全 文 ：作物学报 ACTA AGRONOMICA SINICA 2008, 34(11): 2046−2052 http://www.chinacrops.org/zwxb/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn

基金项目: 国家自然科学基金项目(40871187); 中国科学院东北振兴科技行动计划重点项目(DBZX-2-030); 中国科学院知识创新工程重要方
向项目(KZCX-SW-356); 中国科学院长春净月潭遥感实验站开放基金
作者简介: 杨飞(1981−), 男, 山东省枣庄市人, 在读博士生, 研究方向: 植被高光谱遥感及其应用研究。Email: yangf00_1@163.com
*
通讯作者(Corresponding author): 张柏(1962−), 博士, 研究员, 博士生导师, 主要从事地理遥感应用研究。E-mail: zhangbai@neigae.ac.cn
Received(收稿日期): 2008-03-17; Accepted(接受日期): 2008-06-13.
DOI: 10.3724/SP.J.1006.2008.02046
玉米和大豆光合有效辐射吸收比例与植被指数和叶面积指数的关系
杨 飞 1,2 张 柏 1,* 宋开山 1 王宗明 1 刘焕军 1,2 杜 嘉 1,2
(1中国科学院东北地理与农业生态研究所, 吉林长春 130012; 2中国科学院研究生院, 北京 100039)
摘 要: 基于东北典型黑土区的玉米和大豆的实测光谱反射率、光合有效辐射及叶面积数据, 选取常用的 9 种植被
指数, 并根据光谱曲线特征和植被指数结构建立了两种新的植被指数, 对其估算玉米和大豆冠层 FPAR 效果进行了
对比分析。结果表明, 各植被指数与冠层光合有效辐射吸收比例(FPAR)的关系因植被类型而异。以近、短波红外波
段较以可见光、近红外波段计算植被指数的估算效果好。NDVI、RVI在可见光、近红外波段计算的植被指数中估算
FPAR效果较好, 玉米估算模型 R2分别为 0.81和 0.82, 大豆估算模型 R2均为 0.81; NDSI、RSI在近、短波红外波段
计算的植被指数中较好, 玉米估算模型 R2均为 0.86, 大豆估算模型 R2均为 0.84, 优于 NDVI 和 RVI。试验表明, 利
用近、短波红外波段估算 FPAR是可行的; 冠层含水量较土壤背景对 FPAR影响更大; 玉米和大豆冠层 FPAR与叶面
积指数(LAI)呈较好的对数关系, 估算模型 R2分别为 0.75 和 0.70; 但用植被指数估算 FPAR 效果要优于用叶面积指
数。
关键词: 玉米; 大豆; 光合有效辐射吸收比例; 植被指数; 叶面积指数
Relationship between Fraction of Photosynthetically Active Radiation and
Vegetation Indices, Leaf Area Index of Corn and Soybean
YANG Fei1,2, ZHANG Bai1,*, SONG Kai-Shan1, WANG Zong-Ming1, LIU Huan-Jun1,2, and DU Jia1,2
(1 Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130012, Jilin; 2 Graduate School of Chinese Aca-
demy of Sciences, Beijing 100039, China)
Abstract: Based on the measured reflectance, photosynthetically active radiation, and leaf area index (LAI), nine common vege-
tation indices and two vegetation indices, developed by the authors according to the characteristic of reflectance curves and the
vegetation index structures, were used to estimate fraction of photosynthetically active radiation (FPAR) in corn (Zea mays L.) and
soybean [Glycine max (L.) Merri.]. The relationships between vegetation indices and FPAR differed in different vegetation types.
The performances of near infrared and shortwave bands were better than these of visible and near infrared bands in FPAR estima-
tion by vegetation indices. Normalized difference vegetation index (NDVI) and ratio vegetation index (RVI) were the best in the
vegetation indices calculated by reflectance in visible and near infrared bands for FPAR estimation, with R2 of estimating models
0.82 and 0.81 for corn, both of 0.81 for soybean. Normalized difference shortwave index (NDSI) and ratio shortwave index (RSI)
were best in the vegetation indices calculated by near infrared and shortwave bands with almost the same R2 values for NDSI and
RSI in corn (0.86) and soybean (0.84). It is suggested that the near infrared and shortwave bands are feasible to be used for FPAR
estimation. According to the field experiments, the water content of vegetation canopy had larger effect on FPAR estimation than
soil background. The canopy FPAR and LAI showed good logarithm relations in corn and soybean canopy with R2 values of 0.75
第 11期 杨 飞等: 玉米和大豆光合有效辐射吸收比例与植被指数和叶面积指数的关系 2047


