EN中文

Journal of Geo-information Science >

2014 , Vol. 16 >Issue 4: 645 - 652

DOI: https://doi.org/10.3724/SP.J.1047.2014.00645

Orginal Article

Comparison of Different Methods for Retrieving Acacia Rachii Leaf Area Index Based on HJ-1A CCD1 Imagery

  • LIU Yuqin , 1, 2 ,
  • MENG Qingyan , 2, 3* ,
  • SHA Jinming 1 ,
  • SHI Feng 1 ,
  • LIU Miao 2 ,
  • WANG Chunmei 2
Expand
  • 1. Colledge of Geography, Fujian Normal University, Fuzhou 350007, China
  • 2. Institute of Remote Sensing and Digital Earth, CAS, Beijing 100101, China
  • 3. The Center for National Spaceborne Demonstration, CNSA, Beijing 100101, China
*Corresponding author: MENG Qingyan, E-mail:

Received date: 2013-07-25

  Request revised date: 2013-09-14

  Online published: 2014-07-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

With Acacia Rachii (Acacia confusa) grown in coastal region in Fuzhou as research object, and based on HJ-1A CCD1 imagery which was acquired from China Center for Resource Satellite Data and Applications, the Acacia Rachii LAI was monitored in field using LAI-2000 canopy analysis system, and two kinds of universal LAI inversion methods through regression analysis method and radiative transfer model PROSAIL model separately were introduced and used in this study. The simulation precisions for different models were analyzed and evaluated through comparing the simulated LAI and measured LAI. Further, we compared the research output with those of previous researchers. The results showed that: (1) Compared with the three vegetation indices (NDVI, EVI and OSAVI), HJVI vegetation index performed best in Acacia Rachii LAI inversion among all of the vegetation indices with R2=0.7344 and RMSE=0.1421, which introduced blue band and green band in order to weaken the effects of atmosphere and soil; (2) The optimal inversion models of the above four vegetation indices all were non-linear models, and the optimal regression model for Acacia Rachii LAI inversion based on vegetation indices was the power regression model of HJVI, indicating that there existed non-linear relationships between Acacia Rachii LAI and vegetation indices; (3) There had obvious improvement in the precision of LAI inversion through PROSAIL model compared with regression analysis method based on vegetation indices with R2=0.7903 and RMSE=0.1303, which indicated that PROSAIL model could better estimate Acacia Rachii LAI than regression analysis method to some extent. Therefore, radiative transfer model such as PROSAIL used to construct the inversion model is feasible. It could reflect ground condition better and possesses higher application value and broad application prospect.

Key words： Acacia Rachii; regression analysis; PROSAIL model; inversion accuracy; LAI

Cite this article

LIU Yuqin , MENG Qingyan , SHA Jinming , SHI Feng , LIU Miao , WANG Chunmei . Comparison of Different Methods for Retrieving Acacia Rachii Leaf Area Index Based on HJ-1A CCD1 Imagery[J]. Journal of Geo-information Science, 2014 , 16(4) : 645 -652 . DOI: 10.3724/SP.J.1047.2014.00645

1 引言

叶面积指数(Leaf Area Index)是陆地表面生态系统中的一个重要结构参数,它控制着植被的许多生物物理过程,如光合、呼吸、蒸腾、循环和降水截获等[1-3],LAI在碳循环能量守恒、生态演变过程及环境影响评价研究中有其重要地位[4]。传统的LAI地面测量获得信息有限,效率低、成本高,卫星遥感的快速发展为实现大区域LAI的高效、快速监测提供了有效途径。
目前,应用定量遥感估算叶面积指数有2类方法：(1)植被指数的回归分析法。该类方法简单,但拟合方程的回归系数依赖于特定的实验区影像和植被类型,且其对大气条件、植被类型、土壤背景、观测几何等的敏感性不同。如陈雪洋[5]等研究认为,在山东禹城地区比值植被指数RVI最适合于冬小麦LAI建立对数模型进行反演。尹芳[6]等研究认为用改良型土壤调整植被指数MSAVI进行草地叶面积指数反演效果最佳。陈鹏飞[7]等研究认为,在呼伦贝尔草原增强型植被指数EVI反演草地叶面积指数的效果最好。(2)光学模型方法反演LAI,包括几何光学模型、辐射传输模型和混合模型。辐射传输模型方法通过模拟土壤-叶片-冠层之间的辐射传输过程,结合土壤背景反射率数据、观测几何条件参数和叶片的生化组分等参数反向运行模型,用于叶面积指数反演,但方法的缺陷是反演具有不确定性[8]。如李淑敏[9]等探讨PROSAIL辐射传输模型反演冬小麦叶面积指数的可行性,并与植被指数法反演结果进行对比分析,表明PROSAIL模型反演LAI更具真实性。Darvishzadeh[10]等分析和评价PROSAIL辐射传输模型法与植被指数法在反演Mediterranean草原叶面积指数的精度,结果表明,PROSAIL模型反演精度较高。
台湾相思树是荒山造林的先锋树种,也是防护林、水土保持林的主要树种,但利用遥感数据反演台湾相思树LAI的研究相对较少[11-14]。因此,本文以环境卫星数据对台湾相思树进行LAI反演,构建台湾相思树LAI最优反演模型,并将反演结果与前人研究成果进行对比,以便为叶面积指数反演的深入研究提供参考。

