遥感技术与应用, 2021, 36(2): 391-399 doi: 10.11873/j.issn.1004-0323.2021.2.0391

农业遥感专栏

基于植被指数融合的冬小麦生物量反演研究

孙奇,1,2, 关琳琳2, 焦全军,2, 刘新杰2, 戴华阳1

1.中国矿业大学（北京）地球科学与测绘工程学院，北京 100083

2.中国科学院空天信息创新研究院数字地球重点实验室，北京 100094

Research on Retrieving Biomass of Winter Wheat based on Fusing Vegetation Index

Sun Qi,1,2, Guan Linlin2, Jiao Quanjun,2, Liu Xinjie2, Dai Huayang1

1.College of Geoscience and Surveying Engineering，China University of Mining and Technology （Beijing），Beijing 100083，China

2.Key Laboratory of Digital Earth Science，Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100094，China

通讯作者: 焦全军（1981-），男，河南巩义人，博士、副研究员，主要从事植被定量遥感研究。E⁃mail：jiaoqj@radi.ac.cn

收稿日期: 2019-11-18   修回日期: 2021-01-18   网络出版日期: 2021-05-24

基金资助: 国家重点研发项目课题.  2016YFD0300601

Received: 2019-11-18   Revised: 2021-01-18   Online: 2021-05-24

作者简介 About authors

孙奇（1991-），男，河南商丘人，博士研究生，主要从事植被定量遥感研究E⁃mail：sunqicumtb@163.com , E-mail：sunqicumtb@163.com

摘要

作物群体生物量是形成产量的物质基础，遥感技术是高效、客观监测作物地上生物量的重要手段，对农业生产管理具有重要意义。以安徽省龙亢农场为研究区，通过PROSAIL模拟光谱分析了4个LAI相关的可见光-近红外植被指数、2个叶片干物质相关的短波红外植被指数和8个融合植被指数与冬小麦地上生物量的关系，并建立反演模型。模拟结果显示，干物质植被指数与作物生物量的相关性高于LAI相关的植被指数，两者融合的植被指数增强了常用植被指数冬小麦生物量的探测能力。利用实测冬小麦数据对生物量反演模型进行验证，结果显示：融合植被指数普遍提高了单一植被指数的地上生物量反演精度，其中MTVI2×NDMI精度最高（RMSE=606.8 kg/hm2），并为作物地上生物量的高精度反演提供新的技术途径。

关键词： 生物量反演 ; 冬小麦 ; PROSAIL模型 ; 植被指数融合

Abstract

Crop biomass is a vital fundamental substance for predicting yield. Remote sensing is an important technology to monitor crop above-ground biomass efficiently and objectively， which is of great significance for agricultural production and management. Taking Longkang farm in Anhui province as the research area， this paper analyzes the relationship between aboveground biomass of winter wheat and 4 LAI-VIs， 2 DMIs and 8 combined vegetation indices by PROSAIL simulation spectrum， and builds retrieval models. The results show that the correlation between DMIs and crop biomass is higher than LAI-VIs， and the combined vegetation index enhances the crop biomass detection ability of commonly used vegetation indices. The biomass retrieval models are validated with the measured biomass of winter wheat， and the results show that the combined vegetation index generally improves the above-ground biomass retrieval accuracy of single vegetation index， among which MTVI2×NDMI has the highest accuracy （RMSE=606.8 kg/hm2）.This paper provides a new technique for high precision retrieval of crop above-ground biomass.

Keywords： Biomass retrieval ; Winter wheat ; PROSAIL model ; Vegetation index fusion

PDF (6821KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

孙奇, 关琳琳, 焦全军, 刘新杰, 戴华阳. 基于植被指数融合的冬小麦生物量反演研究. 遥感技术与应用[J], 2021, 36(2): 391-399 doi:10.11873/j.issn.1004-0323.2021.2.0391

Sun Qi, Guan Linlin, Jiao Quanjun, Liu Xinjie, Dai Huayang. Research on Retrieving Biomass of Winter Wheat based on Fusing Vegetation Index. Remote Sensing Technology and Application[J], 2021, 36(2): 391-399 doi:10.11873/j.issn.1004-0323.2021.2.0391

