自动曝光对半球摄影法测量叶面积指数及其季节变化的影响

发布时间：2019-12-05

　　摘 要 自动曝光是影响半球摄影法( DHP) 测量叶面积指数( LAI) 精度的重要误差源之一.本研究基于小兴安岭地区的阔叶红松林、白桦次生林、红松人工林和兴安落叶松人工林，利用 DHP 和 LAI-2200 植物冠层分析仪分别测量 6—9 月每个月中旬的 LAI，首先比较两种方法测量 LAI 的差异性，再检验森林类型和测量时期对建立两种方法测定值间的相关关系是否存在显著影响，最后构建适于校正不同森林类型不同时期自动曝光对 DHP 测量 LAI 产生误差的经验模型.结果表明: 4 种森林类型 4 个时期内，在自动曝光设置下 DHP 测量的 LAI 比 LAI- 2200 测量值低估 20% ～49%; 森林类型对构建两种方法测量 LAI 值的经验模型不存在显著影响，而测量时期存在显著影响.本研究构建的 A、B 两种分类经验模型，分别适用于校正 4 种森林类型在 6 和 9 月、7 和 8 月 DHP 测量的 LAI.经分类经验模型校正后，DHP 测量 4 种森林类型 4 个时期的 LAI 值提高了 45% ～79%，测量精度可提高到 83% ～94%.通过 DHP 和 LAI-2200 测量 LAI 值间的经验模型，可有效校正自动曝光对 DHP 测量 LAI 的影响，极大地提高其测量精度，为使用 DHP 快捷、高效地测量不同森林类型的 LAI 及其季节动态提供技术支持.

　　关键词 半球摄影法; LAI-2200 植物冠层分析仪; 自动曝光; 叶面积指数

　　叶面积指数( leaf area index，LAI) 被定义为地表单位面积上总叶片表面积的一半[1].LAI 是描述森林冠层结构特性最重要的参数之一[2]，也是解释地上净初级生产力产生差异的重要因子[3-4].冠层的 LAI 决定了林内的光照和温湿度，从而影响碳、水、能量的平衡[3]，通常用于表征森林生态系统的结构和功能特征[5].在众多生理生态模型中，LAI 也是预测辐 射、热 量、水分和各种气体交换的关 键 参数[6-7]，尤其 LAI 的季节变化对量化陆地表面植被与大气之间的相互作用具有重要意义[8].因此，准确测量 LAI 及其动态变化，对于深入研究森林生态系统的结构和功能特性以及对气候变化的响应机制至关重要[9].

　　目前，LAI 的测量方法主要分为直接法和间接法[10-12].直接法主要包括破坏性取样法、异速生长方程法和凋落物法[10-11].这些方法技术成熟、其测量值相对准确，通常被认为是真实 LAI [7].然而，直接法测量 LAI 时费时费力，通常具有破坏性，不适用于大面积以及 LAI 动态变化的测量.虽然 Liu 等[13]提出了适于测量不同森林类型 LAI 季节变化的直接法，但对未设置凋落物收集器的样地仍然不适用，而且相对于间接法，仍需付出更多的工作量.而基于光学仪器测量的林分结构参数反演 LAI 的间接法，携带方便、易于操作，适用于测量不同森林类型 LAI 的动态 变 化，尤其是极大降 低 了 LAI 的 测 量 成本[14-15].用于测量 LAI 的光学仪器主要包括: 基于冠层林隙分数反演 LAI 的 LAI-2000 /2200 和 CI-110 植物冠层分析仪，以及基于冠层孔隙大小分布情况反演 LAI 的 TRAC( tracing radiation and architecture of canopies) 等[7].最近发展起来的半球摄影法( digital hemispherical photography，DHP) 因兼具 LAI-2200 和 TRAC 的特性而备受关注.尤其近年来随着数码技术的快速发展，极大简化了原始胶片的采集和图片处理过程[16]，而且 DHP 方法能够永久地保存冠层参数信息，以及数据的采集时间、地点等[17]. 因此，DHP 是一种极具发展潜力的方法.目前，DHP 和 LAI-2200 在以往研究中均得到了广泛应用[18-20].例如，姚丹丹等[21]在 7—8 月利用 DHP 测量了云冷杉针阔混交林的 LAI; 赵传燕等[22]在 6 月利用 DHP 和 LAI-2000 测量了青海云杉( Picea crassifolia) 林冠层的 LAI; Macfarlane 等[23] 在春季利用 DHP 和 LAI- 2000 测 量 了 蓝 桉 ( Eucalyptus globulus) 人 工 林 的 LAI.

