基于Sentinel-2多光谱数据的棉花叶面积指数估算

易秋香

基于Sentinel-2多光谱数据的棉花叶面积指数估算

易秋香

（1. 中国科学院新疆生态与地理研究所，荒漠与绿洲生态国家重点实验室，乌鲁木齐 830011；2. 新疆维吾尔自治区遥感与地理信息系统应用重点实验室，乌鲁木齐 830011；3. 中国科学院大学，北京 100049）

棉花叶面积指数（leaf are index, LAI）的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据，构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型，并采用留一验证（LOOCV, leave-one-out cross validation）和交叉验证对模型精度进行了检验。结果表明：1）对于单波段反射率，基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差（RMSE, root mean square error, RMSE=0.378）；2）对于各类植被指数，花蕾期（20170616）和花铃期（20170802）时增强植被指数（EVI, enhanced vegetation index,）表现最佳（RMSE分别为0.352和0.367），开花期（20180623）时校正土壤调节植被指数（MSAVI2, modified soil adjusted vegetation index 2,）估算精度最高（RMSE=0.323）；3）单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算，其中基于IRECI指数的（inverted red-edge chlorophyll index）全发育期LAI估算模型精度最佳，LOOCV检验RMSE=0.425，交叉检验RMSE=0.368；将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比，发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07，反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择，完善了Sentinel-2卫星数据在LAI估算中的应用领域。

作物；遥感；模型；Sentinel-2多光谱卫星；棉花；叶面积指数；植被指数

0 引 言

叶面积指数LAI（leaf area index）最早由Watson[1]提出，定义为单位土地面积绿色叶片的单面面积总和。叶面积指数是蒸散发、光能利用率、产量估算及作物发育期诊断、地球化学元素循环等研究中的重要参数[2]，它影响叶片及冠层的诸多过程[3-5]，如冠层叶绿素含量、光合速率、碳、氮循环以及作物鲜、干生物量、作物发育期等。对于农作物及森林等叶面积指数的遥感监测已有大量研究[6-7]。但这些研究中提出的各类算法面对不断更新改进的新的遥感数据，其应用精度仍需进行讨论验证[6,8]。

过去的几十年，随着遥感技术的飞速发展，很多新型的中分辨率对地观测卫星也已投入了研究应用，如2013年2月11日发射的Lsandsat-8卫星，以及由欧空局于2015年6月23日发射的Sentinel-2A和2017年3月7日发射的Sentinel-2B多光谱遥感卫星。相比Landsat-8卫星数据，Sentinel-2多光谱遥感卫星从705 ~ 865 nm特有3个红边参数波段，空间分辨率20 m，同时具有空间分辨率为10 m的3个可见光波段以及1个近红外波段，以及空间分辨率为60和20 m的近红外和短波红外波段等，共计13个波段，并且随着Sentinel-2A和Sentinel-2B双轨卫星的同时运行，Sentinel-2多光谱卫星的时间分辨率缩短至5 d，这为遥感卫星数据在农业遥感中的应用提供了更多的可能性。

Sentinel-2数据可正式获取应用前，已有很多研究通过模拟Sentinel-2卫星数据探讨了其在农业[9-13]以及森林生态[14]中的应用，证实了红边参数波段的有效性，并且Frampton等[11]基于模拟的Sentinel-2数据提出了用于估算作物叶绿素和叶面积指数LAI的IRECI（inverted red edge chlorophyll index）和S2REP（Sentinel-2 red-edge position）红边参数植被指数。在Sentinel-2数据可下载获取后，其逐渐在作物分类及面积提取[15]、生物量估算[16]、作物叶绿素[17]以及水分信息遥感监测[18]等领域展开了应用。其中，利用Sentinel-2多光谱卫星数据进行叶面积监测也有相关研究，主要包括Korhonen等[19]开展的森林叶面积指数估算、Clevers等[17]基于Sentinel-2数据的土豆叶面积指数及叶绿素含量监测以及苏伟等[20]利用Sentinel-2数据进行的玉米叶面积指数估算。这些研究所构建的基于Sentinel-2的估算模型，证实了Sentinel-2多光谱数据用于LAI估算的可行性，但研究中所构建的LAI估算模型均是针对特定研究区域、研究对象的经验模型，无法直接用于棉花LAI估算。对于Sentinel-2数据用于棉花LAI的估算还有待探讨。