1 引 言

生物量（Biomass）是指某一时刻单位面积内实存生活的有机物质总重（干重）或鲜重总量，通常用kg/hm2或t/hm表示［1］。生物量是反映作物长势的重要群体指标，科学、快速、准确地监测作物生物量，有利于掌握作物长势和产量，对有效指导农业生产、保障国家粮食安全和促进农业可持续发展意义重大。传统田间采样的生物量监测方法应用于小块区域精度高，但对于大尺度甚至全球尺度而言，其工作量巨大、费时费力，成本高且时效性差。遥感技术以其快速、简便、宏观、无损等特点，可大面积、动态估算植被生物量，被广泛应用于农业生产的各个环节，在农业田间信息获取方面具有显著的优势［2］。

生物量遥感反演方法主要包括植被指数、多元回归、遥感数据积分模型、辐射利用率模型、光学与雷达数据融合以及点云数据的三维分析［3］。上述方法中，植被指数方法计算简单、可操作性强且无破坏性，在作物生物量反演中得到了广泛的应用［4］。进行生物量反演常用的植被指数有：NDVI、RVI、RDVI、CIred-edge、EVI、GNDVI、MCARI和MTVI2等。王备战等［5］基于SPOT 5卫星影像的归一化植被指数（NDVI），建立了冬小麦拔节期地上部分生物量的指数函数遥感监测模型。武婕等［6］提出了由SPOT 5近红外和红光波段构建的NDVI、SAVI、RDVI、MSAVI等与成熟期玉米生物量相关性明显高于其他植被指数，并以此完成了玉米生物量估测。庄东英等［7］对比了NDVI、RVI、DVI 3种植被指数对江淮麦区冬小麦拔节期生物量的估算精度，发现NDVI预测性最优。由于LAI（Leaf Area Index）与群体生物量之间呈现较好的相关性，目前研究使用反演作物生物量的植被指数多为基于可见光-近红外特征的LAI相关植被指数［8-9］（LAI related Vegetation indices， LAI-VIs）。

探测的物理变量实际上是干物质含量。LAI-VIs常用于群体生物量估测，但群体生物量不但和LAI相关，还和叶片干物质含量有关。短波红外特征的干物质光谱指数（Dry Matter Indices， DMIs）与叶片干物质含量相关性强，能够修正LAI-VIs对叶片干物质含量相关性不足的劣势，也可以直接对作物生物量进行估测。Cheng等［3］对比了4种常用植被指数和4种DMIs与大米生物量的关系，发现DMIs能够更好地估算大米群体生物量。DMIs使用短波红外（SWIR）区域表征以1 700 nm为中心的干物质吸收波段，但没有使用LAI-VIs的可见光-近红外波段。由于SWIR受到土壤水分、植被水分和大气水分的影响较大，同时SWIR区域的遥感光谱信噪比不如可见光—近红外波段的信噪比高［10-11］。因此，本文使用植被指数融合的方法将DMIs与LAI-VIs进行融合，利用DMIs对干物质含量敏感的特性补偿常用LAI-VIs反演作物生物量的劣势。植被指数融合能够发挥两种或几种指数的优势，能更好地反演植被理化参数，近年来一些学者使用该方法在植被参数反演方面取得较好的结果。李鑫川等［12］将典型的可见光—近红外植被指数与水分植被指数融合估算冬小麦LAI，构建的新指数对植被水分变化不敏感，同时提高了对LAI响应的饱和点，相较于单一植被指数提高了LAI的估算精度。Xu等［13］基于PROSAIL模拟数据使用RERI［705］和RERI［783］两个红边相关指数融合后的新指数从Sentinel-2图像中提取冬小麦叶片叶绿素含量，取得较好的结果（R2=0.70，RMSE=10.4 μg/cm2）。Alebele等［14］利用合成孔径雷达和光学卫星上的两种指数进行融合，基于融合后新指数的反演模型对水稻地上生物量具有更好的预测能力。采用乘法将DMIs与LAI-VIs两种植被指数进行融合，提高常用的单一LAI-VIs反演作物生物量的反演能力。目的是对比评价LAI-VIs和DMIs估算冬小麦生物量的可行性，并分析LAI-VIs融合DMIs后的新型植被指数与冬小麦生物量的关系。使用PROSAIL植被辐射传输模型模拟数据建立基于不同单一植被指数和融合植被指数的生物量反演模型，并用冬小麦实测数据进行精度验证。

