基于高分辨率遥感影像的玉米田叶面积指数反演

黄楚荻，鲁 蕾，刘 勇，刘巨峰

(兰州大学 资源环境学院，甘肃 兰州 730000)

叶面积指数(leaf area index，LAI)是指单位面积地表以上叶片单面面积之和[1]或单位面积柱体内总叶表面积的一半[2]。叶面积指数是反映陆地生态系统绿色植物生物量的重要参数，在建立地表和大气之间能量和质量交换模型和定量评估生态系统中水、碳和营养循环中扮演了至关重要的角色[1, 3]。LAI是估算绿色植物地表覆盖度、预测作物长势和产量的重要依据，对于理解作物冠层的生物物理过程有着十分重要的意义[4]。

LAI的测量方法可分为两类：地面实测法和遥感反演法[5]。地面实测LAI方法又可分为直接测量法和间接测量法。直接测量方法通过人工采集植物叶片并进行面积测量来获取LAI，具有一定的破坏性[6]，难以完成同一目标的长时间序列LAI动态监测。间接测量则依据地面光学仪器观测辐射透过率，进行辐射传输建模，据此采用遥感数据进行LAI估算[7]。与直接测量法相比，间接测量法需要根据遥感反演模型建立地表观测量与遥感观测量之间的定量关系，从而实现LAI的遥感反演。按照反演模型的差异，遥感反演LAI可分为经验模型方法和物理模型方法[8]。经验模型方法通常利用植被指数与LAI之间的统计回归模型来反演LAI[9]，拟合系数与表观指标之间的物理意义不明确，难以保证其准确性及普适性[10]。物理模型方法基于光子传输模型模拟植被冠层辐射传输过程，得到地表反射率与LAI的定量关系模型[11]。该方法建立在物理模型构建基础上，是定量遥感LAI反演发展的趋势[12]。其中，基于辐射传输模型的PROSAIL模型可用于模拟不同生化水平及不同观测条件、土壤背景下的不同连续植被冠层反射率[13]，是目前较为常用的物理模型。

图1 植被像元在红光、近红外波段反射率光谱空间中的分布[16]Fig.1 Distribution of vegetation pixels in reflectance spectral space of red and near infrared

植被像元的红光、近红外波段反射率构成的光谱空间呈现出近似缨帽的形状(图1)[14]。在该缨帽形区域中，底部斜率接近1的“帽沿”部分为土壤线，代表裸土。土壤线以上的部分指示了植被在各生长阶段、生长状况下的反射率分布情况。缨帽三角形的顶点处红光波段反射率趋近最小、近红外波段反射率达到最大，反映了植被高郁闭度的状态。土壤线到顶点的变化趋势则体现了植被从较低郁闭度到较高郁闭度的生长过程中红光、近红外波段反射率的差异。在该光谱空间中，LAI以等值线的形式呈现出有规律的分布模式[15]，即从土壤线到缨帽顶点方向LAI等值线呈放射状单调递增，这一规律为遥感反演LAI提供了很好的理论基础。

由于我国农业人口多，并且西北地区沟壑纵横，导致耕种田块破碎[17]，若采用中分辨率或更低分辨率的遥感影像进行LAI反演，混合像元的存在将导致反演误差很大[18]。早期的LAI反演主要基于中、低空间分辨率遥感影像，且目前为止，基于中、低空间分辨率遥感影像的LAI反演研究仍占多数。随着卫星传感器的不断发展，高空间分辨率遥感影像的获取已不再困难重重。陈利等[19]使用WorldView2影像对杉木LAI与植被指数的相关性进行了探索；孙斌等[20]使用GF1卫星影像估算了稀疏植被的覆盖度及地上生物量；朱云芳等[21]使用GF1卫星影像和BP神经网络进行了太湖的叶绿素a反演。目前国内外已陆续开展了高分辨率遥感影像植被参数反演的相关研究，如何有效地运用高分辨率遥感影像进行LAI反演，仍是亟待解决的问题。WorldView- 3是2014年8月由美国DigitalGlobe公司发射的第四代高解析度光学卫星，多光谱波段空间分辨率为1.24 m，红外短波空间分辨率为3.7 m，全色波段空间分辨率高达0.3 m，平均回访时间不到1 d，在特征提取、植物分析等领域表现出卓越的性能。

