基于高光譜遙感的不同品種花生冠層葉面積指數(shù)的通用估算模型*

呂 曉，殷 紅，蔣春姬，張兵兵，戰(zhàn)莘曄，辛明月，張美玲

（1.遼寧省錦州市生態(tài)與農(nóng)業(yè)氣象中心，錦州 121000；2.沈陽農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，沈陽 110866；3.鞍山市氣象局，鞍山114004；4.盤錦市氣象局，盤錦 124010, 5.大洼縣氣象局，盤錦 124200）

基于高光譜遙感的不同品種花生冠層葉面積指數(shù)的通用估算模型*

呂 曉1，殷 紅2**，蔣春姬2，張兵兵1，戰(zhàn)莘曄3，辛明月4，張美玲5

（1.遼寧省錦州市生態(tài)與農(nóng)業(yè)氣象中心，錦州 121000；2.沈陽農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，沈陽 110866；3.鞍山市氣象局，鞍山114004；4.盤錦市氣象局，盤錦 124010, 5.大洼縣氣象局，盤錦 124200）

為了快速、無損地監(jiān)測花生冠層LAI，獲取其長勢信息，于2014年通過大田試驗選用5個品種花生作為供試品種，使用ASD FieldSpec HandHeld便攜式野外光譜儀采集花生不同生育時期的冠層高光譜數(shù)據(jù)，同時使用SUNSCAN冠層分析系統(tǒng)實測花生冠層葉面積指數(shù)（LAI），并應(yīng)用光譜微分技術(shù)和統(tǒng)計分析技術(shù)，分別分析4種光譜形式和6種植被指數(shù)與LAI的相關(guān)關(guān)系，建立估算模型。結(jié)果表明：高光譜反射率及其光譜變換形式中最優(yōu)波段與LAI的相關(guān)性均極顯著，其中一階微分光譜ρ'在793nm波段處構(gòu)建的估測方程對花生冠層 LAI的估算效果最好（r=-0.5391，P＜0.01，RE=0.2497），其模擬值與實測值的擬合度達極顯著水平（R=0.4435，P＜0.01）；一階微分光譜ρ'在734nm波段處LAI的實測值與模擬值的擬合效果最好（R=0.5485，P＜0.01）。6種植被指數(shù)所選的最優(yōu)組合波段與 LAI均通過了 0.01水平的顯著性檢驗（r≥0.5731，P＜0.01），其中歸一化植被指數(shù)NDVI[760，976]對花生冠層LAI的估算效果最好（r=-0.6421，P＜0.01，RE=0.2167），模擬值與實測值的擬合度達極顯著水平（R=0.6731，P＜0.01），且優(yōu)于 ρ'對 LAI的估算效果；LAI實測值與模擬值擬合效果最好的為DVI[760，976]（R=0.6893，P＜0.01）。研究結(jié)果表明一階導(dǎo)數(shù)光譜和植被指數(shù)對花生冠層LAI的估算精度均較高，植被指數(shù)的估算精度尤高，研究同時進一步證實了導(dǎo)數(shù)光譜和植被指數(shù)能較好地消除土壤、大氣等環(huán)境背景信息的影響。

