Hyperspectral Estimation Model for Predicting LAI of Rice in Ningxia Irrigation Zone
-
摘要: 水稻叶面积指数（leaf area index，LAI）是评价其长势的重要农学参数，高光谱遥感能够实现叶面积指数的快速无损监测。为了寻找反演水稻LAI的最优植被指数，扩展水稻LAI高光谱估测模型的普适性，选取宁夏引黄灌区水稻为研究对象，通过设置不同氮素处理，借助相关分析、回归分析等方法研究高光谱植被指数与水稻LAI之间的定量关系，并通过确立的最优波段组合，构建4种植被指数与水稻LAI的高光谱反演模型。结果表明，水稻LAI在抽穗末期达到最大值，并随氮素水平的增加而增加；水稻冠层原始光谱反射率在400~722 nm和1 990~2 090 nm波段与LAI达到极显著负相关水平，在近红外区域760~1 315 nm与LAI呈极显著正相关。模型检验结果表明，以比值植被指数RVI（850，750）为变量建立的水稻LAI估测模型最佳，研究结果可为水稻LAI的高光谱估测提供地域参考。Abstract: Leaf area index (LAI) is one of the important parameters for evaluating rice growth status. Hyperspectral remote sensing is a new technical approach that can be used to acquire LAI information quickly and nondestructively. This study aims to explore the best vegetation index and monitoring model for rice LAI inversion. This study was carried out in Ningxia irrigation zone, where the rice was planted in different fertilizer level. Then the correlation between vegetation index and LAI was analyzed and four inversion models were constructed for estimating LAI by using correlation analysis and regression analysis. The result revealed that the LAI value increased with the increase of nitrogen level, and it reached a maximum value at booting stage and then drops down. The reflectance of rice canopy at the wavebands 400~722 nm and 1 990~2 090 nm was very significantly negatively correlated with LAI and that of which at near infrared region (760~1 315 nm) was very significantly positively correlated with LAI. The tests with independent dataset suggested that the rice LAI monitoring models with radio vegetation index RVI (850, 750) as the variable could give an accurate LAI estimation. These results provided an insight for monitoring the rice LAI in different regions.
-
Keywords:
- rice /
- leaf area index /
- hyperspectral /
- estimation model /
- Ningxia irrigation region
-
长航时高精度自主导航是发展水下自主航行器亟待解决的技术难题。惯性导航系统(inertial navigation system，INS)作为水下航行器的核心导航设备之一，因其存在随时间变化产生的累积误差，无法满足水下航行器长航时自主导航的高精度要求。地磁导航技术可以为水下航行器提供高隐蔽性的外部校正信息，修正由INS产生的累积误差[1-3]。地磁辅助惯性导航系统涉及到背景磁场构建、地磁导航匹配算法和地磁适配性分析等多项关键技术。适配性是指地磁图对匹配的适应性，即地磁场特征在相关匹配中能够表征地理位置的能力。通过对地磁图适配性的分析，挑选地磁特征显著、信息量丰富、适应性强的区域作为地磁适配区，能够有效提高地磁导航精度[4-7]。
