基于高光谱遥感的不同品种花生冠层叶面积指数的通用估算模型*

吕 晓，殷 红，蒋春姬，张兵兵，战莘晔，辛明月，张美玲

（1.辽宁省锦州市生态与农业气象中心，锦州 121000；2.沈阳农业大学农学院，沈阳 110866；3.鞍山市气象局，鞍山114004；4.盘锦市气象局，盘锦 124010, 5.大洼县气象局，盘锦 124200）

基于高光谱遥感的不同品种花生冠层叶面积指数的通用估算模型*

吕 晓1，殷 红2**，蒋春姬2，张兵兵1，战莘晔3，辛明月4，张美玲5

（1.辽宁省锦州市生态与农业气象中心，锦州 121000；2.沈阳农业大学农学院，沈阳 110866；3.鞍山市气象局，鞍山114004；4.盘锦市气象局，盘锦 124010, 5.大洼县气象局，盘锦 124200）

为了快速、无损地监测花生冠层LAI，获取其长势信息，于2014年通过大田试验选用5个品种花生作为供试品种，使用ASD FieldSpec HandHeld便携式野外光谱仪采集花生不同生育时期的冠层高光谱数据，同时使用SUNSCAN冠层分析系统实测花生冠层叶面积指数（LAI），并应用光谱微分技术和统计分析技术，分别分析4种光谱形式和6种植被指数与LAI的相关关系，建立估算模型。结果表明：高光谱反射率及其光谱变换形式中最优波段与LAI的相关性均极显著，其中一阶微分光谱ρ'在793nm波段处构建的估测方程对花生冠层 LAI的估算效果最好（r=-0.5391，P＜0.01，RE=0.2497），其模拟值与实测值的拟合度达极显著水平（R=0.4435，P＜0.01）；一阶微分光谱ρ'在734nm波段处LAI的实测值与模拟值的拟合效果最好（R=0.5485，P＜0.01）。6种植被指数所选的最优组合波段与 LAI均通过了 0.01水平的显著性检验（r≥0.5731，P＜0.01），其中归一化植被指数NDVI[760，976]对花生冠层LAI的估算效果最好（r=-0.6421，P＜0.01，RE=0.2167），模拟值与实测值的拟合度达极显著水平（R=0.6731，P＜0.01），且优于 ρ'对 LAI的估算效果；LAI实测值与模拟值拟合效果最好的为DVI[760，976]（R=0.6893，P＜0.01）。研究结果表明一阶导数光谱和植被指数对花生冠层LAI的估算精度均较高，植被指数的估算精度尤高，研究同时进一步证实了导数光谱和植被指数能较好地消除土壤、大气等环境背景信息的影响。

花生；高光谱遥感；叶面积指数；估算模型

叶面积指数（Leaf Area Index，LAI）是反映作物群体结构和光能利用等的重要参数，它与作物的蒸腾、光合和呼吸作用、光能截获等生物物理过程密切相关[1-2]，为农作物田间管理等提供重要的理论指标[3]。高光谱遥感技术克服了传统测定LAI方法繁琐费事耗力的缺点，在以光谱学为基础[4]的对地观测中可以快速有效、非接触、非破坏性地获得连续性的大量光谱信息，因此，利用高光谱遥感技术快速获取作物LAI，可以实时监测作物长势、营养状况，估测作物农学参数、产量和品质等[5]。因作物冠层反射光谱随其变化，LAI被视为高光谱遥感长势监测中最常用的综合参数[6]，早在1974年就有学者对LAI与植被光谱特征间的关系展开了研究[7]。随着遥感和计算机技术的发展与完善，对作物LAI与其冠层光谱间关系的研究也不断深入，刘伟东等[8]研究表明，水稻LAI与740-770nm光谱呈显著相关，且与其一阶导数光谱有良好的线性关系。赵娟等[9]建立了不同生育时期冬小麦LAI的不同植被指数的高精度模拟模型。宋开山等[10]研究发现，利用高光谱的窄波段构建的NDVI、RVI植被指数与作物LAI有紧密的相关性，且其预测精度较高。林卉等[11]发现优化土壤调整植被指数OSAVI对小麦LAI的反演精度很高。此外还有学者运用不同反演方法来提高作物LAI反演精度[12-15]。辛明月等[16]通过光谱数据形式和植被指数法建立水稻不同生育阶段叶面积指数估算模型，发现植被指数法能更好地估算冠层LAI，并且分生育阶段建立估算模型非常重要。

