武玉国 郭恒亮 赫晓慧 郑紫瑞 吴豪杰 曹青

摘要 根据实测玉米高光谱数据和遥感影像数据，以郑州市为研究区域，分别利用原始光谱反射率、光谱反射率一阶导数以及植被指数（NDVI）建立了LAI回归模型，比较拟合效果以确定精度最高的模型，充分挖掘高光谱的优势，提高夏玉米LAI遥感估算精度。结果表明，夏玉米LAI的最佳回归模型为利用波长439.31nm处的光谱反射率一阶导数数据进行回归分析建立的三次多项式回归模型，其决定系数R²为0.761。

关键词 叶面积指数;遥感; 植被指数;回归模型

中图分类号 S127  文献标识码

A  文章编号 0517-6611（2015）03-361-03

基金项目

河南省高等学校青年骨干教师资助计划项目;河南省基础研究计划项目（142300410064）;河南省科技攻关计划项目（142102310308）。

作者简介 武玉国（1973- ），男，黑龙江讷河人，博士，副教授，从事地理信息系统与地理环境仿真研究。*通讯作者，副教授，硕士生导师，从事地理信息与遥感研究。

收稿日期 20141208

LAI（叶面积指数）被定义为单位土地面积上所有叶片表面积的总和，或单位面积植物叶片的垂直投影面积的总和^[1]，在植被冠层中起着控制其生理过程的作用，是描述植物长势最常用的的指标，也是用于作物产量评估的重要农学指标^[2]。传统地面测量法获取大范围农作物叶面积指数需要花费大量的人力物力，效率低，成本高，遥感技术的快速发展可以实现大区域LAI的快速、高效监测，并能够提供各参数的时间和空间分布状况。

1 数据来源与研究方法

1.1 研究区概况与数据来源

郑州市是河南省省会，位于河南省中部偏北地区，地理坐标为112°42′～114°13′E、34°16′～34°58′N，东西宽166 km，南北长75 km，北临黄河，西依嵩山，东南为广阔的黄淮平原，全年平均气温为14.0～14.3°，常年降雨量为599.6～707.0 mm，日照时数为2 400 h。雨量适中，日照时间长，适宜农作物的生长。2012年郑州市农作物种植面积为50.748万hm²，其中玉米种植面积15.832万hm²，在鄭州市粮食生产中占有很大的比重^[3]。

该研究以河南省郑州市为研究区域，以郑州市耕地图斑为基础，以夏玉米作物农田环境为主要研究对象，结合叶面积指数地面实测数据及野外光谱观测数据，以MODIS影像为主要数据源，进行夏玉米LAI的反演研究。

1.2 研究方法

1.2.1 LAI测定。

测定LAI选用的是LAI2200叶面积指数测量仪。测量时，在选定的夏玉米样区，首先将光学传感器在阳光下进行一次对光，然后沿株型对角线进行4次LAI测定，之后再进行一次对光，再进行3次测定，选择7次LAI测定结果的平均值作为该采样点的LAI。

1.2.2 基于实测光谱数据的LAI反演。

测定光谱选用的是SVC GER1500野外便携式光谱仪，光谱分辨率为3.2 nm，测量范围为350～1 050 nm。首先进行一次白板反射率校正，然后对选定的夏玉米样区进行10次光谱测量，以平均值作为该样区的光谱反射率。对采集到的光谱反射率数据进行筛选，剔除质量较差的一组数据，共获取13组反射率数据。

所谓光谱反射率一阶导数的计算是采用光谱微分技术，可用于去除部分线性或接近线性的背景、噪声光谱对目标光谱的影响，其近似计算方法如下^[4]：

ρ（λi）=[p（λi+1）-ρ（λi-1）]/2Δλ

式中，λi表示波段i的波长值;ρ（λi）表示波长为λi的波段的反射率;Δλ是波长λi到λi-1的差值。

1.2.3 基于植被指数的LAI反演。

该研究所用的遥感数据主要是MODIS数据，时相为2013年8月6日。将MODIS数据进行几何校正，然后利用郑州市边界矢量图对影像进行剪裁。植被指数是遥感监测地面植物生长和分布情况的一种有效方法，可以有效消除地物光谱产生的影响^[5]。该研究选取遥感中应用最广泛的6种植被指数，分别为归一化植被指数（NDVI）、比值植被指数（RVI）、差值植被指数（DVI），垂直植被指数（PVI）、复归一化植被指数（RDVI）、土壤调整植被指数（SAVI），计算公式如表1^[6]。

表1 植被指数公式

序号植被指数计算公式

1归一化植被指数（NDVI）NDVI=（RNIR-RRED）/（RNIR+RRED）

2比值植被指数（RVI）RVI=RNIR/RRED

3差值植被指数（DVI）DVI=RNIR-RRED

4垂直植被指数（PVI）PVI=（RNIR-a RRED-b）/1+a²

5复归一化植被指数（RDVI）RDVI=NDVI×DVI

6土壤调整植被指数（SAVI）SAVI=（1+0.5）（ RNIR-RRED） /（ RNIR+RRED+0.5）

式中，RRED、RNIR分别为红色和近红外波段的光谱值。借助SPSS统计分析工具，可得到6种植被指数与LAI的回归模型和回归曲线。

相比有了较大的提高，其中三次回归模型拟合度最高，回归方程为：y=4.011-39 426.954x+247 200 000x²-665 100 000x³。利用植被指数建立的LAI回归模型拟合度都不高，与原始光谱回归分析的效果相比，模型的决定系数普遍较低，且P值较高。因此，在对LAI进行反演时，为获得更高的预测精度，在条件允许的情况下，应选择波长为43931 nm处的光谱反射率的一阶导数进行建模。

参考文献

[1]

赵丽芳，谭炳香，杨华，等.高光谱遥感森林叶面积指数估测研究现状[J].世界林业研究，2007，20（2）： 50-54.

[2] 杨邦杰，裴志远，农作物长势的定义与遥感监测[J].农业工程学报，1999，15（3）：214-218.

[3] DORAISWAMY P C，HATFIELD J L，JACKSON T J，et al. Crop condition and yield simulations using Landsat and MODIS[J]. Remote Sensing of Environment， 2004，92（4）：548-559.

[4] CHEN J M，SYLVAIN G，LEBLANC.A Four-Scale Bidirectional Reflectance Model Based on Canopy Architecture[J].IEEE Transactions on Geo science and Remote Sensing，1997，35（5）：1316-1337.

[5] 王偉，彭彦昆，马伟，等.冬小麦叶绿素含量高光谱检测技术[J].农业机械学报，2010，41（5）：172-177.

[6] 邢著荣，冯幼贵，李万明，等.高光谱遥感叶面积指数（LAI）反演研究现状[J].测绘科学，2010，35（S1）：162-164.

[7] 程武学，潘开志，杨存建.叶面积指数（LAI）测定方法研究进展[J].四川林业科技，2010，31（3）：51-54.

[8] 方秀琴，张万昌.叶面积指数（LAI）的遥感定量方法综述[J].国土资源遥感， 2003，57（3）： 58-62.