叶面积指数(leaf area index，LAI)是生态系统研究中最重要的群落结构参数之一，它是估算多种生态过程和功能(包括蒸腾蒸发、能量交换、光合作用、叶凋落、土壤固氮和气体发散等)的重要变量(Sellers et al., 1988；Bondeau et al., 1999；Sonnentag et al., 2007)。近10多年来，LAI已成为全球变化研究中的一个关键植被因子(Running et al., 1988；Sellers et al., 1993；Davi et al., 2008)，诸如生物-大气圈之间的能量交换与流动、CO₂交换和水汽蒸散等(McWilliam et al., 1993；Arias et al., 2007；Montes et al., 2007)。因此，快速有效地获取LAI对于不同尺度生态系统的研究具有重要意义。

关于LAI的定义，Barclay (1998)认为至少存在5种理解：1)单位地面上冠层叶片表面积之和，这种定义考虑了叶片形状及其凹凸性；2)单位地面上冠层叶表面积的一半，不考虑叶片形状；3)单位地面上冠层叶片垂直投影到水平面上的面积总和, 主要是针对遥感技术反演LAI而言的；4)冠层叶片的侧面投影，主要考虑叶片的倾角；5)单位地面上冠层叶片垂直投影到水平面上的最大投影面积，重叠部分只记一次。目前多采用第2种定义。

近20多年来，国内外学者对森林叶面积指数估算做了大量研究，对不同尺度的空间范围，所采用的估算方法也不尽一致，小尺度的森林叶面指数估算方法主要为地面估算法，包括破坏性采样法、落叶收集法、异速生长方程法、光学仪器法和倾斜点嵌块法5种(Hall et al., 2003b；Gregory et al., 2003)。区域乃至全球尺度的LAI估算方法主要为遥感反演，包括统计模型法、基于冠层反射物理特性的冠层反射模型法、人工神经网络技术、LUT查表法等。本研究探讨各种森林LAI估算方法的优缺点以及快速准确估算森林LAI的主要趋势。

1 基于地面实测的小尺度森林LAI估算法 1.1 破坏性取样测量法

破坏性取样测量法是传统的直接测量LAI的方法。先通过摘叶、砍枝及砍树取得样本，再运用网格纸分析法、纸折叠分析法或运用叶面积仪(如LAI-3000)直接测量样本的叶表面积。样本选择方法主要有代表树法和区域采样法2种。代表树法：凭借测量者个人经验在树群里面选择几棵具有代表性的树，分层一片片的测量叶表面积并统计其垂直分布。通常在正态分布、年龄均匀的树群里面，3~5棵树就可以代表整个树群。区域采样法：对树群里面的一个采样区域进行破坏性采样，该方法涉及到树群纵向和横向的同态假设。可见，破坏性取样测量法最大的优势在于所测得的结果较为接近实际LAI，精度较高。但是，该采样方法具有破坏性，而且耗时，不利于进行LAI动态变化监测，现在已很少应用，但有学者用于测定草地和农作物的LAI，以提供验证其他方法精度的基础数据。

1.2 落叶收集法

落叶收集法是将有防风侧面开口的落叶收集筐放在林群中间，定时重复取样。在森林冠层空间同构的假设下，收集筐越多则测量精度越高。通过观测落叶生物量和比叶面积(specific leaf area，SLA)来估算LAI，是一种广泛用于落叶林直接测定LAI的方法。落叶可以分多次收集(Cutini et al., 1998；Eklundh et al., 2003；Bouriaud et al., 2003)，也可以在落叶结束后一次性收集(Raffy et al., 2003)。目前众多学者对落叶收集筐布设方案不尽一致，甚至相差甚远。Cutini等(1998)在落叶林里随机布设9~28个面积0.25或0.5 m²的收集筐来收集落叶，直接观测落叶林的LAI。Clough等(2000)仅利用3个1 m²的收集筐来收集红树(Rhizophora apiculata)林落叶以计算其LAI。在一个50 m×50 m的样地上，Bouriaud等(2003)仅仅在距离样地中心4 m的4个主要方向(东、南、西、北)上各布置1个0.5 m²的收集筐来收集落叶。迄今为止，很少有研究涉及落叶收集法的试验设计、如何布设落叶收集筐及其精度如何。

