陸 坤，孟慶巖，孫云曉,3，孫震輝,3，張琳琳,3

(1.山東科技大學(xué)測繪科學(xué)與工程學(xué)院,青島 266590； 2.中國科學(xué)院遙感與數(shù)字地球研究所,北京 100101； 3.中國科學(xué)院大學(xué),北京 100049)

0 引言

葉面積指數(shù)(leaf area index，LAI)是評價(jià)植物群體生長狀況的一個(gè)重要指標(biāo)，當(dāng)前遙感界對其有多種定義。本文定義為“LAI表示單位地表面積上所有葉片面積總和的一半”。LAI反映了地表植被的生物物理過程，如植被冠層的光線截獲、植被的光合作用、呼吸作用及碳循環(huán)等[1]。目前，利用遙感手段反演LAI的方法主要有基于植被指數(shù)的統(tǒng)計(jì)模型法和基于輻射傳輸模型的物理模型法。2種方法區(qū)別較大，但又具有互補(bǔ)性[2]。針對不同模型，已有很多學(xué)者從不同角度、用不同方法研究了LAI的遙感反演問題，基于植被指數(shù)的統(tǒng)計(jì)模型可及時(shí)、無損地監(jiān)測作物長勢，但機(jī)理性較弱[3]。部分學(xué)者通過建立不同植被指數(shù)與LAI的關(guān)系，利用回歸分析反演LAI，例如Yang等[4]分析了采用多種植被指數(shù)估算玉米LAI的精度，發(fā)現(xiàn)增強(qiáng)型植被指數(shù)(enhanced vegetation index，EVI)反演的精度要優(yōu)于歸一化植被指數(shù)(normalized difference vegetation index，NDVI)； 任哲等[5]利用高光譜數(shù)據(jù)，基于交叉驗(yàn)證的方法優(yōu)選了LAI反演模型，證明了該方法具有較高的精度； Meng等[6]針對國產(chǎn)HJ-1A CCD數(shù)據(jù)，引入“熱暗點(diǎn)”因子，提出了環(huán)境植被指數(shù)(huanjing vegetation index，HJVI)，在LAI反演過程中緩解了植被過早飽和現(xiàn)象，并取得了較高的反演精度； 張瀛等[7]則利用PROSAIL模型模擬的冠層反射率構(gòu)建EVI反演模型，并利用交叉檢驗(yàn)證明了EVI模型的普適性； 趙娟[8]利用多年地面實(shí)測多角度數(shù)據(jù)，將常規(guī)植被指數(shù)與角度指數(shù)相結(jié)合，構(gòu)建針對小麥的LAI反演模型，并證實(shí)了該組合指數(shù)可以反演不同株型的小麥LAI。但大量研究表明，植被的生物物理、化學(xué)參數(shù)與光譜反射率之間的關(guān)系比較復(fù)雜[9]。神經(jīng)網(wǎng)絡(luò)對非線性擬合有較大優(yōu)勢，部分學(xué)者將其引入LAI反演中，取得了較好的擬合效果[10]，例如陳健等[11]基于TM數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)對蘆葦LAI進(jìn)行反演，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)可以消除背景影響，提高反演精度； 包剛等[12]利用主成分分析(principal components analysis，PCA)，在對高光譜數(shù)據(jù)降維的基礎(chǔ)上，利用前9個(gè)主成分分量作為徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)的輸入矢量，構(gòu)建LAI反演模型，并與傳統(tǒng)回歸模型進(jìn)行了比較研究，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)反演LAI的精度明顯優(yōu)于傳統(tǒng)回歸模型。