2 数据与方法

2.1　研究区概况

以安徽龙亢农场为研究区域。龙亢农场位于安徽省怀远县龙亢镇（33°06′45.2″N，116°51′44.8″E），整体地势为西北高，东南低，形状似带状，海拔约为22.7~25.9 m；地势较为平坦，东西长17.5 km，南北宽1.6 km；属于温带半季风气候，四季分明，年平均气温15.4 ℃，平均降雨量900 mm，无霜期220 d，平均日照时数2206 h；耕地面积约为2 000 hm2，土壤为砂姜黑土，土地较为平整，适合小麦、大豆、水稻、蔬菜等作物生长［15］。得天独厚的自然优势，使其成为全国现代农业示范区，同时也是长江中下游地区重要的冬小麦种植区。研究区的地理分布及样方分布如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区地理位置及样方分布

Fig. 1   Geographic location and quadrat distribution of the study area


2.2　地面反射率光谱与生物量测定

研究于2017年3月26日和4月21日在龙亢农场开展了2次田间观测试验，分别对应冬小麦返青期和抽穗期。在10个不同地块各随机选择2个1×1 m的样方，共20个样方，分别测定冬小麦样本冠层的反射率光谱和生物量，样方分布如图1所示。

两次实验冠层光谱由美国ASD FieldSpecFR2500光谱测量仪测量，其光谱范围为350~2 500 nm，输出波段数为2151个，在50~1 000 nm光谱范围内，光谱分辨率为3 nm，在1 000~2 500 nm光谱范围内，光谱分辨率为10 nm。传感器视场角为25°。选择冬小麦长势均匀的地点作为光谱采样点，在北京时间10：30~14：00、晴朗无云条件下进行测量。每个采样点分别在样区的四角和中心测量5次，5次测量的平均值为采样点的冠层光谱反射率。

选择冬小麦长势均匀的地点进行生物量采样。首先调查1 m2样方内的茎数，随机选取有代表性的20个茎，除去根部后放置在60 ℃的烘箱中连续烘烤48 h以上至恒重，记录干重。20茎的平均干重乘以1 m2内的总茎数得到单位面积冬小麦地上生物量。

2.3　植被辐射传输模型模拟

基于植被辐射传输模型的模拟数据具有输入参量独立、大数据量的特点，有助于增强植被反演模型的时空推广的稳定性。PROSAIL模型是冠层辐射传输模型SAIL模型与叶片光学模型PROSPECT的耦合模型，是目前广泛用于小麦等作物光谱模拟和参量反演的冠层辐射传输模型之一［16-18］。PROSPECT模型描述了叶片尺度上植被叶片400~2 500 nm的光学特性，可通过叶片结构参数N、叶绿素含量Cab （μg/cm2）、等效水厚度EWT（cm）、干物质含量Cm（g/cm2）进行参数化。SAIL模型假设冠层叶片随机分布是且无线延伸，能够模拟冠层内多次散射和辐射传输过程。SAIL模型利用PROSPECT模型输出的叶片反射率ρ1、透射率τ1、叶面积指数LAI、平均叶倾角ALA、土壤反射率ρs、热点参数H、太阳天顶角θs、太阳方位角ψs、观测天顶角θv和观测方位角ψv等参数模拟出植被冠层400~2 500 nm间的反射率。PROSAIL模型假设冠层具有3个性质：①冠层水平且无限延伸；②冠层组分只考虑叶片，而且叶片是小而水平的；③冠层是水平均匀分布的。PROSAIL一维模型将绿色茎、叶简化为绿色叶片，叶面积指数代表地上冠层所有叶片的多少，模型中叶面积指数和叶片干物质含量的乘积即代表地上生物量。表1列出了PROSAIL模型的输入参数。

表1   PROSAIL模型输入参数

Table 1  Input parameters of PROSAIL model

输入参数全称取值范围
LAI叶面积指数1~6；步长1
EWT等效水厚度/cm0.004~0.024；步长0.004
Cm干物质含量/(g/cm2)0.002~0.012；步长0.002
N结构参数1.4~1.8；步长0.2
Cab叶绿素含量/(μg/cm2)20~60；步长20
ALA平均叶倾角/°63.24
θs, φs太阳天顶角和方位角/°0~30
θv, φv观测天顶角和方位角/°0~0

新窗口打开| 下载CSV


2.4　植被指数计算和生物量估算

使用了两组植被指数（表2）。一组是常用于作物生物量反演的LAI相关植被指数（LAI-VIs），其中包括归一化差值指数（NDVI）、增强型植被指数（EVI）、归一化差值绿度指数（GNDVI）和改进三角植被指数（MTVI2）。另一组植被指数是利用了干物质短波特征的植被指数（DMIs），其中包括归一化干物质量指数（NDMI）和归一化叶冠生物量指数（NDBleaf）。

