馮海寬, 岳繼博, 樊意廣, 楊貴軍, 趙春江*

1. 南京農(nóng)業(yè)大學(xué)國家信息農(nóng)業(yè)工程技術(shù)中心, 江蘇 南京 210095

2. 農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感機(jī)理與定量遙感重點(diǎn)實(shí)驗(yàn)室, 北京市農(nóng)林科學(xué)院信息技術(shù)研究中心, 北京 100097

3. 河南農(nóng)業(yè)大學(xué)信息與管理科學(xué)學(xué)院, 河南 鄭州 450002

引 言

馬鈴薯是繼水稻、 小麥和玉米之后的一種重要的糧食作物, 其優(yōu)化種植和生產(chǎn)對(duì)于保障糧食安全具有重要的意義[1-2]。 作物的地面生物量(above-ground biomass, AGB)被廣泛認(rèn)為與作物的生長狀態(tài)密切相關(guān), 常常被直接用來參與作物產(chǎn)量預(yù)測和健康狀態(tài)參數(shù)評(píng)估[3-5]。 快速、 準(zhǔn)確地開展馬鈴薯AGB動(dòng)態(tài)監(jiān)測研究, 對(duì)馬鈴薯田間生產(chǎn)管理具有重要的指示作用[6]。

在遙感技術(shù)出現(xiàn)之前, 作物AGB的動(dòng)態(tài)監(jiān)測主要通過人工破壞性采樣獲得, 這種方法耗時(shí)費(fèi)力, 不適合進(jìn)行大規(guī)模作物AGB的田間監(jiān)測[7-9]。 遙感技術(shù)因其高通量、 無損和快速獲取作物長勢(shì)信息的優(yōu)勢(shì), 已成為不同尺度下監(jiān)測作物生長參數(shù)變化最有前景的手段[10-12]。 在過去的十年里, 光學(xué)遙感技術(shù)已經(jīng)被廣泛應(yīng)用于作物長勢(shì)參數(shù)監(jiān)測中, 例如葉面積指數(shù)、 植株氮含量、 葉綠素、 作物生物量和作物產(chǎn)量等方面。 遙感植被指數(shù)(vegetation index, VI)利用兩個(gè)或者多個(gè)波段的光譜反射率來拉伸地物的光學(xué)特征, 并廣泛結(jié)合統(tǒng)計(jì)回歸模型開展作物參數(shù)估算應(yīng)用。 廣泛用于作物參數(shù)估算的遙感植被指數(shù)大多基于可見光和近紅外波段反射率構(gòu)建, 如: normalized difference vegetation index(NDVI)[13]、 soil-adjusted vegetation index(SAVI)[14]、 enhanced vegetation index(EVI)[15]等。 遙感植被指數(shù)在中高作物覆蓋度時(shí)會(huì)喪失對(duì)作物AGB、 葉面積指數(shù)(leaf area index, LAI)等參數(shù)的敏感性, 即“飽和現(xiàn)象”, 這制約了作物生長中后期的遙感作物AGB準(zhǔn)確監(jiān)測研究[16], 使得難以建立一個(gè)適用于多個(gè)生長時(shí)期的AGB估算模型。

許多研究已經(jīng)專注于改進(jìn)基于遙感植被指數(shù)的AGB估算方案, 如: 高光譜遙感技術(shù)[17]、 遙感植被指數(shù)+Light Detection and Ranging(LIDAR)[18], 遙感植被指數(shù)+株高[3], 遙感植被指數(shù)+Synthetic Aperture Radar(SAR)[19]等。 高光譜遙感技術(shù)里的紅邊區(qū)域、 高光譜導(dǎo)數(shù)分析、 波段深度分析和連續(xù)統(tǒng)去除分析已經(jīng)展示出與小麥生物量高度相關(guān)的能力, 并已經(jīng)得到證明和廣泛接受。 Fu等[20]發(fā)現(xiàn)基于窄波段的NDVI-like指數(shù)(1 097, 980 nm)相比傳統(tǒng)NDVI和SAVI能夠提供更高精度的冬小麥AGB估算結(jié)果。 Gnyp等[17]等結(jié)合了一階導(dǎo)數(shù)光譜和高光譜植被指數(shù)開展了水稻AGB估算, 結(jié)果表明高光譜遙感技術(shù)可以顯著提高多生長時(shí)期AGB估算精度。 由于植物高度是植物生長的良好指標(biāo), 通過LIDAR和無人機(jī)作物表面模型等技術(shù)確定的作物冠層的物理高度估算AGB是一種避免飽和的有效方法。 Yue等[3]發(fā)現(xiàn)結(jié)合冬小麥株高和冠層光譜反射率/植被指數(shù)能夠提供比單獨(dú)株高、 冠層光譜反射率/植被指數(shù)更高性能的AGB估算結(jié)果。 Han等[21]驗(yàn)證了玉米株高數(shù)據(jù)有助于增強(qiáng)基于遙感植被指數(shù)的AGB估算結(jié)果。 與光學(xué)遙感相比, SAR遙感技術(shù)在中高LAI和生物量下監(jiān)測植被生長方面具有優(yōu)勢(shì), 因?yàn)樗鼈兪褂酶L波長的電磁輻射, 可以穿透作物冠層, 從而一定程度避免了“飽和現(xiàn)象”。 Jin等研究認(rèn)為結(jié)合使用SAR和光學(xué)植被指數(shù)聯(lián)合開展冬小麥AGB估算比單獨(dú)使用SAR和光學(xué)植被指數(shù)更有效。 Sadeghi和Santi等[22-23]的研究也證實(shí)了聯(lián)合SAR+光學(xué)植被指數(shù)避免“飽和現(xiàn)象”的可能性。