and 0.70, respectively, indicating that vegetation indices are better than LAI for FPAR estimation.
Keywords: Corn; Soybean; Fraction of photosynthetically active radiation; Vegetation index; Leaf area index
植物的光合作用就是植物叶片吸收光能和转换光能
的过程, 光合有效辐射吸收比例(fraction of photosyntheti-
cally active radiation, FPAR)是植被水分、能量及碳循环平
衡的重要检测指标 [1], 是生态系统生产力模型、气候模
型、作物估产模型等的重要参数, 因此大面积快速准确获
取 FPAR具有非常重要意义[2-3]。
国外在 20 世纪 80—90 年代已对光合有效辐射
(photosynthetically active radiation, PAR)进行了大量研
究[4-6], 而国内在该领域的研究起步较晚[7-10]。植被指数常
被用来估算叶面积指数(leaf area index, LAI), 其中使用
最多的是归一化植被指数 NDVI[9,11-13]。多数研究结果表
明, FPAR 与 NDVI 呈较好的线性或近线性关系, 但易受
土壤背景、太阳高度角、叶及冠层大小、植被类型和覆盖
度等条件的影响, 而且在不同的背景条件下的影响程度
不同[14-15]。此外, 一些其他植被指数如差值植被指数、重
归一化植被指数、比值植被指数、土壤调整植被指数等也
用于 FPAR的研究[14-16]。光合有效辐射被植被冠层截获吸
收或反射散射, 因此叶面积大小对光合有效辐射吸收比
例(FPAR)有直接的影响作用。FPAR与 LAI的关系, 周晓
东等 [8]和王培娟等 [9]对玉米和小麦冠层的研究表明呈显
著的线性相关, 而 Daughtry 等[5]对玉米和大豆冠层的研
究表明呈较好的对数关系。另外 Daughtry 等[5]和 Turner
等[17]利用泊松概率函数研究了 FPAR和LAI的关系; 刘晓
东等[18]通过对集约、粗放经营杨树人工林冠层上、下部
太阳总辐射和光合有效辐射(PAR)的实测数据进行分析,
根据比尔－朗伯特方程模拟 FPAR 与 LAI 之间的关系。
一些简单或复杂的物理传输模型如 CLM模型、三维辐射
传输模型也被应用于估算 FPAR[19-21], 其中最为典型的是
三维辐射传输模型应用在MODIS传感器上获取植被冠层
FPAR参数。
虽然植被冠层 FPAR 估算研究较多, 但仍多为基于
植被指数或叶面积指数的经验模型, 其重要缺陷是受地
域、土壤、天气条件、植被类型及测量者等因素影响较
大[22-23], 普遍适用性受到很大限制。
中国东北黑土区是重要的农作物种植区域, 具有特
色的黑土生长环境, 研究这一地区主要农作物(玉米和大
豆)对光合有效辐射吸收利用率具有重要的理论和实际意
义。本研究选取吉林省长春市附近的玉米和大豆生长区,
进行整个生长季的光谱反射率、光合有效辐射及叶面积实
地测量 , 选择常用的植被指数 , 比较分析玉米和大豆
FPAR 与各植被指数、叶面积指数相关关系, 探讨部分土
壤等因素在估算 FPAR时的影响, 并用短波红外波段估算
FPAR 潜力, 为玉米和大豆准确估算和长势实时准确监测
提供科学依据。
1 材料与方法
1.1 数据获取
于 2006年 8月 19日、2007年 6月 15日、7月 5日
和 7月 22日在吉林农业大学试验地, 2007年 8月 6日在
德惠市野外大田地, 对玉米冠层光谱反射率、光合有效辐
射各分量和叶面积指数进行测量, 共获得 99 组数据; 于
2007 年 6 月 15 日、7 月 5 日、7 月 22 日、2006 年 8 月
19日、9月 13日在吉林农业大学试验地对大豆冠层光谱
反射率、光合有效辐射各分量和叶面积指数进行实地测量,
共获得 52组数据。
使用 FieldSpec Pro FR高光谱分析仪测量光谱数据,
光谱范围为 350~2 500 nm, 其中 350~1 000 nm和 1 000~
2 500 nm波段光谱分辨率分别为 3 nm和 10 nm, 整个波
段(350~2 500 nm)光谱重采样间隔为 1 nm, 探头视场角为
25°。在每个样点采集光谱之前都进行白板标定, 每个测
试点采集 12~14 条光谱曲线, 取其平均值作为该样点的
光谱反射率 , 测量时保持探头垂直向下 , 并与冠层顶相
距约 2 m左右。所有的观测均选择在晴朗无风天气。
使用美国 LI-COR公司生产的 LI-191SA线性光量子
传感器和 LI-250 光照计测量光合有效辐射, LI-191SA 线
性光量子传感器感应面积约 1.0 m×12.7 mm, 感应波长为
400~700 nm, 测量结果输出单位为μmol m−2 s−1, 测量结
果为感应面积范围内的空间光合有效辐射的平均值, 能
够很好地降低空间不一致性的影响; 采用 LI-250 人工读
取和记录数据。每次测量各样点的光合有效辐射测量 4
个分量即光合有效辐射冠层上入射(PARc i)、反射量(PARcr)
及冠层下入射(PARgi)、反射量(PARgr), 测量冠层上方分量
时使线性光量子传感器距离冠层上方约 0.5 m, 测量冠层
下方各分量时距冠层及地面各 0.15 m 左右, 并使用水平
球尽量保持水平。
采用 LI-COR公司生产的 LAI-2000植被冠层分析仪
测量叶面积。所有叶面积测量时间选在当日 6:30—9:00
或 16:30—19:00, 设置 1个天空光, 6个测量目标值, 探头
佩带 45°张角的镜头盖, 避免直射光的影响。
1.2 数据处理
光合有效辐射在传输过程中部分被植被冠层吸收 ,
部分直接及经过冠层后被反射回大气, 部分被土壤吸收,
因此植被吸收的光合有效辐射 (absorbed photosyntheti-
cally active radiation, APAR) = 总光合有效辐射－被反射
回大气的光合有效辐射－土壤吸收的光合有效辐射 ;
即[24]:
( ) ( )ci cr gi grAPAR PAR PAR PAR PAR= − − − (1)
/ ciFPAR APAR PAR= (2)
2048 作 物 学 报 第 34卷

