賈永倩，王振錫，李園，瞿余紅，劉玉霞

(新疆農(nóng)業(yè)大學林學與園藝學院/新疆教育廳干旱區(qū)林業(yè)生態(tài)與產(chǎn)業(yè)技術重點實驗室，烏魯木齊 830052)

基于高光譜的阿克蘇市棗葉面積指數(shù)估算模型

賈永倩，王振錫，李園，瞿余紅，劉玉霞

(新疆農(nóng)業(yè)大學林學與園藝學院/新疆教育廳干旱區(qū)林業(yè)生態(tài)與產(chǎn)業(yè)技術重點實驗室，烏魯木齊 830052)

【目的】通過將原始光譜數(shù)據(jù)經(jīng)過不同的數(shù)據(jù)變換方式，分析其與棗冠層LAI的相關關系，建立基于高光譜的阿克蘇市棗冠層LAI的估測模型，為快速、精確、無損傷、大范圍的適時、動態(tài)監(jiān)測植被LAI提供有效途徑?！痉椒ā炕谠脊庾V數(shù)據(jù)的不同數(shù)據(jù)變換方式，采用相關性分析和逐步回歸分析方法。【結(jié)果】不同數(shù)據(jù)變換后的冠層光譜反射率與棗LAI具有較好的相關性，微分變換后的相關性較原始相關性有所提升。所建模型經(jīng)過精度評價發(fā)現(xiàn)，原始光譜數(shù)據(jù)經(jīng)倒數(shù)一階微分變換后估測模型擬合度和預測精度都最高，一階微分、對數(shù)一階微分、歸一化一階微分次之?！窘Y(jié)論】不同數(shù)據(jù)變換方式后的光譜數(shù)據(jù)與塔里木盆地棗LAI有顯著的相關性，可以用微分、對數(shù)微分、歸一化微分、倒數(shù)微分變換后的數(shù)據(jù)建立較理想的塔里木盆地棗LAI的估測模型。

紅棗；高光譜；葉面積指數(shù)

0 引 言

【研究意義】葉面積指數(shù)(leaf area index，LAI)是植被生物物理的重要參數(shù)之一[1]，它作為指示植被長勢最重要的參數(shù)之一直接影響了植被的生理生長過程和氣體交換過程，如蒸騰作用、光合作用、碳通量等[2]。光譜技術具有分析速度快、效率高、成本低、重現(xiàn)性好、測試方便等特點[3-4]，可實現(xiàn)快速、精確、無損傷、大范圍的森林葉面積指數(shù)估測。估算植被LAI的空間變化及其對物候的響應對植被的長勢、光合作用、病蟲害監(jiān)測、生物量估算以及碳循環(huán)都有重要意義[5-6]?！厩叭搜芯窟M展】國內(nèi)外學者主要從輻射傳輸模型構建[7-9]和植被指數(shù)構建[10-13]兩方面提高LAI的反演精度。研究的植被類型主要集中在農(nóng)作物上，如楊燕[14]、王秀珍等[15-16]對水稻葉面積指數(shù)進行了估算；梁亮等[17]用高光譜數(shù)據(jù)反演了小麥葉面積指數(shù)；黃敬峰等[18]用紅邊特征值反演了油菜葉面積指數(shù)；黃春燕等[19]研究了大豆葉面積指數(shù)的估算模型；柏軍華等[20-21]利用高光譜數(shù)據(jù)對棉花的葉面積指數(shù)和產(chǎn)量進行了估測；張正揚等[22]利用高光譜數(shù)據(jù)建立了煙草的葉面積指數(shù)估測模型；譚昌偉、李鳳秀等[23-25]研究了玉米葉面積指數(shù)的光譜響應。杜春雨、駱社周等[26-30]從高光譜遙感圖像上提取的植被指數(shù)與地面實測的LAI構建回歸模型，反演森林葉面積指數(shù)；部分學者[31-34]通過挑選敏感波段來減少背景環(huán)境因素的影響，建立植被指數(shù)與LAI的函數(shù)關系，用逐步回歸法估測LAI值，也有學者如湯旭光等[35]分別運用植被指數(shù)、神經(jīng)網(wǎng)絡以及小波分析3種方法進行LAI的估算，并取得較好的精度?！颈狙芯壳腥朦c】對塔里木盆地棗葉面積指數(shù)的高光譜估測模型尚未見報道。研究用不同的數(shù)據(jù)變換方式，建立塔里木盆地棗LAI的估算模型?！緮M解決的關鍵問題】將實測棗高光譜數(shù)據(jù)采用一階微分、對數(shù)、對數(shù)一階微分、歸一化、歸一化一階微分、倒數(shù)、倒數(shù)一階微分七種變換方式后分析與棗LAI的相關性，建立具有普遍適應性的塔里木盆地棗LAI的估算模型，為適時、動態(tài)監(jiān)測植被LAI提供有效途徑。

1 材料與方法

1.1 材 料

試驗于2013年7月在新疆阿克蘇市新疆農(nóng)業(yè)大學阿克蘇紅旗坡教學科研實習基地(地理坐標N41°17′56.42″～N41°18′5 616″、E80°20′23″～E80°20′56.16″，海拔1 215 m)進行。實驗對象為南疆塔里木盆地主栽果樹棗(Ziziphus zizyphus Mill)，試驗區(qū)果樹為東西行向栽植的灰棗，樹齡7年，株行距1.0 m×3.0 m，平均株高2.5米，平均冠幅1.4 m×1.6 m(東西×南北)。在試驗區(qū)隨機選擇具有代表性的處于開花坐果期的樣株43株進行高光譜反射率和LAI的測定。