为了解决多指标对单一决策的综合影响，目前已有诸多研究提出了分析方法，文献[8]提出了多属性决策评价地磁适配性的方法，该方法综合考虑地磁标准差、地磁粗糙度、地磁相关系数、地磁信息熵4个特征参数得到综合评价值，与匹配概率有较高的一致性；文献[9]提出了分形维数的评价方法，该方法从原理上分析了分形维数与适配性的关系，发现分形维数在适配性分析上具有很好的性能；文献[10]提出了基于粗糙集理论的地磁特征参数的选取方法，该方法能为适配区评价选取重要特征参数；文献[11]针对人为提取的特征不能客观描述深层次结构性特征的问题，提出了基于深度卷积神经网络的适配性分析方法，可以有效避免地磁特征人工提取的主观性；通过对地磁共生矩阵反演出的角二阶矩、对比度等统计参数的分析，文献[12]提出了基于地磁共生矩阵的地磁适配区选择算法，从多方向反映地磁变化特征以及地磁邻近区域的相关性；文献[13]提出了层次分析方法，定义了地磁场特征参数可信度，分析了特征参数的隐含信息，发现可信度比单一特征参数适配性评价效果更好。从定量角度可以将上述方法归纳为基于决策选优的适配性分析方法，排序和选优的思想是此类方法最显著的特征。通过排序来明确各候选匹配区适配性能的优劣，选优即选取适配性能好的区域作为适配区，然而这类方法存在人为设置阈值和判定准则难提取两个缺点。因此，为了使提取的准则更为客观，本文将模糊决策理论应用到地磁图适配性分析中。
模糊决策理论是运用模糊数学方法处理多目标决策问题，在分析过程中，这些多目标变量属于模糊因素[14]。本文基于地磁图适配性分析中存在多指标性和模糊性的特点，提出了基于模糊决策理论的地磁图适配性分析方法，对特征参数的模糊度指标进行加权分析，构建综合评价值来评定候选区适配性。针对地磁异常的无迹卡尔曼滤波(unscented Kalman filtering，UKF)算法，选取中国南海部分海域的全球地磁异常格网数据(earth magnetic anomaly grid 2，EMAG2)作为地磁异常基准图进行仿真实验，验证了定量分析结果的可靠性和该方法的可行性。
1 地磁图特征参数定义
本文将地磁场数据以格网的形式存储于计算机中，用离散点的形式表示地磁场在空间中的变化规律。设某地磁场区域的经纬度跨度为M×N网格(M为纬度跨度，N为经度跨度)，f(i, j)为网格点坐标(i, j)处的地磁异常值。描述地磁图适配性的特征参数多达十几种，根据地磁图特征参数与匹配概率的关联程度，本文选取地磁标准差、粗糙度、相关系数、坡度标准差和地磁信息熵作为评价候选匹配区适配性能的度量。上述5个地磁图特征参数的定义及其计算方法如下[15]。
1) 地磁标准差σ
地磁标准差反映了该区域地磁场离散程度和地磁场总体起伏情况。地磁标准差数值越大，表示该候选匹配区的地磁特征越明显，越适合做地磁匹配。其定义如下：
$$\sigma = \sqrt {\frac{1}{{MN - 1}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N {{\left( {f\left( {i, j} \right) - \bar f} \right)}^2}} $$ (1) 式中，$\bar f = \frac{1}{{MN}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N f\left({i, j} \right)$，表示候选匹配区内地磁场的均值。
2) 地磁粗糙度r
地磁粗糙度反映了候选匹配区地磁场的平均光滑程度和地磁场局部起伏状态。地磁粗糙度越大，表示该候选匹配区的地磁信息量越丰富，越有利于进行地磁匹配。其定义如下：
$$r = \frac{{{r_x} + {r_y}}}{2} $$ (2) $${r_x} = \sqrt {\frac{1}{{M\left( {N - 1} \right)}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^{N - 1} {{[f\left( {i, j} \right) - f\left( {i, j + 1} \right)]}^2}} $$ (3) $${r_y} = \sqrt {\frac{1}{{\left( {M - 1} \right)N}}\mathop \sum \limits_{i = 1}^{M - 1} \mathop \sum \limits_{j = 1}^N {{[f\left( {i, j} \right) - f\left( {i + 1, j} \right)]}^2}} $$ (4) 式中，rx表示该区域x方向粗糙度；ry表示该区域y方向粗糙度。
3) 相关系数ρ
地磁相关系数反映了地磁数据之间的独立性。地磁相关系数越小，表明该区域地磁信息越丰富，越有利于地磁匹配定位。定义如下：
$$\rho = \frac{{{\rho _x} + {\rho _y}}}{2} $$ (5) $${\rho _x} = \frac{1}{{M\left( {N - 1} \right){\sigma ^2}}}\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^{N - 1} \left[ {f\left( {i, j} \right) - \bar f} \right] \cdot \left[ {f\left( {i, j + 1} \right) - \bar f} \right] $$ (6) $${\rho _y} = \frac{1}{{\left( {M - 1} \right)N{\sigma ^2}}}\mathop \sum \limits_{i = 1}^{M - 1} \mathop \sum \limits_{j = 1}^N \left[ {f\left( {i, j} \right) - \bar f} \right] \cdot \left[ {f\left( {i + 1, j} \right) - \bar f} \right] $$ (7) 式中，ρx表示该区域x方向的相关系数；ρy表示该区域y方向的相关系数。
