三种森林生物量估测模型的比较分析
- 格式：pdf
- 大小：1.26 MB
- 文档页数：9
文档推荐
-
基于RS的森林蓄积量主成分回归估测页数:3
-
基于中巴资源卫星数据的森林蓄积量估测研究页数:3
-
估测森林蓄积量的遥感因子选择研究页数:4
-
基于偏最小二乘回归的森林蓄积量遥感估测页数:5
-
森林资源设计调查中蓄积量遥控估测方法应用页数:2
下载文档原格式
合集下载
基于郁闭度联立方程组模型的森林生物量遥感估测
基于郁闭度联立方程组模型的森林生物量遥感估测李明泽;毛学刚;范文义【摘要】以黑龙江省长白山地区遥感影像和122块森林资源连续清查固定样地数据为基础,选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合、纹理信息以及环境因子在内的171个自变量,分别采用无郁闭度变量常规回归生物量模型、有郁闭度变量常规回归生物量模型和郁闭度联立方程组模型,估算黑龙江省长白山森林生物量,并进行精度评价.结果表明:3种模型中郁闭度联立方程组模型为最优模型,精度最高为83.1％,与其他2个模型相比精度提高6％～7％.本研究可为遥感估算森林生物量提供一种新思路.【期刊名称】《林业科学》【年(卷),期】2014(050)002【总页数】7页(P85-91)【关键词】郁闭度;生物量;遥感估算;联立方程组模型【作者】李明泽;毛学刚;范文义【作者单位】东北林业大学林学院哈尔滨150040;东北林业大学林学院哈尔滨150040;东北林业大学林学院哈尔滨150040【正文语种】中文【中图分类】S757森林生物量作为陆地生态系统碳循环和碳动态分析的重要因子，精确地估算森林生物量已成为生态学和全球变化研究的重要内容之一(Fang et al.，1998;蒋延龄等，2001;Woodwell et al.，1978;杨清培等，2003;赵敏等，2004)。
20世纪70年代起针对国家及全球大尺度区域的森林生物量估测成为国内外研究的热点问题(Woodwell et al.，1978)。
利用传统点观测法对大尺度的森林生物量估算时具有局限性，不但精度达不到现实的要求，也不能反映区域大面积宏观森林生态系统生物量空间分布。
目前，基于森林资源清查数据的森林生物量估测方法和基于遥感信息技术的森林生物量估计方法是大尺度区域森林生物量估计的主要方法(方精云等，1996;Hame et al.，1997;Dong et al.，2003)。
邢素丽等(2004)用ETM数据探讨了落叶松(Larix gmelinii)林生物量的估算方法和模型，促进了生物量模型的研究。
生物量测定方法
第二步：样方的垂直区划由地表向下划分层次，各层的厚度可以不相等，上层较薄（10—15cm），下面的层可较厚（30—50cm）。各层的编号由上而下分别为I、II…V…。
b.根的分级
按直径的粗细将根分为五级，每级的距离和名称见表11-4，中根（大于0.5cm）以上全部称重，细根（小于0.2cm）及小根（0.2-0.5cm）其重量虽不大但数量极多，很容易遗漏，可于样方内建一定大小的土柱，在土柱内仔细称量这两类根的重量。
木材干重＝木材体积×基本密度 （I）
木材干重＝木材体积×绝干密度×绝干收缩率 （II）
（II）式中绝干收缩率不易确定，因此，多采用（I）式。
在测定基本密度时，常常会碰到一对矛盾:若先测定物体绝干重量时，该物体的体积由于烘干后发生收缩，体积变小，浸泡后很难恢复原体积，使得体积测定系统偏小；若先测定物体饱和水体积时，一方面测定绝干重量的时间大大延长,另一方面由于木材和树皮经长时间浸泡后，其部分木材冷水浸提物如:单宁、碳水化合物、无机物等被浸泡出物体外，使得物体绝干重减轻，造成基本密度系统偏低。为了解决这一矛盾，可采用如下处理方法：
a.平均标准枝法
(i)树木伐倒后，测定所有枝的基径和枝长,求二者的算术平均值即和。
(ii)以和为标准，选择标准枝，标准枝的个数根据调查精度确定，同时要求标准枝上的叶量是中等水平。
(iii)分别称其枝、叶鲜重，并取样品。
(iv)按下式计算全树的枝重和叶重。
（11-12）
式中：--全树的枝数；
---- --标准枝数；
所谓木材密度是指单位体积的质量,即物质的质量与体积之比值（单位：g/cm3或kg/m3），习惯上以单位体积木材的重量表示木材密度。严格的说,质量与重量有着本质不同，质量指物体所含物质的多少,为物体惯性的尺度,系一恒量,单位为克；重量为地球对物体的引力,等于物体质量与重力加速度的乘积,单位为克。仅纬度45海平面处物体的质量与重量数值相等,若物体所处空间或地理位置变化,则重量也随着变化,但变化极少,在应用上一般可以忽略,而将质量和重量的数值视为相等。因此单位体积的质量和重量也视为相等(成俊卿,1985,木材学)。根据含水状况不同,木材密度通常分为四种：
b.根的分级
按直径的粗细将根分为五级，每级的距离和名称见表11-4，中根（大于0.5cm）以上全部称重，细根（小于0.2cm）及小根（0.2-0.5cm）其重量虽不大但数量极多，很容易遗漏，可于样方内建一定大小的土柱，在土柱内仔细称量这两类根的重量。
木材干重＝木材体积×基本密度 （I）
木材干重＝木材体积×绝干密度×绝干收缩率 （II）
（II）式中绝干收缩率不易确定，因此，多采用（I）式。
在测定基本密度时，常常会碰到一对矛盾:若先测定物体绝干重量时，该物体的体积由于烘干后发生收缩，体积变小，浸泡后很难恢复原体积，使得体积测定系统偏小；若先测定物体饱和水体积时，一方面测定绝干重量的时间大大延长,另一方面由于木材和树皮经长时间浸泡后，其部分木材冷水浸提物如:单宁、碳水化合物、无机物等被浸泡出物体外，使得物体绝干重减轻，造成基本密度系统偏低。为了解决这一矛盾，可采用如下处理方法：
a.平均标准枝法
(i)树木伐倒后，测定所有枝的基径和枝长,求二者的算术平均值即和。
(ii)以和为标准，选择标准枝，标准枝的个数根据调查精度确定，同时要求标准枝上的叶量是中等水平。
(iii)分别称其枝、叶鲜重，并取样品。
(iv)按下式计算全树的枝重和叶重。
（11-12）
式中：--全树的枝数；
---- --标准枝数；
所谓木材密度是指单位体积的质量,即物质的质量与体积之比值（单位：g/cm3或kg/m3），习惯上以单位体积木材的重量表示木材密度。严格的说,质量与重量有着本质不同，质量指物体所含物质的多少,为物体惯性的尺度,系一恒量,单位为克；重量为地球对物体的引力,等于物体质量与重力加速度的乘积,单位为克。仅纬度45海平面处物体的质量与重量数值相等,若物体所处空间或地理位置变化,则重量也随着变化,但变化极少,在应用上一般可以忽略,而将质量和重量的数值视为相等。因此单位体积的质量和重量也视为相等(成俊卿,1985,木材学)。根据含水状况不同,木材密度通常分为四种：
长白山林区森林生物量遥感估测模型
Ｆａ ｅ ｙ Ｌ ｎ ｚ Ｙａ ｇＪｎ ｎ ｎＷ ｎ ｉ ｉＭｉ ｇ ｅ ｎ ｉ ｍｉｇ （ ｏｌ ｅｆＦ ｒ ｔ ， ｒ ｅｓ Ｆ ｒ ｔ ｎｖｒｔ Ｈ ｒｉ ５ ０ ０ Ｃ ｌｇ ｏｅ ｒ Ｎｏｔ ａｔ ｏｅ ｒ Ｕ ｉ ｓｙ ａｂ １０ ４ ） ｅ ｏ ｓｙ ｈ ｓｙ ｅ ｉ ｎ
９ ９ ・ｍ～， ．２ｔｈ 样地 生物 量 真 实值 与 预 测值 相 关 系数 ０ ８０３ 偏 最 小 二 乘 回归 法 要 优 于 逐 步 回归 法 。 利 用 建 立 的 偏 ．６ ，
最 小 二 乘 回归 模 型 计 算 得 到 黑 龙 江 长 白山 ２ ０ ０ ７生 物 量 等 级 分 布 图 ， 用 ２ 采 ９个 检 验 样 本 对 反 演 结 果 进 行 检 验 ， 算 计 得到 ２ ９个 样 本 的平 均 预 测 精 度 为 ８ ．３ 。 ３７％ 关键词 ： Ｔ Ｍ；森林 生 物 量 ； 步 回归 ； 最 小 二乘 回归 ； ｏｔｒｐ 逐 偏 ｂｏ ｔ ；长 白山 ｓａ