此外SLA受叶片形态特征和落叶层环境因子的影响(Hobbie, 2000；Bouriaud et al., 2003)，LAI估算结果也会出现一定偏差。总的来说，落叶收集法相比于破坏性采样测量, 大大降低了工作量，是适用于落叶林的较为方便的LAI测量方法。

1.3 异速生长方程法

异速生长方程法(allometric equation)是指选择具有代表性的各个树种，测定如胸径、基面积、边材面积、树高、树冠体积和冠层郁闭等因子(很多研究表明这些因子与LAI之间存在很好的相关性)，通过建立它们与LAI之间的经验关系来估算LAI(Roberts et al., 2004；Hall et al., 2003a；Zhang et al., 2003)。这些因子获取方便，相对于破坏性测量和落叶收集法减少了工作量。但受季节、树龄、林分密度、树冠大小和气候差异的影响，异速生长方程中的经验系数处在不断变动之中(Gower et al., 1997)，不同区域、不同树种的经验系数需要不断重新拟合。

1.4 光学仪器法

鉴于破坏性取样法、落叶收集法比较耗时，光学仪器法作为简便测量LAI的另一途径发展起来(Chen et al., 1997；Cutini et al., 1998)。光学仪器法的基本原理在于：假定冠层叶片的空间分布是随机的，通过测定太阳辐射通过森林冠层时的衰减比例(即冠层的间隙率)来估算LAI。这样测定得到的LAI是有效LAI，而非实际LAI。目前应用最为广泛的是美国Licor公司生产的LAI-2000植被冠层分析仪。它通过排列成同心圆的5个量子探测器测定冠层光透射率，可以在7个不同方位角探测光线的衰减比例，所测得的有效LAI精度高。但是冠层叶片通常不是随机分布的，许多研究表明，尤其是当叶片为簇状分布时，LAI-2000测定的LAI会明显偏低(Gregory et al., 2003；Johnson et al., 2004)。Chen等(1995)开发出了冠层结构辐射分析仪(tracing radiation and architecture of canopies, TRAC)，不仅能测定冠层间隙率，而且能测定冠层间隙大小及其分布，实际叶面积指数LAI可表示为有效叶面积指数与冠层间隙率的函数：L=L₁/Ω，式中：L为实际叶面积指数，L₁为有效叶面积指数，Ω为冠层间隙率。

近年来，半球冠层成像技术广泛用于测定LAI。半球冠层摄影仪(hemispherical canopy photography，HCP)的原理是先利用180°鱼眼镜头获取冠层数字影像，再利用相关专业软件来分析影像、估算LAI(Frazer et al., 2001；Walter et al., 2003；Inoue et al., 2004；Ishida, 2004；Cescatti et al., 2007；Schleppi et al., 2007；Garrigues et al., 2008；Kuusk et al., 2008)。随着数字摄影技术和数字图象软件处理包的快速发展，半球冠层成像技术将越来越受到重视(Demarez et al., 2008)。但是，此技术也是假设冠层叶片是随机分布的，没有考虑冠层叶片的集聚效应，其测量结果也是有效LAI，而不是真实LAI。

1.5 倾斜点嵌块法

倾斜点嵌块法是由Wi1son(1960)提出的，用长尖针(点嵌块)在已知高度角和方位角的植物冠层上探击，然后计算碰击到冠层元素的次数。LAI估算公式为：L=K/G_(θ)，L为LAI，K为接触次数，G_(θ)为当天顶角为θ时的投影函数。当θ=57.5°时，假定叶片方位角是对称均匀分布的, 对于任意的叶片方位角，有L=1.1K。倾斜点嵌块法的优点在于具有非破坏性和无须叶片是随机分布的假设，LAI与参数K是简单的线性关系，估算比较方便；其缺点是采样数足够大时才能置信，并且对于较高的冠层实施起来比较困难。