1.2 方 法

1.2.1 光譜采集

對所有選定的樹掛標簽標識，并用GPS進行定位。光譜測定采用美國PP Systems公司生產(chǎn)的UniSpec-SC(單通道)便攜式光譜分析儀，波段值為310～1 130 nm，光譜分辨率為1 nm，最大視場角為20°。所有觀測值均選擇在晴朗無風的天氣，每次測定時間為12:00～16:00(太陽高度角大于45°)。為適應果樹光譜信息的采集，采用長度為5 m的外加光纖觀測冠層光譜，光譜儀探頭垂直向下，與冠幅距離約1.5 m并且根據(jù)所選樣本冠幅和高度調(diào)整探頭與樹冠之間的距離，為限制冠層反射率的非各向同性的影響，對每個樣株只進行陽面光譜測定，每個樣株重復測定3次，為保證數(shù)據(jù)的準確性，每測一個樣株進行一次白板矯正。去除異常光譜曲線后，將30個樣本作為建模樣本，其余20個樣本作為檢驗樣本。

1.2.2 葉面積指數(shù)采集

用美國LI-COR公司生產(chǎn)的LAI-2000植物冠層儀(PCA)于測試光譜的當日傍晚，在棗光譜測定的樣本區(qū)選擇與光譜采集點位置幾乎相同的點作為測定點，同樣重復測定5次，取前三次平均值作為建模樣本，后兩次平均值作為檢驗樣本。因為LAI-2000是基于透射測量，所以測量的結(jié)果是有效葉面積指數(shù)(effective plant area index，LAIe)。雖然有效LAI比真實LAI偏小，但它的誤差很小，并且比真實LAI更容易測得，能反映冠層內(nèi)在特性，并且與真實LAI存在一定比例的相關性，所以實驗直接用有效LAI并將它稱為LAI。

1.2.3 高光譜數(shù)據(jù)變換方式

由于光譜數(shù)據(jù)在400 nm以前和900 nm以后噪聲比較大，為了減少數(shù)據(jù)量和限制隨機噪聲水平，實驗選用波段范圍在400～900 nm的光譜數(shù)據(jù)進行分析。研究表明，一階微分變換有利于限制低頻背景光譜(通常是土壤，凋落物及枯死地被物光譜)對目標光譜的影響[36]。對光譜反射率經(jīng)對數(shù)和歸一化變換后，不僅趨向于增強可見光區(qū)的光譜差異，而且趨向于減少因光照條件變換引起的乘性因素的影響，若對對數(shù)變換和歸一化變換后的數(shù)據(jù)再作微分處理，這樣不僅去除了因光照條件變化的乘性因素的影響，而且減弱了附加低頻噪聲的影響[37]。另外，對原始數(shù)據(jù)進行數(shù)據(jù)變換后，不僅可以有效的壓抑非植被光譜的影響，還可以使原始光譜數(shù)據(jù)與LAI的線性關系轉(zhuǎn)換為變換后光譜數(shù)據(jù)與LAI的線性關系，即轉(zhuǎn)換成原始光譜數(shù)據(jù)與LAI的非線性關系以提高模型的精度。對建模原始光譜數(shù)據(jù)R進行如下七種變換。

(1)對R的一階微分變換

d(R)=((r3-r1)/Δλ,(r4-r2)/Δλ...(rn-rn-2)/Δλ).

(2)對R的對數(shù)變換

log(R)=(log(r1),log(r2),log(r3),...log(rn)).

(3)對R的歸一化變換

N(R)=(r1-rmin)/(rmax-rmin),...(rn-rmin)/(rmax-rmin).

(4)對R的倒數(shù)變換

(5)對log(R)的一階微分變換

d(log(R)).

(6)對N(R)的一階微分變換

d(N(R)).

(7)對P(R)的一階微分變換

d(P(R)).

1.2.4 精度評價

采用常用的決定系數(shù)(R2)、均方根差(RMSE)對模型的估測值和實測值之間的符合度進行驗證和評價。引用Massart等[30]提出的精確度和準確度概念，即R2值、估測值與實測值之間線性回歸方程的斜率，越接近1，精確度和準確度越高，同時為1時，估測值與實測值完全吻合。均方根差公式如下

2 結(jié)果與分析

2.1 光譜反射率與樹冠LAI的相關關系

從棗原始光譜反射率和LAI的相關性可以看出，630～690nm(紅光區(qū))為樹冠LAI與原始光譜數(shù)據(jù)負相關最大區(qū)域，在690～750nm，光譜反射率與樹冠LAI相關關系變化較大，由明顯的負相關變?yōu)槊黠@的正相關，這是因為在此區(qū)段光譜由紅光波段的強吸收轉(zhuǎn)變?yōu)榻t外波段的強反射。在750～900nm(近紅外區(qū)域)相關系數(shù)的變化較為平穩(wěn)并在779nm處達到最大值0.55。原始數(shù)據(jù)經(jīng)對數(shù)、歸一化變換后的相關系數(shù)曲線與原始光譜相關系數(shù)曲線在走勢、形態(tài)上幾乎一致，主要差異表現(xiàn)在相關系數(shù)值均有所提升，尤其是歸一化變換后的相關系數(shù)值，平均提升了0.1。倒數(shù)變換后的曲線與原始曲線是相反的，但是相關系數(shù)絕對值也有所提升。原始光譜經(jīng)一階微分、對數(shù)一階微分、歸一化一階微分、倒數(shù)一階微分變換后曲線上下波動劇烈，不再隨著波長的增加呈現(xiàn)單一性的變化，近紅外區(qū)域的相關系數(shù)較原始相關系數(shù)有所降低，經(jīng)微分變換后的相關系數(shù)最大值出現(xiàn)在710～740nm處，并且在經(jīng)歸一化一階微分變換后的725nm處達到最大值0.73。因此，經(jīng)不同數(shù)據(jù)變換后的光譜反射率比原始光譜反射率與棗冠層LAI的相關性高。圖1

圖 1 不同數(shù)據(jù)變換方式的光譜反射率與棗LAI的相關關系

Fig. 1 Correlation between different data transformations of original spectral reflectance and Jujube LAI