目前，國產(chǎn)高空間分辨率衛(wèi)星數(shù)據(jù)的精度已達(dá)亞m級，GF-2衛(wèi)星影像具有高空間分辨率、高清晰度、信息量豐富及數(shù)據(jù)時(shí)效性強(qiáng)等優(yōu)點(diǎn)，可以提供更多地物細(xì)節(jié)信息。因此，針對國產(chǎn)高分衛(wèi)星數(shù)據(jù)的LAI反演模型優(yōu)選和真實(shí)性檢驗(yàn)亟待進(jìn)一步研究。本文針對河北省廊坊市萬莊鎮(zhèn)的孕穗期小麥，選取GF-2衛(wèi)星影像，采用多種回歸模型對小麥的LAI進(jìn)行擬合； 同時(shí)探討采用PROSAIL模型結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行LAI反演，并對反演結(jié)果進(jìn)行精度驗(yàn)證； 分析不同模型反演LAI的精度和可行性，以期對利用GF-2數(shù)據(jù)反演LAI的應(yīng)用潛力進(jìn)行評估，并為高空間分辨率衛(wèi)星影像的LAI反演提供參考。

1 研究區(qū)概況和數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于河北省廊坊市萬莊鎮(zhèn)國際農(nóng)業(yè)產(chǎn)業(yè)園內(nèi)，西部和北部與北京大興區(qū)接壤，中心經(jīng)緯度為116°35′E，39°35′N； 屬溫帶大陸性季風(fēng)氣候，四季分明，光熱資源充足，雨、熱同季，有利于農(nóng)作物生長。園區(qū)占地2 000畝*1畝= 0.066 7 hm2。，擁有各種實(shí)驗(yàn)設(shè)施和農(nóng)作物樣地； 園區(qū)外為農(nóng)業(yè)用地，種植大面積小麥，可滿足研究的要求。

實(shí)測數(shù)據(jù)是與遙感衛(wèi)星影像同步獲取的地面觀測數(shù)據(jù)，包括37組遠(yuǎn)離道路和樹木的2 m×2 m小麥樣方，每個(gè)樣方內(nèi)均勻選擇3個(gè)樣點(diǎn)進(jìn)行LAI和葉綠素含量測量。為避免因同一樣方內(nèi)小麥生長不均勻而導(dǎo)致測量結(jié)果存在較大的差異性，在保證樣方內(nèi)選點(diǎn)均勻的基礎(chǔ)上，確保每次測量值之間的差異小于0.5，否則作為異常點(diǎn)去除，并重新選點(diǎn)。使用的測量儀器為美國LI-COR LAI-2200C植物冠層分析儀。樣方采集日期為2016年4月21—23日，基本與GF-2衛(wèi)星過境時(shí)間一致； 采集時(shí)間在7： 30—9： 00 am，采用180°遮蓋帽遮擋鏡頭，以避免因太陽直射帶來的測量誤差。由于儀器的視角范圍和小麥冠層高度均會(huì)對測量結(jié)果有一定影響，均將儀器高度設(shè)定為距離地面5 cm處，并在每一個(gè)樣點(diǎn)測量1次天空光和4次LAI的平均值，作為該樣點(diǎn)的有效LAI值。葉綠素含量的采集借助葉綠素儀SPAD502進(jìn)行測量，對應(yīng)LAI的采集方式，在相同樣點(diǎn)測量葉綠素含量的相對值； 在采集過程中，對每一個(gè)樣點(diǎn)采集2次，并把3個(gè)樣點(diǎn)葉綠素含量的平均值作為該樣方的實(shí)測葉綠素含量值。

