先后發(fā)展了對間隙率模型的糾正方法以此糾正LAI 地面采樣儀器在起伏地形測量時(shí)的誤差（Walter 和Torquebiau，2000；Montes 等，2007；María Luisa 等，2008；Gonsamo 和Pellikka，2008；Schleppi 等，2007）。Cao等（2015）對以上幾種校正方法通過模型模擬的方式進(jìn)行對比和驗(yàn)證，發(fā)現(xiàn)將坡地間隙率模型糾正到平地間隙率模型可以調(diào)整路徑長度，從而使得校正結(jié)果最為準(zhǔn)確，具有更好的普適性，而調(diào)整相機(jī)使之平行于坡面（圖8（c））的方法僅在葉傾角為球形分布的條件下校正效果較好。Yin 等（2020a）基于PLC 模型和CANOPIX 軟件，分別研究了離散冠層和連續(xù)冠層的地形效應(yīng)，發(fā)現(xiàn)離散和連續(xù)冠層LAI測量中由地形引起的不確定性分別達(dá)到20.0%和14.3%，而經(jīng)過PLC 校正以后不確定性分別降低至7.3%和1.8%?？梢娫谄閸绲乇聿蓸訒r(shí)，如果忽略了地形的影響將導(dǎo)致測量值的不精準(zhǔn)，進(jìn)而影響LAI產(chǎn)品在山地的驗(yàn)證結(jié)果。

圖8 地面觀測儀器設(shè)置方式Fig. 8 The of ground observation instrument

另一方面，LAI的尺度效應(yīng)在異質(zhì)性山地表面中普遍存在（Yu 等，2020； 郝大磊 等，2018）。現(xiàn)有的LAI尺度效應(yīng)研究多基于均勻下墊面如連續(xù)植被和行播作物，且目前已發(fā)展許多解決尺度不匹配問題的方法（劉良云，2014；郝大磊 等，2018），但在山地中同時(shí)有地形效應(yīng)和地表異質(zhì)性的影響，LAI尺度引起的問題更加明顯。不同尺度的LAI 反演受地形的影響不同，解決機(jī)制也有差異。研究表明，在30—240 m 空間分辨率反演的LAI 受地形的影響十分顯著（Zhang 等，2015），通過地形校正（Roupioz 等，2014；Shao 等，2015）、多尺度集成卡爾曼濾波（Li 等，2017；Jin 等，2019）以及ESU（Elementary Sampling Units）（Baret等，2011）等采樣方法可以較好解決尺度差異。

LAI具有季節(jié)特征，一次性實(shí)驗(yàn)的測量已無法滿足當(dāng)前對于森林LAI的采樣長時(shí)間序列觀測的需求，季節(jié)性差異明顯的區(qū)域驗(yàn)證數(shù)據(jù)不足。無線網(wǎng)絡(luò)多點(diǎn)采樣方法在一定程度上可以解決LAI持續(xù)自動(dòng)和多尺度觀測的需求（Qu 等，2014），并已在農(nóng)田、針葉林等地表類型中得到良好的驗(yàn)證效果，對于山地這種觀測條件較為惡劣的環(huán)境下的LAI的觀測更加重要。

總之，在進(jìn)行山地LAI反演結(jié)果驗(yàn)證時(shí)，需要同時(shí)考慮采樣結(jié)果本身的準(zhǔn)確性和尺度的差異性。如果在坡度較大的地方進(jìn)行地面采樣，務(wù)必要進(jìn)行糾正；如果對粗尺度LAI產(chǎn)品進(jìn)行驗(yàn)證，務(wù)必考慮尺度效應(yīng)與尺度轉(zhuǎn)換。

4 機(jī)遇與挑戰(zhàn)