辽宁省是中国花生出口主要基地和产区，花生是该省继玉米和水稻的第三大种植作物，并跃居为第一大油料作物[17]。花生冠层结构是否合理对其生长状况及高产至关重要。虽然目前国内外关于高光谱估算作物叶面积指数已做了大量研究，但是利用高光谱遥感技术监测花生冠层特征参数的研究报道很少。因此，本试验以辽宁省主栽花生品种为研究对象，测定花生生育期冠层反射光谱及叶面积指数，利用花生冠层原始光谱的反射率及其变换形式、一阶导数光谱和植被指数与叶面积指数（LAI）进行相关分析，并构建花生冠层LAI的定量监测模拟模型，以便更快速准确而便捷地为监测花生生长、估测产量和实时诊断提供理论依据，为辽宁地区基于高光谱估算花生冠层叶面积指数提供参考依据。

1 材料与方法

1.1 试验设计

试验于2014年在沈阳农业大学花生研究所试验田（123°56′E，41°82′N）进行。为使供试花生形成不同冠层结构，本试验选用5个辽宁地区常用花生品种进行试验：鲁花 11（LH11）、四粒红（SLH）、白沙1016（1016）、农花5号（NH5）和农花13号（NH13）。其中四粒红为蔓生型，其它4个品种均为直立型；白沙1016为辽宁省常用品种。采用田间小区试验方法，田间管理按大田管理方式进行。土壤肥力中等，地力均匀，施花生专用肥750kg·hm-2。小区面积为12m2，株距8cm，行距60cm，设3次重复，随机区组排列，共15个小区。选取第1、2次重复的10个小区的花生数据建立模型，选取第3次重复的5个小区的花生数据对所建立模型预测效果进行检验。

花生冠层光谱数据的测定应选择晴朗无风、无云或少云的天气，避开阴雨大风等天气。但是由于2014年7月上旬-8月下旬沈阳符合光谱测定的天气很少，虽是晴天但水汽含量大，会对光谱测定结果产生一定影响。因此，2014年6月29日-9月12日，分别在花生的分枝盛期、开花期、下针期、结荚期和成熟饱果期，尽量选择符合光谱测定要求的天气，进行花生冠层光谱数据的测定，一共采集11次，采集日期分别为6月29日，7月5、13、23和28日，8月5、13、28和31日，9月4日和12日。

1.2 测量方法

1.2.1 冠层光谱测定

使用便携式野外光谱仪 ASD FieldSpec Hand Held（美国）采集花生冠层反射光谱数据，其探测器为512阵元阵列PDA，波长范围325-1075nm，扫描时间短至17ms，光谱采样间隔约为1.5nm。选择在晴朗无风无云或少云的天气进行数据采集，测定时间为10：00-12：00。每个小区随机选取5个生长均匀且无病虫危害的样本点进行测定，每个样本点测定10条曲线，每个小区共测量50条光谱反射率曲线，取50条曲线的平均值作为该小区样本的冠层反射率。测量时距冠层顶垂直高度约1m，以便尽可能消除土壤背景等对花生冠层所测光谱数据的影响，测量前均用白板进行标定，使测得的花生冠层反射光谱为无量纲的相对反射率和相对透射率。

1.2.2 冠层叶面积指数LAI的采集

使用SUNSCAN冠层分析系统（英国）在采集花生冠层光谱数据的当日，同步采集花生冠层的叶面积指数（LAI）。SUNSCAN探测器长1m，内嵌64个光合有效辐射传感器，其工作区域1000×13mm宽，间距 15.6mm，光谱响应 400-700nm，测量时间120ms，最大读数2500μmol·m-2·s-1，分辨率0.3μmol·m-2·s-1。