　　DHP 测量 LAI 的精度因受采集数据时曝光设置的影响[24-25]，使其测量精度通常低于 LAI-2200.若能有效地校正自动曝光对 DHP 测量 LAI 的影响，该方法将比 LAI-2200 具有更大的优势.数码相机的曝光设置作为一个引起测量误差的主要原因[25-26]，会影响聚焦到相机传感器的光能量的强弱.图像显示的亮度与相机传感器接收到的光能量呈正比，而总的入射光能量是不变的，但随着曝光设置的改变，被相机传感器接收到的光能量也会改变，即改变图像亮度.在林冠内，由于天顶处过于明亮，可能会导致明亮的树冠被误当作天空[16]，进而造成 LAI 的低估.这已得到许多研究结果的证实，如 Jonckheere 等[27]在比利时欧洲赤松( Pinus sylvestris) 林中利用 DHP 测量的 LAI 比 LAI-2000 测量值平均低估了 10%; 苏宏新等[28]在温带山地森林的研究表明，在 5—10 月，DHP 测量值均明显低于 LAI-2000 测量值; Zhang 等[29]研究表明，在针叶林内，自动曝光状态下 DHP 测量的 LAI 低于 LAI-2000，随 LAI 值的变化低估范围存在差异，而且通过自动曝光状态下 DHP 测量的 LAI 与 LAI-2000 测量值之间的经验模型能够有效校正自动曝光产生的误差; Liu 等[30]利用该方法校正了叶面积最大时期 DHP 测量 LAI 时因自动曝光产生的误差.然而，LAI 随森林类型[31-32]及季节变化[28，33]存在很大差异.虽然利用经验模型法能够有效校正 DHP 测定叶面积最大时期 LAI 因自动曝光产生的误差，但在某一时期建立的这种经验模型是否适用于其他时期尚不清楚，而且不同森林类型间的经验模型是否能通用也有待验证.

　　本研究以我国小兴安岭地区的阔叶红松( Pinus koraiensis) 林、白桦( Betula platyphylla) 次生林、红松人工林和兴安落叶松( Larix gmelinii) 人工林 4 种典型森林类型为研究对象，在 6—9 月的每月中旬，利用 DHP 和 LAI-2200 两种光学仪器法测量冠层 LAI，首先对比两种方法测量不同森林类型 LAI 季节变化时的差异，然后分析森林类型和时期对构建两种方法测量 LAI 值间的经验模型是否存在显著影响，最终构建适用于校正不同森林类型不同时期自动曝光设置对 DHP 测量 LAI 产生误差的经验模型，以期为利用 DHP 方法快速、准确地测量不同森林类型 LAI 的季节动态提供有效的技术支持.

　　1 研究地区与研究方法

　　1. 1 试验样地概况

　　野外调查在黑龙江凉水国家级自然保护区内进行.保护区占地面积 12133 hm2 ，森林总蓄积量为 188 万 m3 ，森林覆盖率达 98%，地形比较复杂，海拔在 300～707 m，坡度为 10° ～ 15°，为典型的低山丘陵地貌.年均气温-0.3 ℃，年均最高气温 7.5 ℃，年均最低气温-6.6 ℃，年均降水量 676 mm，降水主要集中在 7 月，年积雪期 130 ～ 150 d，年无霜期 100 ～ 200 d [34].