ｄｆ ｒｎ ａ ｄ ｆ ｒｙｖ ｌｅ（ｎ ｌｄｎ １ｖｇｔｔ ｎｉｄ ｘ ，ｔｘｕｅｉｆｒ ｔ ｎ ａ ｄ ｅ ｖ ｏｍｅ ｔｌｆ ｔｒ．Ｔ ｅｓ ｐ ｉ ｉｅｅ ｔ ｎ ｓｏ ａ ａ ｆ ｂ ｇ ｕ ｉｃｕ ｉｇｌ ｅｅａｉ ｎ ｅ ） ｅｔｒ ｎｏｍａｉ ｎ ｎ ｉ ｎ ｎａ ａ ｏｓ ｈ ｔ ｗ ｓ ｏ ｏ ｒ ｃ ｅ ｅ
（ 北林业大学林学院 东 哈 尔滨 １０ ４ ） ５ ０ ０
摘 要 ： 采 用 黑 龙 江长 白 山地 区 Ｔ 图像 和 １３块 森 林 资 源 连 续 清 查 固定 样 地 数 据 及 野 外 调 查 补 充 样 地 数 据 ， Ｍ ４ 选 择 包 括 各 波 段 灰 度 值 、 同波 段 灰 度 值 之 间 的线 性 和 非 线 性 组 合 （ 括 １ 种 植 被 指数 ） 纹 理 信 息 以及 环 境 因子 在 不 包 １ 、 内的 ７ ５个 自变 量 ， 别 采 用 逐 步 回归 分 析 法 和偏 最 小 二 乘 回 归 法 建 立 黑 龙 江 长 白 山林 区 森 林 生 物 量 遥 感 估 测 模 分 型 ： 步 回归 法 采 用 ５个 自变 量 所 建 模 型 平 均 拟 合 精 度 为 ７ ． ％ ， 方 根 误 差 为 １． ２ｔｈ 逐 ６５ 均 ９ １ ・ｍ～ ， 地 生 物 量 真 实 值 样 与 预 测 值 相 关 系 数 为０ ５ ３４ 偏 最 小 二 乘 回归 法 采 用 ｌ ．４ ； ０个 自变 量 所 建 模 型 平 均 拟 合 精 度 ８ ．％ ， 方 根 误 差 ５８ 均
９ ９ ・ｍ～， ．２ｔｈ 样地 生物 量 真 实值 与 预 测值 相 关 系数 ０ ８０３ 偏 最 小 二 乘 回归 法 要 优 于 逐 步 回归 法 。 利 用 建 立 的 偏 ．６ ，
最 小 二 乘 回归 模 型 计 算 得 到 黑 龙 江 长 白山 ２ ０ ０ ７生 物 量 等 级 分 布 图 ， 用 ２ 采 ９个 检 验 样 本 对 反 演 结 果 进 行 检 验 ， 算 计 得到 ２ ９个 样 本 的平 均 预 测 精 度 为 ８ ．３ 。 ３７％ 关键词 ： Ｔ Ｍ；森林 生 物 量 ； 步 回归 ； 最 小 二乘 回归 ； ｏｔｒｐ 逐 偏 ｂｏ ｔ ；长 白山 ｓａ
ｄｆ ｒｎ ａ ｄ ｆ ｒｙｖ ｌｅ（ｎ ｌｄｎ １ｖｇｔｔ ｎｉｄ ｘ ，ｔｘｕｅｉｆｒ ｔ ｎ ａ ｄ ｅ ｖ ｏｍｅ ｔｌｆ ｔｒ．Ｔ ｅｓ ｐ ｉ ｉｅｅ ｔ ｎ ｓｏ ａ ａ ｆ ｂ ｇ ｕ ｉｃｕ ｉｇｌ ｅｅａｉ ｎ ｅ ） ｅｔｒ ｎｏｍａｉ ｎ ｎ ｉ ｎ ｎａ ａ ｏｓ ｈ ｔ ｗ ｓ ｏ ｏ ｒ ｃ ｅ ｅ
（ 北林业大学林学院 东 哈 尔滨 １０ ４ ） ５ ０ ０
摘 要 ： 采 用 黑 龙 江长 白 山地 区 Ｔ 图像 和 １３块 森 林 资 源 连 续 清 查 固定 样 地 数 据 及 野 外 调 查 补 充 样 地 数 据 ， Ｍ ４ 选 择 包 括 各 波 段 灰 度 值 、 同波 段 灰 度 值 之 间 的线 性 和 非 线 性 组 合 （ 括 １ 种 植 被 指数 ） 纹 理 信 息 以及 环 境 因子 在 不 包 １ 、 内的 ７ ５个 自变 量 ， 别 采 用 逐 步 回归 分 析 法 和偏 最 小 二 乘 回 归 法 建 立 黑 龙 江 长 白 山林 区 森 林 生 物 量 遥 感 估 测 模 分 型 ： 步 回归 法 采 用 ５个 自变 量 所 建 模 型 平 均 拟 合 精 度 为 ７ ． ％ ， 方 根 误 差 为 １． ２ｔｈ 逐 ６５ 均 ９ １ ・ｍ～ ， 地 生 物 量 真 实 值 样 与 预 测 值 相 关 系 数 为０ ５ ３４ 偏 最 小 二 乘 回归 法 采 用 ｌ ．４ ； ０个 自变 量 所 建 模 型 平 均 拟 合 精 度 ８ ．％ ， 方 根 误 差 ５８ 均
森林生物量遥感估算与应用分析
目前 Ｌ ｎ ｓｔ Ｍ Ｅ Ｍ 和 Ｎ Ａ ／ Ｖ Ｒ 数 据 ａ ｄａ Ｔ ／ Ｔ ０ ＡＡ Ｈ Ｒ
展的 ３ Ｓ技术 为大 尺 度森 林 生物 量估 算 提供 了一 条 快捷 、 济 、 经 方便 和 可靠 的途径［ ７ １ 。
本 文对 基 于 遥 感 信 息 的 森林 生 物 量 估算 方 法 与应 用 及其发 展 方 向做 了深 入分 析 ． 以期 为我 国森 林 生物量研 究 的发展 提供 参考
１ 引 言
森 林 生物 量 约 占全 球 陆地 植 被 生 物 量 ９ ％ｆ 标 志 ． 是 评 估森 林 碳 也
植 被 的遥 感 图像 信 息 是 由其 反 射 光谱 特 征 决
定的 ． 植物 的光合 作 用表 现 为 对红 光 和蓝 紫光 的强
优 遥 感光 谱模 型 ． 而 确定 了粤西 及 附 近地 区 的森 进 林 生 物 量 ㈣； ａ ｅ等 结 合 地 面 调 查 和 Ｔ Ａ Ｈ Ｒ Ｈｍ Ｍ、 Ｖ Ｒ 数 据 ． 欧 洲 森林 生物 量进 行 了成 功估 算 ［： ｅ ｋ 对 Ｕ Ｌｆ ｙ ｌ ｓ 等利 用 雷 达 数 据 对美 国 Ｅ ｓ Ｍａｙ ｎ ａｔ ｒｌ ｄ落 叶松 的地 ａ
维普资讯
第 ８ 第 ４期 卷 ２０ ０ ６年 １ ２月
地 球 信 息 科 学
ＧＥ Ｉ ＯＲＭＡＴ ＯＮ Ｃ ＥＮＣ Ｏ— ＮＦ Ｉ Ｓ Ｉ Ｅ
Ｖ １ ，Ｎｏ４ ｏ． ８ ． Ｄｅ ．２ ０ ｃ， ０ ６
森林生物 量遥感估 算与应用分析
徐新良 ，
林生 物量 研究 始 于 ２ ０世 纪 ７ ０年 代后 期 ． 后 建 立 先 了主要森 林树 种 的生 物量 测定 相 对 生长 方 程 ． 算 估
了它们 的生 物 量 和生 产 力 ［ 初 步 总 结 了全 国不 同 ３ ］ ． 森林 类 型 的生物 量 与 生产 力及 其 空 间分 布格 局
展的 ３ Ｓ技术 为大 尺 度森 林 生物 量估 算 提供 了一 条 快捷 、 济 、 经 方便 和 可靠 的途径［ ７ １ 。
本 文对 基 于 遥 感 信 息 的 森林 生 物 量 估算 方 法 与应 用 及其发 展 方 向做 了深 入分 析 ． 以期 为我 国森 林 生物量研 究 的发展 提供 参考
１ 引 言
森 林 生物 量 约 占全 球 陆地 植 被 生 物 量 ９ ％ｆ 标 志 ． 是 评 估森 林 碳 也
植 被 的遥 感 图像 信 息 是 由其 反 射 光谱 特 征 决
定的 ． 植物 的光合 作 用表 现 为 对红 光 和蓝 紫光 的强
优 遥 感光 谱模 型 ． 而 确定 了粤西 及 附 近地 区 的森 进 林 生 物 量 ㈣； ａ ｅ等 结 合 地 面 调 查 和 Ｔ Ａ Ｈ Ｒ Ｈｍ Ｍ、 Ｖ Ｒ 数 据 ． 欧 洲 森林 生物 量进 行 了成 功估 算 ［： ｅ ｋ 对 Ｕ Ｌｆ ｙ ｌ ｓ 等利 用 雷 达 数 据 对美 国 Ｅ ｓ Ｍａｙ ｎ ａｔ ｒｌ ｄ落 叶松 的地 ａ
维普资讯
第 ８ 第 ４期 卷 ２０ ０ ６年 １ ２月
地 球 信 息 科 学
ＧＥ Ｉ ＯＲＭＡＴ ＯＮ Ｃ ＥＮＣ Ｏ— ＮＦ Ｉ Ｓ Ｉ Ｅ
Ｖ １ ，Ｎｏ４ ｏ． ８ ． Ｄｅ ．２ ０ ｃ， ０ ６
森林生物 量遥感估 算与应用分析
徐新良 ，
林生 物量 研究 始 于 ２ ０世 纪 ７ ０年 代后 期 ． 后 建 立 先 了主要森 林树 种 的生 物量 测定 相 对 生长 方 程 ． 算 估
了它们 的生 物 量 和生 产 力 ［ 初 步 总 结 了全 国不 同 ３ ］ ． 森林 类 型 的生物 量 与 生产 力及 其 空 间分 布格 局