2 研究区与数据

本文选取福建省福州市长安山公园(25°15′~26°39′N, 118°08′~120°37′E)为研究区,其位于福州市闽江下游地带,属于亚热带季风气候,地貌类型为典型的河口盆地,城区位于盆地中央,盆地四周被群山峻岭所环绕,海拔600~1000 m之间,年平均气温约20 ℃,年平均降雨量900~2000 mm,年平均相对湿度77%,境内植被覆盖率较高。长安山上自然状态下生长的双子叶植物台湾相思树枝繁叶茂,林下以杂草和裸露的土壤为主。
本文使用的影像数据为HJ-1A CCD1数据,影像获取时间为2012年10月20日,轨道号为451/84。成像时观测几何参数为：研究区中心观测天顶角为24°,观测方位角为79°,太阳天顶角为44°,太阳方位角为325°。
研究区影像的辐射校正是利用影像头文件的定标系数将获取得到的CCD影像从DN值转化为辐亮度值,根据影像头文件信息建立光谱吸收特征库,然后输入地理位置、大气模式和气溶胶模式等参数来进行处理。影像大气校正采用FLAASH模型对辐亮度数据进行处理,从而得到研究区CCD影像的地表反射率值。
为了减小地表不均质对观测结果的影响,LAI实测数据获取的样区尽量设置在地势平坦、空间分布均匀的位置,选择相思树长势均匀的19个试验点进行地面数据采集,样地大小为30 m×30 m(其与环境卫星数据的分辨率匹配,不低于一个像元),以保证像元的纯净性,在每个样地内均匀选择3个实测点进行观测。台湾相思树LAI的测定是采用美国LI-COR公司生产的LAI-2000植被冠层分析仪进行。所有叶面积指数测量时间选择在当日6:30- 9:00或16:30-19:00,尽量避免因太阳光线直射所引起的误差。LAI-2000冠层分析仪设置1个天空光,6个测试目标值探头佩戴45°张角的CAP。每个样区测试3个数据,取其平均值作为一个样本的结果。采用便携式GPS对每个样区的中心位置进行定位,便于实测点与遥感影像精确匹配。

3 相思树的LAI反演

相思树LAI反演的流程如图1所示。
Fig.1 The technical route

图1 技术路线

3.1 回归分析法

回归分析法是遥感反演地表参数的基本方法之一,它通过建立LAI与光谱数据或由光谱数据计算得到的光谱指数之间的统计关系来反演LAI。本文选择归一化植被指数NDVI[15]、优化土壤调节指数OSAVI[16]、增强型植被指数EVI[17]和环境植被指数HJVI[18] 4个较为常用的植被指数反演LAI,以探讨回归分析法估算叶面积指数的可行性。其中,NDVI是反演植被生理参数最常用的植被指数,而OSAVI、EVI和HJVI则考虑了土壤、环境背景等影响因子后所构建的植被指数。根据GPS记录的研究区实测点的位置获取影像上对应的植被指数值,并将其与实测台湾相思树叶面积指数进行回归分析。在构建估算相思树LAI模型时,分别采用线性模型、对数模型、指数模型和幂函数模型进行估算,最后选取最优模型为最终反演模型。

3.2 PROSAIL模型法

3.2.1 PROSAIL模型
PROSAIL模型是目前发展相对成熟的物理模型,它由PROSPECT叶片光学特性模型[19]和SAIL冠层辐射传输模型[20]耦合而成。PROSPECT模型输出的叶片反射率和透射率作为SAIL模型的输入参数。耦合的PROSAIL模型可用于模拟在不同观测条件和生化水平下的不同植被的冠层光谱反射率。PROSAIL模型一般是针对连续植被建立的光谱模型,研究区台湾相思树属于比较典型的连续植被,因此,适合使用PROSAIL模型对其进行LAI反演,模型输入参数如表1所示。
Tab.1 Input parameters of PROSAIL model