1.2 GF-2影像數(shù)據(jù)及其預(yù)處理

采用GF-2衛(wèi)星多光譜數(shù)據(jù)，獲取時(shí)間為2016年4月22日，其波段設(shè)置見表1。

表1 GF-2衛(wèi)星波段設(shè)置Tab.1 Band setting of GF-2

對GF-2衛(wèi)星數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正和幾何糾正等預(yù)處理。通過大氣校正消除太陽入射角、天空光散射及傳感器觀測角等干擾因素，將遙感影像原始DN值轉(zhuǎn)換為地表反射率； 幾何糾正則用于剔除地形等影響。FLAASH大氣校正基于太陽波譜范圍內(nèi)(不包含熱輻射)地表非均勻、朗伯面的模型[13]，是目前精度非常高的大氣校正模型。該模型是基于像元級的校正，可校正因漫反射所引起的連帶效應(yīng)(包括卷云和不透明云層)，可調(diào)整因人為抑止而導(dǎo)致的波譜平滑。目前，使用FLAASH對多光譜、高光譜及航空影像進(jìn)行大氣校正分析，均取得了較好效果，也是目前使用最普遍的校正模型[14]。本文借助ENVI5.2軟件，將下載的GF-2波譜響應(yīng)函數(shù)制作成ENVI波譜數(shù)據(jù)庫，利用FLAASH大氣校正模型對GF-2影像數(shù)據(jù)進(jìn)行大氣校正，并利用影像自帶的RPC文件進(jìn)行無控制點(diǎn)幾何糾正(圖1)。

圖1 FLAASH大氣校正后植被反射率光譜曲線Fig.1 Spectral curves of vegetation reflectivity after FLAASH atmospheric correction

從圖1可以看出，經(jīng)過FLAASH大氣校正，基本去除了空氣中水汽等的影響； 在0.5～0.9 μm區(qū)間內(nèi)，植被光譜反射曲線與實(shí)際植被光譜反射曲線基本吻合。

2 研究方法

針對GF-2衛(wèi)星數(shù)據(jù)，結(jié)合小麥的地面實(shí)測數(shù)據(jù)，采用回歸模型和神經(jīng)網(wǎng)絡(luò)模型分別進(jìn)行LAI反演，對比回歸模型與神經(jīng)網(wǎng)絡(luò)模型輸出結(jié)果，分析不同模型的反演精度。

2.1 植被指數(shù)模型選取

利用植被指數(shù)反演LAI是指根據(jù)地面測定的植被冠層光譜數(shù)據(jù)或遙感觀測數(shù)據(jù)進(jìn)行相關(guān)性分析，建立遙感觀測光譜數(shù)據(jù)或其變換形式(植被指數(shù))與地面實(shí)測LAI之間的關(guān)系[15]。本文選取4種常用的植被指數(shù)類型(表2)，并分別以線性、指數(shù)、對數(shù)和二項(xiàng)式4種形式與LAI建立回歸模型，評價(jià)其擬合精度。

表2 本文使用的植被指數(shù)Tab.2 Vegetation indexes used in this paper

①式中：ρnir為GF-2衛(wèi)星影像近紅外波段反射率；ρred為紅光波段反射率；L為土壤調(diào)節(jié)因子，本文取L=0.5；EVI2表示2波段增強(qiáng)型植被指數(shù)。

2.2 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

2.2.1 PROSAIL模型擬合數(shù)據(jù)

PROSAIL模型是PROSPECT模型和SAIL模型的耦合[20]。PROSAIL模型將PROSPECT模型的輸出參數(shù)——葉片透射率和反射率作為SAIL模型的輸入?yún)?shù)，模擬植被的冠層反射特性[21]，完成從地表植被理化、幾何參數(shù)和光譜特性獲取植被冠層光譜反射率的過程。大氣校正后的衛(wèi)星影像同樣可以獲得植被冠層反射率，從而將遙感影像與LAI通過物理過程聯(lián)系起來[22]。

依據(jù)前人對PROSAIL模型輸入?yún)⒘孔龅拿舾行詼y試，對模型影響最大的是LAI和葉綠素含量[23]，故本文采用實(shí)測葉綠素含量參數(shù)作為PROSPECT模型的唯一調(diào)節(jié)參量，模擬出葉片反射率； 并將葉片反射率和LAI作為SAIL模型的輸入，用以擬合植被冠層反射率。為了獲取足夠多的訓(xùn)練樣本，本文利用SAIL模型擬合400組冠層反射率數(shù)據(jù)； 基于光譜響應(yīng)函數(shù)將擬合的反射率數(shù)據(jù)重采樣為對應(yīng)衛(wèi)星影像中心波長的形式，將該數(shù)據(jù)集和部分實(shí)測數(shù)據(jù)集作為BP神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)，并對3層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練及測試，實(shí)現(xiàn)LAI反演，并驗(yàn)證該方法的精度。

