趙靜瑤，張學(xué)霞,2，楊 維

（1.北京林業(yè)大學(xué) 水土保持學(xué)院，北京100083；2.北京林業(yè)大學(xué) 水土保持國(guó)家林業(yè)和草原局重點(diǎn)實(shí)驗(yàn)室， 北京 100083）

植物的蒸騰作用是生物圈水循環(huán)中非常重要的一個(gè)環(huán)節(jié)，對(duì)于調(diào)節(jié)大氣濕度、環(huán)境溫度和降雨量有著重要作用。植被水分含量也是影響生物體燃燒的一個(gè)重要因素［1］，對(duì)森林火險(xiǎn)有著重要的影響。在干旱和半干旱地區(qū)，葉片含水量可以反映水分脅迫下樹(shù)木的生長(zhǎng)狀態(tài)，進(jìn)而對(duì)不同樹(shù)種的耐旱性能進(jìn)行評(píng)價(jià)。同時(shí)，植物葉片含水量也是陸面生態(tài)模型計(jì)算的一個(gè)關(guān)鍵參數(shù)［2］。因此，快速、準(zhǔn)確地估算植物的葉片含水量，不僅可以為綠化園林建設(shè)，提升區(qū)域生態(tài)功能，打造生態(tài)宜居城市提供指導(dǎo)意義，而且在防護(hù)林經(jīng)營(yíng)管理以及森林火災(zāi)風(fēng)險(xiǎn)管理和預(yù)測(cè)方面也具有重要的參考價(jià)值。傳統(tǒng)的葉片水分含量測(cè)定方法需要對(duì)植物進(jìn)行破壞性采樣，而且耗時(shí)費(fèi)力。光譜技術(shù)的快速發(fā)展，使快速無(wú)損傷地測(cè)定葉片水分含量成為可能。目前，利用高光譜數(shù)據(jù)估算植被生化參數(shù)的方法主要有2種［3］：一是基于經(jīng)驗(yàn)和半經(jīng)驗(yàn)的統(tǒng)計(jì)方法，即建立光譜反射率或其變化形式與植被生化參數(shù)的回歸方程來(lái)估算植被生化參數(shù)，半經(jīng)驗(yàn)統(tǒng)計(jì)方法的重點(diǎn)是構(gòu)建與某一生化參數(shù)高度相關(guān)而對(duì)其他參數(shù)不敏感的植被指數(shù)，建立其與生化參數(shù)之間的關(guān)系，對(duì)植被生化參數(shù)進(jìn)行估算。二是基于輻射傳輸模型反演方法，輻射傳輸模型描述了植被與入射光譜之間的相互作用過(guò)程和特征，相對(duì)于傳統(tǒng)的經(jīng)驗(yàn)/半經(jīng)驗(yàn)方法，輻射傳輸模型物理意義明確，穩(wěn)定性好且具有普適性。冀榮華等［4］研究表明：在420～500，640～680和740～860 nm等3個(gè)波段區(qū)間內(nèi)葉片含水量與反射光譜有較高的相關(guān)性，而且采用神經(jīng)元網(wǎng)絡(luò)方法建立的蘋(píng)果Malus pumila葉片含水量預(yù)測(cè)模型精度較高。 