基于高光谱的石楠叶片叶绿素含量估算模型

准确估算叶绿素含量对于植物生长监测、产量预测、生境的适宜性评价具有重要作用。为寻求叶片叶绿素含量的高精度估算模型,以石楠为对象,实测叶片叶绿素含量和反射光谱反射率,对原始光谱进行变换并计算植被指数,通过相关性分析挑选特征波段,运用多元逐步线性回归和偏最小二乘回归建立叶绿素预测模型。结果表明:1）FDR的逐步线性回归模型和偏最小二乘模型优于R、1/R、LR、SDR;2）DNDVI(R₆₄₅,R_{1 370})的指数函数模型为估算叶绿素含量的最佳单变量模型;3）DRI(R₇₄₇,R_{1 464})与RI(R₇₃₃,R₉₄₄)的逐步线性回归模型精度最高,验证结果的决定系数R²为0.955,均方根误差RMSE为3.145。因此,该模型可以实现叶片叶绿素含量的准确估算,从而为实现高光谱技术监测植被叶绿素含量变化提供依据。     

应用光谱指数和机器学习反演紫丁香叶片的叶绿素面密度

为无损监测植物叶片叶绿素面密度,及时反映植物的生长状态,以内蒙古农业大学东校区紫丁香(Syringa oblata Lindl.)为研究对象,获取了160枚叶片反射率光谱(350～2 500 nm)及其对应的叶绿素面密度数据,在一维和二维光谱指数的基础上引入三维光谱指数(I_TBI),基于原始光谱(R)、一阶微分光谱(R_FD)和二阶微分光谱(R_SD)构建了全波段不同维度光谱指数,经皮尔逊相关系数法(PCC)筛选出最优光谱指数,构建了海洋捕食者算法优化孪生支持向量机融合模型(MPA-TSVR),并与孪生支持向量回归机(TSVR)、偏最小二乘回归法(PLSR)、反向传播神经网络(BPNN)和支持向量回归机(SVR)模型对比分析。结果表明：不同维度下最优光谱指数与叶绿素面密度间的最大相关系数分别是I_TBI3(R_SD714,R_SD745,R_SD700)为0.901 5、I_SRI(R_FD704,R     

连续投影与SSA-ELM结合的玉米氮平衡指数高光谱估测

玉米氮平衡指数的快速、无损估测，对监测植株长势和指导田间氮肥施用具有重要现实意义。通过田间试验观测各生育期(拔节期、抽雄期、乳熟期、完熟期)玉米叶片氮平衡指数和对应光谱反射率，应用特征波段和植被指数，构建不同类型的玉米氮平衡指数高光谱反演模型。结果表明：不同氮平衡指数下的叶片高光谱反射特征基本一致，在可见光波段反射率较低、近红外波段反射率较高，不同生育期氮平衡指数与光谱反射率的相关性在抽雄期最高，乳熟期、完熟期次之、拔节期最低；连续投影算法具有良好的降维效果，筛选出的各生育期建模光谱参数为8～20个；各生育期多因素模型均优于单因素模型，抽雄期各类模型效果最佳，其中基于麻雀搜索算法优化的极限学习机回归模型是最优模型，其建模R²与验证R²均为0.93,相对预测偏差分别为2.57、2.31,表明该模型对氮平衡指数具有极好的预测能力。     