2.2 棗冠層光譜與LAI的高光譜估算模型

棗LAI與棗冠層光譜特征的相關分析結(jié)果表明，原始光譜和經(jīng)對數(shù)、歸一化、倒數(shù)變換后的光譜在紅光和近紅外波段與LAI相關性最好且曲線形態(tài)一致，選取779、680、799、839和875nm處波段作為原始光譜和經(jīng)對數(shù)、歸一化、倒數(shù)變換后建模的敏感變量。原始光譜反射率經(jīng)一階微分、對數(shù)一階微分、歸一化一階微分、倒數(shù)一階微分變換后的光譜在綠光、紅光和近紅外波段與LAI相關性最好，并因變換方式不同，敏感變量區(qū)間也略有不同，因此分別選取613、650、737、771和801nm處波段作為經(jīng)一階微分變換后的建模敏感變量，471、564、613、706和885nm處波段作為經(jīng)對數(shù)一階微分變換后的建模敏感變量，420、641、700、726和778nm處波段作為經(jīng)歸一化一階微分變換后的建模敏感變量，546、575、668、796和893nm處波段作為經(jīng)倒數(shù)一階微分變換后的建模敏感變量。表1采用SPSS軟件中的Regression分析的方法將棗冠層的建模敏感波段作為自變量，棗冠層LAI作為因變量進行逐步回歸分析，以0.01極顯著水平為檢驗標準，建立估測模型。分析結(jié)果顯示，隨著入選波段數(shù)的增加，回歸方程的擬合度(R2)也逐漸增加。8種擬合模型都能較好的反映棗LAI與光譜反射率、變換后的光譜反射率之間的變化關系，構建的棗LAI估算模型精度均較好，決定系數(shù)在0.508～0.845，其中經(jīng)歸一化一階微分變換后的5波段入選方程擬合度最高。原始光譜數(shù)據(jù)經(jīng)對數(shù)、倒數(shù)、歸一化變換后的擬合模型相對原始光譜數(shù)據(jù)的擬合模型總精度均有所提高，但不是很明顯，對數(shù)變換后的5波段入選建立的模型精度甚至比原始模型精度還要低。經(jīng)微分變換后的擬合模型精度明顯提高，總體精度以倒數(shù)一階微分和歸一化一階微分變換后的最好。表2～表9利用篩選的敏感波段的原始光譜反射率與棗葉面積指數(shù)建立回歸方程，結(jié)果顯示，以五波段入選的回歸方程擬合度最高為0.775，擬合方程為：

表1 不同數(shù)據(jù)變換類型的光譜數(shù)據(jù)建模波段選取

Table 1 Band spectral data modeling of different data transformation type selection

光譜數(shù)據(jù)類型Spectraldatatype建模波段Modelingband原始(Originalspectral)779nm、680nm、799nm、839nm、875nm一階微分(First-orderdifferential)613nm、650nm、737nm、771nm、801nm對數(shù)(Logarithmic)779nm、680nm、799nm、839nm、875nm對數(shù)一階微分(Logarithmicfirst-orderdifferential)471nm、564nm、613nm、706nm、885nm歸一化(Normalize)779nm、680nm、799nm、839nm、875nm歸一化一階微分(Normalizefirst-orderdifferential)420nm、641nm、700nm、726nm、778nm倒數(shù)(Inverse)779nm、680nm、799nm、839nm、875nm倒數(shù)一階微分(Inversefirst-orderdifferential)546nm、575nm、668nm、796nm、893nm

表2 原始光譜反射率與棗LAI的回歸關系

Table 2 Regression relationship between original spectral reflectance and Jujube LAI

波長Wavelength回歸方程Regressionequation擬合度(R2)Fittingdegree779nm,680nmY=1.678+2.742λ779-12.280λ6800.608779nm,680nm,799nmY=2.005+32.2189λ779-12.124λ680-29.842λ7990.675779nm,680nm,799nm,839nmY=1.757+49.055λ779-12.216λ680-72.303λ799+25.916λ8390.717779nm,680nm,799nm,839nm,875nmY=2.020+47.924λ779-10.412λ680-93.178λ799+75.152λ839-27.896λ8750.775

Y=2.020+47.924λ779-10.412λ680-93.178λ799+75.152λ839-27.896λ875. 表3

表3 一階微分變換后光譜反射率與棗LAI的回歸關系

Table 3 Regression relationship between d(R)transform spectral reflectance and Jujube LAI

波長Wavelength回歸方程Regressionequation擬合度(R2)Fittingdegree737nm,613nmY=1.73+119.378λ737-719.747λ6130.641737nm,613nm,801nmY=1.252+112.212λ737-838.361λ613-217.088λ8010.721737nm,613nm,801nm,771nmY=1.382+76.316λ737-873.873λ613-259.378λ801+169.214λ7710.784737nm,613nm,801nm,771nm,650nmY=1.422+55.823λ737-1171.663λ613-272.581λ801+223.144λ771+421.591λ6500.825

利用篩選的敏感波段的原始光譜反射率與棗葉面積指數(shù)建立回歸方程，結(jié)果顯示，以五波段入選的回歸方程擬合度最高為0.825，擬合方程為：

Y=1.422+55.823λ737-1 171.663λ613-272.581λ801+223.144λ771+421.591λ650. 表4

表4 對數(shù)變換后光譜反射率與棗LAI的回歸關系

Table 4 Regression relationship between log(R) transform spectral reflectance and Jujube LAI

波長Wavelength回歸方程Regressionequation擬合度(R2)Fittingdegree779nm,680nmY=1.266+1.104λ779-0..636λ6800.598779nm,680nm,799nmY=1.206+13.810λ779-0.613λ680-13.059λ7990.671779nm,680nm,799nm,839nmY=1.263+20.091λ779-0.623λ680-29.458λ799+10.355λ8390.709779nm,680nm,799nm,839nm,875nmY=1.312+19.618λ779-0.529λ680-38.417λ799+31.570λ839+12.139λ8750.771

