陳召霞，徐新剛，徐良驥，楊貴軍，邢會(huì)敏，賀 鵬

(1.安徽理工大學(xué)測(cè)繪學(xué)院，安徽淮南 232001; 2.北京農(nóng)業(yè)信息技術(shù)研究中心遙感技術(shù)部，北京 100097;3.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心遙感技術(shù)部，北京 100097)

?

基于新型植被指數(shù)的冬小麥覆蓋度遙感估算

陳召霞1,2,3，徐新剛2,3，徐良驥1，楊貴軍2,3，邢會(huì)敏2,3，賀 鵬2,3

(1.安徽理工大學(xué)測(cè)繪學(xué)院，安徽淮南 232001; 2.北京農(nóng)業(yè)信息技術(shù)研究中心遙感技術(shù)部，北京 100097;3.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心遙感技術(shù)部，北京 100097)

為提高冬小麥覆蓋度估測(cè)精度，從增強(qiáng)近紅外與紅光差別的數(shù)學(xué)變換原理出發(fā)，構(gòu)建了一種新型植被指數(shù)(NDVIn)，再基于2013、2014年冬小麥冠層高光譜和模擬的資源三號(hào)衛(wèi)星寬波段多光譜數(shù)據(jù)，分別構(gòu)建基于常規(guī)植被指數(shù)(NDVI)與NDVIn的冬小麥覆蓋度估算模型，然后利用留一交叉驗(yàn)證法對(duì)模型精度進(jìn)行評(píng)價(jià)。結(jié)果表明，當(dāng)n=6時(shí)，新生成的植被指數(shù)NDVI6對(duì)冬小麥農(nóng)田覆蓋度具有最好的估算性能，利用其基于小麥冠層高光譜及衛(wèi)星多光譜數(shù)據(jù)建立的冬小麥覆蓋度估算模型的決定系數(shù)r2分別為0.84、0.85,RMSE分別為0.092、0.091，模型精度均好于常規(guī)指數(shù)NDVI的估算結(jié)果。說(shuō)明NDVI6用于估測(cè)冬小麥覆蓋度具有可行性。

覆蓋度；光譜響應(yīng)函數(shù)；NDVI；NDVI6；留一交叉驗(yàn)證法

植被覆蓋度是指植被(包括枝、莖、葉)在單位面積垂直投影面積所占百分比[1-3]，是定量描述植被冠層和土壤的相對(duì)參數(shù)[4]，是描述陸地植被生長(zhǎng)狀況的直觀量化指標(biāo)[5]。高精度估算區(qū)域或全球尺度植被覆蓋度信息，對(duì)水文、生態(tài)、全球變化等研究領(lǐng)域具有重要意義[6]。隨著人們對(duì)全球變化研究的深入，以遙感手段推算區(qū)域尺度乃至全球尺度的植被參數(shù)日益成為人們關(guān)注的問(wèn)題。NDVI(Normalized difference vegetation index)是最常用植被指數(shù)，它對(duì)植被生長(zhǎng)勢(shì)和生長(zhǎng)量非常敏感，被廣泛地應(yīng)用于植被變化研究[7]，特別是用于植被覆蓋度估算。Wittich等[8]建立了NDVI和植被覆蓋度回歸模型，并對(duì)所選研究區(qū)植被覆蓋度進(jìn)行了估算。賈寶全等[7]利用TM衛(wèi)星影像數(shù)據(jù)計(jì)算出西安市同期NDVI，對(duì)植被狀況進(jìn)行了量化分析。劉玉安等[9]采用NDVI像元二分法植被覆蓋度估算模型，對(duì)淮河上游流域植被進(jìn)行估算，獲得了可信研究結(jié)果。盡管應(yīng)用NDVI監(jiān)測(cè)植被覆蓋度取得了一些成效，但NDVI存在著易受土壤背景噪聲影響和飽和性問(wèn)題[10]。

