全 文 ：利用 PROSPECT+SAIL模型反演植物
生化参数的植被指数优化模拟*
吴摇 伶摇 刘湘南**摇 周博天摇 刘川浩摇 李露锋
(中国地质大学(北京)信息工程学院, 北京 100083)
摘摇 要摇 分析 3 个植被生化参数(叶绿素含量、叶片含水量和叶面积指数)对冠层光谱反射率
变化的敏感程度以及影响波段区间,选择 3 个植被指数作为代价函数的优化比较对象,然后
运用微粒群算法和 PROSPECT+SAIL模型分别反演叶绿素含量、叶片含水量和叶面积指数.结
果表明: 基于植被指数作为优化比较对象的模型反演效率较全波段方法有所提高;叶绿素含
量、叶片含水量和叶面积指数反演值与实测值的复相关系数分别为 90. 8% 、95. 7% 和
99郾 7% ,均方根误差分别为 4. 73 滋g·cm-2、0. 001 g·cm-2和 0. 08.采用植被指数作为优化比
较对象可有效地提高基于 PROSPECT+SAIL模型反演植被生化参数的精度和效率.
关键词摇 PROSPECT+SAIL模型摇 生化参数摇 植被指数摇 PSO算法摇 代价函数
文章编号摇 1001-9332(2012)12-3250-07摇 中图分类号摇 Q945; TP79摇 文献标识码摇 A
Simulation of vegetation indices optimizing under retrieval of vegetation biochemical parame鄄
ters based on PROSPECT + SAIL model. WU Ling, LIU Xiang鄄nan, ZHOU Bo鄄tian, LIU
Chuan鄄hao, LI Lu鄄feng (School of Information Engineering, China University of Geosciences, Bei鄄
jing 100083, China) . 鄄Chin. J. Appl. Ecol. ,2012,23(12): 3250-3256.
Abstract: This study analyzed the sensitivities of three vegetation biochemical parameters [chloro鄄
phyll content (Cab), leaf water content (Cw), and leaf area index (LAI)] to the changes of can鄄
opy reflectance, with the effects of each parameter on the wavelength regions of canopy reflectance
considered, and selected three vegetation indices as the optimization comparison targets of cost func鄄
tion. Then, the Cab, Cw, and LAI were estimated, based on the particle swarm optimization algo鄄
rithm and PROSPECT+SAIL model. The results showed that the retrieval efficiency with vegetation
indices as the optimization comparison targets of cost function was better than that with all spectral
reflectance. The correlation coefficients (R2) between the measured and estimated values of Cab,
Cw, and LAI were 90. 8% , 95. 7% , and 99. 7% , and the root mean square errors of Cab, Cw,
and LAI were 4. 73 滋g·cm-2, 0. 001 g·cm-2, and 0. 08, respectively. It was suggested that to
adopt vegetation indices as the optimization comparison targets of cost function could effectively im鄄
prove the efficiency and precision of the retrieval of biochemical parameters based on PROSPECT+
SAIL model.
Key words: PROSPECT+SAIL model; biochemical parameter; vegetation index; particle swarm
optimization (PSO) algorithm; cost function.
*国家自然科学基金项目(40771155)资助.
**通讯作者. E鄄mail: liuxn@ cugb. edu. cn
2012鄄03鄄07 收稿,2012鄄09鄄21 接受.
摇 摇 植物是陆地生态系统的重要组成部分,许多生
态过程(如光合作用、养分循环、蒸腾作用、初级生
产等)都与植被生化参数(如叶绿素、叶面积指数和
水分等)密切相关.叶绿素含量是植物营养状况、光
合作用能力和发育阶段的良好指示剂[1];水分是控
制植物光合作用和生物量的主要因素之一[2];叶面
积指数是以光合作用驱动的作物生长模型[3]和冠
层蒸腾模型[4]所需的重要信息. 因此,如何快速、准
确、无损地获取局地以及区域尺度植被生化参数含
量及其分布状况的信息显得尤为重要.