2.2.2 神經(jīng)網(wǎng)絡(luò)模型

反向傳播人工神經(jīng)網(wǎng)絡(luò)(back-propagation artificial neural network，BP-ANN)具有自適應(yīng)、自組織性和容錯(cuò)性能，適合模擬錯(cuò)綜復(fù)雜的關(guān)系[11]。網(wǎng)絡(luò)層數(shù)通常為3層，分為輸入層、隱含層和輸出層，通過一定量的樣本學(xué)習(xí)和訓(xùn)練，確定網(wǎng)絡(luò)有關(guān)參數(shù)。BP-ANN的結(jié)構(gòu)如圖2所示。

圖2 BP-ANN結(jié)構(gòu)示意圖Fig.2 Sketch map for structure of BP-ANN

采用的BP-ANN是在MATLAB的基礎(chǔ)上，建立植被冠層反射率和LAI的映射關(guān)系。本文輸入層包含4個(gè)神經(jīng)元，輸出層為1個(gè)神經(jīng)元，隱含層通過訓(xùn)練測試確定其神經(jīng)元個(gè)數(shù)。通過優(yōu)化樣本輸入，以冠層反射率數(shù)據(jù)作為BP-ANN訓(xùn)練的輸入樣本，將400組擬合冠層反射率數(shù)據(jù)結(jié)合光譜響應(yīng)函數(shù)采樣到中心波長處； 并將26組對應(yīng)衛(wèi)星影像反射率數(shù)據(jù)的實(shí)測LAI數(shù)據(jù)同樣作為訓(xùn)練樣本，實(shí)測數(shù)據(jù)的加入可更好地提高反演精度。

3 基于GF-2數(shù)據(jù)LAI反演模型構(gòu)建

3.1 植被指數(shù)回歸模型構(gòu)建

以孕穗期小麥為例，利用實(shí)測冠層LAI數(shù)據(jù)與衛(wèi)星影像中對應(yīng)像元的植被指數(shù)，建立VI-LAI的回歸模型，模型擬合如圖3所示，擬合方程見表3，并采用決定系數(shù)(R2)和均方根誤差(root mean square error，RMSE)2個(gè)參數(shù)進(jìn)行精度評價(jià)。

(a) NDVI-LAI (b) RVI-LAI (c) SAVI-LAI (d) EVI2-LAI

圖3VI-LAI回歸擬合
Fig.3VI-LAIregressionfitting

表3 回歸模型構(gòu)建Tab.3 Regression models establishment

由表3可以看出，利用NDVI與LAI回歸模型擬合的效果均高于其他模型擬合效果，其中以二項(xiàng)式擬合的精度最高，R2達(dá)到了0.718 5； 而利用其他植被指數(shù)構(gòu)建的模型中，最高擬合精度都沒有超過0.7。由此可見，針對小麥孕穗期利用NDVI構(gòu)建回歸模型的效果最好。

3.2 神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

根據(jù)研究需要，將BP-ANN設(shè)計(jì)為3層結(jié)構(gòu)，具有1個(gè)輸入層，共4個(gè)節(jié)點(diǎn)，分別表示對應(yīng)衛(wèi)星影像模擬的4個(gè)波段數(shù)據(jù)； 1個(gè)隱含層，由11個(gè)節(jié)點(diǎn)組成； 1個(gè)輸出層，由1個(gè)節(jié)點(diǎn)組成(圖4)。將400組擬合的反射率數(shù)據(jù)及26組實(shí)測數(shù)據(jù)作為BP-ANN訓(xùn)練數(shù)據(jù)，把另外11組實(shí)測數(shù)據(jù)作為測試數(shù)據(jù)(表4)。隱藏層沒有固定的確定方法，本文根據(jù)2n+1(n代表輸入層和輸出層節(jié)點(diǎn)的總個(gè)數(shù))確定隱含層節(jié)點(diǎn)的個(gè)數(shù)，故設(shè)置其節(jié)點(diǎn)數(shù)為11。由于神經(jīng)網(wǎng)絡(luò)擬合時(shí)具有一定的不確定性，故本文進(jìn)行了5次擬合，分析預(yù)測LAI值與實(shí)測LAI值之間的誤差大小，并將所有對應(yīng)點(diǎn)的誤差和作為評價(jià)擬合穩(wěn)定性的參考因子。

