2018, Vol. 26
叶面积指数(leaf area index, LAI)是指单位地表面积上植物叶单面面积的总和[1], 是表征作物群体光合作用、蒸腾作用、净初级生产力等的重要参数[2-4], 也是对作物进行长势判断及产量估测的重要农学指标之一[5-6]。传统的作物LAI测定法以地面直接测量为主, 如长宽系数法、激光叶面积法、数码图像处理法等[7], 虽然能够直接准确地测定小范围内作物的LAI, 但对植株具有一定损伤性且耗费时力。随着遥感技术的日益发展, 高光谱遥感监测LAI进而评估农作物长势已经成为精准农业研究的热点问题之一[8]。
近年来, 国内外许多学者已经开展了针对植被LAI反演模型的研究, 主要分为物理模型法、改进型光谱特征参数法、植被指数法等。黄敬峰等[9]通过研究油菜(Brassica napus L.)叶面积指数与红边参数的相关性, 发现利用开花前的红边参数可以估算油菜的LAI; 王李娟等[10]构建了一个新型高光谱多角度植被指数HDVI, 并成功地将其应用于CHRIS/PR0BA卫星数据对LAI的估算; Duan等[11]利用基于查找表的PROSAIL模型进行3种作物[玉米(Zea mays L.)、土豆(Solanum tuberosum L.)、太阳花(Helianthus annuus L.)]的LAI反演, 并取得较优精度; 杨峰等[12]利用高光谱植被指数估测水稻(Oryza sativa L.)与小麦(Triticum aestivum L.)LAI与叶绿素密度的关系, 并分别确定了适合两种植被的最佳植被指数。物理模型虽然具有较强的机理性和通用性, 但存在病态反演问题, 同时计算量大[13];而植被指数法需要首先对高光谱信息进行特征波段选择, 许多研究通常直接根据经验或利用相关分析法提取特征波段, 这一方法过于依赖数学原理, 未将植被本身的光谱曲线特征考虑全面。相关研究[14-15]发现, 在保证数据质量的条件下, 通过增加角度信息可以提高LAI反演精度。李飞等[16]提出基于Douglas-Peucke算法的光谱曲线及影像检索(DPSR)方法, 其效果优于光谱角匹配(SAM)及光谱信息散度(SID); 戴晓爱等[17]比较了偏角光谱检索(DABSR)、十六叉树状变换(SFT)等基于规则树分组和曲线特征的检索算子与常规SAM、SID对光谱数据降维的识别效率, 发现DABSR等新型检索算子能够有效识别光谱特征并减少计算量; Huang等[18]利用主成分分析(PCA)对高光谱数据进行降维并选取有效波长对玉米籽胚进行正确分割; Palacios-Orueta等[19-21]提出角度指数进行土壤与植被的含水量估算并比植被指数取得更优精度。诸多检索算子及角度测度能够有效提取出光谱曲线特征信息, 但这些方法多应用于地物识别分类[17, 22], 涉及植被LAI反演的研究甚少; 同时, 针对植被LAI的估算模型多只适用于一类植被或植被的某一生长阶段, 对于适用于不同类型植被LAI统一估测算法的研究鲜见报道[5, 23-24]。
油菜和水稻是我国广泛种植的作物, 基于这两种作物的轮作模式在长江中下游地区十分普遍, 因此快速准确地估测其LAI有利于作物生长状况的诊断及管理。作物LAI的估测通常会受植被类型、冠层特征、栽种方式、生育期等多种因素的影响, 因此研究两种作物并对其LAI进行统一估测算法探究具有重要意义。在生长期间, 水稻的冠层主要由绿叶构成, 而油菜在生殖期出现的花和荚果会影响其冠层反射率[25], 导致两种植被的冠层反射特性不尽相同, 同时会影响LAI反演精度。本文以不同施氮水平、不同栽种方式下的油菜和不同品种的水稻为研究对象, 从高光谱曲线形态入手, 采用具有高识别精度和高检索效率的偏角光谱检索算法(DABSR)提取光谱特征波长, 利用特征波长间的光谱偏角反演LAI, 通过综合对比分析植被指数、PCA和DABSR 3种方法反演两种作物LAI的建模效果和检验精度, 探索能同时适应监测估算油菜和水稻LAI的统一算法, 为实现油菜和水稻长势精确监测和诊断提供理论依据和技术支撑。
1 研究区概况与测量方法 1.1 研究区概况2014-2015年度在湖北省武穴市梅川镇(30.11°N, 115.59°E)分别设置24个直播油菜小区和24个移栽油菜小区, 各小区面积均为20 m2, 小区间沟距0.5 m, 小区播种量为4.5 kg·hm-2, 供试品种为双低甘蓝型油菜‘华油杂9号’。氮肥处理设置8个水平, 为0 kg·hm-2、45 kg·hm-2、90 kg·hm-2、135 kg·hm-2、180 kg·hm-2、225 kg·hm-2、270 kg·hm-2和360 kg·hm-2。同时, 各处理磷、钾、硼肥用量相等, 按P2O5 90 kg·hm-2、K2O 120 kg·hm-2、硼砂15 kg·hm-2施入。每个处理均3次重复, 随机区组排列。氮、磷、钾和硼肥品种分别为尿素(含N 46%)、过磷酸钙(含P2O5 12%)、氯化钾(含K2O 60%)和十水硼砂(含B 10.7%), 全部氮、磷、钾、硼肥均一次性基施。