2 基于遥感反演的大尺度森林LAI估算法

遥感手段是区域乃至全球尺度范围森林LAI快速准确估算和动态监测的唯一手段。国内外学者开展了很多基于遥感数据反演LAI的研究，其中利用TM数据反演LAI的研究较多，利用Landsat/ETM+以及spot等多光谱数据反演LAI的研究也有报道。近年来，基于高光谱数据(如AVHRR，MODIS和CASE数据)反演LAI的研究越来越受到重视。

2.1 统计模型法

绿色植物进行光合作用时强烈吸收可见光，尤其是红光，因此，红光波段的反射率包含了植物冠层叶片的大量信息；在近红外波段，植被有很高的反射率、透射率和很低的吸收率，因此，近红外波段的反射率亦包含了冠层内叶片的很多信息。植物在红光和可见光波段的这种反射差异便是遥感定量统计分析叶面积指数的理论基础。统计模型法通过统计回归分析植被指数(Ⅵ)和LAI之间的线性或者非线性关系，实现估算森林LAI的目的。可以分为单变量统计模型和多变量统计模型2种。一般形式为L=f(x)，x为各种植被指数或光谱反射率，L为叶面积指数LAI。一般情况下，多变量统计模型比单变量统计模型效果好(浦瑞良等，2000)，因为不同的植被指数可以相互补充信息。但是一味增加变量个数，会使得模型极其复杂，不一定能取得好的效果。

国内外学者所建构的植被指数种类繁多(彭少麟等，1999)，按其发展阶段可分为3类。1)基于波段反射率线性组合所建立的植被指数，由经验方法发展而来，忽略了大气、土壤亮度和土壤背景颜色的影响, 也没有考虑土壤与植被间的相互作用(如比值植被指数ratio vegetation index，RVI等)。2)为了消除大气、土壤亮度和土壤背景颜色的影响, 基于传感器成像物理知识的植被指数。能消除或减弱土壤背景影响的植被指数有：土壤调节植被指数(soil adjusted vegetation index，SAVI)、转换型土壤调节植被指数(transformed soil adjusted vegetation index，TSAVI)、修正型土壤调节植被指数(modified soil adjusted vgetation index，MSAVI)、垂直植被指数(perpendicular vegetation index，PVI)等；能消除大气影响的植被指数有：大气阻抗植被指数(atmospheric resistant vegetation index，ARVI)、土壤调节大气阻抗植被指数(soil adjusted and atmospherically resistant vegetation index，SARVI)等。3)针对高光谱遥感及热红外遥感而发展的植被指数，如导数植被指数(derivative vegetation index，DVI)、红边植被指数(red edge vgetation index)、温度植被指数(temperature vegetation index，Ts-Ⅵ)、生理反射植被指数(physiological reflectance index，PRI)等。

由于多光谱遥感数据中往往混有相当比例的非植物光谱(如土壤背景，凋落物等)，致使基于多光谱遥感数据所建立的各种植被指数与LAI的关系不太紧密，估算森林LAI的精度不高。随着高光谱技术的发展，通过高光谱技术压抑其中混有的非植物光谱信息，基于高光谱数据所建立的各种植被指数与LAI的相关性加强(Zhao et al., 2007)，估算森林LAI的精度得以提高。Maire等(2008)运用高光谱数据中1 725和970 nm 2处的光谱反射率来建立的植被指数，对阔叶树种估算LAI比较有效。Darvishzadeh等(2008)指出基于高光谱数据建构各种植被指数，会较少受到土壤与植被相互作用的影响。

2.2 冠层反射模型法

统计模型法所建立的回归模型往往带有经验性，对不同的地区或不同的数据源需要重新拟合参数，模型需要不断地调整, 不具备普适性。因此，许多学者致力于研究具有普适性、不依赖于植被具体类型或背景环境的冠层反射模型。冠层反射模型建立的基础是植被的非朗伯体特性，即植被对太阳光短波辐射的散射具有各向异性，反映在遥感上就是从地表反射回天空的太阳辐射和卫星观测的结果很大程度上依赖于太阳角和卫星观测角的关系，这种双向反射特性可以用双向反射率分布函数(bidirectional reflectance distribution function，BRDF)来定量表示，这就给LAI冠层反射模型的创立提供了理论契机。冠层反射模型大致可以分为3类：