遥感是描述生态系统功能和过程的强有力工
具,是一种便捷有效且非破坏性的探测植被性质的
方法[5] .目前,通过遥感数据获取植被生化参数的
应 用 生 态 学 报摇 2012 年 12 月摇 第 23 卷摇 第 12 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Dec. 2012,23(12): 3250-3256
方法基本上分为两大类:经验和半经验统计方法、理
论模型反演方法.经验统计方法主要是利用统计回
归建立光谱反射率或其变化形式与植被生化参数的
回归方程来预测生化参数[6-9],半经验统计方法的
重点是发展与某一生化参数含量高度相关而对其他
干扰因子不敏感的植被指数[10-13] .但经验和半经验
统计方法都缺乏鲁棒性和可移植性,因此研究人员
逐渐考虑基于理论模型的植被生化参数的反演方
法[14-17] .但迄今的理论模型反演基本上以全波段
(400 ~ 2500 nm)光谱反射率作为反演算法中代价
函数的优化比较对象,从而导致数据冗余、反演效率
低,当将此模型应用到遥感影像上时,耗费时间惊
人.直接使用全波段光谱反射率作为优化比较对象
会受到土壤背景、大气等影响,同时各生化参数引起
的反射率变化会有“重叠冶,“掩盖冶了单一参数对反
射率变化的贡献,从而影响反演精度.
为提高基于理论模型反演的效率和精度,本文
利用对单一生化参数敏感而对其他干扰因子不敏感
的植被指数作为反演算法中代价函数的优化比较对
象,基于 PROSPECT+SAIL模型对植被叶绿素含量、
含水量和叶面积指数进行反演,以期为利用遥感技
术反演植物生化参数信息提供参考和新思路.
1摇 数据来源与研究方法
1郾 1摇 数据来源
本文使用的叶片生化数据来自 LOPEX爷93 数
据库[18],包括 70 个叶片样本,代表了 50 种木本和
草本植物.该数据体现了叶片内部结构、色素含量、
水分含量和其他组分含量的多样性(表 1),叶片的
光谱特性也在较宽的范围内变动,较好地体现了叶
片光谱随叶片结构和生化组分变化的特性. 本文选
择其中 62 个鲜叶片数据作为研究对象.
表 1摇 LOPEX93 数据库新鲜叶片生化参数测量值
Table 1摇 Fresh leaf biochemical measured values in LOP鄄
EX爷93 database
项目
Item
范围
Range
平均值
Mean
标准差
Stand
deviation
水分含量
Water content (g·cm-2)
0. 005 ~ 0. 042 0. 011 0. 007
叶绿素含量
Chlorophyll content (滋g·cm-2)
13. 0 ~ 93. 0 48. 79 15. 2
胡萝卜素含量
Carotenes content (滋g·cm-2)
3. 7 ~ 19. 4 10. 5 3. 6
干物质
Dry matter (g·cm-2)
0. 002 ~ 0. 018 0. 004 0. 002
1郾 2摇 PROSPECT+SAIL模型
PROSPECT模型是一个基于“平板模型冶的辐
射传输模型[19] . 它通过模拟叶片在 400 ~ 2500 nm
范围内的上行和下行辐射通量而得到叶片的反射率
和透射率. SAIL 模型是一个冠层二向反射率模
型[20],当给定冠层结构参数和环境参数时,可以计
算任何太阳高度和观测方向的冠层反射率. PROS鄄
PECT所需输入参数包括叶片生化组分(叶绿素、含
水量、干物质、胡萝卜素)和叶片结构参数(N),SAIL
所需输入参数包括叶片反射率( r姿 )、叶片透射率
( r子)、叶面积指数(LAI)、平均叶倾角(LAD)、热点
参数、土壤比例系数、散射辐射比例、太阳天顶角、观
测天顶角和双向相对方位角. PROSPECT+SAIL模型
是将通过 PROSPECT 模型获取的 r姿和 r子输入到
SAIL模型,最终模拟得到冠层反射率.
