劉 軻，周清波，吳文斌， ，陳仲新，夏 天，王 思，唐華俊※

(1.農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室/中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081；2.農(nóng)業(yè)部遙感應(yīng)用中心成都分中心/四川省農(nóng)業(yè)科學(xué)院遙感應(yīng)用研究所，成都 610066；3.華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，湖北武漢 430079)

?

·技術(shù)方法·

物理模型光譜模擬誤差對(duì)冬小麥葉面積指數(shù)高光譜反演的影響*

劉 軻1， 2，周清波1，吳文斌1， 3，陳仲新1，夏 天3，王 思2，唐華俊1※

(1.農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室/中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081；2.農(nóng)業(yè)部遙感應(yīng)用中心成都分中心/四川省農(nóng)業(yè)科學(xué)院遙感應(yīng)用研究所，成都 610066；3.華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，湖北武漢 430079)

獲取農(nóng)作物葉面積指數(shù)(leaf area index，LAI)及其動(dòng)態(tài)變化對(duì)于農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量估測(cè)等應(yīng)用具有重要的意義?；诠趯臃瓷渎誓Ｐ?物理模型)的LAI遙感反演方法具有良好的普適性，對(duì)地面數(shù)據(jù)依賴較少，近年來廣泛應(yīng)用于農(nóng)作物L(fēng)AI高光譜反演研究。然而，當(dāng)物理模型參數(shù)取值盡可能準(zhǔn)確(代入?yún)?shù)實(shí)測(cè)值或依據(jù)先驗(yàn)知識(shí)取值)時(shí)，模擬光譜與實(shí)測(cè)光譜間仍然存在誤差，研究稱之為“光譜模擬誤差”。該研究通過比對(duì)實(shí)測(cè)冬小麥冠層光譜與ACRM(a two-layer canopy reflectance model)模型最優(yōu)模擬光譜，展示了光譜模擬誤差在各波段、不同樣本點(diǎn)的分布規(guī)律。據(jù)此，根據(jù)對(duì)光譜模擬誤差與高光譜數(shù)據(jù)降維的不同考慮，制訂了4種LAI反演波段選擇方案。通過對(duì)比基于不同波段選擇方案的LAI反演精度，分析了光譜模擬誤差對(duì)LAI反演的影響； 討論了綜合考慮高光譜數(shù)據(jù)降維與光譜模擬誤差的LAI反演波段選擇方法。通過合理的波段選擇，限制了光譜模擬誤差的影響，提高了LAI反演精度。該研究結(jié)果有助于探索合理的LAI高光譜反演波段選擇方法，為合理利用高光譜數(shù)據(jù)反演農(nóng)作物L(fēng)AI提供科學(xué)參考。

葉面積指數(shù) LAI 高光譜 反演 光譜模擬誤差 ACRM

0 引言

葉面積指數(shù)(leaf area index，LAI)通常定義為單位地表面積上單面葉面積的總和[1]。LAI反映了農(nóng)作物生理生化過程和作物生產(chǎn)力狀況[2]，對(duì)于農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量估測(cè)等應(yīng)用具有重要意義[3-6]。利用遙感技術(shù)能夠經(jīng)濟(jì)、高效、無損地獲取大尺度LAI，其方法大致分為兩類：基于統(tǒng)計(jì)模型的LAI反演和基于冠層反射率模型(物理模型)的LAI反演。其中，后者對(duì)地面實(shí)測(cè)數(shù)據(jù)依賴較少，各因素的影響機(jī)理明確，更具有普適性[7-9]。然而，此類方法受物理模型光譜模擬誤差影響。當(dāng)物理模型的輸入?yún)?shù)取值盡可能準(zhǔn)確時(shí)(代入作物參數(shù)實(shí)測(cè)值或依據(jù)先驗(yàn)知識(shí)確定的最優(yōu)估計(jì)值，以下簡(jiǎn)稱“最優(yōu)輸入?yún)?shù)”)，模擬光譜與實(shí)測(cè)光譜間仍然存在誤差，研究稱之為“光譜模擬誤差”，簡(jiǎn)稱“模擬誤差”，該誤差與波段相關(guān)。其成因可歸結(jié)為：一方面，物理模型自身和遙感光譜測(cè)量中都存在誤差。另一方面，反演研究往往缺乏先驗(yàn)知識(shí)，加之物理模型中一些參數(shù)難以直接測(cè)量，導(dǎo)致模型中一些參數(shù)難以準(zhǔn)確取值。因此，光譜模擬誤差不僅包括物理模型自身的誤差、遙感光譜測(cè)量的誤差，也包括由于最優(yōu)輸入?yún)?shù)取值不當(dāng)造成的誤差。以往研究很少考慮光譜模擬誤差，影響了LAI反演精度[10]。

