基于冠层反射光谱的玉米LAI和地上干物重估测研究
基于函数拟合的玉米叶片反射光谱时间变化规律分析
时间变化 的趋势 ，能够充分利用 叶片反射光谱 的相关 性 ， 有效地表征玉米 叶片反射光谱 随时间变化 的规律 。 关键词 反射光谱 ； 时间变化 ；函数 拟合 ；玉米 叶片
文献标识码 ： Ａ Ｄ Ｏ Ｉ ：１ ０ ． ３ ９ ６ ４ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ０ — ０ ５ ９ ３ （ ２ ０ １ ３ ） ０ １ — ０ １ ３ １ — ０ ５
类植 物 ， 经验关系会存在差 异 ， 普适性相对较差 Ｌ 】 。
测， 对健 康状 态下的小麦光谱和胁迫状态下 的小麦 光谱进行 对 比分析 ，获 得 时 间 序列 的反 射光 谱 与 胁 迫强 度 的关 系。
Ｃ ｉ ｇ ａ ｎ ｄ ａ 等＿ １ ２ ０ ］ 采用基 于光谱指数研究 的方法分析 了玉米叶 片色素含量在时 间和垂直剖面上 的变化规律 ， 并提 出了玉米 叶片叶绿素垂直剖面 的拟合方法 。我国在该领域也开展 了一
摘
要
为 了探索 玉米 （ Ｚ ｅ ａ ｍ ａ ｙ ｓ Ｌ． ） 叶片反 射光谱时间变化 规律 ，对 ２ １个叶位 的玉米 叶片进行 了每天一
次的反射光谱测量 ， 获得了玉米活体叶片整个生命周期反射光谱数据 １ ２ ６ １ 条。 在此基础上采用光谱相关图
方法 ，对 ４ ０ ０ ￣９ ６ ０ ｎ ｎ ｌ 的可见光 、 近红外波段 的玉米 叶片反射 光谱 进行 分段拟合 ， 获得 了 ７个表征玉米叶片 反射光谱时 间变化规律 的拟合参 数 ， 并对这 ７ 个 参数 的时 间变化趋势 采用二 元二次 多项式 进行拟合 。结果 表明该方法对单 片叶片反射光谱 的拟合效果非常理想 ， 其中 ９ ８ ． ７ 的叶 片反 射光谱拟合 复相关 系数 ｒ 大 于
０ ． ９ ９ ，８ Ｏ ． ９ 的叶片反射光谱拟合均方根误差 Ｒ ＭＳ Ｅ小于 ０ ． ０ ０ １ ５ 。 将所有数据 的拟合结果 与原始数据进行 比较 ，复相 关系数 ｒ 为０ ． ９ ９ ７ ８ ，均方根误差 Ｒ ＭＳ Ｅ为 ０ ． ０ １ ０ ５ ： 拟合结果表 明该方法较好地保持 了反射光谱
融合冠层水分特征的光谱参数NCVI及反演玉米LAI
融合冠层水分特征 的光谱参数 Ｎ Ｖ 及反演玉米 Ｌ Ｉ Ｃ Ｉ Ａ
曹 仕 ，刘湘南 ，刘美玲 ，曹 珊 ，姚 帅
１ ．中国地质大学 （ 北京） 信息工程学 院，北京 ２ ．中国水利水 电第八工程局 ， 湖南 长沙 １０ ８ ００３
４ ０ ０ １００
摘
要 精确反演农作物冠层 叶面积指数对指导作物管理和作物 估产具有非 常重要 的意义 。以吉林市郊 区
表净初级生产力等密切相关【］ １ 。自 １４ ９ ７年 提 出 以来 ，叶 面 积 指 数 已成 为 一 个 重 要 的 植 物 学 参 数 和 评 价 指 标 ，并 在 农
型 中传 统 反 演 方 法 的局 限 性 显 然 不 能 满 足 其 要 求 ， ｕｔ利 Ｋｏ ｉ ｉ
用 ＢＤ Ｒ Ｆ结合 ＮＤ 解决 了无法反演高 Ｌ 的限制ｆ ， ＶＩ ＡＩ 但其 需要 的数据 比较复杂 ， 不适于普遍推 广使用 。而本研究从 冠 层 叶片水分含量出发 ， ＮＤ 的基础上结合表征 叶片水 分 在 ＶＩ
模 型 严 重 受 限 ， 法 进 行 进 一 步反 演 。 无
试 ， 对 冠 层 上 、中 、下 的 叶 片 和 试 点 土 壤 进 行 采 样 ，随 后 并 在实验室进行水分测量。
冠层光谱反射 率的测量采用 ＡＳ ｅ ｒ３便携式辐射 Ｄ ｆ ｌ ｐｏ ｉｄ 光谱仪 ， 其探测波长范围 ： ５ ￣２５ ０ｎ 光谱分辨率 ： ５ ３ ０ ０ ｍ； ３０
作者姓名：阿布都瓦斯提·吾拉木
作者姓名：阿布都瓦斯提·吾拉木论文题目：基于n维光谱特征空间的农田干旱遥感监测作者简介：阿布都瓦斯提·吾拉木，男，1975年2月出生，于2006年7月获北京大学理学博士学位。
2006年12月至今任美国圣路易斯大学环境科学中心Geospatial Analyst/Research Professor。
中文摘要农田生态系统是一个水分、土壤、植被、大气等诸多因素耦合的复杂系统（SPAC，Soil-Plant-Atmosphere Continuum）。
在农田生态系统水循环中，水分亏缺的积累使农田供水量在一定的时间段内不能满足作物需水量，导致农田干旱的发生。
农田干旱直接和间接地影响人类生存、社会稳定、农业生产、资源与环境可持续发展。
正确评价或预防农田干旱，对促进农业生产和区域可持续发展具有重要的现实意义。
遥感具有客观反映农田水分时空变化的监测能力。
国内外农田遥感干旱监测研究表明：在复杂地表环境下，单纯采用可见光、近红外、热红外或微波波段都无法全面、准确反映农田水分信息，其方法在农田水分监测中暴露出诸多问题，如水分监测的滞后效应、模型复杂、参数的不确定性和过度依赖于田间和气象观测资料等，不能适应全面、动态的农田干旱监测与农田水分信息提取的迫切需求。
利用定量遥感方法，实现准确的农田干旱信息提取一直是遥感应用领域亟待解决的重要科学问题之一。
基于多维光谱特征空间的农田干旱信息提取，可以综合多源遥感的优势，为干旱监测提供更丰富、更高分辨率的农田水分信息，有望去除以往的遥感干旱模型带来的监测效果滞后、模型复杂、参数的不确定性等问题，形成农田干旱遥感监测新方法。
本论文以可见光近红外2维光谱空间干旱建模为切入点，通过加入短波红外，进一步拓宽遥感干旱监测的波段和地表生态物理参数，构建了反演土壤水分、叶片/冠层含水量（EWT）和叶片/冠层相对含水量（FMC）等参数的遥感模型，针对农田干旱最关键的两个指标土壤水分和叶片/冠层含水量，建立了多个干旱监测模型，形成了以n维光谱特征空间为基础的农田遥感干旱监测的新方法。
基于高光谱成像的玉米病虫害遥感监测技术研究
基于高光谱成像的玉米病虫害遥感监测技术研究高光谱成像技术是一种新兴的遥感技术，这种技术可以通过记录物体在不同波长下的光谱反射率，来获取材料的光谱特征。
应用于农业领域，高光谱成像技术可以对作物的生长状态、病虫害等健康状况进行监测。
在玉米病虫害遥感监测技术研究领域，高光谱成像技术已经被广泛应用。
高光谱成像技术的原理是，将物体反射特定波段的光线通过光学器件采集得到一组光谱数据，通过对光谱波形进行分析处理可得到物体的光学特性信息，从而定量化、定性化物体的属性信息。
对病虫害的监测，高光谱技术可以监测一些细小的变化，比如一些病叶纹理上的变化，以及病部叶片颜色和形态上的变化等。
与传统的遥感技术相比，高光谱成像技术的某些波段可以更加精准地反映玉米叶面的变化。
一些现行采集玉米光谱的高光谱成像技术包括光电双象限条阵相机、CCD高光谱成像仪、Pushbroom式光谱成像仪等。
在这些技术中，光电双象限条阵相机是一种新型的高光谱成像技术，可以通过同时记录两个通道的光谱反射率，来提高测试精度和稳定性。
CCD高光谱成像仪是另一种常见的玉米病虫害遥感监测技术，这种仪器可以记录物镜底面上的光谱，使得成像面与光学面分离，可以提高采集的物温精度。
Pushbroom式光谱成像仪则可以通过成像面移动来获取多个光谱波段，能够快速获取大量的光谱信息。
在玉米病虫害遥感监测技术研究中，高光谱成像技术的应用主要集中在玉米生长期的监测，可以对玉米的生长状态进行监测，比如测量玉米叶片的绿度指数、NDVI等植被指数。
此外，对于一些比较难以观测和定量的病虫害，高光谱成像技术可以进行有效的监测和区分，可以提高早期监测病虫害的精度。
目前，高光谱成像技术的应用还有一些挑战。
由于玉米生长期中一些复杂的生长状态变化，比如土壤含水量、太阳辐射等因素的影响，仍然需要对高光谱成像仪器、算法的提高和优化。
同时，采集到的数据量也较大，需要进行有效的数据处理和计算，以提高数据分析的效率和精度。
基于高光谱数据的玉米叶面积指数和生物量评估
差 rRMSE 为 15.94%。敏感波段反射率 （839~893 nm 和 1336~1348 nm） 对玉米单株地上部生物量估算效果
最佳，测试集 R2为 0.71，RMSE 为 12.31 g，rRMSE 为 15.89%。综上，田间非成像高光谱和无人机成像高光谱
在玉米 LAI 及生物量估算方面具有较好的一致性，能够快速有效地提取地块尺度玉米农学参数信息，本研究
可为高光谱技术在小区尺度的精准农业管理应用提供参考。
关键词：高光谱；玉米；叶面积指数；地上部生物量；偏最小二乘回归；无人机遥感
中图分类号：S127
文献标志码：A
文章编号：202102-SA004
引用格式：束美艳, 陈向阳, 王喜庆, 马韫韬 . 基于高光谱数据的玉米叶面积指数和生物量评估[J]. 智慧农业(中 英文), 2021, 3 (1): 29-39. SHU Meiyan, CHEN Xiangyang, WANG Xiqing, MA Yuntao. Estimation of maize leaf area index and aboveground biomass based on hyperspectral data[J]. Smart Agriculture, 2021, 3 (1): 29-39. (in Chinese with English abstract)
传统作物 LAI 和地上部生物量的田间观测方 法主要是人工测量，其过程繁琐，需要耗费大量 的人力物力 ［8］，结果有一定的滞后性，且大面积 的田间破坏性取样会影响群体作物的生长状况。
