融合冠层水分特征的光谱参数NCVI及反演玉米LAI
光学和微波遥感数据联合反演植被覆盖表层土壤含水率
2024年1月灌溉排水学报第43卷第1期Jan.2024Journal of Irrigation and Drainage No.1Vol.4345文章编号：1672-3317（2024）01-0045-07光学和微波遥感数据联合反演植被覆盖表层土壤含水率周美玲1，张德宁2，王浩3，魏征4*，林人财4（1.江西省水投江河信息技术有限公司，南昌330029；2.德州市潘庄灌区运行维护中心，山东德州253000；3.中国电建集团昆明勘测设计研究院有限公司，昆明650051；4.中国水利水电科学研究院，北京100038）摘要：【目的】探究Vertical-Vertical （VV ）、Vertical-Horizontal （VH ）极化及双极化方式对微波遥感反演表层0~10cm 土壤含水率影响，分析不同数据源（Landsat-8,L8;Sentinel-2,S2）得到的归一化植被指数（NDVI ）、归一化水体指数（NDWI ）对表层土壤含水率遥感反演精度的影响。
【方法】基于VV 、VH 单一极化和双极化模式，结合S2和L8计算的NDVI 与NDWI 估算植被含水率（VWC ），消除植被对土壤的后向散射影响，得到土壤后向散射系数，基于水云模型反演北京市大兴区表层土壤含水率。
【结果】对于VV 极化，VV+S2NDWI 反演0~10cm 土层的土壤含水率精度最高（R 2=0.763，RMSE =1.55%）；对于VH 极化，VH+S2NDVI 反演的0~10cm 土层的土壤含水率精度最高（R 2=0.622，RMSE =1.66%）；对于双极化，Dual-Polarized （DP ）+S2NDVI 反演的0~10cm 土层的土壤含水率精度最高（R 2=0.895，RMSE =0.89%）。
【结论】NDVI 更适用于去除水云模型中的植被影响，且双极化方式反演0~10cm 土层的土壤含水率精度较高。
关键词：含水率；Sentinel-1；双极化；多源遥感；NDVI ；NDWI 中图分类号：S161文献标志码：Adoi ：10.13522/ki.ggps.2023312OSID ：周美玲,张德宁,王浩,等.光学和微波遥感数据联合反演植被覆盖表层土壤含水率[J].灌溉排水学报,2024,43(1):45-51.ZHOU Meiling,ZHANG Dening,WANG Hao,et al.Inversion of surface soil moisture under vegetated areas based on optical and microwave remote sensing data[J].Journal of Irrigation and Drainage,2024,43(1):45-51.0引言【研究意义】表层土壤含水率在能量平衡、气候变化和陆地水循环中扮演着重要角色，是作物生长发育、产量估算、水资源管理、气候变化等研究领域的关键指标[1]。
无人机多光谱遥感反演各生育期玉米根域土壤含水率