表1 PROSAIL模型的输入参数

模型 参数 变量符号 单位
PROSPECT


叶片内部结构参数 N --
叶绿素ab含量 Cab μg/cm2
类胡萝卜素含量 Car μg/cm2
叶片等效水厚度 Cw cm
叶片干物质含量 Cm g/cm2
棕色荧光成分含量 Cbrown --
SAIL






 叶面积指数 LAI --
叶倾角分布函数 LIDF --
热点参数 SL --
土壤光谱反射率 ρS --
散射在总入射辐射中的比例 SKYL --
太阳天顶角 θS °
观测天顶角 θV °
太阳-观测相对方位角 φSV °
3.2.2 模型敏感性分析
模型使用前,需通过对模型生理生化参数的敏感性分析,确定对冠层光谱反射率影响较为敏感的参数。对于不敏感参数则直接根据实际测量数据的平均值选择固定值,对于敏感参数则根据实测数据的水平波动设置步长和变化范围。本研究通过变动不同生化参量值来研究相思树生化参量在各个波段的敏感性,即每次变动一个参量,而其他量保持在一个固定值,最终研究了叶绿素含量(Cab)、叶片内部结构参数(N)、干物质含量(Cm)及等效水厚度(Cw)等对光谱的响应情况。本文的敏感性可以描述为某一模型参量,在 X 0 参考点处,以 ΔX 为步长变化的过程中对模型结果影响的程度。定义敏感性S的计算公式为：
s = r ( X 0 + ΔX ) - r ( X 0 ) 2 / ΔX (1)
式(1)中, r ( X 0 ) 为某一参量参考点 X 0 处的冠层反射率矢量。计算PROSAIL模型每个参量的敏感性时,对于该参量在 X 0 参考点处,以 ΔX 为步长变化,其他参量固定在 X 0 处。
3.2.3 查找表法
LAI反演方法通常有查找表法、迭代法和人工神经网络方法3种。查找表法是利用植被冠层辐射传输模型结合输入变量,多次循环执行程序模拟计算冠层反射并根据输入变量和计算的反射率组织一个表数据文件[21]。首先,利用PROSAIL模型建立了基于叶面积指数、叶倾角、叶绿素含量等不同组合的数据查找表。然后,根据大气校正后的CCD影像上的反射率,在查找表中查找对应的冠层反射率。其中以代价函数最小时对应的LAI为该像元模拟的LAI。选择CCD的第1、2、3、4波段作为输入变量,代价函数 COST 的计算公式为：
COST = ∑ j = 1 n ( | ρ mod j - ρ CCD j | ) (2)
式(2)中, ρ mod j 表示波长j对应的模拟冠层反射率值; ρ CCD j 表示波长j对应的实测冠层反射率值。

3.3 对比分析方法

本文对4个不同植被指数构建的回归模型反演进行对比,确定最优植被指数;并采用最优植被指数法和PROSAIL模型法分别构建相思树LAI反演模型,将2种模型反演的相思树LAI与地面实测LAI进行拟合,采用确定性系数平方和标准误差对模型进行精度检验,对比两类方法的反演精度,最终选择出最优反演模型。

4 遥感反演结果与分析

4.1 基于回归模型的相思树LAI反演

为综合比较4种植被指数构建的回归模型估算相思树LAI的效果,将4种植被指数与相思树实测LAI进行拟合,不同类型的回归模型对反演结果精度存在差异,这里以回归确定性系数R2和标准误差SD作为评价指标,选取拟合度较高、相对误差较小的反演模型作为最终估算模型。表2显示了各植被指数与叶面积指数间的回归分析结果,图2表明了4种植被指数构建的最优反演模型均为非线性模型,其主要原因是相思树LAI与植被指数之间呈非线性变化。植被指数在LAI较小时对植被敏感度较低,植被指数没能反映出LAI变化,随着相思树的生长,植被指数对植被敏感度升高,LAI大于3时,LAI随着植被指数升高呈正相关变化较为明显。4种拟合模型反映相思树LAI与植被指数之间的变化关系总体上较弱,构建的相思树LAI反演模型精度较差,回归确定性系数在0.32-0.65之间,标准误差在0.0166-0.0326之间,其中以HJVI反演LAI的拟合度相对较高,误差较小。这表明,经改进的植被指数由于综合考虑土壤和大气环境背景等因素的影响,其对叶面积指数变化更为敏感,建立的回归模型精度略高。本研究将以该植被指数建立的反演模型与物理模型PROSAIL建立的估算LAI模型进行反演精度比较。
Tab.2 Regression results between vegetation indices and LAI