2017年度在海南省陵水市文官村(18.53°N, 110.05°E)设置45个小区(含45个水稻品种)进行水稻种植, 各小区面积为400 m2, 小区间距20 cm, 土壤为水稻土, 各小区氮、磷、钾肥用量均相等, 按纯氮165 kg·hm-2、P2O5 60 kg·hm-2、K2O 135 kg·hm-2一次性基施。
1.2 冠层光谱反射率观测在油菜苗期(6叶期、8叶期、10叶期)、花期、角果期和水稻孕穗期、抽穗期、乳熟期采用美国ASD FieldSpec Pro FRTM光谱仪(350~2 500 nm、视场角25°)获取距离作物冠层顶部垂直高度约1.0 m处的漫反射光谱, 测量选择在晴朗无云的天气进行, 测量时间为10:00-14:00。每个小区重复观测5次, 取平均值作为该小区的冠层光谱反射率, 并及时根据天气进行标准白板校正。油菜的5次测量时间分别为2014年11月9日和12月8日、2015年1月15日、3月12日和4月14日; 水稻的3次测量时间分别为2017年3月21日、3月31日和4月10日。为减弱仪器噪声对实际光谱数据的影响, 对1 301~2 500 nm范围内信噪比较低的波段进行剔除。
1.3 叶面积指数(LAI)测量2014-2015年期间, 油菜LAI采用英国Delta公司生产的SunScan冠层分析系统进行测量, 其工作原理是通过测量冠层顶部的入射辐射和到达冠层底部的透射福射来反推作物LAI。选取的监测点与冠层光谱测量时选取的5个点位一致, 且测量时间同步, 取其平均值作为小区LAI。
2017年, 水稻LAI采用LI-3100C台式叶面积仪进行测量。各时期每个品种剪取3株代表性水稻样本植株各层叶片, 装入保鲜袋冷藏并迅速带回实验室, 叶面积仪的压迫式滚筒能使卷曲的叶片变平, 将叶片充分展开放入滚筒中扫描得到叶面积, 面积测量分辨率为0.1 mm2。LI-3100C台式叶面积仪通过扫描获取叶面积, 其测量准确性较SunScan冠层分析系统更高。
1.4 数据处理与分析本次试验共采集216组油菜样本数据和135组水稻样本数据, 针对两种植被, 均随机选取2/3作为建模集, 剩余1/3作为验证集。分别采用植被指数法(Ⅵ)、主成分分析法与逐步回归分析法结合的估算方法(PCA-STEPWISE)、DABSR偏角光谱检索与逐步回归分析结合的估算方法(DABSR-STEPWISE)3种研究方法对油菜LAI和水稻LAI进行预测及估计, 并利用验证数据集对LAI反演模型进行精度评定。利用MATLAB 2016 a及SPSS 22.0软件对数据进行分析处理, Origin 2016进行制图, 采用决定系数R2、均方根误差RMSE及偏移量MNB对建模和预测精度进行评价。
| $ {\rm{RMSE}} = \frac{{\sqrt {\sum\nolimits_{i = {\rm{1}}}^n {{{({X_{{\rm{obs}}, \;i}} - {X_{\bmod {\rm{el}}, \;i}})}^{\rm{2}}}} } }}{n} $ | (1) |
| $ {\rm{MNB}} = \frac{{\rm{1}}}{n}\sum\nolimits_{i = {\rm{1}}}^n {\frac{{({X_{\bmod {\rm{el}}, \;i}} - {X_{{\rm{obs}}, \;i}})}}{{{X_{{\rm{obs}}, \;i}}}}} $ | (2) |
式中: n为样本总数, Xobs, i和Xmodel, i分别代表i处的实测值与反演值。
2 研究方法 2.1 植被指数结合研究区作物光谱反射率变化特征, 选用表 1中9种常见的植被指数反演LAI。对冠层光谱反射率与LAI进行Pearson相关分析, 选取相关性较强的波段构建植被指数反演LAI, 利用验证集对反演模型进行精度检验。
|
表1 植被指数计算方法及参考文献 Table 1 Algorithm and references of vegetation indices |
主成分分析(principle component analysis, PCA)是多元统计分析中的一种数据分析方法, 本质是利用较少数量的特征对样本进行描述以达到降低特征空间维数的目的[33]。由于高光谱数据相邻波段间具有强相关性, 数据冗余现象较为严重, 因此以一定采样间隔对冠层高光谱数据进行波长提取并进行主成分分析, 根据累积贡献率和载荷矩阵的权重系数大小确定特征波段, 构建回归模型。
2.3 基于偏角光谱检索法的角度回归偏角光谱检索(deflection angle based spectral retrieval, DABSR)[17]将光谱数据视为多维空间矢量, 通过计算光谱特征点间构成的偏角大小以确定光谱间的特征相似程度, 根据数据选取限差范围以选取符合的特征点, 达到降维目的(图 1)。
|
图 1 偏角光谱检索法(DABSR)基本流程 Figure 1 Basic processes of deflection angle based spectral retrieval algorithm (DABSR) 点1、2、3、4为4个特征波长, θ表示角度阈值, α1、α2为光谱偏角。 Points 1, 2, 3, 4 represent 4 sensitive bands, θ denotes the threshold set for angles, α1 and α2 refer to the angle calculated. |