1.3 数据处理

为了提高光谱测定过程中对花生的识别性，并降低土壤、大气等环境背景的噪声对所测光谱产生的影响，本试验对所测光谱进行多种形式的变换。由于绿色植物对红光波段的强吸收和对近红外光波段的强反射会形成强烈反差，本试验中花生冠层原始光谱的反射率在680nm波段附近骤然上升，直到760nm波段左右开始形成一个高反射率平台，故本试验选择对红光波段（ρRED：620-760nm）与近红外波段（ρNIR：761-1000nm）的反射率进行两两组合构建6种植被指数，分别为比值植被指数（RVI）、差值植被指数（DVI）、归一化植被指数（NDVI）、复归一化差值植被指数（RDVI）、垂直植被指数（PVI）和修改土壤调整植被指数（MSAVI）。RVI能较好地反映植被覆盖度和生长状况的差异，DVI对土壤背景变化较为敏感，NDVI能反映植物冠层的背景影响，RDVI可用于不同植被覆盖情况，PVI较好地消除了土壤背景的影响，对大气的敏感度小于其它植被指数，MSAVI可以减小不同类型的土壤对光谱反射产生的影响。它们均可大大消除大气中气溶胶对植被指数的干扰，提高植被长势监测和作物估产精度。

首先利用光谱仪自带软件ViewSpec对每个样本品种的冠层原始光谱反射率数据进行预处理，再用Excel计算原始光谱反射率的倒数1/ρ、对数logρ和一阶导数光谱 ρ＇，并对原始光谱反射率的红光波段（ρRED：620-760nm）与近红外波段（ρNIR：761-1000nm）进行两两组合，构建6种植被指数。最后利用SPSS软件将LAI分别与4种光谱形式和6种植被指数进行相关分析，建立统计回归模拟模型；并将实测值与模拟值进行拟合，得到度量拟合优度的可决定系数（亦称确定系数）R2，拟合优度指回归模拟方程对实测值的拟合程度，R2值越接近1则表明回归模拟模型对实测值的拟合程度越好，而R2值越接近0则回归模拟模型对实测值的拟合程度越差；并采用平均相对误差RE和拟合系数R（即对R2进行开平方得到模拟值与实测值间的相关系数）,对模拟效果进行评价。

（1）一阶导数光谱

式中，iλ为每个波段的波长；为波长iλ的一阶微分光谱。Δλ是波长到的间隔。

（2）植被指数

比值植被指数RVI：

差值植被指数DVI：

归一化植被指数NDVI：

复归一化差值植被指数RDVI：

垂直植被指数PVI：

修改土壤调整植被指数MSAVI：

（3）模型检验

平均相对误差（RE）的计算

式中，RMSE为均方差，xi为实测值；为模拟值。

2 结果与分析

2.1 基于高光谱反射率的花生冠层LAI的估算模型

2.1.1 估算冠层LAI的最优光谱形式及其敏感波段

将各品种花生冠层LAI与4种不同光谱形式（ρ、1/ρ、logρ和ρ＇）进行相关分析，结果见图1。由图可见，原始光谱反射率 ρ与 LAI在可见光区域的414-515nm波段和574-709nm波段呈极显著负相关，相关系数最大值在红光区域的 674nm 波段处（r=-0.5047，P<0.01），蓝光区域相关系数最大值为498nm波段处（r=-0.3282，P<0.01）。在极显著正相关区域729-992nm波段，相关系数最大值在近红外光区域的772nm波段处（r=0.3828，P<0.01）（图1a）。反射率倒数 1/ρ与 LAI在可见光区域的403-521nm 波段和 565-712nm 呈显著正相关（P<0.05），并存在两个极显著正相关的高平台区（430-517nm和 572-710nm），相关系数最大值在红光区域的684nm波段处（r=0.5000，P<0.01），蓝光区域相关系数最大值在 498nm 波段处（r=0.3672，P<0.01）。726-1000nm波段为极显著负相关高平台区，负相关系数最大值为近红外光区域的763nm处（r=-0.4658，P<0.01）（图1b）。