4) 坡度标准差S
地磁坡度S(i, j)为地磁场曲面上一点处的法线方向和垂直方向的夹角，可由地磁场在纬度方向、经度方向的变化率Sx(i, j)、Sy(i, j)确定，其定义如下：
$$\begin{array}{*{20}{c}} {{S_x}\left( {i, j} \right) = [f\left( {i + 1, j + 1} \right) + f\left( {i, j + 1} \right) + }\\ {f\left( {i - 1, j + 1} \right) - f\left( {i + 1, j - 1} \right) - }\\ {f\left( {i, j - 1} \right) - f\left( {i - 1, j - 1} \right)]/6} \end{array} $$ (8) $$\begin{array}{*{20}{c}} {{S_y}\left( {i, j} \right) = [f\left( {i + 1, j + 1} \right) + f\left( {i + 1, j} \right) + }\\ {f\left( {i + 1, j - 1} \right) - f\left( {i - 1, j + 1} \right) - }\\ {f\left( {i - 1, j} \right) - f\left( {i - 1, j - 1} \right)]/6} \end{array} $$ (9) $$S\left( {i, j} \right) = \sqrt {\left[ {{S_x}\left( {i, j} \right){]^2} + } \right[{S_y}\left( {i, j} \right){]^2}} $$ (10) 地磁坡度S(i, j)是针对候选匹配区中每一个格网点而言的，为了能够反映整个候选匹配区的地磁坡度情况，引入坡度标准差Sσ，其定义如下：
$${S_\sigma } = \sqrt {\frac{1}{{\left( {M - 2} \right)\left( {N - 2} \right) - 1}}\mathop \sum \limits_{i = 2}^{M - 1} \mathop \sum \limits_{j = 2}^{N - 1} {{(S\left( {i, j} \right) - \bar S)}^2}} $$ (11) $$\bar S = \frac{1}{{\left( {M - 2} \right)\left( {N - 2} \right)}}\mathop \sum \limits_{i = 2}^{M - 1} \mathop \sum \limits_{j = 2}^{N - 1} S\left( {i, j} \right) $$ (12) 5) 地磁信息熵H
地磁信息熵越小，代表地磁场特征越独特，该区域越有利于进行地磁匹配定位。其定义如下：
$$H = - \mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N p\left( {i, j} \right) \cdot {\rm{lo}}{{\rm{g}}_2}\;p\left( {i, j} \right) $$ (13) $$p\left( {i, j} \right) = \frac{{f\left( {i, j} \right)}}{{\mathop \sum \limits_{i = 1}^M \mathop \sum \limits_{j = 1}^N f\left( {i, j} \right)}} $$ (14) 当对数的底数取2时，熵的单位为bit。
2 基于模糊决策理论的地磁图适配性分析
为了综合考虑地磁标准差、粗糙度、相关系数、坡度标准差及地磁信息熵等5个特征参数对适配性分析的影响，首先构建指标矩阵，然后构建隶属度矩阵对这5种不同类属的特征参数进行模糊控制，最后引入权重向量进一步提高综合评价矩阵的合理性[16-17]。
1) 构建指标矩阵X
设有m块待选区域，有n个评价指标来描述，则有m×n阶指标矩阵，其定义如下：
$$\mathit{\boldsymbol{X}} = \left[ {\begin{array}{*{20}{c}} {{x_{11}}}&{{x_{12}}}& \cdots &{{x_{1n}}}\\ {{x_{21}}}&{{x_{22}}}& \cdots &{{x_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{x_{m1}}}&{{x_{m2}}}& \cdots &{{x_{mn}}} \end{array}} \right] = {({x_{ij}})_{m \times n}} $$ (15) 式中，xij表示第i个待分析对象的第j个评价因素的指标特征量，$i = 1, 2 \cdots m, j = 1, 2 \cdots n$。