當(dāng)前，植被指數(shù)構(gòu)建多是基于植被在紅光(Red)和近紅外(NIR)波段間存在較大反射差異的光譜特征，通過(guò)不同波段反射率做一定的數(shù)學(xué)變換，增強(qiáng)植被信息，同時(shí)盡可能弱化非植被特征?；贜IR和Red的二維光譜坐標(biāo)能夠很好地表達(dá)土壤、水分和植被光譜空間變化特征，一些用于表征植被或水分的典型植被指數(shù)被提出，如垂直植被指數(shù)PVI[11]和垂直干旱指數(shù)PDI[12]，而用PDI來(lái)研究植被水分具有局限性，因此通過(guò)PDI和PVI比值變換生成的新植被指數(shù)PWI被提出[13]。這幾個(gè)指數(shù)都利用了植被覆蓋度在NIR-Red光譜空間中的變化特征，且指數(shù)構(gòu)成都在一定程度上體現(xiàn)了通過(guò)相對(duì)增強(qiáng)近紅外與紅光間差別來(lái)提高指數(shù)敏感性的特點(diǎn)。因此，本研究在借鑒此思路基礎(chǔ)上，通過(guò)對(duì)常規(guī)植被指數(shù)NDVI作適當(dāng)變換，嘗試構(gòu)建一種新植被指數(shù)NDVIn，用于改進(jìn)和提高冬小麥覆蓋度估測(cè)精度。

資源衛(wèi)星ZY-3號(hào)是我國(guó)近年發(fā)射的新一代陸地資源監(jiān)測(cè)衛(wèi)星，因重訪周期短(3～5 d)，常用的多光譜波段數(shù)據(jù)空間分辨率較高(達(dá)到5.8 m)，已成為當(dāng)前我國(guó)對(duì)地資源觀測(cè)最為重要的遙感數(shù)據(jù)源之一。本研究應(yīng)用模擬的ZY-3多光譜數(shù)據(jù)開展植被覆蓋度分析，以期為促進(jìn)ZY-3數(shù)據(jù)在農(nóng)情遙感監(jiān)測(cè)中的進(jìn)一步推廣和應(yīng)用提供一種可能的新思路和新方法。

1 材料與方法

1.1 研究區(qū)概況與數(shù)據(jù)采集

研究區(qū)位于北京市昌平區(qū)小湯山國(guó)家精準(zhǔn)農(nóng)業(yè)示范基地。試驗(yàn)分別于2013年5月8日、5月21日、5月31日和2014年4月21日、5月7日、5月23日進(jìn)行。由于冬小麥試驗(yàn)田采取了不同施肥處理，不同小區(qū)冬小麥長(zhǎng)勢(shì)差異明顯，麥田覆蓋度由低到高的差異性分布顯著，因而所獲取覆蓋度樣本數(shù)據(jù)具有較好代表性。

冬小麥冠層光譜反射率采用美國(guó)ASD公司的Fieldspec-FR Pro2500地物光譜儀測(cè)定，測(cè)定時(shí)天氣基本晴朗無(wú)云、無(wú)風(fēng)，傳感器探頭垂直向下，測(cè)定時(shí)段為北京時(shí)間10:00-14:00，其視場(chǎng)角為25°，距離冠層頂端約為1 m，波段范圍為350～2 500 nm，重采樣間隔為1 nm。每次測(cè)量光譜前后立即進(jìn)行白板校正，每個(gè)樣點(diǎn)采集10條光譜曲線，取其均值作為該樣點(diǎn)的光譜反射率值,共采集240個(gè)樣本。同時(shí)，利用數(shù)碼照相法直接提取樣地小麥覆蓋度[14-15]。

1.2 方 法

1.2.1 光譜響應(yīng)函數(shù)模擬

已有研究表明，基于高光譜窄波段反射率的植被指數(shù)可以顯著提高植被參量估測(cè)精度[16-17]。然而，高光譜數(shù)據(jù)因波段間隔較窄而具有很大的相似性，為了消除這種相似性帶來(lái)的偶然誤差，同時(shí)也為了研究利用ZY-3遙感數(shù)據(jù)提取作物覆蓋度，利用其所對(duì)應(yīng)的波段響應(yīng)函數(shù)(圖1)，將實(shí)測(cè)的高光譜窄波段反射率模擬ZY-3相應(yīng)的寬波段反射率，以探討ZY-3遙感數(shù)據(jù)估算覆蓋度的潛力。