1郾 3摇 敏感性分析及植被指数选择
为更好地利用冠层反射率(或植被指数)反演
植被生化参数,需了解各个生化参数对冠层反射率
变化的敏感程度和影响波段区间. 本文通过改变某
一生化参数取值以及固定其他参数的敏感性分析方
法,研究不同叶绿素含量(Cab)、叶片含水量(Cw)
和 LAI值对 PROSPECT+SAIL模型模拟的冠层反射
率不同波长范围的敏感程度. Cab的变化范围为 5 ~
80 滋g·cm-2,步长为 5 滋g·cm-2;Cw的取值分别为
0郾 005、0郾 01、0郾 02、0郾 03 和 0郾 04 g·cm-2;LAI 的取
值分别为 0郾 1、0郾 3、0郾 5、1、1郾 5、2、2郾 5、3、4、5、6、7、
8.每次改变某一参数时,PROSPECT 模型中其他参
数固定为 LOPEX爷93 试验数据的均值(表 1),其中,
N设定为 2. 2,SAIL模型参数取值见表 2.
摇 摇 通过敏感性分析,可了解各个生化参数对冠层
反射率变化的敏感程度以及影响波段区间. 由于反
演的生化参数不唯一,生化参数会相互“干扰冶各自
对冠层反射率的影响,同时土壤背景等因素也会影
表 2摇 SAIL模型参数设定值
Table 2摇 Parameter values in SAIL model
输入参数
Input parameter
取值
Value
叶面积指数 Leaf area index 3
平均叶倾角 Average leaf angle (毅) 57
热点参数 Hot spot 0. 25
土壤比例系数 Coefficient of soil ratio 0. 3
散射辐射比例 Fraction of scattering 0
太阳天顶角 Sun zenith angle (毅) 30
观测天顶角 Sensor viewing angle (毅) 0
双向相对方位角 Relative azimuth angle (毅) 0
152312 期摇 摇 摇 摇 摇 摇 摇 吴摇 伶等: 利用 PROSPECT+SAIL模型反演植物生化参数的植被指数优化模拟摇 摇 摇 摇 摇
响生化参数的反演,为提高各个生化参数的反演精
度,采用的植被指数应具备两个条件:对利用其反演
的生化参数最敏感,对其他干扰因子(如其他生化
参数、土壤背景等)最不敏感[21] .本文综合前人经验
进行植被指数的选择以及改进,使植被指数对其反
演的生化参数最敏感而对其他生化参数最不敏感.
1郾 4摇 反演算法
本研究使用的反演算法为原理简单、易于耦合
集成的微粒群算法 ( particle swarm optimization,
PSO) [22] .此算法的基本思路是:群体中的每一个个
体被视为多维空间(维数为反演参数个数)中以一
定速度飞行(以一定步长改变)的、没有质量和体积
的微粒(其位置坐标值为反演参数在阈值范围内的
随机取值),每一个微粒通过统计迭代过程中自身
的最优值和群体的最优值来不断修正自己的运动方
向(步长正负)和速度大小(步长大小),从而形成群
体寻优的正反馈机制,并依据每个微粒对环境的适
应度将个体逐步移到较优的位置,并最终搜索到最
优位置,即问题的最优解.最优解的求解过程即代价
函数最小化的过程,本文使用的代价函数表达式为:
Q = 1p 移
i = p
i = 1
(VIs i - VIr i) 2 (1)
式中:p 为植被指数个数;VIs i为利用 PROSPECT +
SAIL模型模拟的冠层反射率计算得到的第 i 个植
被指数值( vegetation index, VI);VIr i为由实测反射
率计算得到的第 i个 VI值.