圖4 BP-ANN模型流程Fig.4 Flow chart of BP-ANN model

表4 神經(jīng)網(wǎng)絡(luò)模型測試結(jié)果Tab.4 Results of neural network test

神經(jīng)網(wǎng)絡(luò)5次預(yù)測LAI值與實(shí)測LAI值之間的誤差和依次為2.867 200，2.566 900，2.416 012，2.647 072和2.798 720?？梢姡肞ROSAIL擬合數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)反演LAI具有較高的穩(wěn)定性。

4 結(jié)果與分析

4.1 反演結(jié)果

根據(jù)上文分析，選擇2016年4月22日獲取的GF-2衛(wèi)星數(shù)據(jù)，經(jīng)過輻射定標(biāo)和大氣校正等影像預(yù)處理，選擇經(jīng)驗(yàn)回歸模型中擬合效果最好的NDVI二項(xiàng)式反演模型和PROSAIL模型結(jié)合BP-ANN反演模型，反演河北省廊坊市萬莊鎮(zhèn)的小麥LAI，計(jì)算結(jié)果如圖5所示。

(a) NDVI二項(xiàng)式回歸模型 (b) 神經(jīng)網(wǎng)絡(luò)模型

圖5LAI反演結(jié)果對比

Fig.5ComparisonofLAIinversionresults

由圖5可以看出，萬莊鎮(zhèn)小麥主要分布在中部、西北部和西南部部分區(qū)域(研究區(qū)南部和東北部混合的大棚與果園等不作考慮)，利用回歸模型反演的小麥LAI值主要分布在2.0～3.0之間，部分區(qū)域的小麥LAI出現(xiàn)了異常值，西南部分區(qū)域反演結(jié)果比小麥孕穗期正常值大； 利用神經(jīng)網(wǎng)絡(luò)反演的小麥LAI值大部分在2.5～3.5之間，且反演結(jié)果分布比較均勻，LAI值超過4的情況較少，基本符合小麥LAI在孕穗期的生長狀況。

利用訓(xùn)練好的BP-ANN顯著提高了反演速度，并具有良好的穩(wěn)定性。以往反演LAI大多基于中低空間分辨率衛(wèi)星影像，為保證輸入樣本具有較大的差異性，很多研究者使用了較多輸入樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，雖提高了反演精度，但增加了數(shù)據(jù)冗余。由于GF-2衛(wèi)星數(shù)據(jù)具有高空間分辨率，可更詳細(xì)地反映地物的光譜信息，故本文優(yōu)化了輸入樣本，僅以多光譜波段冠層反射率作為BP-ANN的輸入，以LAI作為輸出，采用3層網(wǎng)絡(luò)結(jié)構(gòu)，并與優(yōu)選的回歸模型進(jìn)行對比。實(shí)驗(yàn)結(jié)果表明，針對研究區(qū)小麥孕穗期，以擬合效果最好的NDVI二項(xiàng)式回歸模型反演LAI的值整體偏低，且存在異常點(diǎn)的情況； 而利用BP-ANN模型的反演結(jié)果要比回歸模型更接近現(xiàn)實(shí)小麥孕穗期生長狀況。