表2   植被指数及公式

Table 2  Vegetable indices and equations

指数类型植被指数计算公式参考文献
LAI-VIsNDVI(R800-R670)/(R800+R670)[19]
EVI2.5(R800-R670)/(R800+6R670-7.5R450+1)[20]
GNDVI(R800-R550)/(R800-R550)[21]
MTVI21.5[1.2(R800-R500)-2.5(R670-R550)]/{[(2R800+1)2-(6R800-5(R670)1/2]1/2-0.5}[22]
DMIsNDBleaf(R1540-R2160)/(R1540+R2160)[23]
NDMI(R1649-R1722)/(R1649+R1722)[24]

新窗口打开| 下载CSV


通过PROSAIL模型模拟的反射率数据，研究了6个单一植被指数和8个融合植被指数与地上生物量之间的关系。建立线性或非线性模型拟合这些关系，以决定系数（R2）作为拟合效果的评定指标。利用龙亢农场实测数据进行验证，通过均方根误差（RMSE）来评估这些模型的预测能力。

3 结果与分析

3.1　叶片生化组分敏感性分析

利用PROSAIL模拟数据分析了叶片干物质含量、叶片含水量和叶面积指数差异与冠层光谱反射率的关系，如图2所示。图2（a）显示不同叶片干物质含量对冠层光谱反射率影响较大，尤其在近红外波段和短波红外波段影响显著，而在可见光波段影响不明显。干物质相关指数DMIs主要利用了短波红外反射信息，具有对叶片干物质含量敏感的特性，使用DMIs更有利于反演植被生物量。图2（b）显示，不同叶片含水量对可见光和红边区域影响较小，对波长大于900 nm的冠层光谱反射率影响较大，该波长区域同样是干物质的敏感区域，可能干扰DMIs对地上生物量的精确估算。图2（c）显示，除了红边位置LAI差异几乎影响全波段反射率， 由于LAI与地上生物量高度相关，对LAI敏感的植被指数对在LAI变化下的地上生物量同样敏感。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   叶片干物质、叶片水分和叶面积指数差异对冠层光谱反射率的影响

Fig.2   Effects of different vegetation physicochemical parameters on canopy spectral reflectance


3.2　单一植被指数与生物量之间的关系

单一植被指数与生物量之间的关系如图3所示。将6种叶片干物质含量分别以不同颜色的点表示，图中散点以叶片干物质含量分级显示，表明干物质含量差异是影响生物量的主要因素。LAI-VIs在一定程度上能够预测植被生物量，其中NDVI与生物量的相关性最好，拟合关系的决定系数（R2）为0.42。其次是GNDVI和MTVI2，R2分别达到了0.29和0.22。EVI与生物量的关系最弱（R2=0.16），图3（b）的散点较为分散，叶片干物质含量的差异对EVI影响较大，生物量达到2 000 kg/hm2以上时，EVI已无法预测生物量的走向。同时，4个植被指数都有明显的饱和现象，反演模型存在高估现象。DMIs与生物量具有较好的关系，图3（e）、（f）中的散点明显集中，说明叶片干物质含量差异对NDMI和NDBleaf影响较小，从而增强了DMIs与生物量之间的关系。其中NDMI与生物量的关系最好，R2高达0.81；NDBleaf与生物量的关系好于LAI-VIs但稍弱于NDMI，R2为0.65。NDMI和NDBleaf与生物量之间的关系明显好于单一的LAI-VIs，并且有效的避免了茂密植被区域植被指数饱和效应。NDMI和NDBleaf的抗饱和性得益于短波红外比可见光—近红外波段在植被冠层中的穿透性强，能够更好地反映植被冠层内部信息。图3中两组植被指数与生物量间的关系说明基于可见光—近红外构建的LAI相关植被指数对植被冠层生物量不敏感，而具有近红外和短波红外信息的干物质植被指数与植被生物量具有较好的关系，能够较好地反演植被生物量。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   基于PROSAIL模型的单一植被指数与生物量的关系

实线是不同光谱指数与生物量间的回归线

Fig.3   The relationship between single vegetation indices and biomass based on PROSAIL model


