夏玉米葉面積指數遙感反演研究

劉　珺　龐　鑫　李彥榮　杜靈通

(1.太原理工大學安全技術與工程博士后科研流動站， 太原 030024；2.山西省交通科學研究院博士后科研工作站， 太原 030006； 3.太原理工大學礦業工程學院， 太原 030024；4.寧夏大學西北退化生態系統恢復與重建教育部重點實驗室， 銀川 750021)

?

夏玉米葉面積指數遙感反演研究

劉珺1,2龐鑫3李彥榮3杜靈通4

(1.太原理工大學安全技術與工程博士后科研流動站， 太原 030024；2.山西省交通科學研究院博士后科研工作站， 太原 030006； 3.太原理工大學礦業工程學院， 太原 030024；4.寧夏大學西北退化生態系統恢復與重建教育部重點實驗室， 銀川 750021)

利用LAI-2000的觀測數據與基于HJ衛星遙感數據生成的植被指數，結合3種常用的回歸模型，構造了夏玉米分別按全生育期、不同生育階段和閾值分段的葉面積指數(Leaf area index, LAI)反演模型；獲取了3種模式下LAI的最優反演模型；在驗證和評價各模型可靠性之后，生成了夏玉米在營養生長期、抽雄期和生殖生長期的LAI分布圖；并將基于HJ影像反演得到的LAIHJ與MODIS LAI產品(MOD15A2)LAIM進行了對比。研究發現，與各種通用植被指數相比，針對HJ CCD數據構造的環境植被指數HJVI與LAI的相關性在3種反演模式中均為最佳。HJVI與全生育期LAI的相關性達到0.875，在不同生育階段與LAI的相關性也高于其他植被指數(營養生長期線性模型最佳，決定系數為0.769；抽雄期對數模型最佳，決定系數為0.783；生殖生長期指數模型最佳，決定系數為0.703)。普適性植被指數中，OSAVI適用于夏玉米生長前中期的LAI反演，NDVI適用于夏玉米生長后期的LAI反演。在夏玉米全生育期內，各植被指數與LAI的相關性整體較高，但最優回歸模型出現在按不同生育階段反演的模式中。LAI小于3時EVI為精度最佳指數(決定系數為0.358)，LAI不小于3時OSAVI為精度最佳指數(決定系數為0.515)。在夏玉米3個生育階段，LAIM與LAIHJ的相關性分別達到0.732、0.761、0.661。HJ遙感數據具有較強的LAI反演能力，其高時間和高空間分辨率的特征可以使其代替傳統的中分辨率遙感數據而成為農業遙感研究的重要數據源。

夏玉米； 葉面積指數； 反演； 植被指數； HJ衛星

引言

葉面積指數(Leaf area index, LAI)被定義為地面面積上綠色葉子的單面面積之和，是描述植被生長狀況的重要參數之一[1]，在植被碳、水循環中起著重要作用[2]。作物是生態系統的重要組成部分，LAI是反映作物產量、光合作用能力、生長健康狀況的重要指標[3]。

傳統的葉面積指數一般采用直接測量法，直接測量法包括收獲測量法、落葉收集法和異速生長測量法，但由于該方法耗時、耗力、工作量大，且對農作物具有一定的破壞性，因此其應用受到一定的限制。

利用遙感技術反演LAI已成為近年來植被遙感領域的研究熱點。利用遙感反演LAI的方法主要為經驗模型法和物理模型法。物理模型法包括幾何光學模型法、輻射傳輸模型法和混合模型法。它是目前反演全球1 km尺度LAI產品的主流算法。雖然物理模型法具有較高的LAI反演精度，但其受傳感器覆蓋范圍和獲取時相的制約較大[4]，且物理模型法需要的輸入參數不但難以獲取，而且本身帶有一定誤差，同時其反演精度受模型模擬精度、查表精度、實測數據采集精度等因素的影響[5]。而經驗模型法是利用實測LAI與植被指數VI(Vegetation index)建立可靠的回歸模型，從而間接求得大范圍內LAI的方法。由于植被指數本身具有克服干擾因素的特點，因此經驗模型法簡化了冠層內光子的復雜傳輸過程，減少了參數的不確定性，提高了LAI估算精度，是廣域范圍內低成本估算LAI的有效方法，已成為進行小區域LAI反演的常用方法[6]。