1.2.2 新植被指數(shù)的構(gòu)建

由于植被對(duì)紅光的吸收易于飽和，只有近紅外反射的增加才能反映植被增加，任何增強(qiáng)近紅外和紅光差別的數(shù)學(xué)變換都可以作為植被指數(shù)用于描述植被狀況[10,12]。事實(shí)上，植被覆蓋越高，紅光反射越小，而近紅外反射越大(圖2)。在近紅外與紅光構(gòu)成的二維光譜特征空間，植被覆蓋度變化可很好反映這一特點(diǎn)。程曉娟等[13]基于NIR-Red光譜特征空間構(gòu)建了比值變換的作物水分指數(shù)PWI：

PWI=PDI/PVI=(M×RNIR-RRed)/(RNIR-M×RRed-l)

(1)

式中，RNIR、RRed分別為土壤近紅外、紅光波段反射率；M為土壤線的斜率；l為土壤線的截距。

圖1 ZY-3的光譜響應(yīng)函數(shù)

PWI盡管是以作物水分含量估算為目標(biāo)，但其構(gòu)建原理則在某種程度上借鑒了植被覆蓋度在NIR-Red光譜空間中的分布變化特征[12-13]。當(dāng)前，基于像元二分原理利用典型的植被指數(shù)NDVI估算植被覆蓋度得到了廣泛的應(yīng)用[18-20]，但依然存在著當(dāng)覆蓋度高時(shí)NDVI易飽和、覆蓋度低時(shí)NDVI易受土壤背景影響的問(wèn)題?；诖耍狙芯靠紤]植被指數(shù)PWI與NDVI[見(jiàn)公式(2)]公式結(jié)構(gòu)均是NIR與Red反射率的線性關(guān)系，同時(shí)也為了簡(jiǎn)化指數(shù)構(gòu)建的復(fù)雜性，忽略l值，借鑒植被指數(shù)PWI的結(jié)構(gòu)形式，將NDVI做適當(dāng)變換，通過(guò)將NDVI公式分子中的RNIR和分母中的RRed都擴(kuò)大n倍的方式構(gòu)建估測(cè)覆蓋度的新植被指數(shù)NDVIn[見(jiàn)公式(3)]。新指數(shù)NDVIn的設(shè)計(jì)既借鑒了指數(shù)PWI所體現(xiàn)的覆蓋度在NIR-Red光譜空間中的變化分布特征，又結(jié)合了植被紅光吸收易飽和、近紅外反射變化大的特點(diǎn)，通過(guò)增強(qiáng)近紅外和紅光差別的形式來(lái)設(shè)計(jì)植被指數(shù)用于描述植被狀況的原理[10,12]，因而用于估算覆蓋度時(shí)可能具有一定的可行性。

NDVI=(RNIR-RRed)/(RNIR+RRed)

(2)

NDVIn=(n×RNIR-RRed)/(RNIR+n×RRed)

(3)

1.2.3 模型建立與驗(yàn)證

本研究隨機(jī)挑取160個(gè)數(shù)據(jù)作為建模樣本集，利用野外實(shí)測(cè)光譜數(shù)據(jù)和模擬的ZY-3衛(wèi)星數(shù)據(jù)計(jì)算出植被指數(shù)，再與野外實(shí)測(cè)的覆蓋度進(jìn)行回歸分析。通過(guò)以下兩種方法對(duì)模型進(jìn)行驗(yàn)證，第一種方法將剩余的80個(gè)數(shù)據(jù)作為驗(yàn)證樣本集，得到的RMSE作為評(píng)價(jià)模型好壞的指標(biāo)。第二種方法為留一交叉驗(yàn)證法[21]，可以消除隨機(jī)劃分建模樣本集和驗(yàn)證樣本集帶來(lái)的偶然誤差[22]。即假設(shè)有N個(gè)樣本，將每個(gè)樣本單獨(dú)作為測(cè)試集，其余N-1個(gè)樣本作為訓(xùn)練集，這樣得到了N個(gè)分類器或模型，用這N個(gè)結(jié)果的平均值來(lái)衡量模型的性能。