生态环评中森林植被生物量的估算方法
生态环评中森林植被生物量的估算方法郝媛;马俊杰【摘要】生物量的估算方法主要有皆伐实测法、标准木法、回归估计法、森林蓄积量与生物量的转换模型等四种方法,通过对四种方法分析比较,提出森林蓄积量与生物量的转换模型法是目前最适合在环境影响评价工作中进行生物量估算的方法.【期刊名称】《地下水》【年(卷),期】2012(034)006【总页数】3页(P215-217)【关键词】生物量;森林植被;模型【作者】郝媛;马俊杰【作者单位】西北大学城市与环境学院,陕西西安710127;西北大学城市与环境学院,陕西西安710127【正文语种】中文【中图分类】X826环境影响评价技术导则生态影响中的生态现状调查是生态现状评价、影响预测的基础和依据。
导则要求调查的内容和指标应能反映评价工作范围内的生态背景特征的和现存的主要生态问题，其中指出，一级评价应给出采样地样方实测、遥感等方法测定的生物量，二级评价的生物量可依据已有资料推断，或实测一定数量的、具有代表性的样方予以验证。
关于二级评价中生物量该如何进行估算，环评导则中并没有给出具体方法。
1 生物量1.1 生物量的概念生物量是单位面积上所有生物有机体的干重总量，是生态系统最基本的数量特征，是认识生态系统结构和功能的基础，它不仅反映了生态系统在特定时间段内积累有机物质的能力，也是描述生态系统特征的重要参数。
而绿色植物的生物量是整个生态系统的能量基础和物质来源，是生态功能系统最重要的特征和本质的标志。
其中森林生物量约占全球陆地植被生物量的90%以上［1］，其是森林固碳能力的重要标志，也是评估森林碳收支的重要参数，是研究很多林业问题和生态问题的基础。
1.2 生物量变化的环境影响生物量变化的环境影响主要表现在生态金字塔的稳定性、水土流失强度的变化、温室效应强度的变化和景观生态协调性几方面。
生态系统内的初级即第一营养级生物量的增加，必然会导致一级消费者如鸟、兔、鼠、松鼠及野猪等第二营养级生物量和昆虫生物量的增加，从而导致蛇等第三营养级生物量的增加;一般认为，水土流失强度与森林覆盖率相关，然而生物量也是一个重要影响因素;生物量变化对温室效应也有直接影响与间接影响;生物量的变化也会通过影响景观生态类型，从而影响局部地区的生态协调性［2］。
我国森林植被的生物量和净生产量
我国森林植被的生物量和净生产量森林植被作为地球上重要的生态系统之一，对于维持地球生态平衡具有至关重要的作用。
在我国，森林植被的生物量和净生产量对于我国的生态、经济和环境等方面都有着重要的影响。
因此，本文将就我国森林植被的生物量和净生产量进行探讨，以期为相关政策和决策提供参考。
我国拥有丰富的森林资源，根据第七次全国森林资源清查数据，全国森林面积达到08亿公顷，占国土面积的6%。
其中，天然林面积41亿公顷，人工林面积67亿公顷。
森林覆盖率达到6%，森林蓄积量达到45亿立方米。
我国森林植被类型多样，包括针叶林、阔叶林、混交林等，其中针叶林是我国主要的森林类型。
森林植被生物量是指森林植被中有机质的总量，包括树木、枝叶、皮渣等。
我国森林植被生物量丰富，根据研究，全国森林植被生物量达到170亿吨。
其中，树木生物量占据主导地位，达到150亿吨，其余为枝叶、皮渣等生物量。
我国森林植被生物量的分布情况与森林资源的分布情况基本一致，天然林生物量占据主导地位。
森林植被净生产量是指森林植被在一定时间内通过光合作用等生理过程所积累的有机物质总量。
根据研究，我国森林植被净生产量达到44亿吨。
其中，树木净生产量占据主导地位，达到54亿吨，其余为枝叶、皮渣等生物量的净生产量。
我国森林植被净生产量的分布情况也与森林资源的分布情况基本一致，天然林净生产量占据主导地位。
而且，不同树种的净生产能力差异较大，有些树种的净生产量较高，如落叶松、樟子松等，而有些树种的净生产量较低，如云杉、冷杉等。
我国森林植被的生物量和净生产量都十分丰富，这为我国生态、经济和环境等方面提供了有力的支撑。
然而，在保障森林植被的可持续利用方面仍存在一些问题，如过度采伐、环境污染等。
因此，我们需要采取积极的措施，保障森林植被的可持续利用。
需要加强森林资源保护法律法规的制定和实施，打击非法采伐和环境污染行为。
需要加强森林资源的科学管理和经营，采取科学合理的采伐方式和经营模式，保障森林资源的可持续利用。
小兴安岭主要树种生物量的理论模型
Ａ ｉ ｈ ｐ ｅ ｉ ｏ ｏｅ ｔ ｉ ｍａ ｓ ｍｏ ｅ ａ ｓ ｄ ｔ ｓｉ ｔ ｈ ｉｍａ ｓ ｏ ｎ ｉｉ ｕ ｌｔ ｅ ｓｎ ｉｍｅ ｅ ｔｂ ｅ ｓ ｈ ｇ ｒ ｃｓ ｎ ｆ ｒｓ ｏ ｓ ｄ ｌｗ ｓ ｕ ｅ ｏ ｅ ｔ ｉ ｂ ｍａｅ ｔ ｅ ｂｏ ｓ ｆｉ ｄｖｄ ａ ｒ ｓ ｕ ｉ ｇ ｄａ ｔｒ ａ ｒ ａ ｔ ｅ ｈ ｉ ｈ ｓｔ ｅ ｂ ｓｃ ｉ ｄ ｐ ｎ ｅ ｔ ａ ｉｂ ｅ ｎ ｏｄ ｒｔ ｔｄ ａ ｇ 。 ｃ ｌ ｆｒ ｓ ｉｍａ ｓ Ａ ｎ ｗ ｃ ｍｂ ｎ ｔ ｎ ｏ ｄ ｐ ｎ ｅ ｔ ｅｇ ｔａ ｈ ａ ｉ ｎ ｅ ｅ ｄ ｎ ｒａ ｌ 。ｉ ｒ ｅ ｏ ｓｕ ｙ ｌ ｒｅ ｓ ａｅ ｏｅ ｔｂｏ ｓ ． ｅ ｏ ｉ ａｉ ｆｉ ｅ ｅ ｄ ｎ ｖ ｏ ｎ ｖ ｒ ｂ ｅ ｓｃ ｎ ｔ ｃｅ ｓｎ ｈ ｂ ｓ ｅ ｒ ｏ ｏ ａ ｐ ｌｎ ｍｉｌ．Ｔ ｅ ｒｔ ａ ｘ ｔｌ ｆｒｂｏ ｓ ｆ１ ｒｅ ｓｅ ｉ ｎ Ｘｉｏ － ａｉ ｌｓｗａ ｏ ｓ ｕ ｔｄ ｕ ｉ ｇ Ｃ ｅ ｙｈ ｖ ｏｔ ｇ ｎ ｌ ｏｙ ｏ ａｓ ｈ ｏｅｉ ｌｎ ｘｅｓ ｏ ｉｍａ ｓ ｏ ５ ｔ ｐ ｃｅ ｉ ａ ｘ ａ ｒ ｈ ｃ ｅ ｓ ｉ ｇ ａｌ ｕ ｔｉ ｓｗ ｒ ｓａ ｌ ｈ ｄ ｂ ｅｐ ｒｉｌ ｅ ｓ ｑ ａｅ ｅ ｒ ｓ ｉｎ ｎ ｈ ｉ ａ ｃ ｒ ｃｅ ｅ ｅｃ ｍｐ ｒ ｄ ｗ ｔ ｈ ｓ ｆ ｎ ’ ｌ ｍｏ ｎ ａｎ ｅ ｅ ｅ ｔｂ ｉ ｅ ｙ ｔ ａ ａ ａ ｔ ｕ ｒ ｓｒ ｇ ｅ ｓｏ ，ａ ｄ ｔｅ ｒ ｃ ｕ ａ ｉｓｗ ｒ ｏ ａｅ ｉ ｔ ｏ ｅ ｏ ｓ ｈ ｔ ｌ ｓ ｈ ｔ ｅ ｔ ｄ ｔ ｎ ｌｂ ｏ ｓ ｄ １ ｈ ｒ ｉ ｏ ａ ｉｍａ ｓ ｍｏ ｅ ．Ｒｅ ｕｔｓ ｏ ｓｔ ａ ｈ ｔｏ ｆｔ ｅ ｒｔ ａ ｄ ｌ ｏ ｉ ｍａ ｓｉ ｅｔｒｔ ａ ｈ ｒｄ ｔ ｎ ｌ ａ ｉ ｓ ｌ ｈ ｗ ｈ ｔｔｅ ｍｅｈ ｄ ｏ ｈ ｏ ｅｉ ｌｍｏ ｅ ｒｂ ｏ ｓ ｓ ｂ ｔｅ ｈ ｎ ｔ ｅ ｔａ ｉ ｏ ａ ｃ ｆ ｉ
基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究