1) 几何光学模型(geometric-optical model)。属于早期的冠层反射模型，此类模型把植被冠层看作是不透明的圆锥或圆柱体，不考虑冠层内的透射作用，主要用于描述冠层影子成份明显的稀疏林地。代表模型是Liang等(1985)模型，该模型从像元尺度出发建立了森林结构参数(植被覆盖度、平均树高度和平均冠幅尺寸等)与冠层双向反射分布函数的关系，考虑了冠层阴影的共同遮蔽效应，但是忽略了冠层的透射作用，与实际情况不符。

2) 辐射传输模型(radiation transmission model)。与几何光学模型不同，辐射传输模型着重考虑了冠层透射作用。Verhoef(1984)的SAIL模型是一个应用广泛的辐射传输模型，该模型简化了对冠层结构的描述，需要7个参数(叶面积指数、平均叶片倾角、叶片大小与冠层高度比值、叶绿素含量、叶片干物质量、叶结构参数和土壤背景亮度指数)来描述冠层、叶片和背景土壤特征。PROSPECT模型也是应用广泛的辐射传输模型，该模型使用6个参数(叶肉结构参数、叶片光谱反射指数、叶绿素含量、叶片水分含量、叶绿素特征光谱吸收系数和叶片水分的光谱吸收系数)来描述冠层叶片在400~2 500 nm范围的光学信息(Jacquemoud et al., 1990)。

3) 几何光学模型与辐射传输模型的融合(hybrid geometric optical-radiative transfer model)。融合模型同时考虑了冠层影子的相互遮蔽效应和冠层透射作用，更为接近实际情况。比较典型的融合模型有Liang等(1995)和Kuusk等(2000)融合模型等。Kuusk等(2000)融合模型把植物冠层的光谱反射率看作是冠层双向反射率和冠层半球反射率的函数

式中：ρ为冠层光谱反射率，ρ₁为冠层双向反射率，ρ₂为冠层半球反射率，I和D分别代表太阳光透射组分和散射组分，Q为总的入射光。Gemmel等(2002)利用Kuusk等(2000)融合模型对北方林区的冠层特征进行了模拟，并与利用统计模型法从TM数据中提取的冠层特征进行对比，得出Kuusk等(2000)融合模型模拟效果较好。但该融合模型需要大量的地面辅助参数，目前缺乏地面参数数据库，限制了该模型的广泛应用。

需要注意的是，一般比较复杂的光学模型都不能直接用来反演LAI，而是把LAI作为输人值，采用迭代的方式逐步调整模型参数。直到模型输出结果与遥感观测资料达到一致，最后的迭代结果就是反演结果。对于一般的遥感图像处理而言，这种迭代非常耗时，而反演过程中有些反函数是不收敛的，这样可能导致反演结果存在很大的不确定性，甚至造成错误的反演结果, 对于全球尺度的遥感图像处理尤其不利。解决该问题的途径之一就是采用其他手段，如神经网络技术和查表法(look up table，LUT)。

