基于高光譜數(shù)據(jù)的東洞庭湖苔草LAI估算研究

邱 琳，林 輝，孫 華，臧 卓，莫登奎

基于高光譜數(shù)據(jù)的東洞庭湖苔草LAI估算研究

邱 琳，林 輝，孫 華，臧 卓，莫登奎

（中南林業(yè)科技大學(xué) 林業(yè)遙感信息工程研究中心，湖南 長(zhǎng)沙 410004）

葉面積指數(shù)（leaf area index ,LAI）是表征植被冠層結(jié)構(gòu)和光合面積的重要參數(shù)。實(shí)時(shí)動(dòng)態(tài)的植被LAI監(jiān)測(cè)對(duì)于診斷植被生長(zhǎng)狀況及趨勢(shì)具有重要作用。本研究旨在通過對(duì)高光譜數(shù)據(jù)的數(shù)學(xué)變換與特征分析，構(gòu)建東洞庭湖苔草LAI的最佳估算模型。通過分析52組苔草樣本640～780 nm波段范圍內(nèi)的反射率、一階微分及倒數(shù)的對(duì)數(shù)的光譜特征，選擇特征波段，運(yùn)用多元逐步線性回歸法與偏最小二乘回歸法建立估算模型。研究發(fā)現(xiàn)特征波段為707～758 nm，以上3種光譜數(shù)據(jù)的多元逐步線性回歸模型決定系數(shù)分別為0.526、0.815、0.565，均方根誤差分別為0.320、0.269、0.273，3者偏最小二乘回歸模型的決定系數(shù)均高達(dá)0.9以上，均方根誤差分別為0.189、0.262、0.134。結(jié)果表明：偏最小二乘回歸法優(yōu)于多元逐步線性回歸法，該估算模型可有效估算苔草LAI。

苔草；高光譜；植被類型；LAI；反射率；偏最小二乘回歸

葉面積指數(shù)（leaf area index，LAI）是重要的生物物理參量，可為植被冠層研究提供結(jié)構(gòu)化定量信息，可準(zhǔn)確高效地判斷植被生長(zhǎng)狀況及趨勢(shì)，亦是各種生態(tài)模型及碳循環(huán)研究的重要參量，因此具有極其重要的研究意義[1]。遙感估算LAI的方法費(fèi)用低、宏觀性強(qiáng)、資料獲取全面，具有客觀、定量、準(zhǔn)確的優(yōu)點(diǎn)，成為近年研究的熱點(diǎn)[2]。

基于高光譜的植被LAI的估測(cè)，已有眾多學(xué)者從不同的角度和方法，對(duì)不同尺度和不同植被類型進(jìn)行了研究，并取得了突出的成果[3]。許多研究者構(gòu)造光譜參數(shù)，例如歸一化植被指數(shù)、比值植被指數(shù)等不同形式進(jìn)行植被LAI反演研究[4-7]。近年來，隨著高光譜遙感蓬勃發(fā)展，導(dǎo)數(shù)光譜技術(shù)越來越多地用來反演植被葉面積指數(shù)[8-10]。研究表明，LAI與一階微分光譜具有良好的相關(guān)性[11]，基于光譜曲線分析的紅邊參數(shù)對(duì)LAI表現(xiàn)敏感[12-13]，對(duì)LAI表現(xiàn)最為敏感的是750 nm波段附近的光譜一階導(dǎo)數(shù)，紅邊面積與紅邊振幅等三邊參數(shù)與LAI也有良好的相關(guān)性[11,13]。此外，倒數(shù)的對(duì)數(shù)及其微分也逐漸被運(yùn)用到高光譜的估算模型中，并取得了較好的精度[14-15]。為了提高LAI的估測(cè)精度，前人采用了主成分分析法、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等模糊統(tǒng)計(jì)方法[16-17]。也有研究人員采用不同的模型構(gòu)建方法，例如多元逐步線性回歸法與偏最小二乘估計(jì)法[14]。由于植被的光譜反射特征與巖石、土壤、水體等其它地物有著顯著差異，且各植被類型的光譜反射率也迥然不同，因此，基于植被反射率可區(qū)分植被類型、長(zhǎng)勢(shì)及估算生物量。研究表明，LAI與近紅外波段的光譜反射率相關(guān)性良好[11]。然而，雖然LAI估測(cè)已廣泛運(yùn)用于植物生態(tài)學(xué)、植被學(xué)以及一些交叉學(xué)科[18]，但是在濕地植被研究中運(yùn)用很少，且估算模型精度有待提高。為此，本研究基于東洞庭湖苔草實(shí)測(cè)反射率光譜，通過數(shù)學(xué)變換得出一階微分與倒數(shù)的對(duì)數(shù)，分析以上3種光譜數(shù)據(jù)與LAI的關(guān)系，提取特征波段，構(gòu)建LAI的高光譜估算模型，為苔草實(shí)時(shí)、動(dòng)態(tài)、定量監(jiān)測(cè)奠定基礎(chǔ)，為東洞庭湖其它植被類型的進(jìn)一步研究提供依據(jù)。

