基于高光谱的阿克苏市枣叶面积指数估算模型

贾永倩，王振锡，李园，瞿余红，刘玉霞

(新疆农业大学林学与园艺学院/新疆教育厅干旱区林业生态与产业技术重点实验室，乌鲁木齐 830052)

基于高光谱的阿克苏市枣叶面积指数估算模型

贾永倩，王振锡，李园，瞿余红，刘玉霞

(新疆农业大学林学与园艺学院/新疆教育厅干旱区林业生态与产业技术重点实验室，乌鲁木齐 830052)

【目的】通过将原始光谱数据经过不同的数据变换方式，分析其与枣冠层LAI的相关关系，建立基于高光谱的阿克苏市枣冠层LAI的估测模型，为快速、精确、无损伤、大范围的适时、动态监测植被LAI提供有效途径。【方法】基于原始光谱数据的不同数据变换方式，采用相关性分析和逐步回归分析方法。【结果】不同数据变换后的冠层光谱反射率与枣LAI具有较好的相关性，微分变换后的相关性较原始相关性有所提升。所建模型经过精度评价发现，原始光谱数据经倒数一阶微分变换后估测模型拟合度和预测精度都最高，一阶微分、对数一阶微分、归一化一阶微分次之。【结论】不同数据变换方式后的光谱数据与塔里木盆地枣LAI有显著的相关性，可以用微分、对数微分、归一化微分、倒数微分变换后的数据建立较理想的塔里木盆地枣LAI的估测模型。

红枣；高光谱；叶面积指数

0 引 言

【研究意义】叶面积指数(leaf area index，LAI)是植被生物物理的重要参数之一[1]，它作为指示植被长势最重要的参数之一直接影响了植被的生理生长过程和气体交换过程，如蒸腾作用、光合作用、碳通量等[2]。光谱技术具有分析速度快、效率高、成本低、重现性好、测试方便等特点[3-4]，可实现快速、精确、无损伤、大范围的森林叶面积指数估测。估算植被LAI的空间变化及其对物候的响应对植被的长势、光合作用、病虫害监测、生物量估算以及碳循环都有重要意义[5-6]。【前人研究进展】国内外学者主要从辐射传输模型构建[7-9]和植被指数构建[10-13]两方面提高LAI的反演精度。研究的植被类型主要集中在农作物上，如杨燕[14]、王秀珍等[15-16]对水稻叶面积指数进行了估算；梁亮等[17]用高光谱数据反演了小麦叶面积指数；黄敬峰等[18]用红边特征值反演了油菜叶面积指数；黄春燕等[19]研究了大豆叶面积指数的估算模型；柏军华等[20-21]利用高光谱数据对棉花的叶面积指数和产量进行了估测；张正扬等[22]利用高光谱数据建立了烟草的叶面积指数估测模型；谭昌伟、李凤秀等[23-25]研究了玉米叶面积指数的光谱响应。杜春雨、骆社周等[26-30]从高光谱遥感图像上提取的植被指数与地面实测的LAI构建回归模型，反演森林叶面积指数；部分学者[31-34]通过挑选敏感波段来减少背景环境因素的影响，建立植被指数与LAI的函数关系，用逐步回归法估测LAI值，也有学者如汤旭光等[35]分别运用植被指数、神经网络以及小波分析3种方法进行LAI的估算，并取得较好的精度。【本研究切入点】对塔里木盆地枣叶面积指数的高光谱估测模型尚未见报道。研究用不同的数据变换方式，建立塔里木盆地枣LAI的估算模型。【拟解决的关键问题】将实测枣高光谱数据采用一阶微分、对数、对数一阶微分、归一化、归一化一阶微分、倒数、倒数一阶微分七种变换方式后分析与枣LAI的相关性，建立具有普遍适应性的塔里木盆地枣LAI的估算模型，为适时、动态监测植被LAI提供有效途径。

1 材料与方法

1.1 材 料

试验于2013年7月在新疆阿克苏市新疆农业大学阿克苏红旗坡教学科研实习基地(地理坐标N41°17′56.42″～N41°18′5 616″、E80°20′23″～E80°20′56.16″，海拔1 215 m)进行。实验对象为南疆塔里木盆地主栽果树枣(Ziziphus zizyphus Mill)，试验区果树为东西行向栽植的灰枣，树龄7年，株行距1.0 m×3.0 m，平均株高2.5米，平均冠幅1.4 m×1.6 m(东西×南北)。在试验区随机选择具有代表性的处于开花坐果期的样株43株进行高光谱反射率和LAI的测定。

1.2 方 法

1.2.1 光谱采集

对所有选定的树挂标签标识，并用GPS进行定位。光谱测定采用美国PP Systems公司生产的UniSpec-SC(单通道)便携式光谱分析仪，波段值为310～1 130 nm，光谱分辨率为1 nm，最大视场角为20°。所有观测值均选择在晴朗无风的天气，每次测定时间为12:00～16:00(太阳高度角大于45°)。为适应果树光谱信息的采集，采用长度为5 m的外加光纤观测冠层光谱，光谱仪探头垂直向下，与冠幅距离约1.5 m并且根据所选样本冠幅和高度调整探头与树冠之间的距离，为限制冠层反射率的非各向同性的影响，对每个样株只进行阳面光谱测定，每个样株重复测定3次，为保证数据的准确性，每测一个样株进行一次白板矫正。去除异常光谱曲线后，将30个样本作为建模样本，其余20个样本作为检验样本。