花生；高光譜遙感；葉面積指數(shù)；估算模型

葉面積指數(shù)（Leaf Area Index，LAI）是反映作物群體結(jié)構(gòu)和光能利用等的重要參數(shù)，它與作物的蒸騰、光合和呼吸作用、光能截獲等生物物理過程密切相關(guān)[1-2]，為農(nóng)作物田間管理等提供重要的理論指標[3]。高光譜遙感技術(shù)克服了傳統(tǒng)測定LAI方法繁瑣費事耗力的缺點，在以光譜學(xué)為基礎(chǔ)[4]的對地觀測中可以快速有效、非接觸、非破壞性地獲得連續(xù)性的大量光譜信息，因此，利用高光譜遙感技術(shù)快速獲取作物LAI，可以實時監(jiān)測作物長勢、營養(yǎng)狀況，估測作物農(nóng)學(xué)參數(shù)、產(chǎn)量和品質(zhì)等[5]。因作物冠層反射光譜隨其變化，LAI被視為高光譜遙感長勢監(jiān)測中最常用的綜合參數(shù)[6]，早在1974年就有學(xué)者對LAI與植被光譜特征間的關(guān)系展開了研究[7]。隨著遙感和計算機技術(shù)的發(fā)展與完善，對作物LAI與其冠層光譜間關(guān)系的研究也不斷深入，劉偉東等[8]研究表明，水稻LAI與740-770nm光譜呈顯著相關(guān)，且與其一階導(dǎo)數(shù)光譜有良好的線性關(guān)系。趙娟等[9]建立了不同生育時期冬小麥LAI的不同植被指數(shù)的高精度模擬模型。宋開山等[10]研究發(fā)現(xiàn)，利用高光譜的窄波段構(gòu)建的NDVI、RVI植被指數(shù)與作物LAI有緊密的相關(guān)性，且其預(yù)測精度較高。林卉等[11]發(fā)現(xiàn)優(yōu)化土壤調(diào)整植被指數(shù)OSAVI對小麥LAI的反演精度很高。此外還有學(xué)者運用不同反演方法來提高作物LAI反演精度[12-15]。辛明月等[16]通過光譜數(shù)據(jù)形式和植被指數(shù)法建立水稻不同生育階段葉面積指數(shù)估算模型，發(fā)現(xiàn)植被指數(shù)法能更好地估算冠層LAI，并且分生育階段建立估算模型非常重要。

遼寧省是中國花生出口主要基地和產(chǎn)區(qū)，花生是該省繼玉米和水稻的第三大種植作物，并躍居為第一大油料作物[17]?；ㄉ趯咏Y(jié)構(gòu)是否合理對其生長狀況及高產(chǎn)至關(guān)重要。雖然目前國內(nèi)外關(guān)于高光譜估算作物葉面積指數(shù)已做了大量研究，但是利用高光譜遙感技術(shù)監(jiān)測花生冠層特征參數(shù)的研究報道很少。因此，本試驗以遼寧省主栽花生品種為研究對象，測定花生生育期冠層反射光譜及葉面積指數(shù)，利用花生冠層原始光譜的反射率及其變換形式、一階導(dǎo)數(shù)光譜和植被指數(shù)與葉面積指數(shù)（LAI）進行相關(guān)分析，并構(gòu)建花生冠層LAI的定量監(jiān)測模擬模型，以便更快速準確而便捷地為監(jiān)測花生生長、估測產(chǎn)量和實時診斷提供理論依據(jù)，為遼寧地區(qū)基于高光譜估算花生冠層葉面積指數(shù)提供參考依據(jù)。

1 材料與方法

1.1 試驗設(shè)計

試驗于2014年在沈陽農(nóng)業(yè)大學(xué)花生研究所試驗田（123°56′E，41°82′N）進行。為使供試花生形成不同冠層結(jié)構(gòu)，本試驗選用5個遼寧地區(qū)常用花生品種進行試驗：魯花 11（LH11）、四粒紅（SLH）、白沙1016（1016）、農(nóng)花5號（NH5）和農(nóng)花13號（NH13）。其中四粒紅為蔓生型，其它4個品種均為直立型；白沙1016為遼寧省常用品種。采用田間小區(qū)試驗方法，田間管理按大田管理方式進行。土壤肥力中等，地力均勻，施花生專用肥750kg·hm-2。小區(qū)面積為12m2，株距8cm，行距60cm，設(shè)3次重復(fù)，隨機區(qū)組排列，共15個小區(qū)。選取第1、2次重復(fù)的10個小區(qū)的花生數(shù)據(jù)建立模型，選取第3次重復(fù)的5個小區(qū)的花生數(shù)據(jù)對所建立模型預(yù)測效果進行檢驗。

花生冠層光譜數(shù)據(jù)的測定應(yīng)選擇晴朗無風、無云或少云的天氣，避開陰雨大風等天氣。但是由于2014年7月上旬-8月下旬沈陽符合光譜測定的天氣很少，雖是晴天但水汽含量大，會對光譜測定結(jié)果產(chǎn)生一定影響。因此，2014年6月29日-9月12日，分別在花生的分枝盛期、開花期、下針期、結(jié)莢期和成熟飽果期，盡量選擇符合光譜測定要求的天氣，進行花生冠層光譜數(shù)據(jù)的測定，一共采集11次，采集日期分別為6月29日，7月5、13、23和28日，8月5、13、28和31日，9月4日和12日。