2) 指标归一化
隶属度rij'的计算如下：
$$r_{i j}^{\prime}=\left\{\begin{array}{l} x_{i j} / x_{\mathrm{max}}, \text { 越大越优型 } \\ x_{\min } / x_{i j}, \text { 越小越优型 } \end{array}\right. $$ (16) 式中，xmax表示xij的最大值；xmin表示xij的最小值。
地磁标准差、地磁粗糙度、地磁坡度属于越大越优型，相关系数及地磁信息熵则属于越小越优型。由于各属性的量纲和取值范围相差较大，需要将不同属性的量纲进行标准化处理，使标准化转换后的评价值rij均值为0，方差为1。计算如下：
$$r_{i j}=\frac{r_{i j}^{\prime}-m_{j}}{\sigma_{j}} $$ (17) $$m_{j}=\frac{1}{m} \sum\limits_{i=1}^{m} r_{i j}^{\prime} $$ (18) $$\sigma_{j}=\sqrt{\frac{1}{m-1} \sum\limits_{i=1}^{m}\left(r_{i j}^{\prime}-m_{j}\right)^{2}} $$ (19) 式中，mj为第j个属性的均值；σj表示第j个属性值的标准差。
3) 多目标模糊关联矩阵的构造
根据式(14)构建指标隶属度矩阵Rm×n，其定义如下：
$${\mathit{\boldsymbol{R}}_{m \times n}} = \left[ {\begin{array}{*{20}{c}} {{r_{11}}}&{{r_{12}}}& \cdots &{{r_{1n}}}\\ {{r_{21}}}&{{r_{22}}}& \cdots &{{r_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{r_{m1}}}&{{r_{m2}}}& \cdots &{{r_{mn}}} \end{array}} \right] $$ (20) 式中，$i = 1, 2 \cdots m; j = 1, 2 \cdots n$。
4) 权重向量的确定
由于各指标对适配性的影响程度各不相同，为实现综合评价结果的合理性，必须对各指标进行加权处理，定义权向量w为：
$$\mathit{\boldsymbol{w}} = \left( {{w_1}, {w_2} \cdots {w_m}} \right) = \left( {\frac{{{s_1}}}{{\mathop \sum \limits_{i = 1}^m {s_i}}}, \frac{{{s_2}}}{{\mathop \sum \limits_{i = 1}^m {s_i}}} \cdots \frac{{{s_m}}}{{\mathop \sum \limits_{i = 1}^m {s_i}}}} \right){\rm{}} $$ (21) $${s_i} = {\rm{exp}}\left[ {\mu \mathop \sum \limits_{j = 1}^n \mathop \sum \limits_{k = 1}^n \left| {{r_{ij}} - {r_{ik}}} \right|/\left( {1 - \mu } \right) - 1} \right]{\rm{}} $$ (22) 式中，μ代表平衡系数(0 < μ < 1)。
5) 综合评判矩阵
将式(21)所得权重矩阵与式(20)所得隶属度矩阵组合构成综合评判矩阵V，其定义如下：
$$\mathit{\boldsymbol{V}} = \mathit{\boldsymbol{wR}} = \left( {{w_1}, {w_2} \cdots {w_m}} \right)\left[ {\begin{array}{*{20}{c}} {{r_{11}}}&{{r_{12}}}& \cdots &{{r_{1n}}}\\ {{r_{21}}}&{{r_{22}}}& \cdots &{{r_{2n}}}\\ \vdots & \vdots &{}& \vdots \\ {{r_{m1}}}&{{r_{m2}}}& \cdots &{r_{mn}^{}} \end{array}} \right] $$ (23) 3 数据计算及结果评定
本文选取分辨率为2″的全球地磁异常格网数据EMAG2，将范围为108°E~113°E、10°N~15°N的中国南海部分海域地磁异常格网数据作为实验的地磁异常基准图，如图 1所示，该地区的地磁图特征样式繁多，很难直观对各区域的适配性优劣作出直接判断。
将图 1所示区域等间隔划分为16个候选匹配区域，以便进行计算及结果分析，候选匹配区域1~16的地磁图特征参数统计量见表 1，表 1同时给出了相应地磁图特征参数的数值大小排序结果。