2 結(jié)果與分析

2.1 小麥光譜反射特征及其與覆蓋度的相關(guān)性

從圖2可見(jiàn)，隨著小麥覆蓋度的增大，紅光波段反射率明顯減小，而近紅外波段反射率逐漸增大，且其變化幅度大于紅光波段。裸土光譜反射率在紅光波段內(nèi)明顯高于有植被覆蓋時(shí)的反射率，近紅外波段則明顯低于有植被覆蓋時(shí)的反射率。由圖3可以看出，紅光譜段(600～700 nm)覆蓋度與光譜反射率呈較好的負(fù)相關(guān)，近紅外譜段(750～1 000 nm)覆蓋度與光譜反射率呈較好正相關(guān)，因此，在這些波段范圍內(nèi)考慮建立小麥覆蓋度的估算模型。

圖2 不同覆蓋度水平下植被反射光譜曲線

圖3 不同波段光譜反射率與小麥覆蓋度的相關(guān)系數(shù)

2.2 敏感波段的選擇

因計(jì)算NDVI只用到紅光和近紅外波段，且植被光譜反射率隨植被覆蓋度變化的規(guī)律在1 000 nm后表現(xiàn)不明顯，因此選取600～1 000 nm波段內(nèi)所有波段并兩兩組合[14]，求算其NDVI，然后計(jì)算NDVI與小麥覆蓋度的決定系數(shù)r2(圖4)。結(jié)果顯示，紅光波段600～726 nm和近紅外波段751～1 000 nm內(nèi)任意兩條波段組合計(jì)算出的NDVI與小麥覆蓋度的相關(guān)系數(shù)均在0.8以上，且均達(dá)極顯著水平。決定系數(shù)最高的波段組合為692 nm/858 nm。

圖4 不同波段組合NDVI與小麥覆蓋度決定系數(shù)的等值線圖

2.3 新植被指數(shù)的確定

為了確定n值，利用野外實(shí)測(cè)光譜數(shù)據(jù)根據(jù)公式(3)計(jì)算出NDVIn，然后與野外實(shí)測(cè)的覆蓋度進(jìn)行相關(guān)性分析，得到相關(guān)系數(shù)r(圖5)。圖5中橫軸步長(zhǎng)取0.1，隨著n值的增加，新植被指數(shù)同實(shí)測(cè)覆蓋度間的相關(guān)系數(shù)r先增加后減小，在n=6處取得最大值NDVI6。

2.4 模型分析與驗(yàn)證結(jié)果

利用野外實(shí)測(cè)光譜數(shù)據(jù)和模擬ZY-3衛(wèi)星數(shù)據(jù)根據(jù)公式(2)分別計(jì)算NDVI和NDVI6，再分別與野外實(shí)測(cè)覆蓋度建立模型，擬合方程、r2和第一種驗(yàn)證結(jié)果見(jiàn)表1。從表1可知，基于冠層高光譜和模擬ZY-3衛(wèi)星寬波段多光譜數(shù)據(jù)生成的新指數(shù)NDVI6估算的冬小麥覆蓋度模型r2分別為0.84、0.85,建模RMSE分別為0.092、0.091，而基于冠層高光譜和模擬ZY-3衛(wèi)星寬波段多光譜數(shù)據(jù)生成的NDVI估算冬小麥覆蓋度模型r2都為0.80，建模RMSE都為0.103?？梢?jiàn)，新指數(shù)NDVI6得到的模型精度均優(yōu)于常規(guī)指數(shù)NDVI的估算結(jié)果。此外，利用模擬ZY-3多光譜數(shù)據(jù)生成的植被指數(shù)來(lái)估算小麥覆蓋度優(yōu)于利用冠層高光譜數(shù)據(jù)。

利用留一交叉驗(yàn)證法計(jì)算得到的建模RMSE為0.105，驗(yàn)證RMSE為0.108，小麥覆蓋度的預(yù)測(cè)值和實(shí)測(cè)值之間的決定系數(shù)為0.80(圖6)，兩者間的相關(guān)性比較高，說(shuō)明本次試驗(yàn)的數(shù)據(jù)比較可靠，模型精度較高。