上述研究均是以“引入新的特征指標(biāo)”并“結(jié)合統(tǒng)計(jì)回歸技術(shù)”的思路來實(shí)現(xiàn)增強(qiáng)作物AGB估算, 故本質(zhì)上仍然是黑箱統(tǒng)計(jì)模型; 其AGB的估算精度受制于統(tǒng)計(jì)模型的性能和新的特質(zhì)指標(biāo)的可代表性。 在作物的生長過程中, 光合作用產(chǎn)物的轉(zhuǎn)移行為在不同生長階段不同; 作物冠層的上層葉片貢獻(xiàn)了大部分的田間冠層光譜, 而儲(chǔ)存在垂直器官(如作物莖、 小麥穗、 玉米穗)中的生物量很難通過光學(xué)遙感檢測到。

本工作是采用了一個(gè)新型垂直生長作物AGB估算模型(vertically growing crop AGB model, VGC-AGB)結(jié)合高光譜遙感多生長階段的馬鈴薯AGB估算研究。 針對(duì)多生育期遙感光譜指數(shù)開展作物生物量監(jiān)測中存在的“飽和問題”, VGC-AGB通過Cm×LAI計(jì)算葉片的地上生物量, 通過Cd×Ch×Csm計(jì)算垂直器官的地上生物量。 通過一個(gè)包含4個(gè)生長階段的馬鈴薯地上生物量聯(lián)合試驗(yàn)數(shù)據(jù), 對(duì)比了(1)高光譜特征參數(shù)+株高, (2)地面測量參數(shù)+VGC-AGB模型和(3)高光譜遙感+VGC-AGB模型的3種馬鈴薯AGB估算方法的性能。 我們的結(jié)果表明, 新型VGC-AGB模型結(jié)合高光譜遙感可以提供高性能的馬鈴薯葉片AGB, 垂直AGB和總AGB估算結(jié)果, 且其估算性能明顯高于高光譜遙感+株高的AGB估算方法。

1 實(shí)驗(yàn)部分

1.1 研究區(qū)概況

1.1.1 試驗(yàn)地基本情況

地面試驗(yàn)于北京市昌平區(qū)國家精準(zhǔn)農(nóng)業(yè)研究示范基地開展[圖1(a)]。 昌平區(qū)地處暖溫帶半濕潤大陸性季風(fēng)氣候, 年平均日照時(shí)數(shù)2 684 h, 年平均氣溫11.8 ℃, 年平均降水量550.3 mm。 于2019年開展了馬鈴薯實(shí)驗(yàn), 馬鈴薯試驗(yàn)品種有2個(gè), 分別為中薯3號(hào)(Z3)和中薯5號(hào)(Z5), 試驗(yàn)詳情如圖1所示。

圖1 研究區(qū)位置和試驗(yàn)方案

1.1.2 試驗(yàn)方案和肥料處理

試驗(yàn)方案和肥料處理如圖1(b)所示, 試驗(yàn)小區(qū)總計(jì)48個(gè)(每個(gè)小區(qū)大小32.5 m2); 種植密度分為3個(gè)水平, 分別是60 000 hm-2(P1), 72 000 hm-2(P2)和84 000 hm-2(P3); 氮素處理分為4個(gè)水平, 分別是0 (N0), 112.5 (N1), 225 (N2)和337.5 (N3) kg·hm-2pure N; 鉀肥處理分為3個(gè)水平, 分別是0 (K0), 495 kg·hm-2(K1)和990 kg·hm-2(K2)的K2O; 此外, 試驗(yàn)田施了90 kg·hm-2P2O5。 所有種植小區(qū)的田間管理(主要包括除草、 追肥和澆水)均保持一致。