第36卷第10期农业工程学报V ol.36 No.10 2020年5月Transactions of the Chinese Society of Agricultural Engineering May 2020 63无人机多光谱遥感反演各生育期玉米根域土壤含水率谭丞轩1,2，张智韬1,2※，许崇豪1，马宇1，姚志华1，魏广飞1，李宇1（1. 西北农林科技大学水利与建筑工程学院，杨凌712100；2. 西北农林科技大学旱区农业水土工程教育部重点实验室，杨凌712100）摘要：为准确及时地获取植被覆盖条件下农田土壤水分信息，该文以不同水分处理的大田玉米为研究对象，利用无人机遥感平台对夏玉米进行多期遥感监测，并同步采集玉米根域不同深度土壤含水率（Soil Water Content，SWC）。
基于2018年夏玉米拔节期、抽雄-吐丝期和乳熟-成熟期的无人机多光谱遥感影像数据集，通过支持向量机（Support Vector Machine，SVM）分类剔除土壤背景，提取玉米冠层光谱反射率并计算10种植被指数（Vegetation Index，VI），然后利用全子集筛选（Full Subset Selection）法对不同波段和植被指数进行不同深度土壤含水率的敏感性分析，并分别采用岭回归（Ridge Regression，RR）和极限学习机（Extreme Learning Machine，ELM）2种方法构建全子集筛选后0～20、20～45和45～60 cm不同深度下的土壤含水率定量估算模型。
结果表明：基于贝叶斯信息准则（Bayesian Information Criterion，BIC）的全子集筛选法可以有效筛选最优光谱子集，筛选变量基本都通过了显著性检验，自变量个数较少；在同一生育期、同一深度条件下，ELM模型效果均优于RR模型；玉米在拔节期、抽雄-吐丝期的最佳监测深度为0～20 cm，在乳熟-成熟期的最佳监测深度为20～45 cm；乳熟-成熟期的20～45 cm深度下的ELM反演模型效果最优，其建模集和验证集的决定系数R c2和R v2分别为0.825和0.750，均方根误差RMSE c和RMSE v分别为1.00%和1.32%，标准均方根误差NRMSE c 和NRMSE v分别为10.85%和13.55%。
绿色植物反射光谱的特征及其在监测农作物生长中的应用
绿色植物反射光谱的特征及其在监测农作物生长中的应用１研究内容１．１田间尺度长势指标与遥感参数的定量关系目前大尺度的作物长势遥感技术监测中，主要使用单一的植被指数比较法；使用差值模型或等级模型，该评估模型较为单一，没根据相同空间区域、相同作物及相同生育期展开相同的等级分割。
通过对黑龙江垦区的水稻、玉米和大豆相同生育期地面量测农学数据与遥感技术反演的ｎｄｖｉ、ｅｖｉ、ｌａｉ等参数的比对与分析，研究分后作物生育期的田间尺度长势指标与遥感技术参数的定量关系，特别就是对作物遭遇旱情、病害及低温雨涝等自然灾害后长势状况展开实时监测与评价，创建分后生育期的作物田间长势指标与遥感技术参数的`定量关系模型。
１．２长势综合评价指标体系目前农作物的遥感技术长势监测中长势综合评价标准分成不好、较好、正常、极差和差５个等级，其主要就是根据等序列展开分割或根据长势监测中不及常年、与常年持平及优于常年的比例赢得的一个定性评价。
这个评价指标缺少科学的统计学依据，而且评价结果无法轻易和产量预测挂勾。
利用多因子统计法和权重分析法等，创建长势综合评价指标体系，对作物遭遇旱情、病害及低温冻害等自然灾害后的作物长势状况展开综合评价。
２技术路线２．１挑选地面监测样区在黑龙江垦区某农场选择１０～２０个样点，对典型样点的水稻、玉米不同生育期（苗期、孕穗期、开花期、乳熟期等）地面实测农学数据进行整理、统计、分析。
２．２创建模型处理研究区遥感数据，反演遥感参数（ｎｄｖｉ、ｅｖｉ、ｌａｉ等）。