表2 植被指数与叶面积指数间回归模型

植被指数 关系模型 R2 SD
NDVI

 y = 8.252x-2.0143 0.3129 0.0465
y = 0.5983e2.6479x 0.3169 0.0326
y = 5.1686ln(x) + 5.5747 0.3125 0.0665
y = 6.832x1.6585 0.3165 0.0403
EVI


 y = 9.5691x + 0.3531 0.5711 0.0182
y = 1.2827e3.0607x 0.5747 0.0193
y = 2.9318ln(x) + 6.7621 0.5911 0.1745
y = 9.9656x0.9379 0.5951 0.0167
OSAVI


 y = 9.2555x-0.7694 0.4734 0.0281
y = 0.8936e2.9662x 0.4783 0.0244
y = 3.9867ln(x) + 6.5795 0.4775 0.1180
y = 9.4198x1.2778 0.4826 0.0220
HJVI

 y = 9.1546x + 0.347 0.6231 0.0181
y = 1.2779e2.934x 0.6296 0.0192
y = 2.9303ln(x) + 6.6249 0.6481 0.1741
y = 9.5567x0.9391 0.6548 0.0166
Fig.2 Regression models between vegetation indices and LAI

图2 各种植被指数拟合的叶面积指数LAI回归模型

4.2 基于PROSAIL模型的相思树LAI反演

4.2.1 PROSAIL模型敏感性分析
通过对PROSAIL模型中各个参数敏感度的计算与分析发现(图3),叶绿素含量对冠层光谱的影响主要发生在可见光区和红边区,近红外及以后叶绿素含量的变化对冠层光谱几乎没有影响;等效水厚度对冠层可见光波段的反射率没有影响;干物质量对冠层光谱可见光波段反射率基本上没有影响,对近红外波段之后的光谱均有影响,尤其对近红外波段的影响最为明显;叶面积指数和叶片结构参数则在整个太阳光谱反射范围内均改变冠层的反射率。
Fig.3 Sensitivity analysis of PROSAIL parameters

图3 PROSAIL模型各生化参数敏感性

4.2.2 查找表的建立
根据对PROSAIL模型的参数敏感性分析发现,在可见光区域对冠层光谱影响比较明显的有叶绿素含量、叶面积指数和叶片结构参数,其他参数均不影响。叶片结构参数N根据经验值取1.4[21],叶片等效水厚度和干物质量根据实测数据平均值分别取为0.015和0.007。而模型参数中太阳天顶角、观测天顶角、相对方位角根据CCD影像获取时的观测信息确定,同时热点参数根据经验值取0.01。因此,影响冠层光谱反射率的变动参数包括叶面积指数、平均叶倾角和叶绿素含量。将各个参数的变动值和固定值代入到PROSAIL模型中来模拟冠层光谱反射率,建立冠层LAI查找表。
4.2.3 相思树的LAI反演
将研究区实测生化参数信息和历史参考值作为PROSAIL模型的输入参数,计算得到研究区植被冠层反射值,根据代价函数将模型获取植被冠层反射率值与遥感影像的植被冠层反射率值一一对应,通过查找表方法反演出相思树的叶面积指数LAI。

4.3 相思树LAI反演精度对比

建立LAI估算模型时往往会出现“过度拟合”现象。已有的验证表明,由中高分辨率影像反演的LAI误差在25%~50%之间,这是一个很大的误差区间[22]。为了比较上述2种方法预测LAI的适应性和精确度,通过实测数据对反演结果进行验证是很有必要的。为了检验上述得到的相思树LAI估算模型的可靠性,本文利用全部样本数据对所建立的相思树LAI估算模型进行精度测试。这里采用常用的回归确定性系数R2和标准误差SD对模型模拟值和实测值二者之间的符合度进行了统计检验。图4结果显示,实测值与拟合值之间的斜率分别为0.9601和1.0422,HJVI指数模型的拟合确定系数为0.7344,标准误差为0.1421,而PROSAIL模型拟合的确定性系数为0.7903,标准误差为0.1303。仅从验证的结果看,这2种方法都能较好地进行模拟,模拟误差均较小。但物理模型PROSAIL模型反演相思树LAI的精度相对较高,说明物理模型PROSAIL通过模拟土壤-叶片-冠层之间的辐射传输过程,反演相思树LAI的结果表达LAI空间分布情况具有一定代表性。
Fig.4 Correlation between LAI inversion value and the measurement