本文利用地面实测数据对PROSAIL模型输入参数取值范围进行率定，模拟不同LAI、叶倾角、叶绿素含量对应的玉米冠层反射率，根据红光- 近红外波段反射率特征空间中LAI等值线分布模式，利用模拟数据集建立玉米冠层红光/近红外波段反射率- LAI查找表，对WV- 3遥感影像中的玉米田进行LAI反演，并使用实测数据对查找表及反演结果进行分析与评价，为高精度地高分辨率遥感影像反演LAI提供思路和方法。

1 试验区及数据准备

1.1 试验区概况

试验区位于宁夏回族自治区中卫市常乐镇北部，地理坐标范围为37°27′46.1″～37°30′17.6″ N，105°7′8.3″～105°9′17.4″ E(图2)。该地区具有典型的大陆性季风气候和沙漠气候的特点，年平均气温8.2～10 ℃，得黄河灌溉之利，土地肥沃，是西北地区重要的粮食、蔬菜、水产品和设施农业基地。试验区中部有黄河穿过，主要作物为水稻、玉米，耕地呈块状规则分布于黄河两侧。本文选取玉米种植区域进行LAI反演。

用于训练参数集的野外实地观测于2014—2016年的7—8月进行，其中包括与遥感影像获取时间相近的2016年7月20日。观测时段内玉米正处于抽穗期，生长状况良好。另外，于2017年6—7月在中卫地区对4块样地进行了4次定点观测，获得了玉米拔节期至抽穗期的生长时期观测数据，用于进行精度验证。

1.2 地面观测数据及处理

根据PROSAIL模型分析的要求，在中卫市及其周边地区(包括甘肃省、内蒙古自治区)共采集11组用于模型训练的玉米田多项生物物理参量，观测时间分别为2014年7月24日及26日、2015年7月27日及28日、2016年7月16日及20日。用于精度验证的定点观测数据共16组，观测时间分别为2017年6月10日、11日、24日，7月7日及9日、19日、22日。观测项目包括冠层光谱、LAI、平均叶倾角(ALA)、叶绿素含量(Cab)、样点位置信息、玉米植株的株高/株距等。为保证观测数据稳定可靠，选择晴朗无云、风力较小天气，在地面较平缓的地区开展野外观测，并选择不同覆盖度的玉米田，以保证观测数据的有效性和多样性，观测时间为10:00—16：00(北京时间)。每个样点均使用Trimble Juno手持GPS记录坐标及高程信息。

图2 试验区位置及观测样点分布Fig.2 Location of study area and distribution of measured points

使用美国ASD公司光谱测量仪Fieldspec Pro FR进行玉米冠层光谱采集，波长范围350～2 500 nm。传感器观测高度保持在冠层上方0.5～1.0 m。在样点重复采集10条冠层光谱曲线，取其平均值作为冠层光谱，同时测量太阳高度角。在后处理工作中删除了光谱曲线中水汽吸收带(1.4 μm和1.9 μm附近)的噪声数据。同时采集了与样点土壤类型相同的裸土光谱曲线，将其作为PROSAIL模型中土壤光谱的输入项，替代了原有模型中使用干、湿土壤反射率加权求和获得的土壤光谱，从而减小模拟过程中的误差。使用以下公式将每个样点上的观测结果转换为样方尺度上的光谱曲线(样方大小为2 m × 2 m)。

ρ=αρv+(1-α)ρs。

(1)

其中：α为实地记录植被覆盖度；ρv为玉米观测样点光谱曲线；ρs为实测裸土光谱曲线。

采用美国LI- COR公司植物冠层分析仪LAI- 2000测量叶面积指数和叶倾角，测量过程中避免阳光直射镜头，采用不同可视角度的遮光盖控制进光量。以1次天空光测量和4次植被冠层底部透射光测量的方法对每个样方采集3～5组观测值，以多组数据的平均值作为该样方的LAI、ALA观测值。

采用OPTI- SCIENCES公司CCM- 300测量玉米叶片叶绿素含量，每个样方获取5组植物叶片的测量值，并以其平均值作为该样方叶片叶绿素含量。测量开始前及测量结束后分别测量太阳高度角。同时每个样点均测量5～10组玉米植株的株高、株距及行距。11组相关参数观测结果统计如表1所示。

1.3 遥感影像及处理

表1玉米田相关参数观测结果统计

Table1Statistics of correlation parameters of maize field

观测参数Parameters最小值Min最大值Max平均值MeanALA/°415045Cab/(μg·cm-2)33.448.041.6LAI1.213.932.57