研究、分析不同作物田间长势指标（如单位面积茎数、分蘖数、单位面积穗数等）与遥感参数的定量关系，建立基于作物光谱特征和作物农学参数机理相联系的、分作物生育期的作物田间长势指标与遥感参数的定量关系和模型。
２．３创建长势综合评价指标体系及其分级标准以研究区长时间序列不同作物历史长势遥感监测数据，特别是作物遭受干旱、病害及低温冷害等自然灾害后的监测数据为样本进行统计学分析，综合应用数理统计学方法和权重分析法等，建立长势综合评价指标体系，进行长势综合评价研究，根据作物产量数据和长势分级指标，进行长势评价标准与产量关系的研究，将长势综合评价分级指标与产量预测的趋势值有机结合。
LAI与FAPAR反演-定量遥感精品课程班-讲课文档
•天空散射光
天空散射光到达冠层的辐照度
i
L
a
m L acosi(1ecG osiLA)Id 2
对于均匀连续植被冠层，当叶倾角分布为球形分布时，其与叶面积指
数LAI的经验关系为：
m(1e0.8LA0.9I)M (MLa)
平均拦截概率：
~ i01e0.8LA0.9I
28
第二十八页，共43页。
•平均拦截概率
24
第二十四页，共43页。
•一个光子在其生命周期内的吸收
a c ( ) ( 1 ) p ( 1 ) ( p ) 2 ( 1 ) ( p ) n 1 ( 1 )
对于前n次碰撞
ac()(1)11(pp)n
由于 0＜p＜1，对于无限次碰撞来说
ac
()
1 1p
25
第二十五页，共43页。
基于：连续植被冠层模型（ Gobron et al., 1997）
6S模型模拟陆地表面特征（
Vermote et al., 1997）
第十八页，共43页。
118818
•基于：连续植被冠层模型（Gobron et al., 1997） •6S模型模拟陆地表面特征（Vermote et al., 1997）
FAPAR算法步骤：
第一：进行大气校正，消除大气及角度的影响；
第二，与数学方法相结合，计算FAPAR值。
第十九页，共43页。
1199 19
5 FAPAR模型
i
v
第二十页，共43页。
a1()
a2 ()
吸收项由两部分组成：
植被冠层对辐射的直接吸收 a1() 植被-地表多次反弹造成的植被冠层的吸收 a2()
~ i01e0.8LA0.9I
多光谱图像的玉米叶片含水量检测
收稿日期：2019-02-15，修订日期：2019-06-26 基金项目：国家重点研发计划项目(017YFD0201502)资助 作者简介：彭要奇，1992年生,中国农业大学工学院博士研究生
* 通讯联系人 e-mail: zyj@cau. edu. cn
第40卷，第4期 2 0 2 0年4月
光谱学与光谱分析 SpectroscopyandSpectralAnalysis
Vol 40,No. 4<pp1257-1262 April, 2020
多光谱图像的玉米叶片含水量检测
彭要奇】，肖颖欣2,傅泽田】，董玉红x李鑫星3,严海军4,郑永军5
1. 中国农业大学工学院食品质量与安全北京实验室，北京100083 2. 中国农业大学土地科学与技术学院，北京100083 3. 中国农业大学信息与电气工程学院，北京100083 4. 中国农业大学水利与土木工程学院，北京100083 5. 中国农业大学工学院，北京100083
关键词 多光谱图像；玉米叶片；含水量；BP神经网络
中图分类号：O657. 3 文献标识码：A
DOI： 10. 3964/j. issn. 1000-0593(2020)04-1257-06
引言