基于高光谱遥感的棉花叶片叶绿素含量估算

为提高高光谱植被指数对棉花叶绿素含量的估算精度,以陕西省关中地区棉花花铃期叶片高光谱反射率为数据源,分析了13种植被指数与棉花叶片叶绿素相对含量(SPAD)的相关关系;同时采用降精细采样法,详细分析400~2 000nm波段范围内原始光谱反射率的任意两两波段组合而成的优化光谱指数RSI与SPAD值的定量关系,构建线性及非线性回归监测模型,并对模型进行验证。结果表明:1)所提取的13种植被指数中NIR/NIR与SPAD值的相关系数最大(r=0.914),并且基于NIR/NIR(R780/R740)构建的回归方程模型优于其他植被指数,其构建的二次曲线方程回归模型建模与验模R2分别为0.900和0.785,RMSE为4.762,RE为7.86%,为基于提取的12种植被指数构建SPAD值估算模型中最佳模型;2)优化后的比值光谱指数RSI(Ration spectral index)的敏感波段为500和563nm,RSI(500,563)与SPAD值的相关系数r=0.999,与棉花叶片SPAD含量在0.01水平下呈显著相关,其构建的二次曲线方程模型效果最优,建模和验模R2分别为0.912和1.000,RMSE为2.848,RE为4.38%。与提取的13种植被指数相比,基于RSI指数二次曲线回归模型为估算叶绿素含量的最佳模型,并且模型预测值和实测值之间的符合度较高R2=0.843,表明基于波段优化算法的优化光谱指数RSI能更好的预测棉花叶片叶绿素含量。     

基于优化光谱指数的夏玉米地上生物量估算

以夏玉米为研究对象，首先获取拔节期、大喇叭口期、抽雄期和灌浆期4个关键生育期的地面高光谱数据，并实测各生育期的地上生物量(AGB);其次基于任意波段组合的波段优化算法，分别构造6种不同波段组合形式的两波段和三波段光谱指数；然后将构造的12种光谱指数与地面实测的AGB进行相关性分析，从中筛选出相关性最好的光谱指数作为最优光谱指数构建夏玉米全生育期的AGB估算模型；最后对最优光谱指数估算夏玉米各关键生育期AGB的性能进行系统评价。结果表明：基于波段优化算法筛选的最优三波段光谱指数TBI6(760,925,895)与夏玉米各生育期和全生育期的AGB均具有良好的相关性，其构建的AGB估算模型具有较高的精度，可为夏玉米全生育期AGB的快速无损估算及AGB监测装置的集成与开发提供参考。     

不同氮营养水平与夏玉米光谱特性关系初报

【目的】揭示关中地区夏玉米叶面光谱特性与施氮量间的相关性,探索不同施氮水平下夏玉米叶片含氮量与叶绿素等生化指标及其光谱反射率特征。【方法】在田间设置不同施氮水平(纯氮施用量分为0,120和240kg/hm2)的试验小区,分别于喇叭期、抽穗期、吐丝期和乳熟期,采用FieldSpec光谱仪于室内标准光源下测定夏玉米叶片的光谱反射率,采用H2SO4-H2O2消煮,连续流动注射分析仪测定叶片氮含量,采用叶绿素仪测定穗位叶片的叶绿素含量,并对所得数据进行相关性分析。【结果】夏玉米叶片含氮量与叶绿素含量之间呈显著相关性,作物施氮水平对叶片的叶绿素含量及含氮量有直接影响;不同施氮水平下夏玉米叶面的反射波谱曲线趋势大致相同,均明显在绿波段(550 nm左右)有1个反射峰,在近红外波段(760~1 070 nm)有1个较高的反射率平台,在近红外波段(760~1 070 nm)处的反射率随氮肥用量的增加而提高,在可见光波段(400~760 nm)处的反射率则正好相反;在可见光波段,不同生长期玉米的叶面光谱反射率表现为乳熟期>抽雄期>喇叭口期>吐丝期,而在近红外波段其光谱反射率表现为乳熟期>喇叭口期>抽雄期>吐丝期;在可见光(400~760 nm)波段处,夏玉米不同生育期叶片的反射率与叶片含氮量及叶绿素含量呈负相关,而在近红外(760~1070 nm)波段处,除抽雄期外,其余生育期叶片的反射率与叶片含氮量及叶绿素含量均呈正相关,且相关性较为显著;高光谱遥感监测显示,关中地区夏玉米氮素营养水平的敏感时期分别是喇叭口期、吐丝期及乳熟期,敏感波段为可见光波段的500~720 nm和近红外区的760~1 070 nm。【结论】夏玉米的氮营养水平与叶面光谱反射率存在显著的相关性,利用高光谱遥感数据监测关中地区夏玉米的营养状况是可行的。     