收稿日期：2021-01-28 修订日期：2021-03-11 基金项目：国家重点研发计划 （2016YFD0300202）；内蒙古自治区科技重大专项 （2019ZD024） 作者简介：束美艳 （1993－），女，博士研究生，研究方向为数字农业。E-mail：2448858578@。 * 通讯作者：1. 王喜庆 （1969－），男，博士，教授，研究方向为表型组技术。电话：010-62733596。E-mail：wangxq21@； 2. 马韫韬 （1977－），女，博士，副教授，研究方向为数字农业。电话：010-62733596。E-mail：yuntao.ma@。
LAI2000
键问题】各种农林植物冠层的冠层开度与冠层透光率 的关系。
1 材料与方法
试验于 2004 年 7 月 30 日至 8 月 26 日在河南农业 大学毛庄科教园区进行。选择拔节前、中期和拔节后
期玉米作为高秆作物代表，另外选择开花期大豆作为
矮秆作物的代表，楸树、白蜡、栾树苗圃幼林冠层作
为林木体的代表，进行冠层分析和透光率测定。观
中国农业科学 2006,39(5):922-927 Scientia Agricultura Sinica
LAI-2000 冠层分析仪在不同植物群体光分布特征研究中的应用
王 谦，陈景玲，孙治强
(河南农业大学林学园艺学院，郑州 450002)
摘要：【目的】寻求快速准确确定各种农林植物冠层透光率及其随时间变化规律的方法，以及通过冠层分析 确定农林植物冠层消光系数的方法。【方法】应用 LAI-2000 冠层分析仪和 LI-1400 数据采集器连接 LI-190、LI-191 传感器，测定了高秆作物（玉米）、矮秆作物（大豆）和林木群体（楸树、白蜡、栾树苗圃幼林冠层）的 LAI、叶 倾角、冠层开度及群体透光率。【结果】（1）LAI-2000 测得的冠层开度，与全天群体透光率相关非常密切。相关 系数达 0.9308，回归直线的截距为 0.015，接近于 0，斜率为 1.0668，接近于 1。所以，完全可以使用冠层开度 估计透光率。阴天比晴天估计效果更好。（2）用实测的 LAI 和群体透光率，准确计算出了农林植物群体的消光系 数。消光系数有明显的日变化，玉米冠层一日中出现两个极大值，中午最低。【结论】LAI-2000 冠层分析仪能给 出群体内不同天顶角方向的天空开度，能更详细地表达植物群体结构特征；群体内某一点的冠层开度与该点的冠 层透光率在数值上几乎相等，所以冠层内透光率测定不再需要冠层上下同时测光计算，而直接由测冠层开度得到； LAI-2000 无损测定冠层 LAI，可用于计算群体消光系数，文中所计算的消光系数，处在文献报道的正常范围。
应用PROSAIL模型对森林冠层叶面积指数遥感估测
面积指数 ［９］ ） 。 尽管该方法可以应用于各种植被类
第 １１ 期 何金有，等：应用 ＰＲＯＳＡＩＬ 模型对森林冠层叶面积指数遥感估测
型和背景环境，由于其需要的输入参数较多，并且模
精度进行验证。
型结构复杂，因此，目前使用该方法来反演叶面积指
ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ （ Ｒ２ ） ｏｆ ｔｈｅ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｅｓｔｉｍａｔｅｄ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ ｉｓ ０．３３３ ８． Ｔｈｅ ＰＲＯＳＡＩＬ ｍｏｄ⁃
ｅｌ ｈａｓ ａ ｈｉｇｈ ａｃｃｕｒａｃｙ ｉｎ ｉｎｖｅｒｔｉｎｇ ｔｈｅ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ， ａｎｄ ｔｈｅ ｅｓｔｉｍａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ＰＲＯＳＡＩＬ ｍｏｄｅｌ ａｒｅ ｃｏｎｓｉｓｔｅｎｔ ｗｉｔｈ
ｔａｎｃｅ， ａｎｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｗａｓ ｕｓｅｄ ｔｏ ｓｏｌｖｅ ｔｈｅ ｃｏｓｔ ｆｕｎｃｔｉｏｎ． Ｔｈｅ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ ｗａｓ ｓｉｍｕｌａｔｅｄ ｂｙ ａｄｊｕｓｔｉｎｇ ｔｈｅ ｋｅｙ ｐａ⁃
ｒａｍｅｔｅｒ ｖａｌｕｅｓ ｏｆ ｔｈｅ ＰＲＯＳＡＩＬ ｍｏｄｅｌ ｗｉｔｈ ｈｉｇｈ ｓｅｎｓｉｔｉｖｉｔｙ． Ｔｈｅ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ （ ＡＮＮ） ｗａｓ ｕｓｅｄ ｔｏ ｍａｐ ｔｈｅ ｒｅｌａ⁃
Ｉｎ ｏｒｄｅｒ ｔｏ ｏｂｔａｉｎ ｔｈｅ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ （ ＬＡＩ） ｏｆ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｉｎ ａ ｔｉｍｅｌｙ ａｎｄ ａｃｃｕｒａｔｅ ｍａｎｎｅｒ， ｍｏｎｉｔｏｒ ｆｏｒｅｓｔ ｇｒｏｗｔｈ
基于Sentinel-2影像与PROSAIL模型参数标定的玉米冠层LAI反演
Vol 41,No. 6,ppl891-1897June , 2021第41卷，第6期2021 年6 月光谱学与光谱分析SpectroscopyandSpectralAnalysis基于Sentinel-2影像与PROSAIL 模型参数标定的玉米冠层LAI 反演苏伟1!!邬佳昱1!!王新盛1!!谢茈萱1!!张颖1!!陶万成1!!金添1!1. 中国农业大学土地科学与技术学院，北京1000832. 农业部农业灾害遥感重点实验室,北京100083摘 要 叶面积指数（LAI ）与植被光合作用、蒸腾作用、生物量的形成等有密切联系，是玉米长势监测、灾 害胁迫监测、产量预测等重要参数之一，也是辐射传输模型、作物生长模型等机理模型的一个重要参数$Sentinel-2卫星是“全球环境与安全监测/十划的第二颗卫星,具有较高的时空分辨率,且具有红边波段,其可见光和近红外波段的分辨率为10m ,是农业遥感应用的理想数据源$ PROSAIL 辐射传输模型是遥感反演 玉米冠层LAI 的有效途径，然而在反演中存在输入参数不确定性大、调参困难、病态反演、速度慢等问题$ 模型的参数标定能够获取观测反射率及不确定性范围内的参数取值，提供丰富准确的参数信息，降低模型反演过程中的偏差$为探索参数标定在玉米冠层LAI 反演中的应用,研究以Sentinel-2A 卫星影像为数据 源,使用马尔可夫链蒙特卡洛方法（MCMC ）对PROSAIL 模型进行参数标定,通过加入5%的观测光谱不确定性，获取各参数在不确定性范围内的后验取值概率分布，以优化反演过程中的参数设置，提高LAI 反演精度$研究结果表明：（l ）PROSAIL 模型对可见光和近红外波段较为敏感的输入参数有LAI 、叶片叶绿素含 量及结构系数，将此三个参数作为查找表反演中的可变参数能够有效地进行LAI 的反演，反演精度的决定系数达0.7以上$ （2）MCMC 方法能够对PROSAIL 模型进行参数标定,获取研究区内玉米各参数取值分布信息，参数后验分布与实际情况接近，表明利用MCMC 方法进行参数标定可行有效$ （3）通过参数标定可以 有效提高LAI 的反演精度，在降低反演偏差和异常值方面尤为明显，参数标定优化后的反演平均偏差由原先的20%降低至8% ,同时估算精度由76%提高至90% $研究结果表明：利用MCMC 进行PROSAIL 模型参数标定，能够提高PROSAIL 模型的LAI 反演精度，降低反演偏差，为利用PROSAIL 辐射传输模型提高作物冠层参数反演精度提供借鉴$关键词 Sentinel-2卫星；PROSAIL 辐射传输模型；参数标定；LAI 反演；敏感性分析中图分类号：TP79文献标识码：A DOI ： 10. 3964/j. issn. 1000-0593（2021）06-1891-07引言叶片是玉米光合作用的主要器官，玉米的干物质积累大 多来自叶片，因此准确描述玉米叶片生长状态对于玉米长势监测、灾害胁迫监测、产量预测等具有重要意义山$叶面积 指数是单位土地面积上的植物叶片表面积的一半方，与植被各生理生化过程有密切联系, 是表征玉米长势的一种重要参数$遥感数据具有空间上的全覆盖性、时间上的连续性和数据类型的多样性, 能够以不同的时空尺度获取多种作物冠层信息$ 基于遥感影像反演玉米冠层叶面积指数, 可为玉米长势监测、病虫害胁迫监测、产量预测提供有效依据[3]$PROSAIL 辐射传输模型综合考虑了作物冠层结构、生 长状况以及遥感观测环境的影响, 能够准确模拟作物冠层反射率，由于其高敏感性与完善的辐射传输机理，PROSAIL 模型被广泛应用于叶面积指数deaf area index, LAI ）反演中$近年来，众多学者针对PROSAIL 模型的LAI 反演进行了诸 多研究，反演方法包括查找表法⑷、经验线性回归、机器学 习⑸以及模型耦合⑹等，取得了显著成果$其中查找表法是传统的反演算法, 通过建立大量情况下模型参数与冠层反射率之间的映射关系，使用代价函数进行迭代运算，将计算所需的时间转移至反演前，因此具有广泛的应用）7*$机器学习 等方法则弱化了模型的机理过程，训练模型更为灵活，近些 年发展迅速。
基于小波分析的玉米叶绿素a与LAI高光谱反演模型研究
基 于 小 波 分 析 的 玉米 叶绿 素 ａ与 Ｌ Ｉ Ａ 高光 谱 反 演模 型研 究