玉米是一种需水量较大的粮食作物，及时获取玉米生长 过程中植株体ห้องสมุดไป่ตู้水分信息，对田间灌溉管理和旱情预警监测 具有显著的科学意义和现实意义$绿色植物进行光合反应、 呼吸效应和表层蒸腾作用主要是借助叶片来完成，叶片运作 过程受外界环境影响明显，作物在缺水状态下，叶片通常会 出现蜷缩、枯黄和色斑等形状、颜色和纹理特征的改变，因
LAI与FAPAR反演-定量遥感 ppt课件
FAPAR
(
I TOC
I Ground
I Ground
I TOC
)
/
I TOC
ppt课件
4
4
在PAR区间叶绿素a、 叶绿素b和类胡萝卜素 的吸收率和总光合作用 效率
55
2. FAPAR野外测量
SUNSCAN冠层分析系统（SUNSCAN Canopy Analysis System）
FAPAR=1.21×NDVI-0.04 FAPAR=1.67×NDVI-0.08
FAPAR=0.105(0.323×NDVI)+(1.168×ND
VI2) FAPAR=3.257×SAVI-0.07
FAPAR=0.846×NDVI-0.08
FAPAR=1.723×MSAVI0.137
FAPAR=2.213×(ΔMSAVI)**
通过遥感方式可以获取植被FAPAR。随着遥感传感器分 辨率的多样化，遥感可以提供更广泛空间区域和时间范围 的FAPAR产品。
ppt课件
3
3
基本概念
PAR（photosynthetically Active Radiation），光合有效辐射，指陆地植 被光合作用所能吸收的从400到700 nm的太阳光谱能量。
算法
R2 取得经验值方法
植被类型
参考文献
FAPAR=1.2×NDVI-0.18
0.974
PAR 测量 春小麦，生长阶段
Hatfield et al.,1984
FAPAR=0.6(2.2×NDVI)+(2.9×NDVI2)
-
PAR 测量
玉米，生长阶段
基于PROSAIL模型的玉米冠层叶面积指数及叶片叶绿素含量反演方法研究
于 PROSAIL 模型构建查找表, 反演夏 玉米两个生 长季的冠层 LAI 和 L CC。为提高反演精度, 在反演 过程中增加基于正则化的代价函数优化和基于光谱
收稿日期: 2019- 03- 02; 修回日期: 2019- 05- 09 基金项目: 国家自然科学基金项目( 41671433、41371327) ; 中央高校基本科研业务费专项资金资助项目( 2019TC138、2019T C117) 作者简介: 张明政( 1991- ) , 男, 博士研究生, 主要从事农业遥感方面的研究。* 通讯作者 E- mail: su wei@ cau. edu . cn
第 5 期 张明政, 苏伟, 朱德海: 基于 PR OSA IL 模型的玉米冠层叶面积指数及叶片叶绿素含量反演方法研究 第 29 页
响应函数及高斯噪声的反演策略, 并用野外实测数 据进行验证。
1 数据与方法
1. 1 研究区概况及数据采集 研究区位于河北省保定市 中部的涿州市、高碑
店市和定兴县( 115b29c~ 116b14cE, 39b5c~ 39b35cN) ( 图 1) , 地处华北平原, 地势西北高、东南低; 属温带 大陆性季风气 候, 雨热同 期, 年均气温 约为 12~ 14 e , 年日照率达 60% 左右, 年降水量约为 550 mm; 主要耕作方式是冬小麦和夏玉米轮作, 土地利用类 型主要为农田、林地、城建区及水体。
第 35 卷 第 5 期 2019 年 9 月