胡珍珠等［5］選取水分指數(shù)（water index,IWI），水分波段指數(shù)（water band index,IWBI）， 歸一化水分指數(shù)（normalized difference water index,INDWI）， 比值指數(shù)（IWI/INDWI），中心波長(zhǎng)比值指數(shù)（IRatio975）和光化/生理反射（photochemical reflectance index，IPRI）等6種光譜水分指數(shù)構(gòu)建了核桃Juglans葉片等效水厚度估算模型，表明應(yīng)用光譜水分指數(shù)可以較好地定量反演核桃葉片含水量。馮海寬等［6］利用擴(kuò)展傅里葉幅度靈敏度檢測(cè)方法和偏最小二乘方法，構(gòu)建新的歸一化近紅外水分指數(shù)（INDIWI）建立蘋(píng)果葉片等效水厚度估算模型，表明EFAST-PLS在估算葉片等效水厚度方面有較大潛力。程志慶等［2］應(yīng)用IGVMI/IMSI，全球植被水分指數(shù)（IGVMI），水分脅迫指數(shù)（moisture stress index,IMSI）估算楊樹(shù)Populus葉片水分含量，表明IGVMI/IMSI指數(shù)為估算楊樹(shù)葉片等效水厚度的最佳指數(shù)。王青華等［7］分析了原始光譜的反射率及其13種變換光譜反射率與蘋(píng)果葉片水分含量之間的相關(guān)性，篩選敏感波段并利用支持向量機(jī)建立了蘋(píng)果葉片等效水厚度的定量估算模型，達(dá)到較好精度。目前，應(yīng)用最為廣泛的植物葉片輻射傳輸模型主要為PROSPECT模型和LIBERTY模型，分別用于模擬計(jì)算闊葉和針葉的反射率和透射率。陸成等［8］研究表明：PROSPECT模型有良好的物理基礎(chǔ)，能夠準(zhǔn)確地模擬葉片的反射率和透射率。徐壽林［9］基于PROSPECT模型和粒子群算法建立了葉片生化組分與光譜反射率之間的關(guān)系，為反演提取葉片組分的含量信息打下了基礎(chǔ)。CECCATO等［10］通過(guò)對(duì)PROSEPCT模型進(jìn)行敏感度分析，表明結(jié)合近紅外波段（NIR）和短波近紅外波段 （SWIR）可以提高估算葉片等效水厚度的精度。方美紅等［11］基于PROSPECT模型的輻射傳輸理論，并用實(shí)測(cè)數(shù)據(jù)驗(yàn)證表明小波分析方法在反演葉片水分含量方面具有獨(dú)特的優(yōu)勢(shì)。COLOMBO等［12］分別使用光譜水分指數(shù)和PROSPECT模型估算了葉片等效水厚度，探究了經(jīng)驗(yàn)?zāi)Ｐ秃洼椛鋫鬏斈Ｐ凸浪闳~片含水量的適用性。目前，植被水分估算研究大多應(yīng)用于作物水分方面，對(duì)闊葉樹(shù)種的研究較少。而且傳統(tǒng)的基于特征波段建立的葉片水分估算模型，由于光譜信息復(fù)雜，容易存在入選波段穩(wěn)定性差，生化參量含義不明確、多重共線性、回歸過(guò)度擬合的問(wèn)題［13］。光譜指數(shù)可以使光譜反射信息最大化，外部因素最小化，簡(jiǎn)化葉片含水量估算模型。本研究以闊葉樹(shù)種為研究對(duì)象，利用EFAST全局敏感性分析方法，旨在篩選與葉片含水量敏感度高的光譜水分指數(shù)，構(gòu)建葉片等效水厚度估算模型，為葉片層次上估算等效水厚度提供技術(shù)參考。