目前Sentinel-2多光谱数据用于棉花LAI遥感监测还未有相关研究。已有的棉花叶面积指数的遥感监测研究所采用的数据源多是地面高光谱数据，如早期由石河子大学柏军华[21-22]、王登伟等[23]开展的基于高光谱数据的棉花叶面积指数反演以及近期马文君[24]、张卓然[25]的棉花生理生化参数高光谱反演模型研究。航空及航天遥感数据方面，柏军华等[21]利用Landsat5数据提取的NDVI、PVI以及EVI植被指数对石河子地区148团场的棉花叶面积指数进行了反演，田明璐等[26]利用低空无人机成像光谱影像获取的植被指数进行了棉花叶面积指数空间分布制图。同样，这些研究中，不论是利用地面高光谱数据还是航空航天数据，所构建的LAI估算模型大多是经验模型，无法直接套用在新的数据源上。

本研究拟通过大面积田间实测LAI和Sentinel-2多光谱卫星数据，构建基于Sentinel-2多光谱卫星的单波段反射率以及多种植被指数的棉花LAI估算模型，在精度检

验的基础上，对比不同输入变量对不同发育期以及全生育期棉花LAI的估算精度，研究结果将进一步丰富棉花LAI估算方法，提高估算精度。

1 材料与方法

1.1 研究区概况

利用2018年6月23日的Sentinel-2多光谱影像数据的B4，B3和B2波段的真彩色合成影像图反映研究区样点分布，如图1。研究区位于新疆维吾尔自治区北部石河子垦区，地处天山北麓中段，古尔班通古特大沙漠南缘，地理坐标位于84°58'～86°24'E，43°26'～45°20'N。在研究区内，依据棉花种植面积，选取面积超过50 hm2的棉花种植区作为样点，共选取了4个样点地进行观测点布设。为了丰富观测样本取值范围，选取的LAI观测样点中包含了不同品种（新陆早61、棉74和棉64）、不同播种日期（2017年4月20日、23日及25日）的田块，依据样点面积大小在每个样点布设8～15个不等的观测点。

注：P1-P4为观测样点

1.2 棉花LAI测定

分别于2017年6月14日棉花花蕾期（16个样点）、8月3日花铃期（26个样点）以及2018年6月21日开花期（28个样点）进行了棉花LAI实地测定。LAI实地测定利用LAI-2000冠层分析仪进行。3次观测共计获取有效样本数70个，LAI取值最大值6.67，最小值1.44，平均值4.13，标准差1.41。

1.3 Sentinel-2遥感影像

通过欧洲航空局的数据共享网站( https://scihub. copernicus.eu/dhus/#/home)下载获取与地面观测时间同步的Sentinel-2多光谱卫星的Level-1C级影像数据，成像时间分别为2017年6月16日、2017年8月2日以及2018年6月23日。所有遥感影像数据均为已经过辐射校正和几何校正处理的Level-1C大气上层表观反射率。本研究采用SNAP-Sen2Cor软件对影像数据进行大气校正，并通过最近邻插值法，将大气校正后的各波段重采样至10 m后用于研究区各观测点反射率提取及植被指数计算。Sentinel-2多光谱数据不同波段中心波段分布及空间分辨率信息见表1。

1.4 植被指数

Sentinel-2多光谱卫星在可见光及近红外波段的分布，可实现多种植被指数的计算。本研究除了探讨Sentinel-2多光谱卫星的单波段反射率用于LAI估算的潜力外，还通过计算获取了LAI估算研究中的各类植被指数，包括土壤校正型植被指数，如SAVI，MSAVI等；大气校正型植被指数，如EVI，GARI等；红边参数植被指数，如S2REP，REIP，IRECI等；叶绿素含量植被指数，如PSSRa，MCARI等；以及传统的近红外植被指数，如NDVI，GNDVI，DVI，RVI等，共计17个植被指数。各类植被指数基于Sentinel-2数据各波段的计算公式见表2。