3.3　融合植被指数与生物量之间的关系

由于1 400 nm后的波段受到土壤水分、植被叶片含水量和大气水汽的影响较大，地面光谱测量和卫星图像反射率中的短波红外波段受到噪声影响较大，利用无噪声的模拟数据建立的预测模型会有一定的局限性。为了加强模型的适用性，将LAI-VIs和DMIs相融合构建新的指数。融合植被指数同时具有与LAI相关的可见光、近红外和短波红外波段，一方面弥补了LAI-VIs对干物质相关性差的缺陷，同时也降低了遥感数据噪声对DMIs模型的影响。

图4为融和光谱指数与生物量之间的关系图。其中图4（a）~（d）为NDMI分别与NDVI、EVI、GNDVI和MTVI2的融合。其显示了指数融合后散点集中，NDMI能够有效地补偿LAI-VIs对叶片干物质含量相关性差的特性，加强LAI-VIs与植被生物量之间的相关性。其中，NDMI对NDVI和GNDVI的补偿结果最好，融合后的新型植被指数NDVI×NDMI和GNDVI×NDMI与植被生物量拟合方程的R2分别为0.79和0.77，说明NDVI×NDMI和GNDVI×NDMI能够较好地估测植被生物量。EVI×NDMI和MTVI2×NDMI与植被生物量的相关性弱于NDVI×NDMI和GNDVI×NDMI，但同样具备预测植被生物量的能力，R2分别为0.70和0.66。同时，NDMI提高了LAI-VIs的抗饱和性，能够较好的提升LAI-VIs的预测能力。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   基于PROSAIL模型的融合植被指数与生物量的关系

实线是不同融合植被指数与生物量间的回归线

Fig.4   The relationship between fused vegetation indices and biomass based on PROSAIL model


图4（e）~（h）为NDBleaf分别与NDVI、EVI、GNDVI和MTVI2的融合。图4（e）~（h）显示，NDBleaf对NDVI、GNDVI和MTVI2的具有一定的补偿效果，但补偿结果不如NDMI。其中NDVI×NDBleaf和GNDVI×NDBleaf与植被生物量的相关性较好，拟合方程的R2分别为0.60和0.58。NDBleaf对EVI和MTVI2的补偿效果较弱，融合后的新型植被指数EVI×NDBleaf和MTVI2×NDBleaf拟合方程的R2分别为0.44和0.41。这与NDBleaf是用于估算单位叶片面积上的干物质含量、而对冠层总生物量的相关性偏弱有关。

3.4　模型验证

利用龙亢农场研究区2017年实测的40个样本数据对基于植被指数的生物量反演模型进行验证。图5为单一植被指数的验证结果，结果表明，MTVI2和NDMI的模型精度较高，RMSE分别为652.2 kg/hm2和734.7 kg/hm2。NDBleaf相对于NDMI精度较低，这与NDBleaf对叶片干物质含量敏感而对冠层生物量不敏感有关。NDMI的反演精度高于NDVI、EVI和GNDVI，这与3.2节单一植被指数与生物量的相关分析结果相对应，但NDMI的反演精度低于MTVI2，说明土壤水分、植被叶片含水量对SWIR光谱贡献及大气水汽加剧的光谱噪声可能是影响SWIR相关指数反演生物量精度的重要因素。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   基于单一植被指数的反演模型与冬小麦实测数据验证结果

实线是验证结果的拟合线，虚线是1∶1线

Fig.5   Validation of the retrieval models based on single vegetation indices using field measurements


图6为融合植被指数的验证结果，结果表明，NDMI对所有LAI-VIs的补偿效果较好，RMSE均小于单一的LAI-VIs。NDBleaf对LAI-VIs的补偿效果较差。由于NDBleaf对冠层生物量的不敏感特性，致使NDBleaf对LAI-VIs的补偿效果小于融合后增加的噪声影响。从图5和图6的验证结果对比发现，植被指数经过融合后，预测值偏大的现象有很大改善，这说明融合植被指数兼具LAI-VIs和DMIs的优势，不仅体现了DMIs对干物质含量的敏感性，同时LAI-VIs的加入也增加了融合后的新指数对冠层群体生物量的敏感性。但是DMIs自身受到SWIR反射率测量噪声较大的影响，会出现补偿效果与噪声影响不均衡的限制。冬小麦实测数据的验证结果显示，MTVI2×NDMI的验证精度最高，大大优于MTVI2单一指数反演的结果；同时，NDVI×NDMI和GNDVI×NDMI对生物量也具有较好的预测能力。由于模拟数据未考虑实测样本中植被参数间的关联关系、较窄的参数范围及噪声的影响，基于模拟数据构建的反演模型与实测数据存在一定的偏差，如模拟结果中NDVI×NDMI与作物生物量建模的决定系数最高，但在实测数据验证结果中决定系数最高的是MTVI2×NDMI。尽管如此，模拟数据和实测检验结果都显示，利用植被指数融合提高了现有单一指数的作物生物量反演精度和稳定性。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   基于融合植被指数的反演模型与冬小麦实测数据验证结果