地理与地理信息科学 Geog ra phy and Geo2Infor matio n Science
doi: 10. 3969/ j. issn. 1672- 0504. 2019. 05. 005
光谱数据变换对玉米氮素含量反演精度的影响(1)
( 1) 对原始 光谱反射 率 ( R) 的一阶 微分变 换
( 2) 对 原 始 光 谱 反 射 率 ( R) 的 对 数 变 换 ( log ( R) ) : lo g ( R) = ( log ( r 1 ) , log ( r 2 ) , ( N ( R) ) : N( R) = r1 , (ri) r2 , (ri) , rn ( ri ) ( 4) , log ( r n ) ) ( 3) ( 3) 对 原 始 光 谱 反 射 率 ( R) 归 一 化 变 换
从可见光波 段挑选出 作物特征 光谱波 段 ( 550 nm 左右 , 叶绿素 最大反射峰 ; 680 nm 左右 , 红光吸收 谷 ) , 将 这些波段 6 种 变换形式 作为光谱 变量 , 分 别与叶片氮素含量建立回归模型 , 分析其可靠 性, 从而考察光谱数据变换方法对营养元 素反演精度 的影响。
2 2
, ( 6)
( 6 ) 对 N ( R) 的一阶微分变换 D( N ( R) ) :
D( N ( R) ) =
,
场角为 25 , 波段范围为 350~ 2 500 nm, 光谱分辨 率在 350~ 1 000 nm 时为 3 nm , 在 1 000~ 2 500 nm 时为 10 nm 。选取第 6 片完全展开叶的中部较宽部 位进行光谱测定。光谱测定时 目标叶下垫有 黑布 ( 减弱背景光的干扰 ) 。光谱反射率计算公式如下 : RT =
个波段反射的太阳光强度。 2. 2 光谱数据的转换方法 将采集的玉米叶片的原始光谱数据按照以下 6 种方法转换。 这 6 种方法包括 ( D( R) ) : D( R) = 其中 : ( r3 - r1 ) ( r4 - r2 ) , , 为两倍波段宽。 , ( r n - r n- 2 ) ( 2)
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第３ １卷，第２期 光谱学与光谱分析Ｖｏｌ．３１，Ｎｏ．２，ｐｐ４７８－４８２２ ０ １ １年２月 Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ Ｆｅｂｒｕａｒｙ，２０１１ 融合冠层水分特征的光谱参数ＮＣＶＩ及反演玉米ＬＡＩ曹 仕１，刘湘南１＊，刘美玲１，曹 珊２，姚 帅１１．中国地质大学（北京）信息工程学院，北京 １０００８３２．中国水利水电第八工程局，湖南长沙 ４１００００摘 要 精确反演农作物冠层叶面积指数对指导作物管理和作物估产具有非常重要的意义。
以吉林市郊区玉米种植区为试点，考虑冠层叶片水分含量对ＬＡＩ的贡献，在ＮＤＶＩ的基础上结合表征冠层叶片水分含量的植被指数ＤＳＷＩ，提出一种归一化综合植被指数ＮＣＶＩ，以此建立模型反演ＬＡＩ，并对模型进行检验。
结果表明：ＮＣＶＩ模型反演ＬＡＩ值与实测值之间存在良好的对应关系，此模型突破了传统经验模型对稠密冠层ＬＡＩ反演的局限，对ＬＡＩ值大于３的冠层反演效果良好；另外，ＮＣＶＩ模型对土壤水环境十分敏感，在干旱半干旱地区的反演效果明显优于一般区域。