基于叶片反射光谱估测水稻氮营养指数

【目的】基于叶片反射光谱建立快速、无损监测水稻氮营养指数（nitrogen nutrition index,NNI）的估算模型。【方法】2018—2019年开展2个水稻品种（徽两优898和Y两优900）及5个氮肥梯度（施氮量为0、75、150、225和300 kg·hm^-2,分别记为N₀、N₁、N₂、N₃、N₄）的田间小区试验,测定关键生育期不同叶位叶片反射光谱和植株NNI,构建多种光谱指数的水稻NNI监测模型。【结果】单叶及叶位组合的敏感波段均分布在540 nm的绿光波长处,其与近红外波段构成的窄波段比值指数SR（R₉₀₀,R₅₄₀）可较好反演水稻NNI。但不同叶位叶片窄波段比值指数与水稻NNI的预测精度表现不同,顶3叶（L₃）预测精度最好（R²=0.731,RMSE =0.130,RE=11.6%）,顶2叶（L₂）次之（R²=0.707,RMSE =0.136,RE =12.2%）,顶1叶（L₁）最差（R²=0.443,RMSE =0.187,RE =14.7%）;顶2叶和顶3叶组合平均光谱（L₂₃）的预测精度优于单叶水平和其他叶位组合（R²=0.740,RMSE =0.128,RE =11.5%）。再将窄波段比值指数SR（R₉₀₀,R₅₄₀）近红外与绿光区域分别重采样50 nm和10 nm,所构建的宽波段比值指数SR[AR_{（900±50）},AR_{（540±10）}]模型精度较SR（R₉₀₀,R₅₄₀）未明显降低,且在L₂₃水平下2个模型的模型精度和预测精度基本一致（R²=0.740,RMSE =0.128,RE =11.5%）。水稻NNI小于1时与产量呈线性的正相关关系（P<0.05）,大于1时产量趋于平稳。【结论】L₂和L₃叶片反射光谱为监测水稻NNI的敏感叶位,其中叶位组合L₂₃可提高模型预测精度。基于叶片反射光谱构建的多种波段比值指数（SR（R₉₀₀,R₅₄₀）和SR[AR_{（900±50）},AR_{（540±10）}]）可快速估测水稻NNI,从而为不同传感器对水稻氮营养指数估测监测研究提供了理论依据。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

双子叶植物叶片类胡萝卜素含量高光谱反演估算

类胡萝卜素(Car)是植物进行光合作用的主要色素之一,在吸收传递光能、保护叶绿素,以及延缓叶片衰老等方面有重要作用。以LOPEX’93数据库为基础,系统分析400~2 500 nm高光谱波段范围内任意两波段组合而成的归一化差值植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)与双子叶植物叶片Car含量间的定量关系。结果表明,在756 nm处红光波段与809 nm处近红外波段的NDVI_(809,756)、RVI_(809,756),以及750 nm处红光波段与809 nm处近红外波段的DVI_(809,750)都可以较好地实现Car含量反演,建立的回归预测模型的判定系数(R²)均大于0.74。对由各植被指数构建的反演模型进行精度验证发现,NDVI_(809,756)和RVI_(809,756)的估算效果相当,且都好于DVI_(809,750),模型预测精度分别为0.735和0.738,均方根误差分别为1.426 1和1.420 5,平均相对误差分别为13.66%和13.60%。表明基于高光谱数据对双子叶植物叶片Car含量进行估算是可行的。     