4.2 驗(yàn)證與分析

本文實(shí)測數(shù)據(jù)與衛(wèi)星影像具有較好的時(shí)間一致性，與所選驗(yàn)證點(diǎn)對應(yīng)的GF-2影像清晰、無云，各波段數(shù)據(jù)質(zhì)量良好。選擇11組實(shí)測LAI對反演結(jié)果進(jìn)行評價(jià)，反演LAI與實(shí)測LAI具有越高的R2和越低RMSE，表示反演結(jié)果越好。為保證衛(wèi)星影像反演值與實(shí)測值在像元尺度上的匹配，采用樣方內(nèi)3個(gè)點(diǎn)的平均值與模型反演結(jié)果進(jìn)行對比。由于回歸擬合方法較多，本文優(yōu)選了NDVI二項(xiàng)式回歸模型進(jìn)行實(shí)測數(shù)據(jù)驗(yàn)證，并與BP-ANN驗(yàn)證結(jié)果進(jìn)行對比(圖6)。

圖6 LAI反演結(jié)果驗(yàn)證Fig.6 Verification of LAI inversion results

如圖6所示，圖中縱坐標(biāo)為實(shí)測LAI，橫坐標(biāo)為反演LAI值，驗(yàn)證回歸模型的R2和RMSE分別為0.719 3和0.393 6，神經(jīng)網(wǎng)絡(luò)模型的R2和RMSE分別為0.900 8和0.273 2。

綜上所述，植被指數(shù)回歸模型反演LAI結(jié)果整體偏低，且存在奇異點(diǎn)的現(xiàn)象； 而BP-ANN算法中實(shí)測點(diǎn)與模型估算結(jié)果均勻分布在回歸直線的兩側(cè)，表明BP-ANN模型的LAI反演結(jié)果比回歸模型反演結(jié)果更接近于實(shí)測LAI。由于GF-2衛(wèi)星數(shù)據(jù)擁有高空間分辨率的特點(diǎn)，相比其他衛(wèi)星數(shù)據(jù)更好地避免了混合像元帶來的反演誤差； 雖然高空間分辨率也受到了幅寬的限制，但針對特定區(qū)域的LAI反演仍具有較強(qiáng)的可用性。ANN算法近幾年逐步應(yīng)用到地表參數(shù)的遙感反演中。在前人研究中，應(yīng)用到中低空間分辨率衛(wèi)星影像時(shí)都已獲得較好的反演結(jié)果，本文則證實(shí)ANN算法應(yīng)用于GF-2衛(wèi)星影像中同樣取得了不錯(cuò)的效果，且針對載荷特點(diǎn)優(yōu)化了網(wǎng)絡(luò)樣本輸入，可為高分遙感數(shù)據(jù)的LAI反演實(shí)用化提供參考。

5 結(jié)論

針對國產(chǎn)GF-2衛(wèi)星影像高空間分辨率等特點(diǎn)，以河北省廊坊市萬莊鎮(zhèn)為研究區(qū)，選擇了不同的植被指數(shù)回歸模型和PROSAIL模型結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行LAI反演，得到如下結(jié)論：

1)在小麥孕穗期，不同植被指數(shù)對小麥冠層的響應(yīng)不同，利用實(shí)測數(shù)據(jù)與不同植被指數(shù)擬合LAI的精度差距較大，其中，擬合精度最高的是利用NDVI建立的二項(xiàng)式估算模型，R2和RMSE分別達(dá)到0.719 3和0.393 6。

2)針對GF-2衛(wèi)星載荷特點(diǎn)，重點(diǎn)探討了綜合PROSAIL模型和BP-ANN算法反演LAI的可行性及其反演精度，得到了穩(wěn)定性高且精度良好的反演結(jié)果，經(jīng)實(shí)測LAI數(shù)據(jù)進(jìn)行精度驗(yàn)證，R2和RMSE分別達(dá)到0.900 8和0.273 2。