实线是验证结果的拟合线，虚线是1∶1线

Fig.6   Validation of the retrieval models based on fused vegetation indices using field measurements


4 结 语

通过PROSAIL模拟光谱分析了可见光—近红外植被指数、短波红外植被指数及其融合植被指数的植被生物量反演能力，并利用40个实测冬小麦生物量对反演模型进行验证，得出以下结论。

（1）叶片干物质含量和叶片含水量差异同时对近红外和短波红外区域的植被光谱反射率响应较大，对LAI敏感的可见光和红边区域光谱反射率响应较小。

（2）模拟结果显示干物质短波红外植被指数与植被生物量的相关性高于常用于生物量反演的可见光-近红外植被指数。融合植被指数同时增强了其对叶片干物质和LAI的敏感性。

（3）通过实测小麦生物量对反演模型验证，融合干物质短波红外植被指数对LAI相关的可见光—近红外植被指数的生物量反演能力具有较好的增强，其中MTVI2×NDMI的反演精度最高，建立的冬小麦生物量反演模型为BDW=8 831.8x+72.913，其中，式中BDW为冬小麦生物量，x为MTVI2×NDMI，验证精度为RMSE=606.8 kg/hm2。其次，常用的NDVI、GNDVI与NDMI的融合光谱指数也具有较好的测试精度。

通过PROSAIL模型和小麦实测生物量探讨了单一植被指数和融合植被指数反演作物生物量的能力。基于无噪声模拟数据建立的反演模型在应用中仍存在实测光谱噪声的不确定性影响［23］，但实测数据验证结果仍表明NDMI对MTVI2反演生物量的加强效果显著。由于实测的叶片含水量、LAI与叶片干物质含量等参数间可能存在一定的相关性，在PROSAIL辐射模型的参数输入未考虑参数间的关系，这可能增加了基于模拟数据构建反演模型的不准确性；同时，PROSAIL模型由于冠层组分的叶片简化假定，可用于绿色茎、叶组成冠层情况下的作物和草地的生物量遥感提取［26-27］，但这种模型简化也增加了单一的生物量反演模型在不同品种、不同生育期的不确定性。在未来的研究中，更加精细的数据模拟以及分区域分生育期建模都是本文指数融合方法应用的重要研究方向。

参考文献

Wang Cheng， Hou Ruifeng， Qiao Xiaojun， et al.

A Device and Method for Measuring Crop Biomass

［P］. 102169008A， 2011-08-31.

[本文引用: 1]

王成， 侯瑞锋， 乔晓军， 等.

一种农作物生物量测量装置及方法

［P］. 102169008A， 2011-08-31.

[本文引用: 1]

Chen Zhongxin， Ren Jianqiang， Tang Huajun， et al.

Progress and Perspectives on Agricultural Remote Sensing Research and Applications in China

［J］. Journal of Remote Sensing， 2016， 20（5）：748–767.

[本文引用: 1]

陈仲新， 任建强， 唐华俊， 等.

农业遥感研究应用进展与展望

［J］. 遥感学报， 2016， 20（5）：748-767.

[本文引用: 1]

Cheng T， Song R Z， Li D， et al.

Spectroscopic Estimation of Biomass in Canopy Components of Paddy Rice Using Dry Matter and Chlorophyll Indices

［J］. Remote Sensing， 2017， 9（4）：319. doi： 10.3390/rs9040319.

[本文引用: 2]

Liang Shunlin， Li Xiaowen， Wang Jindi. Quantitative Remote Sensing： Concepts and Algorithms［M］. Beijing： Science Press， 2013.

[本文引用: 1]

梁顺林， 李小文， 王锦地. 定量遥感：理念与算法［M］. 北京： 科学出版社， 2013.