1 材料與方法

1.1 苔草LAI樣本的采集

苔草LAI樣本的采集在我國典型濕地東洞庭湖進(jìn)行。本研究共采集苔草樣本52組，各樣本均勻分布于東洞庭湖研究區(qū)。在研究區(qū)域內(nèi)，每次測(cè)量前用標(biāo)簽進(jìn)行定點(diǎn)，以保證光譜測(cè)量和葉面積測(cè)量位置一致。苔草葉面積的測(cè)定采用美國LI-COR公司生產(chǎn)的LAI2000植被冠層分析儀。所有葉面積測(cè)量時(shí)間都選擇在當(dāng)日北京時(shí)間6:30～9:30或16:30～19:30。冠層分析儀設(shè)置1個(gè)天空光，4個(gè)測(cè)量目標(biāo)值，使用15°的遮蓋帽，測(cè)量時(shí)背對(duì)陽光進(jìn)行，遮擋住操作者本身和日光，盡可能避免直射的陽光。

1.2 光譜測(cè)定

光譜測(cè)定儀器是美國ASD公司生產(chǎn)的ASD Field SpecPro FR型光譜儀，光譜范圍為350～2 500 nm，視場(chǎng)角為25°，其中光譜采樣間隔1 nm。在每個(gè)樣點(diǎn)采集光譜之前都進(jìn)行白板標(biāo)定，每個(gè)測(cè)試點(diǎn)采集30條光譜數(shù)據(jù)。所有的光譜測(cè)定均選擇在晴朗無風(fēng)天氣，每次測(cè)定時(shí)間為北京時(shí)間10：30～14：30（太陽高度角大于45°）。測(cè)量時(shí)必須保持探頭垂直向下，高度保持在冠層上方1.3 m附近。

1.3 研究的光譜范圍

植被對(duì)光譜紅光波段強(qiáng)烈吸收，強(qiáng)烈反射近紅外光，致使光譜反射率在680～760 nm區(qū)域呈現(xiàn)陡峭的爬行脊，將其稱之為紅邊（red edge）。紅邊是表征植被生化成分含量、健康等狀況的重要指標(biāo)。植被紅邊區(qū)域的高光譜反射率特征可用來估算冠層葉片的葉面積指數(shù)[19]。研究表明，LAI與光譜反射率在紅邊波段范圍內(nèi)相關(guān)關(guān)系顯著[11]。故選用640～780 nm波段范圍為研究對(duì)象。

1.4 光譜數(shù)據(jù)預(yù)處理

1.4.1 均值處理與平滑

對(duì)每個(gè)樣點(diǎn)采集的數(shù)據(jù)（30條）求平均值，剔除異常點(diǎn)，將求得的均值作為該樣點(diǎn)的光譜反射率。光譜曲線上有很多噪聲，這是由于光譜儀各波段在能量響應(yīng)上存在差別引起的，本研究采用5點(diǎn)加權(quán)平滑法對(duì)均值處理后的光譜數(shù)據(jù)進(jìn)行平滑處理，以消除由儀器引起的隨機(jī)誤差并很好地保持光譜原有的特性。其算法[20]如下：