该方法能够有效消除众多波长变量间的共线性影响, 降低模型的复杂度, 提高运行效率。具体步骤如下:
1) 针对光谱曲线, 按一定的波段宽度选取波段反射率特征点。从光谱曲线一端开始, 每次顺次选取曲线上的3个点, 计算第i-1、i点连线与第i-1、i+1点连线间的夹角αi-1。
| $ {\alpha _{i - {\rm{1}}}} = \arccos \frac{{({\lambda _i} - {\lambda _{i - {\rm{1}}}}, \;{\rho _i} - {\rho _{i - {\rm{1}}}}) \times ({\lambda _{i + {\rm{1}}}} - {\lambda _{i - {\rm{1}}}}, \;{\rho _{i + {\rm{1}}}} - {\rho _{i - {\rm{1}}}})}}{{\left| {{\lambda _i} - {\lambda _{i - {\rm{1}}}}, \;{\rho _i} - {\rho _{i - {\rm{1}}}}} \right| \times \left| {{\lambda _{i + {\rm{1}}}} - {\lambda _{i - {\rm{1}}}}, \;{\rho _{i + {\rm{1}}}} - {\rho _{i - {\rm{1}}}}} \right|}} $ | (3) |
式中: λi表示第i点处的波长, ρi表示第i点的光谱反射率值, αi-1为第i-1、i点连线与第i-1、i+1点连线间的光谱夹角。
2) 根据光谱数据确定阈值θ, 对阈值θ与α进行比较。为便于对样本数据进行统一回归模型的建立, 将建模数据集视作一个整体, 计算其在某一波段处的平均偏角αmean, 比较αmean与阈值θ的大小。若αmean < θ, 则删除第i点, 递归调用该算法。
| $ {\alpha _{{\rm{mean}}}}{\rm{ = }}\frac{{\sum\nolimits_{i = {\rm{1}}}^n {{\alpha _{\rm{1}}}} }}{n} $ | (4) |
3) 当无特征点可剔除时, 对特征点集进行重新编码, 并以线段连接各特征点, 近似表示原光谱曲线。
4) 构造用于LAI估算模型的光谱偏角(图 2)。针对重编码后的特征点集, 以相邻3个特征点间的连线所构成的光谱偏角作为特征角度, 进行LAI估算模型构建。
|
图 2 基于特征波长的光谱偏角变量构成 Figure 2 Spectral angles formed on the basis of sensitive bands |
表 2表明, 栽种方式、生育期、施氮水平均对油菜LAI具有显著影响且交互作用达极显著水平; 不同品种、不同生育期水稻LAI差异也达到极显著水平。上述诸多因素(栽种方式、生育期、施氮水平)对LAI有显著影响, 增加了采用统一算法构建油菜和水稻LAI估算模型的难度[34-35], 但有助于探讨构建模型算法的普适性。鉴于此, 本文暂不对以上因素逐一分开建模分析。
|
|
表2 油菜与水稻LAI样本数据方差分析 Table 2 ANOVA of rapeseed and rice LAI data |
图 3A和图 3B分别为油菜和水稻各时期的冠层光谱反射率, 其变化趋势大致相同。在生长期间, 水稻冠层主要由绿叶构成, 因此其冠层反射特性具有一般绿色植物高光谱的反射特征, 即在可见光波段处有两个吸收谷(490 nm左右的蓝谷和690 nm左右的红谷)和1个反射峰(550 nm左右的绿峰), 主要由叶片中的叶绿素造成[36];而油菜在生殖期间, 冠层会出现明显的花和荚果, 这些非叶成分的光谱会混入油菜冠层光谱, 从而造成一定影响。对比图中油菜和水稻的冠层光谱曲线发现, 在可见光波段550~720 nm处, 油菜受到花和角果的影响, 其冠层反射率相比水稻显著增加, 而在近红外波段范围受到的影响则相对较小, 这是由于近红外波段主要受植被叶的细胞结构与水分的共同影响, 呈现出绿色植被的高反射特性。
|
图 3 不同生育期作物冠层光谱反射率(A:水稻; B:油菜)及与LAI值的相关性(C:水稻; D:油菜) Figure 3 Canopy reflectance (A: rice; B: rapeseed) and correlation coefficients between LAI and reflectance (C: rice; D: rapeseed) at different growth periods |
图 3C和图 3D为水稻和油菜各时期冠层光谱反射率与LAI的相关系数, 两种植被在可见光范围内550 nm左右均出现波峰, 在500 nm及690 nm左右出现波谷, 并在730~1 100 nm范围内呈现相对稳定的正相关性。由于水稻的冠层特性, 其各时期的相关系数变化趋同, 而油菜在生殖期的冠层光谱受花和角果影响较大, 因此在可见光范围的反射率与LAI相关性会产生较大波动[9]。同时受含水量影响, 两种植被各时期近红外波段970 nm左右及1 180 nm左右呈现明显的吸收谷。综合考虑以上因素, 最终筛选出绿光550 nm、红光690 nm及近红外波段800 nm进行植被指数计算。