1 材料與方法

1.1 實(shí)測(cè)數(shù)據(jù)獲取

本研究選取8個(gè)闊葉樹(shù)種作為研究對(duì)象，分別為華東椴Tilia japonica，山杏Armeniacasibirica，洋白蠟Fraxinuspennsylvanica， 加楊Populus×canadensis，蒙古櫟Quercus mongolica，美國(guó)榆Ulmusamericana，刺槐Robiniapseudoacacia，臭椿Ailanthus altissima定期進(jìn)行樣本采集，并測(cè)量得到其葉片光譜反射率數(shù)據(jù)和葉片等效水厚度數(shù)據(jù)。監(jiān)測(cè)地點(diǎn)選在北京林業(yè)大學(xué)校園內(nèi)，監(jiān)測(cè)時(shí)間為2016年4-10月和2017年5-6月，監(jiān)測(cè)周期為7 d。

1.1.1 葉片采樣及葉片光譜測(cè)定 葉片光譜測(cè)定采用荷蘭愛(ài)萬(wàn)提斯AvaSpec光纖光譜儀進(jìn)行測(cè)定，其中可見(jiàn)光光譜儀波長(zhǎng)范圍為200～1100 nm，近紅外光譜儀范圍為1000～2500 nm，光譜間隔為1 nm。葉片光譜測(cè)定時(shí)間與采集樣本時(shí)間同步，選在11：00到14：00光照充足，晴朗少云無(wú)風(fēng)的時(shí)段進(jìn)行。對(duì)新鮮葉片樣品測(cè)量光譜后迅速放入自封袋中帶回實(shí)驗(yàn)室進(jìn)行葉片等效水厚度的測(cè)定。

1.1.2 葉片等效水厚度測(cè)定 使用精度為1/1000的分析天平稱取采得的葉片鮮質(zhì)量，用Yaxin-1241葉面積儀測(cè)量得到葉片面積，然后使用烘箱將所有葉片樣品在75℃條件下烘干48 h以上，直至恒量再次稱量得到葉片干質(zhì)量。葉片等效水厚度（lEWT）的計(jì)算公式如下：lEWT=（mFW-mDW）/A。其中：lEWT為等效水厚度（g·cm-2或者 cm），mFW表示葉片鮮質(zhì)量（g），mDW表示葉片干質(zhì)量（g），A為葉片面積（cm2）。

1.2 PROSPECT模型

PROSPECT模型通過(guò)模擬葉片在400～2500 nm波段內(nèi)的上行和下行輻射通量得到葉片的反射率和透射率。該模型假設(shè)葉片由N層同性質(zhì)的平板堆疊而成，并由N-1層空氣隔開(kāi)，只有在葉片表皮存在光線的非漫射特性，而在葉片內(nèi)部，光線被認(rèn)為是各向同性的。本研究采用最新版PROSPECT模型（PROSPECT5）［14］。該模型把光合色素區(qū)分為葉綠素和類胡蘿卜素來(lái)探索葉片的光合特性，并通過(guò)計(jì)算新的折射指數(shù)以及設(shè)置更加合理的葉片表面參數(shù)，從而使模擬的葉片反射率更加準(zhǔn)確，是目前得到廣泛認(rèn)可的葉片輻射傳輸模型之一。PROSPECT5模型需要6個(gè)輸入?yún)?shù)，包括葉片結(jié)構(gòu)（N），葉綠素含量（Cab， μg·cm-2）， 等效水厚度（lEWT， g·cm-2）， 類胡蘿卜素含量（Car， μg·cm-2）， 葉黃素含量（Cbrown， μg·cm-2）和干物質(zhì)含量（Cm， g·cm-2）。 研究參照公開(kāi)的野外實(shí)測(cè)數(shù)據(jù)集LOPEX’93（Leaf Optical Properties Experiment）中的樣本數(shù)據(jù)［15-16］以及實(shí)測(cè)葉片樣本數(shù)據(jù)，確定了模型各參數(shù)的取值范圍（表1）。

表1 PROSPECT模型輸入?yún)?shù)的取值范圍Table 1 Range of input parameters for PROSPECT model