由于遙感數據捕獲的空間變異特性有利于調整區域內作物和土壤特性，因此高時間、高空間分辨率的遙感數據在經驗模型中具有不可替代的位置[7]。地物在可見光的反射可用來控制土壤背景的干擾，而在近紅外波段的反射則可探測大范圍內的動態波動[8]。因此，由可見光和近紅外波段組合而成的植被指數被廣泛地應用于LAI反演研究中。其中歸一化植被指數(Normalized difference vegetation index, NDVI)是目前應用最廣的植被指數，但是它受土壤背景影響較大，且容易達到飽和；為了彌補這個缺點，提出了土壤調節植被指數(Soil adjusted vegetation index, SAVI)、優化的土壤調節植被指數(Optimized soil adjusted vegetation index, OSAVI)和修正的土壤調節植被指數(Modified soil adjusted vegetation index, MSAVI)[9-11]；而為了提高LAI較大時的敏感度、減少大氣干擾，增強型植被指數(Enhanced vegetation index, EVI)也被較多地應用于LAI反演[12-13]。在LAI反演研究中，學者們還應用了其他植被指數。如譚昌偉等[14]通過測定不同時期的夏玉米冠層光譜反射率與LAI，探索了比值植被指數(Ratio vegetation index, RVI)等10種植被指數與LAI的相關性，利用R810/R560與LAI之間的極其顯著相關性，高精度地反演了夏玉米的葉面積指數。趙虎等[15]利用NDVI、EVI、RVI、SAVI等反演了冬小麥葉面積指數，證明了葉面積指數和不同植被指數之間有較強的相關關系。YANG等[16]利用NDVI、EVI反演夏玉米LAI，通過比較發現EVI的反演精度高于NDVI。賈玉秋等[17]在分析GF-1和Landsat-8譜段特征的基礎上，利用紅光、藍光和綠光的不同組合構成的歸一化植被指數(NDVI、GNDVI、BNDVI、GRNDVI、GBNDVI、BRNDVI、PNDVI)分別反演了玉米的葉面積指數，說明采用高空間分辨率的數據可以提高LAI估算精度。趙娟等[18]采用分生育期反演的辦法，分別基于寬波段植被指數(OSAVI、NDVI、EVI、TVI、NDGI、RVI)和窄波段植被指數(NDVI705、mRVI705、mNDVI705、VOGI)反演了不同生育期的冬小麥LAI，有效改善了冬小麥LAI的反演精度。蘇偉等[19-20]用激光雷達數據精確研究了農作物冠層參數與葉面積指數之間的關系。可以看出，已有研究集中于2方面：利用窄波段植被指數探求高精度反演LAI的模型；通過細化和改進反演方法，利用寬波段植被指數估算LAI。這些研究都存在一些問題：與寬波段植被指數比較，構建窄波段植被指數對數據來源要求較高，不易獲得，且數據處理工作繁重；大多數研究使用的是已經過驗證的TM、SPOT、MODIS等國外的遙感數據，較少使用國產數據。

HJ衛星是我國自主研發的資源環境衛星，已被應用于各個領域，其中農業領域的研究也不少，但是針對LAI反演的精細研究尚不多見。為了驗證HJ衛星在LAI估算方面的能力，同時得到更高的夏玉米LAI反演精度，本文以太原市為例，利用我國自主研發的HJ衛星CCD遙感數據生成的寬波段植被指數，分別從全生育期、不同生育階段和LAI閾值分段3個角度反演夏玉米LAI。通過探索不同模式下各植被指數與實測夏玉米LAI之間的相關關系，建立回歸模型，進一步探尋在遙感數據空間分辨率一定的前提下，有效提高夏玉米葉面積指數反演精度的途徑和方式，并驗證我國HJ衛星在精細農業方面的應用能力。

1　研究區概況

圖1　太原市HJ假彩色(432)合成圖及采樣點Fig.1　HJ-1 composited image for band 4,3,2 of Taiyuan city and sample points

太原地區(111°30′E～113°09′ E， 37° 27′N～38°25′ N，圖1)下轄太原市市轄區、古交市、清徐縣、婁煩縣、陽曲縣等地區。區域內糧食作物面積為7.33萬hm2，其中夏玉米播種面積約5萬hm2，占全省夏玉米面積的68%。區域內種植的夏玉米主要為春播中晚熟型，其生育期為4月中旬—9月下旬。具體為：4月中旬播種，5月初出苗，5月中旬—6月中旬為夏玉米拔節期，之后隨著溫度逐漸升高，夏玉米生長加速，到7月中旬夏玉米進入抽雄期，8月中旬—9月上旬為灌漿期，9月中下旬時，夏玉米逐漸成熟，到9月底、10月初時收獲。全生育期103～133 d，為一年一熟的純作夏玉米。