中国农业科技导报ꎬ２０２１ꎬ２３(９):１１２－１２０ＪｏｕｒｎａｌｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ㊀收稿日期:２０２０￣０３￣０４ꎻ接受日期:２０２０￣０５￣２７㊀基金项目:国家重点研发计划项目(２０１６ＹＦＤ０３００６０５￣０２)ꎻ国家自然科学基金项目(３１８７１５１９)ꎻ北京市农林科学院２０２０年度科研创新平台建设项目(ＰＴ２０２０￣２４)ꎻ国家玉米产业技术体系专项(ＣＡＲＳ￣０２￣８７)ꎮ㊀联系方式:樊鸿叶Ｅ￣ｍａｉｌ:１１７３６６６３９３＠ｑｑ.ｃｏｍꎻ∗通信作者刘玉华Ｅ￣ｍａｉｌ:ｈｂｌｙｈ＠１２６.ｃｏｍ基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究樊鸿叶１ꎬ２ꎬ３ꎬ㊀李姚姚４ꎬ㊀卢宪菊２ꎬ３ꎬ㊀顾生浩２ꎬ３ꎬ㊀郭新宇２ꎬ３ꎬ㊀刘玉华１∗(１.河北农业大学农学院ꎬ河北保定０７１０００ꎻ２.北京农业信息技术研究中心ꎬ数字植物北京重点实验室ꎬ北京１０００９７ꎻ３.国家农业信息化工程技术研究中心ꎬ北京１０００９７ꎻ４.中国农业科学院作物科学研究所ꎬ北京１０００８１)摘㊀要:明确基于无人机多光谱遥感的玉米叶面积指数(ＬＡＩ)和地上部生物量的最优估算模型对获取即时㊁无损㊁可靠的长势关键参量具有重要意义ꎮ２０１８ ２０１９年ꎬ以郑单９５８(ＺＤ９５８)和先玉３３５(ＸＹ３３５)为研究对象ꎬ设置４个施氮处理ꎬ通过无人机搭载多光谱相机获取多光谱影像ꎬ分析两品种ＬＡＩ和地上部生物量与植被指数相关性ꎬ分别构建了基于植被指数的ＬＡＩ和地上部生物量预测模型ꎮ结果表明:同一植被指数在两品种中对施氮量的变化响应规律不同ꎻ在吐丝期ꎬ幂函数对ＺＤ９５８的ＬＡＩ和地上部生物量估算效果最好ꎬ指数函数对ＸＹ３３５的ＬＡＩ估算效果好ꎬ幂函数对地上部生物量估算效果好ꎻ在灌浆期ꎬ幂函数对两品种的ＬＡＩ估算效果最佳ꎬ而指数函数对两品种的地上部生物量估算效果最好ꎮ研究结果为进一步提高春玉米长势监测的精度提供了重要依据ꎮ关键词:春玉米ꎻ叶面积指数ꎻ地上部生物量ꎻ多光谱遥感ꎻ植被指数ꎻ回归模型ｄｏｉ:１０.１３３０４/ｊ.ｎｙｋｊｄｂ.２０２０.０１７３中图分类号:Ｓ１２７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１００８￣０８６４(２０２１)０９￣０１１２￣０９ＣｏｍｐａｒａｔｉｖｅＡｎａｌｙｓｉｓｏｆＬＡＩａｎｄＡｂｏｖｅ￣ｇｒｏｕｎｄＢｉｏｍａｓｓＥｓｔｉｍａｔｉｏｎＭｏｄｅｌｓＢａｓｅｄｏｎＵＡＶＭｕｌｔｉｓｐｅｃｔｒａｌＲｅｍｏｔｅＳｅｎｓｉｎｇＦＡＮＨｏｎｇｙｅ１ꎬ２ꎬ３ꎬＬＩＹａｏｙａｏ４ꎬＬＵＸｉａｊｕ２ꎬ３ꎬＧＵＳｈｅｎｇｈａｏ２ꎬ３ꎬＧＵＯＸｉｎｙｕ２ꎬ３ꎬＬＩＵＹｕｈｕａ１∗(１.ＣｏｌｌｅｇｅｏｆＡｇｒｏｎｏｍｙꎬＨｅｂｅｉＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙꎬＨｅｂｅｉＢａｏｄｉｎｇ０７１０００ꎬＣｈｉｎａꎻ２.ＢｅｉｊｉｎｇＫｅｙＬａｂｏｆＤｉｇｉｔａｌＰｌａｎｔꎬＢｅｉｊｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒｆｏｒＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙｉｎＡｇｒｉｃｕｌｔｕｒｅꎬＢｅｉｊｉｎｇ１０００９７ꎬＣｈｉｎａꎻ３.ＮａｔｉｏｎａｌＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒｆｏｒＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙｉｎＡｇｒｉｃｕｌｔｕｒｅꎬＢｅｉｊｉｎｇ１０００９７ꎬＣｈｉｎａꎻ４.ＩｎｓｔｉｔｕｔｅｏｆＣｒｏｐＳｃｉｅｎｃｅｓꎬＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓꎬＢｅｉｊｉｎｇ１０００８１ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｄｅｔｅｒｍｉｎｉｎｇｔｈｅｏｐｔｉｍａｌｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｏｆｍａｉｚｅｌｅａｆａｒｅａｉｎｄｅｘ(ＬＡＩ)ａｎｄａｂｏｖｅ￣ｇｒｏｕｎｄｂｉｏｍａｓｓｂａｓｅｄｏｎＵＡＶｍｕｌｔｉｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｐｌａｙｓａｓｉｇｎｉｆｉｃａｎｔｒｏｌｅｉｎｏｂｔａｉｎｉｎｇｔｉｍｅｌｙꎬｎｏｎ￣ｄｅｓｔｒｕｃｔｉｖｅꎬａｎｄｒｅｌｉａｂｌｅｇｒｏｗｔｈｐａｒａｍｅｔｅｒｓ.ＴｈｉｓｓｔｕｄｙｓｅｔｆｏｕｒｎｉｔｒｏｇｅｎｔｒｅａｔｍｅｎｔｓｗｉｔｈＺｈｅｎｇｄａｎ９５８(ＺＤ９５８)ａｎｄＸｉａｎｙｕ３３５(ＸＹ３３５)ａｓｍａｔｅｒｉａｌｓｆｒｏｍ２０１８ｔｏ２０１９.ＭｕｌｔｉｓｐｅｃｔｒａｌｉｍａｇｅｓｗｅｒｅａｃｑｕｉｒｅｄｂｙａｄｒｏｎｅｅｑｕｉｐｐｅｄｗｉｔｈａｍｕｌｔｉｓｐｅｃｔｒａｌｃａｍｅｒａꎬａｎｄｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎＬＡＩａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓａｎｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｗａｓａｎａｌｙｚｅｄꎬａｎｄａｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ￣ｂａｓｅｄＬＡＩａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｗａｓｃｏｎｓｔｒｕｃｔｅｄ.Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｒｅｓｐｏｎｓｅｏｆｔｈｅｓａｍｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｔｏｔｈｅｃｈａｎｇｅｏｆｎｉｔｒｏｇｅｎａｐｐｌｉｃａｔｉｏｎｗａｓｄｉｆｆｅｒｅｎｔｂｅｔｗｅｅｎｔｗｏｖａｒｉｅｔｉｅｓ.ＡｔｓｉｌｋｉｎｇｓｔａｇｅꎬｔｈｅｐｏｗｅｒｅｑｕａｔｉｏｎｒｅｃｅｉｖｅｄｔｈｅｂｅｓｔｒａｎｋｉｎｇｉｎｅｓｔｉｍａｔｉｎｇｔｈｅＬＡＩａｎｄａｂｏｖｅ￣ｇｒｏｕｎｄｂｉｏｍａｓｓｆｏｒＺＤ９５８ꎬａｎｄｔｈｅｅｘｐｏｎｅｎｔｉａｌａｎｄｐｏｗｅｒｅｑｕａｔｉｏｎｒｅｃｅｉｖｅｄｔｈｅｂｅｓｔｒａｎｋｉｎｇｉｎｅｓｔｉｍａｔｉｎｇＬＡＩａｎｄａｂｏｖｅ￣ｇｒｏｕｎｄｂｉｏｍａｓｓｆｏｒＸＹ３３５ꎬｒｅｓｐｅｃｔｉｖｅｌｙ.ＡｔｆｉｌｌｉｎｇｓｔａｇｅꎬｔｈｅｐｏｗｅｒｅｑｕａｔｉｏｎｒｅｃｅｉｖｅｄｔｈｅｂｅｓｔｒａｎｋｉｎｇｏｆｆｉｔｔｉｎｇｇｏｏｄｎｅｓｓｉｎｅｓｔｉｍａｔｉｎｇＬＡＩꎬｗｈｉｌｅｅｘｐｏｎｅｎｔｉａｌｄｉｄｉｎｅｓｔｉｍａｔｉｎｇａｂｏｖｅ￣ｇｒｏｕｎｄｂｉｏｍａｓｓｆｏｒｔｗｏｍａｉｚｅｖａｒｉｅｔｉｅｓ.Ｔｈｉｓｓｔｕｄｙｐｒｏｖｉｄｅｄａｎｉｍｐｏｒｔａｎｔｂａｓｉｓａｎｄｔｅｃｈｎｉｃａｌｍｅｔｈｏｄｆｏｒｆｕｒｔｈｅｒｉｍｐｒｏｖｉｎｇｔｈｅａｃｃｕｒａｃｙｏｆｍｏｎｉｔｏｒｉｎｇｇｒｏｗｔｈｐａｒａｍｅｔｅｒｓｆｏｒｓｐｒｉｎｇｍａｉｚｅ.Ｋｅｙｗｏｒｄｓ:ｓｐｒｉｎｇｍａｉｚｅꎻｌｅａｆａｒｅａｉｎｄｅｘꎻａｂｏｖｅ￣ｇｒｏｕｎｄｂｉｏｍａｓｓꎻｍｕｌｔｉｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇꎻｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎻｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ㊀㊀无人机遥感具有时空分辨率高㊁成本低㊁灵活性和可重复性强等优势[１]ꎬ能够通过搭载的传感器获取作物冠层反射的电磁波信息ꎬ进而提取与作物长势相关的参量ꎬ为获取田块尺度上即时㊁无损㊁可靠的作物长势信息提供了一种重要手段[２]ꎮ地上部生物量与叶面积指数(ｌｅａｆａｒｅａｉｎｄｅｘꎬＬＡＩ)是反映作物生长状况的重要农艺参数[３￣４]ꎬ且二者间存在密切的联系[５]ꎮ在作物不同的生长发育阶段ꎬ由于作物冠层结构㊁叶片形态以及生理生态特征的变化ꎬ作物冠层在图像中表现出的光谱特征亦有不同[６]ꎮ植被指数(ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎬＶＩ)是两个或多个波段的反射率经过线性或非线性组合运算来增强植被信息ꎬ以削弱环境背景对植被光谱特征的干扰[７]ꎬ如归一化植被指数(ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎬＮＤＶＩ)[８]㊁增强植被指数(ｅｎｈａｎｃｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎬＥＶＩ)[９￣１０]和差值植被指数(ｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘꎬＤＶＩ)[１１]等ꎮ目前ꎬ光谱植被指数法已经作为一种快速获取地表信息的手段ꎬ被国内外学者用于作物长势监测研究ꎮ杨贵军等[１２]通过无人机搭载多传感器ꎬ实现了对作物产量㊁ＬＡＩ㊁冠层温度等多种信息的监测ꎮ王亚杰[１３]基于无人机获取的多光谱数据ꎬ系统比较了玉米叶面积指数的不同监测方法ꎬ结果表明ꎬ在不同水分处理下基于ＥＶＩ构建的一元线性模型能够较好的预测玉米灌浆期和成熟期的ＬＡＩꎮ高林等[１４]基于ＲＶＩ㊁ＮＤＶＩ和ＤＶＩ等采用经验模型法构建了大豆ＬＡＩ反演模型ꎬ结果表明ꎬ在鼓粒期基于ＮＤＶＩ构建的大豆ＬＡＩ效果最佳(Ｒ２＝０.８２９ꎬＲＭＳＥ＝０.３０１)ꎮ孙诗睿等[１５]基于无人机多光谱影像ꎬ通过对比不同植被指数建模方法分析冬小麦叶面积指数的反演精度ꎬ发现基于多植被指数的随机森林预测具有更好的拟合效果(Ｒ２＝０.８８２ꎬＲＭＳＥ＝１.２１８)ꎮ邹楠等[１６]研究结果表明ꎬ种植密度在６㊁１２和１８万株 ｈｍ－２条件下ꎬ春玉米ＲＶＩ㊁ＤＶＩ和ＤＶＩ分别与ＬＡＩ的相关性最好ꎬＲ２分别为０.７６２㊁０.６９１和０.６４８ꎬ可用于监测春玉米ＬＡＩꎮ肖武等[１７]利用玉米灌浆期地上部生物量与各种植被指数建立一元曲线回归模型ꎬ结果表明ꎬ植被指数ＮＤＶＩ和ＧＮＤＶＩ效果较好(Ｒ２>０ ６８)ꎮ庄东英等[１８]研究表明ꎬＲＶＩ比ＮＤＶＩ对冬小麦生物量的估算具有明显优势ꎮ已有研究大都基于光谱参数对作物ＬＡＩ和地上部生物量进行模拟估算ꎬ但鲜有研究对作物不同品种ＬＡＩ和地上部生物量的光谱估算模型进行探讨ꎬ本研究以此为切入点ꎬ以无人机搭载多光谱相机所获多光谱影像数据为基础ꎬ选取７种常用的植被指数与玉米ＬＡＩ和地上部生生物量进行相关性分析ꎻ综合４种基于光谱植被指数的模拟方法(指数㊁线性㊁对数㊁幂)ꎬ构建２个玉米品种在吐丝期和灌浆期的ＬＡＩ和地上部生物量估算最优模型ꎬ为进一步提高春玉米长势监测的精度提供依据和方法ꎮ１㊀材料与方法１.１㊀试验材料供试材料为紧凑型郑单９５８(Ｚｈｅｎｇｄａｎ９５８ꎬＺＤ９５８)和半紧凑型先玉３３５(Ｘｉａｎｙｕ３３５ꎬＸＹ３３５)ꎬ由河南豫研种子科技公司和山东登海先锋种业有限公司提供ꎬ施用化肥为尿素(总氮ȡ４６.４％)㊁过磷酸钙(有效磷ȡ１２％ꎬ水溶性磷ȡ７ ０％ꎬ硫ȡ８.０％)和氯化钾(Ｋ２Ｏȡ６０％)ꎬ分别由山东润银生物化工股份有限公司㊁江苏省威力磷复肥有限公司和中化化肥有限公司生产ꎮ所用无人机为大疆Ｍ６００Ｐｒｏꎬ最大载重５ｋｇꎬ最大续航时间３０ｍｉｎꎮ搭载于无人机上的多光谱传感器为Ｒｅｄｅｄｇｅ￣ＭＸ(ＭｉｃａＳｅｎｓｅꎬＵＳＡ)ꎬ该相机有５个波段ꎬ相机焦距为５.５ｍｍꎬ视场角为４７.２ʎꎬ图像分辨率为１２８０ｐｉｘｅｌｓˑ９６０ｐｉｘｅｌｓꎬ该相机配备了光强传感器及标定板ꎬ其中光强传感器可校正航拍过程中外界光线的变化对光谱影像造成的影响ꎬ标定板具有固定的反射率ꎬ可以利用标定板进行辐射定标ꎮ１.２㊀试验处理设计试验于２０１８ ２０１９年４ １０月在位于吉林省公主岭市的中国农科院公主岭试验基地(４３ʎ１１ᶄ ４４ʎ９ᶄＮ㊁１２４ʎ０２ᶄ １２５ʎ１８ᶄＥ)进行ꎮ该地区属于温带半湿润大陆性季风气候ꎬ长年平均降雨量为５９５ｍｍꎬ土壤类型主要为黑土ꎬ土壤耕３１１９期樊鸿叶等:基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究层ｐＨ６.０ꎬ有机质含量２９.６８ｇ ｋｇ－１㊁全氮１.２８ｇ ｋｇ－１㊁速效磷２８.１６ｍｇ ｋｇ－１㊁速效钾１８７.７４ｍｇ ｋｇ－１ꎮ设置４个氮肥处理ꎬ分别为无肥Ｎ０(０ｋｇ ｈｍ－２)㊁低肥Ｎ１(１５０ｋｇ ｈｍ－２全部一次性基肥)㊁中肥Ｎ２(２２５ｋｇ ｈｍ－２ꎬ基施１５０ｋｇ ｈｍ－２ꎬ拔节追施７５ｋｇ ｈｍ－２)和髙肥Ｎ３(３００ｋｇ ｈｍ－２ꎬ基施１５０ｋｇ ｈｍ－２ꎬ拔节期㊁吐丝期各施７５ｋｇ ｈｍ－２)ꎬ氮㊁磷㊁钾分别为尿素㊁过磷酸钙(Ｐ２Ｏ５４２.５ｋｇ ｈｍ－２)㊁氯化钾(Ｋ２Ｏ４２.５ｋｇ ｈｍ－２)ꎬ种植密度为６７５００株 ｈｍ－２ꎬ行距０.６５ｍꎬ株距０ ２２ｍꎮ除施肥处理不同外ꎬ各处理田间管理方式均保持一致ꎮ１.３㊀玉米地上部生物量及ＬＡＩ值获取于２０１８年的７月２１日(吐丝期)㊁８月２５日(灌浆期)和２０１９年的７月２７日(吐丝期)㊁８月２７日(灌浆期)获取田间数据ꎬ将每个处理的试验小区所选取３株具有代表性的玉米植株带回实验室后ꎬ先放置在烘箱中１０５ħ杀青３０ｍｉｎꎬ然后８０ħ烘干４８ｈ以上ꎬ直至恒重ꎬ最后称取地上部生物量ꎮ测量植株所有叶片的长和最大叶宽ꎬ根据式(１)计算叶面积指数ꎮＬＡＩ＝０.７５ρðｎｉ＝１ｌｉｗｉＮ(１)式中ꎬ０.７５表示玉米叶面积校正系数ꎻρ表示种植密度ꎬ株 ｍ－２ꎻＮ表示取样株数ꎬ株ꎻｎ为总叶片数ꎻｌｉ和ｗｉ分别表示第ｉ片叶的叶长和最大叶宽ꎬｍꎮ１.４㊀无人机多光谱影像数据获取试验采用大疆Ｍ６００Ｐｒｏ六旋翼小型电动无人机ꎬ搭载多光谱传感器ＭｉｃａｓｅｎｓｅＲｅｄｅｄｇｅ￣ＭＸꎬ上述田间取样当天选择在晴朗㊁无风或微风㊁无云的天气状况下在１０:００ １４:００采集多光谱影像数据ꎬ无人机飞行高度为４０ｍꎬ航向为７０％ꎬ旁向为６５％ꎮ１.５㊀多光谱影像数据处理将所获取的四个生育期多光谱影像使用软件Ｐｉｘ４Ｄｍａｐｐｅｒ进行拼接ꎬ获得覆盖整个试验区的多光谱影像ꎬ拼接前先人为筛选剔除航带外以及无人机调头时的影像ꎬ并输入每个波段对应标定板的反射率ꎬ最终可获得五张试验区单波段的正射图像ꎮ将拼接好的影像导入ＥＮＶＩ５.１中进行几何校正ꎬ以高清数码影像为参考影像ꎬ均匀选取２０个点校正所获无人机多光谱影像ꎬ误差控制在０.５个像元以内ꎬ主要是为消除因无人机飞行高度及姿态不稳定对影像造成的影响ꎮ然后将校正后的影像进行波段组合ꎬ将单波段的影像叠加到一起ꎬ最后进行波段运算ꎬ根据需求计算相关植被指数ꎮ将计算所得的植被指数影像在ＥＮＶＩ５.１软件中进行参数提取ꎬ每个小区绘制３个均匀大小的感兴趣区ꎬ绘制时避开小区边界四个方向各一行玉米ꎬ以排除边行长势不均匀植株ꎬ进而提取出每个感兴趣区的平均光谱植被指数ꎬ每个感兴趣区域作为一次重复ꎬ共三次ꎮ１.６㊀光谱植被指数计算本研究选取了与作物长势相关的７个植被指数:ＮＤＶＩ[６]㊁ＧＮＤＶＩ[１７]㊁ＲＶＩ[１９]㊁ＧＯＳＡＶＩ[２０]㊁ＶＩｏｐｔ[２１]㊁ＥＶＩ[８]㊁ＤＶＩ[１１]ꎬ计算分别公式如下ꎮＮＤＶＩ＝(ＲＮＩＲ－ＲＲＥＤ)/(ＲＮＩＲ＋ＲＲＥＤ)(２)ＧＮＤＶＩ＝(ＲＮＩＲ－ＲＧＲＥＥＮ)/(ＲＮＩＲ＋ＲＧＲＥＥＮ)(３)ＲＶＩ＝ＲＮＩＲ/ＲＲＥＤ(４)ＧＯＳＡＶＩ＝(１＋０.１６)(ＲＮＩＲ－ＲＧＲＥＥＮ)/(ＲＮＩＲ＋ＲＧＲＥＥＮ＋０.１６)(５)ＶＩｏｐｔ＝１.４５(ＲＮＩＲˑＲＮＩＲ＋１)/(ＲＲＥＤ＋０.４５)(６)ＥＶＩ＝２.５(ＲＮＩＲ－ＲＲＥＤ)/(ＲＮＩＲ＋６ＲＲＥＤ－７.５ＲＲＬＵＥ＋１)(７)ＤＶＩ＝ＲＮＩＲ－ＲＲＥＤ(８)式中ꎬＲＮＩＲ㊁ＲＲＥＤ㊁ＲＧＲＥＥＮ和ＲＢＬＵＥ分别表示近红外波段㊁红光波段㊁绿光波段和蓝光波段的反射率ꎮ１.