山地為許多物種提供棲息和生長環(huán)境，在全球氣候變化的背景下，山地的局部氣候、生態(tài)等系統(tǒng)正在發(fā)生變化，其對生物多樣性、生物量等參量的影響已然成為研究的重點(diǎn)（Antonelli 等，2018）。LAI 作為植被的重要的生物物理參數(shù)，與全球生物量等有密切關(guān)系，因此對全球植被尤其是森林的生長態(tài)勢的把握與預(yù)測，迫切需要提高全球LAI 產(chǎn)品精度。在全球LAI 產(chǎn)品生產(chǎn)過程中，以往基于平坦地表構(gòu)建的模型在地形起伏的山地復(fù)雜地表效用有限，而基于傾斜坡面構(gòu)建的模型在全球產(chǎn)品生產(chǎn)上仍舊應(yīng)用不足，無法全面地評估其穩(wěn)定性能。目前，對于LAI，從多尺度采樣—準(zhǔn)確反演—有效驗(yàn)證等整個(gè)環(huán)節(jié)的系統(tǒng)性還有待完善。隨著遙感技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，特別是遙感大數(shù)據(jù)、人工智能等新興前沿技術(shù)的發(fā)展，為山地LAI遙感的發(fā)展帶來了新的機(jī)遇。

（1）全球高分辨高精度地形數(shù)據(jù)的支持。山地LAI的遙感反演需要數(shù)字高程模型（DEM）的支持，作為重要的輔助數(shù)據(jù)，用以削減地形效應(yīng)對反演結(jié)果的影響，而不同分辨率的地形尺度考慮將對結(jié)果產(chǎn)生不同的影響（Jin 等，2019；Zhang等，2015；Roupioz 等，2014）。有研究表明，在30—240 m 空間分辨率反演的LAI 受地形的影響十分顯著，通過地形校正以及多尺度集成卡爾曼濾波可以較好地解決尺度差異（Jin等，2019），而且高精度的DEM 用于影像像素級別和亞像素級別的地形校正效果會(huì)更好（Zhang 等，2015；Roupioz等，2014）。DEM 獲得方式主要來源于地面測量、航空攝影測量、衛(wèi)星測量，全球的地形數(shù)據(jù)一般由后兩者實(shí)現(xiàn)。目前已公開發(fā)布許多高分辨率DEM 產(chǎn)品（李振洪 等，2018），其中常用的包括以 下 幾 種：SRTM （https：//earthexplorer.usgs.gov/［2020-07-14］）由美國2000 年發(fā)射的“奮進(jìn)”號航天飛機(jī)上搭載SRTM 航天飛機(jī)雷達(dá)系統(tǒng)完成，主要覆蓋范圍是60°N—60°S，覆蓋地球80%以上的陸地，其絕對平面精度為±20 m，絕對高程精度為±16 m；ASTER GDEM （https：//lpdaac.usgs.gov［2020-07-14］）是由NASA與日本1999年聯(lián)合發(fā)射的星載熱發(fā)射和反射輻射計(jì)傳回的數(shù)據(jù)（2000年—2013 年間）生產(chǎn)，其覆蓋區(qū)域?yàn)?3°N—83°S，達(dá)到了地球陸地表面的99%，空間分辨率為30 m（或1 弧 秒）；TanDEM-X 90 m DEM （https：//tandemx-90m.dlr.de/［2020-07-14］） 是2010 年—2015 年德國發(fā)射的兩顆幾乎完全相同的SAR 衛(wèi)星星座（TerraSAR-X 和TanDEM-X）使用干涉測量進(jìn)行生產(chǎn)的數(shù)據(jù)，其像素間距為3弧秒，相當(dāng)于在赤道處空間分辨率為90 m。經(jīng)過驗(yàn)證，該數(shù)據(jù)絕對高程誤差約1 m，涵蓋了從南極到北極的所有地球陸地區(qū)域，是目前垂直精度最高的DEM 數(shù)據(jù)（Rossi 等，2012；Zink 等，2014）；ALOS DEM 由日本宇宙航空研究所（JAXA）的Advanced Land Observing Satellite-1（高級陸地觀測衛(wèi)星-1，ALOS）生產(chǎn)，該數(shù)據(jù)通過L波段合成孔徑雷達(dá)采集，空間分辨率最高可達(dá)12.5 m。以上不同分辨率的DEM產(chǎn)品為不同尺度的山地定量遙感研究提供了可能。