另外，近20年來，高光譜遙感數(shù)據(jù)日益廣泛應(yīng)用于農(nóng)作物L(fēng)AI反演[11-13]。然而，LAI高光譜反演受“維數(shù)災(zāi)難”影響嚴(yán)重，需要進(jìn)行數(shù)據(jù)降維，選擇盡量不相關(guān)的波段用于反演[13-14]。綜上所述，LAI高光譜遙感反演應(yīng)考慮如何避免光譜模擬誤差和“維數(shù)災(zāi)難”的影響。

該研究基于抽穗期冬小麥地面實(shí)測(cè)高光譜數(shù)據(jù)與配套的作物參數(shù)測(cè)量數(shù)據(jù)，利用ACRM(a two-layer canopy reflectance model)冠層反射率模型[15]，定量評(píng)估光譜模擬誤差在各波段、各樣本點(diǎn)的分布規(guī)律及其對(duì)LAI反演精度與穩(wěn)定性的影響。在此基礎(chǔ)上，探索合理的LAI高光譜反演波段選擇方法，以期限制光譜模擬誤差對(duì)冬小麥LAI高光譜反演的影響，提高基于物理模型的農(nóng)作物參數(shù)反演精度與穩(wěn)定性。該研究為優(yōu)化、發(fā)展作物參數(shù)高光譜反演波段選擇方法做出了有益的嘗試； 為合理利用高光譜數(shù)據(jù)反演農(nóng)作物L(fēng)AI提供科學(xué)參考。

1 田間測(cè)量

田間測(cè)量于2014年4月29日進(jìn)行，正值冬小麥抽穗期。在河北省衡水市深州市(37°49′59″N～37°53′02″N，115°40′14″E～115°44′17″E范圍內(nèi))選擇5塊冬小麥田塊，為保證數(shù)據(jù)的代表性，各田塊冬小麥品種、長(zhǎng)勢(shì)不同。在各田塊內(nèi)沿對(duì)角線均勻選取5～6個(gè)樣本點(diǎn)，研究區(qū)內(nèi)共設(shè)28個(gè)樣本點(diǎn)。每個(gè)樣本點(diǎn)為長(zhǎng)50 cm、寬4壟的樣方，在樣方中進(jìn)行測(cè)量。采用美國ASD公司生產(chǎn)的FieldSpec 4 光譜儀測(cè)量冠層反射光譜，光纖垂直向下，距冠層頂部約1 m，視場(chǎng)角(FOV)10°。光譜測(cè)量范圍350～2500 nm，光譜分辨率1 nm。為減少數(shù)據(jù)冗余，將光譜分辨率重采樣為5 nm。為排除隨機(jī)噪聲的干擾，計(jì)算各波段的信噪比[16]，結(jié)果表明：可見光-近紅外(VNIR)范圍內(nèi)(445～1200 nm)信噪比都大于50，可直接用于反演。采用美國LI-COR公司生產(chǎn)的 LAI-2200 冠層分析儀測(cè)量樣本點(diǎn)的LAI。其后，在各樣方內(nèi)取樣，測(cè)量樣本葉片鮮重、干重、單面葉片總面積(采用LI-COR LI-2000 C便攜式葉面積儀)、葉片葉綠素含量(Cab)。據(jù)以上參數(shù)可求得冬小麥葉片的干物質(zhì)含量(Cm)、含水量(Cw)和比葉重(SLW)。

2 研究方法

該研究基于ACRM冠層反射率模型與基于查找表的反演法開展。首先，在ACRM模型參數(shù)敏感性分析的基礎(chǔ)上確定模型參數(shù)化方案，正向運(yùn)行ACRM模型構(gòu)建查找表(2.2節(jié))。而后，隨機(jī)抽取6個(gè)樣本點(diǎn)，對(duì)比其最優(yōu)模擬光譜與觀測(cè)光譜，求得各波段的光譜模擬誤差。基于對(duì)光譜模擬誤差與數(shù)據(jù)降維的不同考慮，得到4種波段選擇方案(2.4節(jié))?；谶@些方案開展LAI反演試驗(yàn)，探索光譜模擬誤差對(duì)LAI反演的影響，以及同時(shí)考慮高光譜數(shù)據(jù)降維和光譜模擬誤差的LAI高光譜反演波段選擇方法。

