EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 5: 183 - 194

DOI: https://doi.org/10.6046/zrzyyg.2024285

Comparative analysis of MuSyQ LAI，MODIS LAI，and GLASS LAI exemplified by Anhui Province

  • ZHAO Ping , 1 ,
  • CHANG Jie 1 ,
  • ZHOU Jun 1 ,
  • WU Song 1 ,
  • SHEN Ao 1 ,
  • CHU Boce , 2
Expand
  • 1. College of Resource and Environmental Engineering，Hefei University of Technology，Hefei 230009，China
  • 2. Fifty-fourth Research Institute of China Electronics Technology Group Corporation，Shijiazhuang 050000，China

Received date: 2024-09-02

  Revised date: 2024-11-25

  Online published: 2026-06-03

Fold

Abstract

The leaf area index （LAI） serves as an important parameter for investigating the global carbon cycle，water cycle，energy exchange，and climate change. At present，there are multiple LAI products with different time series and resolutions. Comparative analysis of these products can not only reveal their suitability in various regions，but also provide suggestions for optimizing their algorithms. Focusing on the typical areas in Anhui province，this study compared and assessed the spatiotemporal consistency of MuSyQ LAI，MODIS LAI，and GLASS LAI products from the perspective of their capacity to characterize the spatiotemporal characteristics of vegetation. The results indicate that the spatial distribution of LAI obtained from the three products was consistent with the spatial distribution of vegetation，revealing good spatial consistency. However，there existed differences in LAI values and spatial heterogeneity. To be specific，the MODIS LAI displayed generally higher values than the other two products. The MuSyQ LAI exhibited lower values than the GLASS LAI in cultivated land and deciduous broad-leaved forests，but higher values in evergreen forests. As spatial resolution increases，the three products all showed better spatial details，with the MuSyQ LAI featuring the most pronounced spatial heterogeneity in land cover distribution. As the elevation varies，the MODIS LAI and GLASS LAI values vary in a consistent pattern，while the MuSyQ LAI value varies in a different pattern. The three products presented altitude-varying LAI values at low-altitude areas，whereas they showed varying change patterns at high-altitude areas across different sample areas. Temporally，the three products presented relatively complete time-series curves of the annual average LAI value over the years and similar seasonal trends，which can effectively characterize the phenological characteristics of crops and the seasonal variations of different plants. Overall，the three products exhibited good spatiotemporal consistency，all of which can reflect the spatial distribution and temporal changes of vegetation. However，they were different in the LAI value and spatial heterogeneity. Among them，the MuSyQ LAI is more suitable for investigating inter-annual changes in areas featuring complex terrains and high heterogeneity in land cover distribution，while the GLASS LAI is more suitable for long-time-series studies in large areas.

Key words： leaf area index （LAI）; vegetation type; spatiotemporal consistency; Anhui Province

Cite this article

ZHAO Ping , CHANG Jie , ZHOU Jun , WU Song , SHEN Ao , CHU Boce . Comparative analysis of MuSyQ LAI，MODIS LAI，and GLASS LAI exemplified by Anhui Province[J]. Remote Sensing for Natural Resources, 2025 , 37(5) : 183 -194 . DOI: 10.6046/zrzyyg.2024285

