辐射传输模型多尺度反演植被理化参数研究进展

肖艳芳，周德民，赵文吉

(首都师范大学三维信息获取与应用教育部重点实验室，北京 100048)

植被为包括人类在内的几乎所有生物的生存提供物质和能量来源，是生态系统中最重要的组成成分之一。许多有关植物物质能量交换的生态过程如光合作用、蒸腾作用、呼吸作用、初级生产力和分解作用等都与植被的理化参数密切相关。例如叶绿素是植被光合作用的必要元素，是监测植被营养胁迫、叶片氮素缺乏、病虫害以及估算农作物产量的重要指示剂［1］。植物含水量是植被干旱监测和森林火灾预警的一个不可或缺的指标［2］。氮素是植物生长最重要的营养元素，与植物的净光合速率以及呼吸作用、初级生产力等具有很强的关系［3］。

遥感技术是在一系列空间和时间尺度上监测地球生物圈和植被动态变化的十分有效的工具。定量估测植被的生理生化参数，是遥感技术成功地应用于植被信息管理的关键因素。相对于费时、费力且难以大面积开展的传统植被理化参数测量方法，遥感技术能够方便快速地获取连续空间上的地物光谱信息。尤其是近年来高光谱成像技术的快速发展，使得通过遥感技术定量反演植被理化参数成为研究的热点。

辐射传输模型基于数学、物理学、生物学的基本理论，通过模拟光在植被内部的辐射传输过程与作用机制，来获取植被生化参数及植被结构等信息。相对于缺乏明确物理意义的经验/半经验方法，辐射传输模型在反演植被理化参数方面表现出更强的稳定性和可移植性。由于研究对象的空间尺度变化大，不同尺度下影响植被辐射传输过程的因素不尽相同，因此针对研究对象的不同，国内外的研究者在不同尺度上建立了描述植被与电磁波辐射之间相互作用的数学物理模型。本文在总结国内外研究者大量工作的基础上，分别介绍叶片尺度、冠层尺度和像元尺度下几种典型的辐射传输模型，阐述基于辐射传输模型反演植被理化参数的尺度研究进展，分析目前理化参数遥感反演所面临的主要问题和发展前景。

1 不同尺度下的植被辐射传输模型

1.1 叶片尺度

1990年Jacquemoud［4］基于Allen平板模型发展起来的PROSPECT模型是应用最多的叶片辐射传输模型。该模型假设叶片由N层同性质的平板组成，由N-1层空气隔开，光线的非漫射特性只存在于最顶层。模型需要输入两类参数:叶片结构参数N和叶片的生化参数含量，包括色素含量，等效水厚度，干物质含量等。模型前向运算可以得到叶片400—2500 nm的半球反射率和透射率，反演则可以估算叶片的生化参数含量。PROSPECT模型建立后，不断有学者对其进行改进，1997年Baret和Fourty简化了PROSPECT模型，用干物质含量代替蛋白质、纤维素和木质素等的含量［5］。Bousquet等描述了叶片方向性反射的物理属性，将叶片表面引起的镜面反射引入模型中［6］;Feret等改进的PROSPECT5模型成功地将叶绿素和类胡萝卜素含量分开反演［7］;Pedrós等基于PROSPECT模型估算了叶绿素a的荧光［8］。PROSPECT模型比较准确地模拟了光在叶片内的辐射传输过程，许多研究者利用不同类型的叶片对PROSECT模型的性能进行检验，证明该模型是目前最好的叶片辐射模型之一。施润和等基于PROSPECT模型模拟大量不同生化参数含量和叶片结构的叶片光谱，研究了利用高光谱指数定量反演叶绿素含量的可行性和精度［9］。

除PROSPECT模型外，Ganapol等在随机模型的基础上提出LEAFMOD叶片辐射传输模型，该模型假设叶片均匀充满散射和吸收光线的生化物质，给定叶子的厚度和叶片的吸收和散射系数等光学特性即可估算叶子的反射和透射［10］。1998年Dawson针对针叶没有明显的栅栏组织，且大部分细胞为球形细胞，提出LIBERTY模型，用来模拟针叶簇叶或单叶的光谱特性［11］。LIBERTY模型需要的输入参数有6个，分别为平均细胞直径、表征细胞内上行辐射分量的细胞间隙、基吸收、白化吸收(去掉水分叶绿素的吸收，相当于木质素的吸收)、针叶厚度、生化组分含量(叶绿素、水分、蛋白质、木质素和叶绿素)。