表1 Sentinel-2数据主参数

表2 所采用植被指数及基于Sentinel-2数据的计算方法

1.5 模型估算精度评价指标

采用决定系数R，均方根误差RMSE（root mean square error ），平均偏差，以及实测值与估算值拟合趋势线的斜率（）和截距（）进行模型精度检验。其中，RMSE数值直接体现模型估算误差的多少，其单位与实测值单位相同；平均偏差是用百分比来表示总体的估算值偏离实测平均值的程度，其值为正值时，总体上高估，为负值时，总体上低估；决定系数2、斜率和截距主要体现估算值和实测值之间变化趋势的吻合程度，决定系数2值介于0~1之间，2接近1，斜率（）接近1，截距（）接近0时，估算值与实测值吻合最佳。各指标的计算公式如下：

2 结果与分析

2.1 Sentinel-2多光谱卫星反射率特征

对Sentinel-2多光谱卫星各波段反射率在不同发育期以及不同LAI值时的变化特征进行分析，如图2所示。图2b中LAI值选取本研究中LAI最大值（LAI=6.67）、最小值（LAI=1.44）以及接近平均值的样本所对应的Sentienl-2多光谱反射率进行对比。从图2a可见，随着棉花从花蕾期（20170616）到开花期（20180623）到花铃期（20170802）的发育进程，Sentinel-2多光谱卫星可见光波段（B1～B4，443 nm～665 nm）反射率逐渐减小，红边参数波段（B5～B7，705 nm～783 nm）及近红外波段（B8～B8a，842 nm～865 nm）反射率逐渐增大。图2b，不同LAI取值的Sentinel-2多光谱卫星反射率与不同发育期光谱反射率变化呈现相同规律，随着LAI值从1.44增大至6.67，可见光波段反射率减小，红边参数波段及近红外波段反射率增大，由此可得出，LAI与可见光波段反射率变化呈负相关关系，与红边参数波段及近红外波段反射率呈正相关关系。

图2 不同观测时期以及不同LAI值Sentinel-2反射率特征

2.2 Sentinel-2单波段反射率及植被指数与LAI相关关系分析

各变量包括Sentinel-2多光谱数据的单波段反射率以及各类植被指数与棉花不同发育期LAI相关关系分析见表3。

表3 Sentinel-2单波段反射率及植被指数与实测LAI相关关系

注：*表示相关系数显著性水平为0.001 (160.0010.708;=26,0.001=0.588;=28,0.001=0.57;=70,0.001=0.38)。

Note: * represents significant level at 0.001 (160.0010.708;=26,0.001= 0.588;=28,0.001=0.57;=70,0.001=0.38).

对比各类光谱变量在不同发育期的表现可发现，相比于棉花花蕾期（20170616）以及花铃期（2070802），开花期（20180623）时各类变量与LAI相关性最好，这一时期的Sentinel-2多光谱卫星的单波段反射率以及各类植被指数（除S2REP、REIP和MTCI）与LAI的相关性均达到0.001极显著相关水平。这可能是由于棉花花蕾期时，冠层还未封闭，Sentinel-2多光谱反射率中还包含有土壤光谱信息，而棉花花铃期时，虽然叶面积指数达到最大，此时叶片色素含量降低以及棉桃形成对光谱信息产生影响，进而导致这2个时期的很多变量与LAI的相关关系未能达到极显著相关。进一步分析发现，对于单波段反射率，红边参数波段B6、B7以及近红外波段B8和B8a与LAI相关性均达到0.001极显著水平，并且3个发育时期均是中心波长为842 nm波宽为145 nm的B8波段表现最佳，这与已有研究证实的LAI估算的敏感波段主要集中在红边参数波段及近红外波段并且与这些波段的反射率呈极显著线性相关关系的结论一致[42]。对比各类植被指数的表现，EVI在花蕾期及花铃期均表现最佳，与LAI呈0.001极显著正相关关系，对于开花期MSAVI2表现最佳，总生育期，红边参数植被指数IRECI与LAI相关性最好，具有最大的相关系数。各单波段反射率以及各类植被指数，与总样本LAI相关性，均达到极显著相关。总发育期表现优于单个发育期，主要与总样本分析中，LAI的取值分布相比单个发育期的LAI取值更为宽泛，涵盖范围更大有关，同时，对于S2REP和REIP这两类随发育期变化而变化的红边参数指标指数，也具有了更多的取值分布，因此与LAI的相关性会明显优于在单个发育期时表现。此外，观察NDVI的表现，可发现NDVI在花蕾期、开花期以及总发育期时与LAI相关性均达到0.001极显著相关，但随着棉花LAI增大到花铃期达到最大时，NDVI与LAI的相关系数降低未能达到极显著相关，这很大原因是由于NDVI随着LAI值增大，会达到饱和从而对LAI值变化的敏感性降低。