0 引言

叶面积指数（leaf area index，LAI）定义为单位土地面积上植被绿叶表面积总和的一半[1]，是表征植被的冠层结构和光能利用状况的重要生物参数，与植被的光合、呼吸、蒸腾作用有着密切联系[2-3]，并间接影响着全球的水文循环、碳循环与气候变化等[4]。遥感技术是获取长时序大范围LAI的有效手段。国内外许多组织和机构基于不同的卫星遥感数据生产了多个全球尺度的LAI产品，包括MODIS[5]，AVHRR[6]，CYCLOPES[7]，GEOV1[8-9]，MISR[10]，MERIS[11]，GLOBALBNU[12]，GLOBMAP[13]以及GLASS[14]等。不同的LAI产品依赖于不同的遥感数据源，在数据的覆盖时间、时空分辨率以及反演算法等方面存在显著差异。
在所有的LAI产品中，MODIS和GLASS LAI产品因其全球覆盖、长时间序列和相对较高的空间分辨率而受到最为广泛的应用。2021年，Ma等[15]基于双向长短期记忆网络（bidirectional long shart-term memory network，Bi-LSTM）模型和MODIS反射率数据，生成了2000年以来全球250 m分辨率的GLASS V6产品，这一最新版本在精度和时空连续性上均有显著提升，是目前世界上空间分辨率最高的全球长时间序列LAI产品。然而，现有的LAI产品空间分辨率主要分布在250~1 000 m之间，虽然能够满足大尺度区域研究的基本需求，但在地形复杂、地表异质性较高的区域，更高空间分辨率的LAI信息显得尤为重要。2021年，张虎等[16]基于GF-1的高时空分辨率优势，结合三维随机辐射传输模型生产了MuSyQ高分系列中国区域 2018—2020 年 16 m/10 d分辨率的 LAI 产品，并通过实地测量数据验证其反演精度较高。然而LAI反演存在一定的不确定性，其容易受到大气、传感器状态等因素的影响，为了将这些产品有效地应用于不同区域，对其进行验证和评估工作十分有必要。
近年来，随着LAI产品的不断发布，其验证和评估工作也相应展开，验证方法主要包括直接验证和交叉验证2类。直接验证是利用地面实测LAI值，以同时相高分辨率影像为中间桥梁，通过建立统计模型，反演得到LAI参考图像，然后对LAI产品进行精度验证。交叉验证是通过对比不同LAI产品的时空一致性，得到产品的相对精度[17-18]。Li等[19]结合地面LAI观测数据生成的参考图像，对中国区域的GLASS，GLOBALBNU，GLOBMAP和MODIS LAI进行直接验证，结果表明GLASS LAI表现最佳，MODIS LAI表现最差；喻樾等[20]对中国区域GLOBMAP，GLOBALBNU和GLASS LAI产品的时空一致性分析表明不同的流域、土地利用类型、高程都会导致LAI的差异，但都能捕捉到关键的时空变化特征；Gessner等[21]以非洲西部为研究区，对MODIS，GEOV1，CYCLOPES和LSA-SAF LAI产品进行相互对比，研究表明CYCLOPES和GEOV1 LAI产品在主要的土地覆盖类型上一致性很好，MODIS产品数据完整性较好，LSA-SAF LAI能捕捉到典型的旱雨季变化特征，但其空间分辨率较低且覆盖时间短；杨帆等[22]以内蒙古呼伦贝尔草甸草原为研究区，对MODIS，GLASS和GEOV1 LAI产品进行直接和交叉验证，结果表明3个产品都存在高估现象，但具有良好的时序一致性；杨勇帅等[23]对西南山区GEOV1，GLASS和MODIS LAI产品进行对比分析，结果表明所有产品随海拔增高缺失值增多，GLASS LAI和GEOV1 LAI的一致性较好，MODIS LAI则与它们存在较大差异，且均难以准确反映农田作物轮作的物候信息；Li等 [24]采用升尺度策略对西南3个山区的MuSyQ LAI精度进行验证的结果表明，由于地形复杂、土地覆被不均匀等原因，研究区MuSyQ LAI值被显著低估53.69%。
综上所述可知，不同的LAI产品在精度、数据完整性、对植被季节特征的表现能力等方面各有优劣，并且受区域、土地利用类型和地形等因素影响。鉴于MuSyQ LAI，MODIS LAI和GLASS V6 LAI产品各自的优势和局限性，以及它们在不同区域的适用性尚未有充分的对比研究，本文选取安徽省典型样区，以MuSyQ LAI，MODIS LAI和GLASS V6 LAI产品为研究对象，结合土地覆盖和高程数据，对主要植被类型的LAI时空一致性进行对比和评价，以期为LAI产品的改进和应用提供参考。

1 研究区概况与数据源

1.1 研究区概况

安徽省位于29°41'~34°38'N，114°54'~119°37'E之间，地处中国华东、长江三角洲地区，总面积14.01万m2，地跨长江、淮河、新安江三大流域，地理跨越南北，处于暖温带与亚热带过渡地区，地势由平原、丘陵、山地构成，自北向南分为淮河平原区、江淮台地丘陵区、皖西山地丘陵区、沿江平原区和皖南山地丘陵5个地貌区。本研究综合考虑地形、土地覆盖和数据可用性，选取6个南北长20 km、东西宽50 km的样区，各样区概况如表1所示，位置如图1所示。样区Ⅰ位于蚌埠市和宿州市的交界处，处于淮河平原区，主要植被类型是雨养耕地，主要种植作物为冬小麦和夏玉米；样区Ⅱ位于六安市，处于江淮台地丘陵区，主要植被类型是灌溉耕地，水稻是该区域主要作物；样区Ⅲ位于合肥市和芜湖市交界处，处于沿江平原区，主要植被类型是灌溉耕地，以水稻种植为主；样区Ⅳ位于六安市和安庆市交界处，处于皖西山地丘陵区，主要植被类型是落叶阔叶林；样区Ⅴ位于宣城市，处于皖南山地丘陵区，主要植被类型是常绿阔叶林；样区Ⅵ位于黄山市，处于皖南山地丘陵区，主要植被类型是常绿针叶林。
表1 各样区概况

Tab.1 Overview of various districts

样区
编号		 位置 高程/m 地貌区 主要植被
类型
Ⅰ 蚌埠市、
宿州市		 3~88 淮河平原区 雨养耕地
Ⅱ 六安市 16~87 江淮台地丘陵区 灌溉耕地
Ⅲ 合肥市、
芜湖市		 1~225 沿江平原区 灌溉耕地
Ⅳ 六安市、
安庆市		 125~1 759 皖西山地丘陵区 落叶阔叶林
Ⅴ 宣城市 12~1 126 皖南山地丘陵区 常绿阔叶林
Ⅵ 黄山市 73~1 065 皖南山地丘陵区 常绿针叶林
图1 研究区概况示意图