1.2 冠层尺度

SAIL模型是最早的冠层模型之一，该模型是由Verhoef于1984年在对Suits模型进行改进的基础上提出的四流辐射传输模型［12］，在模型中冠层被假设为平面平行的无限延展介质，冠层的结构由叶面积指数和叶倾角分布确定。在叶片方位角分布均匀的假设下，考虑任意的叶片倾角，利用叶倾角分布函数为权重计算任意叶倾角分布的吸收和散射系数，冠层的二向反射率作为观测角度的函数。归纳起来，SAIL模型所需要输入的参数主要包括3部分:叶片反射率和透射率、描述冠层结构的参数以及观测和太阳的几何位置。

SAIL模型提出后，许多研究者对SAIL进行不断的改进和完善，Kussk将叶片尺寸与冠层高度的比值作为热点加入SAIL模型中，改进后的模型称为SAILH模型［13］;Verhoef和Weiss分别提出GeoSAIL和2M-SAIL模型，用来描述垂直分布的非均质冠层［14-15］。需要注意的是要区分GeoSAIL模型与GeoSail模型的不同，国内许多研究者将两者混淆，GeoSAIL模型可以看作是一个双层的SAIL模型，同时模型还包含了一个描述土壤反射率的子模型，用于模拟土壤湿度对冠层反射率的影响;GeoSail模型则是2001年由Huemmrich［16］提出的用于描述不连续冠层反射率的模型，是几何光学模型Jasinski模型［17］与辐射传输模型SAIL模型的结合，模型将冠层假设为大小相同的圆柱体或圆锥体，由SAIL模型分别模拟光照冠层、光照背景和阴影三部分的反射率。近几年对SAIL模型的改进仍然很活跃，2007年Verhoef提出鲁棒性更强，计算速度更加优化的4SAIL模型［18］;Verhoef和Bach对GeoSAIL模型进行扩展，考虑了冠层聚集度，提出4SAIL2模型［19］。

SAIL模型主要适用于可以假设为水平均匀的浓密冠层，如封陇后的农作物冠层和连续分布的森林冠层等。离散的森林冠层表现出不同形状的非均质结构，利用辐射传输模型模拟冠层反射率时需要考虑更多的冠层结构因素。因此除SAIL系列模型之外，研究者还发展了许多其他的冠层辐射传输模型，如FCR模型［20］、NADIM 模型［21］、MCRM 模型［22］以及 4 个专门针对不连续森林冠层的辐射模型 DART 模型［23］、SPRINT 模型［24］、FLIM模型［25］和FLIGHT模型［26］。表1给出了常用冠层辐射传输模型的输入参数。

在没有多角度观测数据的条件下，单独利用冠层模型无法反演得到叶片的理化参数含量。为了实现这一反演目的，需要将冠层模型与叶片模型进行耦合。1992年Baret首次将SAILH模型与PROSPECT模型结合，提出PROSAIL模型，考虑土壤背景对辐射传输过程的影响，将Hapke土壤反射率模型也耦合到叶片-冠层模型中［27］。近年来，研究者提出利用耦合的大气辐射传输模型模拟冠层的大气层外多角度表观辐射［19］。除PROSAIL模型外，研究者尝试将不同的叶片模型与不同的冠层辐射传输模型相结合。例如，PROSPECT模型与GeoSail、GeoSAIL、2M-SAIL、4SAIL、4SAIL2模型耦合描述植被冠层中的某些非均质特性;PROSPECT模型与DART、SPRINT、FLIM、FLIGHT模型耦合来模拟不连续的森林冠层;其他叶片模型如 LEAFMOD和LIBERTY也用来与冠层辐射传输模型进行耦合［28-34］。但总的来说，PROSAIL叶片-冠层模型的应用最为广泛。

表1 常用冠层辐射传输模型的输入参数Table 1 The input parameters of several canopy radiative transfer models