1.4.2 光譜數(shù)據(jù)的數(shù)學(xué)變換

光譜一階微分和倒數(shù)的對(duì)數(shù)是兩種常用的光譜數(shù)據(jù)數(shù)學(xué)變換方法[21]。對(duì)光譜曲線進(jìn)行一階微分變換，可以分解并識(shí)別重疊的混合光譜，擴(kuò)大樣本之間的光譜特征差異；光譜反射率經(jīng)倒數(shù)的對(duì)數(shù)變換后，可增強(qiáng)光譜在可見光區(qū)范圍內(nèi)的差異，減少因光照條件變化等引起的乘性因素影響。苔草的原始反射率、一階微分和倒數(shù)的對(duì)數(shù)的光譜曲線分別見圖1、圖2、圖3所示。

圖1 苔草反射率Fig.1 Spectral curves of reflectance of Carex

圖2 苔草反射率的一階微分Fig.2 Spectral curves of first derivative reflectance of Carex

圖3 苔草反射率倒數(shù)的對(duì)數(shù)Fig.3 Spectral curves of inverse-log reflectance of Carex

由圖1可知：（1）在640～680 nm波段范圍內(nèi)，光譜反射率值逐漸減小，光譜反射率曲線呈平緩下降趨勢(shì)，形成紅谷。（2）在680～760 nm附近，光譜反射率值先急劇增大后趨于穩(wěn)定，光譜反射率曲線形成陡峭的斜坡后接近于直線狀態(tài)，陡峭的爬行脊即紅邊。（3）在760～780 nm之間為光譜反射率值高值區(qū)，光譜反射率曲線總體趨勢(shì)平緩，接近于直線狀態(tài)。

由圖2可知：（1）在640～780 nm波段范圍內(nèi)，一階微分值總體趨勢(shì)是先增大后減小，一階微分曲線呈波動(dòng)狀態(tài)。（2）在680～760 nm之間，一階微分曲線出現(xiàn)較明顯的雙峰。（3）在640～680 nm與750～770 nm波段范圍內(nèi)，一階微分曲線出現(xiàn)小范圍內(nèi)的波動(dòng)。

由圖3可知：（1）在640～780 nm波段范圍內(nèi)，光譜反射率的倒數(shù)對(duì)數(shù)值先不斷增大后急劇減少，最后趨于穩(wěn)定。（2）在640～680 nm波段范圍內(nèi)，反射率倒數(shù)的對(duì)數(shù)值逐漸增大，曲線呈上升趨勢(shì)。（3）在680～740 nm波段范圍內(nèi)，光譜反射率倒數(shù)的對(duì)數(shù)值急劇減少，曲線呈現(xiàn)急劇下降的趨勢(shì)。（4）在740～780 nm之間為光譜反射率倒數(shù)的對(duì)數(shù)低值區(qū)，曲線趨勢(shì)平緩，接近于直線狀態(tài)。