1郾 5摇 植被生化参数反演
由于 LOPEX爷93 生化组分数据库缺乏对应的
实测冠层光谱反射率数据,本文设定了 SAIL模型中
除 LAI之外的参数(表 2),将 LOPEX爷93 生化组分
数据库中 62 个鲜叶片的实测叶片反射率和透射率
数据输入到 SAIL模型中,模拟植被的冠层光谱反射
率,并将此 62 个冠层反射率数据作为“实测光谱冶,
进行植被生化参数的反演. 在实测数据缺乏的情况
下,利用模拟数据反演不失为一种方法性的研
究[14,23] .本文通过下式设定 62 个样本的 LAI值:
LAIi =
LAImax - LAImin
Cabmax - Cabmin
(Cabi - Cabmin)+
LAImin (2)
式中:LAIi为第 i个叶片样本对应的植被冠层 LAI 设
定值;Cabi为第 i个叶片样本的 Cab;Cabmax和 Cabmin
分别为 62 个样本中 Cab 的最大值和最小值;LAImax
和 LAImin为设定 LAI 的最大和最小值,分别为 8、
0郾 5.
图 1摇 基于 PROSPECT+SAIL模型的生化参数反演流程图
Fig. 1 摇 Flow diagram for biochemical contents retrieval by
PROSPECT+SAIL model.
摇 摇 选定分别对 Cab、Cw 和 LAI 敏感的植被指数作
为代价函数的优化比较对象,采用 PSO 反演算法,
基于 PROSPECT+SAIL 模型进行 Cab、Cw 和 LAI 的
反演(图 1).本研究设定 PSO 算法最大迭代次数为
400,若连续有 100 次迭代的代价函数值没有发生改
变或完成 400 次迭代过程,则停止迭代.
2摇 结果与分析
2郾 1摇 植物生化参数的敏感性
通过模拟同一生化参数不同取值的冠层光谱反
射率发现,当 Cab逐渐增加时,可见光反射率逐渐降
低,但对波长大于 779 nm 的区间没有影响;当 Cw
逐渐增加时,近红外反射率逐渐降低,但对 800 nm
之前的区间没有影响;LAI 对全波段都有不同程度
的影响,当 LAI逐渐变大时,可见光和大部分短波红
外反射率逐渐降低,近红外和部分短波红外反射率
逐渐升高(图 2). 说明可见光反射率同时受 Cab 和
LAI影响,近红外和短波红外反射率同时受 Cw 和
LAI影响.
2郾 2摇 代价函数优化比较的植被指数选择
利用 PROSPECT+SAIL 模型反演 LAI 时,用于
代价函数中优化比较对象的植被指数必须能抑制
Cab和 Cw的干扰,同理,反演 Cab 和 Cw 的用于优
化比较对象的植被指数也应具备抵抗 LAI干扰的能
力.本文在同时改变 LAI和 Cab(或 Cw)取值的情况
下,模拟不同 LAI条件下不同 Cab(或 Cw)对应的植
被冠层反射率,计算叶绿素(或水分)植被指数的变
化情况,寻找对 LAI最不敏感的叶绿素(或水分)植
被指数 . 同理,也可得到对Cab和Cw最不敏感的叶
2523 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
图 2摇 植物生化参数的敏感性分析
Fig. 2 摇 Sensitivity analysis of vegetation biochemical parame鄄
ters.
a)叶绿素含量 Chlorophyll content (滋g·cm-2 ); b)叶片含水量 Leaf
water content (g·cm-2); c)叶面积指数 LAI. 箭头方向代表冠层反
射率随某一生化参数含量增加的变化趋势 Direction of arrows indica鄄
ted the variation tendency of canopy reflectance with biochemical parame鄄
ters contents increasing.
面积指数植被指数.
2郾 2郾 1 叶绿素植被指数选择摇 基于植被指数的叶绿
素含量反演一直是植被遥感领域重要的研究内容之
一. 本研究选择比值植被指数 TCARI / OSAVI (式
3) [24]作为基于 PROSPECT+SAIL 模型反演叶绿素
含量的代价函数优化比较对象.