选择常用的 9 个植被指数, 另据植被指数结构特征
和 FPAR 与波长反射率之间的关系建立比值短波指数和
归一化差值短波红外指数, 共 11个植被指数(表 1)。参考
MODIS 传感器设定蓝、红、近红外、短波红外波段分别
对应 459~479、620~670、841~876和 1 628~1 652 nm, 将
波段内各波长反射率取平均作为本波段的反射率值。

表 1 常见植被指数公式
Table 1 Vegetation index formula in this paper
植被指数
Vegetation index
公式
Formula
参考文献
Reference
差值植被指数 Difference vegetation index (DVI) DVI =ρNIR–a×ρR Lyon et al., 1998[25]
垂直植被指数 Perpendicular vegetation index (PVI) PVI = (ρNIR–a×ρR–b) / (1+a2)1/2 Lyon et al., 1998[25]
比值植被指数 Ratio vegetation index (RVI) RVI =ρNIR / ρR Jordan, 1969[26]
归一化植被指数 Normalized difference vegetation index (NDVI) NDVI = (ρNIR–ρR) / ( ρNIR + ρR) Rouse et al., 1973[27]
土壤调整植被指数 Soil adjusted vegetation index (SAVI) SAVI = (ρNIR–ρR)(1+L) / ( ρNIR +ρR +L1) Hutte, 1988[28]
转换型土壤调整指数Transformed soil adjusted vegetation index (TSAVI) TSAVI = [a(ρNIR–a×ρR－b)] / ( a×ρNIR + ρR－ab) Baret et al., 1989[29]
改进型土壤大气修正植被指数 Enhenced vegetation index (EVI) EVI = 2.5× (ρNIR–ρRED) / (ρNIR +C1×ρR–C2×ρB＋L2) Hutte et al., 1994[30]
叶面水含量指数Water index (WI) WI = ρ970 / ρ900 Penuelas, 1996[31]
归一化差异水体指数 Normalized difference water index (NDWI) NDWI = (ρ860–ρ1240) / (ρ860+ρ1240) Gao, 1996[32]
比值短波红外指数 Ratio shortwave index (RSI) RSI = ρNIR / ρSWIR
归一化差值短波红外指数 Normalized difference shortwave index (NDSI) NDSI = (ρNIR–ρSWIR) / ( ρNIR +ρSWIR)
ρB、ρR、ρNIR、ρSWIR分别为蓝、红、近红外、短波红外波段反射率; a、b分别为本研究区内土壤线的斜率和截距, 其中 a=1.0578, b=0.0688;
L1、L2、C1、C2为调整系数, 本文取 L1=0.5, L2=1, C1=6, C2=7.5。
ρB, ρR, ρNIR and ρSWIR are the reflectance of blue, red, near-infrared and shortwave bands; a and b are the slope and offset of the soil line; L1, L2,
C1, C2 are the adjusting coefficients. In this article, a=1.0528, b=0.0688, L1=0.5, L2=1, C1=6, C2=7.5.

1.3 统计检验
采用国际上常用的确定性系数 R2、均方根差(root
mean square error, RMSE)和相对均方根差 (relative root
mean square error, RRMSE)[33]对估算模型和验证模型的效
果进行统计检验。
( )2mod mea
1
1 n
i
RMSE Y Y
n =
= −∑ (3)
2
mod mea
mea1
1 100%
n
i
Y YRRMSE
n Y=
−⎛ ⎞= ×⎜ ⎟⎝ ⎠∑ (4)
式中, Ymod和 Ymea分别为模型模拟值和实测值。RMSE和
RRMSE能够准确地表达模型模拟值和实测值的拟合程度,
其值越小 , 模型模拟值和实测值就越接近 , 模型估算精
度越高。本文利用 RMSE和 RRMSE对 FPAR估算模型及
其验证模型均进行精度检验。
2 结果与分析
2.1 植被指数构建
选用常用的植被指数分别建立其玉米和大豆的
FPAR 估算模型, 这些植被指数大多选用可见光和近红外
波段光谱反射率进行计算。对玉米和大豆冠层 FPAR与光
谱反射率进行相关关系分析(图 1), 可见 FPAR与可见光(特
别是蓝紫波段和红波段)和短波红外波段(1 420~1 800 nm
和 1 940~2 420 nm)呈较好的负相关, 而与近红外波段呈
较好的正相关(相关系数均在 0.05水平上显著)。
图 2 示玉米和大豆光谱反射率的季节变化, 其中去
除了波动较大的 1 351~1 414 nm、1 801~1 944 nm 和
2 401~2 500 nm。可看出, 短波红外波段反射率在整个生
长季与可见光变化趋势较一致, 随着叶面积增大而减小。
因此, 根据以上光谱曲线变化特征及其与 FPAR相关性分
析, 结合 NDVI、RVI 2个植被指数公式结构, 试用短波红
外波段代替可见光波段建立了归一化差异短波红外指数
(NDSI)、比值短波红外指数(RSI) 2个植被指数(表 1), 并
验证其估算玉米和大豆冠层 FPAR的能力。