3.3 基于主成分分析的特征波长选择由于冠层高光谱数据冗余度高, 相邻波段间有很强的相关性, 参考PCA相关文献[37], 设定采样间隔为5 nm, 对油菜与水稻高光谱数据进行采样及主成分分析。表 3是油菜和水稻冠层光谱分别选出的前4个主成分及其对应的解释总方差, 能够解释的有效信息累计贡献率达98%~99%, 故选取这些主成分的前10个最大权重系数的波段作为表征光谱信息的最优波段。可以看出, 各主成分选取出的特征波段基本包含在同一光谱区域内, 表示每个主成分主要受1个光谱区域影响。油菜选取的特征波段分别集中在990~1 020 nm、550 nm左右、400~450 nm及1 200 nm左右, 而水稻则分布在780~820 nm、1 180~1 215 nm、360~390 nm、720~740 nm, 表明油菜在绿光、蓝光及部分近红区域包含有较多信息, 而水稻的有效信息则分布在红光、红边及部分近红区域。相关研究表明, 红吸收谷蕴含较多与水稻叶片色素含量相关的信息[38], 蓝绿光区域包含有较多油菜的叶色素信息, 而部分近红区域对两种植被的叶片细胞结构变化及叶片水含量均较为敏感[39]。
|
|
表3 油菜与水稻冠层高光谱数据PCA筛选后的最优波段排序及其贡献率 Table 3 Sorted wavebands selected by contribution rate after PCA filter of canopy hyperspectral data of rapeseed and rice |
为探究DABSR算法在不同采样间隔和阈值条件下对数据处理的影响, 本文将采样间隔分为3个水平(5 nm、10 nm、20 nm), 同时设定阈值θ为最小值与最大值间的500个等距点。以水稻为例, 图 4表示水稻冠层光谱数据经DABSR算法处理后筛选得到的波长。相关研究表明, 用于实际建模的特征波长数量应以3~5个为佳, 这样既能准确反映待测组分信息, 也能避免过拟合现象[40]。为利于后期进行逐步回归建模, 基于DABSR的角度选择旨在选出20~40个特征波长, 本文选取特征波长数量为22、26、34和40的4种情况进行分析。
|
图 4 DABSR在不同采样间隔及不同波长数量设定下筛选出的特征波长(以水稻为例, Nλ表示特征波长的个数) Figure 4 Sensitive bands selected by DABSR with different sample resolutions and various amounts of bands (rice, Nλ denotes the number of sensitive bands) |
研究表明, 当采样间隔为5 nm时, 由于波段间距离过近, 构造的光谱偏角过小, 在可见光350~ 700 nm间基本没有特征波段被选出。而当采样间隔扩大为10 nm及20 nm时, 可见光波段有明显起伏的波长能够被选出。在红边至近红反射高台的陡升区域(690~800 nm), 由于斜率较大, 5 nm和10 nm的采样间隔均在此区域选取了较多特征波长, 而实际这些点基本处于共线位置, 相较之下, 20 nm采样间隔选出的特征波长数量则比较适当。故在690~800 nm区域内, 5 nm和10 nm的采样间隔筛选效果不如20 nm。根据算法设定比较发现, 当采样间隔固定时, 随着阈值θ的增大, 选出的特征波长数量减少; 当阈值θ相同时, 特征波段的数量会随采样间隔的增大而减少。综合分析, 当采样间隔为20 nm、阈值θ为0.008 9°时, 筛选效果最优, 选出的28个特征波长在波长范围内分布有疏有密, 信息较平缓的区域基本没有波长被选取, 较好地消除了波长变量间的共线性影响。因此, 在后续建模时, 选取20 nm作为采样间隔, 水稻和油菜的阈值经DABSR计算后确定为0.008 9°和0.007 1°, 筛选出的特征波长数量分别为28与27, 故用于建模的特征角度分别为26与25个。
3.5 油菜LAI反演模型及精度验证油菜在整个生育期内植株形态及叶形变化较大[34], 一定程度上增加了准确估测油菜LAI的难度。表 4显示不同施氮水平、不同栽种方式、不同生育期下油菜LAI统一估算模型的建模效果与检验精度。植被指数估算油菜LAI的建模和预测精度较差, 建模集R2(Rcal2)和预测集的R2(Rval2)相对较小, 表明所建模型难以用于油菜LAI的统一估算。原因可能是植被指数对油菜花较为敏感, 受到花的干扰较大[41], 难以准确估计LAI; 在角果期时, 油菜叶片基本脱落, 植被覆盖度明显降低, 所测冠层光谱受土壤背景影响较大, LAI估算精度较低。
|
|
表4 油菜叶面积指数(Y)估计模型及检验 Table 4 Calibration and validation of prediction models of rapeseed LAI (Y) |
PCA-STEPWISE及DABSR-STEPWISE对LAI的估算精度较VI有显著提高,
Rcal2和Rval2均达0.7以上。尤其是DABSR-STEPWISE, 其
PCA-STEPWISE反演LAI模型:
| $ \begin{array}{l} Y = 60.98{\rho _1} - 590.65{\rho _2} - 8.69{\rho _3} + 1425.44{\rho _4} - 1058.99{\rho _5} - \\ 55.49{\rho _6} + 246.74{\rho _7} + 1.37 \end{array} $ | (5) |
式中: ρ1、ρ2、ρ3、ρ4、ρ5、ρ6和ρ7分别代表 1 030 nm、450 nm、1 295 nm、425 nm、415 nm、1 000 nm和400 nm处的波长反射率。
DABSR-STEPWISE反演LAI模型:
| $ \begin{array}{l} Y = {\rm{ }}38.10{\alpha _1} - 10.01{\alpha _2} - 4.45{\alpha _3} - 189.41{\alpha _4} + 35.24{\alpha _5} + 16.08{\alpha _6} + \\ {0.71_{}} \end{array} $ | (6) |
式中: α1、α2、α3、α4、α5和α6分别代表 730-750-770 nm、710-730-750 nm、690-710-730 nm、1 170-1 190-1 210 nm、970-990-1 050 nm和1 090-1 110-1 130 nm 3个波段处组成的偏角。
3.6 水稻LAI反演模型及精度验证表 5显示不同品种水稻在不同生育期下LAI统一估算模型的建模效果与检验精度, 进一步验证了DABSR-STEPWISE模型的稳定性。水稻在生长过程中冠层主要由绿叶构成, 仅在乳熟期时部分穗会变黄, 因此水稻的反射光谱具有绿色植被的一般特征。较之油菜, 水稻植被指数估算模型的拟合度及预测精度有一定提升, 其中效果最优的SAVI与RDVI的
|
|
表5 水稻叶面积指数(Y)估计模型及检验 Table 5 Calibration and validation of prediction models of rice LAI (Y) |
对比PCA-STEPWISE和DABSR-STEPWISE反演精度, 前者的
PCA-STEPWISE反演LAI模型:
| $ Y = 105.72{\rho _1} + 22.12{\rho _2} - 139.68{\rho _3} + 106.27{\rho _4} + 3.90 $ | (7) |
式中: ρ1、ρ2、ρ3、ρ4分别代表 720 nm、780 nm、725 nm和380 nm处的波长反射率。
DABSR-STEPWISE反演LAI模型:
| $ Y = 22.56{\alpha _1} - 232.95{\alpha _2} + 44.70{\alpha _3} + 3.53 $ | (8) |
式中: α1、α2、α3分别代表 750-770-910 nm、1 170- 1 190-1 210 nm、970-990-1 050 nm 3个波段处组成的偏角。
4 结论本文针对植被冠层高光谱数据相邻波段相似性高、信息冗余量大的问题, 在光谱波长关系的基础上, 将光谱曲线形态纳入考量, 把空间数据压缩的方法应用于LAI反演模型中, 提出了一种基于DABSR的光谱偏角回归分析方法(DABSR-STEPWISE), 对油菜和水稻两种植被进行实验, 同时将此模型与植被指数(VIs)及主成分分析(PCA-STEPWISE)进行对比, 主要结论如下:
1) 植被指数法针对水稻LAI的估算具有较优预测精度(
2) 在光谱特征信息的选择上, DABSR算法定量化地对光谱波长关系与反射率进行描述, 提取出的特征波长具有一定合理性[39]。同时, 较之传统的利用光谱反射率进行反演, 光谱偏角所构建的LAI反演模型具有较优精度, 在保证光谱信息识别精度的同时, 提高了模型计算效率, 具有一定创新性。
3) 基于油菜和水稻两种作物不同的生长特点, 其冠层光谱特性具有较大差异。针对油菜LAI反演模型的研究[41, 44]大多致力于寻找敏感波段构建植被指数, 通过区分油菜不同器官(花、叶、角果)和不同生育期[9, 41, 44]来进行估测LAI以提高精度, 故研究适应于估算水稻和油菜LAI的统一算法具有一定难度。试验结果表明, 尽管不同品种、生育期、施氮水平和栽种方式等影响因子对水稻和油菜LAI造成极显著差异, DABSR-STEPWISE算法仍然能够在此复杂情况下对油菜和水稻LAI进行统一估算并具有较高精度, 充分体现此算法的有效性与普适性, 也为实现不同植被LAI统一估测模型的构建提供了新思路。
本文提出的DABSR-STEPWISE主要是针对实测的油菜和水稻冠层高光谱数据进行处理, 之后可以进一步研究其在高光谱遥感影像中的应用效果。同时, 本文研究数据只涉及油菜和水稻的关键生长期, 在后续试验中尝试采集全生育期数据进行模型反演, 以进一步提高模型估算的准确性和适用性。
致谢 感谢华中农业大学资源与环境学院汪善勤、鲁剑巍、李岚涛和明金在田间试验布置、田间样品采集和试验生活中给予的帮助。
| [1] |
刘洋, 刘荣高, 陈镜明, 等. 叶面积指数遥感反演研究进展与展望[J]. 地球信息科学学报, 2013, 15(5): 734–743.