图1 花生冠层反射光谱（ρ）、反射光谱倒数（1/ρ）与LAI的相关系数Fig.1 Correlation coefficient between the reflectance spectral data（ρ），the reciprocal of reflectance spectral data（1/ρ）and LAI of peanut canopy

图2 花生冠层反射光谱对数（logρ）、一阶微分光谱（ρ＇）与LAI的相关系数Fig.2 Correlation coefficient between the logarithmic of reflectance spectral data（logρ）, the first derivation spectral data（ρ＇）and LAI of peanut canopy

由图2a可见，反射率对数logρ与LAI在可见光区域404-519nm波段和568-711nm波段呈显著负相关，相关系数最大值在红光区域的 684nm波段处（r=-0.5134，P<0.01），蓝光区域相关系数最大值在 498nm波段处（r=-0.3583，P<0.01）。极显著正相关的高平台区为 728-1000nm波段，正相关系数最大值为红光区域757nm处（r=0.4297，P<0.01）。由图 2b可见，一阶微分光谱 ρ＇与 LAI有一个极显著正相关的高平台区（709-755nm），正相关系数最大值出现在红光区域的734nm波段处（r=0.5325，P<0.01）。542-598、680-696、777-784、797-807和 828-848nm波段处 ρ＇与LAI达显著负相关，相关系数最大值出现在近红外区域的 793nm波段处（r=-0.5391，P<0.01），蓝光区域相关系数最大值出现在468nm波段处（r=-0.4780，P<0.01）。

4种光谱数据形式与花生冠层 LAI相关系数最大值波段如表 1所示，由表可见，各波段均通过了0.01水平的显著性检验（P<0.01）。在各显著性波段中，与花生冠层LAI相关性最好的均为一阶导数光谱ρ＇，证实了其可以在很大程度上消除土壤、大气等环境背景信息的影响，从而大大提高估测精度。

表1 图1和图2中4种光谱数据与花生冠层LAI相关系数最大的近红外光、红光和蓝光波段汇总Table 1 The maximum correlation coefficient and its relative wave length in the near infrared, red and blue bands between the peanut canopy LAI and four spectral forms in Fig.1 and Fig.2

2.1.2 基于不同光谱形式的冠层LAI估算模型及效果

利用花生冠层 4种光谱数据形式的敏感波段分别与LAI构建估测模型和拟合模型，结果见表2。由表中可见，利用793nm波段处花生冠层一阶导数光谱 ρ＇建立的 LAI估测方程中，相关系数最高（r=-0.5391，P<0.01），模拟值对实测值的拟合系数（即模拟值与实测值间的相关系数）也比较高（R=0.4435，P<0.01），相对误差RE=0.2497，说明该方程的模拟效果比较好。由表中还可看出，花生冠层LAI实测值与模拟值拟合效果最好的为根据734nm波段处一阶导数光谱ρ＇建立的LAI估测方程（r=0.5325，P<0.01），模拟值与实测值的相关系数即拟合系数最高（R=0.5485，p＜0.01），RE=0.2346，拟合效果最好。该两个模型的模拟值与实测值比较结果见图3。

表2 利用最优光谱数据形式估测LAI的模型Table 2 Simulation models between LAI and the optimal spectral forms of reflected spectrum

图3 利用表2中ρ＇793（a）和ρ＇734（b）方程计算的LAI模拟值与实测值比较Fig.3 Correlation analyses between the measured LAI and simulated LAI by ρ＇793（a）eqution and ρ＇734（b）in table 2

2.2 基于不同高光谱植被指数的花生冠层LAI估算模型及效果

将花生冠层（叶面积指数）LAI分别与6种植被指数间进行相关分析，得到每种植被指数相关性最大的敏感组合波段（表3），由表3可见，6种植被指数最优组合波段与 LAI的相关性较好，均通过 0.01水平的显著性检验。