宋 开 山 ，刘 殿伟 ，王宗 明‘ ，吕冬 梅 ，张 柏 ，任春 颖 ，杜
１０ １ ； ３０ ２ １０ ２ ） ３０ ４
嘉
（．中国科 学院 东北地理与农业 生态研 究所 ，吉林 ，长春 １ ２ ．吉林建筑工程 学院 计算机科 学与工程 学院，吉林 长春
ａｅ ｄｘ（ Ａ ） ｃｒ ａｏｙｒｆ ｃ ｎｅｄ ｔ ｗ ｒ ｏｌ ｔ ｉ Ｓ ｐｃｒｒ ｉ ｅｅ （ ５ ｒａｉ ｅ Ｌ Ｉ ， ｏ ｃｎ ｐ ｌ ｔ ｃ ａ ｅｅｃｌ ｃ ｄｗ ｔ Ａ Ｄ ｓｅｔ ａ ｏ ｔｒ ３０～１５ ｎ ｎ ｎ ｅｅ ａ ａ ｅｅ ｈ ｏｄｍ ０ ０ ｍ）ｉ ２０ ｎ ０ ４ａ ｔｏ ｎ ０ ３ａ ｄ２０ ｔｗ
中图分 类号 ：Ｓ２ １７
文献标识码 ：Ａ
文章编号 ：１０ ０ ６ （ ０ １ ２— １４— ７ ０ １— ０ ８ ２ １ ）０ ０ ５ ０
Ｃｏ ｎ ｌ ｒ ｐ ｌ — ｎ ｅ ｔ ａ ｉ ｎ ｎｄ ＬＡＩ Ｅｓｉ ｔｏ ｏ ｌ ｓ ｄ ｏ ａ ｅｅ ｒ Ｃｈ ｏ ｏ ｈｙ ｌ— ａ Ｃｏ ｃ ｎ ｒ ｔｏ ａ ｔｍａ ｉ ｎ Ｍ ｄｅ ｓＢａ ｅ ｎ Ｗ ｖ ｌ ｔ Ｔｒ ｎ ｆ ｒ ｅ ｎｏ ｙ Ｈｙ ｅ ｓ ｅ ｔ ａ ｆｅ ｔ ｎｃ ａ ｓ ｏ ｍ ｄ Ｃａ ｐ ｐ ｒ ｐ ｃ ｒ ｌＲｅ ｃａ ｅ ｌ
无人机多光谱数据反演叶面积指数方法研究
对本文的可见光和近红外波段几乎没有影响，所以本
文中的这些参数取固定值；叶面积指数 LAI 和观测角
Oza 的变化对光谱曲线的影响很大,从而可以利用此模
型进行 LAI 的定量反演。
2.1.2
模型反演
玉米属于水平型比较均一的植被，所以本文采用
PROSAIL 模型进行叶面积指数的反演。简单来说，本
文利用无人机获取的多光谱影像，以玉米为研究对
便、快捷、实时性强的特点，使得利用航空遥感进行
叶面指数反演得到了迅猛发展，如 Berni
[1-2]
利用航拍数
象，利用顾及敏感性分析的 prosail 模型和统计模型进
行玉米叶面积指数反演的研究,为无人机作为植被评估
据联合叶子水平辐射传输模型 （PROSPECT），灌顶盖
area index inversion from UAV multi-spectral images. The inversion results show that R2 of PROSAIL model is 0.79, and R2 of GNDVI model
is 0.82.The experiment shows that UAV multi-spectral images can be used to invert corn leaf area index, and the effect is good.
(1. Henan Water Survey Co., LTD, University, Zhengzhou 450003, China)
Abstract: Taking corn in the Qingdao area as research object, we used PROSAIL model and vegetation index model to study the method of leaf
应用生态学报第19卷(2008)总目次
陆永跃 曾 玲等 （５ ） １１ 席贻龙
新疆伊 犁地区夏季浮游动物群落结构特征 … …… …… …… ……………………………… 吴 基于 Ｂ ｖ￣ ｎＨ ｌ模型的东海带鱼资源利用与管理 ｅｅ ｏ ． ｏ ｔ
综 合 评 述
利 冯伟松 陈小娟等 （６ ） １３
小麦互 益素对麦长管蚜及其天敌的影响 …… …… …… …………………………………… 马 向真 王万磊 鹿金秋等 （ ７ ） １３ ……………………………………… 凌建 忠 李圣 法 严利平等 （ ７ ） １８
２ ８ ７０
应
用
生
态
学
报
１ ９卷
应 用 生态 学 报 第 １ ９卷 （０ ８ 总 目次 ２０ ）
第 １期
研 究 报 告
黄土高原不 同大气环境对 中国沙棘亚居群遗传 多样性 的影 响 …………………………… 杨 明博 熊友才 王红 芳等 （） １ 贡嘎 山地 区不 同海拔冷杉 比叶质量和非结构性碳水化合物含量变化 …………………… 李
唐燕飞等 （７ ３）
上官周平 （ ０ ５）
水分胁迫 和温度对 夏蜡 梅叶片气 体交换 和叶绿 素荧光特性的影响 …………………………………… 柯世省 金则新 （ ３ ４） 盐胁 迫对 黄瓜 幼苗根系生长和多胺代谢的影响 …………………………………………… 段九菊 郭世荣 不同施肥 条件 下玉米 田土壤养分淋溶规律的原位研究 …………………… ………… …… 李宗新 康云艳等 （ ７ ５）
辽宁东部 山区林地生态分类 系统
蟠
孙 玉芳 王 三根 等 （） ８
代 力民等 （０ ２）
பைடு நூலகம்
大气二氧化碳浓度与温度升高对红桦幼苗养分积 累和分配 的影 响 ………………………… 侯 颖 王开运 张 超 （３ １）
玉米主要生育期冠层反射光谱特征分析
玉米主要生育期冠层反射光谱特征分析杨淑婷;张学俭;刘俭【摘要】在同一施肥水平下,选取3个不同品种的玉米植株,分别在玉米幼苗期、拔节期、吐丝期、灌浆期测定玉米的冠层高光谱反射率,分别对3个不同品种玉米的原始光谱反射率、光谱反射率一阶微分进行分析.结果表明:在拔节期和吐丝期,各品种玉米反射率差异较大,总体表现为富友968>先玉1225>吉单66;在拔节期、吐丝期,一阶微分导数曲线在680～760 nm处,均发生了\"红移\"现象;在灌浆期,红边呈现\"蓝移\"现象,红边斜率减小.【期刊名称】《宁夏农林科技》【年(卷),期】2018(059)012【总页数】3页(P97-99)【关键词】玉米;冠层光谱;反射率【作者】杨淑婷;张学俭;刘俭【作者单位】宁夏农林科学院农业经济与信息技术研究所,宁夏银川 750002;宁夏农林科学院农业经济与信息技术研究所,宁夏银川 750002;宁夏农林科学院农业经济与信息技术研究所,宁夏银川 750002【正文语种】中文【中图分类】S513玉米是宁夏三大粮食作物之一，2018年宁夏粮食播种面积73.57万hm2，其中小麦播种面积12.86万hm2，水稻播种面积小幅下滑，玉米播种面积31.08万hm2，玉米播种面积占全区粮食播种面积的42.2%，在宁夏农业产业中位居第一。
宁夏玉米种植区域分布广泛，在北部引黄灌区、中部干旱带及南部黄土丘陵区都有分布，其中以北部引黄灌区种植面积最大。
但由于宁夏地处西北内陆地区，年降雨量少，蒸发量大，耕地面积逐年减少[1-2]。
如何在有限的土地资源上实现最优生产效益，是目前急需解决的问题。
随着科学技术的快速发展，遥感技术在农业领域，结合全球卫星定位系统等地理信息技术手段，可以实现农业信息采集和分析的定时、定量、定位，客观性强、准确性高，在农业资源环境、农作物长势监测与产量估算、自然灾害监测与评估等方面，有很高的应用价值。
基于垂直植被指数的东北黑土区玉米LAI反演模型研究
Ｒ 、 ＶＩ Ｔ Ａ 、 ＶＩ ＶＩＮＤ 、 Ｓ ＶＩＧ 等植 被 指 数 ， ＶＩ 分 考 Ｐ 充
虑 了采样 区域 土壤 背景 的影 响 ， 效 地避 免 了对 遥 有 感影 像辐 射校 正精 度 的依 赖和 土壤 调节 系数难 以确 定等 缺点 。为 此 ， 文 选 择 了垂 直 植 被 指数 法 对 东 本 北 玉 米 Ｌ 进 行研 究 ， ＡＩ 筛选 出预测玉 米 Ｌ 最 佳 波 ＡＩ 段组 合 的垂 直植 被 指 数和 最 优 的 预测 估 算 模 型 ， 不
仅可 以 为利用 光谱法 监 测玉米 和预 报其产 量开辟 新
道路 ， 而且 为东北 地 区玉 米 的遥 感 监 测 和精 准 农 业 作物 长势 信息 的实 时快 速提取 提供 了重要 的技术 支
撑。
有一 定指 示 意义 的 各 种 数 值 ， 定 量 地 表 明 了植 被 它
活 力 。它 比用 单 波 段 来 探 测 绿 色 植 被 更 具 有 灵 敏
此基础上构建 垂直植被指数（ ｅｐｎ ｉ ｌ ｇｔｔ ｎＩｄ ｘ Ｐ Ｐ ｒｅｄｅ ａ Ｖｅｅａｉ ｎ ｅ ， ｖＤ， 出与 Ｌ Ｉ 有最佳相 关性 波段 组合 Ｐ ， ｏｒ ｏ 找 Ａ 具 ＶＩ建
立 玉 米 Ｌ Ｉ 算 模 型 。结 果 显 示 ， 样 波 段 间 隔越 窄 ， 演 精度 越 高 ， 采 样 波 段 间 隔 １ ４ｎ３的 Ｐ （ ７， １） Ａ 估 采 反 在 ． ｎ ． ＶＩＲ６ Ｒ９ ７ ８ 反演 ２０ ０ ４年 的 玉 米 Ｌ 模 型 中 ， 佳 回 归 方 程 是 指 数 函 数 ， 度 达 ９ ． ％ ， 准 差 为 ０ １９ ， ＭＳ ＡＩ 最 精 １１ 标 ．９ ７ Ｒ Ｅ＝０ ０ ９ ， ．３ ９ 通 过 了 ００ ． １极 显 著 验 证 。 采 用 高 光 谱 数 据 构 建 的 Ｐ 植 被 指 数 对 玉 米 Ｌ 的估 算 可 以取 得 较 高 的精 度 。 ＶＩ ＡＩ
玉米冠层叶片氮素营养估测研究——基于近地多光谱图像
０ 引 言
氮素诊断是作物长势 诊断的重要指标 ， 目前 常用 的诊断方法大致分为两类 ： 一类是传统 的化学测量方
法， 即在实验室通过化学手 段测定作物本 身的氮素状 况。此种方法虽然测定的氮素营养含量准确度高 ， 但
从 取 样 、 验 室 测 定 到 数 据 分 析 ， 个 过 程 既 耗 费 时 实 整
．
道的叶片平 均灰度 之间 的可 比性 。计 算基 于灰度 的
植被指数 ， 与玉米冠层 叶片氮素 营养含量进行相关 性