1.2 測量方法

1.2.1 冠層光譜測定

使用便攜式野外光譜儀 ASD FieldSpec Hand Held（美國）采集花生冠層反射光譜數(shù)據(jù)，其探測器為512陣元陣列PDA，波長范圍325-1075nm，掃描時間短至17ms，光譜采樣間隔約為1.5nm。選擇在晴朗無風無云或少云的天氣進行數(shù)據(jù)采集，測定時間為10：00-12：00。每個小區(qū)隨機選取5個生長均勻且無病蟲危害的樣本點進行測定，每個樣本點測定10條曲線，每個小區(qū)共測量50條光譜反射率曲線，取50條曲線的平均值作為該小區(qū)樣本的冠層反射率。測量時距冠層頂垂直高度約1m，以便盡可能消除土壤背景等對花生冠層所測光譜數(shù)據(jù)的影響，測量前均用白板進行標定，使測得的花生冠層反射光譜為無量綱的相對反射率和相對透射率。

1.2.2 冠層葉面積指數(shù)LAI的采集

使用SUNSCAN冠層分析系統(tǒng)（英國）在采集花生冠層光譜數(shù)據(jù)的當日，同步采集花生冠層的葉面積指數(shù)（LAI）。SUNSCAN探測器長1m，內(nèi)嵌64個光合有效輻射傳感器，其工作區(qū)域1000×13mm寬，間距 15.6mm，光譜響應(yīng) 400-700nm，測量時間120ms，最大讀數(shù)2500μmol·m-2·s-1，分辨率0.3μmol·m-2·s-1。

1.3 數(shù)據(jù)處理

為了提高光譜測定過程中對花生的識別性，并降低土壤、大氣等環(huán)境背景的噪聲對所測光譜產(chǎn)生的影響，本試驗對所測光譜進行多種形式的變換。由于綠色植物對紅光波段的強吸收和對近紅外光波段的強反射會形成強烈反差，本試驗中花生冠層原始光譜的反射率在680nm波段附近驟然上升，直到760nm波段左右開始形成一個高反射率平臺，故本試驗選擇對紅光波段（ρRED：620-760nm）與近紅外波段（ρNIR：761-1000nm）的反射率進行兩兩組合構(gòu)建6種植被指數(shù)，分別為比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）、歸一化植被指數(shù)（NDVI）、復(fù)歸一化差值植被指數(shù)（RDVI）、垂直植被指數(shù)（PVI）和修改土壤調(diào)整植被指數(shù)（MSAVI）。RVI能較好地反映植被覆蓋度和生長狀況的差異，DVI對土壤背景變化較為敏感，NDVI能反映植物冠層的背景影響，RDVI可用于不同植被覆蓋情況，PVI較好地消除了土壤背景的影響，對大氣的敏感度小于其它植被指數(shù)，MSAVI可以減小不同類型的土壤對光譜反射產(chǎn)生的影響。它們均可大大消除大氣中氣溶膠對植被指數(shù)的干擾，提高植被長勢監(jiān)測和作物估產(chǎn)精度。

首先利用光譜儀自帶軟件ViewSpec對每個樣本品種的冠層原始光譜反射率數(shù)據(jù)進行預(yù)處理，再用Excel計算原始光譜反射率的倒數(shù)1/ρ、對數(shù)logρ和一階導(dǎo)數(shù)光譜 ρ＇，并對原始光譜反射率的紅光波段（ρRED：620-760nm）與近紅外波段（ρNIR：761-1000nm）進行兩兩組合，構(gòu)建6種植被指數(shù)。最后利用SPSS軟件將LAI分別與4種光譜形式和6種植被指數(shù)進行相關(guān)分析，建立統(tǒng)計回歸模擬模型；并將實測值與模擬值進行擬合，得到度量擬合優(yōu)度的可決定系數(shù)（亦稱確定系數(shù)）R2，擬合優(yōu)度指回歸模擬方程對實測值的擬合程度，R2值越接近1則表明回歸模擬模型對實測值的擬合程度越好，而R2值越接近0則回歸模擬模型對實測值的擬合程度越差；并采用平均相對誤差RE和擬合系數(shù)R（即對R2進行開平方得到模擬值與實測值間的相關(guān)系數(shù)）,對模擬效果進行評價。