中卫地区WV- 3影像获取时间为2016年7月8日，影像多光谱数据包括海岸带、蓝、绿、黄、红、红边、近红外1、近红外2共8个波段，研究中所用到的近红外波段指其中的近红外1波段。影像重采样后空间分辨率可达2 m，局部有少量云及其阴影覆盖。

使用ENVI 5.0完成FLAASH大气辐射校正等预处理步骤，获得地表反射率数据，结合野外考察记录从影像中解译玉米田分布范围。结合WV- 3影像中建筑物高度、建筑物阴影、实际建筑物高度等测量结果计算观测天顶角[22]。

2 模型与方法

2.1 PROSAIL模型

PROSAIL模型是一种由PROSPECT模型与SAIL模型耦合而成的植被辐射传输模型[23]。其中，PROSPECT模型是基于Allen平板模型发展而来[24]，用于模拟叶片反射与透射特性的辐射传输模型[13, 25]。SAIL模型是在Suits模型基础上改进得到的四流辐射传输模型[26]。由PROSPECT模型根据植物叶片的叶绿素含量、水分含量等输入变量计算得到的叶片反射率和透射率作为SAIL模型的输入项，结合植被冠层结构参数、观测和太阳的几何位置，计算植被冠层反射率[27]。PROSAIL模型需输入叶片结构、叶片生物化学特性、冠层结构特性、入射太阳辐射与观测几何等参数，最终输出冠层方向反射率。

2.2 查找表

查找表(look- up table，LUT)方法是在一定取值间隔的条件下，通过建立植被冠层反射率与叶面积指数间的对应关系表，使用卫星观测的植被冠层反射率对表进行查找，获取唯一与之对应的叶面积指数[11]。查找表法可简化反演时复杂的物理过程，提高反演效率[28]。

3 结果与分析

3.1 参数敏感性分析

LAI反演主要依据遥感影像中各像元的红光、近红外波段反射率，所以PROSAIL模型参数变化对其他波段的影响在此暂不考虑。为了更加合理地确定PROSAIL模型输入参数设置规则，本文以红光、近红外第一波段反射率为敏感性指标，在运行PROSAIL模型前使用传统的OTA(one factor at a time)方法[29]进行参数敏感性分析(图3)。即固定其他参数，依次分别改变叶面积指数、叶绿素含量、平均叶倾角、褐色素含量(Cbrown)、干物质含量(Cm)、等效水厚度(Cw)的取值，分析各参数对红光与近红外波段反射率的影响。结果表明，LAI变化对红光、近红外波段反射率均有显著影响，其影响呈非线性特征，LAI值越大，对红光、近红外波段反射率的影响越小(图3- A)。叶绿素含量的变化对红光波段反射率影响较显著，但对近红外波段反射率影响较小，随着叶绿素含量增加，红光波段反射率逐渐变小，近红外波段无明显变化(图3- B)。平均叶倾角对红光波段与近红外波段反射率均有影响，尤其在近红外波段具有较高的敏感性，随着平均叶倾角增大，红光波段反射率逐渐增大，近红外波段反射率减小(图3- C)。褐色素含量(图3- D)、干物质含量(图3- E)、等效水厚度的改变(图3- F)，对红光与近红外波段反射率的影响极其微小，对红光波段反射率的影响在小数点后第4位，可忽略不计。

3.2 PROSAIL模型参数设置

PROSAIL模型参数众多，因工作条件所限，一些参数值并不容易获得，如叶片结构参数(N)、干物质含量、等效水厚度、褐色素含量，需要结合实测数据进行模型调参来率定未知参数，最终使每一组参数值对应的模拟的冠层反射率与实测的冠层反射率最大限度上保持一致。在此基础上，建立玉米田的缨帽三角图式及其叶面积指数分布模型，依据叶面积指数在红光-近红外波段反射率光谱空间中的分布模式，建立用于叶面积指数反演的查找表，实现叶面积指数的遥感反演。本研究综合考虑了从2014—2016年野外实测的玉米田叶面积指数、叶绿素含量、平均叶倾角数据，依据LOPEX 93数据库，为模型中其他未知参数设定一定的取值范围及步长。将以上数据输入PROSAIL模型中模拟植被冠层反射率，通过均方根误差(RMSE)来度量模拟反射率与实测植被冠层反射率之间的差异，以RMSE最小时对应的参数值再次确定模型中无实测数据的参数取值范围。本研究中RMSE(公式2)均在0.1以下。