1.2 馬鈴薯理化參數(shù)測量

分別于2019年5月13日, 5日27日, 6月10日, 6日20日開展了4組馬鈴薯冠層高光譜和AGB等作物參數(shù)測量。

1.2.1 馬鈴薯冠層高光譜測量

使用ASD Field Spec 3光譜儀(Analytical Spectral Devices)測量馬鈴薯4個(gè)關(guān)鍵生長時(shí)期的冠層反射率, 該儀器的光譜范圍為350～2 500 nm, 其中, 350～1 000 nm的采樣間隔為1.4 nm, 1 000～2 500 nm的采樣間隔為2 nm。 分別于上午10點(diǎn)半到下午14點(diǎn)半之間開展馬鈴薯冠層反射率測量; 每個(gè)小區(qū)測量前, 均使用了一個(gè)白色定標(biāo)板校正光譜儀; 測量時(shí), 測量人員面對(duì)太陽方向, 將傳感器探頭置于冠層上方約50 cm處, 收集10次數(shù)據(jù)并取平均值為馬鈴薯冠層反射率。

1.2.2 馬鈴薯LAI, 株高和AGB測量

各生長階段從每個(gè)小區(qū)中選取能代表該小區(qū)整體長勢(shì)水平的3株植株作為樣本, 測量其株高, 并記錄平均值。 隨后, 人工對(duì)這些樣本進(jìn)行破壞性取樣, 并裝入帶有小區(qū)編號(hào)的塑料袋中。 樣本采集完成后, 迅速帶回實(shí)驗(yàn)室進(jìn)行處理。 實(shí)驗(yàn)處理主要分三部分:

(1)用自來水清洗馬鈴薯植株表面的塵土, 待植株自然干燥后, 使用剪刀將莖和葉分離;

(2)在每個(gè)小區(qū)的3株樣本的所有葉片中, 選取大葉片、 中等葉片和小葉片各10個(gè)。 使用直徑8 mm的打孔器在每個(gè)葉片左右各打1個(gè)孔, 共60孔圓形葉片, 稱鮮重, 烘干后稱干重。 利用打孔的葉面積、 鮮重和葉片總質(zhì)量計(jì)算葉片的總面積, 記為L;

(3)將處理好的莖和葉片放在烘箱中以105℃進(jìn)行半小時(shí)的殺青, 隨后將溫度調(diào)至80℃持續(xù)干燥, 直到樣本的質(zhì)量保持不變, 分別記為mv和ml。

馬鈴薯各生長階段田間LAI和生物量的統(tǒng)計(jì)結(jié)果如表1所示。

表1 田間LAI和生物量測量值描述統(tǒng)計(jì)

隨后, 采用式(1)—式(4)計(jì)算LAI, AGBl, AGBv和AGBt

(1)

(2)

(3)

(4)

其中,L為所有葉片面積的和;ml和mv分別為所有葉片和莖稈部分的干質(zhì)量;Cd為種植密度; 3代表3株馬鈴薯參與取樣。

1.3 VGC-AGB模型及其應(yīng)用策略

1.3.1 VGC-AGB模型

VGC-AGB模型在文獻(xiàn)[5]中由Yue等提出并用以分析垂直生長的作物的莖稈和葉片部分生物量組成。 其原理如圖2所示, 垂直生長作物的生物量主要分為兩部分: (1)葉子和(2)垂直生長的部分(如莖, 麥穗或玉米穗);

圖2 馬鈴薯不同生長時(shí)期的葉子和莖稈結(jié)構(gòu)

AGBt=AGBl+AGBv

(5)

式(5)中, AGBt(g·m-2)是作物總生物量, AGBl(g·m-2)是所有作物葉片的干生物量, AGBv(g·m-2)是垂直生長器官(如莖, 麥穗或玉米穗)的干生物量。

葉片生物量可以由LAI和葉片干物質(zhì)含量的乘積計(jì)算

AGBl=LAI×Cm

(6)

式(6)中, LAI(m2·m-2)是作物的葉面積指數(shù),Cm(g·m-2)是作物葉片的平均干物質(zhì)含量。

垂直部分生物量可以由株高, 種植密度和Csm的乘積計(jì)算

AGBv=Cd×Ch×Csm

(7)