（1）一階導(dǎo)數(shù)光譜

式中，iλ為每個波段的波長；為波長iλ的一階微分光譜。Δλ是波長到的間隔。

（2）植被指數(shù)

比值植被指數(shù)RVI：

差值植被指數(shù)DVI：

歸一化植被指數(shù)NDVI：

復(fù)歸一化差值植被指數(shù)RDVI：

垂直植被指數(shù)PVI：

修改土壤調(diào)整植被指數(shù)MSAVI：

（3）模型檢驗

平均相對誤差（RE）的計算

式中，RMSE為均方差，xi為實測值；為模擬值。

2 結(jié)果與分析

2.1 基于高光譜反射率的花生冠層LAI的估算模型

2.1.1 估算冠層LAI的最優(yōu)光譜形式及其敏感波段

將各品種花生冠層LAI與4種不同光譜形式（ρ、1/ρ、logρ和ρ＇）進行相關(guān)分析，結(jié)果見圖1。由圖可見，原始光譜反射率 ρ與 LAI在可見光區(qū)域的414-515nm波段和574-709nm波段呈極顯著負相關(guān)，相關(guān)系數(shù)最大值在紅光區(qū)域的 674nm 波段處（r=-0.5047，P<0.01），藍光區(qū)域相關(guān)系數(shù)最大值為498nm波段處（r=-0.3282，P<0.01）。在極顯著正相關(guān)區(qū)域729-992nm波段，相關(guān)系數(shù)最大值在近紅外光區(qū)域的772nm波段處（r=0.3828，P<0.01）（圖1a）。反射率倒數(shù) 1/ρ與 LAI在可見光區(qū)域的403-521nm 波段和 565-712nm 呈顯著正相關(guān)（P<0.05），并存在兩個極顯著正相關(guān)的高平臺區(qū)（430-517nm和 572-710nm），相關(guān)系數(shù)最大值在紅光區(qū)域的684nm波段處（r=0.5000，P<0.01），藍光區(qū)域相關(guān)系數(shù)最大值在 498nm 波段處（r=0.3672，P<0.01）。726-1000nm波段為極顯著負相關(guān)高平臺區(qū)，負相關(guān)系數(shù)最大值為近紅外光區(qū)域的763nm處（r=-0.4658，P<0.01）（圖1b）。

圖1 花生冠層反射光譜（ρ）、反射光譜倒數(shù)（1/ρ）與LAI的相關(guān)系數(shù)Fig.1 Correlation coefficient between the reflectance spectral data（ρ），the reciprocal of reflectance spectral data（1/ρ）and LAI of peanut canopy

圖2 花生冠層反射光譜對數(shù)（logρ）、一階微分光譜（ρ＇）與LAI的相關(guān)系數(shù)Fig.2 Correlation coefficient between the logarithmic of reflectance spectral data（logρ）, the first derivation spectral data（ρ＇）and LAI of peanut canopy

由圖2a可見，反射率對數(shù)logρ與LAI在可見光區(qū)域404-519nm波段和568-711nm波段呈顯著負相關(guān)，相關(guān)系數(shù)最大值在紅光區(qū)域的 684nm波段處（r=-0.5134，P<0.01），藍光區(qū)域相關(guān)系數(shù)最大值在 498nm波段處（r=-0.3583，P<0.01）。極顯著正相關(guān)的高平臺區(qū)為 728-1000nm波段，正相關(guān)系數(shù)最大值為紅光區(qū)域757nm處（r=0.4297，P<0.01）。由圖 2b可見，一階微分光譜 ρ＇與 LAI有一個極顯著正相關(guān)的高平臺區(qū)（709-755nm），正相關(guān)系數(shù)最大值出現(xiàn)在紅光區(qū)域的734nm波段處（r=0.5325，P<0.01）。542-598、680-696、777-784、797-807和 828-848nm波段處 ρ＇與LAI達顯著負相關(guān)，相關(guān)系數(shù)最大值出現(xiàn)在近紅外區(qū)域的 793nm波段處（r=-0.5391，P<0.01），藍光區(qū)域相關(guān)系數(shù)最大值出現(xiàn)在468nm波段處（r=-0.4780，P<0.01）。