关键词 叶面积指数；归一化综合植被指数；冠层水分含量；遥感反演；玉米中图分类号：ＴＰ７２２．４；Ｓ１２７ 文献标识码：Ａ ＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００－０５９３（２０１１）０２－０４７８－０５ 收稿日期：２０１０－０４－２３，修订日期：２０１０－０９－０８ 基金项目：国家自然科学基金项目（４０７７１１５５）和国家高技术研究发展计划（８６３计划）项目（２００７ＡＡ１２Ｚ１７４）资助 作者简介：曹 仕，１９８５年生，中国地质大学（北京）信息工程学院硕士研究生 ｅ－ｍａｉｌ：ｃａｏｓｈｉ２２４＠１６３．ｃｏｍ＊通讯联系人 ｅ－ｍａｉｌ：ｌｉｕｘｎｃｕｇｂ＠１６３．ｃｏｍ引 言 叶面积指数（ｌｅａｆ ａｒｅａ ｉｎｄｅｘ，ＬＡＩ）是指单位地面面积上所有叶子单面表面积的总和，是表征植被冠层结构最基本的参数之一，同时也是陆地生态系统的一个十分重要的结构参数，它与植物的蒸腾、呼吸、光合作用以及降水的截取、地表净初级生产力等密切相关［１－４］。
自１９４７年提出以来，叶面积指数已成为一个重要的植物学参数和评价指标，并在农业、牧业、林业以及生物学、生态学、环境学等领域得到广泛应用［５］。
现今利用遥感反演叶面积指数的方法大致分为两类，即物理模型方法和经验模型方法。
物理模型方法以物理光学原理为基础，具有较强的时空扩展性，但却因算法的复杂性而导致其实现困难、计算繁冗，并且还存在病态反演的问题［６］。
经验模型方法则利用光谱指数快速获得叶面积指数，具有简单灵活的特点，是现在最常用的间接获得ＬＡＩ的方法［７，８］。
目前叶面积指数反演经验模型用的最多的光谱指数是归一化植被指数（ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ，ＮＤＶＩ），但此类模型一般只考虑单一植被指数，当冠层过于稠密，ＬＡＩ值达到３以上时，ＮＤＶＩ指数反演达到饱和，其模型严重受限，无法进行进一步反演。
随着空间精细化模型的发展和基于过程的分布式模拟技术的应用，对ＬＡＩ的区域精确估算显得越来越重要，经验模型中传统反演方法的局限性显然不能满足其要求，Ｋｏｕｉｔｉ利用ＢＲＤＦ结合ＮＤＶＩ解决了无法反演高ＬＡＩ的限制［９］，但其需要的数据比较复杂，不适于普遍推广使用。
而本研究从冠层叶片水分含量出发，在ＮＤＶＩ的基础上结合表征叶片水分含量的植被指数，提出一种反演ＬＡＩ的归一化综合植被指数（ｎｏｒｍａｌｉｚｅｄ ｃｏｍｐｏｓｉｔｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ，ＮＣＶＩ），用以提高ＬＡＩ的反演精度，打破经验反演的局限性，扩大经验模型的适用范围。
１ ＮＣＶＩ理论基础与实验设计１．１ 实验设计研究区域为吉林省吉林市郊区玉米种植区，实验随机选取了Ａ，Ｂ，Ｃ，Ｄ四块不同地域，在每块地域取１５个测试点，对每个试点的玉米植株进行光谱测试和叶面积指数的测试，并对冠层上、中、下的叶片和试点土壤进行采样，随后在实验室进行水分测量。
冠层光谱反射率的测量采用ＡＳＤ ｆｉｅｌｄ ｐｒｏ３便携式辐射光谱仪，其探测波长范围：３５０～２ ５００ｎｍ；光谱分辨率：３５０～１ ０５０ｎｍ范围内为３．５ｎｍ，１ ０００～２ ５００ｎｍ范围内为１０ｎｍ；光谱采样间隔：３５０～１ ０５０ｎｍ范围内为１．４ｎｍ，１ ０００～２ ５００ｎｍ范围内为２ｎｍ；采样时间：１０次·ｓ－１。
叶面积指数的测量使用ＬＡＩ－２０００冠层分析仪，ＬＡＩ－２０００使用３２０～４９０ｎｍ的感应波段。
每样点处重复测量光谱反射率１０次、叶面积指数５次，取均值。