圖5 新植被指數(shù)NDVIn與小麥覆蓋度的相關(guān)系數(shù)

表1 各模型估算覆蓋度誤差對(duì)照表

**:P<0.01.

圖6 FVC真實(shí)值與交叉驗(yàn)證獲得的預(yù)測(cè)值之間的相關(guān)關(guān)系圖

3 討 論

從植被指數(shù)構(gòu)建原理入手，結(jié)合PWI的結(jié)構(gòu)模式，將常規(guī)植被指數(shù)NDVI轉(zhuǎn)換成新植被指數(shù)NDVIn，通過(guò)與實(shí)測(cè)小麥覆蓋度的相關(guān)性分析得出n=6。利用冠層高光譜數(shù)據(jù)和模擬ZY-3衛(wèi)星多光譜數(shù)據(jù)分別構(gòu)建基于NDVI與NDVI6的冬小麥覆蓋度估算模型，然后利用留一交叉驗(yàn)證法對(duì)模型精度進(jìn)行評(píng)價(jià)。結(jié)果顯示，基于ZY-3衛(wèi)星多光譜模擬數(shù)據(jù)生成的NDVI6與小麥覆蓋度建立的模型精度最高，得到的r2、建模RMSE和驗(yàn)證RMSE分別為0.85、0.091和0.110。表明提出的新植被指數(shù)NDVI6用于估測(cè)冬小麥覆蓋度具有可行性，也說(shuō)明基于ZY-3衛(wèi)星遙感數(shù)據(jù)能夠得到較高的作物覆蓋度反演結(jié)果，為衛(wèi)星遙感對(duì)作物覆蓋度的監(jiān)測(cè)和推廣應(yīng)用具有重要意義。

本研究新構(gòu)建的植被指數(shù)雖然對(duì)小麥覆蓋度的估算精度有一定的提高，但提高的幅度并不大，且該方法能否廣泛推廣到其他作物，有待進(jìn)一步驗(yàn)證。其次，基于NIR-Red光譜特征空間的作物水分指數(shù)PWI可很好地用于小麥植株含水量估算，理論上也可以用于小麥覆蓋度的估算，今后將對(duì)其開展深入的研究。此外，人們對(duì)全球變化的研究越來(lái)越重視，以遙感手段推算區(qū)域尺度乃至全球尺度的植被覆蓋度日益成為人們關(guān)注的問(wèn)題。衛(wèi)星遙感技術(shù)在災(zāi)害監(jiān)測(cè)與評(píng)估方面具有獨(dú)特的優(yōu)勢(shì)，如何將地面高光譜數(shù)據(jù)與衛(wèi)星遙感數(shù)據(jù)更好的結(jié)合將成為今后研究農(nóng)情遙感監(jiān)測(cè)的重中之重。

[1]GITELSON A A,KAUFMAN Y J,STARK R,etal.Novel algorithms for remote estimation of vegetation fraction [J].RemoteSensingofEnvironment,2002,80(1):76-87.

[2]PUREVDOR J T S,TATEISHI R,ISHIYAMA T,etal.Relationships between percent vegetation cover and vegetation indices [J].InternationalJournalofRemoteSensing,1998,19(18):3519-3535.

[3]瞿 瑛,劉素紅,夏江周.照相法測(cè)量冬小麥覆蓋度的圖像處理方法研究[J].干旱區(qū)地理,2010,33(6):998-1003.

QU Y,LIU S H,XIA J Z.Image processing methods to determine the fraction cover of winter wheat using digital camera [J].AridLandGeography,2010,33(6):998-1003.

[4]朱 蕾,徐俊鋒,黃敬峰,等.作物植被覆蓋度的高光譜遙感估算模型[J].光譜學(xué)與光譜分析,2008,28(8):1827-1831.

ZHU L,XU J F,HUANG J F,etal.Study on hyperspectral estimation model of crop vegetation cover percentage [J].SpectroscopyandSpectralAnalysis,2008,28(8):1827-1831.