4種光譜數(shù)據(jù)形式與花生冠層 LAI相關(guān)系數(shù)最大值波段如表 1所示，由表可見，各波段均通過了0.01水平的顯著性檢驗（P<0.01）。在各顯著性波段中，與花生冠層LAI相關(guān)性最好的均為一階導(dǎo)數(shù)光譜ρ＇，證實了其可以在很大程度上消除土壤、大氣等環(huán)境背景信息的影響，從而大大提高估測精度。

表1 圖1和圖2中4種光譜數(shù)據(jù)與花生冠層LAI相關(guān)系數(shù)最大的近紅外光、紅光和藍光波段匯總Table 1 The maximum correlation coefficient and its relative wave length in the near infrared, red and blue bands between the peanut canopy LAI and four spectral forms in Fig.1 and Fig.2

2.1.2 基于不同光譜形式的冠層LAI估算模型及效果

利用花生冠層 4種光譜數(shù)據(jù)形式的敏感波段分別與LAI構(gòu)建估測模型和擬合模型，結(jié)果見表2。由表中可見，利用793nm波段處花生冠層一階導(dǎo)數(shù)光譜 ρ＇建立的 LAI估測方程中，相關(guān)系數(shù)最高（r=-0.5391，P<0.01），模擬值對實測值的擬合系數(shù)（即模擬值與實測值間的相關(guān)系數(shù)）也比較高（R=0.4435，P<0.01），相對誤差RE=0.2497，說明該方程的模擬效果比較好。由表中還可看出，花生冠層LAI實測值與模擬值擬合效果最好的為根據(jù)734nm波段處一階導(dǎo)數(shù)光譜ρ＇建立的LAI估測方程（r=0.5325，P<0.01），模擬值與實測值的相關(guān)系數(shù)即擬合系數(shù)最高（R=0.5485，p＜0.01），RE=0.2346，擬合效果最好。該兩個模型的模擬值與實測值比較結(jié)果見圖3。

表2 利用最優(yōu)光譜數(shù)據(jù)形式估測LAI的模型Table 2 Simulation models between LAI and the optimal spectral forms of reflected spectrum

圖3 利用表2中ρ＇793（a）和ρ＇734（b）方程計算的LAI模擬值與實測值比較Fig.3 Correlation analyses between the measured LAI and simulated LAI by ρ＇793（a）eqution and ρ＇734（b）in table 2

2.2 基于不同高光譜植被指數(shù)的花生冠層LAI估算模型及效果

將花生冠層（葉面積指數(shù)）LAI分別與6種植被指數(shù)間進行相關(guān)分析，得到每種植被指數(shù)相關(guān)性最大的敏感組合波段（表3），由表3可見，6種植被指數(shù)最優(yōu)組合波段與 LAI的相關(guān)性較好，均通過 0.01水平的顯著性檢驗。