７㊀数据分析采用ＳＰＳＳ２２.０软件进行试验数据统计分析ꎬ用Ｄｕｎｃａｎ法进行处理间的多重比较(Ｐ<０.０５)ꎬ用Ｓｉｇｍａｐｌｏｔ１２.５软件制图ꎮ１.８㊀模型精度评价指标２０１９年数据用于建模ꎬ２０１８年数据用于外部独立验证ꎮ采用决定系数(ｃｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉｎａｔｉｏｎꎬＲ２)㊁均方根误差(ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒꎬＲＭＳＥ)和归一化均方根误差(ｎｏｒｍａｌｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒꎬＮＲＭＳＥ)评价和检验模型ꎮＲ２表示回归方程与实测值的拟合程度ꎬ其值越接近１效果越好ꎻＲＭＳＥ用来衡量模拟值与实测值偏差ꎬ该值越小模拟效果越好ꎻＮＲＭＳＥ<１０％模拟效果非常好ꎬ１０％~２０％效果较好ꎬ２０％~３０％效果４１１中国农业科技导报２３卷可以接受ꎬ>３０％效果差[２２]ꎮ本研究评价不同估算模型时综合考虑Ｒ２㊁ＲＭＳＥ和ＮＲＭＳＥ三个指标[２３￣２４]ꎮＲ２＝１－ðｎｉ＝１ｙｉ－ｘｉ()２ðｎｉ＝１ｙｉ－ｙ－()２(９)ＲＭＳＥ＝㊀１ｎðｎｉ＝１ｙｉ－ｘｉ()２(１０)ＮＲＭＳＥ＝ＲＭＳＥｙ－(１１)式中ꎬｙｉ为模拟值ꎬｘｉ为实测值ꎬｙ－表示实测生长指标的平均值ꎬｎ为样本数ꎮ２㊀结果与分析２.１㊀不同施氮量对玉米冠层植被指数的影响由图１可见ꎬ两品种在Ｎ１㊁Ｎ２和Ｎ３处理下各植被指数均显著高于Ｎ０处理ꎮＺＤ９５８在吐丝期和灌浆期各植被指数Ｎ２处理显著高于Ｎ１处理ꎬ说明Ｎ２处理下的玉米长势比Ｎ１处理好ꎬ在吐丝期Ｎ３处理下的ＧＯＳＡＶＩ㊁ＤＶＩ和ＶＩｏｐｔ显著高于Ｎ１ꎬ而在灌浆期却显著低于Ｎ１(图１Ａ㊁Ｃ)ꎮＸＹ３３５在吐丝期各植被指数除ＤＶＩ㊁ＶＩｏｐｔ和ＲＶＩ外在各施肥处理间无显著性差异(图１Ｂ)ꎬ灌浆期的ＧＯＳＡＶＩ㊁ＥＶＩ和ＲＶＩ在Ｎ２和Ｎ３处理下显著高于Ｎ１处理(图１Ｄ)ꎮ２.２㊀植被指数与ＬＡＩ和地上部生物量间的相关性分析ＬＡＩ和地上部生物量与植被指数间的相关性分析结果(表２)表明ꎬ在吐丝期ꎬ两品种各植被指数与ＬＡＩ和地上部生物量均呈极显著相关(Ｐ<０ ０１)ꎻ在灌浆期ꎬＤＶＩ与ＺＤ９５８的ＬＡＩ和地上部生物量相关性不显著(Ｐ>０.０５)ꎬ而与ＸＹ３３５的ＬＡＩ和地上部生物量显著相关(Ｐ<０.０５)ꎻ灌浆期注:Ａ㊁Ｃ分别为郑单９５８吐丝期和灌浆期ꎻＢ㊁Ｄ分别为先玉３３５吐丝期和灌浆期ꎮ图中不同字母表示氮肥处理间差异在Ｐ<０.０５水平显著ꎮＮｏｔｅ:ＡａｎｄＣｉｎｄｉｃａｔｅｓｉｌｋｉｎｇａｎｄｆｉｌｌｉｎｇｓｔａｇｅｏｆＺＤ９５８ꎻＢａｎｄＤｉｎｄｉｃａｔｅｓｋｉｌｌｉｎｇｆｉｌｌｉｎｇｓｔａｇｅｏｆＸＹ３３５.ＤｉｆｆｅｒｅｎｔｌｅｔｔｅｒｓｉｎｔｈｅｆｉｇｕｒｅｄｅｎｏｔｅｓｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅａｔＰ<０.０５ｌｅｖｅｌｂｅｔｗｅｅｎｎｉｔｒｏｇｅｎａｐｐｌｉｃａｔｉｏｎｓｕｓｉｎｇＤｕｎｃａｎｔｅｓｔ.图１㊀ＺＤ９５８和ＸＹ３３５在不同施肥处理下的植被指数Ｆｉｇ.１㊀ＶｅｇｅｔａｔｉｏｎｉｎｄｅｘｏｆＺＤ９５８ａｎｄＸＹ３３５ｕｎｄｅｒｄｉｆｆｅｒｅｎｔｎｉｔｒｏｇｅｎａｐｐｌｉｃａｔｉｏｎｓ５１１９期樊鸿叶等:基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究表１㊀植被指数与ＬＡＩ和地上部生物量的相关性Ｔａｂｌｅ１㊀ＣｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｖｅｇｅｔａｔｉｏｎｉｎｄｅｘａｎｄＬＡＩａｎｄａｂｏｖｅ￣ｇｒｏｕｎｄｂｉｏｍａｓｓ植被指数ＶｅｇｅｔａｔｉｏｎｉｎｄｅｘＬＡＩＺＤ９５８吐丝期Ｓｉｌｋｉｎｇｓｔａｇｅ灌浆期ＦｉｌｌｉｎｇｓｔａｇｅＸＹ３３５吐丝期Ｓｉｌｋｉｎｇｓｔａｇｅ灌浆期Ｆｉｌｌｉｎｇｓｔａｇｅ地上部生物量Ａｂｏｖｅ￣ｇｒｏｕｎｄｂｉｏｍａｓｓＺＤ９５８吐丝期Ｓｉｌｋｉｎｇｓｔａｇｅ灌浆期ＦｉｌｌｉｎｇｓｔａｇｅＸＹ３３５吐丝期Ｓｉｌｋｉｎｇｓｔａｇｅ灌浆期ＦｉｌｌｉｎｇｓｔａｇｅＮＤＶＩ０.９０８∗∗０.９１２∗∗０.８７２∗∗０.８９１∗∗０.８４４∗∗０.８４７∗∗０.８４３∗∗０.８４３∗∗ＧＮＤＶＩ０.９６５∗∗０.９１１∗∗０.８７８∗∗０.９３２∗∗０.９２７∗∗０.８４２∗∗０.８６２∗∗０.８７８∗∗ＲＶＩ０.９５７∗∗０.９０３∗∗０.９３９∗∗０.９２７∗∗０.８９０∗∗０.８４６∗∗０.８９１∗∗０.８５８∗∗ＧＯＳＡＶＩ０.９６７∗∗０.８５０∗∗０.９０２∗∗０.９１６∗∗０.９１２∗∗０.８００∗∗０.８６８∗∗０.８９２∗∗ＥＶＩ０.９６４∗∗０.９１７∗∗０.８９７∗∗０.９０３∗∗０.９１３∗∗０.８５０∗∗０.８３３∗∗０.８５４∗∗ＤＶＩ０.９５６∗∗０.５６５０.９２７∗∗０.６２２∗０.８６０∗∗０.５７３０.８４３∗∗０.６５２∗ＶＩｏｐｔ０.９５３∗∗０.６１８∗０.７５４∗∗０.７３４∗∗０.８５２∗∗０.６１２∗０.７６９∗∗０.７４９∗∗㊀注:∗和∗∗表示在Ｐ<０.０５水平和Ｐ<０.０１水平相关性显著ꎮＮｏｔｅ:∗ａｎｄ∗∗ｉｎｄｉｃａｔｅｓｉｇｎｉｆｉｃａｎｔｃｏｒｒｅｌａｔｉｏｎｓａｔＰ<０.０５ａｎｄＰ<０.０１ｌｅｖｅｌｓꎬｒｅｓｐｅｃｔｉｖｅｌｙ.表２㊀玉米ＬＡＩ模型精度对比Ｔａｂｌｅ２㊀ＣｏｍｐａｒｉｓｏｎｏｆｔｈｅａｃｃｕｒａｃｙｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓｆｏｒｍａｉｚｅＬＡＩ(ｎ＝１２)品种Ｖａｒｉｅｔｙ生育期Ｇｒｏｗｔｈｓｔａｇｅ植被指数Ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ指数ＩｎｄｅｘＲ２ＲＭＳＥ线性ＬｉｎｅａｒＲ２ＲＭＳＥ对数ＬｏｇａｒｉｔｈｍＲ２ＲＭＳＥ幂ＰｏｗｅｒＲ２ＲＭＳＥＺＤ９５８吐丝期Ｓｉｌｋｉｎｇｓｔａｇｅ灌浆期ＦｉｌｌｉｎｇｓｔａｇｅＮＤＶＩ０.９４００.４８４０.９２９０.３１００.９３００.２６１０.９４１０.２６７ＧＮＤＶＩ０.９４３０.２５９０.９３１０.２５８０.９３１０.２５８０.９４３０.２５９ＲＶＩ０.９２６０.３０１０.９１６０.２８５０.９２２０.２７６０.９３２０.２８６ＧＯＳＡＶＩ０.９４５０.２５３０.９３６０.２５００.９３６０.２４９０.９４６０.２５２ＥＶＩ０.９４１０.２６７０.９２９０.２６１０.９３００.２６００.９４２０.２６６ＤＶＩ０.９１７０.３２５０.９１３０.２９００.９２１０.２７７０.９２６０.３０６ＶＩｏｐｔ０.９１１０.３３９０.９０８０.２９９０.９１１０.２９３０.９１５０.３３４ＮＤＶＩ０.８７９０.４２２０.８３１０.４１５０.８３２０.４１５０.８７９０.４１９ＧＮＤＶＩ０.８５８０.４１８０.８３００.４２２０.８３００.４１７０.８７６０.４１８ＲＶＩ０.８６３０.４４６０.８１６０.４３４０.８２２０.４２７０.８７００.４１８ＧＯＳＡＶＩ０.７８４０.５６５０.７２２０.５３３０.７３３０.５２３０.７９４０.５５２ＥＶＩ０.８８８０.６２０.８４２０.５０９０.８４２０.４８３０.８８８０.５８２ＸＹ３３５吐丝期Ｓｉｌｋｉｎｇｓｔａｇｅ灌浆期ＦｉｌｌｉｎｇｓｔａｇｅＮＤＶＩ０.８８８０.２５３０.８６９０.２６００.８６８０.２６１０.８８７０.２５４ＧＮＤＶＩ０.９２２０.２２００.８９４０.２３５０.８９００.２３９０.