2.3 LAI遥感反演模型构建

通过前文的相关性分析，挑选出与单个发育期LAI及总发育期LAI均达到0.001极显著相关水平的光谱变量，将这些光谱变量作为自变量（），LAI作为因变量（），进行进一步建模对比分析。建模过程中，对比了线性、一元二次以及指数等模型的决定系数，发现线性模型总体上决定系数最大，并且模型结构最为简单，在此只列出基于各变量的LAI线性估算模型表达式及其决定系数2，如表4。

表4 基于单波段反射率及植被指数的LAI估算模型

注：为光谱变量，为叶面积指数LAI。

Note:is spectral variable,is leaf area index (LAI).

从表4可见，各种类型的植被指数均有与LAI相关性达到0.001极显著代表性植被指数，如常规植被指数中，有DVI，土壤背景校正型植被指数中有MSAVI2，大气校正型植被指数有EVI，红边参数植被指数有IRECI指数，并且总体上，基于植被指数的LAI估算模型的决定系数都略高于基于单波段反射率的LAI估算模型。对比不同发育期表现最佳的LAI估算模型的输入变量，发现对于单波段反射率，基于近红外B8波段的LAI估算模型在不同发育期，相比其他单波段反射率，均具有最大决定系数；对于植被指数变量，在棉花花蕾期及花铃期均是EVI指数表现最佳，在开花期，MSAVI2表现最佳；总体模型中，单波段反射率B8a和IRECI植被指数具有最大判定系数。IRECI指数与LAI的极显著相关关系与提出该指数的研究结论一致[11]。分析IRECI指数所包含的各波段位置（表2）可发现，该指数包含了Sentinel-2的2个分别位于705 nm和740 nm的红边参数波段（B5和B6），以及位于植被光谱反射率最大的近红外783 nm处的B7波段和反射率最小的红光区域665 nm处的B6波段，利用近红外B7波段减去红光B6波段的处理削弱了LAI值较大时红光区域饱和的影响，同时通过相除的运算强化了2个红边参数与LAI的相关性。

2.4 模型精度检验及对比

对表4中，不同发育期及总发育期LAI估算模型中决定系数最佳的模型进行进一步精度检验。精度检验采用留一验证（LOOCV, leave-one-out-cross-validation）和交叉验证2种方式展开。留一验证是将样本数个样本作为训练样本，剩余的一个样本作为检验样本，并运行次，寻求最小验证误差，该方法可充分利用测定数据，尤为适用于样本数据较少的情况。该方法也应用在棉花色素估算的研究中[43]，关于该方法的详细介绍可参考Shao[44]，不再赘述。本研究中基于留一验证构建的线性模型自变量与表4中决定系数最佳的模型的自变量相同，因变量为LAI，利用MatlabR2012b中的程序代码实现。交叉检验针对总样本展开，表4中的总发育期LAI估算模型是基于总样本的2/3（46个样本）构建的，将剩余的1/3（24个样本）用于对该模型进行交叉检验，此外，同时利用各单个发育期时的样本对基于总样本构建的LAI估算模型进行交叉检验，探讨该模型的普适性。各精度检验指标的自检验及交叉检验结果见表5。