图 1 玉米和大豆 FPAR与各波段反射率相关性
Fig. 1 Correlations between FPAR and reflectance of corn and
soybean

2.2 玉米冠层 FPAR植被指数估算
将实测 99 组玉米冠层反射率和 FPAR 数据, 随机分
为两部分, 利用前一部分67组数据, 以各植被指数为自变
量, FPAR为因变量, 建立 FPAR估算模型, 再利用另一部
分的 32组数据对模型进行验证(表 2)。结果表明, 仅 DVI、
RVI、EVI 与玉米冠层 FPAR 呈对数关系, 其余各植被指
第 11期 杨 飞等: 玉米和大豆光合有效辐射吸收比例与植被指数和叶面积指数的关系 2049


数与 FPAR均呈较好的线性关系。在可见光和近红外波段
计算的植被指数中, RVI、NDVI、TSAVI估算 FPAR的精
度要好于 DVI、PVI、SAVI和 EVI (表 2), 前 3个植被指
数估算模型的确定性系数 R2 较高(分别为 0.82、0.81 和
0.81), 均方根差 RMSE(分别为 0.122、0.126和 0.125)和相
对均方根差 RRMSE (分别为 46.11%、42.44%和 38.38%)
都相对较小; 这 3个植被指数的验证模型的 R2、RMSE、
RRMSE的表现同样优于其他植被指数。
但是 , 由近、短波红外计算得到的植被指数 WI、
NDWI、RSI、NDSI估算玉米 FPAR精度要明显高于由可
见光(表 2)、近红外波段计算的植被指数, 其估算模型 R2
分别为 0.85、0.84、0.86和 0.86, RMSE仅为 0.106、0.107、
0.111和 0.122, RRMSE仅为 38.42%、37.73%、35.64%和
37.99%; 验证模型的 R2分别为 0.89、0.87、0.89 和 0.89,
RMSE为 0.097、0.105、0.095和 0.095, RRMSE为 36.38%、
41.03%、35.97%和 36.23%。

图 2 玉米和大豆冠层反射率的季节变化
Fig. 2 Seasonal changes of corn and soybean canopy reflectance

表 2 玉米 FPAR的植被指数估算表现
Table 2 Performances of estimating corn FPAR by different vegetation indices
估算模型 Estimated function (n = 76) 验证模型 Validated function (n = 32) 名称
Name 公式
Formula
R2 RMSE RRMSE (%) F Sig.
公式
Formula
R2 RMSE RRMSE (%) F Sig.
DVI y = 0.424 ln(x) + 1.237 0.76 0.138 48.93 214.99 0.000 y = 0.719x + 0.185 0.78 0.133 57.39 214.99 0.000
PVI y = 2.842x + 0.230 0.70 0.157 69.63 152.63 0.000 y = 0.659x + 0.230 0.72 0.148 60.66 152.63 0.000
RVI y = 0.328 ln(x) – 0.051 0.82 0.122 46.11 293.65 0.000 y = 0.784x + 0.133 0.82 0.118 34.39 293.65 0.000
NDVI y = 1.223x – 0.267 0.81 0.126 42.44 274.69 0.000 y = 0.775x + 0.126 0.83 0.119 34.23 274.69 0.000
SAVI y = 1.479x – 0.054 0.78 0.134 50.73 234.75 0.000 y = 0.741x + 0.177 0.80 0.125 47.38 234.75 0.000
TSAVI y = 0.843x + 0.085 0.81 0.125 38.38 276.69 0.000 y = 0.761x + 0.140 0.83 0.119 40.83 276.69 0.000
EVI y = 0.484 ln (x) + 1.016 0.78 0.134 46.16 234.10 0.000 y = 0.737x + 0.170 0.79 0.129 53.53 234.10 0.000
WI y = −4.179x + 4.586 0.85 0.106 38.42 369.46 0.000 y = 0.824x + 0.109 0.89 0.097 36.38 369.46 0.000
NDWI y = 2.566x + 0.544 0.82 0.107 37.73 296.67 0.000 y = 0.808x + 0.109 0.87 0.105 41.03 296.67 0.000
RSI y = 0.564 ln(x) + 0.351 0.86 0.111 35.64 412.18 0.000 y = 0.840x + 0.100 0.89 0.095 35.97 412.18 0.000
NDSI y = 1.177x + 0.354 0.86 0.122 37.99 405.32 0.000 y = 0.833x + 0.102 0.89 0.095 36.23 405.32 0.000