　　本研究以我国东北温带地区的主要森林类型 ( 针阔混交林、落叶阔叶林、常绿针叶林和落叶针叶林) 为研究对象[13，35]，分别为阔叶红松林、白桦次生林、红松人工林和兴安落叶松人工林( 表 1) .阔叶红松林样地面积为 160 m×60 m，划分为 24 个 20 m× 20 m 的小样方，在每个小样方的中心布设一个样点，共计 24 个数据采集点; 白桦次生林样地面积为 60 m×60 m，随机布设 20 个数据采集点; 红松人工林和兴安落叶松人工林样地设置相同，面积均为 0.18 hm2 ，含 3 个 20 m×30 m 的小样方，在每个小样方内随机布设 6 个数据采集点，即每个森林类型共有 18 个数据采集点[34].在每个数据采集点用 3 根 PVC 管固定样点位置，用于光学仪器采集数据.

　　1. 2 叶面积指数的测量

　　于 2017 年 6—9 月的每月中旬，采用 DHP 和 LAI-2200 两种光学仪器法分别测量 4 种森林类型的 LAI( LAIDHP 和 LAILAI-2200 ) .DHP 的半球照片利用 Winscanopy2006a 冠层分析仪采集，其由数码相机 SONYα6000 和 180°鱼眼镜头组成.数码相机利用三角架固定在距离水平地面 1.3 m 处.在每次拍摄前选择如下设置: 自动曝光模式; 光圈设置为 F5.3; 高品质图像( 2272×1704 pixels) ; JPEG 图像格式.由于阳光直射所产生的误差可高达 50%[36]，因此，所有的半球照片选择在阴天或近日出或近日落时采集.在拍摄半球照片的同一时间、同一地点，使用 LAI- 2200 进行数据采集.采集数据时，确保 LAI-2200 的探头处于 1.3 m 高处且保持水平.每次采集前，测量近样地处的对照值( 天空空白值) .

　　LAI-2200 数据采用 FV2200 软件处理，计算 1 ～ 5 环( 0° ～74°) 天顶角范围内的 LAILAI-2200 .半球照片采用 DHP 软件处理，选择与 LAI-2200 数据处理方法相似的天顶角范围，将圆形同心照片的天顶角分成 6 环( 1 环: 0° ～ 15°; 2 环: 15° ～ 30°; 3 环: 30° ～ 45°; 4 环: 45° ～60°; 5 环: 60° ～ 75°; 6 环: 75° ～ 90°) 取前 5 环( 0° ～ 75°) 计算 LAIDHP .仅用蓝色波段区分树叶与天空像素，在每一环，通过手动设置 2 个阈值，使蓝色波段的照片分为完全透明的天空和完全遮蔽的叶片像素.为减小测量误差，所有操作均由一人完成.

　　1. 3 经验模型的构建

　　本研究利用 DHP 和 LAI-2200 测量的 LAI 间的经验模型来校正自动曝光对 DHP 测量值产生的误差.为了构建适用于校正不同森林类型不同时期 DHP 测量值的经验模型，按照下列方式将 LAIDHP和 LAILAI-2200进行分类整合[37]: 1) 忽略不同森林类型的影响，将相同月份不同林型的 LAI 值进行整合，首先将 6 月与 7 月的 LAIDHP和 LAILAI-2200组合在一起，建立二者的相关关系，基于该相关关系获得 DHP 法测量值的校正值( LAIDHP-cor ) ，利用配对样本 t 检验分别检验 6 月和 7 月 LAIDHP-cor和 LAILAI-2200是否存在显著差异，若 LAIDHP-cor与 LAILAI-2200在两个月份均不存在显著差异，则该相关关系适用于在 6、7 月对 DHP 测量值进行校正，此时将 6、7 和 8 月数据进行组合，进行上述类似检验; 若在 6 月和 7 月的至少一个月份中，LAIDHP-cor与 LAILAI-2200存在显著差异，则该相关关系不能同时在 6 月和 7 月对 DHP 测量值进行校正，此时可将 6 月与 8 月 DHP 和 LAI-2200 测量的 LAI 按照上述规则进行检验; 以此类推，将不同月份的 LAIDHP和 LAILAI-2200进行重复检验，最终检验出哪些月份的数据可整合.2) 类似于上述步骤，忽略不同时期的影响，将不同森林类型的数据进行分类检验，最终检验出哪些森林类型的数据可整合.检验完森林类型和月份对构建经验模型的影响后，就能获得哪些森林类型哪些月份的数据可进行整合分析.