利用篩選的敏感波段的原始光譜反射率與棗葉面積指數(shù)建立回歸方程，結(jié)果顯示，以五波段入選的回歸方程擬合度最高為0.771，擬合方程為：

Y=1.312+19.618λ779-0.529λ680-38.417λ799+31.570λ839+12.139λ875. 表5

表5 對數(shù)一階微分變換后光譜反射率與棗冠層LAI的回歸關系

Table 5 Regression relationship between d(log(R)) transform spectral reflectance and Jujube LAI

波長Wavelength回歸方程Regressionequation擬合度(R2)Fittingdegree706nm,471nmY=1.002+26.345λ706-36.609λ4710.637706nm,471nm,613nmY=1.171+17.595λ706-32.499λ471-46.643λ6130.731706nm,471nm,613nm,564nmY=1.102+26.973λ706-40.246λ471-44.652λ613+40.949λ5640.779706nm,471nm,613nm,564nm,885nmY=1.333+24.957λ706-43.116λ471-34.511λ613+47.464λ564+66.833λ8850.820

利用篩選的敏感波段的原始光譜反射率與棗葉面積指數(shù)建立回歸方程，結(jié)果顯示，以五波段入選的回歸方程擬合度最高為0.820，擬合方程為：

Y=1.333+24.957λ706-43.116λ471-34.511λ613+47.464λ564+66.833λ885. 表6

表6 歸一化變換后光譜反射率與棗冠層LAI的回歸關系

Table 6 Regression relationship between N(R) transform spectral reflectance and Jujube LAI

波長Wavelength回歸方程Regressionequation擬合度(R2)Fittingdegree779nm,680nmY=1.589+0.692λ779-2.755λ6800.558779nm,680nm,799nmY=1.958+8.911λ779-2.727λ680-8.324λ7990.668779nm,680nm,799nm,839nmY=1.261+14.278λ779-2.018λ680-20.251λ799+6.818λ8390.706779nm,680nm,799nm,839nm,875nmY=2.409+11.183λ779-2.736λ680-21.906λ799+19.257λ839+8.214λ8750.768

利用篩選的敏感波段的原始光譜反射率與棗葉面積指數(shù)建立回歸方程，結(jié)果顯示，以五波段入選的回歸方程擬合度最高為0.768，擬合方程為：

Y=2.409+11.183λ779-2.736λ680-21.906λ799+19.257λ839+8.214λ875. 表7

表7 歸一化一階微分變換后光譜反射率與棗冠層LAI的回歸關系

Table 7 Regression relationship between d(N(R)) transform spectral reflectance and Jujube LAI

波長Wavelength回歸方程Regressionequation擬合度(R2)Fittingdegree726nm,420nmY=0.300+53.455λ726-90.109λ4200.687726nm,420nm,641nmY=0.104+54.892λ726-97.063λ420-110.437λ6410.78726nm,420nm,641nm,700nmY=0.281+50.636λ726-105.926λ420-88.595λ641-13.120λ7000.816726nm,420nm,641nm,700nm,778nmY=0.271+47.943λ726-117.521λ420-94.546λ641-15.414λ700+39.682λ7780.845

利用篩選的敏感波段的原始光譜反射率與棗葉面積指數(shù)建立回歸方程，結(jié)果顯示，以五波段入選的回歸方程擬合度最高為0.845，擬合方程為：

Y=0.271+47.943λ726-117.521λ420-94.546λ641-15.414λ700+39.682λ778. 表8

表8 倒數(shù)變換后光譜反射率與棗冠層LAI的回歸關系

Table 8 Regression relationship between P(R) transform spectral reflectance and Jujube LAI

波長Wavelength回歸方程Regressionequation擬合度(R2)Fittingdegree779nm,680nmY=2.613-0.443λ779+0.033λ6800.586779nm,680nm,799nmY=2.278-5.905λ779+0.031λ680+5.696λ7990.668779nm,680nm,799nm,839nmY=2.479-8.168λ779+0.032λ680+11.838λ799-4.107λ8390.701779nm,680nm,799nm,839nm,875nmY=2.226-7.965λ779+0.027λ680+15.568λ799-12.917λ839+5.146λ8750.764

利用篩選的敏感波段的原始光譜反射率與棗葉面積指數(shù)建立回歸方程，結(jié)果顯示，以五波段入選的回歸方程擬合度最高為0.764，擬合方程為：

Y=2.226-7.965λ779+0.027λ680+15.568λ799-12.917λ839+5.146λ875. 表9

表9 倒數(shù)一階微分變換后光譜反射率與棗冠層LAI的回歸關系

Table 9 Regression relationship between d(P(R)) transform spectral reflectance and Jujube LAI

波長Wavelength回歸方程Regressionequation擬合度(R2)Fittingdegree668nm,796nmY=2.013+5.53λ586+74.952λ7960.646796nm,668nm,893nmY=2.196+89.715λ796+1.561λ668+15.380λ8930.769796nm,668nm,893nm,575nmY=2.044+86.693λ796+1.174λ668+14.313λ893+1.304λ5750.806796nm,668nm,893nm,575nm,546nmY=2.077+76.302λ796+1.466λ668+14.783λ893+1.533λ575+3.297λ5460.833

利用篩選的敏感波段的原始光譜反射率與棗葉面積指數(shù)建立回歸方程，結(jié)果顯示，以五波段入選的回歸方程擬合度最高為0.833，擬合方程為：

Y=2.077+76.302λ796+1.466λ668+14.783λ893+1.533λ575+3.297λ546.