1.3 像元尺度

植被的理化参数是定量描述区域或全球范围内物质循环和能量流动过程模型的重要参量。目前大区域范围的高光谱影像不易获取，中低分辨率的遥感数据仍然是区域或全球尺度上反演植被理化参数的重要数据源。由于中低分辨率遥感数据的空间结构信息不够详细，在其像元尺度上无法辨别单个的冠层，植被理化参数的反演尺度由冠层上升到像元尺度。近年来，一些研究者尝试使用中低分辨率的多分辨率影像如SPOT、MODIS、MERIS等估测大区域乃至全球范围的植被生理生化参数［35-42］。Zarco-Tejada首先利用叶片-冠层的辐射传输模型模拟的等效MODIS反射率光谱分析冠层结构、观测几何等在估测叶片含水量中的影响，最后利用同步的MODIS数据反演得到叶片含水量并与实测值比较［43］。Houborge将叶片模型PROSPECT、冠层模型ACRM和大气校正模型6SV1进行耦合，基于多步查找表法，从SPOT影像中估测叶片的叶绿素含量和LAI［39］。le Maire结合叶片模型PORSECT4、冠层模型4SAIL2和土壤模型SOILSPECT，利用MODIS时间序列反射率影像估测轮作作物的叶面积指数LAI［44］。

2 尺度变化下植被理化参数反演面临的问题

2.1 模型参数敏感性的变化

随着反演尺度的变化，不断有新的模型耦合到叶片-冠层辐射传输模型中，不同尺度下植被反射率对植被理化参数变化的敏感度是否具有“尺度效应”，其敏感度随尺度是如何变化的?这是在不同尺度下利用辐射传输模型反演植被理化参数所必须要解决的首要问题。在PROSPECT叶片模型中，叶片结构参数N是反演叶片生化参数的最大误差所在。Jacquemoud和施润和的研究结果都表明N的变化会影响400—2500 nm全波段的光谱特性［4，45］，这种影响在很大程度上干扰了生化参数含量变化引起的叶片反射率或透射率的变化。当尺度扩展到冠层时，以PROSAIL叶片-冠层辐射传输模型为例，叶片结构参数N对模拟的冠层反射率的影响变得非常小。目前，虽然一部分研究者对植被辐射传输模型参数的敏感性进行了分析，例如，Bacour定量计算了PROSAIL中所有冠层参数变化对冠层反射率的影响，在可见光波段，叶绿素对冠层反射率的贡献达到60%，而近红外波段，平均叶倾角和叶面积指数是影响冠层反射率的主要因素［46］。但是这些研究大多集中在叶片-冠层尺度。对于近几年提出的叶片-冠层-大气辐射传输模型中参数敏感性变化的研究，以及对于某一参数敏感性随尺度的变化特征的研究很少见于文献中。

2.2 像元尺度下混合像元的影响

从冠层尺度扩展到遥感影像像元尺度的难点是混合像元的问题。在冠层尺度上，辐射传输模型的提出大多是基于纯净、覆盖均一的冠层，而在像元尺度上，由于遥感数据空间分辨率的限制，使得遥感影像中存在着大量的混合像元。对于连续、均匀分布的植被，混合像元不会对理化参数反演结果造成较大的影响，但是对于离散、稀疏的植被，混合像元的影响就不容忽视。朱小华研究表明地表景观结构的空间异质性是造成多尺度LAI反演误差的关键因素［47］。尤其是中国，由于田块破碎程度较高，混合像元在中低分辨率遥感影像中所占的比例很高，混合像元问题是利用中低分辨率卫星遥感数据反演植被理化参数含量所必须要克服的难题。目前应用遥感影像反演植被理化参数的研究中使用的辐射传输模型大多是冠层尺度上的模型，几乎没有考虑混合像元的影响。虽然在一些模型中考虑了土壤背景对冠层反射率的影响，但是需要注意的是模型中所提到的土壤背景的影响是指植被冠层覆盖范围内的土壤反射率由于叶片之间的缝隙而到达传感器干扰了冠层反射率，而并非冠层覆盖范围以外的背景。

2.3 不同尺度下反演模型的选择

由于陆地表面的复杂性，人们在某一尺度上根据观测到的性质总结出的原理或规律，在另一尺度上可能仍然有效，可能需要修正，也可能完全不适用。对于植被来说，这种尺度效应更加明显。例如当影像的分辨率小于植株时，将植株描述为平面平行的无限延伸介质就无法正确地描述光的辐射传输过程，此时SAIL模型的有效性就值得商榷;相反，如果影像的分辨率无法分辨出单个的冠层，一些专门针对不连续森林设计的辐射传输模型可能就不再适用，在这一分辨率下，将像元看作水平均一的介质，利用SAIL模型反演像元尺度上理化参数含量的精度或许更高。然而就目前国内外的研究来看，不同类型的植被在不同分辨率下如何选择合适的辐射传输模型的相关研究还非常少。