析速度快 、 度高 、 精 结果 稳定和无 破坏 等优 点 。利
用计算机视觉图像 中植物 与形状信 息、 纹理特征与光
谱特征等对 植物 生长状态进 行监测 和诊 断研究是计
收 稿 日期 ：２ １ — ２ ０ ００ １ －６
基 金项 目：国家 “ ６ ” ８ ３ 计划项 目（ ０ ７ Ａ Ｏ ２ ７ ； ２ ０ Ａ ｌＺ ０ ） 国家 自然 科学基 金
取 作物信息 ， 遥感 图像包含 了大面积作物信 息 ， 在对
于区域作物 营养水 乎监测 管理 上有很 大优势 。但 这 种 高空遥感 对天 气状况 以及 图像处 理技术 的要求 比
较高， 而且成本较高 。因此 ， 用便携式 的 Ｃ Ｄ多光 使 Ｃ 谱相机口 代替航 空航天成 像 ， 以更便利 、 可 快捷地 获 取高分辨率 的中小地块作 物多光谱 图像 ， 能应用 于 并
算机技术结合植 物学 等多学科 交叉融合 形成 的新研
究领域 。国外使用多 光谱 和 Ｃ Ｄ成像 对作物长 势管 Ｃ
理方面的研究 起步较早 ｊ ｉ ｌ 等分析 了多光 谱 。Ｋｍ ５
传感器获得的作物光谱 ， 建立 了作物光谱和含氮 量关
基于高光谱成像的农作物无损检测研究
基于高光谱成像的农作物无损检测研究随着科技的不断发展，高光谱成像技术被越来越多地应用于农业领域中。
农作物是人类的重要粮食来源，而精确地了解农作物的生长状态和品质对于提高农作物的产量和品质具有重要意义。
而高光谱成像技术的无损检测能够提供农作物生长状态细腻的空间分布信息，使农民和科学家们能够更精确地了解其生长状态和品质，进而进行有效的管理和治理。
一、高光谱成像技术原理高光谱成像技术是指通过光谱分析，获取多波段图像信息，同时获取每一个像素点的连续谱信息。
它可以获取细微颜色与纹理变化的光谱响应，从而得到物体的光谱特征，同时能够进行深入的分析和调查。
高光谱成像技术可以提供高精度的物质分析和检测。
二、农作物无损检测应用1. 大规模农田遥感监测高光谱成像技术能够获取农田中大规模农作物生长状态数据，从而提高农作物的生产效率和品质。
在遥感监测中，可以通过对不同光线反射光谱的分析，得到植物的生长状态和品质信息。
在大规模农田监测中，我们可以提高农民观测农作物的手工记录效率，同时也能够为农业科学研究和管理提供数据支持。
2. 农作物病害监测高光谱成像技术的另一个应用是农作物病害检测。
通过高光谱成像技术，我们可以通过光谱响应来获取农作物的生长状态和品质信息。
同时，我们也可以根据农作物叶片形态的变化来推断农作物是否患病，并可以对植被表面物质进行定量的分析和判断。
现在，许多国家使用该技术，可以以较低的成本及时检测出农作物中的病害（如病斑和萎缩），从而对其进行管理和治理。
3. 农产品质量检测高光谱成像技术还可以应用于农产品的质量检测。
通过高光谱成像技术，我们可以获取精确的光谱信息，从而推断农产品的品质状况，如成熟度、酸度、糖分、水分等。
此外，在构建数据模型方面，高光谱成像技术可以更精确地进行复杂的扫描，并使用多种方法进行数据处理和分析，从而识别和判定不同的品质。
三、高光谱成像技术的潜力和前景伴随着科技的不断发展，高光谱成像技术不断完善和发展，其超强的信息处理和识别性能被人们充分发掘和运用。
玉米冠层lai反演中uav影像镜面反射去除方法
2020年5月农业机械学报第51卷第5期doi:10.6041/j.issn.1000⁃1298.2020.05.019玉米冠层LAI 反演中UAV 影像镜面反射去除方法苏 伟1,2 谢茈萱1,2 王 伟1,2 金 添1,2 王新盛1,2(1.中国农业大学土地科学与技术学院,北京100083;2.农业农村部农业灾害遥感重点实验室,北京100083)摘要:针对玉米叶片反射太阳光时因镜面反射导致获得的无人机影像反射率中存在与冠层结构无关的镜面反射部分,从而影响玉米冠层LAI 的反演精度问题,本研究利用小波变换对无人机影像不同波段的阈值设置,在不影响漫反射的前提下削弱镜面反射成分,尽量只保留与冠层结构有关的反射率成分㊂以2018年7月15日和7月26日获取的河北农业大学辛集试验站多光谱无人机影像为数据源,构建了NDVI㊁GNDVI㊁SAVI 和EVI 4个植被指数,并分别与ln(LAI )构建玉米冠层的单变量反演模型,利用决定系数和均方根误差进行LAI 反演精度评价㊂精度评价结果表明,在7月15日玉米植株较稀疏时,去除镜面反射后,4个植被指数反演LAI 与实测LAI 的决定系数分别从0.7190㊁0.5598㊁0.6241㊁0.5985上升至0.7633㊁0.6940㊁0.6497㊁0.6194,均方根误差分别从0.2244㊁0.2526㊁0.2214㊁0.2245下降到0.1880㊁0.1958㊁0.1918㊁0.1987,说明去除镜面反射可以提高LAI 的反演精度㊂在7月26日玉米植株相对茂密时,去除镜面反射后,4个指数构建模型对应的决定系数也同样提高,但在这种情况下,NDVI 和GNDVI 容易发生饱和,用阈值法降低反射率反而会加剧饱和现象,使这2个指数不能充分反映LAI 的变化㊂SAVI 和EVI 因为加入了冠层背景调整因子,植被指数的变化得到放大,二者在去除镜面反射后与ln(LAI )拟合模型的决定系数都达到0.6以上,因此,在植被覆盖较茂密时,SAVI 指数和EVI 指数更适合用于LAI 反演㊂关键词:无人机影像;叶面积指数;反演;镜面反射去除;小波变换中图分类号:TP79;S513文献标识码:A文章编号:1000⁃1298(2020)05⁃0173⁃09OSID :收稿日期:20190910 修回日期:20191114基金项目:国家重点研发计划项目(2017YFD0300903)㊁国家自然科学基金项目(41671433)和中央高校基本科研业务费专项资金项目(2019TC117㊁2019TC138)作者简介:苏伟(1979 ),女,副教授,博士生导师,主要从事农业遥感和激光雷达农业应用研究,E⁃mail:suwei@Specular Reflection Removal of UAV Image in Corn Canopy LAI InversionSU Wei 1,2 XIE Zixuan 1,2 WANG Wei 1,2 JIN Tian 1,2 WANG Xinsheng 1,2(1.College of Land Science and Technology ,China Agricultural University ,Beijing 100083,China2.Key Laboratory of Remote Sensing for Agri⁃Hazards ,Ministry of Agriculture and Rural Affairs ,Beijing 100083,China )Abstract :In order to solve the problem of accuracy of inversion of corn canopy LAI,it is necessary to study the effect of specular reflection on the image reflectance of unmanned aerial vehicle (UAV),which is independent of canopy structure.The wavelet transform was used to set the threshold of different bands of UAV image,and the specular reflection was weakened without affecting the diffuse reflection.The vegetation indices:NDVI,GNDVI,SAVI and EVI were constructed by using multi⁃spectral UAV images of the Hebei Agricultural University Xinji Test Station acquired on July 15th and 26th,2018.The single⁃variable inversion model of maize canopy LAI was constructed,and the accuracy of LAI inversion was evaluated by R 2and RMSE.The results showed that when the maize plants were sparse on July 15th,the R 2of vegetation indices and measured LAI after removing specular reflection were raised from 0.7190,0.5598,0.6241and 0.5985to 0.7633,0.6940,0.6497and 0.6194,and the RMSE was also decreased from 0.2244,0.2526,0.2214and 0.2245to 0.1880,0.1958,0.1918and 0.1987,which showed that removing specular reflection can improve the accuracy of LAI inversion.On July 26th,when the maize