1.3 EFAST全局敏感性分析方法

擴(kuò)展傅立葉振幅靈敏度分析（EFAST）是由SALTELLI等［17］在CUKIER等的基礎(chǔ)上進(jìn)一步擴(kuò)展的一種敏感性分析方法。EFAST可以定性并且定量地得到不同輸入?yún)?shù)對(duì)模型輸出結(jié)果的影響。EFAST是對(duì)局部敏感性分析的一種改進(jìn)，它允許模型的輸入?yún)?shù)可以同時(shí)變化，以探究參數(shù)之間的耦合作用對(duì)模型輸出結(jié)果的影響。局部敏感性分析只允許一個(gè)參數(shù)變化，其他參數(shù)保持不變。EFAST分析方法可以得到一階敏感指數(shù)和總階敏感指數(shù)，一階敏感指數(shù)表示的是目標(biāo)模型輸入?yún)?shù)的方差占總方差的百分比，總階敏感指數(shù)表示目標(biāo)輸入?yún)?shù)和所有輸入?yún)?shù)之間相互作用的方差占總體方差的百分比。當(dāng)模型輸入?yún)?shù)相互獨(dú)立或者說(shuō)參數(shù)之間沒(méi)有耦合作用時(shí)，總敏感性指數(shù)等同于局部敏感性指數(shù)。本研究使用的敏感性分析軟件為SimLab 2.2以及Matlab 2015b。分析過(guò)程包括樣本生成、連接模型、Monte Carlo模擬以及敏感性分析4個(gè)部分。

2 結(jié)果與分析

2.1 葉片參數(shù)敏感性定性分析

本研究首先采用傳統(tǒng)的參數(shù)敏感性分析方法OTA（one factor at a time）［18］對(duì)PROSPECT模型進(jìn)行了敏感性研究，即設(shè)定目標(biāo)的參數(shù)范圍，其他參數(shù)保持不變，并且認(rèn)定各參數(shù)之間是相互獨(dú)立的，進(jìn)而分析各個(gè)參數(shù)變化對(duì)模型輸出結(jié)果的影響程度。模型參數(shù)參照表1的基礎(chǔ)值，因?yàn)轭惡}卜素含量和葉黃素含量影響范圍較小，此處不作考慮。參數(shù)取值變化引起的光譜變化范圍如圖1所示。

圖1 PROSPECT模型各參數(shù)引起光譜變化情況Figure 1 Spectral changes caused by parameter variations of PROSPECT model

圖1顯示葉綠素含量對(duì)光譜的影響主要在可見(jiàn)光波段，即400～800 nm，其光譜反射率隨葉綠素含量的增大而減小，在近紅外和短波紅外波段范圍內(nèi)不變化。葉片結(jié)構(gòu)和干物質(zhì)含量的主要影響波段為700～2500 nm。葉片等效水厚度和干物質(zhì)含量對(duì)可見(jiàn)光波段影響不明顯，其主要影響范圍在近紅外和短波紅外波段，葉片等效水厚度主要影響的光譜波段為900～2500 nm。在這段范圍內(nèi)，光譜反射率隨兩者取值的增大而減小。

2.2 葉片參數(shù)敏感性定量分析

為了量化每個(gè)參數(shù)對(duì)光譜反射率的影響，本研究采用EFAST方法進(jìn)行了全局敏感性分析，并與之前的敏感性分析進(jìn)行比較。研究對(duì)PROSPECT模型的輸入?yún)?shù)范圍設(shè)置為均勻分布，按照EFAST采樣方法得到1494組模型輸入?yún)?shù)樣本（EFAST法認(rèn)為采樣次數(shù)大于參數(shù)個(gè)數(shù) 65倍的分析結(jié)果有效）［16］，然后連接PROSPECT模型，基于參數(shù)樣本模擬出1494條光譜數(shù)據(jù)，最后在Simlab軟件中對(duì)模擬結(jié)果執(zhí)行Monte Carlo模擬及敏感性分析。

圖2 葉片生化參數(shù)的一階敏感指數(shù)Figure 2 First order indices of leaf spectral reflectance to leaf characteristics