1.2.2 叶面积指数采集

用美国LI-COR公司生产的LAI-2000植物冠层仪(PCA)于测试光谱的当日傍晚，在枣光谱测定的样本区选择与光谱采集点位置几乎相同的点作为测定点，同样重复测定5次，取前三次平均值作为建模样本，后两次平均值作为检验样本。因为LAI-2000是基于透射测量，所以测量的结果是有效叶面积指数(effective plant area index，LAIe)。虽然有效LAI比真实LAI偏小，但它的误差很小，并且比真实LAI更容易测得，能反映冠层内在特性，并且与真实LAI存在一定比例的相关性，所以实验直接用有效LAI并将它称为LAI。

1.2.3 高光谱数据变换方式

由于光谱数据在400 nm以前和900 nm以后噪声比较大，为了减少数据量和限制随机噪声水平，实验选用波段范围在400～900 nm的光谱数据进行分析。研究表明，一阶微分变换有利于限制低频背景光谱(通常是土壤，凋落物及枯死地被物光谱)对目标光谱的影响[36]。对光谱反射率经对数和归一化变换后，不仅趋向于增强可见光区的光谱差异，而且趋向于减少因光照条件变换引起的乘性因素的影响，若对对数变换和归一化变换后的数据再作微分处理，这样不仅去除了因光照条件变化的乘性因素的影响，而且减弱了附加低频噪声的影响[37]。另外，对原始数据进行数据变换后，不仅可以有效的压抑非植被光谱的影响，还可以使原始光谱数据与LAI的线性关系转换为变换后光谱数据与LAI的线性关系，即转换成原始光谱数据与LAI的非线性关系以提高模型的精度。对建模原始光谱数据R进行如下七种变换。

(1)对R的一阶微分变换

d(R)=((r3-r1)/Δλ,(r4-r2)/Δλ...(rn-rn-2)/Δλ).

(2)对R的对数变换

log(R)=(log(r1),log(r2),log(r3),...log(rn)).

(3)对R的归一化变换

N(R)=(r1-rmin)/(rmax-rmin),...(rn-rmin)/(rmax-rmin).

(4)对R的倒数变换

(5)对log(R)的一阶微分变换

d(log(R)).

(6)对N(R)的一阶微分变换

d(N(R)).

(7)对P(R)的一阶微分变换

d(P(R)).

1.2.4 精度评价

采用常用的决定系数(R2)、均方根差(RMSE)对模型的估测值和实测值之间的符合度进行验证和评价。引用Massart等[30]提出的精确度和准确度概念，即R2值、估测值与实测值之间线性回归方程的斜率，越接近1，精确度和准确度越高，同时为1时，估测值与实测值完全吻合。均方根差公式如下

2 结果与分析

2.1 光谱反射率与树冠LAI的相关关系

从枣原始光谱反射率和LAI的相关性可以看出，630～690nm(红光区)为树冠LAI与原始光谱数据负相关最大区域，在690～750nm，光谱反射率与树冠LAI相关关系变化较大，由明显的负相关变为明显的正相关，这是因为在此区段光谱由红光波段的强吸收转变为近红外波段的强反射。在750～900nm(近红外区域)相关系数的变化较为平稳并在779nm处达到最大值0.55。原始数据经对数、归一化变换后的相关系数曲线与原始光谱相关系数曲线在走势、形态上几乎一致，主要差异表现在相关系数值均有所提升，尤其是归一化变换后的相关系数值，平均提升了0.1。倒数变换后的曲线与原始曲线是相反的，但是相关系数绝对值也有所提升。原始光谱经一阶微分、对数一阶微分、归一化一阶微分、倒数一阶微分变换后曲线上下波动剧烈，不再随着波长的增加呈现单一性的变化，近红外区域的相关系数较原始相关系数有所降低，经微分变换后的相关系数最大值出现在710～740nm处，并且在经归一化一阶微分变换后的725nm处达到最大值0.73。因此，经不同数据变换后的光谱反射率比原始光谱反射率与枣冠层LAI的相关性高。图1

图 1 不同数据变换方式的光谱反射率与枣LAI的相关关系

Fig. 1 Correlation between different data transformations of original spectral reflectance and Jujube LAI