分析結(jié)果顯示，隨著入選波段數(shù)的增加，回歸方程的擬合度(R2)也逐漸增加。8種擬合模型都能較好的反映棗LAI與光譜反射率、變換后的光譜反射率之間的變化關系，構建的棗LAI估算模型精度均較好，決定系數(shù)在0.508～0.845，其中經(jīng)歸一化一階微分變換后的5波段入選方程擬合度最高。原始光譜數(shù)據(jù)經(jīng)對數(shù)、倒數(shù)、歸一化變換后的擬合模型相對原始光譜數(shù)據(jù)的擬合模型總精度均有所提高，但不是很明顯，對數(shù)變換后的5波段入選建立的模型精度甚至比原始模型精度還要低。經(jīng)微分變換后的擬合模型精度明顯提高，總體精度以倒數(shù)一階微分和歸一化一階微分變換后的最好。

2.3 LAI反演精度評價

上述采用多元逐步回歸法建立的棗LAI估測模型，雖然均達到了顯著水平，但這種方法擬合的方程往往會出現(xiàn)“過度擬合”現(xiàn)象，這種現(xiàn)象主要發(fā)生在當波段多樣本小時，這時波段反射率可能與某些理化成分并不相關，因此，有必要對所建模型進行精度檢驗。即用8種估測模型中精度最高的(5波段入選模型)回歸方程進行棗冠層LAI反演，將檢驗樣本數(shù)據(jù)代入模型對估測值和實測值的符合度進行了檢驗。圖2

除原始估測模型外，其他模型的準確度(R2)和精確度(k)均較高，在0.713～0.833，均方根誤差也均在0.3以下。擬合度較好的歸一化一階微分變換后的光譜反射率建立的估測模型精度和準確度都不如一階微分、對數(shù)一階微分、倒數(shù)一階微分變換后的估測模型。因此，經(jīng)倒數(shù)一階微分變換后的估測模型擬合度和預測精度都較好。表10

表10 不同方法驗證模型的比較

Table 10 Comparison of Validation models by different methods

數(shù)據(jù)變換方式Datatransformation精確度(R2)Precision準確度(k)Accuracy均方根誤差(RMSE)R0.1490.3611.1111d(R)0.8250.8250.0543log(R)0.7710.7710.0621d(log(R))0.8200.8200.0551N(R)0.7750.7750.0616d(N(R))0.7130.6740.2110P(R)0.7640.7640.0631d(P(R))0.8330.8330.0531

圖2 棗冠層實測LAI與估測LAI相關分析

Fig.2 Correlation analysis between measured LAI and estimated LAI

3 討 論

通過對棗葉面積指數(shù)與光譜反射率特征的相關研究，分析發(fā)現(xiàn)原始波段的相關性明顯小于微分光譜、對數(shù)光譜、歸一化光譜、倒數(shù)光譜等，原因可能是原始單波段光譜包含的信息簡單而且易受外界因素的影響，但微分光譜能夠降低或去除土壤、凋落物等背景因素對樹冠光譜的影響[36]，而對原始光譜進行歸一化、倒數(shù)、對數(shù)等處理后再做微分處理，這樣不僅去除了因光照條件變化的乘性因素的影響[37]，而且減弱了附加低頻噪聲的影響。用逐步回歸法篩選出的波段大多都在紅光區(qū)和近紅外平臺區(qū)，可用這些波段組合一些光譜植被指數(shù)來反演LAI，如比值植被指數(shù)(RVI)、歸一化差值植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)[38-41]等。目前對于葉面積指數(shù)的估測模型大都是針對農(nóng)作物的，果樹方面的研究報道較少見，且大都是用各種植被指數(shù)、農(nóng)學參數(shù)與LAI做的估測模型，用不同方式數(shù)據(jù)變換的光譜數(shù)據(jù)與LAI做估測模型是首次嘗試。

但研究初步得出的結(jié)論是基于一個年份和一個地點觀測獲得的，加之樣本數(shù)有限，因此，基于棗葉面積指數(shù)的高光譜估算模型其預測性能的準確性和穩(wěn)定性，以及所建模型是否適合其他棗品種類型和大面積的區(qū)域，仍需進一步實驗論證。

4 結(jié) 論

以阿克蘇市主要經(jīng)濟樹種棗為研究對象，通過對高光譜原始反射率數(shù)據(jù)、變換后的光譜反射率數(shù)據(jù)與LAI進行相關性分析，并利用逐步回歸法建立回歸方程，經(jīng)驗證，7種變換方式下估測模型預測精度都較高，且經(jīng)一階微分、對數(shù)一階微分、歸一化一階微分、倒數(shù)一階微分變換后的估測模型具有最佳的預測精度，實測LAI與預測LAI有顯著的線性關系，R2分別為0.825 4、0.819 9、0.712 6、0.833，可見用微分變換后的光譜數(shù)據(jù)可較好的估測葉面積指數(shù)。

References)

[1] 浦瑞良,宮鵬.高光譜遙感及其應用[M].北京:高等教育出版社,2000.

PU Rui-liang, GONG peng. (2000).HyperspectralRemoteSensingandItsApplication[M]. Beijing: Higher Education Press.(in Chinese)

[2] Duchemin, B., Hadria, R., Erraki, S., Boulet, G., Maisongrande, P., & Chehbouni, A., et al. (2006). Monitoring wheat phenology and irrigation in central morocco: on the use of relationships between evapotranspiration, crops coefficients, leaf area index and remotely-sensed vegetation indices.AgriculturalWaterManagement, 79(1):1-27.

[3]胡珍珠,潘存德,王世偉,等. 輪臺白杏葉片氮磷鉀含量光譜估算模型[J]. 新疆農(nóng)業(yè)科學,2013,(2):238-248.

HU Zhen-zhu, PAN Cun-de, WANG Shi-wei, et al. (2013). Models for Estimating Foliar NPK Content of Armeniaca vulgaris 'Luntaibaixing' Using Spectral Reflectance [J].XinjiangAgriculturalSciences, 50(2):238-248. (in Chinese)

[4]胡珍珠,潘存德,高淑然. 輪臺白杏果實不同生育期葉片光譜特性及對氮磷鉀的敏感性[J]. 新疆農(nóng)業(yè)科學,2012,49(3):421-429.

HU Zhen-zhu, PAN Cun-de, GAO Shu-ran. (2012). Leaf Spectral Characteristics and Its Sensitivity to N, P, K in Different Fruit Growth Periods of Armeniaca vulgaris 'Luntaibaixing' [J].XinjiangAgriculturalSciences, 49(3):421-429. (in Chinese)

[5]趙英時.遙感應用分析原理與方法[M].北京:科學出版社,2003:388-390.