利用各植被指数的敏感组合波段分别与LAI建立估测模型和拟合模型，其模拟效果通过了0.01水平的显著性检验（拟合系数R≥0.5402，P＜0.01）。由表3可以看出，利用NDVI[760，976]所建立的LAI估测方程中，相关系数最高 （r=-0.6421，P<0.01），模拟值对实测值的拟合系数（即模拟值与实测值间的相关系数）也比较高（R=0.6731，P<0.01），相对误差RE=0.2167，说明该方程的估算效果较好。由表3还可以看出，花生冠层LAI实测值与模拟值拟合效果最好的为根据DVI[760，976]建立的LAI估测方程（r=-0.6224，P<0.01），模拟值与实测值的相关系数即拟合系数（R=0.6893，P＜0.01）最高，RE=0.2142，拟合效果最好；其次为MSAVI[760，976]（r=-0.6372，P<0.01），模拟值与实测值的相关系数即拟合系数（R=0.6817，P＜0.01）也较高，RE=0.2145，预测精度也较高，估算效果较好。这是因为归一化植被指数（NDVI）可以反映植被生长状况和LAI；而差值植被指数（DVI）适用于像花生这样低矮的植被覆盖度，修改土壤调节植被指数（MSAVI）则能够降低土壤背景对光谱的影响。因此，可以用归一化植被指数NDVI[760，976]、差值植被指数DVI[760，976]和修改土壤调节植被指数MSAVI MSAVI[760，976]来估测花生冠层LAI值。NDVI[760，976]和DVI[760，976]两个模型的模拟值与实测值比较结果见图4。

表3 利用植被指数估测LAI的模拟模型Table 3 Simulation models between LAI and vegetation indices

图4 利用表3中归一化植被指数NDVI（a）和差值植被指数DVI（b）方程计算的LAI模拟值与实测值比较Fig.4 Correlation analysis between the measured LAI and simulated LAI by NDVI（a）and DVI（b）equations in Table 3

3 结论与讨论

基于高光谱遥感估测作物冠层LAI的研究很多，前人早已将其成功应用于水稻、玉米、小麦和棉花等作物，但是利用高光谱遥感估测花生冠层LAI的研究在辽宁地区尚未见报道。本试验选取 5个品种花生，采用其冠层高光谱数据及变换形式、植被指数法，旨在选择最优的花生冠层叶面积指数的通用估算模型。

试验结果表明，花生冠层原始光谱反射率及其变换形式与LAI相关性均较好，以一阶导数光谱在793nm 波段处的相关系数最大值（r=-0.5391，P<0.01），对LAI的估算效果最好。本试验所选的6种植被指数与LAI的相关性均很好，尤以归一化植被指数NDVI[760，976]所建立的估测方程最优，且好于一阶导数光谱对LAI的估算效果；实测值与模拟值拟合效果最好的为差值植被指数 DVI[760，976]，其次为修改土壤调整植被指数 MSAVI[760，976]。这可能是因为NDVI、DVI和MSAVI能更好地消除土壤背景和辐照度因子的影响，更适于覆盖度较小的作物。因此，研究像花生这种植株低矮且覆盖度小的农作物的冠层高光谱与特征参数间相关关系时，应选择与之相适的NDVI、DVI和MSAVI植被指数进行估算研究。通过本试验可以看出，一阶导数光谱和植被指数对花生冠层LAI的估算精度高，其中植被指数尤为突出，这不但与前人的研究结果相似[18]，同时也进一步证实了导数光谱和植被指数在消除土壤、大气等环境背景信息的影响方面具有良好作用。

本试验在沈阳进行，为了得到普适性更强的模拟模型，特别是水热条件差异较大的地区，还需根据实际情形重新建立估测模型；整个生育期内花生冠层结构也会发生较大变化，可以对各生育阶段分别建立模型，以确保所建立估测模型能精确反演花生冠层LAI。

References

[1]李卫国,赵春江,王纪华,等.基于卫星遥感的冬小麦拔节期长势监测[J].麦类作物学报,2007,27(3): 523-527.Li W G,Zhao C J,Wang J H,et al.Monitoring the growth condition of winter wheat in jointing stage based on land sat TM image[J].Journal of Triticeae Crops,2007,27(3): 523-527.(in Chinese)

[2]Abou-Ismail O,Huang J F,Wang R C.Rice yield estimation by integrating remote sensing with rice growth simulation model[J].Pedosphere,2004,14(4): 519-526.