Fig.1 Schematic overview of the study area

1.2 数据来源

土地覆盖数据采用GLC_FCS30产品，它基于时间序列的Landsat影像与多源数据集的全球训练数据生成，时间跨度为1985—2022年，空间分辨率为30 m。GLC_FCS30产品包含3种不同的分类系统，本文采用LCCS分类系统，分别为雨养耕地、灌溉耕地、常绿阔叶林、常绿针叶林、落叶阔叶林、草地、水体、湿地、不透水面、灌木丛和裸地11类。数字高程模型（digital elevation model，DEM）数据来源于美国地质调查局（United States Geological Survey，USGS），采用SRTM DEM数字高程数据产品，空间分辨率为30 m。
由于MuSyQ LAI产品只有2018—2020年的数据产品，因此本研究选用2018—2020年的3种LAI产品数据进行研究，研究区个别年份6月份的MuSyQ LAI数据存在少量缺失，土地覆盖和高程选用2019年的数据。采用MRT和python对3种LAI产品进行格式和投影转换，并结合样区边界进行裁剪。为了方便研究，统一采用最近邻插值法将所有数据空间分辨率重采样为16 m，并对2018—2020年的LAI数据进行平均以消除随机误差和异常值的影响。

1.3 LAI产品

本文选择MODIS LAI的C6版本产品 MOD15A2H LAI，GLASS LAI V6版和MuSyQ LAI产品为研究对象，3种产品的主要特征如表2所示。
表2 LAI产品主要特征

Tab.2 Main features of LAI products

名称 时间分辨率/d 空间分辨率/m 时间范围 区域 主要算法
MOD15A2H 8 500 2000—2022年 全球 三维辐射传输模型构建查找表
GLASS 8 250 2000—2021年 全球 双向长短期记忆时间循环神经网络
MuSyQ 10 16 2018—2020年 中国 三维随机辐射传输模型构造查找表

1.3.1 MOD15A2H LAI产品

MOD15A2H LAI基于搭载在TERRA卫星上的 MODIS传感器红光和近红外反射率数据反演，提供全球2000 年第48天以来的LAI产品，采用SIN投影方式，空间分辨率500 m，时间分辨率8 d，用8 d内光合有效辐射（fraction of photosynthetically active radiation，FPAR）分数最大的一天的LAI值来表示。使用8种改进的土地覆盖类型作为模型约束参数，分别是草地/谷类作物、灌丛、阔叶作物、稀树草原、常绿阔叶林、落叶阔叶林、常绿针叶林和落叶针叶林[25]，采用主算法和备用算法[26]反演LAI。在主算法中，基于三维辐射传输（3D radiative transfer，3D-RT）模型，使用L2G-lite表面反射率作为模型输入参数，采用查找表方法进行反演，当该算法失败时，采用基于归一化植被指数（normalized difference vegetation index，NDVI）与LAI相关性的经验模型作为备份方法[27]。除此之外，该产品还提供质量文件，主算法的数据质量优于备份算法。

1.3.2 GLASS LAI产品

GLASS LAI V6版产品由北京师范大学梁顺林教授团队自主研发，可在马里兰大学GLASS产品发布网站获取，时间范围为2000—2021年，由MODIS反射率产品反演，空间分辨率为250 m，时间分辨率8 d。它采用先进的Bi-LSTM时间循环神经网络模型，结合全球范围内的高质量LAI产品数据（MODIS C6、GLASS V5和PROBA-V V1），通过聚类分析选取全球分布且能代表不同地表覆盖、不同植被生长变化类型及不同卫星观测条件下的像元，并遵循最小差原则融合多种LAI产品，构建精准的时间序列LAI样本。利用这些样本和Bi-LSTM模型，建立了时间序列MODIS地表反射率与LAI之间的复杂关系，训练得到Bi-LSTM算法模型[15]。最终，生成了覆盖2022年的250 m空间分辨率的LAI产品数据，是目前世界上空间分辨率最高的长时间序列全球LAI产品。相比之前的版本和其他算法，GLASS V6在精度和时空连续性上均有显著提升，能够精准地表征植被物候，并有效捕捉植被的扰动变化。

1.3.3 MuSyQ LAI产品

MuSyQ LAI（2018—2020年LAI产品01版）由中国科学院空天信息研究院和中国科学院大学联合生产发布，时间范围为2018—2020年，覆盖中国全域，其空间分辨率为 16 m，时间分辨率10 d，采用通用横轴墨卡托投影（UTM），该产品利用GF-1 宽幅相机反射率数据产品，基于三维随机辐射传输（3D stochastic radiative transfer，3D-SRT）模型构造查找表[24,28]，并使用7种植被类型作为模型约束参数，分别是草地、灌木、作物、常绿阔叶林、落叶阔叶林、常绿针叶林、落叶针叶林进行反演得到的。当基于物理模型的检索算法失效时，则采用时间序列重建算法得到LAI。数据集还添加了质量控制标识，以满足用户个性化需求，产品数据可在科学数据库网站免费获取（https://www.scidb.cn/en）。此外，由于受到云、雨等自然因素的限制，MuSyQ LAI夏季存在一定的数据缺失。

1.4 研究方法

本研究从空间一致性和时间一致性2个方面对安徽省典型样区的MuSyQ LAI，MODIS LAI和GLASS V6 LAI产品进行交叉验证。空间一致性从LAI产品的空间分布、两两产品之间差值的空间分布和频率分布、不同产品随高程变化规律4个方面进行分析。时间一致性基于年平均的月LAI时间序列变化曲线，从不同植被类型LAI年内变化、对农田作物物候特征的表征能力以及对植被常绿和落叶特征的表征能力3个方面进行分析。