TCARI / OSAVI = {3 伊 [(R700 - R670 - 0郾 2 伊 (R700 -
R550) 伊 (R700 / R670)]} / [(1 + 0郾 16)(R800 -R670) / (R800 +
R670 + 0郾 16)] (3)
图 3摇 不同叶面积指数下 TCARI / OSAVI与叶绿素含量的关系
Fig. 3 摇 Relationships between TCARI / OSAVI and chlorophyll
contents under different LAIs.
式中: TCARI 为转换叶绿素吸收反射指数;OSAVI
为优化土壤调节植被指数;R700为波长 700 nm 处的
植被冠层光谱反射率,其他 R 分别代表对应波长处
的植被冠层光谱反射率.
由图 3 可知,TCARI / OSAVI与叶绿素含量呈负
相关关系,随着叶绿素含量的增加,TCARI / OSAVI
呈单调递减趋势.该结果对应用植被指数预测叶绿
素含量至关重要. 当 LAI逸0. 5 且叶绿素含量逸20
滋g·cm-2时,TCARI / OSAVI值随 LAI 的变化几乎无
改变,且只随叶绿素含量的变化而变化,说明
TCARI / OSAVI能较好地抑制 LAI 的干扰,同时对叶
绿素含量具有较高的敏感性.
2郾 2郾 2 叶面积指数植被指数选择摇 由于 LAI 对全波
段都有不同程度的影响,故选择的植被指数应能消
除叶绿素和水分含量的影响. 本文选择经过验证且
效果较好的叶面积指数植被指数———MTVI1 (式
4) [25]和MCARI1(式 5) [25] .二者使用的波段为 500、
550、670 和 800 nm,这些波段不受水分影响,故这两
个植被指数基本上消除了水分的影响,同时也都较
好地抑制了叶绿素的干扰(图 4). 由于 MCARI1 对
叶绿素的敏感性低于 MTVI1,故本文选择 MCARI1
作为基于 PROSEPCE+SAIL模型反演叶面积指数的
代价函数中的优化比较对象.
图 4摇 不同叶绿素含量下 MTVI1 和 MCARI1 与叶面积指数的关系
Fig. 4摇 Relationships between MTVI1 or MCARI1 and LAI under different chlorophyll contents.
352312 期摇 摇 摇 摇 摇 摇 摇 吴摇 伶等: 利用 PROSPECT+SAIL模型反演植物生化参数的植被指数优化模拟摇 摇 摇 摇 摇
摇 摇 MTVI1 =1郾 2伊[1郾 2(R800-R500)-2郾 5伊
(R670-R550] (4)
MCARI1 =1郾 2伊[2郾 5伊(R800-R670)-
1郾 3伊(R800-R550] (5)
2郾 2郾 3 改进的水分植被指数摇 水分植被指数中,ND鄄
WI(式 6) [26]应用最广泛,理论基础也较透彻. 其算
式如下:
NDWI = (R860 - R1240) / (R860 + R1240) (6)
由于 LAI 对全波段反射率都有不同程度的影
响,故 LAI 对波长 860 和 1240 nm 处的反射率均有
影响,进而对 NDWI 产生影响. 从图 5 可以看出,
NDWI值随 LAI 的变化有较大改变,为了消除 LAI
的影响,NDWI需要作进一步改进.
摇 摇 结合以往的研究结果,本文采用 NDWI 与某一
个叶面积指数植被指数以比值形式结合的方法抑制
LAI的影响. MTVI1 和 MCARI1 都是较好的叶面积
指数植被指数,故将其分别与 NDWI进行比值处理,
形成 2 个新的植被指数———NDWI1、NDWI2:
NDWI1 =
NDWI + 0郾 17
MCARI1 - 0郾 05 (7)
NDWI2 =
NDWI + 0郾 15
MTVI1 - 0郾 05 (8)
2 个植被指数与水分都有很好的线性关系,且
没有随着水分含量的增加而出现饱和现象(图 6).