LIU Y, LIU R G, CHEN J M, et al. Current status and perspectives of leaf area index retrieval from optical remote sensing data[J]. Journal of Geo-Information Science, 2013, 15(5): 734–743. |
| [2] | VIÑA A, GITELSON A A, NGUY-ROBERTSON A L, et al. Comparison of different vegetation indices for the remote assessment of green leaf area index of crops[J]. Remote Sensing of Environment, 2011, 115(12): 3468–3478. DOI:10.1016/j.rse.2011.08.010 |
| [3] | SELLERS P J, DICKINSON R E, RANDALL D A, et al. Modeling the exchanges of energy, water, and carbon between continents and the atmosphere[J]. Science, 1997, 275(5299): 502–509. DOI:10.1126/science.275.5299.502 |
| [4] | ABOU-ISMAIL O. Rice yield estimation by integrating remote sensing with rice growth simulation model[J]. Pedosphere, 2004, 14(4): 519–526. |
| [5] | GITELSON A A, PENG Y, ARKEBAUER T J, et al. Relationships between gross primary production, green LAI, and canopy chlorophyll content in maize: Implications for remote sensing of primary production[J]. Remote Sensing of Environment, 2014, 144: 65–72. DOI:10.1016/j.rse.2014.01.004 |
| [6] | GITELSON A A, GRITZ Y, MERZLYAK M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves[J]. Journal of Plant Physiology, 2003, 160(3): 271–282. DOI:10.1078/0176-1617-00887 |
| [7] |
石剑飞, 殷璀艳, 冷锁虎, 等. 采用数码图像处理法测定油菜叶面积的方法探讨[J]. 中国油料作物学报, 2010, 32(3): 379–382.
SHI J F, YIN C Y, LENG S H, et al. Digital image method for rapeseed leaf area measure[J]. Chinese Journal of Oil Crop Sciences, 2010, 32(3): 379–382. |
| [8] | TANG H, BROLLY M, ZHAO F, et al. Deriving and validating leaf area index (LAI) at multiple spatial scales through lidar remote sensing: A case study in sierra national forest, CA[J]. Remote Sensing of Environment, 2014, 143: 131–141. DOI:10.1016/j.rse.2013.12.007 |
| [9] |
黄敬峰, 王渊, 王福民, 等. 油菜红边特征及其叶面积指数的高光谱估算模型[J]. 农业工程学报, 2006, 22(8): 22–26.
HUANG J F, WANG Y, WANG F M, et al. Red edge characteristics and leaf area index estimation model using hyperspectral data for rape[J]. Transactions of the CSAE, 2006, 22(8): 22–26. |
| [10] |
王李娟, 牛铮, 侯学会, 等. 基于CHRIS数据的新型植被指数的LAI估算研究[J]. 光谱学与光谱分析, 2013, 33(4): 1082–1086.
WANG L J, NIU Z, HOU X H, et al. The study of LAI estimation using a new vegetation index based on CHRIS data[J]. Spectroscopy and Spectral Analysis, 2013, 33(4): 1082–1086. |
| [11] | DUAN S B, LI Z L, WU H, et al. Inversion of the PROSAIL model to estimate leaf area index of maize, potato, and sunflower fields from unmanned aerial vehicle hyperspectral data[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 26: 12–20. DOI:10.1016/j.jag.2013.05.007 |
| [12] |
杨峰, 范亚民, 李建龙, 等. 高光谱数据估测稻麦叶面积指数和叶绿素密度[J]. 农业工程学报, 2010, 26(2): 237–243.
YANG F, FAN Y M, LI J L, et al. Estimating LAI and CCD of rice and wheat using hyperspectral remote sensing data[J]. Transactions of the CSAE, 2010, 26(2): 237–243. |
| [13] |
赵娟, 黄文江, 张耀鸿, 等. 冬小麦不同生育时期叶面积指数反演方法[J]. 光谱学与光谱分析, 2013, 33(9): 2546–2552.
ZHAO J, HUANG W J, ZHANG Y H, et al. Inversion of leaf area index during different growth stages in winter wheat[J]. Spectroscopy and Spectral Analysis, 2013, 33(9): 2546–2552. |
| [14] |
杨贵军, 黄文江, 王纪华, 等. 多源多角度遥感数据反演森林叶面积指数方法[J]. 植物学报, 2010, 45(5): 566–578.