2 结果分析

2.1 空间一致性对比

考虑到植被生长特点和数据情况，分别选择样区冬季（1月）和夏季（7月）的LAI进行分析，图2和图3分别是MODIS LAI、GLASS LAI和MuSyQ LAI产品的1月份和7月份年平均LAI空间分布图，其中白色区域表示缺失值及非植被覆盖区。MODIS LAI产品算法将水域、城镇建筑用地等非植被覆盖区的像元标记为填充值，因此有较多的白色像元。1月份，样区Ⅰ，Ⅱ和Ⅲ主要为作物区，此时作物尚未播种或处于生长幼期；样区Ⅳ主要分布落叶阔叶林，此时树木凋零，LAI值均较小，几乎没有空间变化；样区Ⅴ和Ⅵ主要分布常绿林，LAI值相对较大。MODIS LAI空间分辨率相对较低，零星有一些高值像元；相比之下，GLASS LAI分布较为光滑；MuSyQ LAI空间分辨率高，对地物细节的表现能力较强。
图2 各产品1月份年平均LAI空间分布

Fig.2 Spatial distribution of annual average LAI in January for each product

图3 各产品7月份年平均LAI空间分布

Fig.3 Spatial distribution of annual average LAI in July for each product

7月份植被生长旺盛，LAI值较高，其空间变化更明显。表3给出了7月份各LAI产品在各样区经掩模处理后主要植被类型的统计特征值，从表3中可以看出，GLASS LAI在各样区的标准差最小，MuSyQ LAI取值范围和标准差最大。MODIS LAI平均值相对另2种产品偏高，MuSyQ LAI平均值在耕地和落叶阔叶林区域相对于GLASS LAI偏低，在常绿林区域相对偏高。表4是7月各产品在各样区不同植被类型的年平均LAI值，由表3和4都可以看出，多数样区林地的LAI年平均值最大，耕地次之，草地最小。结合图1可知，3种产品的空间分布和植被类型空间分布格局有较好的一致性。此外，由图3可以看出，MuSyQ LAI斑块破碎度较高，地物表现更细致。表5是7月份各产品在各样区斑块的香农多样性指数（Shannon’s diversity index，SHDI）和香农均匀度指数（Shannon’s evenness index，SHEI）统计值，指数的计算方法及意义详见相关文献[29-31]。由表5可知，3种产品中，GLASS LAI在各样区的SHDI和SHEI均最小，MODIS LAI次之，MuSyQ LAI最大，表明MuSyQ LAI空间异质性最强。
表3 7月份各产品在各样区主要植被类型的统计特征值

Tab.3 Statistical characteristic values of various products in different regions in July

样区编号 LAI产品 最大值 最小值 平均值 标准差
Ⅰ MODIS 7.0 0.9 4.0 1.1
GLASS 5.0 0.9 3.2 0.4
MuSyQ 7.0 0.0 2.2 1.3
Ⅱ MODIS 7.0 1.3 4.5 1.3
GLASS 5.1 1.0 3.5 0.5
MuSyQ 7.0 0.0 2.9 1.4
Ⅲ MODIS 7.0 1.3 3.3 1.1
GLASS 5.7 1.0 3.0 0.5
MuSyQ 7.0 0.0 2.3 1.3
Ⅳ MODIS 7.0 1.9 6.0 0.7
GLASS 6.4 1.7 5.2 0.5
MuSyQ 7.0 0.0 4.7 1.5
Ⅴ MODIS 7.0 1.4 6.0 1.0
GLASS 6.8 0.7 4.9 0.7
MuSyQ 7.0 0.0 5.3 2.0
Ⅵ MODIS 7.0 2.4 6.3 0.7
GLASS 6.8 1.4 5.0 0.5
MuSyQ 7.0 0.0 5.7 1.8
表4 7月份各产品在各样区各种植被类型的年平均LAI值

Tab.4 Annual average LAI values of various products in different vegetation types in various regions in July

样区
编号		 LAI产品 雨养
耕地		 灌溉
耕地		 常绿阔
叶林		 落叶阔
叶林		 常绿针
叶林		 草地 灌木
地
Ⅰ MODIS 4.0 3.8 4.1 - - 3.1 -
GLASS 3.2 3.0 3.1 - - 2.4 -
MuSyQ 2.2 1.5 3.0 - - 1.1 -
Ⅱ MODIS 4.3 4.5 4.6 4.8 5.9 3.7 -
GLASS 3.4 3.5 3.7 3.7 3.2 2.9 -
MuSyQ 2.7 2.9 3.2 3.1 2.7 1.5 -
Ⅲ MODIS 3.1 3.3 4.0 3.9 5.2 3.2 -
GLASS 2.9 3.0 3.6 3.7 4.0 2.7 -
MuSyQ 1.9 2.3 3.5 3.3 4.4 1.5 -
Ⅳ MODIS 5.2 4.2 5.9 6.1 6.1 5.4 -
GLASS 4.1 3.6 4.9 5.2 5.1 4.2 -
MuSyQ 2.6 1.7 4.4 4.7 3.5 2.5 -
Ⅴ MODIS 3.8 3.3 6.0 5.9 6.1 5.6 -
GLASS 3.2 2.8 4.9 5.1 5.2 3.7 -
MuSyQ 1.9 1.5 5.3 4.8 4.5 2.1 -
Ⅵ MODIS 6.0 5.6 6.3 6.2 6.3 5.5 6.4
GLASS 4.1 3.7 5.1 5.0 5.0 3.4 5.2
MuSyQ 3.1 2.4 5.1 5.0 5.8 1.6 5.3
表5 7月份各产品在各样区的SHDI和SHEI