圖2顯示了使用PROSPECT模型模擬出來(lái)的數(shù)據(jù)進(jìn)行全局敏感性分析的結(jié)果。圖2中一階敏感指數(shù)以百分比形式表示，表示每個(gè)參數(shù)對(duì)模型輸出結(jié)果的貢獻(xiàn)程度，也可以解釋為光譜反射率對(duì)每個(gè)葉片生化參數(shù)的敏感度。一階敏感指數(shù)總和接近于100%，這表明模型輸出的不確定性不是由于參數(shù)之間的相互作用引起的。圖2顯示在400～750 nm波段內(nèi)，模型輸出結(jié)果主要受Cab的影響，其次為N。在750～1200 nm波段內(nèi)，光譜反射率主要受N和Cm影響，其中N的貢獻(xiàn)度最高達(dá)90%左右，Cm的貢獻(xiàn)度保持在8%～9%。在波長(zhǎng)900 nm處，可以觀察到lEWT開(kāi)始對(duì)模型輸出結(jié)果產(chǎn)生影響，并在波長(zhǎng)1440，1920和2500 nm處其貢獻(xiàn)達(dá)到頂峰。這一波段范圍內(nèi)，lEWT起著主要貢獻(xiàn)作用，然而Cm和N也在一定程度上影響著模型輸出結(jié)果。因此，為了提高估算lEWT的精度，應(yīng)該結(jié)合其他波段的信息將N和Cm的影響最小化。根據(jù)上述分析結(jié)果，在750～1200 nm波段內(nèi)，lEWT的敏感度較小，光譜反射率主要受N和Cm影響，因此可以與900～2500 nm波段結(jié)合以減弱N和Cm的影響，以達(dá)到提高對(duì)lEWT敏感度的目的。

2.3 植被水分指數(shù)敏感性分析

為了探究這2個(gè)波段范圍的組合是否有效，本研究選擇了8種目前應(yīng)用廣泛的植被水分指數(shù)。這8種植被水分指數(shù)均由參考波段和測(cè)量波段2個(gè)波段以比值或者歸一化形式組成。參考波段選擇lEWT敏感度較低的波段，如820和860 nm。測(cè)量波段為lEWT敏感的波段，如1240，1600，1640和2130 nm。由于實(shí)測(cè)光譜中1340～1450，1780～2000和2350～2500 nm波段是大氣中受水汽和噪聲影響較大的波段［19］，所以本研究在選擇植被指數(shù)時(shí)不考慮這些波段。本研究選擇的具體植被水分指數(shù)名稱及其計(jì)算公式見(jiàn)表2。

表2 植被水分指數(shù)計(jì)算公式Table 2 Equation of water content spectral indices

為探究這些植被水分指數(shù)對(duì)lEWT的敏感度，本研究對(duì)這8種植被水分指數(shù)進(jìn)行了EFAST敏感性分析，并與植被水分指數(shù)中測(cè)量波段的敏感性分析結(jié)果進(jìn)行對(duì)比。結(jié)果如表3和表4。

表3 單一波長(zhǎng)光譜反射率敏感性分析Table 3 Sensitivity analysis of single wavelength to lEWT,N and Cm

表4 植被水分指數(shù)敏感性分析Table 4 Sensitivity analysis of vegetation water content indices to lEWT,N and Cm

對(duì)比表 3和表 4可以看出：IMSI，ISRWI，INDII，INDWI1240，INDWI1640，INDWI2130和IGVWI相較測(cè)量波段都有效地降低了N和Cm對(duì)光譜反射率的影響，提高了lEWT的敏感度。 其中IMSI，ISRWI，INDII，INDWI1240和INDWI1640這5種植被水分指數(shù)對(duì)lEWT的敏感度都達(dá)80%以上，IMSI最高，為87.03%。INMDI對(duì)lEWT的敏感度最低，與測(cè)量波段相比，INMDI只是較好地降低了N的影響，其對(duì)lEWT的敏感度反而降低，對(duì)Cm的敏感度也有所上升。從敏感指數(shù)改變量來(lái)看，INDWI1240提升lEWT敏感度而弱化葉片結(jié)構(gòu)和干物質(zhì)含量的干擾能力最強(qiáng)，敏感指數(shù)增加了76.54%，其次為ISRWI，除INMDI外，INDWI2130的敏感指數(shù)改變量最低，僅為24.8%。說(shuō)明對(duì)測(cè)量波段的選擇也不是lEWT敏感性越高越好。所以根據(jù)敏感性分析結(jié)果，對(duì)lEWT敏感度最高的植被水分指數(shù)依次為IMSI，INDII和INDWI1640。