plants were relatively dense,the R 2of the four indices were also increased after the removal of specular reflection,which proved that the removal of specular reflection could improve the correlation between vegetation indices and LAI.However,in this case,NDVI and GNDVI tended to be saturated,and reducing the reflectivity by threshold method would aggravate the saturation phenomenon,so the two indices could not fully reflect the change of LAI.Meanwhile,SAVI and EVI were amplified byadding a canopy background adjustment factor,and their R2of fitting model with ln(LAI)were both over 0.6after removing specular reflection.Thus SAVI and EVI were more suitable for LAI inversion when vegetation cover was dense.Key words:unmanned aerial vehicle image;leaf area index;inversion;specular reflection removal;wavelet transform0 引言无人机(Unmanned aerial vehicle,UAV)遥感以其机动灵活㊁快速高效㊁成本低等优势逐渐成为获取小范围农田高空间分辨率遥感影像的重要手段㊂相比传统卫星遥感影像,无人机遥感影像的作业周期较短,使用时间灵活,便于根据实际需要获取影像[1]㊂另外,其影像空间分辨率较高,可用于反演作物冠层叶面积指数(Leaf area index,LAI)㊁叶绿素含量㊁株高等信息,对实现地块级别的农作物精准管理具有很大优势[2-3]㊂LAI是单位地表面积上植物叶面面积的总和[4],可以反映作物长势,也可以为产量预测提供依据[5-6]㊂目前,利用多光谱遥感影像反演叶面积指数的方法主要有两类:基于植被指数的统计方法和基于物理模型的辐射传输率模型法[7]㊂前者优势在于简单㊁快速,但存在易受土壤干扰㊁植被指数易饱和等缺点[8]㊂后者则是基于严格的物理和数学推导,其优势在于不受植被类型和空间范围的局限,但其本质是一个病态反演过程,存在解的不唯一性[9],并且输入参数较多,不易操作㊂本文选择基于植被指数的统计回归方法进行玉米冠层LAI反演㊂基于植被指数的LAI的反演精度受很多因素影响,如土壤背景的干扰㊁传感器的光谱响应函数等㊂为提高反演精度,有学者提出了各种改进方法㊂文献[10]将植被指数与LAI用BP神经网络模型进行训练,结果显示,此次方法对玉米冠层LAI具有较好的反演结果,但遥感影像反射率存在镜面反射㊂文献[11]测量了玉米叶片的散射分布,发现叶片表面反射是非朗伯的,玉米叶片的镜面反射在可见光波段可达50%㊂还有学者提出,叶片上的蜡质层会影响PROSECT5模型的模拟精度[12],并认为蜡质层的存在是桉树叶片中色素浓度估计误差的主要来源[13]㊂文献[14]分别对构树㊁银杏和常春油麻藤进行了实验,证明不同表面粗糙度的叶片都存在一定程度的镜面反射㊂并认为,镜面反射的存在会影响叶绿素反演的精度,当通过偏振消除镜面反射后,各方向上的叶绿素反演精度都得到提升㊂因此,为提高玉米冠层LAI反演精度,预处理后的无人机影像需要进一步去除镜面反射成分㊂有研究通过识别高亮区域,将高亮区域去除,并利用周围信息补全来去除镜面反射[15],也有研究通过偏振的方法去除镜面反射[14],二者都取得了较好的效果㊂但是这两种方法对于星下点成像的无人机影像均不适用㊂小波变换是通过对空间(时间)频率的局部化分析,分离影像中的主要特征和次要特征,因此有学者提出使用小波变换法去除遥感影像的镜面反射成分[16-17],且都已证明小波变换对于去除镜面反射的确有效㊂基于此,本文利用小波变换去除部分无人机影像上玉米冠层的镜面反射成分,以期提高玉米冠层LAI反演精度㊂1 研究区概况与数据源1.1 研究区概况研究区位于河北省辛集市河北农业大学辛集试验站,地理范围为115°17′58″~115°18′4″E, 37°47′50″~37°47′55″N,地理位置如图1所示㊂该试验站位于华北平原,地势平坦,气候四季分明,冬季寒冷干燥,夏季炎热多雨,年平均气温约12.5℃,属于暖温带半湿润大陆性气候㊂该区域的主要耕作方式是冬小麦和夏玉米轮作,无人机影像获取时研究区内的作物全部为玉米㊂1.2 数据源1.2.1 无人机影像课题组分别在2018年7月15日和7月26日获取了研究区的无人机影像㊂获取影像时天气晴朗无云,飞行时间均为12:00左右,时间跨度为20min,飞行高度为50m㊂研究区面积约为6.67hm2,所使用的无人机影像由一个架次影像拼接而成㊂无人机所搭载的传感器为Parrot Sequoia+,其获取的多光谱数据包含4个波段,分别为绿㊁红㊁红边和近红外波段,其波段信息如表1所示㊂采集的原始影像的空间分辨率为0.055m×0.055m,但由于GPS定位精度限制以及背景土壤的干扰,为解决尺度差异问题将无人机影像的空间分辨率转换为0.6m×0.6m㊂1.2.2 野外测量数据在获取无人机影像的同时,进行玉米冠层参数的野外实地测量,测量参数包括LAI㊁玉米叶片光谱㊁冠层光谱等,测量位置利用差分GPS进行精准471农 业 机 械 学 报 2020年图1 研究区示意图Fig.1 Location of study area表1 UAV 影像波段光谱参数Tab.1 Bands of UAV remote sensing image nm 波段中心波长波段宽度绿(Green)55040红(Red)66040红边(Red⁃edge)73510近红外(NIR)79040定位㊂将研究区按照田埂和种植间隔划分成小格,每格内的种植品种㊁种植密度和灌溉情况等基本相同,故尽量在每一格中都选取样本点㊂LAI 测量采用美国Li⁃cor 公司生产的LAI2000型植物冠层分析仪,测量时选取1m ×1m 的小样方,分别在样方的4个角和中心位置测量LAI,取均值作为中心点的LAI㊂LAI 测量的同时,利用华测i80型差分GPS 接收机准确记录中心位置的地理坐标㊂数据预处理过程中剔除误差过大的噪声点,最终得到7月15日的54个样本点数据和7月26日的72个样本点数据,取其中1/4样本点用于反演精度评价,另外3/4用于与ln(LAI )构建模型㊂取验证点时也尽量保持均匀分布,随机选取㊂2 模型与方法2.1 镜面反射去除方法镜面反射指的是在强光源入射时,在其与法线对称的方向上形成强烈反射,这种情况多出现于光滑的表面[18],如水面和蜡质层覆盖明显的叶片㊂叶片引起的镜面反射只携带了叶片表面的信息,此部分反射没有与细胞㊁叶绿素和水等作用,与叶片的结构无关[19],无法反映叶片内部情况,因而在LAI 等参数反演时,镜面反射的存在会影响反演精度㊂现有的大部分研究中镜面反射的去除多是针对水面的情况,然而水面出现镜面反射的情况多会出现水体高光,在部分区域达到反射率饱和[20]㊂与此相比,无人机影像获取影像中出现的镜面反射并不会形成如此强烈的高光㊂一方面是由于研究区种植的作物是玉米,而玉米叶片为革质叶片,并带有细小的绒毛,表面不如水面光滑;另一方面是因为玉米拥有多片叶,叶片的倾斜方向不相同,且不同植株之间的叶片相互交叠,反射情况复杂,发生镜面反射的方向也不相同,导致在玉米冠层中各个方向的镜面反射会混合在一起㊂所以,实际获得的无人机影像将包含两部分的反射,一部分是不含有效信息的镜面反射,另一部分为包含玉米冠层有效信息的漫反射㊂2.2 PROSAIL 辐射传输模型PROSAIL 模型是一个由PROSPECT 模型和SAIL 模型耦合而适用于模拟植被冠层反射率的模型[9],它综合考虑了叶片的生化参数㊁植被冠层结构和二向散射特性等条件,可以通过输入LAI㊁太阳天顶角㊁观测天顶角㊁叶绿素含量等参数反演出样本点的反射率㊂该模型根据辐射传输理论,模拟了光在植被冠层中的传播[21],其反演的反射率与叶片结构有关,能够反映叶片的生长情况㊂因此,本文将实测的LAI 和其他生理生化参数的经验值作为模型的输入值,对样本点进行反射率的反演,得到的结果可近似于漫反射部分,作为镜面反射去除后精度验证的依据㊂2.3 植被指数构建已有大量研究表明,植被指数与LAI 有较好的相关性[4,8,22],考虑到无人机影像只有绿波段㊁红波段㊁近红外波段和红边波段,所以选取由这4个波段构成的且与LAI 有较好相关性的归一化植被指数(NDVI)[18]㊁增强型植被指数(EVI)[4]㊁土壤调节植571第5期 苏伟等:玉米冠层LAI 反演中UAV 影像镜面反射去除方法被指数(SAVI)[8]和绿通道植被指数(GNDVI)[18]进行相关性研究㊂2.4 小波变换由于实测光谱中包含部分土壤背景的反射率,可能会引起测量的冠层反射率增加㊂另外模型模拟时对叶片光学特性的假设必然与实际情况有所不同,也可能导致实测反射率与模拟的反射率有偏差㊂另外玉米叶片并非理想的漫反射体,而是表面带有毛刺等结构,这使得叶片反射率有明显的镜面反射或者后向散射等非朗伯体特征㊂而本实验所采用的PROSAIL 