表 1 单一地磁图特征参数值及其排序Table 1. Rank Results of Single Geomagnetic Map Feature Parameter区域编号 标准差σ 粗糙度r 相关系数 坡度标准差S 信息熵H 数值/nT 排序 数值 排序 数值 排序 数值 排序 数值/bit 排序 1 4.144 9 9 0.933 9 12 0.992 1 5 1.342 2 10 10.112 7 5 2 3.520 3 11 1.530 7 3 0.977 2 14 1.856 7 6 10.014 2 13 3 4.374 3 8 1.771 3 2 0.994 7 3 2.304 1 2 9.823 9 16 4 3.708 0 10 1.131 8 8 0.991 6 6 1.432 7 8 10.113 7 4 5 4.409 5 7 0.960 3 10 0.987 8 8 1.094 6 13 10.180 2 1 6 2.698 5 14 0.866 9 13 0.987 3 9 1.274 9 11 10.024 0 12 7 6.987 7 2 1.049 4 9 0.996 0 1 1.481 2 7 10.000 0 14 8 4.459 7 5 0.845 5 14 0.994 4 4 0.969 7 14 10.150 5 2 9 2.649 9 15 2.067 4 1 0.960 9 15 2.829 0 1 10.041 4 10 10 2.865 5 12 1.286 5 5 0.984 2 11 1.861 3 4 10.059 7 8 11 2.753 5 13 0.392 0 16 0.985 5 10 0.602 6 16 10.092 6 6 12 4.416 4 6 1.247 4 6 0.978 6 13 1.857 8 5 10.031 4 11 13 2.552 3 16 0.935 5 11 0.958 7 16 1.242 5 12 9.943 1 15 14 7.359 4 1 1.339 9 4 0.995 2 2 1.908 8 3 10.062 0 7 15 4.815 8 4 0.742 0 15 0.990 8 7 0.896 8 15 10.041 8 9 16 5.330 5 3 1.158 5 7 0.983 6 12 1.414 7 9 10.117 2 3 由式(15)~(23)求解可得各适配区的综合评定结果，根据计算值大小对各区域适配性优劣进行排序，结果如表 2所示。
表 2 各候选匹配区综合评定值及其排序Table 2. Rank Results of Candidate Matching Regions区域编号 综合评定值 排序 1 2.033 5 10 2 2.774 0 6 3 3.431 6 2 4 2.165 1 8 5 1.680 1 13 6 1.927 8 11 7 2.291 1 7 8 1.499 8 14 9 4.170 7 1 10 2.775 5 4 11 0.954 0 16 12 2.775 1 5 13 1.869 3 12 14 2.872 6 3 15 1.394 1 15 16 2.144 4 9 由表 1可知，若分别以地磁粗糙度、地磁坡度作为评价依据，9号区域适配性最好；若以地磁信息熵作为评价依据，3号区域适配性最优。由此可知，利用单一特征参数作为评价依据所得结果并不一致。因此，单一地磁图特征参数作为候选匹配区适配性评价依据进行分析存在不合理性，而基于模糊决策理论能够综合主要特征参数进行加权分析，构建出综合评价值来评定候选匹配区的适配性。
为了验证基于模糊决策理论的地磁图适配性评估方法所得综合评定结果的正确性和可靠性，本文采用基于地磁异常的UKF滤波算法，选取16个候选匹配区当中的9号(排序1)、4号(排序8)和11号(排序16)3块区域进行仿真实验。在航迹仿真实验中，设置了航迹1和航迹2两条航迹进行验证分析。水下自主航行器(autonomous underwater vehicle，AUV)的运动状态如下：先进行匀加速运动，再匀速运动，然后转弯，最后变成匀速状态。惯导航迹仿真参数设置如表 3所示，区域9、4、11的仿真航迹结果分别如图 2、图 3、图 4所示。
表 3 仿真参数设置Table 3. Simulation Parameter Setting参数 参数值 惯性导航初始经度误差/n mile 2 惯性导航初始纬度误差/n mile 2 陀螺零偏/((°)·h-1) 0.01 加表零偏/(m·s-2) 1×10-5 AUV匀速运动速度/(n mile·h-1) 9.7 AUV偏航角/(°) 50 AUV航行时间/h 10.29 惯性导航初始状态方差/(°)2 0.001 地磁图噪声方差/(nT)2 10 地磁测量噪声方差/(nT)2 10 综合两条航迹，对9号、4号以及11号候选匹配区分别沿经度和纬度方向对基于UKF滤波方法的绝对匹配误差进行统计，结果如表 4所示。
表 4 绝对匹配误差统计值Table 4. Statistics of Absolute Matching Errors方向 编号 最大值/n mile 最小值/n mile 平均值/n mile 均方误差/n mile 纬向 9 1.869 6 0.003 1 0.935 7 0.332 0 4 4.493 2 0.003 2 2.332 3 2.186 0 11 18.897 5 0.028 6 10.584 4 6.002 7 经向 9 1.375 1 0.009 8 0.892 8 0.384 7 4 4.895 4 0.010 2 2.707 0 2.133 4 11 12.907 7 0.106 5 8.146 9 5.899 1 由图 2~4可知，9号区域较4号区域的匹配航迹更接近真实轨迹，11号区域则在匹配过程中出现误匹配现象。由表 4仿真实验结果可得，综合评价值更高的区域，纬向和经向绝对匹配误差也越小。实验结果表明，综合评价值高的区域其适配性能更好，可以选取相应区域作为适配区。