3 总结与展望

植被理化参数遥感反演经历了从叶片尺度到冠层尺度再到像元尺度的发展过程，基于数学、物理学以及生物学理论建立的植被辐射传输模型，以其较强的稳定性和可移植性，在植被理化参数的遥感反演中发挥了非常重要的作用。随着尺度的不断上升，基于辐射传输模型反演植被理化参数面临着诸如参数敏感性和不确定性的变化，混合像元对反演结果的影响，以及不同尺度下模型的选择等问题，这些问题是实现适时、准确、大范围和多尺度监测植被理化参数含量空间分布变化所必须要解决的难题，也是今后在基于辐射传输模型反演植被理化参数方面有待深入研究的问题:

(1)利用全局的敏感性分析方法定量分析不同尺度下模型参数敏感性的变化，对不同尺度下重要参数的确定以及先验知识的选取都具有重要的作用。目前这方面的研究主要集中在某一个尺度上，对于参数敏感性随尺度的变化特征的研究很少见于文献中。

(2)混合像元对像元尺度上监测植被理化参数的影响。混合像元如何影响理化参数的反演结果以及这种影响的大小;混合像元分解技术能否有效地解决混合像元对理化参数反演结果的影响等都是需要深入研究的问题。

(3)各种辐射传输模型在不同尺度上有效性的比较。在大区域监测尺度上，中低分辨率的遥感影像仍然是植被理化参数反演的主要数据源。与高分辨率的高光谱数据相比，中低分辨率的遥感数据识别地物异质性的能力较差，此时在冠层尺度上建立起来的适用于高光谱数据的辐射传输模型能否具有相似的反演效果。

随着研究的不断深入和遥感技术的快速发展，尤其是将来具有高空间分辨率的高光谱遥感卫星升空后，植被理化参数反演发展过程中的一些难题将得到解决，而多模型以及多种遥感数据的综合利用也将成为区域尺度上反演植被理化参数的重要研究方向。例如可以通过利用同一地区同一时相的多尺度遥感数据，定量地分析模型参数敏感性随空间尺度的变化情况;稀疏植被下混合像元的问题可以通过多角度与高光谱数据相结合的方法解决;混合像元分解模型与植被辐射传输模型的耦合也可能会成为解决混合像元影响的有效途径。

［1］ Boegh E，Soegaard H，Thomsen A.Evaluating evapotranspiration rates and surface conditions using Landsat TM to estimate atmospheric resistance and surface resistance.Remote Sensing of Environment，2002，79(2/3):329-343.

［2］ Ustins L，Robertsd A，Pinzon J，Jacquemoud S，Gardner M，Scheer G，Castañeda C M，Palacios-Orueta A.Estimating canopy water content of chaparral shrubs using optical methods.Remote Sensing of Environment，1998，65(3):280-291.

［3］ Zhang X，Liu L Y，Zhao C J，Zhang B.Estimating wheat nitrogen concentration with high spectral resolution image.Journal of Remote Sensing，2003，(3):176-182.

［4］ Jacquemoud S，Baret F.PROSPECT:a model of leaf optical properties spectra.Remote Sensing of Environment，1990，34(2):75-91.

［5］ Baret F，Fourty T.The limits of a robust estimation of canopy biochemistry//Guyot G，Phulpin T，eds.Physical Measurements and Signatures in Remote Sensing.Rotterdam:AA Balkema，1997:413-420.

［6］ Bousquet L，Lachérade S，Jacquemoud S，Moya I.Leaf BRDF measurements and model for specular and diffuse components differentiation.Remote Sensing of Environment，2005，98(2/3):201-211.

［7］ Feret J B，Francois C，Asner G P，Gitelson A A，Martin R E，Bidel L P R，Ustin S L，le Maire G，Jacquemoud S.PROSPECT-4 and 5:advances in the leaf optical properties model separating photosynthetic pigments.Remote Sensing of Environment，2008，112(6):3030-3043.

［8］ Pedrós R，Goulas Y，Jacquemoud S，Louis J，Moya I.FluorMODleaf:a new leaf fluorescence emission model based on the PROSPECT model.Remote Sensing of Environment，2010，114(1):155-167.

［9］ Shi R H，Zhuang D F，Niu Z，Wang W.Quantitative inversion of chlorophyll content based on radiative transfer model.Chinese Journal of Ecology，2006，25(5):591-595.

［10］ Ganapol B D，Johnson L F，Hammer P D，Hlavka C A，Peterson D L.LEAFMOD:a new within-leaf radiative transfer model.Remote Sensing of Environment，1998，63(2):182-193.