[本文引用: 1]

Wang Beizhan， Feng Xiao， Wen Nuan， et al.

Monitoring Biomass and N Accumulation at Jointing Stage in Winter Wheat based on SPOT-5 Images

［J］. Scientia Agricultura Sinca， 2012， 45（15）：3049-3057.

[本文引用: 1]

王备战， 冯晓， 温暖， 等.

基于SPOT-5影像的冬小麦拔节期生物量及氮素积累监测

［J］. 中国农业科学， 2012， 45（15）：3049-3057.

[本文引用: 1]

Wu Jie， Li Yuhuan， Li Zengbing， et al.

Estimation of Biomass and C and N Accumulation at The Maturity Stage of Corn Using Synchronous SPOT-5 Spectral Parameters

［J］. Journal of Plant Nutrition and Fertilizer， 2014， 20（1）：64-74.

[本文引用: 1]

武婕， 李玉环， 李增兵， 等.

基于SPOT-5遥感影像估算玉米成熟期地上生物量及其碳氮累积量

［J］. 植物营养与肥料学报， 2014， 20（1）：64-74.

[本文引用: 1]

Zhuang Dongying，Li Weiguo，Wu Liquan.

Estimating Winter Wheat Biomass based on Satellite Remote Sensing

［J］. Journal of Arid Land Resources and Environment， 2013， 27（10）：158-162.

[本文引用: 1]

庄东英， 李卫国， 武立权.

冬小麦生物量卫星遥感估测研究

［J］. 干旱区资源与环境， 2013， 27（10）：158-162.

[本文引用: 1]

Liu J G， Pattey E， Miller J R， et al.

Estimating Crop Stresses， Aboveground Dry Biomass and Yield of Corn Using Multi-temporal Optical Data Combined with A Radiation Use Efficiency Model

［J］. Remote Sensing of Environment， 2010， 114（6）：1167-1177. doi： 10.1016/j.rse.2010.01.004.

[本文引用: 1]

Dong T F， Liu J G， Qian B D， et al.

Estimating Crop Biomass Using Leaf Area Index Derived from Landsat 8 and Sentinel-2 Data

［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 168：236-250.

[本文引用: 1]

Tian J， Philpot W D.

Relationship between Surface Soil Water Content， Evaporation Rate， and Water Absorption Band Depths in SWIR Reflectance Spectra

［J］. Remote Sensing of Environment，2015，169：280-289.doi：10.1016/j.rse.2015. 08.007.

[本文引用: 1]

Wang L， Qu J J， Hao X， et al.

Sensitivity Studies of the Moisture Effects on MODIS SWIR Reflectance and Vegetation Water Indices

［J］. International Journal of Remote Sensing， 2008， 29（24）：7065-7075.

[本文引用: 1]

Li Xinchuan， Bao Yansong， Xu Xingang， et al.

New Vegetation Index Fusing Visible-infrared and Shortwave Infrared Spectral Feature for Winter Wheat LAI Retrieval

［J］. Spectroscopy and Spectral Analysis， 2013， 33（9）：2398-2402.

[本文引用: 1]

李鑫川， 鲍艳松， 徐新刚，等.

融合可见光—近红外与短波红外特征的新型植被指数估算冬小麦LAI

［J］. 光谱学与光谱分析， 2013， 33（9）：2398-2402.

[本文引用: 1]

Xu M Z， Liu R G， Chen J M， et al.

Retrieving Leaf Chlorophyll Content Using a Matrix-based Vegetation Index Combination Approach

［J］. Remote Sensing of Environment， 2019， 224：60-73. doi： 10.1016/j.rse.2019.01.039.

[本文引用: 1]

Alebele Y， Zhang X， Wang W， et al.

Estimation of Canopy Biomass Components in Paddy Rice from Combined Optical and SAR Data Using Multi-target Gaussian Regressor Stacking

［J］. Remote Sensing， 2020， 12（16）：2564. doi： 10.3390/rs12162564.

[本文引用: 1]

Liu Xinjie， Wei Yunxia， Jiao Quanjun， et al.

Growth Monitoring and Yield Prediction of Winter Wheat based on Time-series Quantitative Remote Sensing Data

［J］. Remote Sensing Technology and Application， 2019， 168（4）：74-83.

[本文引用: 1]

刘新杰， 魏云霞， 焦全军， 等.

基于时序定量遥感的冬小麦长势监测与估产研究

［J］. 遥感技术与应用， 2019， 168（4）：74-83.