2.1 ACRM冠層反射率模型與基于查找表的反演方法

ACRM模型是較為成熟、完善的均質(zhì)冠層反射率模型[17]，在前人的研究中表現(xiàn)出良好的模擬精度[18-20]?；诓檎冶淼奈锢砟Ｐ头囱莘椒ㄏ鄬?duì)簡(jiǎn)便、高效、反演精度較高[21-22]，廣泛應(yīng)用于植被參數(shù)定量反演研究[23-26]。該反演方法利用代價(jià)函數(shù)衡量遙感觀測(cè)光譜與查找表中模擬光譜的差異。該研究采用均方根誤差(RMSE)形式的代價(jià)函數(shù)(χRMSE)，公式如下：

(1)

式中，nb為用于反演的波段數(shù)； Ri，measured、Ri，simulated分別為i波段上觀測(cè)、模擬光譜反射率。代價(jià)函數(shù)χRMSE常用于基于查找表的植被參數(shù)估測(cè)，精度較高[17]。理論上，查找表中代價(jià)函數(shù)最小的參數(shù)組合即為反演結(jié)果。實(shí)際上，病態(tài)現(xiàn)象的存在使得最優(yōu)解不唯一。因此，該研究選取所有參數(shù)組合中χRMSE最小的前20%，分別對(duì)各參數(shù)求均值，以其作為反演結(jié)果[22， 25]。參照相關(guān)研究[23-24， 27]，該研究基于VNIR范圍的反射率反演LAI。

2.2 ACRM模型參數(shù)化

為了合理確定自由變量，同時(shí)為反演波段選擇提供依據(jù)，該研究首先利用SimLab軟件，采用EFAST(Extended Fourier Amplitude Sensitivity Test)敏感性分析法[28-29]分析ACRM模型中11個(gè)較敏感參數(shù)[20， 30]在VNIR范圍內(nèi)各波段的敏感性。EFAST法考慮了參數(shù)間的交互作用，比單純的局部敏感性分析更客觀、全面[30]。

由敏感性分析結(jié)果(圖1)可知，VNIR范圍內(nèi)有8個(gè)參數(shù)全局敏感性指數(shù)大于0.1，分別為：LAI、Cab、SLW、平均葉傾角(θm)、土壤反射率參數(shù)(rsl1)、葉肉結(jié)構(gòu)參數(shù)(N)、?ngstrom濁度系數(shù)(β)、馬爾可夫群聚參數(shù)(Sz)。其中，β反映了大氣總體的渾濁狀況，在研究區(qū)均一。該研究利用MODIS氣溶膠產(chǎn)品(MOD/MYD04)得到研究區(qū)470 nm、660 nm氣溶膠光學(xué)厚度(τ)，進(jìn)而根據(jù)Iqbal[31]的算法求出β的期望值，作為其固定取值。Sz=1代表均勻冠層，如封壟后的小麥[18]，該研究據(jù)此令Sz=1.同種作物的參數(shù)N值相對(duì)固定[32]，該研究令N=0.5，預(yù)實(shí)驗(yàn)表明這一取值適于大多數(shù)田塊。除β、Sz、N之外，其余5個(gè)全局敏感性指數(shù)大于0.1的參數(shù)均設(shè)為自由變量，未引入先驗(yàn)知識(shí)約束其取值范圍，符合通常反演研究中缺少先驗(yàn)知識(shí)的情況。其余參數(shù)參考相關(guān)研究加以固定，見表1。其中，各樣本點(diǎn)的太陽天頂角(θsza)利用該樣點(diǎn)的光譜觀測(cè)時(shí)刻和田塊經(jīng)的緯度，通過美國俄勒岡大學(xué)太陽輻射監(jiān)測(cè)實(shí)驗(yàn)室(Solar Radiation Monitoring Laboratory，University of Oregon)提供的Solar Position Calculator計(jì)算得到。將表1中各個(gè)參數(shù)取值組合代入ACRM模型，得到該研究的查找表。