2　數據與方法

2.1數據獲取

2.1.1夏玉米LAI觀測

利用美國LI-COR公司生產的LAI-2000型植被冠層儀進行野外夏玉米LAI數據采集和測量。為了全面獲取研究區夏玉米的葉面積指數，根據夏玉米種植面積和密度，在研究區所轄行政區(太原市市轄區、陽曲縣、婁煩縣、古交市和清徐縣)內共選取了18個夏玉米地塊的162個點進行葉面積指數測量(圖1)，樣點LAI最大值為4.20，最小值為0.90，均值為2.45，標準差為0.67。樣方的選擇是根據夏玉米長勢和植株密度確定的，參考HJ數據分辨率，將地塊大小設置為30 m×30 m，并利用Mobil Mapper 6 GPS觀測和記錄了定位點信息。測量日期為2015年7月中旬—9月下旬，共進行了3次。

2.1.2植被指數的選擇

選用NDVI、EVI、差值植被指數(Difference vegetation index, DVI)、RVI、OSAVI、3波段植被指數(Triangular vegetation index, TVI)6種應用廣泛的典型植被指數[14-21]和專門針對HJ CCD數據構造的環境植被指數(Huanjing vegetation index, HJVI)[22]估算夏玉米LAI。各植被指數計算公式及來源如表1所示。

表1　各植被指數計算公式Tab.1　Overview of spectral vegetation indices

注：ρNIR、ρR、ρG、ρB分別為植被在近紅外、紅光、綠光、藍光波段的反射率。

2.1.3HJ CCD遙感數據

為了將遙感影像與地面實測數據進行匹配，從中國資源衛星應用中心(http:∥www.cresda.com/n16/index.html)獲取了與地面LAI觀測日期同步的HJ-1 CCD影像，分別得到7月29日、8月22日、9月19日太原市HJ影像。利用采集的地面控制點對影像進行了幾何校正、輻射校正、大氣校正、研究區裁剪等預處理，其中幾何校正誤差控制在0.5個像元內，輻射校正根據資源衛星應用中心提供的定標參數進行，大氣校正采用6S模型進行，利用研究區矢量圖對大氣校正后的影像進行裁剪，最終得到研究區各時相反射率影像。

根據表1中的公式，生成各生育期的NDVI、EVI、DVI、RVI、OSAVI、TVI影像。為了減小因幾何校正造成的定位誤差，夏玉米樣點植被指數取GPS采樣點周圍3像元×3像元的平均值。

2.1.4MODIS LAI產品

從美國地質勘探局(http:∥lpdaac.usgs.gov/)下載研究區MODIS葉面積指數和光合有效輻射產品(MOD15A2)，軌道號為h26v05，產品空間分辨率為1 km，時間分辨率為8 d。利用ENVI軟件對下載的數據進行了轉投影、裁剪等處理，得到研究區葉面積指數影像。

2.2LAI估算模型的構建與比較

將實測LAI按照2∶1的比例分開，選取其中的98個數據用于模型反演。通過獲取相應點的HJ植被指數，構建夏玉米LAI反演模型。分別按照全生育期、不同生育階段和LAI閾值分段3種方法進行建模。

2.2.1全生育期建模

在多種的回歸模型中，當樣本量較大時，線性模型被認為是最具說服力的回歸模型，因此，研究構建了全生育期內VI與LAI的線性回歸模型。將98個樣點的NDVI、EVI、DVI、RVI、OSAVI、TVI與夏玉米全生育期的LAI值一一對應，進行回歸分析，得到整個生育期內各植被指數與LAI的線性相關性及其回歸模型(表2)，并以決定系數R2為指標評價各模型的可靠性。

從表2中可以看出，各線性模型中，HJVI與LAI的相關性最高；其余植被指數與LAI的相關性由大到小分別為RVI、EVI、NDVI、OSAVI、DVI、TVI。

2.2.2不同生育階段建模

雖然全生育期反演得到了較好的LAI反演精度，但細節性不足。其反演結果具有較好的整體性，但不足以為監測作物長勢、估算作物產量提供詳細信息。為了提高夏玉米LAI反演精度，使研究結果可以得到更好地推廣應用，按照不同生育階段對夏玉米LAI進行反演。