Tab.5 Shannon diversity index and Shannon uniformity index of each product in various regions in July

样区编号 LAI产品 SHDI SHEI
Ⅰ MODIS 1.11 0.63
GLASS 0.82 0.51
MuSyQ 1.37 0.86
Ⅱ MODIS 1.51 0.74
GLASS 0.86 0.53
MuSyQ 1.74 0.84
Ⅲ MODIS 1.27 0.55
GLASS 0.89 0.50
MuSyQ 1.48 0.71
Ⅳ MODIS 1.24 0.69
GLASS 1.07 0.66
MuSyQ 1.84 0.88
Ⅴ MODIS 1.51 0.77
GLASS 1.40 0.71
MuSyQ 1.83 0.88
Ⅵ MODIS 1.02 0.57
GLASS 0.89 0.46
MuSyQ 1.76 0.84
图4和图5为7月份MODIS LAI，GLASS LAI和MuSyQ LAI年均值两两之间差值的空间分布图和频率分布图。所有样区的MODIS LAI与另2种产品的差值曲线基本位于0值右侧，空间分布上有很明显的高值像元。在样区Ⅰ—Ⅳ，3种产品差值曲线均在0值处取得峰值，GLASS和MuSyQ LAI差值在该处频率最高，且曲线大部分位于大于0一侧；在样区Ⅴ和Ⅵ，MODIS和MuSyQ LAI的差值曲线在0值处取得峰值，GLASS和MuSyQ LAI差值曲线在小于0一侧取得峰值，且曲线大多也位于小于0一侧，由图4可见差值小于0的像元主要分布在林地，大于0的差值主要分布在非林地。综上所述，MODIS LAI值整体高于另2种产品，MuSyQ LAI值相对GLASS LAI值在耕地和落叶阔叶林地区偏低，在常绿林地区偏高。
图4 3种 LAI 产品7月份年平均两两之间差异的空间分布图

Fig.4 Spatial distribution of the two-by-two differences between the annual averages of the three LAI products for the month of July

图5 MODIS LAI、GLASS LAI和MuSyQ LAI的7月年均值之间差值频率分布图

Fig.5 Frequency distribution of the difference between the July annual means of MODIS LAI，GLASS LAI and MuSyQ LAI

为了探究地形对 LAI 产品结果的影响，选择高程变化范围大的样区Ⅳ，Ⅴ，Ⅵ进行分析，图6给出各LAI产品7月年均值随高程变化规律。在样区Ⅳ，MODIS和GLASS LAI变化较为一致，LAI值都随高程增加而增加，但在不同高程段增速不同，当高程低于450 m时，增速较快，超过450 m后增速减缓。而MuSyQ LAI变化与两者存在一定差异，整体呈波动上升趋势，当高程小于300 m时，MuSyQ LAI值上升，之后开始下降，当高程大于750 m时又开始上升。表6—8给出了3个样区的不同植被类型在不同高程段分布面积比例。由表6可知，当高程小于450 m时，样区的主要植被类型为常绿阔叶林，高程大于450 m之后，落叶阔叶林成为主要植被类型，因此LAI增速减缓。在样区Ⅴ，MODIS和GLASS LAI变化也较一致，LAI值随高程增加而增加，当高程低于450 m时，MODIS和GLASS LAI值增速较快，当高程高于450 m，LAI值增速缓慢。而MuSyQ LAI变化与两者同样存在差异，整体也呈上升趋势，在高程低于300 m时，MuSyQ LAI值呈快速上升趋势，当高程介于300~450 m之间时增速减缓，当高程大于450 m后，LAI值持续下降。由表7分析可知，整个高程段，除了（750，900] m，其余各段的主要植被类型都是常绿阔叶林，当高程大于300 m后，常绿阔叶林面积比例开始减小，在450 m之后减小速率加快，大部分转化为落叶阔叶林。MuSyQ LAI空间分辨率较高，能够更加细致地刻画植被类型的变化，从而导致MuSyQ LAI值的明显降低。在样区Ⅵ，三者LAI值都随高程增加先增大后减小，当高程低于450 m时，LAI呈上升趋势，高程高于450 m时，呈下降趋势，但MuSyQ LAI下降速率更大。由表8分析可知，当高程小于900 m时，该样区的主要植被类型为常绿针叶林，当高程大于450 m时，常绿针叶林面积逐渐减少，落叶阔叶林增加，进而导致LAI值降低。
图6 LAI随高程变化规律图

Fig.6 LAI change rule diagram with elevation

表6 样区Ⅳ不同植被类型在不同高程段分布面积比例

Tab.6 Distribution area ratio of different vegetation types in different elevation sections of sample area IV （%）