模型反演中存在描述土壤背景的参数,对于土壤的影响已进行了模拟,而镜面反射部分没有考虑㊂所以本文对影像进行小波变换,通过设置阈值来去除这部分镜面反射成分㊂本文基于离散小波变换,将原始影像进行分解,分别得到了低频分量㊁水平高频分量㊁垂直高频分量和对角线高频分量㊂对低频分量采用阈值法去除影像中包含的镜面反射,即去除分量中小于阈值的部分㊂而阈值法通常可分为软阈值法和硬阈值法[22],本文选择软阈值法对低频分量进行处理,即将低于阈值的分量置零,高于阈值分量的绝对值减去阈值㊂最后将去除部分信号后的低频分量重新与高频分量组合,通过小波反变换重建变换为空间域影像㊂2.5 模型的评价标准文献[23]指出比值型植被指数和归一化植被指数与LAI 及其自然对数ln(LAI )的相关性存在差异,比值型植被指数应与LAI 建立线性回归关系,而归一化类植被指数应与ln(LAI )建立回归关系㊂本文选择的4个植被指数都可以认为是归一化类的植被指数,所以都将与ln(LAI )进行线性回归拟合㊂本文选用决定系数(R 2)和均方根误差(RMSE)2个指标来反映植被指数与ln(LAI )的相关性水平㊂其中RMSE 可以反映数据集的离散程度,其值越小,说明模型的精度越高㊂而R 2表示了相关的密切程度,当R 2越接近1时,表示相关的方程式参考价值越高;相反,越接近0时,表示参考价值越低㊂3 结果与分析3.1 小波变换阈值设置将提取的无人机影像样本点的反射率与相同样本点上PROSAIL 模型反演的反射率进行对比,如图2所示㊂从图2可以看出,原始影像的反射率明显高于模型反演的反射率,说明镜面反射的确存在于无人机影像中㊂其中红波段和绿波段的模型反演值和影像提取的值相差较小,而近红外波段和红边波段的差相对较大㊂图2 小波变换后样本点上反射率对比Fig.2 Comparison of reflectivity after wavelet at sample points 本文共设置了3个阈值:0.05㊁0.1和0.2,将重建后影像的样本点反射率分别与原始影像和PROSAIL 模型反演的反射率进行对比,得到的结果如图2所示㊂可以发现小波变换可以有效地降低反射率,使其更接近于模型反演的结果,从而削弱镜面反射带来的影响㊂从图2可以看出,当阈值为0.2时,绿波段和红波段原始影像的反射率与PROSAIL 模型反演的反射率接近㊂而对于近红外波段和红边671农 业 机 械 学 报 2020年波段来说,当阈值为0.2时,其反射率仍然整体高于模型反演结果㊂从提取结果来考虑,本文选择0.2为去除镜面反射最佳的阈值㊂3.2 基于不同植被指数的LAI反演结果分析基于7月15日无人机影像得到的4个植被指数与实测LAI的自然对数ln(LAI)建立的回归模型如表2所示,散点图如图3所示㊂4个指数与ln(LAI)都呈正相关关系,说明随着植被指数的增长,ln(LAI)也随之线性增长,则LAI也呈指数型增长㊂从决定系数来看,4个线性拟合方程的决定系数都超过了0.5,说明这4个植被指数与LAI的拟合程度较好,植被指数与LAI的相关性较大㊂其中NDVI的决定系数最高,达到了0.7190,说明NDVI 与LAI的相关性最好,而决定系数最低的是 GNDVI,决定系数为0.5598㊂从均方根误差来看, 4个拟合方程的均方根误差都为0.22左右,说明这4个回归模型对LAI的解释能力都较好㊂表2 7月15日植被指数与ln(LAI)的相关关系与LAI反演精度评价结果Tab.2 Correlation of four vegetation indexes with in⁃situ measured LAI and estimation accuracy on July15th植被指数线性拟合方程决定系数(R2)均方根误差(RMSE) NDVI y=2.5852x-1.37340.71900.2244 EVI y=1.8308x-0.82790.59850.2245 SAVI y=2.3889x-1.06490.62410.2214 GNDVI y=3.9599x-2.06140.55980.2526 注:x为相应的植被指数,y为ln(LAI),下同㊂图3 7月15日植被指数与ln(LAI)相关性及精度验证散点图Fig.3 Correlation of vegetation indices with ln(LAI)on July15th 基于7月26日获取的无人机影像计算的植被指数与ln(LAI)之间的回归关系如表3所示,样本的散点图如图4所示㊂同样,对于该无人机影像来说,4个指数同样与ln(LAI)呈正相关㊂从决定系数来看,相比于7月15日,由26日影像得到的拟合方程的决定系数都明显偏低,说明随着LAI的增大,这4个植被指数与LAI的拟合程度下降㊂NDVI㊁EVI和SAVI拟合的模型决定系数都为0.46左右,而表3 7月26日植被指数与ln(LAI)的相关关系与LAI反演精度评价结果Tab.3 Correlation of four vegetation indexes with in⁃situmeasured LAI and estimation accuracy on July26th植被指数线性拟合方程决定系数(R2)均方根误差(RMSE)NDVI y=5.8119x-4.04920.46770.2508 EVI y=2.0968x-0.64590.46470.2111 SAVI y=2.9477x-1.08460.46040.2097 GNDVI y=5.2481x-2.73950.48020.2438GNDVI最高,为0.4802㊂另一方面,4个指数拟合模型的均方根误差为0.2097~0.2508,其中最低的是SAVI,说明4个回归模型对LAI的解释能力相对较好㊂从以上2幅影像模型模拟结果来看,在植株覆盖较稀疏时NDVI在反演LAI上更具优势,而当植株覆盖相对茂密时,4个指数中,GNDVI和SAVI 更为适合㊂3.3 去除镜面反射后与实测LAI的比较分析用去除部分镜面反射后的4个波段构建植被指数,将样本点的植被指数与ln(LAI)进行相关性分析,得到的结果如表4所示㊂4个指数的线性拟合方程中,决定系数最高的仍然是NDVI,但是经过小波变换处理后的影像拟合的方程决定系数由0.7190提高至0.7633,说明相关性增大,同时均方根误差也降低到了0.1880,反演的精度得到提高㊂另外3个植被指数的决定系数也有一定程度的提升, GNDVI拟合方程的决定系数提高较多,由0.5598771第5期 苏伟等:玉米冠层LAI反演中UAV影像镜面反射去除方法图4 7月26日植被指数与ln(LAI )相关性及精度验证散点图Fig.4 Correlation of vegetation indices with ln(LAI )on July 26th表4 7月15日小波变换后植被指数与ln (LAI )的模型反演结果与精度检验结果Tab.4 Estimation models after wavelet of corn LAIand accuracy assessment result on July 15th植被指数线性拟合方程决定系数(R 2)均方根误差(RMSE)NDVI y =2.5226x -1.90780.76330.188EVI y =1.7914x -1.02290.61940.1987SAVIy =2.455x -1.35350.64970.1918GNDVIy =5.015x -3.80980.69400.1958图5 7月15日小波变换后植被指数与ln(LAI )相关性及精度验证散点图Fig.5 Correlation of vegetation indices after wavelet transform with ln(LAI )on July 15th提高到0.6940,而SAVI 和EVI 拟合方程的决定系数也分别提高到了0.6497和0.6194㊂4个决定系数都超过了0.6,说明去除镜面反射的确可以提高植被指数与LAI 的相关性,且相关性较高㊂从均方根误差的角度来看,4个植被指数对应的均方根误差也都一定程度地下降,说明处理后植被指数的反演精度得到提升㊂从图5来看,样本点上的NDVI 和GNDVI 相比未处理影像更接近饱和,其中NDVI 已存在饱和现象,但是其反演精度依然得到提升㊂从决定系数和均方根误差来看,在玉米植株较稀疏时,在4个指数中NDVI 最适合用于反演LAI㊂同样对7月26日影像和野外实测LAI 也进行了相关性分析,得到的结果如表5所示㊂从结果可以看出,4个指数对应的决定系数都有所增加,再次证明了去除镜面反射可以提高植被指数与LAI 的相关性㊂EVI 对应的决定系数由0.4647提高到了0.6007,SAVI 对应的决定系数也由0.4604提高到了0.6040,这2个指数的提升幅度较大,而相对的,NDVI 和GNDVI 对应的决定系数提升不明显㊂从图6可以看出,GNDVI 和NDVI 均方根871农 业 机 械 学 报 2020年误差大,并且相比上一时段饱和现象更为严重,NDVI 的平均值达到0.94,GNDVI 的平均值也达到了0.82㊂文献[24]指出在LAI 较大,即植被较茂密的区域,NDVI 容易达到饱和,对LAI 的变化反映不灵敏㊂因为在植被茂密的区域,近红外波段的反射率远高于红波段的反射率,归一化植被指数对红波段的变化不敏感㊂同理对GNDVI 来说,近红外的反射率仍远高于绿波段,使得GNDVI 的值虽然小于NDVI 