表2　全生育期各植被指數與葉面積指數線性相關性Tab.2　Correlativity between VIs and LAI in whole growth period

作物的生育過程可以分為營養生長期、生殖生長期和抽雄期3個階段。營養生長期是綠色植物根、莖、葉等營養器官的生長階段。生殖生長期是植物花、果實、種子等生殖器官形成的時期。對夏玉米而言，抽雄期為營養生長和生殖生長的轉折點，也是作物葉面積指數達到峰值的時期。

根據營養生長期、抽雄期和生殖生長期3個階段對夏玉米LAI進行反演建模。在實地調查研究區夏玉米生長情況的基礎上，3個生育期分別選擇7月29日、8月22日和9月14日。分別將各生育期植被指數與對應點實測LAI值進行回歸分析，得到不同生育階段各植被指數與LAI的線性、對數、指數3種回歸模型，如圖2所示。

圖2　不同生育階段各植被指數與葉面積指數3種模型相關性Fig.2　Correlativity between VIs and LAI in different growth stages of summer maize

從圖中可以看出，3個生育期內，相關性最高的回歸模型分別為HJVI與LAI在營養生長期的線性模型(R2=0.769)、抽雄期的對數模型(R2=0.783)、生殖生長期的指數模型(R2=0.703)。除HJVI之外，營養生長期內，普適性植被指數中，OSAVI與LAI的線性模型相關性最高，R2=0.724，其次為NDVI與LAI的線性模型、EVI與LAI的指數模型、TVI與LAI的線性模型、RVI與LAI的線性模型、DVI與LAI的線性模型，其中DVI與LAI的指數關系最差(R2=0.486)。抽雄期內，OSAVI與LAI的相關性最高，且二者的相關性明顯優于其他植被指數與LAI的相關性。在OSAVI與LAI的3種模型中，指數模型相關性最佳，R2為0.749，其余依次為NDVI與LAI的指數模型、DVI與LAI的對數模型、RVI與LAI的對數模型、EVI與LAI的的指數模型、TVI與LAI的線性模型。其中DVI、RVI與LAI的相關性差異不明顯，TVI與LAI的指數關系最差，R2=0.352。生殖生長期內，NDVI與LAI的線性模型相關性最佳，R2=0.700，其他回歸模型依次為RVI與LAI的線性模型(R2=0.605)、OSAVI的線性模型(R2=0.558)、TVI與LAI的線性模型(R2=0.543)、DVI與LAI的對數模型(R2=0.495)、EVI的線性模型(R2=0.493)。生殖生長期內，EVI與LAI的對數關系最差，R2=0.454。

2.2.3按葉面積指數閾值分段建模

以LAI等于3為分界值，按照LAI小于3和LAI不小于3分段對夏玉米葉面積指數反演進行建模，選擇線性模型表征二者的相關性，得到各植被指數與LAI的相關性(表3)。

表3　按LAI閾值分段時植被指數與葉面積指數的 線性相關性Tab.3　Linear correlativity between VIs and LAI according to LAI values

從表中可以看出，在LAI小于3和LAI不小于3兩種情況下，HJVI與LAI的線性回歸模型的相關性遠高于其他植被指數。除HJVI外，LAI小于3時，EVI與LAI的線性相關性最佳，其他植被指數與LAI的線性關系從大到小依次為NDVI、RVI、OSAVI、DVI、TVI。LAI不小于3時，除HJVI外，OSAVI與LAI線性相關最強，其余由大到小分別為DVI、TVI、EVI和NDVI，RVI與LAI相關性最弱，R2僅為0.096，說明RVI不適合LAI較大時的反演研究。

3　討論

3.1LAI建模方式比較

3種反演模式中，HJVI具有其他植被指數不可比擬的優勢，這與HJVI的構造有關，表明針對特定遙感數據構建的植被指數可以充分發揮該數據的特點。

各普適性植被指數與夏玉米LAI在全生育期內的線性相關性整體較高，R2最小為0.450。這也是大多數研究植被LAI反演的學者們普遍采用全生育期反演的LAI原因。

分生育階段反演的模式下：在營養生長期和抽雄期，OSAVI與LAI的相關性最強，并且在這2個時期內，OSAVI與LAI的線性相關性高于其他各植被指數與LAI在全生育期內的相關性，說明OSAVI適合用于夏玉米生長初期和中期的LAI反演。緊隨其后的是NDVI，NDVI與LAI在營養生長期的線性相關性也大于二者在全生育期內的相關程度，而在抽雄期則相反。這與NDVI在作物生長旺盛時期容易飽和溢出而造成其值與LAI值對應不準確有關。而在生殖生長期內葉片開始逐步失水、發黃，NDVI值不易造成飽和。因此，在此期間內NDVI與LAI的相關性顯著高于其他植被指數與LAI的相關程度，同時也高于NDVI與LAI在全生育期內的相關性。綜上所述，NDVI更適用于作物生長前期和后期的LAI反演。