９１９０.２２７ＲＶＩ０.９４７０.１７９０.３０２０.１９００.９１９０.２０５０.９４００.１８９ＧＯＳＡＶＩ０.９４６０.１７５０.９３１０.１８９０.９２８０.１９４０.９４４０.１７９ＥＶＩ０.９５００.２６５０.９３８０.１８００.９３６０.１８２０.９４５０.１６９ＤＶＩ０.８８１０.２６００.８９１０.２３９０.９０００.２３００.８９１０.２５１ＶＩｏｐｔ０.８６１０.２９６０.８４２０.２７３０.８６１０.２６７０.８４８０.２９３ＮＤＶＩ０.７８００.３４２０.７９３０.３３２０.７９２０.３３３０.７７８０.３２９ＧＮＤＶＩ０.８６３０.２６２０.８６９０.２６５０.８６７０.２６６０.８６１０.２６１ＲＶＩ０.８４９０.７１００.８５９０.２７５０.８５７０.２７７０.８４５０.２７５ＧＯＳＡＶＩ０.８１５０.２９８０.８３９０.２９４０.８３８０.２９４０.８１４０.２９６ＥＶＩ０.８０４０.３１４０.８１６０.３１４０.８１５０.３１５０.８０２０.３１３ＶＩｏｐｔ０.５０４０.４９６０.５３９０.５２６０.５４００.４９４０.５０９０.８１５６１１中国农业科技导报２３卷ＶＩｏｐｔ与ＺＤ９５８的ＬＡＩ和地上部生物量显著相关(Ｐ<０.０５)ꎬ与ＸＹ３３５的ＬＡＩ和地上部生物量极显著相关ꎻ其余植被指数与两品种在吐丝期和灌浆期的ＬＡＩ和地上部生物量均呈极显著相关(Ｐ<０ ０１)ꎬ选择与ＬＡＩ和地上部生物量分别达极显著水平的植被指数来构建估算模型ꎮ２.３㊀模型比较分析２.３.１㊀玉米ＬＡＩ模型比较分析㊀从表３中ꎬ选取Ｒ２最大ꎬＲＭＳＥ相对较小的植被指数和拟合方程(线性㊁对数㊁指数和幂)ꎬ如果出现Ｒ２相近则选择ＲＭＳＥ最小的拟合方程和植被指数ꎮ在吐丝期ꎬＧＯＳＡＶＩ与ＺＤ９５８的ＬＡＩ的拟合幂函数效果最好(Ｒ２＝０.９４６ꎬＲＭＳＥ＝０.２５２)ꎻＲＶＩ与ＸＹ３３５的ＬＡＩ拟合的指数函数有较高的Ｒ２和最小ＲＭＳＥ(Ｒ２＝０.９４７ꎬＲＭＳＥ＝０.１７９)ꎮ在灌浆期ꎬＮＤＶＩ与ＺＤ９５８的ＬＡＩ拟合的幂函数Ｒ２相对较大ꎬＲＭＳＥ最小(Ｒ２＝０.８７９ꎬＲＭＳＥ＝０.４１９)ꎻＧＮＤＶＩ与ＸＹ３３５的ＬＡＩ拟合的幂函数效果相对较好(Ｒ２＝０.８６１ꎬＲＭＳＥ＝０.２６１)ꎮ２.３.２㊀玉米地上部生物量模型比较分析㊀吐丝期幂函数对两品种的地上部生物量估算效果较好ꎬ在灌浆期指数函数对两品种的地上部生物量估算效果好(表４)ꎮ在吐丝期ꎬＧＮＤＶＩ与ＺＤ９５８地上部生物量拟合的幂函数效果最好ꎬＲ２和ＲＭＳＥ分别为０.８６７和０.４８８ｔ ｈｍ－２ꎬＧＯＳＡＶＩ与ＸＹ３３５地上部生物量拟合的幂函数估算效果最好(Ｒ２＝０.７９１ꎬＲＭＳＥ＝０.４６３ｔ ｈｍ－２)ꎮ在灌浆期ꎬＥＶＩ与ＺＤ９５８地上部生物量拟合的指数函数建模效果较好(Ｒ２＝０.７７２ꎬＲＭＳＥ＝１.４７７ｔ ｈｍ－２)ꎬＧＮＤＶＩ与ＸＹ３３５地上部生物量拟合的指数效果表３㊀玉米地上部生物量模型精度对比Ｔａｂｌｅ３㊀Ｃｏｍｐａｒｉｓｏｎｏｆａｃｃｕｒａｃｙｏｆｄｉｆｆｅｒｅｎｔｍｏｄｅｌｓｆｏｒｍａｉｚｅａｂｏｖｅ￣ｇｒｏｕｎｄｂｉｏｍａｓｓ(ｎ＝１２)品种Ｖａｒｉｅｔｙ生育期Ｇｒｏｗｔｈｓｔａｇｅ植被指数Ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ指数ＩｎｄｅｘＲ２ＲＭＳＥ线性ＬｉｎｅａｒＲ２ＲＭＳＥ对数ＬｏｇａｒｉｔｈｍＲ２ＲＭＳＥ幂ＰｏｗｅｒＲ２ＲＭＳＥＺＤ９５８吐丝期Ｓｉｌｋｉｎｇｓｔａｇｅ灌浆期ＦｉｌｌｉｎｇｓｔａｇｅＮＤＶＩ０.８４００.５８９０.８２９０.５３１０.８３１０.５２８０.８４２０.５５３ＧＮＤＶＩ０.８６５０.４９１０.８６００.５２７１０.８６００.４７７０.８６７０.４８８ＲＶＩ０.８０６０.６２００.７９３０.５８５０.８１３０.５５６０.８２４０.５８６ＧＯＳＡＶＩ０.８４１０.５４９０.８３２０.５２６０.８３８０.５１７０.８４６０.５３９ＥＶＩ０.８４４０.５４６０.８３５０.５２３０.８３７０.５１９０.８４６０.５４２ＤＶＩ０.７５９０.７０８０.７４１０.６５３０.７６１０.６２８０.７７７０.６７８ＶＩｏｐｔ０.７４５０.７３００.７２６０.６７３０.７３５０.６６１０.７５３０.７１７ＮＤＶＩ０.７２７１.４９７０.７１７１.４９８０.７１７１.４９８０.７２０１.４９７ＧＮＤＶＩ０.７５８１.５１５０.７１０１.５１７０.７０９１.５１９０.７５７１.５１７ＲＶＩ０.７６５１.５０３０.７１６１.５０００.７１６１.５０１０.７６５１.５０２ＧＯＳＡＶＩ０.６９５１.７２７０.６４０１.６８９０.６４７１.６７４０.７０１１.７０９ＥＶＩ０.７７２１.４７７０.７２３１.４８２０.７２３１.４８３０.７７２１.４７９ＸＹ３３３５吐丝期Ｓｉｌｋｉｎｇｓｔａｇｅ灌浆期ＦｉｌｌｉｎｇｓｔａｇｅＮＤＶＩ０.７５６０.５０８０.７２１０.４９９０.７２２０.５０００.７５６０.５０３ＧＮＤＶＩ０.７６０.４７８０.７３９０.４８４０.７３６０.４８７０.７６３０.４８０ＲＶＩ０.７８６０.４６１０.７６３０.４６２０.７５６０.４６８０.７７９０.４６３ＧＯＳＡＶＩ０.７９１０.４６５０.７６２０.４６０.７６３０.４６１０.７９１０.４６３ＥＶＩ０.６９４０.５５１０.６６７０.５４７０.６６７０.５４６０.６９４０.５５０ＤＶＩ０.６７１０.５７８０.６５１０.５６００.６６３０.５５００.６８３０.５６７ＶＩｏｐｔ０.５６８０.６５７０.５１４０.６４１０.５４７０.６３７０.５７４０.６５３ＮＤＶＩ０.８１７２.５６７０.７４７２.１１２０.７４８２.１０３０.８１９２.２０８ＧＮＤＶＩ０.８５２２.０１３０.７８６１.９４１０.７８８１.９３２０.８５５２.１９２ＲＶＩ０.７９４２.２８７０.７３６２.１５４０.７４９２.１０００.８０８２.１９２ＧＯＳＡＶＩ０.８３２１.９６１０.７９６１.８９２０.７９７１.８８９０.８３４１.９４２ＥＶＩ０.７８９２.２９２０.７２９２.１８３０.７３１２.１７４０.７９１２.２７３ＶＩｏｐｔ０.６６４４.７９３０.６９９２.３０１０.７０４２.２８２０.６７０２.６８９７１１９期樊鸿叶等:基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究最好(Ｒ２＝０.８５２ꎬＲＭＳＥ＝２.０１３２ｔ ｈｍ－２)ꎮ２.４㊀ＬＡＩ和地上部生物量模型验证为检验模型的可靠性ꎬ利用２０１８实测数据对所选模型进行验证ꎮ用ＲＭＳＥ和ＮＲＭＳＥ两个指标来评价模型精度ꎬ从表５可以看出ꎬ在吐丝期ꎬ与ＺＤ９５８拟合的ＬＡＩ和地上部生物量模型估算精度较高ꎬＲＭＳＥ和ＮＲＭＳＥ分别为１.１０３㊁１７.９１％和１.４８５ｔ ｈｍ－２㊁１６.０４％ꎬＸＹ３３５拟合的模型精度相对较差ꎬＲＭＳＥ和ＮＲＭＳＥ分别为１.３６９㊁２５.０８％和１.７３０ｔ ｈｍ－２㊁２０.１１％ꎮ在灌浆期ꎬＺＤ９５８的ＬＡＩ和地上部生物量估算模型精度较高ꎬＲＭＳＥ和ＮＲＭＳＥ分别为０.６１９ꎬ１２.２２％和２.４８２ｔ ｈｍ－２ꎬ１５ ２２％ꎻＸＹ３３５的ＬＡＩ估算精度较差(ＲＭＳＥ＝１ ００８ꎬＮＲＭＳＥ＝２５.７４％)ꎬ地上部生物量估算模型效果较好(ＲＭＳＥ＝２.１１９ｔ ｈｍ－２ꎬＮＲＭＳＥ＝１２.２６％)ꎮＸＹ３３５的ＬＡＩ和地上部生物量模型估算效果比ＺＤ９５８的差ꎬ但总体精度可以接受ꎬ能够用来估算ＬＡＩ和地上部生物量ꎮ表４㊀ＬＡＩ和地上部生物量模型验证结果Ｔａｂｌｅ４㊀ＭｏｄｅｌｖａｌｉｄａｔｉｏｎｆｏｒＬＡＩａｎｄａｂｏｖｅ￣ｇｒｏｕｎｄｂｉｏｍａｓｓ(ｎ＝１２)生长指标Ｇｒｏｗｔｈｔａｒｇｅｔ品种Ｖａｒｉｅｔｙ生育期Ｇｒｏｗｔｈｓｔａｇｅ拟合模型ＦｉｔｔｅｄｍｏｄｅｌＲＭＳＥＮＲＭＳＥ/％叶面积指数ＬＡＩＺＤ９５８ＸＹ３３５吐丝期ＳｉｌｋｉｎｇｓｔａｇｅＬＡＩ＝１１.