但是对绿波段的变化也不敏感㊂从图2可以看到,在去除镜面反射后,红波段和绿波段的反射率较低,接近0,而近红外波段的反射率仍然较高,这加剧了NDVI 和GNDVI 的饱和,其相关性反而降低㊂而SAVI 和EVI 考虑了土壤背景因素,植被指 表5 7月26日小波变换后植被指数与ln (LAI )的模型反演结果与精度检验结果Tab.5 Estimation models after wavelet of corn LAIand accuracy assessment result on July 26th植被指数线性拟合方程决定系数(R 2)均方根误差(RMSE)NDVI y =5.6065x -4.24150.47600.2615EVI y =2.4532x -0.72050.60070.2019SAVIy =3.3125x -1.15780.60400.2018GNDVIy =5.5155x -3.47710.42920.2470数的变化得到调节,在植株茂密区域不易达到饱和,相关性提高㊂所以在玉米植株覆盖较茂密时,选用EVI 和SAVI 来反演LAI 更为合适㊂图6 7月26日小波变换后植被指数与ln(LAI )相关性及精度验证散点图Fig.6 Correlation of vegetation indices after wavelet transform with ln (LAI )on July 26th图7 基于NDVI㊁SAVI 植被指数的玉米冠层LAI 反演结果Fig.7 Retrieved maize canopy LAI using NDVI and SAVI3.4 LAI 反演结果分析通过以上分析,证明了小波变换可以去除影像中的部分镜面反射,从而提高LAI 的反演精度㊂所以本文分别选择由NDVI 构建的模型y =2.5226x -1.9078对7月15日影像进行LAI 反演,和由SAVI构建的模型y =3.3125x -1.1578对7月26日影像进行LAI 反演,得到的结果见图7㊂7月15日影像反演的LAI 取值在0.012~1.85之间,大部分区971第5期 苏伟等:玉米冠层LAI 反演中UAV 影像镜面反射去除方法域的LAI都集中在1.68~1.85区间内㊂而7月26日影像反演的LAI取值在0.04~6.87之间,多数区域的取值范围为0.51~0.67㊂4摇结论(1)对于原始影像而言,在玉米植株较稀疏时, 4个植被指数与ln(LAI)的决定系数均较高,在反演LAI时具有一定的可信度㊂其中NDVI与ln(LAI)呈现良好的相关关系,而GNDVI与ln(LAI)的相关性相对较小㊂在玉米植株相对茂密时,4个植被指数与ln(LAI)的相关性减小,对应的决定系数相差不大,其中GNDVI的决定系数相对较高㊂(2)对7月15日的无人机影像去除镜面反射后,4个植被指数与ln(LAI)拟合模型的决定系数均提高,说明去除镜面反射的确能提高植被指数与LAI的相关性㊂其中,NDVI与ln(LAI)拟合的模型决定系数达到了0.7633,在4个指数中决定系数最高,此外其他3个指数拟合模型的决定系数也都提高到0.6以上㊂而对7月26日的无人机影像去除镜面反射后,4个指数与ln(LAI)拟合模型的决定系数同样提高,再次证明了去除镜面反射可以提高与LAI相关性㊂在玉米植株较茂密的区域使用小波变换方法会加剧NDVI和GNDVI的饱和现象,而SAVI 和EVI由于考虑了土壤等背景因素的影响,通过系数将植被指数的变化放大,饱和现象不如NDVI和GNDVI严重㊂因此,在植被相对茂密的情况下SAVI和EVI更适合反演LAI㊂(3)用小波变换结合阈值法能够去除镜面反射,从而提高了植被指数LAI的反演精度㊂这种方法在玉米植株较稀疏的情况下效果较好,且使用NDVI反演LAI能得到较好效果;而在植株茂密的情况下易出现植被指数饱和,使用EVI和SAVI反演LAI效果更好㊂由于未进行物理实验验证,故无法对小波变换去除镜面反射的效果定量描述,后续工作将对实验进行补充㊂参考文献[1] 高林,杨贵军,于海洋,等.基于无人机高光谱遥感的冬小麦叶面积指数反演[J].农业工程学报,2016,32(22):113-120.GAO Lin,YANG Guijun,YU Haiyang,et al.Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing[J].Transactions of the CSAE,2016,32(22):113-120.(in Chinese)[2] 韩文霆,李广,苑梦婵,等.基于无人机遥感技术的玉米种植信息提取方法研究[J/OL].农业机械学报,2017,48(1):139-147.HAN Wenting,LI Guang,YUAN Mengchan,et al.Extraction method of maize planting information based on UAV remote sensing techonology[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017,48(1):139-147.http:∥www.j⁃/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170118&journal_id=jcsam.DOI:10.6041/j.issn.1000⁃1298.2017.01.018.(in Chinese)[3] 刘建刚,赵春江,杨贵军,等.无人机遥感解析田间作物表型信息研究进展[J].农业工程学报,2016,32(24):98-106.LIU Jian’gang,ZHAO Chunjiang,YANG Guijun,et al.Review of field⁃based phenotyping by unmanned aerial vehicle remote sensing platform[J].Transactions of the CSAE,2016,32(24):98-106.(in Chinese)[4] 贺佳,刘冰锋,李军.不同生育时期冬小麦叶面积指数高光谱遥感监测模型[J].农业工程学报,2014,30(24):141-150.HE Jia,LIU Bingfeng,LI Jun.Monitoring model of leaf area index of winter wheat based on hyperspectral reflectance at different growth stages[J].Transactions of the CSAE,2014,30(24):141-150.(in Chinese)[5] 李凤秀,张柏,宋开山,等.基于垂直植被指数的东北黑土区玉米LAI反演模型研究[J].干旱地区农业研究,2008(3):33-38,54.LI Xiufeng,ZHANG Bai,SONG Kaishan,et al.Retrieval model for estimating corn LAI in black soil region of Northeast China based on perpendicolar vegetation index[J].Agricultural Research in the Arid Areas,2008(3):33-38,54.(in Chinese) [6] 唐怡,黄文江,刘良云,等.株型对冬小麦冠层叶面积指数与植被指数关系的影响研究[J].干旱地区农业研究,2006(5):130-136.TANG Yi,HUANG Wenjiang,LIU Liangyun,et al.Influence of plant geometry on relationships between LAI and VIs in wheat canopy[J].Agricultural Research in the Arid Areas,2006(5):130-136.(in Chinese)[7] 贾玉秋,李冰,程永政,等.基于GF1与Landsat8多光谱遥感影像的玉米LAI反演比较[J].农业工程学报,2015,31(9):173-179.JIA Yuqiu,LI Bing,CHENG Yongzheng,et parison between GF1images and Landsat8images in monitoring maize LAI[J].Transactions of the CSAE,2015,31(9):173-179.(in Chinese)[8] 束美艳,顾晓鹤,孙林,等.基于新型植被指数的冬小麦LAI高光谱反演[J].中国农业科学,2018,51(18):3486-3496.SHU Meiyan,GU Xiaohe,SUN Lin,et al.High spectral inversion of winter wheat LAI based on new vegetation index[J].Scientia Agricultura Sinica,2018,51(18):3486-3496.(in Chinese)[9] 李亚妮,鲁蕾,刘勇.基于PROSAIL模型的水稻田缨帽三角叶面积指数模型及其应用[J].应用生态学报,2017,28(12):3976-3984.LI Yani,LU Lei,LIU Yong.Tasseled cap triangle(TCT)leaf area index(LAI)model of rice fields based on PROSAIL model and its application[J].Chinese Journal of Applied Ecology,2017,28(12):3976-3984.(in Chinese) [10] 张琪.基于无人机遥感的玉米表型信息提取技术研究[D].哈尔滨:东北农业大学,2017.ZHANG Qi,The research on extraction of maize phenotypic information based on unmanned aerial vehicle[D].Harbin: Northeast Agricultural University,2017.(in Chinese)[11] 谢东辉,王培娟,覃文汉,等.叶片非朗伯特性影响冠层辐射分布的辐射度模型模拟与分析[J].遥感学报,2007,11(6):868-874.XIE Donghui,WANG Peijuan,QIN Wenhan,et al.A study on the radiance distribution in the canopy affected by non⁃lambert 081农 业 机 械 学 报 2020年。