测量时间为２００９年９月１３日１２：００－１４：００，天气晴朗。
１．２ ＮＣＶＩ理论基础在已有的农作物ＬＡＩ反演方法中，通常只使用了红光和近红外波段的反射率（如ＮＤＶＩ反演法）（表１）。
毫无疑问，红光和近红外波段都是对植被生长状况非常敏感的波段，通常用来表征叶绿素和细胞结构，但却无法反映冠层叶片含水量，显然冠层叶片水分含量是ＬＡＩ反演中的一个重要参数。
一般情况下，冠层覆盖面积相等而叶面积指数不同的植物，在航空遥感传感器下，其在表征叶绿素和细胞结构的波段（即红光和近红外波段）的表现可能相差不大，尤其是在植被过于稠密时，ＮＤＶＩ更是趋于饱和，变化值极小，由此利用ＮＤＶＩ反演的ＬＡＩ也就不甚精确，这也导致利用ＮＤＶＩ无法反演ＬＡＩ值在３以上的植被。
但冠层叶片水分含量却与ＬＡＩ密切相关，不会因为植被过于稠密而失去对ＬＡＩ的灵敏性，在相同阳光照射和蒸腾作用下，由于植物的保水性，ＬＡＩ值大的植物叶片水分保留多，尤其在干旱半干旱的土壤缺水区域，由于植物得不到根系水源的有效支援，其叶片水分含量相差更为明显。
因此在本研究中，对绿色植被水分含量敏感的波段也被纳入研究范围，柴琳娜等也曾证明对水分敏感的短波红外波段对ＬＡＩ反演精度的提高具有一定贡献［１０］。
Ｔａｂｌｅ １ Ｐｒｏｐｏｓｅｄ ｍｏｄｅｌｓ ｆｏｒ ｐｒｅｄｉｃｔｉｎｇＬＡＩ ｕｓｉｎｇ ＮＤＶＩ ｉｎ ｃｒｏｐ对象反演公式Ｒ２文献玉米ＬＡＩ＝０．９７１ ０＊ｅ１．９１５ ７＊ＮＤＶＩ ０．７５黎娅等［１１］大豆ＬＡＩ＝０．０３１ １＊ｅ５．２０９ ８＊ＮＤＶＩ ０．８４宋开山等［１２］小麦ＬＡＩ＝０．３７７ ５＊ｅ２．４２９ ３＊ＮＤＶＩ ０．５１李淑敏等 在前人研究基础上，以各植被水分含量敏感指数作为备选参数（表２），利用相关分析与取值范围选取结合ＮＤＶＩ反演ＬＡＩ的最优冠层水分敏感指数，并利用此指数构成新的归一化综合植被指数ＮＣＶＩ以反演植被冠层叶面积指数。
本研究以Ａ和Ｂ两地域的３０个测试点数据建模，以Ｃ和Ｄ两地域３０个测试点数据进行模型验证。
Ｔａｂｌｅ ２ Ｓｅｎｓｉｔｉｖｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ ｔｏ ｗａｔｅｒ ｃｏｎｔｅｎｔ ｉｎ ｃａｎｏｐｙ水分敏感指数公式文献ＷＩ（ｗａｔｅｒ ｉｎｄｅｘ）Ｒ９００／Ｒ９７０Ｐｅｎｕｅｌａｓ ｅｔ ａｌ．［１３］ＮＤＷＩ（ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｗａｔｅｒ ｉｎｄｅｘ）（Ｒ８６０－Ｒ１ ２４０）／（Ｒ８６０＋Ｒ１ ２４０）Ｇａｏ［１４］ｆＷＢＩ（ｆｌｏａｔｉｎｇ－ｐｏｓｉｔｉｏｎ ｗａｔｅｒ ｉｎｄｅｘ）Ｒ９００／ｍｉｎＲ（９３０～９７０）Ｓｔｒａｃｈａｎ ｅｔ ａｌ．［１５］ＤＳＷＩ（ｄｉｓｅａｓｅ ｗａｔｅｒ ｓｔｒｅｓｓ ｉｎｄｅｘ）（Ｒ８０３＋Ｒ５４９）／（Ｒ１ ６５９＋Ｒ６８１）Ａｐａｎ ｅｔ ａｌ．［１６］２ 结果与讨论２．１ 冠层水分表征参数的提取植被光谱在红外和短波红外波段（６９０～１ ３００ｎｍ），由于高反射率形成的高平台之间，存在２个由植物体内水分吸收导致的微小波谷（以９７２，１ １７２ｎｍ为中心），而在１ ３００ｎｍ以后的波段中，反射率曲线则具有２个由于水分强烈吸收所致的明显波谷，分别位于１ ４００和１ ９５０ｎｍ，冠层含水量越大，吸收越强，波谷越深［１７］。
基于上述分析，为获取最适宜的冠层水分含量表征参数，对水分含量敏感备选参数ＷＩ，ＮＤＷＩ，ｆＷＢＩ和ＤＳＷＩ进行比较分析。