［11］ Dawson T P，Curran P J，Plummer S E.LIBERTY:modeling the effects of leaf biochemistry on reflectance spectra.Remote Sensing of Environment，1998，65(1):50-60.

［12］ Verhoef W.Light scattering by leaf layers with application to canopy reflectance modeling:the SAIL model.Remote Sensing of Environment，1984，16(2):125-141.

［13］ Kussk A.The hot spot effect in plant canopy reflectance//Myneni R B，Ross J，eds.Photon-Vegetation Interaction.Applications in Optical Remote Sensing and Plant Ecology.Berlin:Springer Verlag，1991:139-159.

［14］ Verhoef W，Bach H.Simulation of hyperspectral and directional radiance images using coupled biophysical and atmospheric radiative transfer models.Remote Sensing of Environment，2003，87(1):23-41.

［15］ Weiss M，Troufleau D，Baret F，Chauki H，Prévot L，Olioso A，Bruguier N，Brisson N.Coupling canopy functioning and radiative transfer models for remote sensing data assimilation.Agricultural and Forest Meteorology，2001，108(2):113-128.

［16］ Huemmrich K F.The GeoSail model:a simple addition to the SAIL model to describe discontinuous canopy reflectance.Remote Sensing of Environment，2001，75(3):423-431.

［17］ Jasinski M F，Eagleson P S.Estimation of subpixel vegetation cover using red-infrared scattergrams.IEEE Transactions on Geoscience and Remote Sensing，1990，28(2):253-267.

［18］ Verhoef W，Jia L，Xiao Q，Jia L，Su Z.Unified optical-thermal four-stream radiative transfer theory for homogeneous vegetation canopies.IEEE Transactions on Geoscience and Remote Sensing，2007，45(6):1808-1822.

［19］ Verhoef W，Bach H.Coupled soil-leaf-canopy and atmosphere radiative transfer modeling to simulate hyperspectral multi-angular surface reflectance and TOA radiance data.Remote Sensing of Environment，2007，109(2):166-182.

［20］ Kuusk A.A multispectral canopy reflectance model.Remote Sensing of Environment，1994，50(2):75-82.

［21］ Gobron N，Pinty B，Verstraete M M，Govaerts Y.A semidiscrete model for the scattering of light by vegetation.Journal of Geophysical Research-Atmospheres，1997，102(D8):9431-9446.

［22］ Kuusk A.A Markov chain model of canopy reflectance.Agricultural and Forest Meteorology，1995，76(3/4):221-236.

［23］ Demarez V，Gastellu-Etchegorry J P.A modeling approach for studying forest chlorophyll content.Remote Sensing of Environment，2000，71(2):226-238.

［24］ Goel N S，Thompson R L.A snapshot of reflectance models and a universal model for the radiation regime.Remote Sensing of Environment，2000，18(2/4):197-225.

［25］ Rosema A，Verhoef W，Noorbergen H，Borgesius J J.A new forest light interaction model in support of forest monitoring.Remote Sensing of Environment，1992，42(1):23-41.

［26］ North P R J.Three-dimensional forest light interaction model using a Monte Carlo methods.IEEE Transactions on Geoscience and Remote Sensing，1996，34(4):946-956.

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

［28］ Koetz B，Schaepman M，Morsdorf F，Bowyer P，Itten K，Allgöwer B.Radiative transfer modeling within a heterogeneous canopy for estimation of forest fire fuel properties.Remote Sensing of Environment，2004，92(3):332-344.

［29］ Verhoef W，Bach H.Remote sensing data assimilation using coupled radiative transfer models.Physics and Chemistry of the Earth，2003，28(1/3):3-13.

［30］ le Maire，G，Francois C，Soudani K，Berveiller D，Pontailler J，Breda N，Genet H，Davi H，Dufrene E.Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content，leaf mass per area，leaf area index and leaf canopy biomass.Remote Sensing of Environment，2008，112(10):3846-3864.

［31］ Dawson T P，Curran P J，North P R J，Plummer S E.The propagation of foliar biochemical absorption features in forest canopy reflectance:a theoretical analysis.Remote Sensing of Environment，1999，67(2):147-159.

［32］ Dash J，Curran P J.The MERIS terrestrial chlorophyll index.International Journal of Remote Sensing，2004，25(23):5403-5413.