猕猴桃叶片叶绿素含量高光谱估算模型研究

【目的】研究猕猴桃叶片叶绿素含量的高光谱估算方法,为猕猴桃长势的遥感监测提供理论依据。【方法】以陕西杨凌蒋家寨村2018年不同生育期(初花期、幼果期、膨果期、壮果期、果实成熟期)的猕猴桃叶片为研究对象,分别测定其高光谱反射率和叶绿素含量(SPAD值),分析原始光谱和5个常见的植被指数(归一化植被指数、归一化叶绿素指数、改进的叶绿素吸收反射率指数、MERIS地面叶绿素指数、土壤调整指数)与叶绿素含量之间的相关关系,提取各生育期的特征波段,分别建立基于特征波段和植被指数的单波段叶绿素含量一元线性估算模型。利用主成分分析对原始光谱数据进行降维,将得到的主成分得分作为随机森林模型的输入变量,建立基于多波段信息的叶绿素含量多元估算模型,并对模型进行精度验证和分析。【结果】不同生育期猕猴桃叶片光谱反射率变化趋势基本一致,整体趋势为可见光波段反射率低,近红外波段反射率高;在可见光波段,光谱反射率随着叶绿素含量的升高而降低;在近红外波段,光谱反射率则随着叶绿素含量的增加而升高。通过相关性分析可知,初花期、幼果期、膨果期、壮果期、果实成熟期原始光谱的特征波段分别为729,548,707,707和712 nm,估算模型决定系数(R~2)分别为0.18,0.85,0.54,0.85和0.82,其中初花期估算模型未通过显著性检验,其余生育期均通过极显著性检验。在5个常用植被指数中,初花期与叶绿素含量相关性最高的是归一化叶绿素指数(NPCI),但是估算模型决定系数R~2只有0.1,未通过显著性检验;其他生育期与叶绿素含量相关性最高的是MERIS地面叶绿素指数(MTCI),所建立的估算模型拟合效果好,预测精度高。基于主成分分析和随机森林回归建立的不同生育期猕猴桃叶片叶绿素含量估算模型的R~2在0.91～0.98,均通过极显著性检验,其拟合效果和预测精度远高于单波段一元线性回归和基于植被指数的一元线性回归模型,是估算猕猴桃叶片叶绿素含量的最优模型。【结论】基于主成分分析的随机森林模型包含了更完整的波段信息,对不同生育期猕猴桃叶片叶绿素含量具有较好的预测能力。     

基于高光谱苹果品种叶片铁含量估测模型

【目的】 在叶片水平上构建基于高光谱的苹果品种叶片铁素含量估测模型,为探寻实时、高效、无损的果树树体营养诊断提供技术途径。【方法】以苹果品种岩富10号为材料,测定岩富10号叶片光谱数据和铁素含量,采用光谱分析和相关分析法,筛选与叶片铁素含量相关性较强的光谱组合,利用偏最小二乘法构建苹果叶片铁素含量光谱估测模型。【结果】岩富10号苹果叶片一阶微分光谱与铁素含量的敏感波段为R′₉₉₀、R′_{1 113}、R′_{1 360}、R′_{1 408},相关系数最高为-0.698 9。对敏感波段两两进行加、减、乘、除运算,最优波段组合形式R′₉₉₀×R′_{1 048}与铁素含量相关系数为0.846 2。估测模型拟合度(R²)最高为0.827 5。【结论】苹果叶片一阶微分光谱组合与铁素含量显著相关(P<0.05),光谱组合能够明显提高其相关性,偏最小二乘法与逐步回归建模相比估算模型的精度更佳,可以用于苹果叶片铁素含量的光谱估算。     

基于高光谱的琯溪蜜柚叶片磷素含量估算模型研究

蜜柚叶片磷素(phosphorus,P)含量是准确诊断和定量评价生长状况的重要指标,为快速、无损、精确地估测磷素含量,需要建立蜜柚叶片磷素含量高光谱估算模型。基于蜜柚叶片高光谱数据和磷素含量实测数据,提取原始光谱及一阶微分光谱特征波段和光谱特征变量,构建单变量估算模型、偏最小二乘回归模型和BP神经网络回归模型,并确定蜜柚叶片磷素含量最佳估算模型。在350～1 050 nm波段,原始光谱和一阶微分光谱与叶片磷素含量在可见光范围内有多波段相关性显著,并出现多个极值。原始光谱敏感波长为549和718 nm,一阶微分的敏感波长为528、703和591 nm。在建立的回归模型中,选择决定系数较高的模型进行精度检验,其中BP神经网络模型的拟合R²(0.775 9)最大,偏最小二乘估算模型的拟合R²(0.749 9)次之。综合建模精度和模型检验精度,确定BP神经网络模型为蜜柚叶片磷含量的最佳估算模型,建模和验证的R²分别为0.71和0.775 9;其次为偏最小二乘估算模型,建模和验证的R²分别为0.64和0.74...     