[5]秦 偉,朱清科,張學(xué)霞,等.植被覆蓋度及其測(cè)算方法研究進(jìn)展[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2006,34(9):163-170.

QIN W,ZHU Q K,ZHANG X X,etal.Review of vegetation covering and its measuring and calculating method [J].JournalofNorthwestA&FUniversity(NaturalScienceEdition),2006,34(9):163-170.

[6]包 剛,包玉海,覃志豪,等.高光譜植被覆蓋度遙感估算研究[J].自然資源學(xué)報(bào),2013,28(7):1243-1254.

BAO G,BAO Y H,TAN Z H,etal.Hyper-spectral remote sensing estimation for the vegetation cover [J].JournalofNaturalResources,2013,28(7):1243-1254.

[7]賈寶全,邱爾發(fā),張紅旗.基于歸一化植被指數(shù)的西安市域植被變化[J].林業(yè)科學(xué),2012,48(10):6-12.

JIA B Q,QIU E F,ZHANG H Q.Xi’an vegetation dynamics based on NDVI [J].ForestResearch,2012,48(10):6-12.

[8]WITTICH K-P,HANSING O.Area-averaged vegetative cover fraction estimated from satellite data [J].InternationalJournalofBiometerology,1995,38(4):209-215.

[9]劉玉安,黃 波,程 濤,等.基于像元二分模型的淮河上游植被覆蓋度遙感研究[J].水土保持通報(bào),2012,32(1):93-97.

LIU Y A,HUAGN B,CHENG T,etal.Vegetation coverage in upper Huaihe river basin based on binary pixel model of remote sensing [J].BulletinofSoilandWaterConservation,2012,32(1):93-97.

[10]王正興,劉 闖,Huete Alfredo.植被指數(shù)研究進(jìn)展:從AVHRR-NDVI到MODIS-EVI [J].生態(tài)學(xué)報(bào),2003,23(5):979-987.

WANG Z X,LIU C,HUETE A.From AVHRR-NDVI to MODIS-EVI:Advances in vegetation index research [J].ActaEcologicaSinica,2003,23(5):979-987.

[11]RICHARDSON A J,WIEGAND C L.Distinguish in vegetation from soil background information [J].PhotogrammetricEngineeringandRemoteSensing,1977,43(12):1541-1552.

[12]詹志明,秦其明,阿布都瓦斯提·吾拉木,等.基于NIR-Red光譜特征空間的土壤水分監(jiān)測(cè)新方法[J].中國(guó)科學(xué)(D·地球科學(xué)),2006,36(11):1020-1026.

ZHAN Z M,QIN Q M,ABDUWASIT GHULAM,etal.The new method monitoring soil water content based on NIR-Red spectrum feature space [J].ScienceinChina(SeriesD·EarthScience),2006,36(11):1020-1026.

[13]程曉娟,徐新剛,陳天恩,等.基于NIR-Red光譜特征空間的作物水分指數(shù)[J].光譜學(xué)與光譜分析,2014,34(6):1542-1547.

CHENG X J,XU X G,CHEN T E,etal.The new method monitoring crop water content based on NIR-Red spectrum feature space [J].SpectroscopyandSpectralAnalysis,2014,34(6):1542-1547.

[14]徐 爽,沈潤(rùn)平,楊曉月.利用不同植被指數(shù)估算植被覆蓋度的比較研究[J].國(guó)土資源遙感,2012,95(4):95-100.

XU S,SHEN R P,YANG X Y.A comparative study of different vegetation indices for estimating vegetation coverage based on the dimidiate pixel model [J].RemoteSensingforLand&Resources,2012,95(4):95-100.

[15]李存軍,王紀(jì)華,劉良云,等.基于數(shù)字照片特征的小麥覆蓋度自動(dòng)提取研究[J].浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版),2004,30(6):650-656.

LI C J,WANG J H,LIU L Y,etal.Automated digital image analyses for estimating percent ground cover of winter wheat based on object features [J].JournalofZhejiangUniversity(Agriculture&LifeSciences),2004,30(6):650-656.