2.3 大豆冠层 FPAR植被指数估算
将实测 52组大豆数据随机分为两部分, 35组用于建
立大豆 FPAR估算模型, 17组用于模型验证(表 3)。大豆冠
层 FPAR 与 RVI 呈对数关系, 与 DVI、PVI、SAVI、EVI、
RSI呈较好的线性关系, 而与 NDVI、TSAVI、WI、NDWI、
NDSI呈指数函数关系。在可见光与近红外波段计算的各植
被指数中, RVI、NDVI、SAVI、TSAVI表现出较好的 FPAR
估算能力, 其估算模型 R2分别为 0.81、0.81、0.80和 0.79, 高
于 DVI、PVI、EVI, 且 RMSE 分别为 0.102、0.101、0.105
和 0.104, RRMSE分别为 20.43%、20.03%、21.16%和 20.93%,
都相对较低; 而且验证模型的 R2、RMSE、RRMSE也表明模
型估算 FPAR值与实测 FPAR值更一致。
由近、短波红外波段计算得到的 WI、NDWI 估算
FPAR的效果较 RVI、NDVI稍差, 其 R2仅为 0.76和 0.73,
RMSE 分别为 0.112 和 0.120, RRMSE 分别为 22.21%和
22.73%, 但是 RSI、NDSI 估算大豆冠层 FPAR 的表现要
好于其他所有植被指数, 其 R2最高, 均达 0.84, RMSE 也
分别为 0.096 和 0.097, RRMSE 分别为 19.02%和 19.58%,
RMSE 和 RRMSE 均在所有植被指数中最小; 而且 RSI、
NDSI的验证模型同样具有较好的表现(表 3)。
2050 作 物 学 报 第 34卷

表 3 大豆 FPAR的植被指数估算表现
Table 3 Performances of estimating soybean FPAR by different vegetation indices
估算模型 Estimated function (n = 35) 验证模型 Validated function (n = 17) 名称
Name 公式
Formula
R2 RMSE RRMSE (%) F Sig.
公式
Formula
R2 RMSE RRMSE (%) F Sig.
DVI y = 1.673x + 0.107 0.76 0.116 24.77 104.81 0.000 y = 0.633x + 0.272 0.74 0.113 31.60 42.42 0.000
PVI y = 2.436x + 0.222 0.76 0.116 24.77 104.81 0.000 y = 0.633x + 0.272 0.74 0.113 31.61 42.42 0.000
RVI y = 0.354 ln(x) – 0.105 0.81 0.102 20.43 145.19 0.000 y = 0.795x + 0.155 0.78 0.100 18.43 52.37 0.000
NDVI y = 0.063 e2.974x 0.81 0.101 20.03 144.34 0.000 y = 0.760x + 0.170 0.82 0.088 17.96 66.81 0.000
SAVI y = 1.487x – 0.123 0.80 0.105 21.16 136.05 0.000 y = 0.704x + 0.225 0.81 0.096 22.03 64.81 0.000
TSAVI y = 0.143e 2.075x 0.79 0.104 20.93 127.81 0.000 y = 0.686x + 0.241 0.84 0.093 20.29 75.65 0.000
EVI y = 1.156x – 0.007 0.77 0.113 22.90 111.84 0.000 y = 0.657x + 0.256 0.74 0.112 27.12 41.78 0.000
WI y = –5.860x + 6.344 0.76 0.112 22.21 99.96 0.000 y = 0.761x + 0.176 0.73 0.094 24.76 40.95 0.000
NDWI y = 3.115x + 0.640 0.73 0.120 22.73 89.55 0.000 y = 0.665x + 0.228 0.70 0.109 27.26 35.22 0.000
RSI y = 0.550x – 0.202 0.84 0.097 19.02 166.95 0.000 y = 0.798x + 0.158 0.84 0.085 20.41 78.89 0.000
NDSI y = 0.337 e2.923x 0.84 0.096 18.58 169.95 0.000 y = 0.801x + 0.146 0.83 0.080 20.40 73.43 0.000