1.4.3 特征波段選擇

對(duì)52組苔草反射率、一階微分及倒數(shù)的對(duì)數(shù)與對(duì)應(yīng)的LAI進(jìn)行相關(guān)分析（如圖4、圖5、圖6所示），結(jié)果表明：反射率與LAI在707～780 nm波長(zhǎng)范圍內(nèi)呈顯著相關(guān)，兩者的相關(guān)性在640～670 nm波段范圍內(nèi)隨波長(zhǎng)增大而減小，在667～740 nm波段范圍內(nèi)隨著波長(zhǎng)增大而增大，在740～780 nm波段范圍內(nèi)相關(guān)性趨于穩(wěn)定。大部分波段的一階微分值與LAI的相關(guān)性呈顯著相關(guān)，兩者在640～666 nm波長(zhǎng)范圍內(nèi)呈顯著負(fù)相關(guān)，688～758 nm波長(zhǎng)范圍內(nèi)呈顯著正相關(guān)。倒數(shù)的對(duì)數(shù)與LAI在640～654 nm波長(zhǎng)范圍內(nèi)呈負(fù)相關(guān)，655～687 nm范圍內(nèi)呈現(xiàn)正相關(guān)關(guān)系，688～780 nm波段范圍內(nèi)成負(fù)相關(guān)，且相關(guān)性不斷增大，697～780 nm波長(zhǎng)范圍內(nèi)呈顯著負(fù)相關(guān)，兩者相關(guān)性隨波長(zhǎng)的增大先增大后趨于穩(wěn)定。綜上所述，研究選取的特征波段范圍為707～758 nm。

圖4 苔草反射率與LAI的相關(guān)性Fig.4 Correlation between the reflectance and LAI of Carex

2 結(jié)果與分析

2.1 苔草LAI的多元線性逐步回歸模型

本研究將52個(gè)苔草樣本分為兩組，將第一組34個(gè)樣本進(jìn)行多元逐步回歸分析，建立回歸模型，第二組18個(gè)樣本用于模型的精度檢驗(yàn)。分別將原始反射率、一階微分、倒數(shù)的對(duì)數(shù)這3個(gè)光譜值的52個(gè)波段作為自變量，苔草LAI實(shí)測(cè)值作為因變量，進(jìn)行多元逐步回歸分析。設(shè)定變量方差貢獻(xiàn)顯著水平0.05作為選入和提出變量的標(biāo)準(zhǔn)，建立苔草LAI高光譜反演模型（Y為苔草LAI含量的反演值）。

圖5 苔草一階微分與LAI的相關(guān)性Fig.5 Correlation between the first derivative reflectance and LAI of Carex

圖6 苔草倒數(shù)對(duì)數(shù)與LAI的相關(guān)性Fig.6 Correlation between the inverse-log reflectance and LAI of Carex

（1）反射率模型表達(dá)式：

Y=5.446-4.213b748+1.110b749，（b748、b749分 別為波長(zhǎng)為748、749 nm處的光譜反射率值）。

（2）一階微分模型表達(dá)式：

Y=5.097-12 515.684b739+12 486.84b740，（b739、b740分別為波長(zhǎng)為739、740 nm的反射率一階微分值）

（3）倒數(shù)的對(duì)數(shù)模型表達(dá)式：

Y=2.161-2.547b750-0.679b751，（b750、b751分 別為波長(zhǎng)為750、751nm的反射率倒數(shù)的對(duì)數(shù)值）。

可以看出，入選波段均是紅邊范圍內(nèi)波段，且是較為陡峭區(qū)域的波段。

表1是苔草LAI多元線性逐步回歸模型的檢驗(yàn)結(jié)果。結(jié)果表明，一階微分與倒數(shù)的對(duì)數(shù)的平均相對(duì)誤差與均方根誤差都比反射率小，說明對(duì)反射率進(jìn)行數(shù)學(xué)變換有利于特征波段的選擇。一階微分建模的決定系數(shù)較高，達(dá)0.815。均方根誤差最小的是一階微分，平均相對(duì)誤差最小的是反射率倒數(shù)的對(duì)數(shù)，這可能是由于光譜進(jìn)行數(shù)學(xué)變換后擴(kuò)大了樣本光譜特征之間的差異。

表1 苔草多元線性逐步回歸模型檢驗(yàn)Table 1 Test results of SMLR model for Carex LAI

圖7 為苔草LAI實(shí)測(cè)值和估算值的對(duì)比圖，橫坐標(biāo)為苔草實(shí)測(cè)的LAI值，縱坐標(biāo)為苔草LAI回歸模型的估算值。樣點(diǎn)越接近斜率為1的線，說明估算值越接近實(shí)測(cè)值，模型的反演效果越好。結(jié)果表明：一階微分在多元逐步線性回歸模型中反演效果優(yōu)于反射率和倒數(shù)的對(duì)數(shù)，反演效果較好。