植被类型 [0，150]m （150，300]m （300，450]m （450，600]m （600，750]m （750，900]m （900，1 050]m
雨养耕地 30.76 14.81 10.25 9.28 8.12 5.74 1.63
灌溉耕地 5.88 3.15 1.25 0.90 0.91 0.32 0.02
常绿阔叶林 33.87 47.12 44.69 38.62 32.24 27.07 18.94
落叶阔叶林 27.63 30.55 39.94 45.18 51.78 58.85 71.14
常绿针叶林 0.00 1.75 2.63 5.00 6.46 7.70 8.19
草地 1.86 2.61 1.24 1.02 0.51 0.31 0.08
表7 样区Ⅴ的不同植被类型在不同高程段分布面积比例

Tab.7 Distribution area ratio of different vegetation types in different elevation segments of sample area V （%）

植被类型 [0，150]m （150，300]m （300，450]m （450，600]m （600，750]m （750，900]m （900，1 050]m
雨养耕地 26.82 5.85 0.62 0.08 0.05 0.00 0.00
灌溉耕地 16.80 0.93 0.02 0.00 0.00 0.00 0.00
常绿阔叶林 47.35 73.42 69.95 61.58 53.29 39.46 61.53
落叶阔叶林 3.74 7.49 9.69 16.09 25.60 44.89 28.89
常绿针叶林 3.95 11.40 19.43 22.18 20.99 15.59 9.56
草地 1.34 0.91 0.29 0.06 0.07 0.07 0.02
表8 样区Ⅵ的不同植被类型在不同高程段分布面积比例

Tab.8 Distribution area ratio of different vegetation types in different elevation segments of sample area VI （%）

植被类型 [0，150]m （150，300]m （300，450]m （450，600]m （600，750]m （750，900]m （900，1 050]m
雨养耕地 13.74 6.12 1.03 0.11 0.00 0.00 0.00
灌溉耕地 6.72 2.84 0.29 0.01 0.00 0.00 0.00
常绿阔叶林 26.70 31.41 35.81 36.60 36.15 30.74 35.37
落叶阔叶林 2.37 2.73 3.45 6.62 11.88 25.23 38.80
常绿针叶林 49.91 56.30 59.01 56.46 51.86 44.00 25.83
灌木丛 0.56 0.60 0.41 0.20 0.11 0.03 0.00
综上所述，MuSyQ LAI与MODIS和GLASS LAI变化趋势有所不同，相比后两者，MuSyQ LAI 16 m的高空间分辨率使其能够更精细地识别地表植被分布的细节和异质性，能够更好地反映植被分布及其生长与地形因子的关系。

2.2 时间一致性对比

结合数据质量情况，选择多年平均的月LAI进行产品的时间一致性分析，图7（a）—（f）分别为雨养耕地、灌溉耕地、灌溉耕地、落叶阔叶林、常绿阔叶林和常绿针叶林的多年平均LAI的月变化图。由图7可以看出，各产品多年平均的时间序列曲线完整性较好，尽管3种产品有明显的大小差异，但仍呈现出相似的季节变化趋势，都能反映出植被LAI冬季低，夏季高的特点。样区Ⅰ位于皖北平原地区，主要植被类型是雨养耕地，冬春季节主要种植小麦和油菜，夏季主要作物为玉米、大豆和水稻。由图7（a）可见，3种产品农作物的LAI季节变化都呈“双峰型”分布，即在4月和8月达到峰值，然后在6月和10月出现低谷，这主要是因为春季种植的小麦油菜在3月和4月长势最旺，达到了生长中LAI最大值，6月成熟被收割，而新播种的农作物处于生长幼期，因此LAI值较小，很好地表现了农作物轮作的物候信息。样区Ⅱ和Ⅲ主要植被类型是灌溉耕地，水稻和玉米是该地区主要的农作物，由图7（b）—（c）可见，LAI值在5月开始有明显增长，在8月达到峰值，并迅速下降在10月份趋于平稳，这也符合该地区农作物单季种植的播种习惯。在样区Ⅳ，Ⅴ和Ⅵ，由图7（d）—（e）可见，对于落叶阔叶林，各产品在生长季和非生长季的LAI大小差异明显，在生长季LAI较大，在非生长季LAI较小；而对于常绿阔叶林，LAI时间序列曲线分布相对较为平缓，各产品在生长季和非生长季LAI差异相对较小；常绿针叶林在冬季依然保持较高的LAI值，符合常绿植被生长特征。综上所述，各产品时间序列完整性较好，不仅能正确表征农作物的物候特征，而且能正确反映不同植被的季节变化规律。
图7 多年平均LAI时间序列变化

Fig.7 Multi-year average LAI time series variation

3 结论

本研究针对MuSyQ LAI、MODIS LAI和GLASS V6 LAI产品，结合土地覆被数据和SRTM DEM数据，选择安徽省典型样区，从空间一致性和时间一致性两个方面对3种LAI产品进行交叉验证，得到以下结论：
1）空间上，3种产品空间分布与植被空间分布格局相吻合，空间一致性相对较好，但在LAI大小和空间异质性的表现上存在差异。MODIS LAI值整体高于其他2种产品，MuSyQ LAI值相对GLASS LAI值在耕地和落叶阔叶林地区偏低，在常绿林地区偏高。3种产品随着空间分辨率的提高，空间细节表现力增强，MuSyQ LAI所表征地物的空间异质性最显著。
2）3种产品中，MODIS LAI和GLASS LAI值随高程变化规律较一致，而MuSyQ LAI变化与两者存在差异，3种产品LAI值在低海拔地区随高程增加而增加，在高海拔处变化趋势在不同样区存在差异，产生差异的原因可能与植被类型和产品空间分辨率等因素有关。
3）时间上，各产品多年平均的时间序列曲线完整性较好，呈现出相似的季节变化趋势，3种产品不仅能正确表征农作物的物候特征，而且能正确反映植被的季节变化规律。