圖1 ACRM模型輸入?yún)?shù)敏感性分析

表1 ACRM模型參數(shù)取值范圍

2.3 高光譜數(shù)據(jù)降維

為避免“維數(shù)災(zāi)難”，該研究通過逐步回歸進(jìn)行高光譜數(shù)據(jù)降維。由圖1可知，LAI是近紅外(NIR)、紅谷范圍內(nèi)最敏感參數(shù)；Cab是除紅谷外的可見光范圍內(nèi)的最敏感參數(shù)。因此，在全部28 個(gè)實(shí)測(cè)樣本點(diǎn)中隨機(jī)選取6 個(gè)樣本點(diǎn)，分別以選定樣本點(diǎn)的 LAI、Cab實(shí)測(cè)值為自變量，各波段高光譜反射率為因變量進(jìn)行逐步回歸，其結(jié)果即為高光譜數(shù)據(jù)中反映 LAI 或Cab變化的相對(duì)獨(dú)立的波段，見表1。

表2 通過逐步回選擇的LAI、Cab 敏感波段

2.4 光譜模擬誤差分析和LAI反演波段選擇

為定量評(píng)估模擬誤差，并兼顧該方法的實(shí)用性，該研究從全部28個(gè)樣本點(diǎn)中隨機(jī)抽取6個(gè)樣本點(diǎn)，將選定樣本點(diǎn)的最優(yōu)輸入?yún)?shù)代入ACRM模型，得到其最優(yōu)模擬光譜。計(jì)算最優(yōu)模擬光譜與實(shí)測(cè)光譜的距離，得到各樣本點(diǎn)各波段的模擬誤差。由于不同樣本點(diǎn)的模擬誤差存在細(xì)微差異，該研究對(duì)6個(gè)選定樣本點(diǎn)的模擬誤差按波段求平均，得到各波段的平均光譜模擬誤差。鑒于不同波段的光譜反射率差異很大，該研究計(jì)算各波段相對(duì)模擬誤差δ，見式(2)：

(2)

式中，Δi為第i波段的光譜模擬誤差； ρi為第i波段的實(shí)測(cè)光譜反射率。

為考察模擬誤差對(duì)作物L(fēng)AI高光譜反演精度的影響、探索綜合考慮數(shù)據(jù)降維與避免模擬誤差的LAI反演波段選擇方法，該研究擬定了4種反演波選擇方案，分別記為B1～B4。方案B1隨機(jī)選擇逐步回歸結(jié)果(表2)作為L(zhǎng)AI反演波段。方案B2首先排除逐步回歸結(jié)果中模擬誤差較大的波段，再基于平均光譜模擬誤差最小的原則修正余下的波段：在逐步回歸結(jié)果±10 nm的范圍內(nèi)尋找平均模擬誤差最小的波段作為L(zhǎng)AI的反演波段。方案B3僅僅參考逐步回歸選擇的大致的波段范圍和波段數(shù)，選擇對(duì)應(yīng)波段范圍內(nèi)平均模擬誤差最小的波段，而不以逐步回歸結(jié)果作為波段選擇的依據(jù)。方案B4首先提取選定的6個(gè)樣本點(diǎn)在紅谷和NIR區(qū)間局部模擬誤差最小的幾個(gè)波段范圍，計(jì)算上述各個(gè)范圍內(nèi)所有波段光譜反射率的均值，以代替單一波段的高光譜波段反射率參與LAI反演。以上波段選擇方案中，B1只進(jìn)行了高光譜數(shù)據(jù)降維，不考慮光譜模擬誤差。B2～B4均綜合考慮了高光譜數(shù)據(jù)降維與光譜模擬誤差的影響。其區(qū)別在于采用何種方法將逐步回歸與模擬誤差分析結(jié)果有機(jī)結(jié)合，以及如何克服各樣本點(diǎn)模擬誤差最小的波段存在細(xì)微差異的問題。

3 結(jié)果與分析

3.1 光譜模擬誤差和波段選擇方案

圖2a以樣本點(diǎn)1-1為例，展示了該樣本點(diǎn)的光譜模擬誤差與選定6樣本點(diǎn)的平均光譜模擬誤差。圖2b顯示了選定樣本點(diǎn)絕對(duì)、相對(duì)平均模擬誤差及模擬誤差最小的波段范圍?？傮w而言， 445～490 nm(藍(lán)光波段)和540～675 nm(約為綠光反射峰至紅光吸收谷區(qū)間)模擬——實(shí)測(cè)光譜擬合較好，絕對(duì)模擬誤差6.6×10-4nm～1.7×10-3nm，相對(duì)誤差4.19%～9.65%； “紅邊”區(qū)域(690～750 nm)模擬誤差較大，絕對(duì)模擬誤差0.020～0.033 nm，相對(duì)誤差2.96%～28.43%； NIR區(qū)域模擬誤差因波段而異，就該研究而言，不同樣本點(diǎn)模擬誤差最小的NIR波段在775～810 nm、905～950 nm范圍內(nèi)近似均勻分布(圖2b)。