利用各植被指數(shù)的敏感組合波段分別與LAI建立估測模型和擬合模型，其模擬效果通過了0.01水平的顯著性檢驗（擬合系數(shù)R≥0.5402，P＜0.01）。由表3可以看出，利用NDVI[760，976]所建立的LAI估測方程中，相關(guān)系數(shù)最高 （r=-0.6421，P<0.01），模擬值對實測值的擬合系數(shù)（即模擬值與實測值間的相關(guān)系數(shù)）也比較高（R=0.6731，P<0.01），相對誤差RE=0.2167，說明該方程的估算效果較好。由表3還可以看出，花生冠層LAI實測值與模擬值擬合效果最好的為根據(jù)DVI[760，976]建立的LAI估測方程（r=-0.6224，P<0.01），模擬值與實測值的相關(guān)系數(shù)即擬合系數(shù)（R=0.6893，P＜0.01）最高，RE=0.2142，擬合效果最好；其次為MSAVI[760，976]（r=-0.6372，P<0.01），模擬值與實測值的相關(guān)系數(shù)即擬合系數(shù)（R=0.6817，P＜0.01）也較高，RE=0.2145，預(yù)測精度也較高，估算效果較好。這是因為歸一化植被指數(shù)（NDVI）可以反映植被生長狀況和LAI；而差值植被指數(shù)（DVI）適用于像花生這樣低矮的植被覆蓋度，修改土壤調(diào)節(jié)植被指數(shù)（MSAVI）則能夠降低土壤背景對光譜的影響。因此，可以用歸一化植被指數(shù)NDVI[760，976]、差值植被指數(shù)DVI[760，976]和修改土壤調(diào)節(jié)植被指數(shù)MSAVI MSAVI[760，976]來估測花生冠層LAI值。NDVI[760，976]和DVI[760，976]兩個模型的模擬值與實測值比較結(jié)果見圖4。

表3 利用植被指數(shù)估測LAI的模擬模型Table 3 Simulation models between LAI and vegetation indices

圖4 利用表3中歸一化植被指數(shù)NDVI（a）和差值植被指數(shù)DVI（b）方程計算的LAI模擬值與實測值比較Fig.4 Correlation analysis between the measured LAI and simulated LAI by NDVI（a）and DVI（b）equations in Table 3

3 結(jié)論與討論

基于高光譜遙感估測作物冠層LAI的研究很多，前人早已將其成功應(yīng)用于水稻、玉米、小麥和棉花等作物，但是利用高光譜遙感估測花生冠層LAI的研究在遼寧地區(qū)尚未見報道。本試驗選取 5個品種花生，采用其冠層高光譜數(shù)據(jù)及變換形式、植被指數(shù)法，旨在選擇最優(yōu)的花生冠層葉面積指數(shù)的通用估算模型。

試驗結(jié)果表明，花生冠層原始光譜反射率及其變換形式與LAI相關(guān)性均較好，以一階導(dǎo)數(shù)光譜在793nm 波段處的相關(guān)系數(shù)最大值（r=-0.5391，P<0.01），對LAI的估算效果最好。本試驗所選的6種植被指數(shù)與LAI的相關(guān)性均很好，尤以歸一化植被指數(shù)NDVI[760，976]所建立的估測方程最優(yōu)，且好于一階導(dǎo)數(shù)光譜對LAI的估算效果；實測值與模擬值擬合效果最好的為差值植被指數(shù) DVI[760，976]，其次為修改土壤調(diào)整植被指數(shù) MSAVI[760，976]。這可能是因為NDVI、DVI和MSAVI能更好地消除土壤背景和輻照度因子的影響，更適于覆蓋度較小的作物。因此，研究像花生這種植株低矮且覆蓋度小的農(nóng)作物的冠層高光譜與特征參數(shù)間相關(guān)關(guān)系時，應(yīng)選擇與之相適的NDVI、DVI和MSAVI植被指數(shù)進行估算研究。通過本試驗可以看出，一階導(dǎo)數(shù)光譜和植被指數(shù)對花生冠層LAI的估算精度高，其中植被指數(shù)尤為突出，這不但與前人的研究結(jié)果相似[18]，同時也進一步證實了導(dǎo)數(shù)光譜和植被指數(shù)在消除土壤、大氣等環(huán)境背景信息的影響方面具有良好作用。

本試驗在沈陽進行，為了得到普適性更強的模擬模型，特別是水熱條件差異較大的地區(qū)，還需根據(jù)實際情形重新建立估測模型；整個生育期內(nèi)花生冠層結(jié)構(gòu)也會發(fā)生較大變化，可以對各生育階段分別建立模型，以確保所建立估測模型能精確反演花生冠層LAI。

References

[1]李衛(wèi)國,趙春江,王紀華,等.基于衛(wèi)星遙感的冬小麥拔節(jié)期長勢監(jiān)測[J].麥類作物學(xué)報,2007,27(3): 523-527.Li W G,Zhao C J,Wang J H,et al.Monitoring the growth condition of winter wheat in jointing stage based on land sat TM image[J].Journal of Triticeae Crops,2007,27(3): 523-527.(in Chinese)

[2]Abou-Ismail O,Huang J F,Wang R C.Rice yield estimation by integrating remote sensing with rice growth simulation model[J].Pedosphere,2004,14(4): 519-526.