LAI為3是植被葉面積指數高低的分界點，LAI小于3時對應的各植被指數較小，LAI不小于3時對應的各植被指數相應也較大。LAI小于3時，EVI與LAI的相關性較強，這是由于EVI克服了土壤背景和大氣干擾的影響，其值更真實地反映了植被的生長狀況。此外，NDVI與LAI的相關性也證實了該植被指數在LAI較小時的反演能力。LAI不小于3時，OSAVI與LAI的相關性高于二者在LAI小于3時的相關性，而且優于其他植被指數與LAI的相關性；其次，由于植被在近紅外波段和紅波段的反射率差異較大，使得DVI、TVI與LAI的對應關系也較好。除OSAVI、DVI和TVI之外，其余植被指數與LAI不小于3時的相關性均小于其與LAI小于3時的相關性。

綜合比較3種反演方式，不難發現，按不同生育階段反演的LAI最優精度高于其他2種方式的最優反演精度；全生育期的各植被指數對LAI的反演精度總體較高，但最佳精度不及分生育階段的值；EVI、NDVI、RVI適合于LAI小于3時的反演，OSAVI、DVI、TVI則適合于LAI不小于3時的反演；3種模式下，HJVI均具有最優的LAI反演精度，且明顯優于其他普適性植被指數。

3.2模型驗證

為了檢驗LAI各反演模型的可靠性，研究利用各生育階段HJVI與LAI的反演模型得到LAI的最佳反演值，并將實測LAI作為真值，利用建模樣本以外的其余64個樣點LAI實測值與基于HJVI反演的LAI值進行回歸分析，以決定系數R2和均方根誤差(RMSE)為指標對其進行精度評價，并利用Z-檢驗對2組數據進行統計分析。得到各生育期LAI反演值(LAIR)與真實值(LAIT)之間的相關關系(圖3)。

從圖3中可以看出，利用HJVI反演的營養生長期、抽雄期和生殖生長期的LAIR與LAIT之間的線性決定系數R2分別為0.695、0.681、0.591，RMSE分別為0.271、0.217、0.213(圖3a、3b、3c)；利用HJVI反演的全生育期的LAIR與LAI真值之間的線性決定系數R2為0.837，RMSE為0.409(圖3d)。

圖3　不同生育期真實葉面積指數與基于HJVI反演的葉面積指數相關性分析Fig.3　Correlation of measured LAI and retrieval vaule based on HJVI at different stages

綜合分析圖3可以得出，雖然各生育期相關性不同，但其RMSE最大值為0.271，說明基于HJVI的夏玉米不同生育期LAI反演模型能真實反映夏玉米的長勢及其變化情況，其反演結果較好。

3.3LAI成圖

在驗證各反演模型可靠性的基礎上，利用最佳反演模型分別生成太原市夏玉米的LAI空間分布圖(圖4)。

圖4　研究區夏玉米不同生育期葉面積指數空間分布Fig.4　LAI spatial distribution maps of summer maize at different stages in Taiyuan

圖5　不同生育期LAIHJ與LAIM相關性分析Fig.5　Correlation of LAIHJ and LAIM

從圖4中可以看出，營養生長階段夏玉米LAI取值在0.5～3.0之間，且夏玉米LAI值大多集中于0.5～2.0之間，均值為1.90。LAI介于1.5～3.0之間的較大值主要集中在太原市東北方向，這是由于該區夏玉米播種時間較其他區域早，因此其植株生長較其他區域茂盛。在抽雄期，夏玉米LAI值主要集中于1.5～3.5之間，均值為2.74。LAI大于3的值位于太原市南部的清徐縣，研究區西部的婁煩縣和古交市夏玉米LAI總體較小。夏玉米進入成熟期后，玉米果實逐步形成，LAI有所降低，主要集中在1.0～2.5之間，均值為1.79。其中LAI較大值主要集中于南部的清徐縣。