ZHAO Ying-shi. (2003).Principlesandmethodsofremotesensingapplicationanalysis[M]. Beijing: Science Press: 388-390. (in Chinese)

[6]王希群,馬履一.葉面積指數(shù)的研究和應用進展[J].生態(tài)學雜志,2005,24(5):537-541.

WANG Xi-qun, MA Lü-yi. (2005). Research and application advances in leaf area index (LAI) [J].JournalofEcology, 24(5):537-541. (in Chinese)

[7] Jacquemoud, S., Bacour, C., Poilvé, H., & Frangi, J. P. (2000). Comparison of four radiative transfer models to simulate plant canopies reflectance : direct and inverse mode.RemoteSensingofEnvironment,74(3):471-481.

[8] Eklundh, L., Harrie, L., & Kuusk, A. (2001). Investigating relationships between landsat etm+ sensor data and leaf area index in a boreal conifer forest.RemoteSensingofEnvironment, 78(3):239-251.

[9]田慶久,閔祥軍.植被指數(shù)研究進展[J].地球科學進展,1998,13(4):327-332.

TIAN-Qing-jiu, MIN Xiang-jun. (1998). Research progress of vegetation index [J].EarthScience, 13(4):327-332. (in Chinese)

[10]方秀琴,張萬昌.葉面積指數(shù)(LAI)的遙感定量方法綜述[J].國土資源遙感,2003,(3):58-62.

FANG Xiu-qin, ZHANG Wan-chang. (2003). The application of remotely sensed data to the estimation of the leaf area index [J].RemoteSensingofLandandresources, (3):58-62. (in Chinese)

[11]李鳳秀,張柏.基于垂直植被指數(shù)的東北黑土區(qū)玉米LAI反演模型研究[J].干旱區(qū)農(nóng)業(yè)研究,2008,26(3):33-38.

LI Feng-xiu, ZHANG Bai. (2008). Retrieval model for estimating corn LAI in black soil region of Northeast China based on Perpendicolar Vegetation Index [J].AgriculturalResearchinAridAreas, 26(3):33-38. (in Chinese)

[12]李鳳秀,張柏.玉米葉面積指數(shù)與高光譜植被指數(shù)關系研究[J].遙感技術與應用,2007,50(10):586-592.

LI Feng-xiu, ZHANG Bai. (2007). Research and Analysis of the Correlation between Hyperspectral Vegetation Index and Leaf Area Index [J]SensingTechnologyandApplication, 50(10):586-592. (in Chinese)

[13]靳華安,劉殿偉.三江平原濕地植被葉面積指數(shù)遙感估算模型[J].生態(tài)學雜志,2008,27(5):803-808.

JIN Hua-An, LIU Dian-wei. (2008). Remote sensing estimation models of wetland vegetation LAI in Sanjiang Plain [J].JournalofEcology, 27(5):803-808. (in Chinese)

[14]楊燕,田慶久. 高光譜反演水稻葉面積指數(shù)的主成分分析法[J]. 國土資源遙感,2007,(3):47-50,61.

YANG Yan, TIAN Qing-jiu. (2007). Principal Component Analysis Method for Retrieving Leaf Area Index of Rice from Hyperspectral Data [J].RemoteSensingofLandandResources, (3):47-50,61. (in Chinese)

[15]王秀珍,黃敬峰,李云梅,等. 水稻葉面積指數(shù)的多光譜遙感估算模型研究[J]. 遙感技術與應用,2003,18(2):57-65.

WANG Xiu-zhen, HUANG Jing-feng, LI Yun-mei, et al. (2003). The Study on Multi-spectral Remote Sensing Estimation Models about LAI of Rice [J].RemoteSensingTechnologyandApplication, 18(2):57-65. (in Chinese)

[16]王秀珍,黃敬峰,李云梅, 等. 水稻葉面積指數(shù)的高光譜遙感估算模型[J]. 遙感學報,2004,(1):81-88.

WANG Xiu-zhen, HUANG Jing-feng, LI Yun-mei, et al. (2004). Hyperspectral remote sensing estimation model of rice leaf area index [J].RemoteSensing, (1):81-88. (in Chinese)

[17]梁亮,楊敏華,張連蓬, 等. 小麥葉面積指數(shù)的高光譜反演[J]. 光譜學與光譜分析,2011,(6):1 658-1 662.

LIANG Liang, YANG Min-hua, ZHANG Lian-peng, et al. (2011). heat Leaf Area Inde0x Inversion Using Hyperspectral Remote Sensing Technology [J].SpectroscopyandSpectralAnalysis, (6):1,658-1,662. (in Chinese)

[18]黃敬峰,王淵,王福民, 等. 油菜紅邊特征及其葉面積指數(shù)的高光譜估算模型[J]. 農(nóng)業(yè)工程學報,2006,(8):22-26.

HUANG Jing-feng, WANG Yuan, WANG Fu-min, et al. (2006). Red edge characteristics and leaf area index estimation model using hyperspectral data for rape [J].JournalofAgriculturalEngineering. (8):22-26. (in Chinese)

[19]黃春燕,劉勝利,王登偉, 等. 大豆葉面積指數(shù)的高光譜估算模型研究[J]. 大豆科學,2008,(2):228-232.

HUANG Chun-yan, LIU Sheng-li, WANG Deng-wei, et al. (2007). Models for Estimating Soybean Leaf Area Index Using Hyperspeetral Data [J].SoybeanScience, (2):228-232. (in Chinese)

[20]柏軍華,李少昆,王克如, 等. 棉花葉面積指數(shù)冠層反射率光譜響應及其反演[J]. 中國農(nóng)業(yè)科學,2007,(1):63-69.