图3 基于OTA的PROSAIL模型参数敏感性分析Fig.3 Sensitivity analysis of PROSAIL model parameters based on OTA

(2)

其中，Ri，measure测光谱反射率，Ri，mod型模拟的光谱反射率。

表2PROSAIL模型正演结果RMSE最小时参数统计

Table2Statistics of parameters with minimum RMSE in PROSAIL model forward operation

参数Parameters最小值Min最大值Max平均值MeanN1.62.02.0Cm/(g·cm-2)0.0010.0110.004Cw/cm0.0020.0540.023Cbrown/(μg·cm-2)00.20

将每个样方RMSE最小时模拟得到的反射率曲线与实测结果进行对比。由于本研究着眼于可见光波段与近红外波段的反射率特征，并考虑到WV- 3遥感影像各通道的波段范围，这里只比较波长范围为400～1 040 nm的模拟反射率与实测反射率，如图4所示。结果表明，在部分样方中(2014- 07- 24- 02、2014- 07- 24- 05、2014- 07- 26- 02、2015- 07- 28- 03)模拟得到的海岸带波段、蓝、绿、红、红边波段反射率偏低，这主要是受到了植被覆盖度的影响。根据野外观测记录，以上样方中玉米植被覆盖度均低于50%，而其他样方中玉米植被覆盖度高达90%以上。另外，部分样方(2014- 07- 24- 02、2016- 07- 20- 01)模拟得到的近红外波段反射率偏低，而编号为2015- 07- 27- 01的样方模拟得到的近红外第二波段(860～1 040 nm)反射率高于实测结果，可能由仪器观测的误差导致。

以玉米田的实测数据与模拟率定参数值为确定参数取值范围的依据，部分参数根据经验[30]及观测实际情况设置，参考参数的敏感性分析结果来确定PROSAIL模型各输入参数的取值范围及其循环步长，模拟玉米冠层反射率，建立包含LAI、红光波段反射率、近红外波段反射率的模拟数据集。

图4 PROSAIL模型模拟反射率与实测反射率对比Fig.4 Comparison of simulated reflectance used PROSAIL model and measured reflectance

PROSAIL模型输入参数中，太阳天顶角(tts)、观测天顶角(tto)、相对方位角(psi)均由影像信息获得，分别为18.3°、27.36°、0°；褐色素含量、等效水厚度、干物质含量、叶片结构参数取值为表2中参数的平均值；热点参数(hspot)根据经验数值设定为0.2。

LAI、叶绿素含量与平均叶倾角是影响红光、近红外波段反射率的主要因素。对不同时期的玉米生长特点的分析表明，Cab、ALA与LAI之间存在明显的相关关系，LAI随着Cab、ALA数值的增大而增大。另外，冠层反射率对LAI的敏感性随LAI值增大而降低，所以分段设置LAI循环步长，可有效减少数据冗余(表3)。

3.3 红光- 近红外波段反射率特征空间与查找表

本研究分别统计了模拟反射率与遥感影像各玉米田像元的红光、近红外波段反射率，均得到形似缨帽的红光- 近红外反射率二维图(图5)。模拟数据集的红光- 近红外反射率处于“缨帽”底部边缘时，对应的LAI数值较小。处于“缨帽”顶部时，对应的LAI数值较大。影像各像元散点统计结果中，近红外波段反射率较小时，其对应的LAI数值较小;红光反射率较小、近红外波段反射率较大时，对应的LAI数值较大。

统计结果显示，模拟数据集红光波段反射率分布范围为0～0.3，近红外波段反射率分布范围为0.07～0.53;研究区WV- 3影像红光波段反射率集中在0.05～0.10，近红外波段反射率集中在0.25～0.55。当红光波段反射率为0.06时，WV- 3数据的近红外波段反射率略高于模拟的近红外波段反射率，这是由于对影像中玉米田信息提取时，相对应的像元并非纯像元，其中包含少量林地及草地。尽管如此，绝大部分像元的反射率均包含于模拟数据集中，因此，可以利用模拟数据集建立查找表、进而实现WV- 3遥感数据的叶面积指数反演。