[3]Inoue Y.Synergy of remote sensing and modeling for estimating ecophysiological processes in plant production[J].Plant Production Science,2003,6(1): 3-16.

[4]薄瑞良,宮鵬.高光譜遙感及其應(yīng)用[M].北京:高等教育出版社,2000:185-228,124-144.Bo R L,Gong P.Hyperspectral remote sensing and application[M].Beijing:Higher Education Press,2000: 185-228, 124-144.(in Chinese)

[5]薛利紅,曹衛(wèi)星,羅衛(wèi)紅,等.基于冠層反射光譜的水稻產(chǎn)量預(yù)測模型[J].遙感學(xué)報,2005,9(1):100- 105.Xue L H,Cao W X,Luo W H,et al.Rice yield forecasting model with canopy reflectance spectra[J].Journal of Remote Sensing, 2005,9(1):100-105.(in Chinese)

[6]王偉,彭彥昆,馬偉.冬小麥葉綠素含量高光譜檢測技術(shù)[J].農(nóng)業(yè)機械學(xué)報,2010,41(5):172-177.Wang W,Peng Y K,Ma W.Chlorophyll content of winter wheat using leaf-level hyperspectral data[J].Transactions of the Chinese Society for Agricultural Machinery,2010, 41(5): 172-177.(in Chinese)

[7]Wiegand C L,Gausman H W,CuellarJ A,et al.Vegetationdensity as deduced from ERTS-1 MSS response[C].Third ERTS Symposia,NASA-SP-351, SectionA,1974:93-116.

[8]劉偉東,鄭蘭芬,童慶禧,等.高光譜數(shù)據(jù)與水稻葉面積指數(shù)及葉綠素密度的相關(guān)分析[J].遙感學(xué)報,2000,4(4):279-283.Liu W D,Zheng L F,Tong Q X,et al.Relationships between rice LAI,CH.D and hyperspectra data[J].Journal of Remote Sensing,2000,4(4):279-283.(in Chinese)

[9]趙娟,黃文江,張耀鴻,等.冬小麥不同生育時期葉面積指數(shù)反演方法[J].光譜學(xué)與光譜分析,2013, 33(9):2546-2552.Zhao J,Huang W J,Zhang Y H,et al.Inversion of LAI during different growth stages in winter wheat[J].Spectroscopy and Spectral Analysis,2013,33(9): 2546-2552.(in Chinese)

[10]宋開山,張柏,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): 11382-11451.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): 11382-11451.(in Chinese)

[11]林卉,梁亮,張連蓬,等.基于支持向量機回歸算法的小麥葉面積指數(shù)高光譜遙感反演[J].農(nóng)業(yè)工程學(xué)報,2013,29(11): 139-146.Lin H,Liang L,Zhang L P,et al.Wheat leaf area index inversion with hyperspectral remote sensing based on support vector regression algorithm[J].Transactions of the CSAE,2013,29(11):139-146.(in Chinese)

[12]Patel N K,Patnaik C,Dutta S,et al.Study of crop growth parameters using airborne imaging spectrometer data[J].International Journal of Remote Sensing,2001,22(12): 2401-2411.

[13]李鑫川,徐新剛,黃文江,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,Huang W J,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.(in Chinese)

[14]謝巧云,黃文江,蔡淑紅,等.冬小麥葉面積指數(shù)遙感反演方法比較研究[J].光譜學(xué)與光譜分析,2014,34(5):1352-1356.Xie Q Y,Huang W J,Cai S H,et al.Comparative study on remote sensing invertion methods for estimating winter wheat LAI[J].Spectroscopy and Spectral Analysis,2014, 34(5):1352-1356.(in Chinese)

[15]夏天,吳文斌,周清波,等.冬小麥葉面積指數(shù)高光譜遙感反演方法對比[J].農(nóng)業(yè)工程學(xué)報,2013,29(3):139-147.Xia T,Wu W B,Zhou Q B,et al.Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J].Transactions of the CSAE,2013, 29(3):139-147.(in Chinese)