4 结语
本文提出了基于模糊决策理论的地磁图适配性分析方法，对图 1中的各个候选匹配区的适配性进行定量分析，得出综合评价值作为评价依据，并且进行航迹仿真实验验证了该方法的可靠性。实验结果表明，基于模糊决策的地磁图适配性分析结果与仿真实验结果具有较好的一致性，且综合评价值越高，匹配效果越好。且该方法解决了仅依据单一评价指标进行分析的不全面问题，得出综合评价值作为地磁图适配性优劣评判的定量分析依据，对航迹规划问题也具有一定指导意义。
-
![]()
图 2 不同氮素水平下不同生育期水稻LAI
Figure 2. LAI of Rice in Differernt Nitrogen Level and Growth Stages
![]()
图 3 不同氮素水平不同生育期冠层光谱曲线特征
Figure 3. Spectral Reflectance of Rice Canopy in Differernt Nitrogen Level and Growth Stages
![]()
图 4 水稻LAI与冠层原始光谱的相关性
Figure 4. Correlation Patterns of LAI to Rice Canopy Spectral Reflectance
![]()
图 5 植被指数估算LAI的决定系数R2分布图
Figure 5. Distribution Plot of the Coefficient of Determination (R2) Between LAI and Vegetation Index
![]()
图 6 高光谱植被指数拟合的水稻LAI预测模型
Figure 6. LAI Estimation Models with Different Hyperspectral Vegetation Indices
![]()
图 7 基于RVI和DVI为参数的水稻LAI预测模型的预测效果
Figure 7. Precision Results of the Estimation Models of LAI Based on RVI and DVI
表 1 估算水稻LAI的高光谱植被指数模型
Table 1 Hyperspectral Vegetation Index Estimation Model of LAI for Rice
变量 模型 回归方程 R2 F 线性 y=22.954x-24.165 0.754 65.28 指数 y=3×10-5e9.565x 0.864 80.56 RVI 对数 y=26.514lnx-1.404 0.740 60.35 二次多项式 y=92.887x2-194.37x +102.35 0.816 73.62 幂 y=0.355x11.137 0.857 74.54 线性 y =11.511x-1.312 0.806 45.76 指数 y=0.415e4.538x 0.827 72.25 DVI 对数 y=3.295 0lnx+6.640 0.676 20.79 二次多项式 y=8.176x2 + 5.2x-0.301 0.812 65.25 幂 y=10.735x1.412 0.820 50.16 线性 y=7.619x-2.299 0.488 21.36 指数 y=0.246e3.188x 0.564 45.26 NDVI 对数 y=4.244lnx+4.766 0.437 15.27 二次多项式 y=4.221x2+ 8.830x-0.746 0.505 20.16 幂 y=4.831x1.831 0.537 38.25 线性 y=8.614x-0.193 8 0.632 37.69 指数 y=0.619e3.503x 0.684 66.75 MSAVI2 对数 y=1.524lnx+4.964 0.424 25.46 二次多项式 y=4.156x2+ 5.511x+0.237 0.616 28.35 幂 y=5.623x0.715 0.638 55.24 
下载: 导出CSV
-
[1] Chen J M, Cihlar J. Retrieving Leaf Area Index of Boreal Conifer Forests Using Landsat TM Images[J]. Remote Sensing of Environment, 1996, 55(2):153-162 doi: 10.1016/0034-4257(95)00195-6
[2] 浦瑞良, 宫鹏.高光谱遙感及其应用[M].北京:高等教育出版社, 2000:1-254 Pu Ruiliang, Gong Peng. Hyperspectral Remote Sensing and Its Applications[M]. Beijing:Higher Education Press, 2000:1-254