表5 模型精度检验结果

从表5可见，LOOCV精度检验结果中，不论对于单个发育期还是总发育期，基于植被指数变量的LAI估算模型相比基于单波段反射率的LAI估算模型，具有更大的决定系数，更小的RMSE和Bias值；同时可见，总发育期LAI估算模型，相比单个发育期，估算精度更高，其中基于红边叶绿素指数（IRECI）的LAI估算模型具有最大的决定系数0.908，最小平均Bias值0.001%，并且由其得到的LAI估算值与实测值之间的斜率为0.908，最接近1，说明估算值与实测值之间的拟合较好；进一步将基于IRECI的总发育期LAI估算模型应用各单个发育期LAI估算，各发育期交叉验证RMSE与各单个发育期基于植被指数的LAI估算模型LOOCV验证RMSE相比，平均值略高出0.07；对总发育期LAI估算模型采用交叉验证时，各精度检验指标优于其LOOCV检验，具有更大的2=0.951，以及更接近1的斜率=0.945，该结论更好地说明了总发育期LAI估算模型的普适性。

2.5 模型应用及制图

通过上述分析，基于Sentinel-2多光谱遥感数据的B8单波段反射率及EVI和MSAVI2植被指数对棉花不同发育期LAI估算精度最高，总生育期的IRECI植被指数具有最好的反演精度，因此利用这些模型进行棉花不同发育期LAI遥感制图，形成研究区LAI空间分布图，如图3。由图清晰可见，总体上，各类模型均能反映出不同时段研究区LAI的主要取值分布，在6月中旬研究区的LAI取值分布主要在2.5左右（图3a, b, c），至6月下旬大部分地区LAI取值介于2.5～4.0之间（图3d, e, f），到8月初研究区大部分地区LAI取值大于4.0，有小部分地区LAI达到7.0左右（图3g, h, i）；对比不同估算参数的表现，相对于B8单波段反射率及全生育期的IRECI指数，EVI植被指数可更清晰地区分植被区域和非植被区域的LAI取值，这一点反映了EVI植被指数用于LAI空间监测的优势。

图3 基于Sentinel-2数据的LAI遥感反演制图

3 结 论

本研究利用Sentinel-2多光谱遥感卫星数据及棉花实测LAI数据探讨了Sentinel-2多光谱卫星数据用于棉花LAI估算的特点和精度。主要得到以下结论：

1）对于Sentinel-2各单波段反射率，基于B8近红外波段（842 nm）的线性模型对LAI估算精度最高。通过分析Sentinel-2各单波段反射率及各类植被指数与LAI的相关关系发现，Sentinel-2多光谱卫星的2个红边参数波段（B6和B7）及近红外波段（B8和B8a）与不同发育期LAI的相关性均达到0.001的极显著相关水平，相关系数均大于0.7，并且不同发育期的最佳LAI估算模型均基于近红外B8波段，LOOCV检验的决定系数R均大于0.564。

2）基于Sentinel-2卫星各波段构建的植被指数中，大气校正指数EVI、土壤背景校正指数MSAVI2及红边参数植被指数IRECI构建的LAI估算模型表现最佳。基于Sentinel-2波段的各类指数与LAI的相关分析结果表明，植被指数尤其是大气校正指数EVI、土壤背景校正指数MSAVI2及红边参数植被指数IRECI对LAI的估算精度最高，均达到极显著相关；其中由IRECI构建的总发育期LAI线性估算模型表现最佳，相关系数为0.953，由其构建的总LAI估算模型的LOOCV检验以及交叉检验的决定系数R及预测值与实测值之间拟合的斜率均大于0.9，说明LAI估算值与实测值拟合较好。

3）鉴于该研究中实测数据覆盖3个不同发育期，对于下一步工作，一方面需要进一步细化棉花不同发育期叶面积指数监测模型，另一方面，可以考虑在对基于全发育期数据的LAI估算模型普适性验证的基础上，将该估算模型进一步应用于与LAI直接相关的管理参数的估算中，如与LAI密切相关的棉花长势监测、棉花施肥用量监测等领域。

[1] Watson D J. Comparative physiological studies in the growth of field crops I. variation in net assimilation rate and leaf area between species and varieties, and within and between years[J]. Annals of Botany, 1947, 11(1): 41－76.

[2] Aparicio N, Villegas D, Araus J L, et al. Relationship between growth traits and spectral vegetation indices in durum wheat[J]. Crop Science, 2002, 42(5): 1547－1555.