[16]PENG GONG,RUILIANG PU,BIGING,G S,etal.Estimation of forest leaf area index using vegetation indices derives from hyperion hyperspectral data [J].IEEETransactionsonGeoscienceandRemoteSensing,2003,41(6):1355-1362.

[17]KYU-SUNG LEE,WARREN B COHEN,ROBERT E KENNEDY,etal.Hyperspectral versus multispectral data for estimating leaf area index in four different biomes [J].RemoteSensingofEnvironment,2004,91(3-4):508-520.

[18]ZHANG XIANFENG,LIAO CHUNHUA,JONATHAN LI,etal.Fractional vegetation cover estimation in arid and semi-arid environments using HJ-1satellite hyperspectral data [J].InternationalJournalofAppliedEarthObservationandGeoinformation,2013,21:506-512.

[19]GULI JIAPAER,CHEN X,BAO A M.A comparison of methods for estimating fractional vegetation cover in arid regions [J].AgriculturalandForestMeteorology,2011,151(12):1698-1710.

[20]廖春華,張顯峰,孫 權(quán),等.基于HJ-1高光譜數(shù)據(jù)的植被覆蓋度估測(cè)方法研究[J].遙感信息,2011(5):65-70.

LIAO C H,ZHANG X F,SUN Q,etal.Fractional vegetation cover estimation using HJ-1 spaceborne hyperspectral data [J].RemoteSensingApplication,2011(5):65-70.

[21]馮琦勝,高新華.Excel在留一法交叉驗(yàn)證實(shí)驗(yàn)教學(xué)中的作用[J].實(shí)驗(yàn)科學(xué)與技術(shù),2015,13(2):49-65.

FENG Q S,GAO X H.Application of excel in the experiment teaching of leave-one-out cross validation [J].ExperimentScience&Technology,2015,13(2):49-65.

[22]付元元,楊貴軍,馮海寬,等.基于高光譜維數(shù)約簡(jiǎn)與植被指數(shù)估算冬小麥葉面積指數(shù)的比較[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(23):107-113.

FU Y Y,YANG G J,FENG H K,etal.Comparison of winter wheat LAI estimation methods based on hyperspectral dimensionality reduction and vegetation index [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2012,28(23):107-113.

Estimating Vegetation Coverage of Winter Wheat Based on New Vegetation Index

CHEN Zhaoxia1,2,3,XU Xingang2,3,XU Liangji1,YANG Guijun2,3,XING Huimin2,3,HE Peng2,3

(1.Anhui University of Science & Technology Institute of Surveying and Mapping,Huainan,Anhui 232001,China;2.Beijing Research Center for Information Technology in Agriculture Remote Sensing Mintech,Beijing 100097,China;3.National Engineering Research Center for Information Technology in Agriculture Remote Sensing Mintech,Beijing 100097,China)

In order to improve the precision of fractional canopy cover estimations of winter wheat,a new index,NDVIn,was derived by enhancing the difference between red and near-infrared reflectance. By using of canopy hyperspectral data and simulated wide band multi-spectral data of ZY-3 in 2013 and 2014,estimation models were built based on typical NDVI and the new NDVIn. Then,leave one-out cross validation evaluated model.The results showed that NDVInachieved the best performance with annvalue of 6.The model precision of estimating winter wheat coverage based on the new index NDVI6was better than typical NDVI built by using of canopy hyperspectral data and simulated ZY-3 wide band multi-spectral data withr2being 0.84,0.85,RMSE being 0.092,0.091. Likewise,NDVIncan feasibly be used to estimate fractional cover of winter wheat.

Fractional coverage; Spectral response function; NDVI; NDVI6; Leave one-out cross validation

時(shí)間：2016-07-07

2016-01-04

2016-02-15

國(guó)家自然科學(xué)基金項(xiàng)目(41571416)；北京市農(nóng)林科學(xué)院創(chuàng)新能力建設(shè)專項(xiàng)(KJCX20150409)；北京市自然科學(xué)基金項(xiàng)目(4152019)

E-mail：1553199389@qq.com

徐新剛(E-mail:xxgpaper@126.com)

S512.1；S314

A

1009-1041(2016)07-0939-06

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20160707.1531.032.html