基于CGMD302光谱仪的甜玉米生长发育指标监测研究
ｏ ｆ Ｋ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ． Ｔｈ ｅ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｒ ｅ ｆ ｌ ｅ ｃ ｔ ａ ｎ ｃ ｅ ｏ ｆ ｃ ｏ ｒ ｎ ｃ ａ ｎ ｏ ｐ ｙ ｗａ ｓ ｍｅ ａ ｓ ｕ ｒ ｅ ｄ ｂ ｙ Ｃ ＧＭ Ｄ３ ０ ２ ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｍｅ —
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｃ ｌ ａ ｒ ｉ ｆ ｙ ｔ ｈ ｅ ｑ ｕ ａ ｎ ｔ ｉ ｔ ａ ｔ ｉ ｖ ｅ ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｓ ｈ ｉ ｐ ｂ ｅ ｔ ｗｅ ｅ ｎ ｔ ｈ ｅ ｇ ｒ ｏ ｗｔ ｈ ｐ ａ ｒ ａ ｍｅ ｔ ｅ ｒ ｓ ａ ｎ ｄ ｃ ａ —
ｎｏ ｐｙ ｓ ｐ ｅ ｃ ｔ ｒ ａ １ ｉ ｎｄ ｅ ｘ ｏ ｆ ｓ ｗｅ ｅ ｔ ｃ ｏ ｒ ｎ ａ ｎｄ ｐｒ ｏ ｖ ｉ ｄｅ ｔ ｈｅ ｄ ｅ ｃ ｉ ｓ ｉ ｏｎ ｂａ ｓ ｉ ｓ ｆ ｏ ｒ ｒ ａ ｐｉ ｄ ｌ ｙ ｍｏ ｎｉ ｔ ｏ ｒ ｉ ｎｇ ｔ ｈｅ ｇ ｒ ｏｗｔ ｈ ｉ ｎｄ ｉ ｃ ａ ｔ ｏ ｒ ｓ ｏ ｆ ｓ ｗｅ ｅ ｔ ｃ ｏ ｒ ｎ， ｔ ｈ ｅ ｆ ｉ ｅ ｌ ｄ ｅ ｘｐ ｅ ｒ ｉ ｍｅ ｎｔ ｏ ｆ Ｚｈ ｅ ｎ ｇｔ ｉ ａ ｎ ６ ８ ｗａ ｓ ｃ ａ ｒ ｒ ｉ ｅ ｄ ｏ ｕ ｔ ， ｗｉ ｔ ｈ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎｔ １ ｅ ｖ ｅ ｌ ｓ
（ Ｃｒ ｏ ｐ ｓ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ， Ｚｈ ｏ ｎ ｇ ｋ ａ ｉ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ａｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ｅ ａ ｎ ｄ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ， Ｇｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ ５ １ ０ ２ ２ ５， Ｃｈ ｉ ｎ ａ ）
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａｂｓｒ ｃ ： ｅ ｒｆｅ ｔｎ ｅ ａ ｄ ＬＡＩｏ ｉｅ ｃ ｎ ｐ ｎ ｈ ｂ ｖ ｇｏ ｎ ｒ ｔｅ ｒ ａ ｕ ｅ ｓｎ ｈ ｎ ｄ ｎ ｔ ａ ｔ Ｔｈ ｅ ｃａ ｃ ｎ ｌ ｆｍａｚ ａ ｏ ｙ ａ ｄ ｔ ｅ ａ ｏ ｅ ｒ ｕ ｄ ｄ ｙ ｍａｔｒｗｅｅ ｍｅ ｓ ｒｄ ｕ ｉ ｇ Ｚ ｅ ｇ ａ ９ ８ ａ ｄ Ｘｕ ｄ ｎ ２ ｓｅ ｐ ｒｍｅ ｔｍａｅ ａ ． ｈ ｅ ｒ ｓｉｎ ａ ａｙ ｉ ｓｃ ｒｉｅ ｕ ｏｄ ｔ ｒ ｉ ｅ ｔ ｅｒ ｌｔ ｎ ｆＬ ｎ ５ ｎ ｎ ａ ０ ａ ｘ ｅ ｉ ｎ ｔｒ １ Ｔ ｅ ｒｇ ｅ ｓｏ ｎ ｌｓｓｗａ ａ ｒｒｄ ｏ ｔｔ ｅｅ ｉ ｍ ｎ ｈ ｅａｉ ｓｏ ＡＩａ ｄ ｏ ａ ｏ ｅ ｏ ｎ ｒ ｉｍａ ｓｗｉｈ ＲＶＩａ ｄ ＮＤＶＩｃ ｍｐ ｓ ｄ ｏ ｉ ｅｅ ｔｗａ ｅ ｅ ｇｈ ． ｈ ｅ ｕ ｔｉ ｄｃ ｔｄ ｔ ａ ｈ ｏ ｒｌｔｏ ｂ ｖ ｇ ｕ ｄ ｄ ｂ ｏ ｓ ｔ ｒ ｙ ｎ ｏ ｏ ｅ ｆｄｆ ｒ ｎ ｖ ｌｎ ｔ ｓ Ｔ ｅ ｒ ｓ ｌ ｎ ｉａｅ ｈ ｔｔｅ ｃ ｒｅａｉｎ ｆ
维普资讯
ｎ Ｃ Ｔ ｎ ｌ Ｒ Ｃ ＪＵＲ Ｅ ｌ Ｉ ＵＩ Ａ ６
帅 艇 Ａ ｌＳＨ Ｇ Ｌ－ ＩＩ Ａ
华 北 农 学 报 ・ ０ ８ ２ １ ： １ ２ ２ ０ ， ３（ ） ２ ２ ２ ９
基 于冠 层 反 射 光 谱 的 玉 米 Ｌ Ｉ和 地 上 干 物 重 估 测 研 究 Ａ
（ Ａ ） 地 上 干 物 质 量 进 行 了 同步 测 定 。将 由 近 红 外 波 段 和 可 见 光 红 波段 组 成 的 不 同 的 归 一 化 植 被 指 数 （ Ｄ Ｉ 和 比 Ｌ Ｉ和 Ｎ Ｖ）
值植被指数 （Ｖ） 别与叶面积指数 、 上干物质量进行 回归分 析 ， 果表 明 ，Ｄ Ｉ 叶面积 指数 的相关性 优于 Ｒ Ｉ Ｒ Ｉ分 地 结 ＮＶ与 Ｖ 与 叶 面 积 指 数 的相 关 性 ， 以 Ｎ Ｖ （ ９ ，６ ） 叶 面 积 指 数 的幂 函数 回 归结 果 最 优 ； Ｖ 与地 上 干 物 质 量 的 二 项 式 回 且 Ｄ Ｉａ５ Ｒｓ 和 。 ０ ＲＩ
ｂ ｓ ． ｗｅ ｅ ， ｅｔ Ｈｏ ｖ ｒ ＲＶＩｈ ｄ ｓｇ ｉ ｃ ｎ ｌ ｉ ｏ ａ ｃ ｒｅａｉ ｎ ｗｉ ｂ ｖ ｇ ｏ ｎ ｒ ｉｍａ ｓ。 ｔ ｓｉ ｔ ｇ ｍｏ ｅ Ｙ ： ａ ｉ ｎｆ ａ ｔ ｂ ｎ ｍｉ ｉ ｙ ｌ ｏ ｌｔ ｔ ａ ｏ ｅ ｕ ｄ ｄ ｂ ｏ ｓ ｗｉｈ ａ ｅ ｔｍａｉ ｄ ｌ ｏ ｈ ｒ ｙ ｎ
ｏ Ａ ｔ Ｖ１ ｓｈｇ ｅ ｈ ｉ Ｉ ｗ ｉ ｈ ｏ ｅ ｎ ｔ ｎ ｒｇｅｓｏ （ ９ ， ６ｏ ｏ Ｖ ｉ Ａ ａ ｈ ｆＬ １ ｈＮＤ ｉｈ ｒｔａ ｗｔ ＲＶ ， ｈｌ ｔｅ ｐ ｗ ｒ ｕ ｃｉ ｅ ｒｓｉｎ Ｒ ５ Ｒ ５） ｆＮＤ １ｗ ｔ Ｌ １ｗ ｓｔｅ ｉ ｗ ｗａ ｎ ｈ ｅ ｆ ｏ ｏ ｈ
Ｃａ ｏ ｙ Ｓ ｅ ｔ ａ ｎｅ ｔ ｎ ｅ ｎ ｐ ｐ ｃ ｒ ｌＲｅ ｃ ａ ｃ
Ｚ Ａ ｉ ． ， Ｈ Ｎ ｕ —ｉｇ”， Ｕ Ｎ Ｓ ａ． ｎ ， Ａ ｉｇｂ Ｈ ０ Ｑａ １ 一 Ｚ Ｅ Ｇ Ｇ ｏｑｎ２ Ｄ Ａ ｈ ｏｆ Ｄ Ｉ ｎ —ｏ ｏｉ ｅ Ｔ
（ Ａｇｏ ｏ ｙｏ ａｊ ｇＡｇ ｃ ｌ ｒｌＵ ｉｅｓ ｙ Ｎ ｎｉｇ ２ ０ ５， ｈｎ ； １． ｒｎ ｍ ｆＮ ｎｉ ｒ ｕｔ ａ ｎｖ ｒｉ ， ａ ｊ １ ９ Ｃ ｉａ ｎ ｉ ｕ ｔ ｎ ０
中 图 分 类 号 ：５ ３ Ｏ ｓ１ ．１ 文 献 标 识 码 ： Ａ 文章 编 号 ：０ ０ ０ １ ２ ０ ） １ ２ ９ ４ １ ０ —７ ９ （ ０ ８ ０ —０ １ —０
Ｅｓ ｉ ａ ｉ ｎ ｏ ｔｍ ｔｏ ｆＬＡＩ ａ ｄ Ａｂ ｖ ｇ ｏ ｎｄ Ｄｒ ｏ ａ ｓ ｉ ａ ｚ ｓ ｄ ｏ ｎ ｏ ｅ ｒ ｕ ｙ Ｂｉ ｍ ｓ ｎ Ｍ ｉ ｅ Ｂａ ｅ ｎ
赵 巧 丽 ２ 郑 国清２ 段 韶 芬２ 戴 廷 波 ， ， ，
（． 京农业大学 农学院 ， 苏 南京 １南 江 ２０９ ； ． １０５ ２ 河南 省 农业 科 学 院 农 业 经 济 与 信 息 研 究 中心 ， 南 郑 州 河 ４ ００ ） ５０２
摘 要 ： ｃ ｐｃｎ 光 谱 辐 射 仪 测 定 了 玉米 品 种 郑 单 ９８和 浚 单 ２ 以 ｒ ｓａ 多 ｏ ５ Ｏ的冠 层 光 谱 反 射 率 ， 对 其 相 应 的 叶 面 积 指 数 并
归 效 果 显 著 ， 算模 型 为 ： ＝ 一０ ７ ２４ Ｒ ０ Ｒ ５） ７ ． Ｒ ＝ ７ ３５ ０ ０ ．３ （ ｓ ／ ６ ＋２ １ ４ ２ ０． 。 ０ ０ ９， ９
关键词 ： 玉米 ； 层 反 射 光 谱 ； 被 指 数 ； 面 积 指 数 ； 上 干 物 质 量 冠 植 叶 地
２． ｓ ａ ｃ ｎ ｅ ｆ Ａｇ ｉ ｕ ｔ ｒ ｏ ｏ ｎ ｎ ｏ ｍａ ｉ ｎ， ｎ ｎ Ｒｅ ｅ ｒ ｈ Ｃｅ ｔ ｒ ｏ ｒｃ ｌ ａ Ｅｃ ｎ ｍｙ ａ ｄ Ｉ ｆ ｒ ｔｏ Ｈｅ ａ ｕｌ
Ａ ａ ｅ ｆＡ ｒ ｕｔｒ ｃｅ ｃ ｓ Ｚ ｅ ｇ ｈｕ ４ ０ ０ Ｃ ｉａ） ｃ ｄ ｍｙｏ ｇ ｃ ｌ ｅＳ ｉｎ ｅ ， ｈ ｎ ｚｏ ５ ０ ２， ｈｎ ｉ ｕ