2.2 枣冠层光谱与LAI的高光谱估算模型

枣LAI与枣冠层光谱特征的相关分析结果表明，原始光谱和经对数、归一化、倒数变换后的光谱在红光和近红外波段与LAI相关性最好且曲线形态一致，选取779、680、799、839和875nm处波段作为原始光谱和经对数、归一化、倒数变换后建模的敏感变量。原始光谱反射率经一阶微分、对数一阶微分、归一化一阶微分、倒数一阶微分变换后的光谱在绿光、红光和近红外波段与LAI相关性最好，并因变换方式不同，敏感变量区间也略有不同，因此分别选取613、650、737、771和801nm处波段作为经一阶微分变换后的建模敏感变量，471、564、613、706和885nm处波段作为经对数一阶微分变换后的建模敏感变量，420、641、700、726和778nm处波段作为经归一化一阶微分变换后的建模敏感变量，546、575、668、796和893nm处波段作为经倒数一阶微分变换后的建模敏感变量。表1采用SPSS软件中的Regression分析的方法将枣冠层的建模敏感波段作为自变量，枣冠层LAI作为因变量进行逐步回归分析，以0.01极显著水平为检验标准，建立估测模型。分析结果显示，随着入选波段数的增加，回归方程的拟合度(R2)也逐渐增加。8种拟合模型都能较好的反映枣LAI与光谱反射率、变换后的光谱反射率之间的变化关系，构建的枣LAI估算模型精度均较好，决定系数在0.508～0.845，其中经归一化一阶微分变换后的5波段入选方程拟合度最高。原始光谱数据经对数、倒数、归一化变换后的拟合模型相对原始光谱数据的拟合模型总精度均有所提高，但不是很明显，对数变换后的5波段入选建立的模型精度甚至比原始模型精度还要低。经微分变换后的拟合模型精度明显提高，总体精度以倒数一阶微分和归一化一阶微分变换后的最好。表2～表9利用筛选的敏感波段的原始光谱反射率与枣叶面积指数建立回归方程，结果显示，以五波段入选的回归方程拟合度最高为0.775，拟合方程为：

表1 不同数据变换类型的光谱数据建模波段选取

Table 1 Band spectral data modeling of different data transformation type selection

光谱数据类型Spectraldatatype建模波段Modelingband原始(Originalspectral)779nm、680nm、799nm、839nm、875nm一阶微分(First-orderdifferential)613nm、650nm、737nm、771nm、801nm对数(Logarithmic)779nm、680nm、799nm、839nm、875nm对数一阶微分(Logarithmicfirst-orderdifferential)471nm、564nm、613nm、706nm、885nm归一化(Normalize)779nm、680nm、799nm、839nm、875nm归一化一阶微分(Normalizefirst-orderdifferential)420nm、641nm、700nm、726nm、778nm倒数(Inverse)779nm、680nm、799nm、839nm、875nm倒数一阶微分(Inversefirst-orderdifferential)546nm、575nm、668nm、796nm、893nm

表2 原始光谱反射率与枣LAI的回归关系

Table 2 Regression relationship between original spectral reflectance and Jujube LAI

波长Wavelength回归方程Regressionequation拟合度(R2)Fittingdegree779nm,680nmY=1.678+2.742λ779-12.280λ6800.608779nm,680nm,799nmY=2.005+32.2189λ779-12.124λ680-29.842λ7990.675779nm,680nm,799nm,839nmY=1.757+49.055λ779-12.216λ680-72.303λ799+25.916λ8390.717779nm,680nm,799nm,839nm,875nmY=2.020+47.924λ779-10.412λ680-93.178λ799+75.152λ839-27.896λ8750.775

Y=2.020+47.924λ779-10.412λ680-93.178λ799+75.152λ839-27.896λ875. 表3

表3 一阶微分变换后光谱反射率与枣LAI的回归关系

Table 3 Regression relationship between d(R)transform spectral reflectance and Jujube LAI

波长Wavelength回归方程Regressionequation拟合度(R2)Fittingdegree737nm,613nmY=1.73+119.378λ737-719.747λ6130.641737nm,613nm,801nmY=1.252+112.212λ737-838.361λ613-217.088λ8010.721737nm,613nm,801nm,771nmY=1.382+76.316λ737-873.873λ613-259.378λ801+169.214λ7710.784737nm,613nm,801nm,771nm,650nmY=1.422+55.823λ737-1171.663λ613-272.581λ801+223.144λ771+421.591λ6500.825

利用筛选的敏感波段的原始光谱反射率与枣叶面积指数建立回归方程，结果显示，以五波段入选的回归方程拟合度最高为0.825，拟合方程为：

Y=1.422+55.823λ737-1 171.663λ613-272.581λ801+223.144λ771+421.591λ650. 表4

表4 对数变换后光谱反射率与枣LAI的回归关系

Table 4 Regression relationship between log(R) transform spectral reflectance and Jujube LAI

波长Wavelength回归方程Regressionequation拟合度(R2)Fittingdegree779nm,680nmY=1.266+1.104λ779-0..636λ6800.598779nm,680nm,799nmY=1.206+13.810λ779-0.613λ680-13.059λ7990.671779nm,680nm,799nm,839nmY=1.263+20.091λ779-0.623λ680-29.458λ799+10.355λ8390.709779nm,680nm,799nm,839nm,875nmY=1.312+19.618λ779-0.529λ680-38.417λ799+31.570λ839+12.139λ8750.771

利用筛选的敏感波段的原始光谱反射率与枣叶面积指数建立回归方程，结果显示，以五波段入选的回归方程拟合度最高为0.771，拟合方程为：

Y=1.312+19.618λ779-0.529λ680-38.417λ799+31.570λ839+12.139λ875. 表5

表5 对数一阶微分变换后光谱反射率与枣冠层LAI的回归关系

Table 5 Regression relationship between d(log(R)) transform spectral reflectance and Jujube LAI

波长Wavelength回归方程Regressionequation拟合度(R2)Fittingdegree706nm,471nmY=1.002+26.345λ706-36.609λ4710.637706nm,471nm,613nmY=1.171+17.595λ706-32.499λ471-46.643λ6130.731706nm,471nm,613nm,564nmY=1.102+26.973λ706-40.246λ471-44.652λ613+40.949λ5640.779706nm,471nm,613nm,564nm,885nmY=1.333+24.957λ706-43.116λ471-34.511λ613+47.464λ564+66.833λ8850.820