[3] 王春梅, 顾行发, 余涛, 等.农田春小麦叶面积指数和覆盖度时空变异性研究[J].农业机械学报, 2014, 45(8):254-261 doi: 10.6041/j.issn.1000-1298.2014.08.041 Wang Chunmei, Gu Xingfa, Yu Tao, et al. Spatial and Temporal Variability of Spring Wheat Leaf Area Index and Coverage in Northwest China[J].Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(8):254-261 doi: 10.6041/j.issn.1000-1298.2014.08.041
[4] Li Xinchuan, Zhang Youjing, Bao Yansong, et al. Exploring the Best Hyperspectral Features for LAI Estimation Using Partial Least Squares Regression[J].Remote Sensing, 2014, 6(7):6221-6241 doi: 10.3390/rs6076221
[5] Wang F M, Huang J F, Zhou Q F, et al. Optimal Waveband Identification for Estimation of Leaf Area Index of Paddy Rice[J]. J. Zhejiang Univ. Sci. B, 2008, 9(12):953-963 doi: 10.1631/jzus.B0820211
[6] 徐鹏, 顾晓鹤, 孟鲁闽, 等.洪涝胁迫的水稻叶面积指数变化及其光谱响应研究[J].光谱学与光谱分析, 2013, 33(12):3298-3302 doi: 10.3964/j.issn.1000-0593(2013)12-3298-05 Xu Peng, Gu Xiaohe, Meng Lumin, et al. Change of LAI and Spectral Response for Rice Under Flood and Waterlogging Stress[J].Spectroscopy and Spectral Analysis, 2013, 33(12):3298-3302 doi: 10.3964/j.issn.1000-0593(2013)12-3298-05
[7] 刘占宇, 黄敬峰, 王福民, 等.估算水稻叶面积指数的调节型归一化植被指数[J].中国农业科学, 2008, 41(10):3350-3356 doi: 10.3864/j.issn.0578-1752.2008.10.057 Liu Zhanyu, Huang Jingfeng, Wang Fumin, et al. Adjusted-Normalized Difference Vegetation Index for Estimating Leaf Area Index of Rice[J].Scientia Agricultura Sinica, 2008, 41(10):3350-3356 doi: 10.3864/j.issn.0578-1752.2008.10.057
[8] 杨燕, 田庆久.高光谱反演水稻叶面积指数的主成分分析法[J].国土资源遥感, 2007(3):47-50, 61 doi: 10.6046/gtzyyg.2007.03.11 Yang Yan, Tian Qingjiu. Principal Component Analysis Method for Retrieving Leaf Area Index of Rice from Hyperspectral Data[J]. Remote Sensing for Land & Resources, 2007(3):47-50, 61 doi: 10.6046/gtzyyg.2007.03.11
[9] 杨晓华, 黄敬峰, 王秀珍, 等.基于支持向量机的水稻叶面积指数高光谱估算模型研究[J].光谱学与光谱分析, 2008, 28(8):1837-1841 http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN200808039.htm Yang Xiaohua, Huang Jingfeng, Wang Xiuzhen, et al. The Estimation Model of Rice Leaf Area Index Using Hyperspectral Data Based on Support Vector Machine[J]. Spectroscopy and Spectral Analysis, 2008, 28(8):1837-1841 http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN200808039.htm
[10] Nguy-Robertson A L, Peng Y, Gitelson A A, et al. Estimating Green LAI in Four Crops:Potential of Determining Optimal Spectral Bands for a Universal Algorithm[J]. Agricultural and Forest Meteorology, 2014(192-193):140-148