圖2 光譜模擬誤差

基于光譜模擬誤差分析結(jié)果(圖2)，按照2.4節(jié)所述之方法，確定該研究波段選擇方案B1～B4(表3)。其中，為了避免波段數(shù)量不同可能導(dǎo)致的反演精度差異，方案B1基于逐步回歸的結(jié)果(表2)，在藍(lán)、綠、紅邊范圍內(nèi)各隨機(jī)抽取1個(gè)波段，NIR范圍內(nèi)隨機(jī)抽取2個(gè)波段，共5個(gè)波段參與反演，從而與B2～B5的波段數(shù)相同。

表3 LAI反演試驗(yàn)波段選擇

3.2 光譜模擬誤差對(duì)LAI反演精度與穩(wěn)定性的影響

該研究的反演試驗(yàn)以其采用的波段選擇方案編號(hào)，分別記為B1～B4。利用LAI實(shí)測(cè)——反演值線性回歸的決定系數(shù)(R2)、反演值的均方根誤差(RMSE)與平均相對(duì)誤差(MRE)3個(gè)統(tǒng)計(jì)量評(píng)估LAI反演的精度與穩(wěn)定性，見圖3。

圖3 基于不同波段選擇方案的LAI反演精度比較

由反演結(jié)果可見：第一，反演試驗(yàn)B1的LAI反演值普遍高于實(shí)測(cè)值，存在系統(tǒng)誤差(圖3a)。就反演過程而言，系統(tǒng)誤差的直接原因是815 nm和945 nm波段的光譜模擬誤差：LAI值與NIR波段光譜反射率正相關(guān)，由于815 nm和945 nm最優(yōu)模擬光譜反射率明顯小于實(shí)測(cè)光譜反射率(圖2a)，因此在反演LAI時(shí)，必須提高LAI反演值方能在這2個(gè)波段上實(shí)現(xiàn)模擬——實(shí)測(cè)光譜的最優(yōu)匹配?？梢?，NIR波段模擬光譜反射率小于實(shí)測(cè)光譜反射率時(shí)通常高估LAI。反之，如Huang et al.所示，當(dāng)NIR波段模擬光譜反射率大于實(shí)測(cè)光譜反射率時(shí)將低估LAI[33]。第二，反演試驗(yàn)B1的MRE為14.31%，遠(yuǎn)高于其它波段選擇方案(7.84%～9.55%)，見圖3。這表明光譜模擬誤差嚴(yán)重影響LAI高光譜反演精度，應(yīng)選擇光譜模擬誤差較小的波段反演LAI。第三，反演試驗(yàn)B1與其它反演試驗(yàn)的R2差距較小(圖3)。反映在圖3中，則表現(xiàn)為：4個(gè)反演結(jié)果散點(diǎn)圖的離散程度差距不大。然而，B1的散點(diǎn)圖的回歸線偏離1： 1線距離較遠(yuǎn)，表明光譜模擬誤差造成的LAI反演誤差主要體現(xiàn)為系統(tǒng)誤差，是否考慮光譜模擬誤差對(duì)LAI反演的穩(wěn)定性影響較小。

3.3 考慮數(shù)據(jù)降維與光譜模擬誤差的不同波段選擇方法比較

該研究嘗試了同時(shí)考慮數(shù)據(jù)降維與避免光譜模擬誤差的3種波段選擇方案(B2～B4)，比較其LAI高光譜反演結(jié)果，可見如下規(guī)律。

第一，反演試驗(yàn)B3(圖3c)的MRE比B2(圖3b)低1.41%，表明B3反演精度略高。該結(jié)果說明逐步回歸得到的高光譜數(shù)據(jù)降維結(jié)果僅提供了關(guān)于LAI反演波段范圍和波段數(shù)量的大致信息，無法作為L(zhǎng)AI高光譜反演波段選擇的準(zhǔn)確依據(jù)。第二，反演試驗(yàn)B4(圖3d)的MRE比B3高1.71%，比B2高0.3%，比B1低4.76%.也就是說：一方面，根據(jù)樣本點(diǎn)子集的模擬誤差均值，來估計(jì)模擬誤差的最小波段的方法(波段選擇方案B2、B3采用的方法)結(jié)果較好； 另一方面，利用樣本點(diǎn)子集光譜模擬誤差最小的波段范圍內(nèi)所有波段的平均反射率反演LAI(波段選擇方案B4所用的方法)，也可以一定程度上改善光譜模擬誤差對(duì)反演精度的影響，但其反演精度略差。通過這兩種方法，均可利用有限點(diǎn)的模擬誤差信息在一定程度上約束模擬誤差對(duì)LAI反演的影響。