利用筛选的敏感波段的原始光谱反射率与枣叶面积指数建立回归方程，结果显示，以五波段入选的回归方程拟合度最高为0.820，拟合方程为：

Y=1.333+24.957λ706-43.116λ471-34.511λ613+47.464λ564+66.833λ885. 表6

表6 归一化变换后光谱反射率与枣冠层LAI的回归关系

Table 6 Regression relationship between N(R) transform spectral reflectance and Jujube LAI

波长Wavelength回归方程Regressionequation拟合度(R2)Fittingdegree779nm,680nmY=1.589+0.692λ779-2.755λ6800.558779nm,680nm,799nmY=1.958+8.911λ779-2.727λ680-8.324λ7990.668779nm,680nm,799nm,839nmY=1.261+14.278λ779-2.018λ680-20.251λ799+6.818λ8390.706779nm,680nm,799nm,839nm,875nmY=2.409+11.183λ779-2.736λ680-21.906λ799+19.257λ839+8.214λ8750.768

利用筛选的敏感波段的原始光谱反射率与枣叶面积指数建立回归方程，结果显示，以五波段入选的回归方程拟合度最高为0.768，拟合方程为：

Y=2.409+11.183λ779-2.736λ680-21.906λ799+19.257λ839+8.214λ875. 表7

表7 归一化一阶微分变换后光谱反射率与枣冠层LAI的回归关系

Table 7 Regression relationship between d(N(R)) transform spectral reflectance and Jujube LAI

波长Wavelength回归方程Regressionequation拟合度(R2)Fittingdegree726nm,420nmY=0.300+53.455λ726-90.109λ4200.687726nm,420nm,641nmY=0.104+54.892λ726-97.063λ420-110.437λ6410.78726nm,420nm,641nm,700nmY=0.281+50.636λ726-105.926λ420-88.595λ641-13.120λ7000.816726nm,420nm,641nm,700nm,778nmY=0.271+47.943λ726-117.521λ420-94.546λ641-15.414λ700+39.682λ7780.845

利用筛选的敏感波段的原始光谱反射率与枣叶面积指数建立回归方程，结果显示，以五波段入选的回归方程拟合度最高为0.845，拟合方程为：

Y=0.271+47.943λ726-117.521λ420-94.546λ641-15.414λ700+39.682λ778. 表8

表8 倒数变换后光谱反射率与枣冠层LAI的回归关系

Table 8 Regression relationship between P(R) transform spectral reflectance and Jujube LAI

波长Wavelength回归方程Regressionequation拟合度(R2)Fittingdegree779nm,680nmY=2.613-0.443λ779+0.033λ6800.586779nm,680nm,799nmY=2.278-5.905λ779+0.031λ680+5.696λ7990.668779nm,680nm,799nm,839nmY=2.479-8.168λ779+0.032λ680+11.838λ799-4.107λ8390.701779nm,680nm,799nm,839nm,875nmY=2.226-7.965λ779+0.027λ680+15.568λ799-12.917λ839+5.146λ8750.764

利用筛选的敏感波段的原始光谱反射率与枣叶面积指数建立回归方程，结果显示，以五波段入选的回归方程拟合度最高为0.764，拟合方程为：

Y=2.226-7.965λ779+0.027λ680+15.568λ799-12.917λ839+5.146λ875. 表9

表9 倒数一阶微分变换后光谱反射率与枣冠层LAI的回归关系

Table 9 Regression relationship between d(P(R)) transform spectral reflectance and Jujube LAI

波长Wavelength回归方程Regressionequation拟合度(R2)Fittingdegree668nm,796nmY=2.013+5.53λ586+74.952λ7960.646796nm,668nm,893nmY=2.196+89.715λ796+1.561λ668+15.380λ8930.769796nm,668nm,893nm,575nmY=2.044+86.693λ796+1.174λ668+14.313λ893+1.304λ5750.806796nm,668nm,893nm,575nm,546nmY=2.077+76.302λ796+1.466λ668+14.783λ893+1.533λ575+3.297λ5460.833

利用筛选的敏感波段的原始光谱反射率与枣叶面积指数建立回归方程，结果显示，以五波段入选的回归方程拟合度最高为0.833，拟合方程为：

Y=2.077+76.302λ796+1.466λ668+14.783λ893+1.533λ575+3.297λ546.

分析结果显示，随着入选波段数的增加，回归方程的拟合度(R2)也逐渐增加。8种拟合模型都能较好的反映枣LAI与光谱反射率、变换后的光谱反射率之间的变化关系，构建的枣LAI估算模型精度均较好，决定系数在0.508～0.845，其中经归一化一阶微分变换后的5波段入选方程拟合度最高。原始光谱数据经对数、倒数、归一化变换后的拟合模型相对原始光谱数据的拟合模型总精度均有所提高，但不是很明显，对数变换后的5波段入选建立的模型精度甚至比原始模型精度还要低。经微分变换后的拟合模型精度明显提高，总体精度以倒数一阶微分和归一化一阶微分变换后的最好。

2.3 LAI反演精度评价

上述采用多元逐步回归法建立的枣LAI估测模型，虽然均达到了显著水平，但这种方法拟合的方程往往会出现“过度拟合”现象，这种现象主要发生在当波段多样本小时，这时波段反射率可能与某些理化成分并不相关，因此，有必要对所建模型进行精度检验。即用8种估测模型中精度最高的(5波段入选模型)回归方程进行枣冠层LAI反演，将检验样本数据代入模型对估测值和实测值的符合度进行了检验。图2