3)采用神經(jīng)網(wǎng)絡(luò)模型，優(yōu)化了BP-ANN的訓(xùn)練樣本輸入，省去了部分準(zhǔn)備工作，提高了反演效率，并取得了良好仿真效果； 與傳統(tǒng)植被指數(shù)回歸模型相比，利用神經(jīng)網(wǎng)絡(luò)反演LAI的精度遠(yuǎn)高于回歸模型的反演結(jié)果，基于BP-ANN模型進(jìn)行LAI反演的結(jié)果更加均勻、真實(shí)。

綜上所述，通過與其他傳統(tǒng)方法對比，證實(shí)了針對高空間分辨率衛(wèi)星影像利用BP-ANN及地面實(shí)測數(shù)據(jù)進(jìn)行LAI反演的可行性。經(jīng)驗(yàn)證表明，針對河北省廊坊市小麥孕穗期得到的LAI反演效果較好； 在實(shí)際操作中，BP-ANN基于MATLAB工具箱進(jìn)行修改獲得，算法簡便、高效，輔以較少樣本的輸入，具有一定的實(shí)用性。但本次研究僅在河北省廊坊市部分地區(qū)針對小麥孕穗期進(jìn)行了一次地面實(shí)測驗(yàn)證，重點(diǎn)探討針對高空間分辨率衛(wèi)星不同反演方法的可行性，缺少不同區(qū)域、不同生育期的驗(yàn)證數(shù)據(jù)，有待今后進(jìn)一步做更加全面、深入的研究。

[1] Chen J M,Cihlar J.Retrieving leaf area index of boreal conifer forests using Landsat TM images[J].Remote Sensing of Environment,1996,55(2):153-162.

[2] Pinty 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.

[3] 李鑫川,徐新剛,鮑艷松,等.基于分段方式選擇敏感植被指數(shù)的冬小麥葉面積指數(shù)遙感反演[J].中國農(nóng)業(yè)科學(xué),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.

[4] Yang F,Sun J L,Fang H L,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.

[5] 任 哲,陳懷亮,王連喜,等.利用交叉驗(yàn)證的小麥LAI反演模型研究[J].國土資源遙感,2015,27(4):34-40.doi:10.6046/gtzyyg.2015.04.06.

Ren Z,Chen H L,Wang L X,et al.Research on inversion model of wheat LAI using cross-validation[J].Remote Sensing for Land and Resources,2015,27(4):34-40.doi:10.6046/gtzyyg.2015.04.06.

[6] Meng Q Y,Wang C M,Gu X F,et al.Hot dark spot index method based on multi-angular remote sensing for leaf area index retrieval[J].Environmental Earth Sciences,2016,75:732.

[7] 張 瀛,孟慶巖,武佳麗,等.基于環(huán)境星CCD數(shù)據(jù)的環(huán)境植被指數(shù)及葉面積指數(shù)反演研究[J].光譜學(xué)與光譜分析,2011,31(10):2789-2793.

Zhang Y,Meng Q Y,Wu J L,et al.Study of environmental vegetation index based on environment satellite CCD data and LAI inversion[J].Spectroscopy and Spectral Analysis,2011,31(10):2789-2793.

[8] 趙 娟.基于多時(shí)相多角度遙感數(shù)據(jù)的植被葉面積指數(shù)反演[D].南京:南京信息工程大學(xué),2014.

Zhao J.Study of Leaf Area Index Inversion Based on Multi-Temporal and Multi-angular Remote Sensing Data[D].Nanjing:Nanjing University of Science and Technology,2014.

[9] Kokaly R F,Clark R N.Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression[J].Remote Sensing of Environment,1999,67(3):267-287.

[10] 宋開山,張 伯,王宗明,等.基于人工神經(jīng)網(wǎng)絡(luò)的大豆葉面積高光譜反演研究[J].中國農(nóng)業(yè)科學(xué),2006,39(6):1138-1145.

Song K S,Zhang B,Wang Z M,et al.Soybean LAI estimation with in-situ collected hyperspectral data based on BP-neural networks[J].Scientia Agricultura Sinica,2006,39(6):1138-1145.