4 結(jié)論

該研究揭示了ACRM模型模擬抽穗期冬小麥冠層光譜的模擬誤差規(guī)模，及其在各波段、各樣本點(diǎn)的分布規(guī)律：模擬光譜在藍(lán)光波段、綠光反射峰至紅光吸收谷區(qū)間與實(shí)測(cè)光譜擬合較好； “紅邊”模擬誤差較大； 不同樣本點(diǎn)模擬誤差最小的NIR波段在775～810 nm、905～950 nm范圍內(nèi)近似均勻分布。該研究利用基于查找表的反演方法，分析了光譜模擬誤差對(duì)LAI反演的影響； 探索了綜合考慮高光譜數(shù)據(jù)降維和避免光譜模擬誤差的波段選擇方法。反演試驗(yàn)表明：光譜模擬誤差對(duì)LAI反演的系統(tǒng)誤差影響較明顯，對(duì)LAI反演穩(wěn)定性影響較小。通過適當(dāng)?shù)牟ǘ芜x擇方法可以有效限制光譜模擬誤差的影響?；谥鸩交貧w的數(shù)據(jù)降維結(jié)果僅提供了適于反演LAI的大致波段范圍和波段數(shù)，而不能作為確定反演波段的準(zhǔn)確依據(jù)。應(yīng)在確定反演LAI的大致波段范圍、波段數(shù)的基礎(chǔ)上，分析各個(gè)波段的光譜模擬誤差，舍棄模擬誤差較大的波段，尋找對(duì)應(yīng)波段范圍內(nèi)模擬誤差局部最小的波段用于反演LAI。實(shí)際應(yīng)用中，可以基于少量樣本點(diǎn)估測(cè)模擬誤差并開展波段選擇。該研究中，根據(jù)樣本點(diǎn)子集的模擬誤差均值，來估計(jì)模擬誤差最小波段的方法結(jié)果較好。通過合理的反演波段選擇，可以明顯提高基于物理模型的農(nóng)作物參數(shù)反演精度與穩(wěn)定性。該研究為優(yōu)化、發(fā)展作物參數(shù)高光譜反演波段選擇方法做出了有益的嘗試； 為合理利用高光譜數(shù)據(jù)反演農(nóng)作物L(fēng)AI提供科學(xué)參考。

[1] Chen J M，Black T.Defining leaf area index for non‐flat leaves.Plant，Cell & Environment,1992, 15(4): 421～429

[2] Bala G，Joshi J，Chaturvedi R K，et al.Trends and variability of AVHRR-derived NPp in India.Remote Sensing,2013, 5(2): 810～829

[3] Fang H，Liang S，Hoogenboom G.Integration of MODIS LAi and vegetation index products with the CSM-CERES——Maize model for corn yield estimation.International Journal of Remote Sensing,2011, 32(4): 1039～1065

[4] Sakamoto T，Shibayama M，Kimura A，et al.Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth.ISPRS Journal of Photogrammetry and Remote Sensing,2011, 66(6): 872～882

[5] 丁婭萍， 陳仲新.基于最小距離法的 RADARSAT-2 遙感數(shù)據(jù)旱地作物識(shí)別.中國農(nóng)業(yè)資源與區(qū)劃,2014, 35(6): 78～94

[6] 隋雪梅， 辛?xí)云?，張宏斌，?呼倫貝爾貝加爾針茅草甸草原光能利用率變化規(guī)律分析.Chinese Journal of Agricultural Resources and Regional Planning,2013, 34(5): 27～35

[7] Atzberger C，Richter K.Spatially constrained inversion of radiative transfer models for improved LAI mapping from future Sentinel-2 imagery.Remote Sensing of Environment,2012， 120(SI)： 208～218

[8] 李宗南， 陳仲新，王利民，等.基于 ACRM 模型不同時(shí)期冬小麥 LAI 和葉綠素反演研究.中國農(nóng)業(yè)資源與區(qū)劃,2012, 33(1): 1～5

[9] Yao Y，Liu Q，Liu Q，et al.LAI retrieval and uncertainty evaluations for typical row-planted crops at different growth stages.Remote Sensing of Environment,2008, 112(1): 94～106