[3] Baret F, Jacquemoud S, Guyot G, et al. Modeled analysis of the biophysical nature of spectral shifts and comparison with information-content of broad bands[J]. Remote Sensing of Environment, 1992, 41(2): 133－142.

[4] Clevers J G P W, De Jong S M, Epema G F, et al. MERIS and the red-edge position[J]. International Journal of Applied Earth Observation and Geoinformation, 2001, 3(4): 313－320.

[5] Ye X J, Sakai K, Okamoto H, et al. A ground-based hyperspectral imaging system for characterizing vegetation spectral features[J]. Computers and Electronics in Agriculture, 2008, 63(1): 13－21.

[6] Gitelson A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation[J]. Journal of Plant Physiology, 2004, 161(2): 165－173.

[7] Zarco-Tejada P J, Ustin S L, Whiting M L. Temporal and spatial relationships between within-field yield variability in cotton and high-spatial hyperspectral remote sensing imagery[J]. Agronomy Journal, 2005, 97(3): 641－653.

[8] Delegido J, Fernandez G, Gandia S, et al. Retrieval of chlorophyll content and LAI of crops using hyperspectral techniques: application to PROBA/CHRIS data[J]. International Journal of Remote Sensing, 2008, 29(24): 7107－7127.

[9] Delegido J, Verrelst J, Alonso L, et al. Evaluation of sentinel-2 red-edge bands for empirical estimation of green LAI and chlorophyll content[J]. Sensors, 2011, 11(7): 7063－7081.

[10] Clevers J G P W, Gitelson A A. Remote sensing of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and -3[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23: 344－351.

[11] Frampton W J, Dash J, Watmough G, et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82: 83－92.

[12] Verrelst J, Rivera J P, Veroustraete F, et al. Experimental sentinel-2 LAI estimation using parametric, non-parametric and physical retrieval methods – a comparison[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108: 260－272.

[13] Sibanda M, Mutanga O, Rouget M. Examining the potential of Sentinel-2 MSI spectral resolution in quantifying above ground biomass across different fertilizer treatments[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 110: 55－65.

[14] Majasalmi T, Rautiainen M. The potential of Sentinel-2 data for estimating biophysical variables in a boreal forest: a simulation study[J]. Remote Sensing Letters, 2016, 7(5): 427－436.

[15] 朱琳. 基于Sentinel多源遥感数据的作物分类及种植面积提取研究[D]. 杨凌: 西北农林科技大学, 2018. Zhu Lin. Study on Crop Classification and Area Extraction Based on Multi-source Remote Sensing Data of Sentinel[D]. Yangling: Northwest A&F University, 2018. (in Chinese with English abstract)

[16] 郑阳, 吴炳芳, 张淼. Sentinel-2数据的冬小麦地上干生物量估算及评价[J]. 遥感学报, 2017, 21(2): 318 – 328. Zheng Yang, Wu Bingfang, Zhang Miao. Estimaing the above ground biomass of winter wheat using the Sentinel-2 data[J]. Journal of Remote Sensing, 2017, 21(2): 318－328. (in Chinese with English abstract).

[17] Clevers J G P W, Kooistra L, Brande van den M M. Using Sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop[J]. Remote Sensing, 2017, 9(405): 1－15.

[18] Rozenstein O, Haymann N, Kaplan G, et al. Estimating cotton water consumption using a time series of Sentinel-2 imagery[J]. Agricultural Water Management, 2018, 207: 44－52.

[19] Korhonen L, Hadi P P, Rautiainen M. Comparison of Sentinel-2 and Landsat 8 in the estimation of boreal forest canopy cover and leaf area index[J]. Remote Sensing of Environment, 2017, 195: 259－274.

[20] 苏伟, 侯宁, 李琪, 等. 基于 Sentinel-2 遥感影像的玉米冠层叶面积指数反演[J]. 农业机械学报, 2018, 49(1): 151－156. Su Wei, Hou Ning, Li Qi, et al. Retriving leaf area index of corn canopy based on Sentinel-2 remote sensing image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(1): 151－156. (in Chinese with English abstract).