（2）山地輻射傳輸模型的快速發(fā)展。山地遙感輻射傳輸模型的快速發(fā)展為山地LAI的遙感反演提供了重要的理論基礎(chǔ)（表1）。從連續(xù)冠層假設(shè)到離散冠層假設(shè)，從簡單的剛體樹冠假設(shè)到可模擬多次散射樹冠，從單一坡面到復(fù)合坡面的植被輻射傳輸發(fā)展（Wu 等，2019a，2019b；Yin 等，2020a；郝大磊 等，2018）?；谄閸绲乇淼墓趯臃瓷渎誓Ｐ桶l(fā)展形成了不同適用對象、不同冠層和地形尺度的完整體系，為山地LAI反演提供了豐富的物理理論基礎(chǔ)，在解決不同情況下山地LAI反演問題時(shí)有了更多的選擇。目前針對單一坡面的輻射傳輸模型具備了支持山地LAI 遙感反演的基礎(chǔ)，但是針對復(fù)合坡面的輻射傳輸模型支持山地低分辨率LAI的反演仍具有一定的挑戰(zhàn)。計(jì)算機(jī)模擬模型雖然在大面積反演中實(shí)現(xiàn)困難，但因其模擬精度高而常常被用來實(shí)現(xiàn)復(fù)雜場景輻射傳輸過程模擬和模型驗(yàn)證（Wu 等，2019a；Wu 等，2019b），如DART （Discrete Anisotropic Radiative Transfer）（Gastellu-Etchegorry 等，2004）、RAPID（Radiosity Applicable to Porous IndiviDual objects）（黃華國，2019）、LESS（LargE-Scale Remote Sensing Data and Image Simulation Framework）（漆建波等，2019）等。其中，DART 模型為廣大用戶提供了地形模擬模塊，可根據(jù)輻射度原理或蒙特卡洛原理進(jìn)行相關(guān)場景參量設(shè)置（圖9），可實(shí)現(xiàn)單一坡面、復(fù)合坡面等各種復(fù)雜地形的輻射產(chǎn)品模擬（Wang 等，2020）；LESS模型提供模擬大范圍真實(shí)的地形數(shù)據(jù)的模塊，相比之下克服了DART模擬場景小計(jì)算效率低的缺點(diǎn)，且輸入?yún)?shù)更少更利于普通用戶使用；RAPID模型（第3版本）則可以通過構(gòu)建統(tǒng)一的場景和輸入?yún)?shù)來模擬光學(xué)、熱紅外、激光雷達(dá)和微波后向散射，是研究全波段多源數(shù)據(jù)融合的最佳工具。計(jì)算機(jī)模擬模型的發(fā)展和完善在一定程度上可以克服山地LAI實(shí)地采樣的困難，高效地對山地輻射傳輸模擬和LAI反演進(jìn)行驗(yàn)證和評估（Yu 等，2020），為山地等復(fù)雜地表參量研究提供了很大便利。

圖9 DART模型坡度設(shè)置及場景生成Fig. 9 The scene of slope surface in DART model

（3）新觀測技術(shù)的出現(xiàn)將為山地LAI反演提供重要數(shù)據(jù)源。山地除了地形復(fù)雜影響LAI 反演外，還面臨著多云雨的特點(diǎn)，常導(dǎo)致無有效光學(xué)數(shù)據(jù)可用的問題，這對高頻次高精度山地LAI遙感反演提出了挑戰(zhàn)。衛(wèi)星遙感，具有全球的宏觀視野，可以快速實(shí)現(xiàn)整個(gè)地球的全覆蓋，提供亞米級別的影像，但是分辨率越高，重訪周期越大，受云雨影響較大。無人機(jī)作為一種為一種新興的遙感平臺，可以與衛(wèi)星遙感能力形成互補(bǔ)，具備超高分辨率、高頻次獲取能力，可以實(shí)現(xiàn)按需觀測，具有靈活的采集周期，可搭載包括真彩色，多光譜，高光譜，LiDAR，微波和熱紅外等不同類型的遙感傳感器（Zhang 等，2019；Tian 等，2017）。目前，逐漸有研究基于無人機(jī)平臺的魚眼相機(jī)攝影、LiDAR 激光掃描以及立體影像等測量方式可通過測量植被的透光率、高度等信息提取LAI 結(jié)果，開辟了LAI 測量的新手段。因此，在地形復(fù)雜、多云霧的山地中，無人機(jī)有望為衛(wèi)星遙感提供高精度真值等數(shù)據(jù)。