[10]Jacquemoud S，Baret F，Andrieu B，et al.Extraction of vegetation biophysical parameters by inversion of the PROSPECT+SAIL models on sugar beet canopy reflectance data.Application to Tm and AVIRIS sensors.Remote Sensing of Environment,1995, 52(3): 163～172

[11]Lee K-S，Cohen W B，Kennedy R E，et al.Hyperspectral versus multispectral data for estimating leaf area index in four different biomes.Remote Sensing of Environment,2004， 91(3-4)： 508～520

[12]Thenkabail P S，Smith R B，De Pauw E.Hyperspectral vegetation indices and their relationships with agricultural crop characteristics.Remote Sensing of Environment,2000, 71(2): 158～182

[13]Kuusk A.A two-layer canopy reflectance model.Journal of Quantitative Spectroscopy and Radiative Transfer,2001, 71(1): 1～9

[14]Gao B-C.An operational method for estimating signal to noise ratios from data acquired with imaging spectrometers.Remote Sensing of Environment,1993, 43(1): 23～33

[15]王東偉， 孟憲智，王錦地，等.葉面積指數(shù)遙感反演方法進(jìn)展.五邑大學(xué)學(xué)報(bào)(自然科學(xué)版),2009, 23(4): 47～52

[16]Houborg R，Anderson M，Daughtry C.Utility of an image-based canopy reflectance modeling tool for remote estimation of LAi and leaf chlorophyll content at the field scale.Remote Sensing of Environment,2009, 113(1): 259～274

[17]Houborg R，Cescatti A，Migliavacca M，et al.Satellite retrievals of leaf chlorophyll and photosynthetic capacity for improved modeling of GPP.Agricultural and Forest Meteorology,2013, 177(2013): 10～23

[18]姜志偉， 陳仲新，任建強(qiáng).基于ACRM輻射傳輸模型的植被葉面積指數(shù)遙感反演.中國農(nóng)業(yè)資源與區(qū)劃,2011, 32(1): 57～63

[19]Richter K，Atzberger C，Vuolo F，et al.Experimental assessment of the Sentinel-2 band setting for RTM-based LAI retrieval of sugar beet and maize.Canadian Journal of Remote Sensing,2009, 35(3): 230～247

[20]Vohland M，Mader S，Dorigo W.Applying different inversion techniques to retrieve stand variables of summer barley with PROSPECT+SAIL.International Journal of Applied Earth Observation and Geoinformation,2010, 12(2): 71～80

[21]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.International Journal of Applied Earth Observation and Geoinformation,2014, 26(2014): 12～20

[22]Verrelst J，Romijn E，Kooistra L.Mapping vegetation density in a heterogeneous river floodplain ecosystem using pointable CHRIS/PROBA data.Remote Sensing,2012, 4(12): 2866～2889

[23]Dorigo W A.Improving the robustness of cotton status characterisation by radiative transfer model inversion of multi-angular CHRIS/PROBA data.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2012, 5(1): 18～29

[24]Fang H，Liang S.A hybrid inversion method for mapping leaf area index from MODIS data：Experiments and application to broadleaf and needleleaf canopies.Remote Sensing of Environment,2005, 94(3): 405～424

[25]Si Y，Schlerf M，Zurita-Milla R，et al.Mapping spatio-temporal variation of grassland quantity and quality using MERIS data and the PROSAIL model.Remote Sensing of Environment,2012, 121(2012): 415～425

[26]Saltelli A，Tarantola S，Campolongo F.Sensitivity analysis in practice：a guide to assessing scientific models.Chichester：John Wiley & Sons Inc.， 2004

[27]Saltelli A，Tarantola S，Chan K P S.A quantitative model-independent method for global sensitivity analysis of model output.technometrics,1999, 41(1): 39～56

[28]何維， 楊華.模型參數(shù)全局敏感性分析的EFAST方法.遙感技術(shù)與應(yīng)用,2013, 28(5): 836～843

[29]Iqbal M，An Introduction to Solar Radiation.Toronto：Academic Press， 1983

[30]Haboudane D，Miller J R，Pattey E，et al.Hyperspectral vegetation indices and novel algorithms for predicting green LAi of crop canopies：Modeling and validation in the context of precision agriculture.Remote Sensing of Environment,2004, 90(3): 337～352

[31]Verhoef W，Bach H.Simulation of hyperspectral and directional radiance images using coupled biophysical and atmospheric radiative transfer models.Remote Sensing of Environment,2003, 87(1): 23～41