式(7)中,Cd(n·m-2)是作物的種植密度, 一般為固定值;Ch(m)是作物的株高;Csm是作物莖和生殖器官的平均干質(zhì)量含量, 即平均每單位長度的莖稈部分擁有的生物量;Csm一般隨作物生育期增加而逐漸增加。

因此, 利用VGC-AGB模型開展作物生物量估算可以通過以下方式實(shí)現(xiàn)

AGBt=LAI×Cm+Cd×Ch×Csm

(8)

此外, 通過式(8)計(jì)算Csm。

1.3.2 VGC-AGB模型應(yīng)用策略

如式(8)所示, VGC-AGB模型的輸入?yún)?shù)包含了LAI,Cm, 株高, 種植密度, 和Csm。 VGC-AGB模型的輸入?yún)?shù)包含了一些先驗(yàn)知識(shí)參數(shù), 如Cm和種植密度, 這些參數(shù)整個(gè)生育期內(nèi)不會(huì)發(fā)生變化; 對(duì)于株高、 LAI和Csm來說, 其生育期內(nèi)的變化對(duì)于VGC-AGB模型至關(guān)重要。 因此, 使用了兩種VGC-AGB模型的應(yīng)用策略:

(1)基于VGC-AGB模型和地面參數(shù)的馬鈴薯AGB估算;

(2)基于VGC-AGB模型和遙感估算參數(shù)的馬鈴薯AGB估算。

1.4 模型精度對(duì)比和評(píng)價(jià)

1.4.1 傳統(tǒng)高光譜遙感和統(tǒng)計(jì)回歸模型的作物AGB, LAI,Csm估算

除了直接使用地面參數(shù)和基于遙感估算參數(shù)開展基于VGC-AGB的AGB估算驗(yàn)證外, 也選擇了常用的人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks, ANN)回歸技術(shù)來測試傳統(tǒng)高光譜遙感和統(tǒng)計(jì)回歸模型的馬鈴薯AGB估算; 也即是采用光譜反射率、 遙感光譜指數(shù), 紅邊參數(shù)和導(dǎo)數(shù)法的特征提取技術(shù)和ANN開展馬鈴薯AGB估算。 選擇的遙感光譜指數(shù)包含NDVI, OSAVI, EVI, SAVI和EVI2(表2); 紅邊參數(shù)包含RE1(706 nm), RE2(742 nm), RE3(782 nm)三波段反射率, 紅邊植被指數(shù)NDRE1, NDRE2和CIRE(表2)。

表2 基于遙感光譜指數(shù), 紅邊參數(shù)和導(dǎo)數(shù)法的特征提取技術(shù)

此外, 本工作采用相同的光譜反射率、 上述三種特征提取法(表2)和ANN開展馬鈴薯LAI,Csm估算作為VGC-AGB模型輸入?yún)?shù)。

1.4.2 模型數(shù)據(jù)選擇和精度對(duì)比指標(biāo)

共測得192組馬鈴薯數(shù)據(jù), 這些數(shù)據(jù)被平均分為兩組, 一組用于模型訓(xùn)練, 剩余一組用于模型精度驗(yàn)證。 使用R2和RMSE作為模型精度驗(yàn)證指標(biāo); 一般來說, 較大的R2和較小的RMSE代表模型擁有更高的精度。

2 結(jié)果與討論

2.1 基于統(tǒng)計(jì)回歸模型的馬鈴薯AGB估算

2.1.1 高光譜遙感指標(biāo)和株高的敏感性分析和波段選擇

分析了原始冠層高光譜反射率(400～1 000 nm)和其一階導(dǎo)數(shù)光譜與馬鈴薯AGB和LAI的相關(guān)性分析, 相關(guān)性分析結(jié)果曲線展示在圖3中。 基于上述相關(guān)性分析結(jié)果, 選擇了697和753 nm波段的反射率[圖3(a, b)], 472、 524、 556、 665、 680和710 nm波段的一階導(dǎo)數(shù)反射率[圖3(c, d)]開展馬鈴薯參數(shù)估算。 基于表2中選擇的植被指數(shù)、 紅邊指數(shù)、 所選擇的光譜反射率和一階導(dǎo)數(shù)光譜反射率, 開展了上述光譜參數(shù)、 株高與LAI和AGB相關(guān)性分析(表3)。

表3 所選擇的高光譜遙感特征、 株高與LAI和AGB相關(guān)性分析結(jié)果 (n=192)