对比表 2和表 3可看出, 玉米和大豆的各植被指数与
FPAR 的关系不一样, 前者主要呈线性和对数关系, 而后
者则多呈指数函数关系。而且用 WI、NDWI 两个植被指
数估算玉米冠层 FPAR时可以取得相对较好的效果, 但估
算大豆 FPAR的效果一般。因此, 估算植被冠层 FPAR时,
各植被指数有效性因植被类型而异, 植被冠层结构空间
异质性对 FPAR估算影响较为明显。
以近、短波红外波段计算得植被指数估算玉米和大
豆 FPAR效果优于可见光和近红外波段计算得植被指数。
NDVI、RVI是可见光-近红外波段计算植被指数中估算效
果最好的, NDSI、RSI是近、短波红外波段计算植被指数
中估算效果最好的 , 而且 NDSI、RSI 估算玉米和大豆
FPAR效果要优于 NDVI、RVI。
2.4 玉米和大豆冠层 FPAR与叶面积指数的关系
随着叶面积的增加, 冠层对光合有效辐射吸收程度增加,
FPAR呈增大趋势(图 3)。玉米和大豆的 FPAR与 LAI之间都
呈对数关系, R2分别为 0.75 (F检验值为 278.760, 显著性水平
Sig=0.000)和 0.70 (F 检验值为 111.596, 显著性水平
Sig=0.000), 这与前人一些研究结果相符[34], 也有研究认为
FPAR与 LAI呈线性或指数关系[5,8]。但 FPAR增加速率并非
随着 LAI的变化维持恒定不变, 而表现为当 LAI达到 3左右
之前, 随着叶面积的增加, 植被覆盖度也明显增大, 冠层对光
合有效辐射吸收量增加, FPAR迅速增大; 当 LAI达到 3或更
大值时, 植被覆盖度基本接近于 1, FPAR已经基本趋于饱和,
本文通过大量的实测数据研究也表明, FPAR在叶面积较大时
已经比较接近于 1, FPAR与 LAI之间呈明显的对数关系。

图 3 玉米和大豆冠层 FPAR与 LAI的关系
Fig. 3 Relations of FPAR and LAI for corn and soybean canopy

3 讨论
利用植被指数估算植被冠层参数, 是定量遥感和生
态模型应用研究的重要研究方向, 本文对东北黑土区玉
米和大豆实地测量, 对比分析了多种植被指数和叶面积
指数估算玉米和大豆冠层 FPAR的效果。由于 FPAR参数
估算研究受植被类型、冠层结构、土壤下垫面等影响明显[23],
国内外研究结果有一定的差异。
从表 2和表 3可看出, 估算 FPAR效果相对较差的是
DVI、PVI和 EVI。研究表明, DVI、PVI适用于植被发育
第 11期 杨 飞等: 玉米和大豆光合有效辐射吸收比例与植被指数和叶面积指数的关系 2051