基于多光谱影像的单红边波段叶绿素指数验证

【目的】应用多光谱影像和光谱指数法准确估算作物叶绿素含量。【方法】使用4个生长期玉米冠层高光谱反射率及叶绿素含量建立单红边波段叶绿素指数(SRCI)的叶绿素含量估算模型:首先由高光谱反射率和光谱响应函数计算得到等效的Worldview-2多光谱反射率,以等效反射率计算SRCI;然后根据SRCI与叶片叶绿素含量(LCC)、冠层叶绿素密度(CCD)的线性关系,分别建立LCC和CCD的一元线性回归模型。使用2012年9月14日获取的Worldview-2多光谱遥感影像计算得到的SRCI作为输入,估算LCC和CCD。【结果】Worldview-2 SRCI估算叶片叶绿素含量的偏差均方根为4.70μg/cm~2,相对误差平均为7.0%;估算冠层叶绿素密度的偏差均方根为1.63 g/m~2,相对误差平均为6.4%。【结论】多光谱卫星遥感的红边光谱指数能准确估算玉米叶绿素含量。     

基于高光谱的不同生育期玉米花青素含量估测

花青素(Anthocyanin)是玉米体内的重要色素,对花青素含量的便捷、无损估测对监测玉米长势具有重要意义。利用关中地区拔节期、大喇叭口期、抽雄期以及乳熟期玉米冠层叶片Anth值及高光谱数据建立多个单因素模型和多因素模型。结果表明,不同生育期玉米叶片原始光谱特征总体一致、局部不同。变换光谱的特征波段与Anth值相关性优于原始光谱,其中一阶导数光谱特征波段最优。连续投影算法(SPA)降维能力较好,筛选出的建模参数在2～27个。最优单因素模型与多元性线性回归模型精度均为抽雄期最优,拔节期和大喇叭口期次之,乳熟期最差。所有模型中,抽雄期基于一阶导数光谱的麻雀搜索算法-极限学习机回归(SSA-ELMR)模型精度最佳,该模型建模与验证R²分别为0.847、0.895,相应nRMSE为6.44%和7.21%。本研究结果表明抽雄期是玉米叶片花青素含量反演的最佳时期,极限学习机能进一步提升传统模型精度。     

基于分数阶微分的葡萄叶片SPAD值高光谱遥感反演研究

【目的】探明高光谱遥感技术反演葡萄叶片叶绿素含量的可能性,构建葡萄叶片叶绿素含量反演模型,为快速且无损估测葡萄长势提供技术参考。【方法】以西南山区成熟期葡萄叶片为研究对象,同步获取冠层叶片高光谱数据和SPAD值,研究不同分数阶(0.0～1.4阶,步长0.2阶)微分光谱反演葡萄叶片SPAD值的能力,构建多个基于特征波段和光谱指数的单因素模型及基于连续投影算法的多因素模型。【结果】不同SPAD值葡萄叶片原始光谱曲线整体一致,在可见光区域反射率较低而在近红外区域反射率高;可见光、近红外区域反射率与SPAD值分别呈反比和正比;随着分数阶上升,特征波段由近红外向红边靠近,光谱指数由近红外与蓝光组合变更为近红外与绿光组合,单因素模型建模变量相关性呈先升后降趋势,在0.6阶达峰值;除0.6与0.8阶外,其余分数阶微分光谱单因素模型建模变量均为DSI;多因素模型优于单因素模型,机器学习算法可提升传统回归模型精度,所有模型以0.6阶下SPA-GA-XGBoost回归模型精度最优,其建模与验证R²分别为0.79和0.75,相应均方根误差(nRMSE)分别为15.54%和14.45%。...     