2.4 基于光譜水分指數(shù)的葉片等效水厚度估算能力分析

為了直觀表明8種植被水分指數(shù)估算葉片等效水厚度的能力，本研究基于314組實(shí)測(cè)的光譜反射率數(shù)據(jù)和對(duì)應(yīng)的葉片水分?jǐn)?shù)據(jù)，分別使用這8個(gè)植被水分指數(shù)建立統(tǒng)計(jì)回歸模型并進(jìn)行預(yù)測(cè)，以模型決定系數(shù)（R2）和均方根誤差（ERMSE）為指標(biāo)對(duì)各植被指數(shù)的估算模型精度進(jìn)行評(píng)價(jià)。研究以植被水分指數(shù)為自變量，266組葉片水分?jǐn)?shù)據(jù)分別建立線性、一元二次函數(shù)、對(duì)數(shù)、冪函數(shù)和指數(shù)函數(shù)估算模型。結(jié)果表明：ISRWI，INDII，INDWI1240，INDWI1640，INDWI2130，INMDI和IGVWI建立的葉片水分估算模型，擬合R2最大的均為一元二次函數(shù)，IMSI為指數(shù)函數(shù)，但其R2與對(duì)應(yīng)的一元二次函數(shù)模型的R2相差很小。所以本研究就以8種植被水分指數(shù)的一元二次函數(shù)模型進(jìn)行對(duì)比（表5）。

表5 基于光譜水分指數(shù)的統(tǒng)計(jì)回歸模型及其評(píng)價(jià)指標(biāo)Table 5 Spectral index statistical regression model and its evaluation indexes

從表5可以看出：IMSI，INDII，INDWI1640，INDWI2130和IGVWI的建模精度較高，其估算模型R2均在0.60以上，估算模型精度排名前3位的依次為INDWI1640，INDII和IMSI，R2分別為0.6843，0.6795和0.6752，均方根誤差ERMSE均為0.0071 g·cm-2。ISRWI和INDWI1240的建模精度較低，R2分別為0.5962和0.5958，ERMSE均為0.0080 g·cm-2。INMDI估算模型的R2最低，僅為0.16。綜合敏感性分析和估算模型的結(jié)果，INMDI并不適合在葉片尺度上估算葉片含水量。

為了對(duì)比上述估算模型的預(yù)測(cè)能力，本研究利用另外48組實(shí)測(cè)的樣本數(shù)據(jù)對(duì)估算模型進(jìn)行驗(yàn)證。以決定系數(shù)R2，均方根誤差ERMSE作為評(píng)估葉片等效水厚度估算模型的預(yù)測(cè)精度和穩(wěn)定性的指標(biāo)。各植被水分指數(shù)估算模型的預(yù)測(cè)結(jié)果如圖3。