[本文引用: 1]

Jacquemoud S， Verhoef W， Frédéric B， et al.

PROSPECT + SAIL Models： A Review of Use for Vegetation Characterization

［J］. Remote Sensing of Environment， 2009， 113（1）：56-66. doi： 10.1016/j.rse.2008.01.026.

[本文引用: 1]

Ge Lijuan， Wang Xiaoping， Wang Qingtao， et al.

Applicability of PROSAIL Model to Spring Wheat in Semi-arid Region of the Loess Plateau Under Different Drought Stress

［J］. Journal of Arid Meteorology， 2017， 35（6）：926-933.

葛丽娟， 王小平， 王清涛， 等.

PROSAIL模型在半干旱区春小麦不同干旱胁迫条件下的适用性分析

［J］. 干旱气象， 2017， 35（6）：926-933.

Hou Xuehui， Wang Meng， Liu Sihan， et al.

Comparison Between Prosail Model and Landsat 8 Images in Inversion of Water Content of Wheat Canopy

［J］. Journal of Triticeae Crops， 2018， 38（4）：493-497.

[本文引用: 1]

侯学会， 王猛， 刘思含， 等.

基于Prosail模型和Landsat 8数据的小麦冠层含水量反演比较

［J］. 麦类作物学报， 2018， 38（4）：493-497.

[本文引用: 1]

Rouse J W， Haas R H， Schell J A， et al.

Monitoring Vegetation Systems in the Great Plains with ERTS

［J］. Nasa Special Publication， 1973， 351：309-317.

[本文引用: 1]

Gitelson A A， Gritz Y， Merzlyak M N.

Relationships between Leaf Chlorophyll Content and Spectral Reflectance and Algorithms for Non-destructive Chlorophyll Assessment in Higher Plant Leaves

［J］. Journal of Plant Physiology， 2003， 160：271-282.

[本文引用: 1]

Gitelson A A， Kaufman Y J， Merzlyak M N.

Use of A Green Channel in Remote Sensing of Global Vegetation From EOS-MODIS

［J］. Remote Sensing of Environment， 1996， 58（3）：289-298. doi： 10.1016/S0034-4257（96）00072-7.

[本文引用: 1]

Haboudane D， Miller J R， Pattey E， et al.

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.

[本文引用: 1]

Maire G L， Francois C， Soudani K， et al.

Calibration and Validation of Hyperspectral Indices for The Estimation of Broadleaved Forest Leaf Chlorophyll Content， Leaf Mass Per Area， Leaf Area Index and Leaf Canopy Biomass

［J］. Remote Sensing of Environment， 2008， 112：3846-3864. doi： 10.1016/j.rse.2008.06.005.

[本文引用: 2]

Wang L， Qu J J， Hao X， et al.

Estimating Dry Matter Content from Spectral Reflectance for Green Leaves of Different Species

［J］. International Journal of Remote Sensing， 2011， 32：7097-7109.

[本文引用: 1]

Zhang Xia， Qi Wenchao， Sun Weichao.

Research on Vegetation Spectrum Denoising Method based on Mathematical Morphology Filtering

［J］. Remote Sensing Technology and Application， 2016， 31（5）：846-854.

张霞， 戚文超， 孙伟超.

基于数学形态滤波的植被光谱去噪方法研究

［J］.遥感技术与应用， 2016， 31（5）：846-854.

Yu Fenghua.

Retrieving Nutrient Information of Japonica Rice based on Unmanned Aerial Vehicle Hyperspectral Remote Sensing

［D］. Shenyang： Shenyang Agricultural University， 2017.

[本文引用: 1]

于丰华.

基于无人机高光谱遥感的东北粳稻生长信息反演建模研究

［D］. 沈阳： 沈阳农业大学， 2017.

[本文引用: 1]

Yang Fei， Wang Juanle， Chen Pengfei， et al.

Comparison of HJ-1A CCD and TM Data and for Estimating Grass LAI and Fresh Biomass

［J］. Journal of Remote Sensing， 2012， 16（5）：1000-1023.

[本文引用: 1]

杨飞， 王卷乐， 陈鹏飞， 等.

HJ-1ACCD与TM数据及其估算草地LAI和鲜生物量效果比较分析

［J］. 遥感学报， 2012， 16（5）：1000-1023.

[本文引用: 1]

/

〈 〉