[11] 陳 健,倪紹祥,李云梅.基于神經(jīng)網(wǎng)絡(luò)方法的蘆葦葉面積指數(shù)遙感反演[J].國土資源遙感,2008,20(2):62-67.doi:10.6046/gtzyyg.2008.02.15.

Chen J,Ni S X,Li Y M.LAI retrieval of reed canopy using the neural network method[J].Remote Sensing for Land and Resources,2008,20(2):62-67.doi:10.6046/gtzyyg.2008.02.15.

[12] 包 剛,覃志豪,周 義,等.基于高光譜數(shù)據(jù)和RBF神經(jīng)網(wǎng)絡(luò)方法的草地葉面積指數(shù)反演[J].國土資源遙感,2012,24(2):7-11.doi:10.6046/gtzyyg.2012.02.02.

Bao G,Qin Z H,Zhou Y,et al.The application of hyper-spectral data and RBF neural network method to retrieval of leaf area index of grassland[J].Remote Sensing for Land and Resources,2012,24(2):7-11.doi:10.6046/gtzyyg.2012.02.02.

[13] Adler-Golden S M,Matthew M W,Bernstein L S,et al.Atmospheric correction for shortwave spectral imagery based on MODTRAN4[C]//Proceeding of the SPIE 3753,Imaging Spectrometry V.Denver,CO,United States:SPIE,1999,3753:61-69.

[14] 郝建亭,楊武年,李玉霞,等.基于FLAASH的多光譜影像大氣校正應(yīng)用研究[J].遙感信息,2008(1):78-81.

Hao J T,Yang W N,Li Y X,et al.Atmospheric correction of multi-spectral imagery ASTER[J].Remote Sensing Information,2008(1):78-81.

[15] Gonsamo A,Pellikka P.The sensitivity based estimation of leaf area index from spectral vegetation indices[J].ISPRS Journal of Photogrammetry and Remote Sensing,2012,70:15-25.

[16] Deering D W.Rangeland Reflectance Characteristics Measured by Aircraft and Spacecraft Sensors[D].College Station,Texas:Texas A and M University,1978:338.

[17] Chen J M,Pavlic G,Brown L,et al.Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements[J].Remote Sensing of Environment,2002,80(1):165-184.

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

[19] Jiang Z Y,Huete A R,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.

[20] Baret F,Jacquemoud S,Guyot G,et al.Modeled analysis of the biophysical nature of spectral shifts and comparison with information content of broad bands[J].Remote Sensing of Environment,1992,41(2/3):133-142.

[21] 谷成燕,杜華強(qiáng),周國模,等.基于PROSAIL輻射傳輸模型的毛竹林葉面積指數(shù)遙感反演[J].應(yīng)用生態(tài)學(xué)報(bào),2013,24(8):2248-2256.

Gu C Y,Du H Q,Zhou G M,et al.Retrieval of leaf area index of Moso bamboo forest with Landsat Thematic Mapper image based on PROSAIL canopy radiative transfer model[J].Chinese Journal of Applied Ecology,2013,24(8):2248-2256.

[22] 蔡博峰,紹 霞.基于PROSPECT+SAIL模型的遙感葉面積指數(shù)反演[J].國土資源遙感,2007,19(2):39-43.doi:10.6046/gtzyyg.2007.02.10.

Cai B F,Shao X.Leaf area index petrieval based on remotely sensed data and PROSPECT+SAIL model[J].Remote Sensing for Land and Resources,2007,19(2):39-43.doi:10.6046/gtzyyg.2007.02.10.

[23] 余金林.基于PROSAIL模型的青海湖流域草地葉面積指數(shù)反演[D].西寧:青海師范大學(xué),2014.

Yu J L.Leaf Area Index Inversion of Grass in Qinghai Lake Basin Based PROSAIL Model[D].Xining:Qinghai Normal University,2014.