2.3 人工神经网络技术

为了克服冠层反射模型反演LAI时，迭代处理比较耗时，容易导致错误反演结果，很多学者将人工神经网络(artificial neural networks，ANN)引入到冠层反射模型反演LAI的研究中(Gong et al., 1999；Kokaly et al., 1999；Curran et al., 2001；Combal et al., 2002；Bacour et al., 2006；Ushada et al., 2007；Verger et al., 2008)。采用神经网络技术，通过样本训练，隐藏层的神经元会“自学”获得简单的权重传输阈值。反演LAI时，输入冠层反射光谱通过隐藏层的神经元传递，在输出层得出反演结果。Gong等(1999)利用神经网络技术，对Liang等(1995)模型进行模拟，取得了很好的效果。Schlerf等(2006)采用INFORM模型进行样本训练, 发现基于神经网络技术反演LAI的精度较高，且采用INFORM模型更具有普适性。Bacour等(2006)采用经典的PROSPECT+SAIL模型进行样本训练，也取得了较为满意的反演效果。Combal等(2002)采用3种方法(即人工神经网络技术、查表法和类牛顿运算法)提供先验信息来解决冠层反射模型反演LAI的不确定性问题，结果表明3种提供先验信息的方法都能有效解决冠层反射模型反演的不确定性问题，ANN在考虑地面辅助信息测量误差时，其反演精度高于其他2种。Atzberger(2004)考虑到同一物种内部临近像元的相似性, 视其平均叶倾角变化不大, 将基于面向对象与基于像元的神经网络模拟对比, 得出基于面向对象的神经网络模拟反演LAI的精度更高。

利用人工神经网络技术的优势在于其并行处理能力、非线性、容错性、自适应性和自学习性(倘若隐藏层有足够的神经元，模型反演速度很快且比较简单，可快速模拟反演输入与输出信息的各种线性与非线性关系)。不足之处是需要大量的训练样本，反演结果才可靠。此外，用于神经网络样本训练的冠层模型的可靠性也是影响其最终反演精度的影响因子。

2.4 查表法

查表法(LUT)是在遥感输入条件变化范围内，选择合适的冠层辐射模型，设置大量的模型参数，利用前向模型建立人工数据库，使得输入变量能够在LUT表中对应一个最优值。在使用查表法时，所测量的反射光谱需要与LUT表中存储的所有反射光谱反复比较，以期达到测量光谱与模拟的冠层反射光谱最高的一致性。LUT的最大优势在于可以很容易地通过调整价值函数提供的先验信息。其缺点是LUT需要大量的参数来建立人工数据库，而且在进行反演时，测量光谱需要反复与LUT存储光谱比较，需要耗费大量的时间。

3 研究展望

小尺度森林LAI估算主要是基于地面实测，如何改进地面LAI测量技术, 实现森林LAI快速准确测量是未来值得深入研究的课题。从测量精度角度考虑，破坏性采样测量和落叶收集法所测定的结果较为接近真实值, 从测量方便角度考虑，使用各种光学仪器测量非常便利。当前以及未来一段时间，小尺度森林LAI快速准确估算，主要还是使用LAI-2000或半球摄影仪测量有效叶面积指数，结合TRAC测定的间隙率，估算真实叶面积。此外还可以将落叶收集法与光学仪器法相结合，利用落叶收集法提供实测LAI值，对一些光学测量仪器的测量结果进行校正，从而提高小尺度森林LAI估算的精度和速度(Nilson, 1999；Stenberg et al., 2003)。

区域乃至全球尺度森林LAI的估算，仍然通过遥感反演。1)随着高光谱技术的发展，基于高光谱数据建构各种植被指数，很大程度上提高了统计模型法估算森林LAI的精度，加之统计模型法比较方便快捷，因此统计模型法在未来森林LAI估算研究中，仍然占有举足轻重的地位。2)冠层反射模型法，需要大量的冠层参数, 这些参数往往获取比较困难，有待于建立地面植被冠层基本参数数据库，保证冠层模型中各个参数的可获取性。此外，如何简化冠层模型，使用较少的参数准确描述冠层特性也是值得继续深入研究的课题。3)人工神经网络技术引入到冠层反射模型研究，大大提高了模型反演LAI的精度和速度，将是未来区域或全球尺度森林LAI估算的主要方法。4)在季风气候区域，植物生长季节与雨季相叠，由于时间分辨率的限制，很可能整个植物生长季节找不到一幅云量较少的影像，从而限制了光学遥感反演LAI的应用, 有待于加大微波遥感反演LAI的研究。5)无论采用何种遥感反演方法, 其精度必须根据地面获取的LAI来验证。因此提高遥感反演LAI的精度与速度的同时，还需要提高地面获取LAI验证数据的精度和速度。