图4 研究区相思树叶面积指数预测模型检验

结合前人研究结果(表3)表明,基于环境植被指数HJVI的植被指数法反演台湾相思树叶面积指数与本文其他植被指数相比效果最优(R2=0.6548,SD=0.0166)。这与陈雪洋、夏天[23]等研究结果存在不一致性,这也说明植被指数法不具普适性,其依赖于特定的实验区和植被类型,并受土壤、大气等因素的影响,不同植被或作物类反演方法不一致,需根据实际情况建立植被指数反演LAI模型。其次,本研究反演台湾相思树LAI的最优植被指数模型为幂函数模型,这与张瀛、赵虎[24]、张竞成[25]等构建的最优植被指数回归模型有所差异,表明植被指数构建的最优LAI反演模型具有不确定性。最后,本研究结果表明,PROSAIL模型反演LAI较植被指数法更具真实性和普适性,这与前人的研究普遍一致,但这并不表明PROSAIL模型法一定具有较高反演精度[26],其也存在一定的局限性,如PROSAIL模型反演LAI的过程需野外实测生化参数等信息,而这些信息难以获取,并且本身带有一定误差,同时,其还受查找表精度等因素的影响。
Tab.3 The achievements of previous LAI inversion studies

表3 叶面积指数反演前人研究成果

作者 遥感数据源 最优指数 最优模型 算法类别 地物类型
陈雪洋 环境星CCD RVI 对数模型 回归分析法 冬小麦
陈鹏飞 环境星CCD EVI 一元一次模型 回归分析法 草地
尹芳 HSI高光谱 MSAVI 幂函数模型 回归分析法 草地
张竞成 环境星CCD、TM GNDVI、BNDVI 指数模型 回归分析法 水稻
赵虎 环境星CCD EVI、SAVI 对数模型、一元一次模型 回归分析法 冬小麦
张瀛 环境星CCD HJVI 多项式模型 回归分析法 冬小麦
夏天 冬小麦冠层光谱 NDVI 幂函数模型 回归分析法 冬小麦
李淑敏 MODIS、ASTER PROSAIL模型 PROSAIL模型、回归分析法 冬小麦
Roshanak Hyperspectral Imagery PROSAIL模型 PROSAIL模型、回归分析法 草地

5 结论

(1)回归分析法利用4种植被指数反演相思树LAI,由于环境植被指数HJVI引入了能在一定程度上削弱大气和土壤背景等因素干扰的蓝、绿波段,综合考虑了土壤和大气周围环境等因素的影响,提高了对叶面积指数的敏感性,其反演精度最高;
(2)回归分析法反演叶面积指数的经验模型一般为非线性模型,说明相思树LAI与植被指数之间呈非线性变化。利用回归分析法建立样点反射率数据与LAI之间关系应用到遥感数据时,实测值与模拟值相关性较物理模型差,在一定程度上说明经验统计模型应用的不稳定性;
(3)PROSAIL辐射传输模型反演叶面积指数的过程因多个难以获取的输入参数变得较为复杂,查找表建立等使得计算量大,但由于较回归分析法考虑了内在机理,模拟值和实测值线性相关显著,表明辐射传输模型反演结果能够表达相思树叶面积指数的空间分布情况,其反演精度普遍更优;
(4)植被指数法不具普适性,不同植被或作物类型叶面积指数反演选取的最优植被指数不同。而PROSAIL辐射传输模型法虽然不依赖于研究区和周围地表环境的变化,但其反演叶面积指数的精度受到模型模拟精度、实测数据采集精度等因素的影响,这有待于进一步研究和提高。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Chen J M, Cihlar J.Retrieving leaf area index of boreal conifer forests using Landsat TM images[J]. Remote Sensing of Environment, 1996,55(2):153-162.

[2]
Bonan G B.Land-atmosphere interactions for climate system models: Coupling biophysical, biogeochemical and ecosystem dynamical processes[J]. Remote Sensing of Environment, 1995,51:57-73.