YANG G J, HUANG W J, WANG J H, et al. Inversion of forest leaf area index calculated from multi-source and multi-angle remote sensing data[J]. Chinese Bulletin of Botany, 2010, 45(5): 566–578. |
| [15] |
廖钦洪, 张东彦, 王纪华, 等. 基于多角度成像数据的新型植被指数构建与叶绿素含量估算[J]. 光谱学与光谱分析, 2014, 34(6): 1599–1604.
LIAO Q H, ZHANG D Y, WANG J H, et al. Assessment of chlorophyll content using a new vegetation index based on multi-angular hyperspectral image data[J]. Spectroscopy and Spectral Analysis, 2014, 34(6): 1599–1604. |
| [16] |
李飞, 周成虎, 陈荣国. 基于光谱曲线形态的高光谱影像检索方法研究[J]. 光谱学与光谱分析, 2008, 28(11): 2482–2486.
LI F, ZHOU C H, CHEN R G. Spectral curve shape feature- based hyperspectral remote sensing image retrieval[J]. Spectroscopy and Spectral Analysis, 2008, 28(11): 2482–2486. DOI:10.3964/j.issn.1000-0593(2008)11-2482-05 |
| [17] |
戴晓爱, 贾虎军, 吴芬芳, 等. 空间数据压缩的高光谱降维技术比较[J]. 遥感信息, 2017, 32(2): 107–112.
DAI X A, JIA H J, WU F F, et al. Comparative analysis of hyperspectral dimensionality reduction technology on spatial data compression[J]. Remote Sensing Information, 2017, 32(2): 107–112. |
| [18] | HUANG W Q, LI J B, ZHANG C, et al. Identification of maize kernel embryo based on hyperspectral imaging technology and PCA[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(S2): 243–247. |
| [19] | Palacios-Orueta A, Khanna S, Litago J, et al. Assessment of NDVI and NDWI spectral indices using MODIS time series analysis and development of a new spectral index based on MODIS shortwave infrared bands[C]//International Conference on Remote Sensing and Geoinformation Processing in the Assessment and Monitoring of Land Degradation and Desertification. Trier, Germany. 2005 |
| [20] | KHANNA S, PALACIOS-ORUETA A, WHITING M L, et al. Development of angle indexes for soil moisture estimation, dry matter detection and land-cover discrimination[J]. Remote Sensing of Environment, 2007, 109(2): 154–165. DOI:10.1016/j.rse.2006.12.018 |
| [21] |
邓兵, 杨武年, 慕楠, 等. 基于光谱分析与角度斜率指数的植被含水量研究[J]. 光谱学与光谱分析, 2016, 36(8): 2546–2552.
DENG B, YANG W N, MU N, et al. The research of vegetation water content based on spectrum analysis and angle slope index[J]. Spectroscopy and Spectral Analysis, 2016, 36(8): 2546–2552. |
| [22] |
卫俊霞, 相里斌, 高晓惠, 等. 基于K-均值聚类与夹角余弦法的多光谱分类算法[J]. 光谱学与光谱分析, 2011, 31(5): 1357–1360.
WEI J X, XIANG L B, GAO X H, et al. The multi-spectra classification algorithm based on K-means clustering and spectral angle cosine[J]. Spectroscopy and Spectral Analysis, 2011, 31(5): 1357–1360. |
| [23] | KIRA O, NGUY-ROBERTSON A L, ARKEBAUER T J, et al. Informative spectral bands for remote green LAI estimation in C3 and C4 crops[J]. Agricultural and Forest Meteorology, 2016(218/219): 243–249. |
| [24] | VERRELST J, CAMPS-VALLS G, MUÑOZ-MARÍ J, et al. Optical remote sensing and the retrieval of terrestrial vegetation bio-geophysical properties - A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108: 273–290. DOI:10.1016/j.isprsjprs.2015.05.005 |
| [25] | GE S, EVERITT J, CARRUTHERS R, et al. Hyperspectral characteristics of canopy components and structure for phenological assessment of an invasive weed[J]. Environmental Monitoring and Assessment, 2006, 120(1/3): 109–126. |
| [26] | ROUSE J W, HAAS R H, SCHELL J A, et al. Monitoring vegetation systems in the great plains with ERTS[C]// Proceedings of the 3rd ERTS Symposium. Washington, DC: NASA, 1973: 309-317 |
| [27] | JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663–666. DOI:10.2307/1936256 |
| [28] | TUCKER C J. A spectral method for determining the percentage of green herbage material in clipped samples[J]. Remote Sensing of Environment, 1980, 9(2): 175–181. DOI:10.1016/0034-4257(80)90007-3 |
| [29] | GOEL N S, QIN W H. Influences of canopy architecture on relationships between various vegetation indices and LAI and FPAR: A computer simulation[J]. Remote Sensing Reviews, 1994, 10(4): 309–347. DOI:10.1080/02757259409532252 |
| [30] | HUETE A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295–309. DOI:10.1016/0034-4257(88)90106-X |
| [31] | ROUJEAN J L, BREON F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements[J]. Remote Sensing of Environment, 1995, 51(3): 375–384. DOI:10.1016/0034-4257(94)00114-3 |
| [32] | CHEN J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications[J]. Canadian Journal of Remote Sensing, 1996, 22(3): 229–242. DOI:10.1080/07038992.1996.10855178 |
| [33] |
霍雷刚, 冯象初. 基于主成分分析和字典学习的高光谱遥感图像去噪方法[J]. 电子与信息学报, 2014, 36(11): 2723–2729.