当 LAI>0. 5 时,虽然 NDWI1和 NDWI2对水分含量的
变化都敏感,且都不易饱和,但后者对 LAI的敏感性
低于前者,故选择 NDWI2作为基于 PROSEPCE +
SAIL模型反演水分含量的代价函数优化比较对象.
2郾 3摇 基于植被指数的 PROSPECT+SAIL 模型生化
参数反演
叶绿素植被指数 TCARI / OSAVI、水分植被指数
NDWI2和叶面积指数植被指数 MCARI1 能较好地反
映各自生化参数值的变化,同时也能抑制其他生化
图 5摇 不同叶面积指数下 NDWI与水分含量的关系
Fig. 5 摇 Relationships between NDWI and water content under
different LAIs.
a) LAI=0. 5; b) LAI=1; c) LAI=1. 5; d) LAI=2; e) LAI=2. 5; f)
LAI=3; g) LAI=4; h) LAI=5; i) LAI=6; j) LAI=7; k) LAI=8.
参数的干扰.基于 PROSPECT+SAIL 模型,将该 3 个
植被指数作为代价函数的优化比较对象(方法 1),
利用 PSO 算法进行植被 Cab、Cw 和 LAI 的反演,同
时,利用全波段反射率作为代价函数的优化比较对
象(方法 2),比较两种方法的精度和运算效率.方法
1 中,模型反演 Cab 值与实测值的 R2为 90. 8% (方
法 2 为 81. 8% ,下同),均方根误差(RMSE)为 4. 73
滋g·cm-2(6. 89 滋g·cm-2);模型反演 Cw 值与实测
值的 R2 为 95. 7% ( 94. 4% ), RMSE 为 0. 001
g·cm-2(0. 002 g·cm-2);模型反演 LAI 值与实测
值的 R2为 99. 7% (98. 9% ),RMSE 为 0. 08(0. 16),
反演的 LAI精度较高的原因在于,本文的“实测冶冠
层反射率数据为使用 SAIL 模型模拟的无偏差光谱
数据,而非有噪声的真正遥感实测数据,说明基于植
被指数和 PSO算法的 LAI反演是有效的.以植被指
数作为代价函数优化比较对象的运算时间为 102 s,
以全波段反射率作为优化比较对象的运算时间为
2256 s.总体来说,基于植被指数作为 PSO算法中代
价函数的优化比较对象,利用PROSPECT+SAIL模
图 6摇 不同叶面积指数下 NDWI1和 NDWI2与水分含量的关系
Fig. 6摇 Relationships between NDWI1 or NDWI2 and water content under different LAIs.
4523 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷
型反演生化参数的精度和效率较全波段反射率得到
了有效提高.
3摇 讨摇 摇 论
本文从 PROSPECT+SAIL 物理模型反演植被生
化参数的角度出发,以植被指数作为代价函数的优
化比较对象,运用反演优化算法 PSO 进行植被叶绿
素含量、含水量和叶面积指数的反演,取得了较好的
效果.通过敏感性分析以及植被指数的选择和改进
发现,叶绿素植被指数 TCARI / OSAVI、水分植被指
数 NDWI2和叶面积指数植被指数 MCARI1 能很好
地消除其他植被生化参数对光谱反射率变化的影
响,并同时体现各自生化参数对其变化的影响,这为
提高物理模型的反演精度奠定了基础. 反演结果表
明,相比使用全波段反射率作为代价函数的优化比
较对象,采用植被指数作为优化比较对象的植被生
化参数 PROSPECT+SAIL模型反演可有效地提高模
型反演的精度和效率,为运用物理模型快速、准确地
反演植被生化参数提供了新思路.
本文是基于模型模拟数据的研究,并未考虑实
际应用中遥感数据因受大气效应及其他因素干扰而
对反演精度产生的影响,利用不同类型遥感数据源
验证本文构建方法的精度是今后研究的方向之一.