圖3 高光譜反射率光譜和導(dǎo)數(shù)光譜與LAI和AGB相關(guān)性分析結(jié)果

2.1.2 馬鈴薯AGB估算結(jié)果

利用表3中的光譜特征指標(biāo)和株高, 開展了馬鈴薯AGB估算模型訓(xùn)練, 結(jié)果見圖4(a), ANN模型建模精度為:R2=0.776, RMSE=21.73 g·m-2。 基于驗(yàn)證數(shù)據(jù)集開展模型驗(yàn)證, 結(jié)果表明, 所訓(xùn)練的ANN模型驗(yàn)證精度明顯下降, ANN模型驗(yàn)證精度為:R2=0.399, RMSE=37.497 g·m-2。

圖4 基于高光譜遙感、 株高和統(tǒng)計(jì)回歸模型的馬鈴薯AGB估算結(jié)果

2.2 基于地面測量參數(shù)+VGC-AGB模型的馬鈴薯AGB估算

2.2.1 地面實(shí)測的VGC-AGB模型輸入?yún)?shù)

基于地面測量實(shí)測LAI, AGBl, AGBv, 株高和種植密度, 本文開展了VGC-AGB模型輸入?yún)?shù)分析, 結(jié)果如圖5所示。 圖5(a)展示了馬鈴薯葉片生物量與LAI的關(guān)系, 本文結(jié)果顯示AGBl=50×LAI, 即Cm=50 g·m-2, 這與文獻(xiàn)[5]中玉米葉片的Cm接近。 本文結(jié)果顯示AGBv隨Cd×Ch的增加而增加[圖5(b)], 4個(gè)生育期的Csm緩慢增加[圖5(b)]。 4個(gè)生育期的Csm平均值分別為: 0.15, 0.19, 0.21, 0.27。

圖5 (a)馬鈴薯AGBl對(duì)比LAI; (b)馬鈴薯AGBv對(duì)比株高×種植密度; (c)土豆Csm

2.2.2 馬鈴薯AGB估算

基于訓(xùn)練集數(shù)據(jù), 我們計(jì)算了平均Csm,Cm; 然后根據(jù)地面實(shí)測LAI, 平均Csm,Cm, 株高和種植密度開展了基于VGC-AGB模型的馬鈴薯AGB估算。 圖6展示了馬鈴薯AGBl[圖6(a, b)], AGBv[圖6(c, d)]和AGBt[圖6(e, f)]實(shí)測值和估算值。 圖6中馬鈴薯估算結(jié)果表明, VGC-AGB模型建模和驗(yàn)證精度分別為:R2=0.857, RMSE=19.509 g·m-2和R2=0.891, RMSE=16.538 g·m-2。 VGC-AGB模型的建模和驗(yàn)證精度均明顯高于基于遙感光譜特征和ANN模型的估算結(jié)果[圖4(a)]。

圖6 基于地面測量實(shí)測VGC-AGB模型的馬鈴薯AGB估算

2.3 基于高光譜遙感+VGC-AGB模型的馬鈴薯AGB估算

本小節(jié)敘述了基于VGC-AGB模型和遙感測量的馬鈴薯AGB估算。 分兩個(gè)部分: (1)基于高光譜遙感的模型參數(shù)估算; (2)基于VGC-AGB模型的馬鈴薯AGB估算。 首先, 利用表3中的光譜特征指標(biāo)和訓(xùn)練數(shù)據(jù)集, 開展了馬鈴薯LAI和Csm估算模型訓(xùn)練, 結(jié)果見圖7。 ANN模型的驗(yàn)證精度為: LAI:R2=0.603, RMSE=0.404 m2·m-2,Csm:R2=0.237, RMSE=0.063 g·m-1。 基于遙感估算LAI和Csm, 地面實(shí)測株高和種植密度, 本文隨后開展了基于VGC-AGB模型的馬鈴薯AGB估算。 圖8展示了基于VGC-AGB模型的馬鈴薯AGB估算結(jié)果, 結(jié)果表明, VGC-AGB模型建模和驗(yàn)證精度分別為:R2=0.612, RMSE=28.415 g·m-2和R2=0.598, RMSE=29.001 g·m-2。 對(duì)比基于地面實(shí)測和遙感估算輸入?yún)?shù)的VGC-AGB模型的建模和驗(yàn)證精度(圖6), 后者模型精度明顯降低。