［33］ Zarco-Tejada P J，Miller J R，Harron J，Hu B X，Noland T L，Goel N，Mohammed G H，Sampson P.Needle chlorophyll content estimation through model inversion using hyperspectral data from Boreal conifer forest canopies.Remote Sensing of Environment，2004，89(2):198-199.

［34］ Zarco-Tejada P J，Miller J R，Morales A，Berjón A，Agüera J.Hyperspectral indices and model simulation for chlorophyll estimation in opencanopy tree crops.Remote Sensing of Environment，2004，90(4):463-476.

［35］ Bacour C，Baret F，Béal D，Weiss M，Pavageau K.Neural network estimation of LAI，fAPAR，fCover and LAI×Cab，from top of canopy MERIS reflectance data:principles and validation.Remote Sensing of Environment，2006，105(4):313-325

［36］ Harris A，Dash J.The potential of the MERIS Terrestrial Chlorophyll Index for carbon flux estimation.Remote Sensing of Environment，2010，114(8):1856-1862.

［37］ Dash J，Jeganathan C，Atkinson P M.The use of MERIS Terrestrial Chlorophyll Index to study spatio-temporal variation in vegetation phenology over India.Remote Sensing of Environment，2010，114(7):1388-1402.

［38］ Houborg R，Soegaard H，Boegh E.Combining vegetation index and model inversion methods for the extraction of key vegetation biophysical parameters using Terra and Aqua MODIS reflectance data.Remote Sensing of Environment，2007，106(1):39-58.

［39］ Houborg R，Boegh E.Mapping leaf chlorophyll and leaf area index using inverse and forward canopy reflectance modeling and SPOT reflectance data.Remote Sensing of Environment，2008，112(1):186-202.

［40］ Houborg，R，Anderson，M C，Daughtry，C S T.Utility of an image-based canopy reflectance modeling tool for remote estimation of LAI and leaf chlorophyll content at the field scale.Remote Sensing of Environment，2009，113(1):259-274.

［41］ Houborg R，Anderson M C，Daughtry C S T，Kustas W P，Rodell M.Using leaf chlorophyll to parameterize light-use-efficiency within a thermalbased carbon，water and energy exchange model.Remote Sensing of Environment，2011，115(7):1694-1705.

［42］ Chen G，Liu Q H，Liu Q，Du Y M.A study on geometrical processing methods for LAI products intercomparison between MODIS and TM.Journal of Beijing Normal University:Natural Science，2007，43(3):356-361.

［43］ Zarco-Tejada P J，Rueda C A，Ustin S L.Water content estimation in vegetation with MODIS reflectance data and model inversion methods.Remote Sensing of Environment，2003，85(1):109-124.

［44］ le Maire G，Marsden C，Verhoef W，Ponzonid F J，Seenb D L，Béguéb A，Stapee J L，Nouvellon Y.Leaf area index estimation with MODIS reflectance time series and model inversion during full rotations of Eucalyptus plantations.Remote Sensing of Environment，2011，115(2):586-589.

［45］ Shi R H，Zhuang D F，Niu Z，Wang W.Influence of mesophyll structure on leaf spectra and biochemical inversion.Journal of the Graduate School of the Chinese Academy of Science，2005，22(5):589-595.

［46］ Bacour C，Baret F，Jacquemoud S.Information content of HyMap hyperspectral imagery.Proceedings of the 1st International Symposium on Recent Advances in Quantitative Remote Sensing，Valencia(Spain)，2002:503-508.

［47］ Zhu X H，Feng X M，Zhao Y S，Song X N.Scale effect and error analysis of crop LAI inversion.Journal of Remote Sensing，2010，14(3):579-592.

参考文献:

［3］ 张霞，刘良云，赵春江，张兵.利用高光谱遥感图像估算小麦氮含量.遥感学报，2003，(3):176-182.

［9］ 施润和，庄大方，牛铮，王汶.基于辐射传输模型的叶绿素含量定量反演.生态学杂志，2006，25(5):591-595.

［42］ 陈果，柳钦火，刘强，杜永明.MODIS和降尺度TM数据反演叶面积指数相互验证中几何处理方法的研究.北京师范大学学报:自然科学版，2007，43(3):356-361.

［45］ 施润和，庄大方，牛铮，王汶.叶肉结构对叶片光谱及生化组分定量反演的影响.中国科学院研究生院学报，2005，22(5):589-595.

［47］ 朱小华，冯晓明，赵英时，宋小宁.作物LAI的遥感尺度效应与误差分析.遥感学报，2010，14(3):579-592.