除原始估测模型外，其他模型的准确度(R2)和精确度(k)均较高，在0.713～0.833，均方根误差也均在0.3以下。拟合度较好的归一化一阶微分变换后的光谱反射率建立的估测模型精度和准确度都不如一阶微分、对数一阶微分、倒数一阶微分变换后的估测模型。因此，经倒数一阶微分变换后的估测模型拟合度和预测精度都较好。表10

表10 不同方法验证模型的比较

Table 10 Comparison of Validation models by different methods

数据变换方式Datatransformation精确度(R2)Precision准确度(k)Accuracy均方根误差(RMSE)R0.1490.3611.1111d(R)0.8250.8250.0543log(R)0.7710.7710.0621d(log(R))0.8200.8200.0551N(R)0.7750.7750.0616d(N(R))0.7130.6740.2110P(R)0.7640.7640.0631d(P(R))0.8330.8330.0531

图2 枣冠层实测LAI与估测LAI相关分析

Fig.2 Correlation analysis between measured LAI and estimated LAI

3 讨 论

通过对枣叶面积指数与光谱反射率特征的相关研究，分析发现原始波段的相关性明显小于微分光谱、对数光谱、归一化光谱、倒数光谱等，原因可能是原始单波段光谱包含的信息简单而且易受外界因素的影响，但微分光谱能够降低或去除土壤、凋落物等背景因素对树冠光谱的影响[36]，而对原始光谱进行归一化、倒数、对数等处理后再做微分处理，这样不仅去除了因光照条件变化的乘性因素的影响[37]，而且减弱了附加低频噪声的影响。用逐步回归法筛选出的波段大多都在红光区和近红外平台区，可用这些波段组合一些光谱植被指数来反演LAI，如比值植被指数(RVI)、归一化差值植被指数(NDVI)、差值植被指数(DVI)[38-41]等。目前对于叶面积指数的估测模型大都是针对农作物的，果树方面的研究报道较少见，且大都是用各种植被指数、农学参数与LAI做的估测模型，用不同方式数据变换的光谱数据与LAI做估测模型是首次尝试。

但研究初步得出的结论是基于一个年份和一个地点观测获得的，加之样本数有限，因此，基于枣叶面积指数的高光谱估算模型其预测性能的准确性和稳定性，以及所建模型是否适合其他枣品种类型和大面积的区域，仍需进一步实验论证。

4 结 论

以阿克苏市主要经济树种枣为研究对象，通过对高光谱原始反射率数据、变换后的光谱反射率数据与LAI进行相关性分析，并利用逐步回归法建立回归方程，经验证，7种变换方式下估测模型预测精度都较高，且经一阶微分、对数一阶微分、归一化一阶微分、倒数一阶微分变换后的估测模型具有最佳的预测精度，实测LAI与预测LAI有显著的线性关系，R2分别为0.825 4、0.819 9、0.712 6、0.833，可见用微分变换后的光谱数据可较好的估测叶面积指数。

References)

[1] 浦瑞良,宫鹏.高光谱遥感及其应用[M].北京:高等教育出版社,2000.

PU Rui-liang, GONG peng. (2000).HyperspectralRemoteSensingandItsApplication[M]. Beijing: Higher Education Press.(in Chinese)

[2] Duchemin, B., Hadria, R., Erraki, S., Boulet, G., Maisongrande, P., & Chehbouni, A., et al. (2006). Monitoring wheat phenology and irrigation in central morocco: on the use of relationships between evapotranspiration, crops coefficients, leaf area index and remotely-sensed vegetation indices.AgriculturalWaterManagement, 79(1):1-27.

[3]胡珍珠,潘存德,王世伟,等. 轮台白杏叶片氮磷钾含量光谱估算模型[J]. 新疆农业科学,2013,(2):238-248.

HU Zhen-zhu, PAN Cun-de, WANG Shi-wei, et al. (2013). Models for Estimating Foliar NPK Content of Armeniaca vulgaris 'Luntaibaixing' Using Spectral Reflectance [J].XinjiangAgriculturalSciences, 50(2):238-248. (in Chinese)

[4]胡珍珠,潘存德,高淑然. 轮台白杏果实不同生育期叶片光谱特性及对氮磷钾的敏感性[J]. 新疆农业科学,2012,49(3):421-429.

HU Zhen-zhu, PAN Cun-de, GAO Shu-ran. (2012). Leaf Spectral Characteristics and Its Sensitivity to N, P, K in Different Fruit Growth Periods of Armeniaca vulgaris 'Luntaibaixing' [J].XinjiangAgriculturalSciences, 49(3):421-429. (in Chinese)

[5]赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003:388-390.

ZHAO Ying-shi. (2003).Principlesandmethodsofremotesensingapplicationanalysis[M]. Beijing: Science Press: 388-390. (in Chinese)

[6]王希群,马履一.叶面积指数的研究和应用进展[J].生态学杂志,2005,24(5):537-541.