BAI Jun-hua, LI Shao-kun, WANG Ke-ru, et al. (2007). The Response of Canopy Reflectance Spectrum for the Cotton LAI and LAI Inversion [J].ScienceAgriculturaSinica, (1):63-69. (in Chinese)

[21]柏軍華. 基于LAI的棉花產(chǎn)量近地遙感模型研究[D].石河子: 石河子大學碩士論文,2005.

BAI Jun-hua.(2005).LAIRemoteSensingofNear-EarthModelBasedonCottonProduction[D]. Master Dissertation. Shehezi University, Shehezi. (in Chinese)

[22]張正楊,馬新明,賈方方, 等. 煙草葉面積指數(shù)的高光譜估算模型[J]. 生態(tài)學報,2012,(1):168-175.

ZHANG Zheng-yang, MA Xin-ming, JIA Fang-fang, et al. (2012). Hyperspectral estimating models of tobacco leaf area index [J].JournalofAppliedEcology, (1):168-175. (in Chinese)

[23]譚昌偉,王紀華,黃文江,等. 夏玉米葉片全氮、葉綠素及葉面積指數(shù)的光譜響應研究[J]. 西北植物學報,2004,(6):1 041-1 046.

TAN Chang-wei, WANG Ji-hua, HUANG Wen-jiang, et al. (2004). Study on spectral variation of LTN, CHL and LAI of summer maize [J].NorthwestPlant, (6):1,041-1,046. (in Chinese)

[24]譚昌偉,黃義德,黃文江,等. 夏玉米葉面積指數(shù)的高光譜遙感植被指數(shù)法研究[J]. 安徽農(nóng)業(yè)大學學報,2004,(4):392-397.

TAN Chang-wei, HUANG Yi-de, HUANG Wen-jiang, et al. (2004). Study on Colony Leaf Area Index of Summer Maize by Remote Sensing Vegetation Indexes Method [J].JournalofAnhuiAgriculturalUniversity, (4):392-397. (in Chinese)

[25]李鳳秀,張柏,宋開山,等. 玉米葉面積指數(shù)與高光譜植被指數(shù)關系研究[J]. 遙感技術與應用,2007,(5):586-592.

LI Feng-xiu, ZHANG Bai, SONG Kai-shan, et al. (2007). Research and Analysis of the Correlation between Hyperspectral Vegetation Index and Leaf Area Index [J]. Remote Sensing Technology and Application, (5):586-592. (in Chinese)

[26]杜春雨. 基于TM影像的葉面積指數(shù)反演[D].哈爾濱：東北林業(yè)大學碩士論文,2010.

DU Chun-yu.(2010).BasedonLeafAreaIndexInversionTMImages[D]. Master Dissertation, Northeast Forestry University, Harbin. (in Chinese)

[27]駱社周,程峰,王方建,等. 基于TM遙感數(shù)據(jù)的西藏林芝地區(qū)葉面積指數(shù)反演[J]. 遙感技術與應用,2012,(5):740-745.

LUO She-zhou, CHENG Feng, WANG Fang-jian, et al. (2012). Leaf Area Index Inversion based on TM in Linzhi,Tibet [J].RemoteSensingTechnologyandApplication, (5):740-745. (in Chinese)

[28]姚延娟,陳良富,柳欽火, 等. 基于波譜知識庫的MODIS葉面積指數(shù)反演及驗證[J]. 遙感學報,2006,(6):869-878.

YAO Yan-juan, CHEN Liang-fu, LIU Qin-huo, et al. (2006). Inversion and Validation of Leaf Area Index Based on the Spectral & Knowledge Database Using MODIS Data [J].JournalofRemoteSensing, (6):869-878. (in Chinese)

[29]林文鵬,趙敏,張翼飛, 等. 基于SPOT5遙感影像的城市森林葉面積指數(shù)反演[J]. 測繪科學,2008,(2):57-59,63.

LIN Wen-peng, ZHAO Min, ZHANG Yi-fei, et al. (2008). Study on estimation of urban forest LAI models based on SPOT5 [J].SurveyingandMapping, (2):57-59,63. (in Chinese)

[30]張兆明,何國金,江洪. 基于EO-1Hyperion高光譜影像的福建森林葉面積指數(shù)反演[J]. 科學技術與工程,2013,13(31):9 159-9 162,9 176.

ZHANG Zhao-ming, HE Guo-jin, JIANG Hong. (2013). Forest leaf area index retrieval in Fujiang Provice based on EO-1 hyperison hyper-spectral imagery [J].ScienceTechnologyandEngineering, 13(31):9,159-9,162，9,176. (in Chinese)

[31]曹衛(wèi)星. 數(shù)字農(nóng)作技術研究進展與發(fā)展方向[J]. 作物雜志,2008,(6):3-5.

CAO Wei-xing. (2008). Digital agriculture technology research progress and development direction [J]Crops, (6):3-5. (in Chinese)

[32]趙麗芳,譚炳香,楊華, 等. 高光譜遙感森林葉面積指數(shù)估測研究現(xiàn)狀[J]. 世界林業(yè)研究,2007,(2):50-54.

ZHAO Li-fang, TAN Bing-xiang, YANG Hua, et al. (2007). Review of the Estimating Forest Leaf Area Index with Hyperspectral Remote Sensing Data [J].WorldForestryResearch, (2):50-54. (in Chinese)

[33]吳朝陽,牛錚. 基于輻射傳輸模型的高光譜植被指數(shù)與葉綠素濃度及葉面積指數(shù)的線性關系改進[J]. 植物學通報,2008,(6):714-721.

WU Chao-yang, NIU Zheng.(2008). Improvement in Linearity Between Hyperspectral Vegetation Indices and Chlorophyll Content, Leaf Area Index Based on Radiative Transfer Models [J].BulletinofBotany,(6):714-721. (in Chinese)

[34]劉曉臣,范聞捷,田慶久, 等. 不同葉面積指數(shù)反演方法比較研究[J]. 北京大學學報(自然科學版),2008,(5):827-834.