從圖3可以看出：估算模型預(yù)測(cè)結(jié)果的R2較高的為INDWI1640，INDII和IMSI，與估算模型的R2保持良好一致，其均方根誤差ERMSE分別為0.0034，0.0034和0.0036 g·cm-2。INDWI2130模型預(yù)測(cè)精度也保持在良好水平，R2為0.5613，但是其ERMSE較大，為0.0045 g·cm-2，說(shuō)明該模型的預(yù)測(cè)值與實(shí)測(cè)值相差較大。IGVWI模型的預(yù)測(cè)能力屬于中等水平，其R2為0.5103，ERMSE為0.0035 g·cm-2。INDWI1240和ISRWI的估算模型預(yù)測(cè)精度較差，R2僅在0.1400左右，從圖3B和圖3D可以看出：當(dāng)lEWT大于0.0200 g·cm-2時(shí)，INDWI1240和ISRWI預(yù)測(cè)值出現(xiàn)較大偏差，出現(xiàn)了過(guò)早飽和現(xiàn)象，說(shuō)明INDWI1240和ISRWI適合低值區(qū)域的葉片等效水厚度反演。而且研究發(fā)現(xiàn)：在植被水分指數(shù)敏感分析中，INDWI1240和ISRWI與測(cè)量波段相比，其敏感度改變量最大，可能是INDWI1240和ISRWI在lEWT某一特定范圍內(nèi)比較敏感，陳小平等［27］研究顯示：INDWI1240在lEWT低值區(qū)域變化比較明顯，到一定程度時(shí)達(dá)到飽和，而且指數(shù)抗噪能力差，實(shí)際反演效果具有局限性。程志慶等［2］研究顯示：IGVMI在lEWT處于0.0090～0.0270 g·cm-2時(shí)，可以靈敏地反應(yīng)葉片水分的變化，但當(dāng)lEWT大于0.0270 g·cm-2時(shí)，其敏感性趨于穩(wěn)定。綜合考慮，葉片尺度上估算葉片等效水厚度效果最好的指數(shù)為INDWI1640和INDII。這一結(jié)果與陳小平等［27］和張佳華等［28］的研究結(jié)果基本一致。同時(shí)研究表明：基于冠層反射率提出的INMDI不適合用于葉片尺度的等效水厚度估算。

圖3 驗(yàn)證集葉片lEWT預(yù)測(cè)值與實(shí)測(cè)值的關(guān)系Figure 3 Relationships between predicted lEWTand measured lEWT

3 結(jié)論

本研究使用EFAST方法對(duì)PROSPECT模型葉片各項(xiàng)生化參數(shù)進(jìn)行了敏感性分析。在敏感性分析基礎(chǔ)上優(yōu)選植被水分指數(shù)，并以闊葉樹(shù)種為研究對(duì)象，根據(jù)其地面實(shí)測(cè)lEWT和光譜數(shù)據(jù)建立了葉片等效水厚度估算模型。得出以下結(jié)論：①EFAST相較傳統(tǒng)的敏感性分析方法，可以定量地得到葉片各項(xiàng)生化參數(shù)的敏感指數(shù)，其中：lEWT的敏感波段為900～2500 nm，但在這個(gè)范圍內(nèi)光譜反射率也受N和Cm的影響，所以應(yīng)該結(jié)合其他波段的信息來(lái)估算lEWT?；诖诉x擇了8種植被水分指數(shù)，敏感性最強(qiáng)的依次為IMSI，INDII和INDWI1640，最弱的為INMDI。其結(jié)果為葉片生化參數(shù)反演植被水分指數(shù)選擇以及模型結(jié)果的優(yōu)化與改進(jìn)奠定了基礎(chǔ)。②本研究基于植被水分指數(shù)建立葉片等效水厚度估算模型并驗(yàn)證發(fā)現(xiàn)，INDWI1640，INDII和IMSI估算模型的預(yù)測(cè)精度較好，并與其模型精度保持了良好的一致性。INDWI1640和INDII是葉片尺度上估算水分的最佳指數(shù)。INDWI1240和ISRWI適合低值區(qū)域的葉片等效水厚度反演，基于冠層反射率提出的INMDI不適合用來(lái)估算葉片含水量。

研究仍存在一些不足。實(shí)驗(yàn)數(shù)據(jù)采用了2016和2017年2期的實(shí)測(cè)數(shù)據(jù)，考慮到氣候原因也可能是影響模型精度的重要因素，在以后研究中會(huì)結(jié)合氣象數(shù)據(jù)來(lái)建立葉片等效水厚度估算模型。其次，在研究中發(fā)現(xiàn)：植被水分指數(shù)隨lEWT的變化其估算能力也會(huì)變化。在以后的研究中應(yīng)探究不同lEWT范圍內(nèi)各個(gè)植被水分指數(shù)的敏感性和估算能力，以提高葉片等效水厚度估算模型的精度。