2.2 苔草LAI的偏最小二乘回歸模型

運(yùn)用類似多元線性逐步回歸的方法，構(gòu)建偏最小二乘回歸模型并分析。模型的檢驗(yàn)結(jié)果見表2。

表2 苔草LAI偏最小二乘回歸模型檢驗(yàn)Table 2 Test results of PLSR model for Carex LAI

從表2分析發(fā)現(xiàn)，反射率、一階微分、倒數(shù)的對(duì)數(shù)這3個(gè)模型的建模決定系數(shù)均高達(dá)90﹪以上，精度高。反射率與一階微分的平均相對(duì)誤差分別為3.647﹪、2.679﹪，均方根誤差分別是0.189、0.134，實(shí)測(cè)值與估算值的相關(guān)系數(shù)分別達(dá)0.812、0.894。結(jié)果表明：苔草LAI偏最小二乘回歸模型中，倒數(shù)的對(duì)數(shù)的模型精度最高，反射率次之，一階微分相對(duì)較差。

圖7 苔草LAI多元線性逐步回歸模型實(shí)測(cè)值與預(yù)測(cè)值的比較Fig.7 Comparison of measured Carex LAI and values estimated by SMLR model

圖8 比較了LAI實(shí)測(cè)值與估算值，分析可得，倒數(shù)的對(duì)數(shù)模型的估算模型精度最高，建模樣點(diǎn)和檢驗(yàn)樣點(diǎn)基本分布于斜率為1的直線附近，反射率的精度次之，一階微分建模效果相對(duì)較差。

結(jié)合圖7和圖8對(duì)比發(fā)現(xiàn)，偏最小二乘回歸模型的精度優(yōu)于多元逐步回歸模型，模型反演值更接近估測(cè)值。原因可能是單個(gè)波段的反射率難以全面反映不同LAI苔草的光譜信息，多元逐步回歸模型只利用了幾個(gè)波段的光譜信息，而偏最小二乘回歸則從整個(gè)研究波段范圍的光譜信息中提取主成分，保證相關(guān)性大的同時(shí)完成降維。因此，運(yùn)用偏最小二乘回歸方法對(duì)高光譜與苔草LAI進(jìn)行回歸分析，是研究苔草高光譜特征波段與苔草LAI關(guān)系很好的嘗試。

圖8 苔草LAI偏最小二乘回歸模型實(shí)測(cè)值與預(yù)測(cè)值的比較Fig.8 Comparison of measured Carex LAI and values estimated by PLSR model

3 結(jié)論與討論

研究選用東洞庭湖苔草640～780 nm波段范圍，在707～758 nm波段范圍內(nèi)，苔草反射率、一階微分（R′）、倒數(shù)的對(duì)數(shù)log(1/R)與LAI均呈顯著相關(guān)，選擇特征波段并據(jù)此建立定量反演模型。結(jié)果表明：基于光譜反射率進(jìn)行東洞庭湖苔草LAI估算研究可行；通過苔草光譜反射率進(jìn)行數(shù)學(xué)變換，得到反射率的一階微分及倒數(shù)的對(duì)數(shù)，有利于特征波段的選擇。運(yùn)用以上3種光譜數(shù)據(jù)與LAI進(jìn)行多元逐步線性回歸和偏最小二乘回歸建模與分析，結(jié)果顯示：多元逐步線性回歸中一階微分和倒數(shù)的對(duì)數(shù)表現(xiàn)較好，檢驗(yàn)樣本相對(duì)誤差分別為5.603﹪、4.162﹪，估算值與實(shí)測(cè)值的相關(guān)系數(shù)分別為0.727、0.626，總體均方根誤差分別為0.269、0.273；而在偏最小二乘回歸中，反射率和倒數(shù)的對(duì)數(shù)精度較高，其檢驗(yàn)樣本相對(duì)誤差分別為3.647﹪、2.679﹪，估算值與實(shí)測(cè)值的相關(guān)系數(shù)分別為0.812、0.894，總體均方根誤差分別為0.189、0.134，建模決定系數(shù)均高達(dá)0.9以上，模型檢驗(yàn)系數(shù)分別為0.812、0.894?；诠庾V曲線特征波段進(jìn)行的建模分析，并估算苔草的LAI，結(jié)果表明：偏最小二乘回歸法優(yōu)于多元線性逐步回歸法。其中，反射率倒數(shù)的對(duì)數(shù)的偏最小二乘回歸模型精度最高，檢驗(yàn)樣本估算的平均相對(duì)誤差為2.679﹪，估算值和實(shí)測(cè)值的相關(guān)系數(shù)達(dá)到0.894，能較好快速估算苔草葉面積指數(shù)。因此，在樣本容量小自變量多、變量間相關(guān)性較高時(shí)，偏最小二乘估計(jì)較多元線性逐步回歸能更有效的提取和利用光譜中的重要信息。