表3模拟数据集LAI、Cab、ALA数值关系

Table3Numerical relationship of LAI， Cab， ALA in the simulation data set

LAILAI步长LAIstepCab/(μg·cm-2)ALA/°0.01—10150.1～1.00.125531.2～2.00.227542.4～4.00.430555.0～6.01.038567.0—5056

图5 模拟数据集、影像红光- 近红外反射率关系Fig.5 The relationship between red- NIR reflectance in simulation data set and image

使用模拟数据集中的红光、近红外波段反射率计算NDVI(公式3)，分析模拟数据集中LAI与红光、近红外波段反射率、NDVI之间的关系(图6)。图6- A表明，LAI与红光波段反射率呈负相关关系。当LAI值较小时，对应的红光波段反射率范围较大，随着LAI值增大，红光波段反射率向较小值处收敛，在这个过程中，红光波段反射率的最大值呈非线性减小趋势。图6- B为LAI与近红外波段反射率之间的关系，同LAI与红光波段反射率的关系相反，LAI与近红外波段反射率呈正相关关系。当LAI值较小时，对应的近红外波段反射率范围较大，但随着LAI值增大，近红外波段反射率向较大值处收敛，并且也呈非线性变化趋势。图6- A、B表明，当LAI值较小时，红光、近红外波段反射率对LAI的变化最为敏感。图6- C表明，LAI与NDVI呈正相关关系。随着LAI增大，NDVI值逐渐增大，并趋于饱和。由此可见，当LAI较大时，通过建立NDVI与LAI的回归关系来反演LAI有较大的不确定性。

(3)

将模拟数据集进行最近邻插值，将红光、近红外波段反射率采样精度设置为0.01，构建LUT。

图6 LAI与红光反射率(A)、近红外反射率(B)、NDVI(C)的关系Fig.6 The relationship between LAI and red reflectance (A)，NIR reflectance (B)，NDVI (C)

同时将影像的红光、近红外波段反射率保留两位小数，使影像与LUT红光、近红外波段反射率形成对应关系。

3.4 玉米田LAI反演

利用建立的LUT对研究区WV- 3影像中玉米田的1 202 102个像元进行LAI反演，结果如图7所示，反演的LAI值分布在0.01～7.00，平均值为3.0，标准差0.57，90%以上的LAI反演值处于2.0～3.6。对于高分辨率遥感影像来说，本研究反演效果较好，同一地块内LAI反演结果较一致，仅存在极少量的异质性像元。黄河北侧玉米种植区LAI普遍高于黄河南侧，主要是因为黄河北侧的耕地靠近居民地，便于进行精细管理，而黄河南侧偏向粗放式农业，造成玉米长势较黄河北侧差。反演结果能完整地体现玉米田的生长状况，既能反映整个研究区内玉米种植区的一致性，又能反映不同长势地块LAI分布的差异性。

图7 LAI反演结果图Fig.7 LAI inversion results

3.5 精度验证

利用2017年6—7月定点观测的16组反射率和LAI实测数据对LUT反演方法进行精度评价，即将实测反射率作为LUT的输入项，进行LAI反演，将反演的LAI与实测LAI进行对比，如图8所示。结果表明，RMSE为0.47，R2为0.80，反演精度较高，说明针对玉米田建立的LUT较可靠，能满足LAI反演精度需求，可用来进行LAI反演。

玉米在抽穗期LAI变化值不大，故可使用2016年7月20日的3个实测样点数据进行基于单点[31]的LAI反演精度验证(表4)，RMSE=0.24，能满足一般的LAI反演精度需求。研究中的LAI反演误差来源可能有：LAI- 2000仪器测量误差[32]、GPS坐标定位误差、像元内部异质性等。结果表明，基于PROSAIL模型及缨帽三角- LAI等值线分布模式建立的查找表反演玉米冠层LAI的精度较高。

图8 基于观测数据的LUT精度验证Fig.8 Validation of LUT accuracy based on measured data

表4基于观测数据的反演精度验证

Table4Verification of retrieved accuracy based on measured data

项目Item样点1Samplepoint1样点2Samplepoint2样点3Samplepoint3平均值Mean标准差Standarddeviation实测LAIMeasuredLAI3.23.52.83.20.35反演LAIRetrievedLAI3.23.62.43.10.50