4 讨论

本文采用交叉验证对安徽省典型样区的MuSyQ LAI、MODIS LAI和GLASS V6 LAI产品的时空一致性进行分析，3种产品存在差异与空间分辨率和反演算法、数据源等因素有关。 MuSyQ LAI空间异质性最好，其16 m的高空间分辨率为在地形复杂、异质性像元广泛分布的区域开展精细化研究提供了可能，但受云、雨等不良观测条件影响，MuSyQ LAI夏季存在数据缺失，且已发布可供使用的数据只有3 a，相比之下，GLASS LAI V6能够提供长时间序列数据，在地物细节表现方面相对MODIS LAI较佳。因此，MuSyQ LAI产品更适于地形复杂、地物分布异质性高的区域的年内变化研究，GLASS LAI更适于长时间序列大区域的研究，未来，随着MuSyQ LAI产品的持续生产和积累，以及引进云雨去除算法提高产品的反演率，将在区域研究上更具有潜力。
除此之外，要想获取产品的定量验证结果，还需要结合地面实测数据进行验证，这将有助于更全面地评估各产品在植被监测和生态研究中的应用潜力，并进一步提高遥感产品的可靠性和准确性。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Chen J M, Black T A. Defining leaf area index for non-flat leaves[J]. Plant,Cell and Environment, 1992, 15(4):421-429.

[2]
冯一鸣, 张娜, 乐荣武, 等. 中国北方温性草地最大叶面积指数的时空变化及其对气候变化的响应[J]. 中国科学院大学学报(中英文), 2024, 41(2):195-211.

Feng Y M, Zhang N, Yue R W, et al et al., Spatiotemporal variation in the maximum leaf area index of temperate grassland in Northern China and its response to climate change[J]. Journal of University of Chinese Academy of Sciences, 2024, 41(2):195-211.

[3]
Wang Y, Fang H L. Estimation of LAI with the LiDAR technology:A review[J]. Remote Sensing, 2020, 12(20):3457.

[4]
曾也鲁, 李静, 柳钦火. 全球LAI地面验证方法及验证数据综述[J]. 地球科学进展, 2012, 27(2):165-174.

Zeng Y L, Li J, Liu Q H. Global LAI ground validation dataset and product validation framework:A review[J]. Advances in Earth Science, 2012, 27(2):165-174.

[5]
Myneni R B, Hoffman S, Knyazikhin Y, et al. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data[J]. Remote Sensing of Environment, 2002, 83(1/2):214-231.

[6]
Ganguly S, Schull M A, Samanta A, et al. Generating vegetation leaf area index earth system data record from multiple sensors.Part 1:Theory[J]. Remote Sensing of Environment, 2008, 112(12):4333-4343.

[7]
Baret F, Hagolle O, Geiger B, et al. LAI,fAPAR and fCover CYCLOPES global products derived from VEGETATION Part 1:Principles of the algorithm[J]. Remote Sensing of Environment, 2007, 110(3):275-286.

[8]
Baret F, Weiss M, Lacaze R, et al. GEOV1:LAI and FAPAR essential climate variables and FCOVER global time series capitalizing over existing products.Part1:Principles of development and production[J]. Remote Sensing of Environment, 2013, 137:299-309.

[9]
Morisette J T, Baret F, Privette J L, et al. Validation of global moderate-resolution LAI products:A framework proposed within the CEOS land product validation subgroup[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7):1804-1817.

[10]
Hu J N, Tan B, Shabanov N, et al. Performance of the MISR LAI and FPAR algorithm:A case study in Africa[J]. Remote Sensing of Environment, 2003, 88(3):324-340.

[11]
Bacour C, Baret F, Béal D, et al. Neural network estimation of LAI,fAPAR,fCover and LAI×C ab,from top of canopy MERIS reflectance data:Principles and validation[J]. Remote Sensing of Environment, 2006, 105(4):313-325.

[12]
Yuan H, Dai Y J, Xiao Z Q, et al. Reprocessing the MODIS Leaf Area Index products for land surface and climate modelling[J]. Remote Sensing of Environment, 2011, 115(5):1171-1187.

[13]
Liu R, Chen J M, Liu J, et al. Application of a new leaf area index algorithm to China’s landmass using MODIS data for carbon cycle research[J]. Journal of Environmental Management, 2007, 85(3):649-658.

PMID

[14]
Xiao Z Q, Liang S L, Wang J D, et al. Use of general regression neural networks for generating the GLASS leaf area index product from time-series MODIS surface reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 52(1):209-223.

[15]
Ma H, Liang S L. Development of the GLASS 250-m leaf area index product (version 6) from MODIS data using the bidirectional LSTM deep learning model[J]. Remote Sensing of Environment, 2022, 273:112985.

[16]
张虎, 李静, 柳钦火, 等. 基于三维随机辐射传输模型的高分一号中国叶面积指数产品算法[J]. 遥感学报, 2023, 27(3):677-688.