早期－中期 , 可在一定程度上消除土壤因素的影响 [35],
本文中玉米的叶面积指数较高, DVI、PVI 消除背景噪声
效果并不明显。EVI对大气气溶胶和土壤的综合作用有较
好的消除作用, 特别是在较为严重的气溶胶或烟雾天气,
效果非常明显 [36], 本研究中的所有数据测量时的天气晴
朗无风, 能见度高, 且作物叶面积亦较大, 土壤噪声相对
较小, 使得 EVI的大气和土壤校正作用不是很明显。大量
试验证明, SAVI 可以降低土壤背景的影响, 但可能丢失
部分植被信号, 使植被指数偏低, 而且其中的调节因子 L
取值也与 LAI 线性相关[37], 但是本文计算 SAVI 时, L 值
一直取 0.5, 这必然会影响 SAVI 对 FPAR估算的精度。
一般来说, 比值植被指数 RVI、NDVI增强了土壤与
植物的反射对比 , 同时最小化照度状况的影响 , 是绿色
植被的灵敏的指示指数; 垂直、差值植被指数(PVI、DVI)
与比值植被指数不同, 它们只在低 LAI时表现较好, 但它
们随着 LAI的增加变得对土壤背景敏感[37]。
前人在研究中大多选用可见光-近红外波段光谱反
射率计算的植被参数(如 NDVI、RVI、SAVI、DVI等等), 短
波红外波段在 FPAR研究中应用很少, 本研究对 FPAR与
反射率相关性研究发现, 部分短波红外与 FPAR同样有很
好的相关关系(图 1), 而且通过利用近红外和短波红外波段
计算植被指数 NDSI、RSI, 估算玉米和大豆冠层 FPAR得
到理想的效果(表 2 和表 3), 因此说明短波红外波段具有
较好的 FPAR估算潜力。Ridao等[16]对灌溉和非灌溉田地
大豆和豌豆冠层 FPAR的估算研究结果也表明, 计算中应
用了 TM第 5个波段(短波红外波段)的植被指数估算 FPAR
精度更高。这主要是由于近、短波红外波段对冠层反射率
具有更为敏感的响应, 从图 2反射率曲线可见, 随着玉米
和大豆 LAI的变化, 近、短波反射率较可见光波段的变化
幅度更大, 使近红外和短波红外波段反射率对比更为强
烈; 从植被生化特性上分析 , 短波红外波段受叶细胞内
的水分含量控制 [37-39], 短波红外反射率对冠层水分含量
较为敏感 , 而水分含量也影响着叶片光合作用能力 , 即
影响叶片对光合有效辐射的吸收, 因此短波红外波段与
FPAR也具有较好的相关关系。
本文未考虑土壤因素的植被指数(如 NDVI、RVI)较
一些考虑到土壤特征的植被指数(如 SAVI、TSAVI、PVI、
DVI)估算玉米和大豆冠层 FPAR的效果更理想, 说明土壤
因素对地面实测 FPAR 估算影响作用不大; 但相比而言,
利用受植被冠层水分控制的短波红外波段计算的植被指
数(NDSI、RSI), 估算 FPAR的效果有明显提高, 表明冠层
水分含量相对土壤背景因素对冠层 FPAR的影响更明显。
本文中玉米和大豆 FPAR 与 LAI 都呈对数关系, 这
与前人研究结果有所异同(如前文所述), 但从本文研究看
出, 玉米和大豆 FPAR与 LAI呈对数关系应该更为科学。
比较表 2、表 3和图 3可看出, 植被指数方法较 LAI估算
大豆和玉米冠层 FPAR的精度更高。
本研究基于地面实测数据建立各植被指数估算 FPAR
模型, 模型受大气等因素的影响相对较小; 如 MODIS 植
被研究组的分析表明在高气溶胶含量下, EVI比 NDVI更
稳定 , 即具有抗大气干扰能力 , 而且能够一定程度上克
服 NDVI在高 LAI时易饱和的缺陷[38], 因此, 基于实测数
据的各个植被指数估算 FPAR模型, 应用于遥感影像估算
FPAR的优越性和精度还有待于进一步研究。我们将基于
高光谱数据, 研究更多高光谱数据处理技术和方法提高
FPAR 估算的精度。由于实验条件限制, 未能对各试验样
点进行重复测量及改进试验方案以尽量获取较多的数据,
这是今后需加强的工作之一。
References
[1] Churkina G, Running S W. Contrasting climatic controls on the
estimated productivity of global, terrestrial biomes. Ecosystems,
1998, 1: 206−215
[2] Sellers P J, Collatz G J. A revised land surface parameterization
(SiB2) for atmospheric GCMS: I. Model formulation. J Climate,
1996, 9: 676−705
[3] Lobell D B, Asner G P, Ortiz-Monasterio J I, Benning T L. Re-
mote sensing of regional crop production in the Yaqui Valley,
Mexico: estimates and uncertainties. Agric Ecosyst Environ, 2003,
94: 205−220
[4] Asrar G, Fuchs M, Kanemasu E T, Hatfield J L. Estimating ab-
sorbed photosynthetic radiation and leaf area index from spectral
reflectance in wheat. Agron J, 1984, 76: 300−306
[5] Daughtry C S T, Gallo K P, Goward S N, Prince S D, Kustas W P.
Spectral estimates of absorbed radiation and phytomass produc-
tion in corn and soybean canopies. Remote Sens Environ, 1992,
39: 141−152
[6] Pinter PJ. Solar angle independence in the relationship between
absorbed PAR and remotely sensed data for alfalfa. Remote Sens
Environ, 1993, 46: 19−25
[7] Dong Z-G(董振国), Yu H-N(于沪宁). Photosynthetically active
radiation field measurement and analysis. Meteorol Monthly (气
象), 1983, (7): 23−24 (in Chinese)
[8] Zhou X-D(周晓东), Zhu Q-J(朱启疆), Wang J-D(王锦地), Sun
R(孙睿), Chen X(陈雪), Wu M-X(吴门新). Interception of PAR,
relationship between FPAR and LAI in summer maize canopy. J
Nat Resour (自然资源学报), 2002, 17(1): 110−116 (in Chinese
with English abstract)
[9] Wang P-J(王培娟), Zhu Q-J(朱启疆), Wu M-X(吴门新), Liu
S-H(刘素红), Shuai Y-M(帅艳民). Research on the relationships
among FAPAR, LAI and VIs in the winter wheat canopy. Remote
Sens Inform (遥感信息), 2003, (3): 19−22 (in Chinese with Eng-
lish abstract)
[10] Gao Y-H(高彦华), Chen L-F(陈良富), Liu Q-H(柳钦火), Gu
X-F(顾行发), Tian G-L(田国良). Research on remote sensing
model for fpar absorbed by chlorophyll. J Remote Sens (遥感学
报), 2006, 10(5): 798−803 (in Chinese with English abstract)
2052 作 物 学 报 第 34卷