虽然采用植被指数作为代价函数的优化比较对象较
全波段的反演效率有较大提高,但当本文所构建方
法进一步应用到机载或星载遥感数据反演大面积植
被生化参数时,其耗费时间也较长,其他反演算法
(如查找表、神经网络等方法)是否能在反演效率与
精度之间求得平衡,也是值得进一步研究的问题.
参考文献
[1]摇 Niinemets U, Tenhunen JD. A model separating leaf
structural and physiological effects on carbon gain along
light gradients for the shade鄄tolerant species Acer saccha鄄
rum. Plant, Cell and Environment, 1997, 20: 845-866
[2]摇 Li Y鄄J (李佑稷), Li J (李摇 菁), Chen J (陈摇 军),
et al. Response of Dolichomitriopsis diversiformis photo鄄
synthesis rate to light, air temperature and plant water
content. Chinese Journal of Applied Ecology (应用生态
学报), 2004, 15(3): 391-395 (in Chinese)
[3]摇 Li Y鄄X (李永秀), Luo W鄄H (罗卫红), Ni J鄄H (倪
纪恒), et al. Simulation of greenhouse cucumber leaf
area based on radiation and thermal effectiveness. Chi鄄
nese Journal of Plant Ecology (植物生态学报), 2006,
30(5): 861-867 (in Chinese)
[4]摇 Luo WH, De Zwart HF, Dai JF, et al. Simulation of
greenhouse management in the subtropics, Part 玉:
Model validation and scenario study for the winter sea鄄
son. Biosystems Engineering, 2005, 90: 307-318
[5]摇 Gamon JA, Qiu H. Ecological applications of remote
sensing at multiple scales / / Pugnaire FI, Valladares F,
eds. Handbook of Functional Plant Ecology. New York:
Marcel Dekker, 1999: 805-846
[6]摇 Sims DA, Gamon JA. Estimation of vegetation water
content and photosynthetic tissue area from spectral re鄄
flectance: A comparison of indices based on liquid water
and chlorophyll absorption features. Remote Sensing of
Environment, 2003, 84: 526-537
[7]摇 Darvishzadeha R, Skidmorea A, Schlerf M, et al. LAI
and chlorophyll estimation for a heterogeneous grassland
using hyperspectral measurements. ISPRS Journal of
Photogrammetry and Remote Sensing, 2008, 63: 409 -
426
[8]摇 Yuan J鄄G (袁金国), Niu Z (牛 摇 铮). Nitrogen and
chlorophyll mapping based on Hyperion hyperspectral
image. Transactions of the Chinese Society of Agricultural
Engineering (农业工程学报), 2007, 23(4): 172 -
179 (in Chinese)
[9]摇 Dong J鄄J (董晶晶), Niu Z (牛摇 铮), Shen Y (沈摇
艳), et al. Comparison of the methods of obtaining leaf
water content by using reflectance. Acta Agriculturae
Universitis Jiangxiensis (江西农业大学学报), 2006,
28(4): 587-592 (in Chinese)
[10]摇 Penuelas J, Pinol J, Ogaya R, et al. Estimation of plant
water concentration by the reflectance water index Wi
(R900 / R970). International Journal of Remote Sens鄄
ing, 1997, 18: 2869-2875
[11]摇 Borge NH, Leblanc E. Comparing prediction power and
stability of broadband and hyperspectral vegetation indi鄄
ces for estimation of green leaf area index and canopy
chlorophyll density. Remote Sensing of Environment,
2001, 76: 156-172
[12]摇 Penuelas J, Baret F, Filella I. Semi鄄empirical indices to
assess cartotenoids / chlorophyll a ratio from leaf spectral
reflectance. Photosynthetica, 1995, 31: 221-230
[13]摇 Guan L (关摇 丽), Liu X鄄N (刘湘南). Two kinds of
modified spectral indices for retrieval of crop canopy
chlorophyll content. Advances in Earth Science (地球科
学进展), 2009, 24(5): 548-554 (in Chinese)
[14]摇 Yan C鄄Y (颜春燕), Liu Q (刘 摇 强), Niu Z (牛 摇
铮), et al. Inversion of vegetation biochemicals by re鄄
mote sensing. Journal of Remote Sensing (遥感学报),
2004, 8(4): 300-308 (in Chinese)
[15]摇 Huang C鄄L (黄春林), Li X (李 摇 新), Lu L (卢 摇
玲). A simulated annealing algorithm for retrieval of
vegetation parameter from optical remote sensing data.