3.4MODIS LAI產品驗證

為了進一步驗證反演模型的準確性，研究將反演得到的夏玉米3個典型生長期LAI影像重采樣到1 km，并隨機選取了143個點，將基于HJ遙感影像的夏玉米營養生長期、抽雄期和生殖生長期的葉面積指數(LAIHJ)與對應時相的MODIS葉面積指數產品(MOD15A2，LAIM)進行回歸分析，得到夏玉米營養生長期、抽雄期和生殖生長期LAIHJ與LAIM的相關關系(圖5)。

而從圖5中可以看出，夏玉米3個典型生長期LAIM與LAIHJ呈現出較好的一致性，其中抽雄期二者的相關性最好，R2達到0.761(圖5b)；營養生長期次之，R2為0.732(圖5a)；生殖生長期二者相關性也較好，R2為0.661(圖5c)。對143個樣點的均值進行統計發現，營養生長期LAIHJ均值為2.02，LAIM均值為1.75；抽雄期LAIHJ均值為3.06，LAIM均值為2.75；生殖生長期LAIHJ均值為2.79，LAIM均值為2.63。3個夏玉米生長期LAIM均不同程度地低于LAIHJ，這與MODIS空間分辨率低、像元混合嚴重的情況有關。這種高估或低估的現象也被其他學者證實過[3,29]。

4　結論

(1)以夏玉米為研究對象，利用實測LAI數據和基于HJ衛星生成的HJVI、NDVI、EVI、DVI、RVI、OSAVI、TVI數據，構造了全生育期、不同生育階段、LAI閾值分段3種模式下的夏玉米LAI反演模型。3種反演模式下，HJVI均具有最優的LAI估算精度。

(2)3種夏玉米LAI反演模式中，全生育期內各植被指數與LAI的相關性整體較高，但其細節性不強，無法精確反映作物在不同生育階段的生長狀況。而最優反演精度出現在按不同生育期反演的模式中。說明分不同生育階段反演能有效提高LAI的估算精度，有利于更準確地監測作物生長狀況，估算其產量。

(3)分生育期反演模式中各普適性植被指數與LAI的相關性差異較大。營養生長期，OSAVI與LAI線性相關性最佳；抽雄期，OSAVI與LAI指數模型相關性最佳；生殖生長期，NDVI與LAI線性相關性最佳。說明在夏玉米生長前期OSAVI具有較強的LAI反演能力。

(4)按LAI閾值分段反演的精度是3種反演模式中最差的，各普適性植被指數中反演精度最高為0.515(LAI不小于3，OSAVI與LAI)，最低精度僅為0.096(LAI不小于3，RVI與LAI)。這種反演模式不利于利用LAI研究作物長勢和產量。

(5)LAIM與LAIHJ雖然有差異，但在對精度要求不高的情況下，MODIS LAI產品亦可反映作物的生長狀況。

(6)HJ遙感數據具有較強的LAI反演能力，其高時間和高空間分辨率的特征可以使其代替傳統的中分辨率遙感數據而成為農業遙感研究的重要數據源。

1MYNENI 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): 214-231.

2劉洋,劉榮高,陳鏡明,等.葉面積指數遙感反演研究進展與展望[J].地球信息科學學報, 2013,15(5): 734-743.

LIU Yang, LIU Ronggao,CHEN Jingming, et al. Current status and perspectives of leaf area index retrieval from optical remore sensing data[J].Journalof Geo-Information Science, 2013,15(5): 734-743. (in Chinese)

3LE Maire G, MARSDEN C, VERHOEF W, et al. Leaf area index estimation with MODIS reflectance time series and model inversion during full rotations of eucalyptus plantations[J]. Remote Sensing of Environment,2011,115(2):586-599.

4LIANG S,ZHAO X,LIU S, et al. A long-term global land surface satellite (GLASS) data-set for environmental studies[J].International Journal of Digital Earth,2013,6(1):5-33.

5劉玉琴,孟慶巖,沙晉明,等.基于HJ-1A CCD1數據的臺灣相思樹葉面積指數反演[J].地球信息科學學報,2014,16(4):645-652.

LIU Yuqin,MENG Qingyan,SHA Jinming,et al. Comparison of different methods for retrieving acacia rachii leaf area index based on HJ-1A CCD1 imagery[J]. Journal of Geo-Information Science,2014,16(4):645-652. (in Chinese)

6趙靜,李靜,柳欽火,等.聯合HJ-1 /CCD 和Landsat8 /OLI數據反演黑河中游葉面積指數[J].遙感學報,2015,19(5) :733-749.