[3]
宋开山,张柏,王宗明,等.基于人工神经网络的大豆叶面积高光谱反演研究[J].中国农业科学,2006,39(6):1138-1145.

[4]
Li X J, Meng Q Y, Gu X F, et al.A hybrid method combining pixel-based and object-oriented methods and its application in Hungary using Chinese HJ-1 satellite images[J]. International Journal of Remote Sensing, 2013,34(13):4655-4668.

[5]
陈雪洋,蒙继华,杜鑫,等.基于环境星CCD数据的冬小麦叶面积指数遥感监测模型研究[J]. 国土资源遥感,2010,2(84):55-62.

[6]
尹芳,江东,刘磊.基于环境星HSI影像的草地叶面积指数反演[J]. 遥感技术与应用,2011,26(3):360-364.

[7]
陈鹏飞,孙九林,苗茹.基于环境减灾卫星遥感信息估测呼伦贝尔草原叶面积指数[J].河南大学学报(自然科学版),2012,42(5):554-562.

[8]
Maire G, Marsden C, Verhoef W, et al.Leaf area index estimation with MODIS reflectance time series and model inversion during full rotations of Eucalyptus plantations[J]. Remote Sensing of Environment, 2011,115(2):586-599.

[9]
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.

[10]
Darvishzadeh R, Atzberger C, Skidmore A, et al.Mapping grassland leaf area index with airborne hyperspectral imagery: A comparison study of statistical approaches and inversion of radiative transfer models[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(6):894-906.

[11]
Liu J L, Pattey E, Jego G.Assessment of vegetation indices for regional crop green LAI estimation from Landsat images over multiple growing seasons[J]. Remote Sensing of Environment, 2012(123):347-358.

[12]
Zhao D H, Yang T W, An S Q.Effects of crop residue cover resulting from tillage practices on LAI estimation of wheat canopies using remote sensing[J]. International Journal of Applied Earth Observation and Geoinformation, 2012,14(1):169-177.

[13]
孙源,顾行发,余涛,等.基于HJ-1A CCD数据的辐射传输模型反演叶面积指数研究[J].安徽农业科学,2011,39(8):5012-5015.

[14]
Darvishzadeh R, Skidmore A, Atzberger C.Estimation of vegetation LAI from hyperspectral reflectance data: Effects of soil type and plant architecture[J]. International Journal of Applied Earth Observation and Geoinformation, 2008,10(3):385-373.

[15]
Pearson R L, Miller L D.Remote mapping of standing crop biomass for estimation of the productivity of the short-grass prairie[J]. Proceedings of the Eighth International Symposium on Remote Sensing of Environment, 1972,2:1357-1381.

[16]
Rondeaux G, Steven M, Baret F.Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996,55(2):95-107.

[17]
Liu H Q, Huete A R.A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J]. IEEE Trans. on Geoscience and Remote Sensing, 1995,33(2):457-465.

[18]
张瀛,孟庆岩,武佳丽,等.基于环境星CCD数据的环境植被指数及叶面积指数反演研究[J].光谱学与光谱分析,2011,31(10):2789-2793.

[19]
Jacquemoud S, Baret F.Prospect: A model of leaf optical properties spectra[J]. Remote Sensing of Environment, 1990(34):75-91.

[20]
Verhoef W.Light scattering by leaf layers with application to canopy reflectance modeling: The SAIL model[J]. Remote Sensing of Environment, 1984(16):125-141.

[21]
石锋. 基于HJ-1B星影像和PROSAIL模型相思树LAI反演[D].福州:福建师范大学,2011.

[22]
张瀛. 基于环境星CCD数据的新型植被指数及叶面积指数反演研究[D].北京:中国科学院研究生院,2011.

[23]
夏天,吴文斌,周清波,等.冬小麦叶面积指数高光谱遥感反演方法对比[J].农业工程学报,2013,29(3):139-147.

[24]
赵虎,裴志远,马尚杰,等.利用HJ-1-A/B CCD2数据反演冬小麦叶面积指数[J].农业工程学报,2012,28(10):172-176.

[25]
张竞成,顾晓鹤,王纪华,等.基于HJ-CCD与TM影像的水稻LAI估测一致性分析[J].农业工程学报,2010,26(7):186-193.

[26]
Yang F, Sun J L, Fang H L, et al.Comparison of different methods for corn LAI estimation over northeastern China[J]. International Journal of Applied Earth Observation and Geoinformation,2012,18:462-471.

Options
Outlines

/

〈 〉