4 结论与讨论

本文运用PROSAIL模型对WV- 3遥感影像玉米田LAI进行反演，并使用实测LAI值对反演结果进行验证、分析，得出结论：

(1)结合实测数据确定PROSAIL模型的输入参数的取值范围，可减少查找表的冗余，能有效制定针对特定地物的查找表。

(2)在建立查找表前对PROSAIL模型中的参数进行敏感性分析，确定不同的参数设置方案，可提高查找表的准确性、可靠性与计算效率。

(3)利用WV- 3遥感影像对玉米田LAI反演的精度较高，可用于低空间分辨率LAI产品的真实性检验，本研究为高精度高分辨率遥感影像反演LAI提供了思路和方法。

(4)PROSAIL模型能有效地进行WV- 3遥感影像玉米田的LAI反演，说明该模型在进行高分辨率遥感影像LAI反演方面具有较强的适用性。

本文选用了11组观测数据进行参数率定，考虑到玉米品种、施肥等因素影响，数据量尚显不足，在未来研究中需要对训练数据集进行补充。但观测数据的采集时间跨度较大，增强了查找表的稳定性。本文对玉米拔节期至抽穗期LAI反演的结果进行了验证，该生长时期是玉米生长的重要环节，对于产量估算、病虫害分析方面具有重要意义，其他生长时期的数据可先不做考虑。针对不同的植被类型，PROSAIL模型参数的取值范围必然不同，其他植被类型的模型参数范围有待进一步探讨。随着高分辨率遥感技术的发展，如何更加有效、快速地利用高分辨率遥感影像进行LAI反演将是未来植被定量遥感的重要发展趋势。

[1] DUAN S B, LI Z L, WU H, et al. Inversion of the PROSAIL model to estimate leaf area index of maize, potato, and sunflower fields from unmanned aerial vehicle hyperspectral data[J].InternationalJournalofAppliedEarthObservation&Geoinformation, 2014, 26(2): 12-20.

[2] 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, 44(5): 827-834.

LIU X C，FAN W J，TIAN Q J，et al. Comparative analysis among different methods of leaf area index inversion[J].ActaScientiarumNaturaliumUniversitatisPekinensis，2008, 44(5): 827-834.(in Chinese with English abstract)

[3] GANGULY S, NEMANI R R, ZHANG G, et al. Generating global leaf area index from Landsat: Algorithm formulation and demonstration[J].RemoteSensingofEnvironment, 2012, 122(1): 185-202.

[4] HABOUDANE D, MILLER J R, PATTEY E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J].RemoteSensingofEnvironment, 2004, 90(3): 337-352.

[5] 谢巧云, 黄文江, 蔡淑红, 等. 冬小麦叶面积指数遥感反演方法比较研究[J]. 光谱学与光谱分析, 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 leaf area index[J].SpectroscopyandSpectralAnalysis，2014, 34(5): 1352-1356. (in Chinese with English abstract)

[6] 吴伟斌, 洪添胜, 王锡平, 等. 叶面积指数地面测量方法的研究进展[J]. 华中农业大学学报, 2007, 26(2): 270-275.

WU W B，HONG T S，WANG X P，et al. Advance in ground- based LAI measurement methods[J].JournalofHuazhongAgriculturalUniversity，2007, 26(2): 270-275. (in Chinese with English abstract)

[7] 周宇宇, 唐世浩, 朱启疆, 等. 长白山自然保护区叶面积指数测量及结果[J]. 资源科学, 2003, 25(6): 38-42.

ZHOU Y Y，TANG S H，ZHU Q J，et al. Measurement of LAI in Changbai Mountains nature reserve and its result[J].ResourcesScience，2003, 25(6): 38-42. (in Chinese with English abstract)

[8] 李淑敏, 李红, 孙丹峰, 等. PROSAIL冠层光谱模型遥感反演区域叶面积指数[J]. 光谱学与光谱分析, 2009, 29(10): 2725-2729.

LI S M，LI H，SUN D F，et al. Estimation of regional leaf area index by remote sensing inversion of PROSAIL canopy spectral model[J].SpectroscopyandSpectralAnalysis，2009, 29(10): 2725-2729. (in Chinese with English abstract)

[9] 高林, 杨贵军, 王宝山, 等. 基于无人机遥感影像的大豆叶面积指数反演研究[J]. 中国生态农业学报, 2015, 23(7): 868-876.