WANG Xi-qun, MA LÜ-yi. (2005). Research and application advances in leaf area index (LAI) [J].JournalofEcology, 24(5):537-541. (in Chinese)

[7] Jacquemoud, S., Bacour, C., Poilvé, H., & Frangi, J. P. (2000). Comparison of four radiative transfer models to simulate plant canopies reflectance : direct and inverse mode.RemoteSensingofEnvironment,74(3):471-481.

[8] Eklundh, L., Harrie, L., & Kuusk, A. (2001). Investigating relationships between landsat etm+ sensor data and leaf area index in a boreal conifer forest.RemoteSensingofEnvironment, 78(3):239-251.

[9]田庆久,闵祥军.植被指数研究进展[J].地球科学进展,1998,13(4):327-332.

TIAN-Qing-jiu, MIN Xiang-jun. (1998). Research progress of vegetation index [J].EarthScience, 13(4):327-332. (in Chinese)

[10]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,(3):58-62.

FANG Xiu-qin, ZHANG Wan-chang. (2003). The application of remotely sensed data to the estimation of the leaf area index [J].RemoteSensingofLandandresources, (3):58-62. (in Chinese)

[11]李凤秀,张柏.基于垂直植被指数的东北黑土区玉米LAI反演模型研究[J].干旱区农业研究,2008,26(3):33-38.

LI Feng-xiu, ZHANG Bai. (2008). Retrieval model for estimating corn LAI in black soil region of Northeast China based on Perpendicolar Vegetation Index [J].AgriculturalResearchinAridAreas, 26(3):33-38. (in Chinese)

[12]李凤秀,张柏.玉米叶面积指数与高光谱植被指数关系研究[J].遥感技术与应用,2007,50(10):586-592.

LI Feng-xiu, ZHANG Bai. (2007). Research and Analysis of the Correlation between Hyperspectral Vegetation Index and Leaf Area Index [J]SensingTechnologyandApplication, 50(10):586-592. (in Chinese)

[13]靳华安,刘殿伟.三江平原湿地植被叶面积指数遥感估算模型[J].生态学杂志,2008,27(5):803-808.

JIN Hua-An, LIU Dian-wei. (2008). Remote sensing estimation models of wetland vegetation LAI in Sanjiang Plain [J].JournalofEcology, 27(5):803-808. (in Chinese)

[14]杨燕,田庆久. 高光谱反演水稻叶面积指数的主成分分析法[J]. 国土资源遥感,2007,(3):47-50,61.

YANG Yan, TIAN Qing-jiu. (2007). Principal Component Analysis Method for Retrieving Leaf Area Index of Rice from Hyperspectral Data [J].RemoteSensingofLandandResources, (3):47-50,61. (in Chinese)

[15]王秀珍,黄敬峰,李云梅,等. 水稻叶面积指数的多光谱遥感估算模型研究[J]. 遥感技术与应用,2003,18(2):57-65.

WANG Xiu-zhen, HUANG Jing-feng, LI Yun-mei, et al. (2003). The Study on Multi-spectral Remote Sensing Estimation Models about LAI of Rice [J].RemoteSensingTechnologyandApplication, 18(2):57-65. (in Chinese)

[16]王秀珍,黄敬峰,李云梅, 等. 水稻叶面积指数的高光谱遥感估算模型[J]. 遥感学报,2004,(1):81-88.

WANG Xiu-zhen, HUANG Jing-feng, LI Yun-mei, et al. (2004). Hyperspectral remote sensing estimation model of rice leaf area index [J].RemoteSensing, (1):81-88. (in Chinese)

[17]梁亮,杨敏华,张连蓬, 等. 小麦叶面积指数的高光谱反演[J]. 光谱学与光谱分析,2011,(6):1 658-1 662.

LIANG Liang, YANG Min-hua, ZHANG Lian-peng, et al. (2011). heat Leaf Area Inde0x Inversion Using Hyperspectral Remote Sensing Technology [J].SpectroscopyandSpectralAnalysis, (6):1,658-1,662. (in Chinese)

[18]黄敬峰,王渊,王福民, 等. 油菜红边特征及其叶面积指数的高光谱估算模型[J]. 农业工程学报,2006,(8):22-26.

HUANG Jing-feng, WANG Yuan, WANG Fu-min, et al. (2006). Red edge characteristics and leaf area index estimation model using hyperspectral data for rape [J].JournalofAgriculturalEngineering. (8):22-26. (in Chinese)

[19]黄春燕,刘胜利,王登伟, 等. 大豆叶面积指数的高光谱估算模型研究[J]. 大豆科学,2008,(2):228-232.

HUANG Chun-yan, LIU Sheng-li, WANG Deng-wei, et al. (2007). Models for Estimating Soybean Leaf Area Index Using Hyperspeetral Data [J].SoybeanScience, (2):228-232. (in Chinese)

[20]柏军华,李少昆,王克如, 等. 棉花叶面积指数冠层反射率光谱响应及其反演[J]. 中国农业科学,2007,(1):63-69.

BAI Jun-hua, LI Shao-kun, WANG Ke-ru, et al. (2007). The Response of Canopy Reflectance Spectrum for the Cotton LAI and LAI Inversion [J].ScienceAgriculturaSinica, (1):63-69. (in Chinese)

[21]柏军华. 基于LAI的棉花产量近地遥感模型研究[D].石河子: 石河子大学硕士论文,2005.