[11] Haboudane D. Hyperspectral Vegetation Indices and Novel Algorithms for Predicting Green LAI of Crop Canopies:Modeling and Validation in the Context of Precision Agriculture[J]. Remote Sensing of Environment, 2004, 90(3):337-352 doi: 10.1016/j.rse.2003.12.013
[12] Ruffin C, King R L, Younan N H. A Combined Derivative Spectroscopy and Savitzky-Golay Filtering Method for the Analysis of Hyperspectral Data[J].GIScience & Remote Sensing, 2008, 45(1):1-15
[13] Pearson R L, Miller L D. Remote Mapping of Standing Crop Biomass for Estimation of the Productivity of the Short-Grass Prairie, Pawnee National Grassland, Colorado[C]. The 8th International Symposium on Remote Sensing of the Environment Ann Arbor, Michigan, 1972
[14] Jordan C F. Derivation of Leaf Area Index from Quality of Light on the Forest Floor[J]. Ecology, 1969, 50(4):663-666 doi: 10.2307/1936256
[15] Rouse J W, Haas R H, Schell J A. Monitoring the Vernal Advancement and Retrogradation (Greenwave Effect) of Natural Vegetation[M]. College Station:Texas A and M University Press, 1974
[16] Qi J, Chehbouni A, Huete A R, et al. A Modified Soil Adjusted Vegetation Index[J]. Remote Sensing of Environment, 1994, 48(2):119-126 doi: 10.1016/0034-4257(94)90134-1
[17] 王秀珍, 黄敬峰, 李云梅, 等.水稻叶面积指数的高光谱遥感估算模型[J].遥感学报, 2004, 8(1):81-88 doi: 10.11834/jrs.20040113 Wang Xiuzhen, Huang Jingfeng, Li Yunmei, et al. The Study on Hyperspectral Remote Sensing Estimation Models About LAI of Rice[J]. Journal of Remote Sensing, 2004, 8(1):81-88 doi: 10.11834/jrs.20040113
[18] Carlson T N, Ripley D A. On the Relation Between NDVI, Fractional Vegetation Cover, and Leaf Area Index[J]. Remote Sensing of Environment, 1997, 62(3):241-252 doi: 10.1016/S0034-4257(97)00104-1
[19] Shibayama M, Akiyama T. Seasonal Visible, Near-Infrared and Mid-Infrared Spectra of Rice Canopies in Relation to LAI and Above-Ground Dry Phytomass[J]. Remote Sensing of Environment, 1989, 27(2):119-127 doi: 10.1016/0034-4257(89)90011-4
[20] 薛利红, 曹卫星, 罗卫红, 等.光谱植被指数与水稻叶面积指数相关性的研究[J].植物生态学报, 2004, 28(1):47-52 doi: 10.17521/cjpe.2004.0007 Xue Lihong, Cao Weixing, Luo Weihong, et al. Relationship Between Spectral Vegetation Indices and LAI in Rice[J]. Acta Phytoecologica Sinica, 2004, 28(1):47-52 doi: 10.17521/cjpe.2004.0007
计量
- 文章访问数: 1782
- HTML全文浏览量: 332
- PDF下载量: 423