四种植被指数的取值范围分别为：ＤＳＷＩ（１．３４～２．３６），ｆＷＢＩ（０．９３～１．０６），ＮＤＷＩ（０．０１～０．１３），ＷＩ（０．８８～０．９８），取值范围大小从高到低为ＤＳＷＩ（１．０２）＞ｆＷＢＩ（０．１３）＞ＮＤＷＩ（０．１２）＞ＷＩ（０．１１）。
并利用实测叶片含水量对备选指数进行相关性处理，得到的结果如图１所示，光谱指数的响应系数从高到低为ＤＳＷＩ＞ｆＷＢＩ＞ＮＤＷＩ＞ＷＩ。
综合响应系数和取值范围因素选取ＤＳＷＩ作为本次研究的冠层水分表征参数。
２．２ ＮＣＶＩ反演模型的建立学者们常用ＮＤＶＩ来表征绿色生物量、叶绿素含量以及细胞结构，但很少用来表征冠层水分含量，主要是因为ＮＤ－ＶＩ包含的冠层水分信息较少，不足以表征冠层水分含量，以至于经验法中用ＮＤＶＩ反演ＬＡＩ具有一定的局限性。
为了解决高稠密冠层的经验反演障碍，本研究加入水分敏感参数ＤＳＷＩ，与ＮＤＶＩ组合形成归一化综合植被指数（ＮＣＶＩ）反演ＬＡＩ。
ＮＤＶＩ取值范围为０．６８～０．８９，ＤＳＷＩ取值范围为１．３４～２．３６，一般情况下ＮＤＶＩ与ＤＳＷＩ具有同向性，为了获取更好的与ＬＡＩ变化趋势相匹配的组合指数，研究分别以ＮＤＶＩ与ＤＳＷＩ的乘积和和组成ＮＣＶＩ１和ＮＣＶＩ２为基础建立反演模型。
ＮＣＶＩ１＝ＮＤＶＩ＊ＤＳＷＩＦｉｇ．１ Ｆｅａｔｕｒｅｓ ｏｆ ｓｅｎｓｉｔｉｖｅ ｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ ｔｏ ｗａｔｅｒ ｃｏｎｔｅｎｔ９７４第２期 光谱学与光谱分析 ＮＣＶＩ２＝ＮＤＶＩ＋ＤＳＷＩ 根据土壤水分含量将不同测试点划分为富水环境和缺水环境，土壤含水量在４５ｇ·ｋｇ－１以上的为富水环境，反之则为缺水环境。
分别对总体、富水、缺水背景下的玉米冠层ＬＡＩ与新指数ＮＣＶＩ１和ＮＣＶＩ２之间进行建模（图２，表３）。
结果表明：ＮＣＶＩ１建模效果无论从相关性、标准差还是从显著水平上都明显好于ＮＣＶＩ２，显然ＮＤＶＩ与ＤＳＷＩ的乘积比和更符合ＬＡＩ的变化趋势。
Ｆｉｇ．２ Ｓｃａｔｔｅｒｉｎｇ ｐｌｏｔｓ ｏｆ ｒｅａｌ ＬＡＩ ｄａｔａ ａｎｄ ＮＣＶＩ ｄａｔａＴａｂｌｅ ３ Ｑｕａｎｔｉｔａｔｉｖｅ ｒｅｌａｔｉｏｎｓｈｉｐｓ ｏｆ ＬＡＩ ａｎｄ ＮＤＶＩ ｉｎ ｄｉｆｆｅｒｅｎｔ ｂａｃｋｇｒｏｕｎｄ土壤背景公式Ｒ ＳＤ Ｎ Ｐ总体（ａ１） ＬＡＩ＝１．６００＊ＮＣＶＩ１＋２．３３２（ａ２） ＬＡＩ＝１．４５３＊ＮＣＶＩ２＋０．８８３０．８５０．７９０．２１８０．２５６３０＜０．０００ １＜０．０００ １水分含量小于４５ｇ·ｋｇ－１（ｂ１） ＬＡＩ＝１．４４７＊ＮＣＶＩ１＋２．５３３（ｂ２） ＬＡＩ＝１．３６０＊ＮＣＶＩ２＋１．１１５０．８９０．８６０．２１４０．２４３１３＜０．０００ １＜０．００１水分含量大于４５ｇ·ｋｇ－１（ｃ１） ＬＡＩ＝２．０３１＊ＮＣＶＩ１＋１．７６９（ｃ２） ＬＡＩ＝１．７１８＊ＮＣＶＩ２＋０．２３５０．８２０．６９０．２２２０．２７７１７＜０．０００ １＜０．０１ 注：ＳＤ代表标准差，Ｎ代表样本数，Ｐ代表显著水平Ｆｉｇ．３ Ｓｃａｔｔｅｒｉｎｇ ｐｌｏｔｓ ｏｆ ｒｅａｌ ＬＡＩ ｄａｔａ ａｎｄ ｓｉｍｕｌａｔｉｏｎ ｄａｔａ ｉｎｖｅｒｓｅｄ ｆｒｏｍ ＮＣＶＩ ｍｏｄｅｌｓ０８４光谱学与光谱分析 第３１卷 基于水分背景考虑，土壤水分含量在４５ｇ·ｋｇ－１以下的环境中，ＮＣＶＩ建模效果最佳，明显好于富水环境。