[21] 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, 40(1): 63 – 69. Bai Junhua, Li Shaokun, Wang Keru, et al. The response of canopy reflectance spectrum for the cotton LAI and LAI inversion[J]. Scientia Agricultura Sinica, 2007, 40(1): 63－69. (in Chinese with English abstract)

[22] 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, 2005. Bai Junhua. Field Remote Sensing Model Research in Cotton Yield Based on LAI[D]. Shihezi: Shihezi University, 2005. (in Chinese with English abstract)

[23] 王登伟, 黄春燕, 马勤建, 等. 棉花高光谱植被指数与LAI和地上鲜生物量的相关分析[J].中国农学通报, 2008, 24(3): 426－429. Wang Dengwei, Huang Chunyan, Ma Qinjian, et al. Relationships analysis between cotton leaf area index, aboveground fresh biomass and hyperspectral vegetation indices[J]. Chinese Agricultural Science Bulletin, 2008, 24(3): 426－429. (in Chinese with English abstract)

[24] 马文君. 棉花生理生化参数高光谱反演模型研究[D]. 杨凌: 西北农林科技大学, 2016. Ma Wenjun. Study on Hyperspectral Estimation Models for Cotton Physiological and Biochemical Parameters [D]. Yangling: Northwest A&F University, 2016. (in Chinese with English abstract)

[25] 张卓然. 棉花高光谱特征及其农学参数遥感反演研究[D]. 杨凌: 西北农林科技大学, 2018. Zhang Zhuoran. Cotton Hyperspectral Characteristic and Hyperspectral Estimation of Its Agricultural Parameters[D]. Yangling: Northwest A&F University, 2018. (in Chinese with English abstract)

[26] 田明璐, 班松涛, 常庆瑞, 等. 基于低空无人机成像光谱仪影像估算棉花叶面积指数[J].农业工程学报, 2016, 32(21): 102－108. Tian Minglu, Ban Songtao, Chang Qinrui, et al. Use of hyperspectral images from UAV-based imaging spectroradiometer to estimate cotton leaf area index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 102－108. (in Chinese with English abstract)

[27] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127－150.

[28] Jordan C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663－666.

[29] Pearson R L, Miller L D. Remote mapping of standing crop biomass for estimation of the productivity of the short grass prairie[C]. Proc. 8th Int. Symp. Remote Sens. Environ. Ann Arbor, Michigan USA, 1972, 3: 1355.

[30] Crippen R E. Calculating the vegetation index faster[J]. Remote Sensing of Environment, 1990, 34(1): 71－73.

[31] Clevers J G P W. The application of a weighted infrared-red vegetation index for estimating leaf Area index by correcting for soil moisture[J]. Remote Sensing of Environment, 1989, 29(1): 25－37.

[32] Deering D W, Rouse Jr J W, Hass R H, et al. Measuring forage production of grazing units from Landsat MSS data[C]. Proc. Tenth Int. Symp. Remote Sens. Environ. Ann Arbor, Michigan USA, 1975, 22: 1169 －1178.

[33] Gitelson A A, Merzlyak M N. Remote sensing of chlorophyll concentration in higher plant leaves[J]. Advances in Space Research, 1998, 22(5): 689－692.

[34] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295 – 309.

[35] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119－126.

[36] Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1/2):195－213.

[37] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289－298.

[38] Guyot G, Baret F, Major D. High spectral resolution: determination of spectral shifts between the red and the near infrared[C]. Proc. 16th Int. Congress Photogramm. Remote Sens. Kyoto, Japan, 1988.

[39] Dash J, Curran P J. Evaluation of the MERIS terrestrial chlorophyll index (MTCI)[J]. Advances in Space Research, 2007, 39(1): 100－104.

[40] Blackburn G A. Quantifying chlorophylls and caroteniods at leaf and canopy scales: an evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment, 1998, 66(3): 273 – 285.

[41] Daughtry C, Walthall C, Kim M, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment, 2000, 74(2): 229－239.

[42] Herrmann I, Pimstein A, Karnieli A, et al. LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands[J]. Remote Sensing of Environment, 2011, 115(8): 2141－2151.

[43] Yi Q X, Jiapaer G L, Chen J M, et al. Different units of measurement of carotenoids estimation in cotton using hyperspectral indices and partial least square regression[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 91: 72－74.