BAI Jun-hua.(2005).LAIRemoteSensingofNear-EarthModelBasedonCottonProduction[D]. Master Dissertation. Shehezi University, Shehezi. (in Chinese)

[22]张正杨,马新明,贾方方, 等. 烟草叶面积指数的高光谱估算模型[J]. 生态学报,2012,(1):168-175.

ZHANG Zheng-yang, MA Xin-ming, JIA Fang-fang, et al. (2012). Hyperspectral estimating models of tobacco leaf area index [J].JournalofAppliedEcology, (1):168-175. (in Chinese)

[23]谭昌伟,王纪华,黄文江,等. 夏玉米叶片全氮、叶绿素及叶面积指数的光谱响应研究[J]. 西北植物学报,2004,(6):1 041-1 046.

TAN Chang-wei, WANG Ji-hua, HUANG Wen-jiang, et al. (2004). Study on spectral variation of LTN, CHL and LAI of summer maize [J].NorthwestPlant, (6):1,041-1,046. (in Chinese)

[24]谭昌伟,黄义德,黄文江,等. 夏玉米叶面积指数的高光谱遥感植被指数法研究[J]. 安徽农业大学学报,2004,(4):392-397.

TAN Chang-wei, HUANG Yi-de, HUANG Wen-jiang, et al. (2004). Study on Colony Leaf Area Index of Summer Maize by Remote Sensing Vegetation Indexes Method [J].JournalofAnhuiAgriculturalUniversity, (4):392-397. (in Chinese)

[25]李凤秀,张柏,宋开山,等. 玉米叶面积指数与高光谱植被指数关系研究[J]. 遥感技术与应用,2007,(5):586-592.

LI Feng-xiu, ZHANG Bai, SONG Kai-shan, et al. (2007). Research and Analysis of the Correlation between Hyperspectral Vegetation Index and Leaf Area Index [J]. Remote Sensing Technology and Application, (5):586-592. (in Chinese)

[26]杜春雨. 基于TM影像的叶面积指数反演[D].哈尔滨：东北林业大学硕士论文,2010.

DU Chun-yu.(2010).BasedonLeafAreaIndexInversionTMImages[D]. Master Dissertation, Northeast Forestry University, Harbin. (in Chinese)

[27]骆社周,程峰,王方建,等. 基于TM遥感数据的西藏林芝地区叶面积指数反演[J]. 遥感技术与应用,2012,(5):740-745.

LUO She-zhou, CHENG Feng, WANG Fang-jian, et al. (2012). Leaf Area Index Inversion based on TM in Linzhi,Tibet [J].RemoteSensingTechnologyandApplication, (5):740-745. (in Chinese)

[28]姚延娟,陈良富,柳钦火, 等. 基于波谱知识库的MODIS叶面积指数反演及验证[J]. 遥感学报,2006,(6):869-878.

YAO Yan-juan, CHEN Liang-fu, LIU Qin-huo, et al. (2006). Inversion and Validation of Leaf Area Index Based on the Spectral & Knowledge Database Using MODIS Data [J].JournalofRemoteSensing, (6):869-878. (in Chinese)

[29]林文鹏,赵敏,张翼飞, 等. 基于SPOT5遥感影像的城市森林叶面积指数反演[J]. 测绘科学,2008,(2):57-59,63.

LIN Wen-peng, ZHAO Min, ZHANG Yi-fei, et al. (2008). Study on estimation of urban forest LAI models based on SPOT5 [J].SurveyingandMapping, (2):57-59,63. (in Chinese)

[30]张兆明,何国金,江洪. 基于EO-1Hyperion高光谱影像的福建森林叶面积指数反演[J]. 科学技术与工程,2013,13(31):9 159-9 162,9 176.

ZHANG Zhao-ming, HE Guo-jin, JIANG Hong. (2013). Forest leaf area index retrieval in Fujiang Provice based on EO-1 hyperison hyper-spectral imagery [J].ScienceTechnologyandEngineering, 13(31):9,159-9,162，9,176. (in Chinese)

[31]曹卫星. 数字农作技术研究进展与发展方向[J]. 作物杂志,2008,(6):3-5.

CAO Wei-xing. (2008). Digital agriculture technology research progress and development direction [J]Crops, (6):3-5. (in Chinese)

[32]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,(2):50-54.

ZHAO Li-fang, TAN Bing-xiang, YANG Hua, et al. (2007). Review of the Estimating Forest Leaf Area Index with Hyperspectral Remote Sensing Data [J].WorldForestryResearch, (2):50-54. (in Chinese)

[33]吴朝阳,牛铮. 基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进[J]. 植物学通报,2008,(6):714-721.

WU Chao-yang, NIU Zheng.(2008). Improvement in Linearity Between Hyperspectral Vegetation Indices and Chlorophyll Content, Leaf Area Index Based on Radiative Transfer Models [J].BulletinofBotany,(6):714-721. (in Chinese)

[34]刘晓臣,范闻捷,田庆久, 等. 不同叶面积指数反演方法比较研究[J]. 北京大学学报(自然科学版),2008,(5):827-834.

LIU Xiao-chen, FAN Wen-jie, TIAN Qing-jiu, et al. (2008). C Comparative Analysis among Different Methods of Leaf Area Index Inversion [J].JournalofPekingUniversity(Natural Science), (5):827-834. (in Chinese)

[35]汤旭光,刘殿伟,宋开山, 等. 东北主要绿化树种叶面积指数(LAI)高光谱估算模型研究[J]. 遥感技术与应用,2010,(3):334-341.