圖7 基于高光譜遙感的VGC-AGB模型參數(shù)估算

圖8 基于遙感估算VGC-AGB模型參數(shù)的馬鈴薯AGB估算

目前, 各種空間分辨率的光學(xué)遙感依然是開展大范圍作物AGB估算的最主要方式。 然而, 光學(xué)遙感方法無法提供高精度的作物AGB估算, 原因主要有兩個(gè): (1)光學(xué)VI在中到高冠層覆蓋時(shí)出現(xiàn)“飽和問題”, (2)作物莖和枝等垂直部分對(duì)冠層光譜的貢獻(xiàn)很小, 作物AGB普遍被低估[16]。 作物冠層的上層葉片貢獻(xiàn)了大部分的田間冠層光譜, 而儲(chǔ)存在垂直器官(如作物莖、 小麥穗、 玉米穗)中的生物量很難通過光學(xué)遙感檢測到; 這意味著儲(chǔ)存在垂直部分器官中的光合產(chǎn)物無法僅使用VI來檢測, 盡管因此, 僅基于傳統(tǒng)的光學(xué)紅色和近紅外波段的VI無法提供高性能的AGBv估算。

本文中, VGC-AGB可以幫助對(duì)垂直生長的馬鈴薯AGB進(jìn)行建模, 并了解垂直種植作物AGBl和AGBv如何促進(jìn)作物生長[5]。 在農(nóng)田管理實(shí)踐中, LAI可以通過使用LAI2200開展測量, 而Cm參數(shù)在多個(gè)生長周期可以被認(rèn)為為固定值,Csm在單個(gè)生長時(shí)期可以被認(rèn)為為固定值。 VGC-AGB模型輸入?yún)?shù)可以很容易地在現(xiàn)場測量, 因此VGC-AGB模型有助于快速、 高性能地非破壞地進(jìn)行AGB測量。 馬鈴薯的莖和枝等垂直部分對(duì)冠層光譜的貢獻(xiàn)很小, 因此不能通過光學(xué)遙感直接估計(jì)。 研究表明, 當(dāng)采用固定的Cm時(shí), AGBl的估算精度為:R2=0.911, RMSE=11.809 g·m-2, 當(dāng)采用固定Csm時(shí), AGBv的估算精度為:R2=0.503, RMSE=13.119 g·m-2, AGBl和AGBv的估算誤差接近。 因此, 認(rèn)為VGC-AGB可以適用于高精度馬鈴薯的AGBl和AGBv估算, 進(jìn)而有助于分析光合產(chǎn)物轉(zhuǎn)移。

本工作僅測試了一年(4個(gè)生長時(shí)期)的馬鈴薯試驗(yàn)數(shù)據(jù), 因此, 無法跨越不同的年份全面比較固定Cm和Csm開展作物AGB估算的可行性。 未來的研究將集中VGC-AGB模型在更多區(qū)域和生長時(shí)期的馬鈴薯AGB估算驗(yàn)證。

3 結(jié) 論

結(jié)合高光譜遙感和VGC-AGB模型開展了馬鈴薯地上生物量監(jiān)測研究。 針對(duì)多生育期遙感光譜指數(shù)開展作物生物量監(jiān)測時(shí)存在的“飽和問題”, VGC-AGB通過Cm×LAI計(jì)算葉片的地上生物量, 通過Cd×Ch×Csm計(jì)算垂直器官的地上生物量。 對(duì)比了(1)高光譜遙感指數(shù)+株高, (2)地面測量參數(shù)+VGC-AGB模型和(3)高光譜遙感+VGC-AGB模型的3種馬鈴薯AGB估算方法的性能。 結(jié)果表明:

(1)VGC-AGB模型可以提供高精度的馬鈴薯AGBl和AGBv估算結(jié)果; 基于地面測量參數(shù)+VGC-AGB模型的AGBl的估算精度為:R2=0.911, RMSE=11.809 g·m-2, AGBv的估算精度為:R2=0.503, RMSE=13.119 g·m-2; 基于高光譜遙感+VGC-AGB模型的AGBl的估算精度為:R2=0.515, RMSE=20.481 g·m-2, AGBv的估算精度為:R2=0.538, RMSE=13.317 g·m-2;

(2)VGC-AGB模型可以提供高精度的馬鈴薯AGB估算結(jié)果; 基于高光譜+株高的驗(yàn)證精度為:R2=0.399, RMSE=37.497 g·m-2, 明顯低于VGC-AGB模型:R2=0.891, RMSE=16.538 g·m-2和R2=0.598, RMSE=29.001 g·m-2。