[11] Huete A R, Epiphanio J C N. Dependence of NDVI and SAVI on
sun/sensor geometry and its effect on fAPAR relationships in al-
falfa. Remote Sens Environ, 1995, 51: 351−360
[12] Fensholt R, Sandholt I, Rasmussen M S. Evaluation of MODIS
LAI, fAPAR and the relation between fAPAR and NDVI in a
semi-arid environment using in situ measurements. Remote Sens
Environ, 2004, 91: 490−507
[13] Daniel C, Steinberg S J G, Hyer E J. Validation of MODIS FPAR
products in Boreal forests of Alaska. IEEE Trans Geosci Remote
Sens, 2006, 44: 1818−1828
[14] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation
from bidirectional reflectance measurements. Remote Sens Envi-
ron, 1995, 51: 375−384
[15] Myneni R B, Nemani R R, Running S W. Estimation of global
leaf area index and absorbed par using radiative transfer models.
IEEE Trans Geosci Remote Sens, 1997, 35: 1380−1393
[16] Ridao E, Conde J R, Mínguez M I. Estimating fAPAR from nine
vegetation indices for irrigated and nonirrigated faba bean and
semileafless pea canopies. Remote Sens Environ, 1998, 66:
87−100
[17] Turner D P, Gower S T, Cohen W B, Gregory M, Maiersperger T
K. Effects of spatial variability in light use efficiency on satellite
based NPP monitoring. Remote Sens Environ, 2002, 80: 397−405
[18] Liu X-D (刘晓东), Zhu C-Q (朱春全), Lei J-P (雷静品), Ju G-S
(巨关升). The distribution of photosynthetic radiation in the
canopy of poplar plantation. Sci Silvae Sin (林业科学), 2000,
36(3): 2−7 (in Chinese with English abstract)
[19] Tian Y H, Dickinson R E, Zhou L, Zeng X, Dai Y J, Myneni R B,
Knyazikhin Y, Zhang X, Friedl M, Yu H, Wu W, Shaikh1 M.
Comparison of seasonal and spatial variations of leaf area index
and fraction of absorbed photosynthetically active radiation from
Moderate Resolution Imaging Spectroradiometer (MODIS) and
Common Land Model. J Geophys Res, 2004, 109, DOI:
10.1029/2003JD003777
[20] Knyazikhin Y, Martonchik J V, Diner D J, Myneni R B, Ver-
straete M, Pinty B, Gobron N. Estimation of vegetation leaf area
index and fraction of absorbed photosynthetically active radiation
from atmosphere corrected MISR data. J Geophys Res, 1998, 103:
32239−32256
[21] Knyazikhin Y, Martonchik J V, Myneni R B, Diner D J, Running
S W. Synergistic algorithm for estimating vegetation canopy leaf
area index and fraction of absorbed photosynthetically active ra-
diation from MODIS and MISR data. J Geophys Res, 1998, 103:
32257−32274
[22] Chen J M, Rich P M, Gower S T. Leaf index of boreal forest:
theory, techniques, and measurements. J Geogr Res, 1997, 102:
429−443
[23] Shabanov N V, Wang Y, Buermann W, Dong J, Hoffman S, Smith
G R, Tian Y, Knyazikhin Y, Myneni R B. Effect of foliage spatial
heterogeneity in the MODIS LAI and FPAR algorithm over
broadleaf forests. Remote Sens Environ, 2003, 85: 410−423
[24] Gallo K P, Daughtry C S T. Techniques for measuring intercepted
and absorbed photosynthetically active radiation in corn canopies.
Agron J, 1986, 78: 752−756
[25] Lyon G J, Yuan D, Lunetta R S, Elvidge C D. A change detection
experiment using vegetation indices. Photo Eng Remote Sens,
1998, 64: 143−150
[26] Jordan C F. Derivation of leaf area index from quality of light on
the forest floor. Ecology, 1969, 50: 663−666
[27] Rouse J W, Haas R H, Schell J A, Deering D W. Monitoring
vegetation systems in the great plains with ERTS. In: Proc. 3rd
Earth Resources Technology Satellite-1 Symposium, Greenbelt:
NASA SP-351: 1974. pp 310−317
[28] Hutte A H. A soil-adjusted vegetation index (SAVI). Remote Sens
Environ, 1988, 25: 295−305
[29] Baret F, Guyot G, Major D J. TSAVI: A vegetation index which
minimizes soil brightness effects on LAI and APAR estimation.
Proc. 12th Canadian Symposium on Remote Sensing, Vancouver,
Canada, 1989. pp 1355−1358
[30] Huete A, Justice C, Liu H. Development of vegetation and soil
indices for MODIS. Remote Sens Environ, 1994, 49: 224−234
[31] Penuelas J, Filella I, Sweeano L. Cell wall elasticity and water
index (R970/R900) in wheat under different nitrogen availabil-
ities. Intl J Remote Sens, 1996, 17: 373−382
[32] Gao B C. NDWI— a normalized difference water index for re-
mote sensing of vegetation liquid crop water from space. Remote
Sens Environ, 1996, 58: 257−266
[33] Rosipal R, Trejo L J. Kernel partial least squares regression in
reproducing kernel Hilbert space. Machine Learning Res, 2002, 2:
97−123
[34] Beverly E L. Estimation of leaf area index and light intercepted
by shrubs from digital videography. Remote Sens Environ, 1995,
51: 276−280
[35] Liu H Q, Huete A R. A feedback based modification of the NDVI
to minimize canopy background and atmospheric noise. IEEE
Trans Geosci Remote Sens, 1995, 33: 457−465
[36] Hutte A, Didan K, Miura T, Rodriguez E P, Gao X, Ferreira L G.
Overview of the radiometric and biophysical performance of the
MODIS vegetation indices. Remote Sens Environ, 2002, 83:
195−213
[37] Zhao Y-S(赵英时). Theory and Methods for Remote Sensing
Application and Analysis (遥感应用与分析的理论和方法). Bei-
jing: Science Press, 2003. pp 368, 377, 382 (in Chinese)
[38] Carter G A. Primary and secondary effects of water content of the
spectral reflectance of leaves. Am J Bot, 1991, 78: 916−924
[39] Zarco-Tejada P J, Rueda C A, Ustin S L. Water content estima-
tion in vegetation with MODIS reflectance data and model inver-
sion methods. Remote Sens Environ, 2003, 85: 109−124