Remote Sensing Technology and Application (遥感技术
与应用), 2006, 21(4): 271-276 (in Chinese)
[16]摇 Yang X鄄G (杨曦光), Fan W鄄Y (范文义), Yu Y (于
颖). Estimation of forest canopy chlorophyll content
based on prospect and sail model. Spectroscopy and
Spectral Analysis (光谱学与光谱分析), 2010, 30
(11): 3022-3026 (in Chinese)
[17]摇 Shen Y (沈摇 艳), Niu Z (牛摇 铮), Yan C鄄Y (颜春
燕). Estimation models for vegetation water content at
both leaf and canopy levels. Chinese Journal of Applied
552312 期摇 摇 摇 摇 摇 摇 摇 吴摇 伶等: 利用 PROSPECT+SAIL模型反演植物生化参数的植被指数优化模拟摇 摇 摇 摇 摇
Ecology (应用生态学报), 2005, 16(7): 1218-1223
(in Chinese)
[18]摇 Hosgood B, Jacquemoud S, Andreoli G, et al. Leaf Op鄄
tical Properties Experiment 93 ( LOPEX93 ) Report
EUR鄄16096鄄EN. Ispra, Italy: European Commission,
Joint Research Centre, Institute for Remote Sensing Ap鄄
plications, 1995
[19]摇 Jacquemoud S, Baret F. PROSPECT: A model of leaf
optical鄄properties spectra. Remote Sensing of Environ鄄
ment, 1990, 34: 75-91
[20]摇 Verhoef W. Earth observation modeling based on layer
scattering matrices. Remote Sensing of Environment,
1985, 17: 165-178
[21]摇 Verstraete MM, Pinty B. Designing optimal spectral in鄄
dexes for remote sensing applications. IEEE Transac鄄
tions on Geoscience and Remote Sensing, 1996, 34:
1254-1265
[22] 摇 Kennedy J, Eberhart PR. Particle swarm optimization.
Proceedings of IEEE International Conference on Neural
Networks, Perth, 1995: 1942-1948
[23]摇 Guerif M, Duke CL. Adjustment procedures of a crop
model to the site specific characteristics of soil and crop
using remote sensing data assimilation. Agriculture,
Ecosystems & Environment, 2000, 81: 57-69
[24]摇 Haboudane D, Miller JR, Tremblay N, et al. Integrated
narrow鄄band vegetation indices for prediction of crop
chlorophyll content for application to precision agricul鄄
ture. Remote Sensing of Environment, 2002, 81: 416-
426
[25]摇 Haboudane D, Miller JR, Pattey E, et al. Hyperspec鄄
tral vegetation indices and novel algorithms for predicting
Green Lai of Crop Canopies: Modeling and validation in
the context of precision agriculture. Remote Sensing of
Environment, 2004, 90: 337-352
[26]摇 Gao BC. NDWI: A normalized difference water index for
remote sensing of vegetation liquid water from space.
Remote Sensing of Environment, 1996, 58: 257-266
作者简介摇 吴摇 伶,男,1983 年生,博士研究生.主要从事遥
感信息分析与农业遥感应用研究. E鄄mail: wl_19830807@ so鄄
hu. com
责任编辑摇 杨摇 弘
6523 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 23 卷