[3]Inoue Y.Synergy of remote sensing and modeling for estimating ecophysiological processes in plant production[J].Plant Production Science,2003,6(1): 3-16.

[4]薄瑞良,宫鹏.高光谱遥感及其应用[M].北京:高等教育出版社,2000:185-228,124-144.Bo R L,Gong P.Hyperspectral remote sensing and application[M].Beijing:Higher Education Press,2000: 185-228, 124-144.(in Chinese)

[5]薛利红,曹卫星,罗卫红,等.基于冠层反射光谱的水稻产量预测模型[J].遥感学报,2005,9(1):100- 105.Xue L H,Cao W X,Luo W H,et al.Rice yield forecasting model with canopy reflectance spectra[J].Journal of Remote Sensing, 2005,9(1):100-105.(in Chinese)

[6]王伟,彭彦昆,马伟.冬小麦叶绿素含量高光谱检测技术[J].农业机械学报,2010,41(5):172-177.Wang W,Peng Y K,Ma W.Chlorophyll content of winter wheat using leaf-level hyperspectral data[J].Transactions of the Chinese Society for Agricultural Machinery,2010, 41(5): 172-177.(in Chinese)

[7]Wiegand C L,Gausman H W,CuellarJ A,et al.Vegetationdensity as deduced from ERTS-1 MSS response[C].Third ERTS Symposia,NASA-SP-351, SectionA,1974:93-116.

[8]刘伟东,郑兰芬,童庆禧,等.高光谱数据与水稻叶面积指数及叶绿素密度的相关分析[J].遥感学报,2000,4(4):279-283.Liu W D,Zheng L F,Tong Q X,et al.Relationships between rice LAI,CH.D and hyperspectra data[J].Journal of Remote Sensing,2000,4(4):279-283.(in Chinese)

[9]赵娟,黄文江,张耀鸿,等.冬小麦不同生育时期叶面积指数反演方法[J].光谱学与光谱分析,2013, 33(9):2546-2552.Zhao J,Huang W J,Zhang Y H,et al.Inversion of LAI during different growth stages in winter wheat[J].Spectroscopy and Spectral Analysis,2013,33(9): 2546-2552.(in Chinese)

[10]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): 11382-11451.Song K S,Zhang B,Wang Z M,et al.Soybean LAI estimation with in-situ collected hyperspectral data based on BP-Neural networks[J].Scientia Agricultura Sinica,2006,39(6): 11382-11451.(in Chinese)

[11]林卉,梁亮,张连蓬,等.基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演[J].农业工程学报,2013,29(11): 139-146.Lin H,Liang L,Zhang L P,et al.Wheat leaf area index inversion with hyperspectral remote sensing based on support vector regression algorithm[J].Transactions of the CSAE,2013,29(11):139-146.(in Chinese)

[12]Patel N K,Patnaik C,Dutta S,et al.Study of crop growth parameters using airborne imaging spectrometer data[J].International Journal of Remote Sensing,2001,22(12): 2401-2411.