ZHAO Jing, LI Jing, LIU Qinhuo, et al. Leaf area index inversion combining with HJ-1/CCD and Landsat 8 /oli data in the middle reach of the Heihe river basin[J]. Journal of Remote Sensing, 2015,19(5):733-749. (in Chinese)

7GUéRIF M, DUKE C L. Adjustment procedures of a crop model to the site specific characteristics of soil and crop using remote sensing data assimilation[J]. Agriculture, Ecosystems & Environment, 2000,81(1):57-69.

8PINTY B, LAVERGNE T, WIDLOWSKI J L,et al. On the need to observe vegetation canopies in the near-infrared to estimate visible light absorption[J]. Remote Sensing of Environment, 2009,113(1):10-23.

9HUETE A R. A soil-adjusted vegetation index(SAVI)[J]. Remote Sensing of Environment, 1988,25(3):295-309.

10RONDEAUX G, STEVEN M, BARET F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996,55(2):95-107.

11QI J, CHEHBOUNI A, HUETE A R, et al. A modified soil adjusted vegetation index [J]. Remote Sensing of Environment,1994,48(2): 119-126.

12HUETE A, DIDAN K, MIURA T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002,83(1): 195-213.

13JIANG Z, HUETE A, DIDAN K, et al. Development of a two-band enhanced vegetation index without a blue band[J]. Remote Sensing of Environment, 2008,112(10):3833-3845.

14譚昌偉,黃義德,黃文江,等.夏玉米葉面積指數的高光譜遙感植被指數法研究[J].安徽農業大學學報,2004,31(4):392-397.

TAN Changwei,HUANG Yide, HUANG Wenjiang, et al.Study on colony leaf area index of summer maize by remote sensing vegetation indexes method[J]. Journal of Anhui Agricultural University, 2004,31(4):392-397. (in Chinese)

15趙虎,裴志遠,馬尚杰,等. 利用HJ-1-A/B CCD2數據反演冬小麥葉面積指數[J].農業工程學報,2012,28(10): 172-176.

ZHAO Hu, PEI Zhiyuan, MA Shangjie, et al. Retrieving leaf area index of winter wheat using HJ-1-A/B CCD2 data[J].Transactions of the CSAE, 2012,28(10): 172-176. (in Chinese)

16YANG Fei, SUN Jiulin, FANG Honliang,et al. Comparison of different methods for corn LAI estimation over northeastern China[J].International Journal of Applied Earth Observation and Geoinformation, 2012,18:462-471.

17賈玉秋,李冰,程永政,等. 基于GF-1 與 Landsat-8多光譜遙感影像的玉米LAI反演比較[J].農業工程學報,2015, 31(9): 173-179.

JIA Yuqiu, LI Bing, CHENG Yongzheng, et al.Comparison between GF-1 image and Landsat-8 images in monitoring maize lai[J].Transactions of the CSAE, 2015, 31(9): 173-179. (in Chinese)

18趙娟,黃文江,張耀鴻,等. 冬小麥不同生育時期葉面積指數反演方法[J].光譜學與光譜分析,2013,33(9): 2546-2552.

ZHAO Juan, HUANG Wenjiang, ZHANG Yaohong, et al. Inversion of leaf area index different growth stages in winter wheat[J].Spectroscopy and Spectral Analysis, 2013,33(9): 2546-2552. (in Chinese)

19蘇偉,郭皓,趙冬玲,等.基于優化PROSAIL葉傾角分布函數的玉米LAI反演方法[J].農業機械學報,2016,47(3):234-241.

SU Wei,GUO Hao,ZHAO Dongling,et al.Leaf area index retrivel for maize canopy using optimized leaf angle disribution function of PROSAIL model[J].Transactions of the Chinese Society for Agricultural Machinery,2016,47(3):234-241. (in Chinese)

20蘇偉, 展郡鴿, 張明政,等. 基于機載LiDAR數據的農作物葉面積指數估算方法研究[J]. 農業機械學報, 2016,47 (3):272-277.

SU Wei, ZHAN Junge, ZHANG Mingzheng, et al. Crop leaf area index estimation based on airborne LiDAR data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3):272-277. (in Chinese)

21ZHENG G, MOSKAL L M. Retrieving leaf area index (LAI) using remote sensing: theories, methods and sensors[J]. Sensors, 2009, 9(4): 2719-2745.

