探索叶面积指数的时空变异性及其对地表温度的影响：以香港为例的城市尺度分析

《Urban Forestry & Urban Greening》：Exploring the Spatiotemporal Variability of Leaf Area Index and Its Influence on Land Surface Temperature: A City-Scale Analysis in Hong Kong

高分辨率（20米）LAI制图融合机器学习、LiDAR与Sentinel-2数据，揭示香港城市异质景观中LAI的时空模式及与地表温度的负相关关系，提出LAI≥1.4的局部降温关键阈值。

　　

张朝然|陈然|卢星成|黄国健|李文凯|程凯|马秦|徐远|冯桐|郭清华

香港中文大学地理与资源管理系，中国香港特别行政区

摘要

叶面积指数（LAI）是控制城市环境中植被-大气相互作用和生态系统服务的关键生物物理参数。然而，大多数基于卫星的粗分辨率LAI产品无法解析城市中的细尺度植被异质性。为了解决这一问题，我们结合了机器学习技术、机载光探测与测距（LiDAR）数据以及Sentinel-2多光谱数据，对香港异质的城市景观进行了高分辨率（20米）LAI制图。我们使用了三种机器学习方法来建立LAI估算模型，其中随机森林模型取得了最佳的准确性（R² = 0.71，RMSE = 0.98）。空间分析显示了明显的城乡梯度以及不同土地利用类型之间的显著差异，涵盖了从密集森林（LAI > 4.0）到城市核心区域（LAI < 1.0）的LAI分布模式。时间分析高分辨率地捕捉到了植被动态变化，包括农业用地的季节性周期和林地落叶模式。研究表明，城市LAI与地表温度和昼夜温差之间存在显著负相关，当城市LAI ≥ 1.4时，标志着局部降温的关键阈值。20米分辨率的LAI地图能够精确量化城市植被分布，为有针对性的城市热缓解策略和生态系统服务评估提供支持。本研究强调了为城市地区生成高分辨率生物物理数据的重要性，这有助于增强生态监测，并提高我们对植被（通过LAI）对城市地表温度影响的理解。研究结果为有针对性的热缓解措施和可持续城市发展提供了可行的见解。

引言

叶面积指数（LAI）定义为单位地面面积上的总叶面积的一半（Chen & Black, 1992），是控制植被-大气相互作用的关键生物物理参数。它也是陆地生态和水文模型中不可或缺的植被参数（Chatterjee et al., 2025, Partridge et al., 2021）。作为生态系统过程的核心结构参数，它在辐射截获、降水截获、能量转换和水分平衡过程中起着关键作用，并被全球气候观测系统（GCOS）列为基本气候变量之一（Alton, 2016）。城市树木在有效缓解城市热岛效应（UHI）、过滤空气污染物（Wallace et al., 2021）以及通过光合作用固碳（Davies et al., 2011）方面发挥着重要作用。因此，为城市地区生成高分辨率LAI产品是必要且重要的。

传统的野外LAI测量方法包括直接采样（通过落叶收集叶片）或间接光学方法（基于比尔-朗伯定律的间隙分数或透射率方法；Fang et al., 2014; Yan et al., 2024）。然而，这些方法往往劳动密集且耗时，难以大规模应用。因此，野外测量的LAI数据通常被用作遥感验证的参考数据。

随着遥感技术的进步，现在可以大规模和长期地监测LAI。基于遥感的LAI估算依赖于被动光学传感器或主动光探测与测距（LiDAR）获取的数据。光学遥感系统已成为大规模LAI估算的基石。例如，自2000年以来，MODIS数据已被用于全球LAI产品的提供（Myneni et al., 2002），而基于MODIS数据的全球陆地表面卫星（GLASS）LAI产品也在各种研究中得到广泛应用（Huang et al., 2023, Jin et al., 2017）。值得注意的是，Ma & Liang（2022）使用双向长短期记忆（Bi-LSTM）方法生成了GLASS V6 LAI产品（250米空间分辨率），显示出非常高的准确性。然而，由于MODIS（500米）和GLASS LAI产品（250米）的空间分辨率相对较低，这些数据集在准确描述城市中的破碎景观（如城市绿地）方面存在显著局限性。

为了更准确地量化异质城市环境中的LAI，Sentinel-2多光谱成像系统凭借其独特的红边波段组合和高时空分辨率（10米可见光/NIR，20米红边，60米SWIR，单颗卫星10天周期，星座5天周期），提供了前所未有的观测和技术能力。因此，Sentinel-2在众多LAI监测和检索研究中得到了广泛应用（Kamenova and Dimitrov, 2021, Qiao et al., 2024）。例如，Sun et al.（2021）利用Sentinel-2数据估算了中国北方平原的LAI，证明了其在区域尺度监测中的有效性。Zhang et al.（2019）使用Sentinel-2图像结合SupReMe算法生成了高空间分辨率图像，提高了夏季玉米冠层LAI的检索准确性。Ma et al.（2025）基于他们的GLASS产品结合Sentinel-2数据生成了20米高分辨率的升级版Hi-GLASS。然而，尽管Sentinel-2具有高空间和时间分辨率，其LAI检索应用主要集中在局部或均匀植被区域（如农田、森林），在大型异质城市环境中的应用有限。特别是，尚未系统探索不同城市土地利用类型（如住宅区、工业区和绿地）的LAI时间动态，这阻碍了对城市植被物候的评估。