[13]李鑫川,徐新刚,黄文江,等.基于分段方式选择敏感植被指数的冬小麦叶面积指数遥感反演[J].中国农业科学,2012,45(17):3486-3496.Li X C,Xu X G,Huang W J,et al.Retrieving LAI of winter wheat based on sensitive vegetation index by the segmentation method[J].Scientia Agricultura Sinica,2012, 45(17):3486-3496.(in Chinese)

[14]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 LAI[J].Spectroscopy and Spectral Analysis,2014, 34(5):1352-1356.(in Chinese)

[15]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.Xia T,Wu W B,Zhou Q B,et al.Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J].Transactions of the CSAE,2013, 29(3):139-147.(in Chinese)

[16]辛明月,殷红,陈龙,等.不同生育期水稻叶面积指数的高光谱遥感估测模型[J].中国农业气象,2015,36(6):762-768.Xin M Y,Yin H,Chen L,et al.Estimation of rice canopy LAI with different growth stages based on hyperspectral remote sensing data[J].Chinese Journal of Agrometeorology,2015, 36(6):762-768.(in Chinese)

[17]康树立,金焱.辽宁省花生产业发展浅析[J].农业科技通讯,2008,(10):23-25.Kang S L,Jin Y.Analysis on the development of peanut industry in Liaoning Province[J].Bullenin of Agricultural Science and Technology,2008,(10): 23-25.(in Chinese)

[18]李子扬,钱永刚,申庆丰,等.基于高光谱数据的叶面积指数遥感反演[J].红外与激光工程,2014, 43(3):944-949.Li Z Y,Qian Y G,Shen Q F,et al.Leaf area index retrieval from remotely sensed hyperspectral data[J].Infrared and Laser Engineering,2014,43(3): 944-949.(in Chinese)

General Estimation Model of Peanut Canopy LAI Based on Hyperspectral Remote Sensing

LV Xiao1，YIN Hong2，JIANG Chun-ji2，ZHANG Bing-bing1, ZHAN Shen-ye3，XIN Ming-yue4，ZHANG Mei-ling5

(1.Jinzhou Ecological and Agricultural Meteorology Center, Liaoning Province, Jinzhou 121000,China;2.Agricultural College, Shenyang Agricultural University, Shenyang 110866;3.Anshan Meteorological Bureau, Anshan 114004；4.Panjin Meteorological Bureau, Panjin 124010; 5.Dawa Meteorological Bureau, Panjin 124200)

In order to monitor peanut canopy effectively and nondestructively and to get their growth information, hyperspectral data of peanut canopy was measured with ASD FieldSpec and canopy leaf area index was measured with SUNSCAN during different growing stages in the field experiment, including five cultivars with different ecological types.The correlations between four spectral forms, six vegetation index and LAI were analyzed, and the estimation models were established, by using spectral derivative technique and statistical analysis technique.The results showed that the correlation between the optimal bands of hyperspectral reflectance, its transformation forms and LAI were 1% significant, LAI could be estimated better by the first derivative spectra ρ' at 793 nm （r=-0.5391, P＜0.01, RE=0.2497）, the correlation coefficient between simulating data and testing data was 1% significant（R=0.4435, P＜0.01）; simulating LAI and testing LAI could be fitted mostly by the first derivative sPectra ρ ' at 734nm （R=0.5485, P＜0.01）.The correlations between the optimal bands of six vegetation index and LAI were 1% significant （r≥0.5731, P＜0.01）, LAI could be estimated mostly by NDVI[760, 976]（r=-0.6421，P＜0.01, RE=0.2167）, the correlation coefficient between simulating data and testing data was 1% significant （R=0.6731, P＜0.01）; simulating LAI and testing LAI could be fitted mostly by DVI[760, 976]（R=0.6893, P＜0.01）.The results indicated that the estimation accuracy of peanut canopy was higher than that of with ρ' and vegetation index, especially vegetation index.It confirmed further that ρ' and vegetation index played a great role on eliminating the effect of environment background including soil and atmosphere.

Peanut; Hyperspectral remote sensing; LAI; Estimation models

2016−04−26∗∗

国家现代农业产业技术体系花生产业辽宁创新团队项目

吕晓（1989−），女，助理工程师，硕士生，从事生物气象研究。E-mail：724452793@qq.com

10.3969/j.issn.1000-6362.2016.06.012

吕晓,殷红,蒋春姬,等.基于高光谱遥感的不同品种花生冠层叶面积指数的通用估算模型[J].中国农业气象,2016,37(6):720-727