HUO L G, FENG X C. Denoising of hyperspectral remote sensing image based on principal component analysis and dictionary learning[J]. Journal of Electronics & Information Technology, 2014, 36(11): 2723–2729. |
| [34] |
左青松, 蒯婕, 杨士芬, 等. 不同氮肥和密度对直播油菜冠层结构及群体特征的影响[J]. 作物学报, 2015, 41(5): 758–765.
ZUO Q S, KUAI J, YANG S F, et al. Effects of nitrogen fertilizer and planting density on canopy structure and population characteristic of rapeseed with direct seeding treatment[J]. Acta Agronomica Sinica, 2015, 41(5): 758–765. |
| [35] | LIU T J, XU T, YAO J, et al. Quantitative relationship between leaf area index and canopy reflectance spectra of rice under different nitrogen levels[J]. Agricultural Basic Science and Technology, 2016, 17(11): 2446–2448. |
| [36] |
王福民, 王渊, 黄敬峰. 不同氮素水平油菜冠层反射光谱特征研究[J]. 遥感技术与应用, 2004, 19(2): 80–84.
WANG F M, WANG Y, HUANG J F. Spectra characteristics of rape canopy at different nitrogen levels[J]. Remote Sensing Technology and Application, 2004, 19(2): 80–84. |
| [37] |
李志花, 冯美臣, 王超, 等. 冬小麦高光谱信息提取方法的研究[J]. 山西农业大学学报:自然科学版, 2015, 35(5): 467–473.
LI Z H, FENG M C, WANG C, et al. The study of winter wheat hyperspectral information extraction method[J]. Journal of Shanxi Agricultural University: Natural Science Edition, 2015, 35(5): 467–473. |
| [38] |
郑雯, 明金, 杨孟克, 等. 基于波段深度分析和BP神经网络的水稻色素含量高光谱估算[J]. 中国生态农业学报, 2017, 25(8): 1224–1235.
ZHENG W, MING J, YANG M K, et al. Hyperspectral estimation of rice pigment content based on band depth analysis and BP neural network[J]. Chinese Journal of Eco-Agriculture, 2017, 25(8): 1224–1235. |
| [39] |
梁顺林, 李小文, 王锦地, 等. 定量遥感[M]. 北京: 科学出版社, 2013: 54-70.
LIANG S L, LI X W, WANG J D, et al. Quantitative Remote Sensing[M]. Beijing: China Science Publishing, 2013: 54-70. |
| [40] |
高洪智, 卢启鹏, 丁海泉, 等. 基于连续投影算法的土壤总氮近红外特征波长的选取[J]. 光谱学与光谱分析, 2009, 29(11): 2951–2954.
GAO H Z, LU Q P, DING H Q, et al. Choice of characteristic near-infrared wavelengths for soil total nitrogen based on successive projection algorithm[J]. Spectroscopy and Spectral Analysis, 2009, 29(11): 2951–2954. DOI:10.3964/j.issn.1000-0593(2009)11-2951-04 |
| [41] | FANG S H, TANG W C, PENG Y, et al. Remote estimation of vegetation fraction and flower fraction in oilseed rape with unmanned aerial vehicle data[J]. Remote Sensing, 2016, 8(5): 416. DOI:10.3390/rs8050416 |
| [42] |
佘宝, 黄敬峰, 石晶晶, 等. 基于红边位置变化特征的油菜种植区域提取[J]. 农业工程学报, 2013, 29(15): 145–152.
SHE B, HUANG J F, SHI J J, et al. Extracting oilseed rape growing regions based on variation characteristics of red edge position[J]. Transactions of the CSAE, 2013, 29(15): 145–152. DOI:10.3969/j.issn.1002-6819.2013.15.018 |
| [43] |
李鑫川, 徐新刚, 鲍艳松, 等. 基于分段方式选择敏感植被指数的冬小麦叶面积指数遥感反演[J]. 中国农业科学, 2012, 45(17): 3486–3496.
LI X C, XU X G, BAO Y S, et al. Retrieving LAI of winter wheat based on sensitive vegetation index by the segmentation method[J]. Scientia Agricultura Sinica, 2012, 45(17): 3486–3496. |
| [44] |
马驿, 汪善勤, 李岚涛, 等. 基于高光谱的油菜叶面积指数估计[J]. 华中农业大学学报, 2017, 36(2): 69–77.
MA Y, WANG S Q, LI L T, et al. Prediction of rapeseed leaf area index based on hyperspectal data[J]. Journal of Huazhong Agricultural University, 2017, 36(2): 69–77. |