TANG Xu-guang, LIU Dian-wei, SONG Kai-shan,et al. (2010). A Study for Estimating the Main Tree Species Leaf Area Index in Northeast Based on Hyperspectral Data [J].SensingTechnologyandApplication, (3):334-341. (in Chinese)

[36] 浦瑞良,宫鹏, 约翰 R. 等. 应用CASI图像数据估计横跨美国俄勒冈州针叶林叶面积指数[J]. 南京林业大学学报,1993,17(1):41-48.

PU Rui-liang, GONG Peng, John R. et al. (1993). Estimation of coniferous forest leaf area index along the Oregon transect using CASI Data [J].NanjingForestryUniversity, 17(1):41-48. (in Chinese)

[37] 张良培,张立福. 高光谱遥感[M]. 武汉:武汉大学出版社,2005.

ZHANG Liang-pei, ZHANG Li-fu. (2005).HyperspectralRemoteSensing[M] Wuhan: Wuhan University Press. (in Chinese)

[38]白兰东,苟叶培,邵文文, 等. 基于多角度遥感的植被指数与叶面积指数的线性关系研究[J]. 测绘工程,2016,(1):1-4,9.

BAI Lan-dong, GOU Ye-pei, SHAO Wen-wen, et al. (2016). On the linear relationship between vegetation indices and leaf area index based on multi-angle remote sensing [J].SurveyingEngineering, (1):1-4,9. (in Chinese)

[39]袁媛,瑚波,武兴厚,等. 夏玉米植被指数与叶面积指数的关系研究[J]. 陕西气象,2015,(3):24-28.

YUAN Yuan, HU bo, WU Xing-hou, et al. (2015). Relationship between Summer Maize Vegetation Indices and Leaf Area Index [J].ShanxiMeteorology, (3):24-28. (in Chinese)

[40]齐波,张宁,赵团结,等. 利用高光谱技术估测大豆育种材料的叶面积指数[J]. 作物学报,2015,(7):1 073-1 085.

QI Bo, ZHANG Ning, ZHAO Tuan-jie, et al. (2015). Prediction of Leaf Area Index Using Hyperspectral Remote Sensing in Breed-ing Programs of Soybean [J].ActaAgronomicaSinica, (7):1,073-1,085. (in Chinese)

[41]翟羽娟,张艳红,刘兆礼,等. 基于主成分分析的植被指数与叶面积指数相关性研究[J]. 测绘与空间地理信息,2015,(9):20-23.

ZHAI Yu-juan, ZHANG Yan-hong, LIU Zhao-li, et al. (2015). Correction Analysis between leaf Area Index and Vegetation Index of Maize Based on Principal Component [J].GeomaticsandSpatialInformationTechnology, (9):20-23. (in Chinese)

Fund project:Xinjiang Uygur Autonomous Region university research program focused on scientific research projects (XJEDU2013I16); High-resolution Earth Observation System special "Xinjiang characteristics of fruit and fruit area of precision monitoring and application demonstration subsystem" (95-Y40B02-9001-13 / 15-01-01); China Postdoctoral Science Foundation (2015M572668XB)

Hyperspectral Estimation Models of Jujube Leaf Area Index in Southern Xinjiang Basin

JIA Yong-qian, WANG Zhen-xi, LI Yuan, QU Yu-hong, LIU Yu-xia

(CollegeofForestryandHorticulture,XinjiangAgriculturalUniversity/KeyLaboratoryofForestryEcologyandIndustryTechnologyinAridAreaofEducationDepartmentofXinjiang,Urumqi830052,China)

【Objective】 The project aims to transform original spectral data by different methods, analyze their relationship with Jujube LAI, establish the Hyperspectral Estimation Models of Jujube LAI in Southern Xinjiang in the hope of providing an effective way for the rapid, accurate, non-invasive, a wide range of timely, dynamic monitoring of vegetation LAI.【Method】Based on different data transformations of original spectral reflectance, using correlation analysis and stepwise regression analysis.【Result】Different data transformations of original spectral reflectance and Jujube LAI had a better correlation. The model through the accuracy assessment found that the original spectral data by inverse first-order differential transformation had the highest fitness and prediction accuracy. The first-order differential, the logarithmic first-order differential, followed by normalized first-order differential.【Conclusion】There is a significant correlation between the spectral data of different transformation and Jujube LAI in Southern Xinjiang, and the model can be established by first-order differential, logarithmic first-order differential, the normalized first-order differential, inverse first-order differential of original spectral reflectance to estimate Jujube LAI in Southern Xinjiang.

jujube；hyperspectrum；leaf area index

2016-08-15

新疆维吾尔自治区高校科研计划科学研究重点项目(XJEDU2013I16)；高分辨率对地观测系统专项"新疆特色林果面积精准监测与应用示范分系统"(95-Y40B02-9001-13/15-01-01)；中国博士后科学基金项目(2015M572668XB)

贾永倩(1991-)，女，甘肃兰州人，硕士研究生，研究方向为林业3S技术及应用，(E-mail)jiayongqian2014@163.com

王振锡(1977-)，男，新疆人，副教授，博士，硕士生导师，研究方向为林业3S技术及应用，(E-mail)wangzhenxi2003@163.com

10.6048/j.issn.1001-4330.2016.12.003

S665.1

：A

：1001-4330(2016)12-2175-12