Zhang H, Li J, Liu Q H, et al. GF-1 leaf area index product across China based on three-dimensional stochastic radiation transfer model[J]. National Remote Sensing Bulletin, 2023, 27(3):677-688.

[17]
方红亮. 我国叶面积指数卫星遥感产品生产及验证[J]. 遥感技术与应用, 2020, 35(5):990-1003.

DOI

Fang H L. Development and validation of satellite leaf area index (LAI) products in China[J]. Remote Sensing Technology and Application, 2020, 35(5):990-1003.

[18]
刘远, 周买春. MODIS, CYCLOPES和GLASS 3种LAI产品在韩江流域的对比[J]. 国土资源遥感, 2018, 30(1):14-21.doi:10.6046/gtzyyg.2018.01.03.

Liu Y, Zhou M C. Comparison of MODIS,CYCLOPES and GLASS LAI over Hanjiang River Basin[J]. Remote Sensing for Land and Resources, 2018, 30(1):14-21.doi:10.6046/gtzyyg.2018.01.03.

[19]
Li X L, Lu H, Yu L, et al. Comparison of the spatial characteristics of four remotely sensed leaf area index products over China:Direct validation and relative uncertainties[J]. Remote Sensing, 2018, 10(1):148.

[20]
喻樾, 张方敏, 陈镜明. 国产叶面积指数产品在中国区域的一致性检验[J]. 遥感技术与应用, 2023, 38(5):1239-1249.

DOI

Yu Y, Zhang F M, Chen J M. Comparative analysis of differences of leaf area index products in China[J]. Remote Sensing Technology and Application, 2023, 38(5):1239-1249.

[21]
Gessner U, Niklaus M, Kuenzer C, et al. Intercomparison of leaf area index products for a gradient of sub-humid to arid environments in west Africa[J]. Remote Sensing, 2013, 5(3):1235-1257.

[22]
杨帆, 李振旺, 包玉海, 等. 不同叶面积指数遥感产品在呼伦贝尔草甸草原的应用对比[J]. 农业工程学报, 2016, 32(S1):153-160.

Yang F, Li Z W, Bao Y H, et al. Comparison of remote sensing products with different leaf area indices in Hulunbeier meadow grassland[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(S1):153-160.

[23]
杨勇帅, 李爱农, 靳华安, 等. 中国西南山区GEOV1、GLASS和MODIS LAI产品的对比分析[J]. 遥感技术与应用, 2016, 31(3):438-450.

DOI

Yang Y S, Li A N, Jin H A, et al. Intercomparison among GEOV1,GLASS and MODIS LAI products over mountainous area in southwestern China[J]. Remote Sensing Technology and Application, 2016, 31(3):438-450.

[24]
Li D D, Huang Y J, Xiao Y, et al. Evaluation of the high-resolution MuSyQ LAI product over heterogeneous land surfaces[J]. Remote Sensing, 2023, 15(5):1238.

[25]
Yang W Z, Tan B, Huang D, et al. MODIS leaf area index products:From validation to algorithm improvement[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(7):1885-1898.

[26]
Myneni R B, Hoffman S, Knyazikhin Y, et al. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data[J]. Remote Sensing of Environment, 2002, 83(1/2):214-231.

[27]
Yan K, Park T, Yan G J, et al. Evaluation of MODIS LAI/FPAR product collection 6.part 1:Consistency and improvements[J]. Remote Sensing, 2016, 8(5):359.

[28]
张虎, 李静, 张召星, 等. MuSyQ高分16米分辨率10天合成的叶面积指数产品(2018-2020年中国01版)[J]. 中国科学数据, 2022, 7(1):217-226.

Zhang H, Li J, Zhang Z X, et al. A dataset of 16m/10-day leaf area indices of MuSyQ GF-series(2018-2020,China,Version 01)[J]. China Scientific Data, 2022, 7(1):217-226.

[29]
林世滔, 谢弟炳, 刘郁林, 等. 景观格局特征与区域生物多样性的关系研究[J]. 生态环境学报, 2017, 26(10):1681-1688.

DOI

Lin S T, Xie D B, Liu Y L, et al. Study on the relationship between landscape pattern and regional biodiversity[J]. Ecology and Environmental Sciences, 2017, 26(10):1681-1688.

[30]
连虎刚, 曲张明, 刘春芳, 等. 北方防沙带河西走廊段景观格局时空演变及其防风固沙服务响应[J]. 应用生态学报, 2023, 34(9):2518-2526.

DOI

Lian H G, Qu Z M, Liu C F, et al. Spatio-temporal variation of landscape pattern and the response of windbreak and sand fixation service in Hexi Corridor of northern sand fixation belt[J]. Chinese Journal of Applied Ecology, 2023, 34(9):2518-2526.

DOI

[31]
赵方圆, 杨宇翔, 张华堂, 等. 土地利用及景观格局动态变化分析——以甘肃省党河流域为例[J]. 水土保持研究, 2021, 28(3):235-241.

Zhao F Y, Yang Y X, Zhang H T, et al. Analysis on dynamic change of land use and landscape pattern—a case study of Danghe River Basin in Gansu Province[J]. Research of Soil and Water Conservation, 2021, 28(3):235-241.

Options
Outlines

/

〈 〉