值得指出的是，本研究的波段范圍相對(duì)較窄，基于350～2 500 nm波長(zhǎng)范圍內(nèi)建模與分析，本文的方法是否適用有待進(jìn)一步探討。此外，本文的方法是否適用于東洞庭湖的其它植被類型也有待深入研究。

[1] 楊 飛,張 柏,宋開山.大豆葉面積指數(shù)的高光譜估算方法比較[J].光譜學(xué)與光譜分析,2008,28(12):2951-2955.

[2] 陳沈斌. 種植業(yè)可持續(xù)發(fā)展的支持系統(tǒng)——農(nóng)作物衛(wèi)星遙感估產(chǎn)[J].地理科學(xué)進(jìn)展,1998,17 (2):71-77.

[3] 王希群, 馬履一, 賈忠奎, 等. 葉面積指數(shù)的研究和應(yīng)用進(jìn)展[J].生態(tài)學(xué)雜志,2005,24(5) : 537.

[4] Cliff H Koger. Wavelet analysis of hyperspectral reflectance data for detecting pittedmorningglory (Ipomoea lacunosa) in soybean(Glycine max) [J] .Ecology, 1969,50: 663-666.

[5] P.J. Zarco-Tejada. Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops [J]. Remote Sensing of Environment ,2004,90: 463-476.

[6] Sonia Silvestri. Hyperspectral remote sensing of salt marsh vegetation,morphology and soil topography [J]. Physics and Chemistry of the Earth, 2003,28 :15-25 .

[7] 薛利紅,曹衛(wèi)星,羅衛(wèi)紅. 光譜植被指數(shù)與水稻葉面積指數(shù)相關(guān)性的研究[J].植物生態(tài)學(xué)報(bào), 2004,28(1): 47-52 .

[8] 臧 卓,林 輝,楊敏華.ICA與PCA在高光譜數(shù)據(jù)降維分類中的對(duì)比研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31,(11):18-22

[9] 劉秀英,臧 卓,孫 華.基于高光譜數(shù)據(jù)的杉木和馬尾松識(shí)別研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2011,31,(11):30-33.

[10] 林 輝,劉 璇,臧 卓.杉木葉綠素含量高光譜遙感模型研究[J].中南林業(yè)科技大學(xué)學(xué)報(bào).2010,30,(11):1-5.

[11] 劉偉東,項(xiàng)月琴,鄭蘭芬,等. 高光譜數(shù)據(jù)與水稻葉面積指數(shù)及葉綠素密度的相關(guān)分析[J].遙感學(xué)報(bào),2000 , 4 (4) : 279-283.

[12] Patel NK, Patnaik C, Dutta J,et al. Hyperspectral versus multispectral data for estimating leaf area index in four different biomes [J]. International Journal of Remote Sensing, 2001,22:2401-2411.