[16]辛明月,殷紅,陳龍,等.不同生育期水稻葉面積指數(shù)的高光譜遙感估測模型[J].中國農(nóng)業(yè)氣象,2015,36(6):762-768.Xin M Y,Yin H,Chen L,et al.Estimation of rice canopy LAI with different growth stages based on hyperspectral remote sensing data[J].Chinese Journal of Agrometeorology,2015, 36(6):762-768.(in Chinese)

[17]康樹立,金焱.遼寧省花生產(chǎn)業(yè)發(fā)展淺析[J].農(nóng)業(yè)科技通訊,2008,(10):23-25.Kang S L,Jin Y.Analysis on the development of peanut industry in Liaoning Province[J].Bullenin of Agricultural Science and Technology,2008,(10): 23-25.(in Chinese)

[18]李子揚,錢永剛,申慶豐,等.基于高光譜數(shù)據(jù)的葉面積指數(shù)遙感反演[J].紅外與激光工程,2014, 43(3):944-949.Li Z Y,Qian Y G,Shen Q F,et al.Leaf area index retrieval from remotely sensed hyperspectral data[J].Infrared and Laser Engineering,2014,43(3): 944-949.(in Chinese)

General Estimation Model of Peanut Canopy LAI Based on Hyperspectral Remote Sensing

LV Xiao1，YIN Hong2，JIANG Chun-ji2，ZHANG Bing-bing1, ZHAN Shen-ye3，XIN Ming-yue4，ZHANG Mei-ling5

(1.Jinzhou Ecological and Agricultural Meteorology Center, Liaoning Province, Jinzhou 121000,China;2.Agricultural College, Shenyang Agricultural University, Shenyang 110866;3.Anshan Meteorological Bureau, Anshan 114004；4.Panjin Meteorological Bureau, Panjin 124010; 5.Dawa Meteorological Bureau, Panjin 124200)

In order to monitor peanut canopy effectively and nondestructively and to get their growth information, hyperspectral data of peanut canopy was measured with ASD FieldSpec and canopy leaf area index was measured with SUNSCAN during different growing stages in the field experiment, including five cultivars with different ecological types.The correlations between four spectral forms, six vegetation index and LAI were analyzed, and the estimation models were established, by using spectral derivative technique and statistical analysis technique.The results showed that the correlation between the optimal bands of hyperspectral reflectance, its transformation forms and LAI were 1% significant, LAI could be estimated better by the first derivative spectra ρ' at 793 nm （r=-0.5391, P＜0.01, RE=0.2497）, the correlation coefficient between simulating data and testing data was 1% significant（R=0.4435, P＜0.01）; simulating LAI and testing LAI could be fitted mostly by the first derivative sPectra ρ ' at 734nm （R=0.5485, P＜0.01）.The correlations between the optimal bands of six vegetation index and LAI were 1% significant （r≥0.5731, P＜0.01）, LAI could be estimated mostly by NDVI[760, 976]（r=-0.6421，P＜0.01, RE=0.2167）, the correlation coefficient between simulating data and testing data was 1% significant （R=0.6731, P＜0.01）; simulating LAI and testing LAI could be fitted mostly by DVI[760, 976]（R=0.6893, P＜0.01）.The results indicated that the estimation accuracy of peanut canopy was higher than that of with ρ' and vegetation index, especially vegetation index.It confirmed further that ρ' and vegetation index played a great role on eliminating the effect of environment background including soil and atmosphere.

Peanut; Hyperspectral remote sensing; LAI; Estimation models

2016?04?26??

國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系花生產(chǎn)業(yè)遼寧創(chuàng)新團隊項目

呂曉（1989?），女，助理工程師，碩士生，從事生物氣象研究。E-mail：724452793@qq.com

10.3969/j.issn.1000-6362.2016.06.012

呂曉,殷紅,蔣春姬,等.基于高光譜遙感的不同品種花生冠層葉面積指數(shù)的通用估算模型[J].中國農(nóng)業(yè)氣象,2016,37(6):720-727