LIU Xiao-chen, FAN Wen-jie, TIAN Qing-jiu, et al. (2008). C Comparative Analysis among Different Methods of Leaf Area Index Inversion [J].JournalofPekingUniversity(Natural Science), (5):827-834. (in Chinese)

[35]湯旭光,劉殿偉,宋開山, 等. 東北主要綠化樹種葉面積指數(shù)(LAI)高光譜估算模型研究[J]. 遙感技術與應用,2010,(3):334-341.

TANG Xu-guang, LIU Dian-wei, SONG Kai-shan,et al. (2010). A Study for Estimating the Main Tree Species Leaf Area Index in Northeast Based on Hyperspectral Data [J].SensingTechnologyandApplication, (3):334-341. (in Chinese)

[36] 浦瑞良,宮鵬, 約翰 R. 等. 應用CASI圖像數(shù)據(jù)估計橫跨美國俄勒岡州針葉林葉面積指數(shù)[J]. 南京林業(yè)大學學報,1993,17(1):41-48.

PU Rui-liang, GONG Peng, John R. et al. (1993). Estimation of coniferous forest leaf area index along the Oregon transect using CASI Data [J].NanjingForestryUniversity, 17(1):41-48. (in Chinese)

[37] 張良培,張立福. 高光譜遙感[M]. 武漢:武漢大學出版社,2005.

ZHANG Liang-pei, ZHANG Li-fu. (2005).HyperspectralRemoteSensing[M] Wuhan: Wuhan University Press. (in Chinese)

[38]白蘭東,茍葉培,邵文文, 等. 基于多角度遙感的植被指數(shù)與葉面積指數(shù)的線性關系研究[J]. 測繪工程,2016,(1):1-4,9.

BAI Lan-dong, GOU Ye-pei, SHAO Wen-wen, et al. (2016). On the linear relationship between vegetation indices and leaf area index based on multi-angle remote sensing [J].SurveyingEngineering, (1):1-4,9. (in Chinese)

[39]袁媛,瑚波,武興厚,等. 夏玉米植被指數(shù)與葉面積指數(shù)的關系研究[J]. 陜西氣象,2015,(3):24-28.

YUAN Yuan, HU bo, WU Xing-hou, et al. (2015). Relationship between Summer Maize Vegetation Indices and Leaf Area Index [J].ShanxiMeteorology, (3):24-28. (in Chinese)

[40]齊波,張寧,趙團結(jié),等. 利用高光譜技術估測大豆育種材料的葉面積指數(shù)[J]. 作物學報,2015,(7):1 073-1 085.

QI Bo, ZHANG Ning, ZHAO Tuan-jie, et al. (2015). Prediction of Leaf Area Index Using Hyperspectral Remote Sensing in Breed-ing Programs of Soybean [J].ActaAgronomicaSinica, (7):1,073-1,085. (in Chinese)

[41]翟羽娟,張艷紅,劉兆禮,等. 基于主成分分析的植被指數(shù)與葉面積指數(shù)相關性研究[J]. 測繪與空間地理信息,2015,(9):20-23.

ZHAI Yu-juan, ZHANG Yan-hong, LIU Zhao-li, et al. (2015). Correction Analysis between leaf Area Index and Vegetation Index of Maize Based on Principal Component [J].GeomaticsandSpatialInformationTechnology, (9):20-23. (in Chinese)

Fund project:Xinjiang Uygur Autonomous Region university research program focused on scientific research projects (XJEDU2013I16); High-resolution Earth Observation System special "Xinjiang characteristics of fruit and fruit area of precision monitoring and application demonstration subsystem" (95-Y40B02-9001-13 / 15-01-01); China Postdoctoral Science Foundation (2015M572668XB)

Hyperspectral Estimation Models of Jujube Leaf Area Index in Southern Xinjiang Basin

JIA Yong-qian, WANG Zhen-xi, LI Yuan, QU Yu-hong, LIU Yu-xia

(CollegeofForestryandHorticulture,XinjiangAgriculturalUniversity/KeyLaboratoryofForestryEcologyandIndustryTechnologyinAridAreaofEducationDepartmentofXinjiang,Urumqi830052,China)

【Objective】 The project aims to transform original spectral data by different methods, analyze their relationship with Jujube LAI, establish the Hyperspectral Estimation Models of Jujube LAI in Southern Xinjiang in the hope of providing an effective way for the rapid, accurate, non-invasive, a wide range of timely, dynamic monitoring of vegetation LAI.【Method】Based on different data transformations of original spectral reflectance, using correlation analysis and stepwise regression analysis.【Result】Different data transformations of original spectral reflectance and Jujube LAI had a better correlation. The model through the accuracy assessment found that the original spectral data by inverse first-order differential transformation had the highest fitness and prediction accuracy. The first-order differential, the logarithmic first-order differential, followed by normalized first-order differential.【Conclusion】There is a significant correlation between the spectral data of different transformation and Jujube LAI in Southern Xinjiang, and the model can be established by first-order differential, logarithmic first-order differential, the normalized first-order differential, inverse first-order differential of original spectral reflectance to estimate Jujube LAI in Southern Xinjiang.

jujube；hyperspectrum；leaf area index

2016-08-15

新疆維吾爾自治區(qū)高?？蒲杏媱澘茖W研究重點項目(XJEDU2013I16)；高分辨率對地觀測系統(tǒng)專項"新疆特色林果面積精準監(jiān)測與應用示范分系統(tǒng)"(95-Y40B02-9001-13/15-01-01)；中國博士后科學基金項目(2015M572668XB)

賈永倩(1991-)，女，甘肅蘭州人，碩士研究生，研究方向為林業(yè)3S技術及應用，(E-mail)jiayongqian2014@163.com

王振錫(1977-)，男，新疆人，副教授，博士，碩士生導師，研究方向為林業(yè)3S技術及應用，(E-mail)wangzhenxi2003@163.com

10.6048/j.issn.1001-4330.2016.12.003

S665.1

：A

：1001-4330(2016)12-2175-12