　　基于上述整合分析结果，随机选取 75%的整合数据[38]，利用线性回归模型构建 DHP 和 LAI-2200 测量 LAI 间的分类经验模型，即 y = ax+b.式中: y 是 LAI-2200 测量的 LAI 值; x 是 DHP 测量的 LAI 值.将数据随机选取过程重复 100 次，最终分类经验模型的 a、b 值分别为 100 次随机抽样后构建模型的斜率、截距的平均值，R2 取 100 次随机抽样后构建模型 R2 的平均值.随机选取上述 100 次抽样中的一次整合数据，利用最终分类经验模型计算 LAIDHP-cor，并分析其残差的分布情况.当近似正态分布且大部分残差点落在残差平均值±3 倍标准差的范围内时，初步认为该经验模型可靠、合理[39].

　　自动曝光对半球摄影法测量叶面积指数及其季节变化的影响相关知识推荐：高级农业经济师论文要求

　　1. 4 分类经验模型校正精度的验证

　　利用上述一次随机抽样剩余 25%的整合数据来评估分类经验模型的校正精度[38].基于上述构建的最终分类经验模型计算 LAIDHP-cor，对 LAIDHP-cor 与 LAILAI-2200进行回归分析，并以实测 LAILAI-2200值为参考，计算平均绝对误差( MAE) 和平均绝对误差百分比( MAE%) [40-41]，公式如下:

　　2 结果与分析

　　2. 1 DHP 和 LAI-2200 测量的 LAI

　　在所有森林类型的全部调查时期，DHP 测量的 LAI 值比 LAI-2200 测量值低估 20% ～ 49%，且其差异值随着 LAI 的减小而减小，如在阔叶红松林中， LAIDHP和 LAILAI-2200的平均值在 7 月达到最大，分别为 2.68 和 5.06，其差异值为 46%; 在 9 月最小，分别为 1.89 和 2.59，其差异值为 25%.在其他森林类型中，也呈现出类似的规律( 表 2) .

　　2. 2 分类经验模型的构建

　　将每个森林类型不同时期的LAIDHP与LAILAI-2200进行分类整合后，发现森林类型对拟合 LAIDHP 与 LAILAI-2200间的相关关系并无显著影响，即不同森林类型的数据可进行整合; 而测定时期对拟合 LAIDHP 与 LAILAI-2200间的相关关系存在显著影响，即 6 月和 9 月的数据可整合，而 7 月和 8 月的数据可整合.因此可构建 A、B 两类经验模型，分类经验模型 A 适用于校正 4 种森林类型 6 月和 9 月的 LAIDHP ( R2 = 0.56) ; 分类经验模型 B 适用于校正 4 种森林类型 7 月和 8 月的 LAIDHP( R2 = 0.61) ( 表 3) .此外，LAIDHP-cor 对应的残差值分布基本呈正态分布( 图 1) ，且残差点均分布在上限和下限的范围内，即两种分类经验模型可靠.

　　2. 3 分类经验模型校正精度的验证

　　在 4 种森林类型的不同时期，DHP 测量的 LAI 经 A、B 两类分类经验模型校正后，LAILAI-2200 与 LAIDHP-cor存在良好的相关性( 图 2) ，R2 分别为 0.59、 0.69( P<0.001) .相比 LAIDHP，LAIDHP-cor提高了 45% ～ 79%( 表 4) ，极大改善了 DHP 测量 LAI 的低估现象.校正后，4 种森林类型在 6、7、8 和 9 月的平均绝对误差百分比依次为 12% ( 10% ～ 17%) 、11% ( 6% ～ 14%) 、11%( 7% ～ 13%) 和 9%( 7% ～ 10%) ，平均绝对误差分别为 0.4( 0. 3 ～ 0. 6) 、0. 5( 0. 3 ～ 0. 7) 、0. 4 ( 0.3～0.6) 和 0.2( 0.2 ～ 0.3) ( 表 5) .表明 A、B 两类经验模型能够有效校正不同森林类型不同时期自动曝光状态下 DHP 测量的 LAI.