从Sentinel-2准确估算LAI需要可靠的参考数据进行模型校准和验证。LiDAR作为一种主动遥感技术，可以作为重要的参考LAI数据来源。它通过从三维点云数据计算出的激光穿透率（LPMs）来间接估算LAI（Richardson et al., 2009, Zhao and Popescu, 2009）。例如，Alonzo et al.（2015）使用机载LiDAR数据和间隙分数模型估算城市森林的LAI，与半球照片LAI相比，R² = 0.82。Y. Wang et al.（2023）结合地面和机载LiDAR基于间隙分数方法估算森林LAI剖面，地面LiDAR的R² = 0.97，机载LiDAR的R² = 0.86。虽然机载LiDAR提供了出色的垂直结构信息，但其高昂的运营成本通常限制了频繁的大规模重复观测。因此，在城市研究中，机载LiDAR数据最适合作为校准或验证来自更频繁获取的卫星数据（如Sentinel-2）的LAI产品的空间精确参考源。

在这项工作中，我们开发了一个框架，将可用的机载LiDAR数据与时间序列Sentinel-2图像相结合，用于香港异质城市景观的高分辨率LAI检索。我们利用机器学习建立了Sentinel-2特征与LiDAR衍生LAI之间的关系，并在Sentinel-2图像可用时投影不同时间段的LAI数据。如表S1所总结的，现有的机器学习-LiDAR-LAI研究主要集中在均匀环境（如森林、农田）或局部UAV-LiDAR应用上，而大规模城市精细尺度LAI制图仍较少探索。我们的结果为LiDAR覆盖稀疏的城市提供了实用的解决方案。利用生成的LAI数据集，我们进一步研究了不同城市土地利用类型下的LAI时空动态，填补了理解异质城市环境中植被时空动态的关键空白。近期研究展示了城市植被在缓解UHI效应中的关键作用（表S2），使用了来自高分辨率图像和全球冠层高度产品的土地覆盖比例、植被指数和冠层结构信息等指标（Chakraborty & Lee, 2019; X. Li et al., 2017; Middel et al., 2014; Schwarz et al., 2012）。在此基础上，我们的研究特别关注一个具有生物物理意义的变量——叶面积指数——以高空间分辨率和多时间覆盖进行映射，以探讨城市植被结构如何调节密集亚热带大城市的地表温度。在手稿的后续部分，第2节描述了本研究使用的数据集和方法。第3节展示了香港高分辨率LAI的时空模式，并量化了其与城市热指标的相关性。讨论和结论分别位于第4节和第5节。

研究区域

本研究以中国香港特别行政区（22°15′N - 22°33′N, 113°50′E - 114°30′E）作为研究区域。香港的特点是明显的城乡二元分化，快速的城市化导致植被破碎化，城市绿地供应有限（人均约2平方米），而超过40%的领土被保留为以亚热带常绿阔叶林为主的乡村公园（Ng et al., 2012）。这种常绿植被的优势延伸至...

机器学习模型评估

在10折交叉验证中，随机森林（RF）取得了最高的准确性（R² = 0.71，RMSE = 0.98；见图2a和表1）。其估算结果与LiDAR衍生的LAI高度吻合，数据点紧密聚集在1:1线上，优于XGBoost（R² = 0.70，RMSE = 0.99）和MLR（R² = 0.68，RMSE = 1.02）。相对于RF的性能，XGBoost的相对RMSE下降了1.15%，MLR下降了3.62%。

所有模型的独立验证（表1）通过保留法进行

讨论

本研究通过机器学习整合了机载LiDAR和Sentinel-2多光谱数据，系统地量化了异质城市景观中高分辨率（20米）LAI的时空动态，揭示了植被在调节城市微气候中的局部作用。高分辨率多光谱卫星（如Landsat-8、Sentinel-2、GF-6）在局部研究中推进了精细尺度的LAI估算（R² = 0.6 - 0.8；Gokool et al., 2022; Kamenova & Dimitrov, 2021）和均匀...

结论

本研究通过融合LiDAR和Sentinel-2数据并利用机器学习，实现了香港异质景观的高分辨率（20米）时空映射。随机森林模型优于XGBoost和MLR，捕捉了从密集森林到城市核心区域的精细尺度模式。进一步的空间分析显示了城市与非城市区域之间的明显差异，不同土地利用类型的LAI有显著变化。城市核心区域的LAI值较低，而...

未引用的参考文献

(Wang et al. (2023))

CRediT作者贡献声明

郭清华：撰写 – 审稿与编辑。徐远：撰写 – 审稿与编辑。冯桐：撰写 – 审稿与编辑。张朝然：撰写 – 审稿与编辑，撰写 – 原稿，软件，正式分析。陈然：撰写 – 审稿与编辑，撰写 – 原稿，可视化，数据管理。卢星成：撰写 – 审稿与编辑，方法论，概念化。程凯：撰写 – 审稿与编辑。马秦：撰写 – 审稿与编辑。黄国健：撰写 – 审稿与...

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

致谢

本文所述工作部分得到了中国香港特别行政区研究资助委员会（项目编号C6001-24Y）的资助。