基于小波分析小麦旗叶净光合速率高光谱遥感反演

精准估算冬小麦净光合速率(P_n)对监测植物生长状况和产量估计有重要意义。本文对小麦旗叶高光谱反射率通过Bior1.3小波基进行多层小波分解,分析不同尺度与净光合速率的相关性,最佳分解层次敏感波段构建光谱指数,建立BP神经网络模型并与敏感波段模型比较。结果表明:基于Bior1.3小波基变换的5层分解重构效果最好,敏感波段集中在400、600和800 nm附近;5层小波分解中高频分量cD₄最能体现与P_n有关的光谱细节信息,788与404 nm构建的差值指数(DVI[788-404])和比值指数(RVI[788-404])相关性最高,R²分别为0.75和0.72,其次为高频分量cD₅中788和400 nm的差值指数(DVI[784-400]),R²为0.71;敏感波段与高频分量cD₄光谱指数建立的BP神经网络模型对比发现,光谱指数模型精度最高,R²为0.86,RMSE为1.99。表明基于小波变换的光谱指数构建不仅可行,且精度高于敏感波段模型,能更多地反映小麦旗叶P_n的光谱细节信息,为P_n反演提供了一种有效快速的可选方案。     

基于支持向量机的棉花冠层叶片叶绿素含量高光谱遥感估算

【目的】建立并研究棉花冠层叶片叶绿素含量的高光谱估算模型,探讨合适的建模方法,以提高棉花叶绿素含量的高光谱遥感估算精度。【方法】以2016年种植的渭北旱塬区棉花鲁棉研28号为试验对象,用SPAD-502型手持式叶绿素仪和HR-1024i便携式地物光谱仪,分别测定棉花不同生育期冠层叶片SPAD值和对应的光谱反射率,分析SPAD值与光谱反射率的相关性。选取8个光谱参数,分析SPAD值与这8个光谱参数的相关性,并采用单因素回归、多元逐步回归和支持向量机(SVM)回归方法,构建棉花冠层叶片叶绿素含量的高光谱估算模型,比较各模型的决定系数(R2)、均方根误差(RMSE)以及相对误差(RE),评价模型的精度。【结果】(1)棉花冠层叶片光谱反射率在400～700nm波段随叶片SPAD值升高而降低,在700～1 000nm波段表现为SPAD值越高,叶片光谱反射率越高;(2)在530～570nm和680～730nm处叶绿素含量与光谱反射率呈极显著负相关(99.99%置信区间,n=144);(3)所选用的8个光谱参数与叶绿素含量均达到极显著相关,相关系数最高为0.686;(4)SVM回归模型验证R2达到了0.884,RMSE和RE最低,分别为2.186和3.419,比单因素回归模型中预测精度最高的SPAD-RVI1的RMSE和RE分别降低46.4%和46.3%,较多元逐步回归模型SPAD-MSR的RMSE和RE分别降低33.4%和32.1%,明显提高了棉花叶绿素含量的估算效果。采用8个光谱参数构建的SPAD-SVM8模型RMSE和RE比采用4个光谱参数构建的SPAD-SVM8模型分别降低了19.2%和23.5%。【结论】支持向量机(SVM)回归方法可以作为棉花冠层叶片叶绿素含量高光谱遥感估算的优选方法,且采用较多光谱参数构建的SVM模型估算精度更高。     