[13] 王秀珍,王人潮,黃敬峰. 微分光譜遙感及其在水稻農(nóng)學(xué)參數(shù)測(cè)定上的應(yīng)用研究[J].農(nóng)業(yè)工程學(xué)報(bào), 2002,18(1):9-13.

[14] 劉 磊,沈潤(rùn)平,丁國香. 基于高光譜的土壤有機(jī)質(zhì)含量估算研究[J].光譜學(xué)與光譜分析,2011,31(3):762-766.

[15] 劉煥軍,張新樂,鄭樹峰. 黑土有機(jī)質(zhì)含量野外高光譜預(yù)測(cè)模型[J].光譜學(xué)與光譜分析,2010, 30(12):3355-3358.

[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(xué)報(bào), 2004 ,8 (1) : 81.

[17] 楊曉華,黃敬峰,王秀珍. 基于支持向量機(jī)的水稻葉面積指數(shù)高光譜估算模型研究[J].光譜學(xué)與光譜分析, 2008,28(8):1837-1841.

[18] 方秀琴,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.

[19] 胡 昊,白由路,楊俐蘋,等. 不同氮營(yíng)養(yǎng)冬小麥冠層光譜紅邊特征分析[J].植物營(yíng)養(yǎng)與肥料學(xué)報(bào),2009，15(6):1317-1323.

[20] 蔣金豹,陳云浩,黃文江. 利用高光譜紅邊與黃邊位置距離識(shí)別小麥條銹病[J].光譜學(xué)與光譜分析,2010;30(6):1614-1618.

[21] 盧艷麗,白由路,楊俐蘋,等. 基于高光譜的土壤有機(jī)質(zhì)含量預(yù)測(cè)模型的建立與評(píng)價(jià)[J].中國農(nóng)業(yè)科學(xué),2007 , 40 (9) :1898.

Studies on leaf area index estimation of Carex based on high-spectral data

QIU Lin, LIN Hui, SUN Hua, ZANG Zhuo, MO Deng-kui,
(Research Center of Forest Remote Sensing & Information Engineering , Central South University of Forestry &Technology , Changsha 410004, Hunan, China)

Leaf area index (LAI) is the important parameter for characterizing vegetation canopy structure and photosynthetic area size,as well as an important indicator to judge the status and trends of vegetation growth. Therefore, it is of great significance for monitoring the vegetation LAI real-time and dynamic. An optimal estimation model for the East Dongting Lake Carex LAI was designed by mathematical transformation of hyper-spectral data and feature analysis. Through analyzing the spectral reflectance and spectral signature of 52 Carex samples (bands ranging from 640 ～ 780 nm) which were collected from the east Dongtin lake, selecting characteristic bands,an estimation model was established by adopting multiple element step by step linear regression and partial least squares regression. The results show that the estimated characteristic band of the wavelength range were from 707～755 nm, the mathematical transformation of the spectral reflectance was good for the characteristic band bands choice; the SMLR model and PLSR model determination coefficient of the three types spectral data were 0.526, 0.815, 0.565, and the root mean square error were 0.320, 0.269, 0.273, while the PLSR model determination coefficient were all more than 0.9, the root mean square error were respectively 0.189, 0.262, 0.134. It is suggested that partial least squares regression method is better than stepwise multiple linear regression, it can estimate the LAI of Carex quickly and efficiently.

Carex; high-spectral data; vegetation types; leaf area index; reflectance; partial least squares regression method

S771.8

A

1673-923X (2012)07-0028-06

2012-04-18

國家重大專項(xiàng)（E0305/1112/02）；國家“十二五”863項(xiàng)目（2012AA102001）

邱 琳（1988—），女，江西吉安人， 碩士研究生，研究方向：林業(yè)遙感和地理信息系統(tǒng)；E-mail：609556486@qq.com

林 輝（1965—），女，教授，博士生導(dǎo)師，主要從事林業(yè)遙感和地理信息系統(tǒng)的研究

[本文編校：歐陽欽]