GAO L，YANG G J，WANG B S，et al. Soybean leaf area index retrieval with UAV (unmanned aerial vehicle)remote sensing imagery[J].ChineseJournalofEco-Agriculture，2015, 23(7): 868-876. (in Chinese with English abstract)

[10] 杨飞, 张柏, 宋开山, 等. 大豆叶面积指数的高光谱估算方法比较[J]. 光谱学与光谱分析, 2008, 28(12): 2951-2955.

YANG F，ZHANG B，SONG K S，et al. Comparison of methods for estimating soybean leaf area index[J].SpectroscopyandSpectralAnalysis，2008, 28(12): 2951-2955. (in Chinese with English abstract)

[11] 刘洋, 刘荣高, 陈镜明, 等. 叶面积指数遥感反演研究进展与展望[J]. 地球信息科学学报, 2013, 15(5): 734-743.

LIU Y，LIU R G，CHEN J M，et al. Current status and perspectives of leaf area index retrieval from optical remote sensing data[J].JournalofGeo-InformationScience，2013, 15(5): 734-743. (in Chinese with English abstract)

[12] 赵虹, 鲁蕾, 颉耀文. 基于PROSPECT+SAIL模型反演叶面积指数的较强适用性植被指数的筛选[J]. 兰州大学学报(自科版), 2014, 50(1): 89-94.

ZHAO H，LU L，XIE Y W. Screening a suitable vegetation index for retrieval of leaf area index based on PROSPECT+SAIL models[J].JournalofLanzhouUniversity(NaturalSciences)，2014,50(1): 89-94. (in Chinese with English abstract)

[13] 杨飞, 孙九林, 张柏, 等. 基于PROSAIL模型及TM与实测数据的MODISLAI精度评价[J]. 农业工程学报, 2010, 26(4): 192-197.

YANG F，SUN J L，ZHANG B，et al. Assessment of MODIS LAI product accuracy based on the PROSAIL model, TM and field measurements[J].TransactionsoftheCSAE，2010, 26(4): 192-197. (in Chinese with English abstract)

[14] KAUTH R J, THOMAS G S. The tasselet cap: A graphic description of the spectral- temporal development of agricultural crops as seen by LANDSAT [C]//Proceedings of the Symposium on Machine Processing of Remotely Sensed Data, Indiana,1976.

[15] YOSHIOKA H, MIURA T, HUETE A R, et al. Analysis of vegetation isolines in red- NIR reflectance space[J].RemoteSensingofEnvironment, 2000, 74(2): 313-326.

[16] JENSEN J R, LULLA D K. Introductory digital image processing: A remote sensing perspective[J].GeocartoInternational, 1987, 2(1): 65.

[17] 陈英, 王东, 王顺然. 黄土高原丘陵沟壑区高标准农田建设时序研究——以天水市麦积区为例[J]. 浙江农业学报, 2017, 29(4): 660-667.

CHEN Y，WANG D，WANG S R. Time arrangement of excellent- criterion farmland construction in loess hill and gully region:A case study of Maiji District， Tianshui City[J].ActaAgriculturaeZhejiangensis, 2017, 29(4): 660-667. (in Chinese with English abstract)

[18] 金慧然, 陶欣, 范闻捷, 等. 应用北京一号卫星数据监测高分辨率叶面积指数的空间分布[J]. 自然科学进展, 2007, 17(9): 1229-1234.

JIN H R，TAO X，FAN W J，et al. Application of Beijing No.1 satellite data to monitor the spatial distribution of high resolution leaf area index[J].ProgressinNaturalScience，2007, 17(9): 1229-1234. (in Chinese)

[19] 陈利, 林辉, 孙华, 等. 基于WorldView2影像杉木叶面积指数与植被指数相关性研究[J]. 中国农学通报, 2013, 29(1): 29-36.

CHEN L，LIN H，SUN H，et al. Leaf area index and vegetation index correlation of Cunninghamia based on the WorldView 2 images[J].ChineseAgriculturalScienceBulletin，2013, 29(1): 29-36. (in Chinese with English abstract)

[20] 孙斌, 李增元, 郭中, 等. 高分一号与Landsat TM数据估算稀疏植被信息对比[J]. 遥感信息, 2015(5): 48-56.