22BARET F, GUYOT G. Potentials and limits of vegetation indices for LAI and APAR assessment[J].Remote Sensing of Environment, 1991, 35(2): 161-173.

23張瀛,孟慶巖,武佳麗,等.基于環境星CCD數據的環境植被指數及葉面積指數反演研究[J].光譜學與光譜分析,2011,31(10):2789-2793.

ZHANG Ying, MENG Qingyan,WU Jiali,et al. Study of environmental vegetation index based on environment satellite CCD data and LAI inersion[J]. Spectroscopy and Spectral Analysis,2011,31(10):2789-2793. (in Chinese)

24ROUSE J W, HAAS R H, SCHELL J A, et al. Monitoring vegetation systems in the great plains with erts[J]. NASA Special Publication, 1974,351:309.

25LIU H Q, HUETE A. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995(2): 457-465.

26JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969,50(4): 663-666.

27PEARSON R L, MILLER L D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie, pawnee national grasslands, colorado[C]∥Proceedings of the 8th International Symposium on Remote Sensing of Environment, 1972:1357-1381.

28BROGE N H, LEBLANC E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density [J].Remote Sensing of Environment, 2001,76(2): 156-172.

29FENSHOLT Rasmus, SANDHOLT Inge, RASMUSSEN M S, et al. Evaluation of MODIS LAI,fAPAR and the reation between fAPAR and NDVI in a semi-arid environment using insitume asurements[J]. Remote Sensing of Environment, 2004,91(3-4): 490-507.

Inversion Study on Leaf Area Index of Summer Maize Using Remote Sensing

Liu Jun1,2Pang Xin3Li Yanrong3Du Lingtong4

(1.PostdoctoralScientificResearchStationofSafetyTechnologyandEngineering,TaiyuanUniversityofTechnology,Taiyuan030024,China2.PostdoctoralResearchWorkstationofShanxiTransportationResearchInstitute,Taiyuan030006,China3.CollegeofMiningEngineering,TaiyuanUniversityofTechnology,Taiyuan030024,China4.KeyLaboratoryforRestorationandReconstructionofDegradedEcosysteminNorth-WesternChina,MinistryofEducation,NingxiaUniversity,Yinchuan750021,China)

The observation data of LAI-2000 and vegetation index was generated by satellite remote sensing data of HJ, combining three kinds of commonly used regression model. LAI (Leaf area index) inversion model was constructed according to growth period, growth stage and threshold boundaries of summer maize, respectively. The optimal LAI inversion model was acquired based on the above three modes. The summer corn LAI scatter grams of the vegetative growth period, the tasseling stage as well as the reproductive stage were generated after verification and evaluation of the model reliability. The productions of MODIS LAI (MOD15A2) were verified by LAIHJbased on the inversion of model HJ image. According to the survey, except HJVI, during the whole growth period of summer maize, a linear model of RVI with LAI was regarded as the best fitting model (R2= 0.662); during the vegetative growth period, a linear model of OSAVI with LAI was regarded as the best fitting model (R2=0.724); at the tasseling stage, index model of OSAVI with LAI was regarded as the best fitting model(R2=0.749); at the reproductive stage, a linear model of NDVI with LAI was regarded as the best fitting model(R2=0.700). The correlation of HJVI and LAI at the growth period achieved to 0.875, and the correlation at different growth stages with LAI is higher than the other vegetation indexes (during the vegetative period,R2=0.769; at the tasseling stage,R2=0.783; at the reproductive stage,R2=0.703). EVI is the best index when LAI is less than 3 (R2=0.358), while OSAVI is the best when LAI is more than 3(R2=0.515). During the three reproductive periods,R2of LAIMand LAIHJis 0.732, 0.761 and 0.661. Conclusions were drawn: the inversion method of LAI at different stages is optimal. HJVI shows obvious advantage for LAI inversion ability. The production of MODIS LAI could be used for crop monitoring in special situation. The study not only broadens the mode of inversion LAI using vegetation index, but also confirms the importance of HJ data in agricultural field.

summer maize; leaf area index; inversion; vegetation index; HJ satellite

10.6041/j.issn.1000-1298.2016.09.042

2015-11-16

2016-03-25

國家自然科學基金項目(41201438)、山西省青年研究基金項目(2014021032-1)和太原理工大學校基金項目(2013Z016)

劉珺(1981— ),女,講師,博士,主要從事資源環境遙感研究，E-mail: 8886355@163.com

TP79

A

1000-1298(2016)09-0309-09