[44] Shao J. Linear model selection by cross-validation[J]. Journal of the American statistical Association, 1993, 88(422): 486－494.

Remote estimation of cotton LAI using Sentinel-2 multispectral data

Yi Qiuxiang

(1.,,,830011,; 2.,830011,3.,100049,)

Rapid and accurate LAI (Leaf Area Index) acquisition is of great significance for remote sensing monitoring of cotton growth, diagnosis of growth stage, extraction of cotton plant area and yield estimation. The present research discussed the characteristics of Sentinel-2 multi-spectral satellite data for remote estimation of cotton LAI. Measured LAI from filed experiments and Sentinel-2 data in 2017 and 2018 were obtained, and LAI estimation model for different and for all growth stages were established basing on single spectral band reflectance on Sentinel-2 and various vegetation index from Sentinel-2 bands. The estimation accuracy of the established LAI models were validated by coefficient of determination (2), RMSE (root mean square error), mean bias, and slope and intercept, using LOOCV (Leave-One-Out-Cross Validation) method and cross validation, respectively. The results showed that: 1) for the single-band reflectance of sentinel-2 multi-spectral satellite data, two red-edge bands of B6 and B7, and two near-infrared bands of B8 and B8a, were all significantly (<0.001) correlated to LAI at all three tested growth stages, i.e. bud stage (16-Jun-2017), and flowering stage (23-Jun-2018), and boll stage (2-Aug-2017), with correlation coefficient greater than 0.7. And when the correlation between LAI and band reflectance were performed using data consist of three growth stages, the correlation coefficient for all tested bands reach significant level (<0.001), and the maximum correlation coefficient was 0.943 of near-infrared narrow band B8a, which center at 865 nm with a wave width of 32 nm. The accuracy of LAI estimation at different development stages was optimized using the near-infrared band B8 which with a central wavelength of 842 nm and a wave width of 145 nm, with all RMSE smaller than 0.465. 2) for seventeen LAI related vegetation indices, including EVI (Enhanced Vegetation Index), MSAVI2 (Modified Soil Adjusted Vegetation Index 2), IRECI (Inverted Red-Edge Chlorophyll Index), etc., most of them were significantly (<0.001) correlated with LAI, especially atmospheric correction index EVI, soil adjusted index MSAVI2, and red-edge index IRECI, and the coefficient of correlation were over 0.8. EVI provided the best result for LAI estimation at bud stage and boll stage, and at flowering stage it consists by MASVI2, with bud stage RMSE=0.352, and boll stageRMSE=0.367 and flowering stage RMSE=0.323, respectively. 3) LAI estimation models for whole growth stages performed better than these for one single growth stage. And the best LAI estimation models for whole growth period using single spectral band reflectance and vegetation index were respectively obtained by near-infrared narrow band B8a and IRECI, with IRECI performed slightly better, which with2=0.908 and RMSE=0.425 for LOOCV, and2=0.951 and RMSE=0.368 for cross validation. Additionally, when apply IRECI-LAI estimation model for whole growth stages on one single growth stage LAI estimation, the accuracy comparison between the IRECI-LAI model and single growth stage LAI models showed that the average cross validation RMSE was only 0.07 greater than the average LOOCV RMSE, indicating the good universality of LAI estimation model for whole growth stages.

crops; remote sensing; models; Sentinel-2 data; cotton; leaf area index (LAI); vegetation index

2019-02-18

2019-06-14

国家自然科学基金（41571428，41871328）

易秋香，副研究员，主要研究方向为定量遥感，农业遥感。Email：yiqx@ms.xjb.ac.cn

10.11975/j.issn.1002-6819.2019.16.021

P237.9

A

1002-6819(2019)-16-0189-09

易秋香. 基于Sentinel-2多光谱数据的棉花叶面积指数估算[J]. 农业工程学报，2019，35(16)：189－197. doi：10.11975/j.issn.1002-6819.2019.16.021 http://www.tcsae.org

Yi Qiuxiang. Remote estimation of cotton LAI using Sentinel-2 multispectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(16): 189－197. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.16.021 http://www.tcsae.org