SUN B，LI Z Y，GUO Z，et al. Comparison of sparse vegetation information estimation based on GF- 1 and Landsat multi- spectral data[J].RemoteSensingInformation, 2015(5): 48-56. (in Chinese with English abstract)

[21] 朱云芳, 朱利, 李家国, 等. 基于GF- 1 WFV影像和BP神经网络的太湖叶绿素a反演[J]. 环境科学学报, 2017, 37(1): 130-137.

ZHU Y F，ZHU L，LI J G，et al. The study of inversion of chlorophyll a in Taihu based on GF- 1 WFV image and BP neural network[J].ActaScientiaeCircumstantiae, 2017, 37(1): 130-137. (in Chinese with English abstract)

[22] 王京卫, 郭秋英, 郑国强. 基于单张遥感影像的城市建筑物高度提取研究[J]. 测绘通报, 2012(4): 15-17.

WANG J W，GUO Q Y，ZHENG G Q. Research on urban building height extraction from single satellite image[J].BulletinofSurveyingandMapping，2012(4): 15-17. (in Chinese)

[23] 谷成燕, 杜华强, 周国模, 等. 基于PROSAIL辐射传输模型的毛竹林叶面积指数遥感反演[J]. 应用生态学报, 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].ChineseJournalofAppliedEcology，2013, 24(8): 2248-2256. (in Chinese with English abstract)

[24] JACQUEMOUD S, BARET F. PROSPECT: A model of leaf optical properties spectra[J].RemoteSensingofEnvironment, 1990, 34(2): 75-91.

[25] 肖艳芳, 周德民, 赵文吉. 辐射传输模型多尺度反演植被理化参数研究进展[J]. 生态学报, 2013, 33(11): 3291-3297.

XIAO Y F，ZHOU D M，ZHAO W J. Review of inversing biophysical and biochemical vegetation parameters in various spatial scales using radiative transfer models[J].ActaEcologicaSinica，2013, 33(11): 3291-3297. (in Chinese with English abstract)

[26] VERHOEF W. Light scattering by leaf layers with application to canopy reflectance modeling: The SAIL model[J].RemoteSensingofEnvironment, 1984, 16(2): 125-141.

[27] 徐雯靓, 王少军. PROSAIL模型模拟下的植被指数土壤调节能力比较与适用环境分析[J]. 遥感学报, 2014, 18(4): 826-842.

XU W L，WANG S J. Soil- adjusted power comparison and application conditions of vegetation indices based on PROSAIL model[J].JournalofRemoteSensing，2014, 18(4): 826-842. (in Chinese with English abstract)

[28] 王东伟, 孟宪智, 王锦地, 等. 叶面积指数遥感反演方法进展[J]. 五邑大学学报(自然科学版), 2009, 23(4): 47-52.

WANG D W，MENG X Z，WANG J D，et al. The development of leaf area index inversion from remote sensing[J].JournalofWuyiUniversity(NaturalScienceEdition)，2009, 23(4): 47-52. (in Chinese with English abstract)

[29] 王李娟, 牛铮. PROSAIL模型的参数敏感性研究[J]. 遥感技术与应用, 2014, 29(2): 219-223.

WANG L J，NIU Z. Sensitivity analysis of vegetation parameters based on PROSAIL model[J].RemoteSensingTechnologyandApplication，2014, 29(2): 219-223. (in Chinese with English abstract)

[30] 刘天凤. 基于PROSAIL模型的干旱半干旱地区LAI遥感反演建模 [D]. 兰州：兰州大学, 2015.

LIU T F. Remote sensing modeling of leaf area index in arid and semi- arid region based on PROSAIL model[D].Lanzhou: Lanzhou University，2015. (in Chinese with English abstract)

[31] 吴小丹, 闻建光, 肖青, 等. 关键陆表参数遥感产品真实性检验方法研究进展[J]. 遥感学报, 2015, 19(1): 75-92.

WU X D，WEN J G，XIAO Q，et al. Advances in validation methods for remote sensing products of land surface parameters[J].JournalofRemoteSensing，2015, 19(1): 75-92. (in Chinese with English abstract)

[32] 李宗南, 陈仲新, 王利民, 等. 2种植物冠层分析仪测量夏玉米LAI结果比较分析[J]. 中国农学通报, 2010, 26(7): 84-88.

LI Z N，CHEN Z X，WANG L M，et al. Evaluation on the measurement errors of summer maize LAI by two different plant canopy analysis[J].ChineseAgriculturalScienceBulletin，2010, 26(7): 84-88. (in Chinese with English abstract)