[32]Kuusk A.Two-Layer Canopy Reflectance Model ACRM User Guide.In：Tartu Observatory， 2009

[33]Huang J，Zeng Y，Kuusk A，et al.Inverting a forest canopy reflectance model to retrieve the overstorey and understorey leaf area index for forest stands.International Journal of Remote Sensing,2011, 32(22): 7591～7611

ERROR OF SPECTRAL SIMULATION AND ITS EFFECTS ON LAI RETRIEVAL USING HYPERSPECTRAL REMOTE SENSING*

Liu Ke1， 2，Zhou Qingbo1，Wu Wenbing1， 3，Chen Zhongxin1，Xia Tian3，Wang Si2，Tang Huajun1※

(1.Key Laboratory of Agri-informatics，Ministry of Agriculture/Institute of Agricultural Resources and Regional Planning，Chinese Academy of Agricultural Sciences，Beijing 100081，China；2.Chengdu Branch，Remote Sensing Application Center，Ministry of Agriculture/Institute of Remote Sensing Application，Sichuan Academy of Agricultural Science，Chengdu 610066，China；3.College of Urban & Environmental Sciences，Central China Normal University，Wuhan, Hubei 430079，China)

It is vitally important to know leaf area index (LAI) and its dynamics for crop growth monitoring and yield prediction. In recent years, the method of LAI estimation by inverting canopy reflectance (CR) models hasbeen widely applied because of its universality and independence from ground truths of LAI. However, even if parameterizations of CR models are tried to be accurate by substituting in-situ measurements or best estimations of variables, there are always bias between the simulated and remotely sensed spectra. In this paper such error is referred to as "error of spectral simulation"or "simulation error". Based on the in-situ measurements of winter wheat variables, ACRM (a Two-layer Canopy Reflectance Model) model is used to obtain the optimum simulated spectra. The optimum simulated spectra are compared with the in-situ measured winter wheat canopy spectra to reveal the distribution of simulation errors in different bands and in different sample plots. Four schemes of band selection are proposed and tested for retrieving LAI, in order to explore how the simulation errors affect LAI retrieval, and to discuss the principles of band selection for avoiding such affectations. Regression coefficient (R2) between estimated and measured LAIs, root mean square error (RMSE) and mean relative error (MRE) of LAI estimation are used to evaluate the accuracy and stability of LAI retrieval. The experiment shows that, first, errors of spectral simulation differ significantly in different bands. Second, the LAI estimation without considering simulation errors yields much larger MRE (14.31%) than that considered simulation errors (MRE 7.84% ～ 9.55%). However, the regression coefficients are similar (0.8512 ～ 0.8662). That means simulation errors cause significant systematic errors in estimated LAI. Nevertheless, it hardly affects the stability of LAI retrieval. Third,generally speaking, hyperspectral bands with minimum simulation errors should be selected to estimate LAI, in order to achieve optimum accuracy.The result of dimension reduction using stepwise regression merely provides general indications on band number and band placement for LAI retrieval. Based on such indications, the bands with minimum local simulation errors in each wavelength range should be selected for LAI estimation. However, simulation errors in each band differ slightly with different sample sites. Therefore, for each band, the average simulation error of a randomly selected subset of sample sites is computed and used as the basis of band selection. The results of this study are helpful for improving schemes of band selection, and for utilizing hyperspectral data more effectively for LAI estimation.

leaf area index； LAI； hyperspectral； inversion； error of spectral simulation

10.7621/cjarrp.1005-9121.20161003

2015-04-30

劉軻(1985—)，男，四川攀枝花人，博士研究生。研究方向：農(nóng)作物參數(shù)反演、高光譜遙感應(yīng)用。

※通訊作者：唐華俊(1960—)，男，四川閬中人，研究員。研究方向：農(nóng)業(yè)遙感及農(nóng)作物空間分布。Email：hjtang@mail.caas.net.cn

國家自然科學(xué)基金項(xiàng)目“基于農(nóng)戶決策行為的農(nóng)作物時(shí)空格局動(dòng)態(tài)變化機(jī)理機(jī)制研究”(41271112)； 國家自然科學(xué)基金項(xiàng)目“東北地區(qū)農(nóng)作物時(shí)空格局變化過程模擬及特征分析研究”(41201089)； 四川省能力提升工程新興學(xué)科專項(xiàng)基金“無人機(jī)快速獲取高精度農(nóng)業(yè)信息研究”(2013XXXK-D24)

S512.1+1; S127

A

1005-9121[2016]10-0018-08