基于多角度高光谱遥感的冬小麦叶片含水率估算模型

准确的作物水分监测对于旱情评估具有重要意义。在分析研究区冬小麦多角度光谱特征后,利用不同水分处理下冬小麦实测叶片含水率和实测多角度光谱数据,基于植被光谱指数法,建立不同观测角度下冬小麦光谱植被指数、水分敏感波段光谱指数与叶片含水率之间的数学模型。结果显示,相对方位角与相对天顶角越小时,观测到的光谱指数与叶片含水率的相关关系越优;敏感波段组合构建的光谱指数中,1450nm波段分别与其他波段组合的NDSI、RSI指数与叶片含水率相关性在各观测角度条件下均较好,1 450 nm波段是冬小麦叶片含水率研究的最佳敏感波段;选取常见的4种植被指数(NDVI、EVI、WI和NDII)中WI和NDVI在各观测角度下与叶片含水率的相关性优于其他两种指数,决定系数R2均在0.83以上,P0.01呈极显著相关;综上建立的多角度光谱叶片含水率估算模型,平均相对误差MRE均小于0.154、均方根误差RMSE均小于0.098,拟合效果较好,尤其是光谱指数NDSI1160,1450、NDSI980,1450和植被指数NDVI、WI;基于以上4种指数建立的最优观测角度(0°,30°)模型,其中植被指数WI的估算效果最好,相关系数在各角度均达到5%的相关显著水平,MRE0.03,可作为最优观测角度反演研究的最优植被指数。     

基于光谱水分指数的阔叶树种叶片等效水厚度估算

植物叶片的水分含量是评价植物水分状态的一项重要指标。为快速、准确地获取植物的叶片含水量,分别使用传统敏感性分析方法和扩展傅立叶振幅灵敏度分析（EFAST方法）对PROSPECT模型进行了敏感性分析。在此基础上筛选与叶片含水量敏感度高的光谱水分指数,并以阔叶树种为研究对象,根据地面实测叶片等效水厚度（l_EWT）和光谱数据建立了叶片等效水厚度估算模型并验证。结果表明:EFAST方法比传统的敏感性分析方法,可以量化叶片各项生化参数的敏感特征。叶片等效水厚度的敏感波段为900~2 500 nm,但在这个范围内光谱反射率也受叶片结构（N）和干物质含量（C_m）的影响;在选取的8个光谱水分指数中,水分胁迫指数（I_MSI）、归一化差异红外指数（I_NDⅡ）和归一化差异水分指数（I_NDWI1640）可以有效提高l_EWT的敏感度。基于实测数据对植被水分指数建立的叶片等效水厚度估算模型的验证结果显示:I_NDWI1640和I_NDⅡ估算模型的预测精度要优于其他指数。对比分析表明:在选取的光谱水分指数中,I_NDWI1640和I_NDⅡ是叶片尺度上估算水分的最佳指数,而归一化差异水分指数（I_NDWI1240）和简单水分指数（I_SRWI）适合于低值区域的叶片等效水厚度反演。     

应用光谱反射测定的植物、土壤及混合光谱特性

以野外采集的土壤与活体植物叶片为研究对象,采用美国生产的SVC HR-1024便携式地物光谱仪,测定了纯土壤、纯植物叶片以及不同植物叶片盖度下的土壤光谱反射率,并对混合光谱特性进行了分析研究,建立了植物叶片盖度光谱估算模型。结果表明:(1)随着植物叶片盖度的增加,土壤光谱曲线逐渐呈现"五谷四峰"的特征,但始终不会高于植被光谱曲线;(2)植物叶片盖度与原始高光谱组成的差值、比值和归一化值3种形式的指数存在着良好的相关性,差值指数的显著性最为明显,组合较好的波段为410~710 nm与700~1400 nm,能反映相关系数最大的波段为690 nm和450 nm;(3)通过一元线性回归法、多元线性逐步回归法和偏最小二乘回归法预测植物叶片盖度可知:光谱特征参数与植物叶片盖度之间具有相关性,其中光化学指数与植被衰减指数的相关系数较大,模型拟合度较高,R^2均达到0.8以上;3种光谱特征参数(植被指数、红边参数、光谱吸收特征参数)中,植被指数与植物叶片盖度建立的模型最稳定、精度最高,可以有效地估算植物叶片盖度3种方法中,多元线性逐步回归法最适宜建立植物叶片盖度预测模型。