（4）遙感大數(shù)據(jù)與智能計(jì)算。數(shù)據(jù)的積累可以實(shí)現(xiàn)不同傳感器波段轉(zhuǎn)換，可以較好解決山地受云的影響數(shù)據(jù)缺少的問題（張兵，2018；Zhang等，2018；Chastain 等，2019）。隨著遙感研究的深入和商業(yè)化的推進(jìn)，形成了以高空間分辨率、高光譜分辨率、高時(shí)間分辨率為特點(diǎn)的多頻段天空地全方位立體化的監(jiān)測體系，產(chǎn)生了以EB 為單位的海量數(shù)據(jù)，以數(shù)據(jù)為驅(qū)動(dòng)的遙感時(shí)代已來臨（Zhang 等，2018a）。Ma 等（2015）對目前的數(shù)據(jù)復(fù)雜性進(jìn)行了闡述，進(jìn)而論述了密集型數(shù)據(jù)的管理和訪問等問題的處理方法。其中，云計(jì)算作為一種強(qiáng)大的大數(shù)據(jù)技術(shù)之一，已逐漸得到推廣，例如Google Earth Engine（Gorelick 等，2017）已經(jīng)在生態(tài)環(huán)境監(jiān)測、氣候變化研究等方面發(fā)揮重要作用（Singha 等，2019），可應(yīng)對各種高影響力的社會(huì)問題。遙感大數(shù)據(jù)的開放性和共享性不僅僅只針對數(shù)據(jù)本身，更是推動(dòng)了技術(shù)的共享（張兵，2018）。針對海量的數(shù)據(jù)，越來越多的人工智能算法被運(yùn)用到遙感領(lǐng)域（Zhu 等，2017a；Wang等，2017）。Yu等（2020）用物理模型和神經(jīng)網(wǎng)絡(luò)探討了傾斜坡面LAI 反演的地形效應(yīng)，Baret 等（2007）使用物理模型和機(jī)器學(xué)習(xí)算法生產(chǎn)了LAI、FPAR 等產(chǎn)品；Reichstein 等（2019）論述了機(jī)器學(xué)習(xí)在以往的應(yīng)用中發(fā)揮出的巨大的作用，肯定了將物理過程模型與數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法結(jié)合使用的做法。

5 結(jié) 語

在前人研究基礎(chǔ)上，本文總結(jié)了現(xiàn)有LAI反演算法及產(chǎn)品，并調(diào)研了不同產(chǎn)品的分辨率以及精度等信息。從而根據(jù)現(xiàn)有產(chǎn)品未考慮地形的特征且RMSE 普遍大于1.7 的情況，揭示了山地LAI 反演存在的問題，主要包括山地模型算法的發(fā)展、山地LAI采樣的注意事項(xiàng)、山地LAI反演的尺度效應(yīng)等，進(jìn)一步在現(xiàn)有的模型與算法基礎(chǔ)上總結(jié)了山地LAI反演的新方法以及最近的進(jìn)展，為改進(jìn)山地LAI業(yè)務(wù)化應(yīng)用和確定潛在的研究方向提供了參考?；诘匦涡Ｕ腖AI反演方法和基于山地物理模型的LAI反演方法是目前解決山地LAI反演的重要途徑，兩種方法各有特點(diǎn)。地形校正算法主要包括余弦校正、C 校正、SCS 校正、SCS+C 校正、Proy 校正、ATCOR 校正等，算法成熟，應(yīng)用也比較廣泛，但在不同情況下不同校正算法的校正效果也不盡相同。而坡面物理模型從理論上來說是最接近真實(shí)地表的情況，根據(jù)樹冠形狀、場景分布特征等不同信息，分別衍生了GOMST、GOSAILT、GOST、RossT、SLCT、PLC 等模型，但主要由于涉及的參數(shù)較多而在全球范圍內(nèi)的應(yīng)用不夠廣泛，因此反演策略上還需要改進(jìn)。另外一些研究利用比值類植被指數(shù)（如RVI、NDVI 等）去減少地形的影響，然而實(shí)際上在大坡度條件下，比值類植被指數(shù)的地形效應(yīng)也很明顯，因此應(yīng)用場合收到限制。同時(shí)考慮物理性以及運(yùn)算便捷度，山地二向反射率模型的發(fā)展、多角度衛(wèi)星、無人機(jī)等新型遙感觀測手段、遙感大數(shù)據(jù)與人工智能技術(shù)的結(jié)合將為山地參量定量反演帶來更大的機(jī)遇。