４４７ＧＯＳＡＶＩ２.４３１１.１０３１７.９１灌浆期ＦｉｌｌｉｎｇｓｔａｇｅＬＡＩ＝１１.６２６ＮＤＶＩ０.８４３０.６２０１２.２２吐丝期ＳｉｌｋｉｎｇｓｔａｇｅＬＡＩ＝１.２６２ｅ０.０５１ＲＶＩ１.３６９２５.０８灌浆期ＦｉｌｌｉｎｇｓｔａｇｅＬＡＩ＝１０.２７３ＧＮＤＶＩ４.４３７１.１０８２５.７４地上部生物量Ａｂｏｖｅ￣ｇｒｏｕｎｄｂｉｏｍａｓｓＺＤ９５８ＸＹ３３５吐丝期ＳｉｌｋｉｎｇｓｔａｇｅＤＭ＝１３.３４６ＧＮＤＶＩ２.９３２１.４８５１６.０４灌浆期ＦｉｌｌｉｎｇｓｔａｇｅＤＭ＝０.２４９ｅ４.７９２ＥＶＩ２.４８２１５.２２吐丝期ＳｉｌｋｉｎｇｓｔａｇｅＤＭ＝１４.９５８ＧＯＳＡＶＩ２.４８３１.７３０２０.１１灌浆期ＦｉｌｌｉｎｇｓｔａｇｅＤＭ＝０.０４６ｅ７.３２３ＧＮＤＶＩ２.１１９１２.２６３㊀讨论吐丝期到灌浆期是玉米营养吸收和物质积累的高峰期[２５]ꎬ从吐丝期开始玉米植株的养分向籽粒运转[２６]ꎬ及时㊁准确的获取吐丝期和灌浆期玉米长势参量并据此进行调优栽培对提高玉米产量具有重要意义ꎮ本研究结果表明ꎬ对于ＺＤ９５８而言ꎬ在吐丝期和灌浆期各植被指数在Ｎ２处理下显著高于Ｎ１处理ꎬ说明可能Ｎ２处理下玉米叶片叶绿素含量高于Ｎ１处理ꎬ冯宗会[２７]在冬小麦上的研究表明ꎬ孕穗期施氮量２７０ｋｇ ｈｍ－２处理ＮＤＶＩ显著高于施氮量１５０ｋｇ ｈｍ－２处理ꎮ经相关性分析发现ꎬ同一植被指数与不同玉米品种间的ＬＡＩ和地上部生物量的相关性差异较大ꎬ表明不同玉米品种的冠层光谱特征存在差异ꎬ这与张俊华等[２８]研究结果一致ꎬ可能是由于品种间株型不同导致冠层光谱差异ꎮ多种植被指数与两玉米品种的ＬＡＩ和地上部生物量均呈极显著或显著性相关水平ꎬ这与赵巧丽等[２９]的研究结果基本吻合ꎮ本研究结果表明ꎬ吐丝期幂函数对ＺＤ９５８的ＬＡＩ估算效果最好ꎬ指数函数对ＸＹ３３５的ＬＡＩ估算效果好ꎬ灌浆期幂函数对两品种的ＬＡＩ估算效果最佳ꎮ吐丝期幂函数对两品种的地上部生物量估算效果较好ꎬ灌浆期指数函数对两品种的地上部生物量估算效果好ꎮ吐丝期ＺＤ９５８的ＧＮＤＶＩ对地上部生物量的估算效果最佳ꎬ而灌浆期ＧＮＤＶＩ对ＸＹ３３５的估算效果最优ꎬＳｈａｎａｈａｎ等[３０]研究也发现ꎬ抽雄期到灌浆期ꎬＧＮＤＶＩ的估产效应优于ＮＤＶＩ和ＴＳＡＶＩꎮ灌浆期ＥＶＩ对ＺＤ９５８的地上部生物量估算精度较高ꎬ韩文霆等[３１]发现ꎬ单个生育期ＥＶＩ对产量的估算效果最佳ꎮＸＹ３３５在灌浆期ＧＮＤＶＩ与ＬＡＩ和地上部生物量估算效果均较好ꎬ说明在该时期ＧＮＤＶＩ对ＸＹ３３５的ＬＡＩ和地上部生物量的估算可通用ꎮ本研究一方面明确了不同玉米品种长势参量的光谱响应特征和最优预测模型ꎬ另一方面为下一步开展品种分辨率的光谱响应机理解析奠定了基础ꎮ本研究仍存在一些不足ꎬ玉米封垄后覆盖度较高ꎬ易导致植被指数出现 饱和 的现象ꎬ在今后的研８１１中国农业科技导报２３卷究中应在多品种氮肥长期定位试验的基础上ꎬ研究光谱㊁空间和时相特征的融合方法ꎬ面向田间精确栽培的管理需求ꎬ构建适应于不同品种㊁不同生育期的玉米ＬＡＩ和地上部生物量的遥感精确反演模型ꎮ致谢:感谢中国农业科学院作物科学研究所谢瑞芝研究员为本研究的顺利开展提供了完备的实验条件ꎮ参㊀考㊀文㊀献[１]㊀ＺＨＡＮＧＣꎬＫＯＶＡＣＳＪＭ.Ｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｓｍａｌｌｕｎｍａｎｎｅｄａｅｒｉａｌｓｙｓｔｅｍｓｆｏｒｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ:ａｒｅｖｉｅｗ[Ｊ].ＰｒｅｃｉｓｉｏｎＡｇｒｉｃ.ꎬ１３(６):６９３－７１２.[２]㊀李冰ꎬ刘镕源ꎬ刘素红ꎬ等.基于低空无人机遥感的冬小麦覆盖度变化监测[Ｊ].农业工程学报ꎬ２０１２ꎬ２８(１３):１６０－１６５.ＬＩＢꎬＬＩＵＲＹꎬＬＩＵＳＨꎬｅｔａｌ..Ｗｉｎｔｅｒｗｈｅａｔｃｏｖｅｒｃｈａｎｇｅｍｏｎｉｔｏｒｉｎｇｂａｓｅｄｏｎｌｏｗ￣ａｌｔｉｔｕｄｅｄｒｏｎｅｒｅｍｏｔｅｓｅｎｓｉｎｇ[Ｊ].Ｔｒａｎｓ.Ｃｈｉｎ.Ａｇｒｉｃ.Ｅｎｇ.ꎬ２０１２ꎬ２８(１３):１６０－１６５. [３]㊀ＣＥＮＨꎬＷＡＮＬꎬＺＨＵＪꎬｅｔａｌ..ＤｙｎａｍｉｃｍｏｎｉｔｏｒｉｎｇｏｆｂｉｏｍａｓｓｏｆｒｉｃｅｕｎｄｅｒｄｉｆｆｅｒｅｎｔｎｉｔｒｏｇｅｎｔｒｅａｔｍｅｎｔｓｕｓｉｎｇａｌｉｇｈｔｗｅｉｇｈｔＵＡＶｗｉｔｈｄｕａｌｉｍａｇｅ￣ｆｒａｍｅｓｎａｐｓｈｏｔｃａｍｅｒａｓ[Ｊ].ＰｌａｎｔＭｅｔｈｏｄｓꎬ２０１９ꎬ１５(１):１５－３２[４]㊀吴炳方ꎬ张峰ꎬ刘成林ꎬ等.农作物长势综合遥感监测方法[Ｊ].遥感学报ꎬ２００４ꎬ８(６):４９－５１４.ＷＵＢＦꎬＺＨＡＮＧＦꎬＬＩＵＣＬꎬｅｔａｌ..Ａｃｏｍｐｒｅｈｅｎｓｉｖｅｒｅｍｏｔｅｓｅｎｓｉｎｇｍｅｔｈｏｄｆｏｒｃｒｏｐｇｒｏｗｔｈｍｏｎｉｔｏｒｉｎｇ[Ｊ].Ｊ.Ｒｅｍ.Ｓｅｎｓ.ꎬ２００４ꎬ８(６):４９８－５１４.[５]㊀王登伟ꎬ黄春燕ꎬ马勤建ꎬ等.棉花高光谱植被指数与ＬＡＩ和地上鲜生物量的相关关系研究[Ｊ].新疆农业科学ꎬ２００８ꎬ４５(５):７８７－７９０.ＷＡＮＧＤＷꎬＨＵＡＮＧＣＹꎬＭＡＱＪꎬｅｔａｌ..ＳｔｕｄｙｏｎｔｈｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｃｏｔｔｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｖｅｇｅｔａｔｉｏｎｉｎｄｅｘａｎｄＬＡＩａｎｄａｂｏｖｅｇｒｏｕｎｄｆｒｅｓｈｂｉｏｍａｓｓ[Ｊ].Ｊ.ＸｉｎｊｉａｎｇＡｇｒｉｃ.Ｓｃｉ.ꎬ２００８ꎬ４５(０５):７８７－７９０.[６]㊀郑有飞ꎬＧＵＯＸꎬＯＬＦＥＲＴＯꎬ等.高光谱遥感在农作物长势监测中的应用[Ｊ].气象与环境科学ꎬ２００７ꎬ３０(０１):１０－１６.ＺＨＥＮＧＹＦꎬＧＵＯＸꎬＯｌｆｅｒｔＯꎬｅｔａｌ..Ａｐｐｌｉｃａｔｉｏｎｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｃｒｏｐｇｒｏｗｔｈｍｏｎｉｔｏｒｉｎｇ[Ｊ].Ｍｅｔｅｏｒｏｌ.Ｅｎｖｉｒｏｎ.Ｓｃｉ.ꎬ２００７ꎬ３０(０１):１０－１６. [７]㊀ＧＯＥＬＮꎬＱＩＮＷ.ＩｎｆｌｕｅｎｃｅｓｏｆｃａｎｏｐｙａｒｃｈｉｔｅｃｔｕｒｅｏｎｒｅｌａｔｉｏｎｓｈｉｐｓｂｅｔｗｅｅｎｖａｒｉｏｕｓｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓａｎｄＬＡＩａｎｄＦｐａｒ:ａｃｏｍｐｕｔｅｒｓｉｍｕｌａｔｉｏｎ[Ｊ].ＲｅｍｏｔｅＳｅｎｓ.Ｒｅｖ.ꎬ１０(４):３０９－３４７.[８]㊀林玉英ꎬ胡喜生ꎬ邱荣祖ꎬ等.基于Ｌａｎｄｓａｔ影像的ＮＤＶＩ对植被与影响因子交互耦合的响应[Ｊ].农业机械学报ꎬ２０１８ꎬ４９(１０):２１２－２１９.ＬＩＮＹＹꎬＨＵＸＳꎬＱＩＵＲＺꎬｅｔａｌ..ＲｅｓｐｏｎｓｅｏｆＮＤＶＩｂａｓｅｄｏｎＬａｎｄｓａｔｉｍａｇｅｓｔｏｖｅｇｅｔａｔｉｏｎ￣ｉｎｔｅｒａｃｔｉｏｎｃｏｕｐｌｉｎｇｗｉｔｈｉｍｐａｃｔｆａｃｔｏｒｓ[Ｊ].Ｔｒａｎｓ.Ｃｈｉｎ.Ｓｏｃ.Ａｇｒｉｃ.Ｍａｃｈｉｎｅｒｙꎬ２０１８ꎬ４９(１０):２１２－２１９.[９]㊀米兆荣ꎬ张耀生ꎬ赵新全ꎬ等.ＮＤＶＩ和ＥＶＩ在高寒草地牧草鲜质量估算和植被动态监测中的比较[Ｊ].草业科学ꎬ２０１０ꎬ２７(６):１３－１９.ＭＩＺＲꎬＺＨＡＮＧＹＳꎬＺＨＡＯＸＱꎬｅｔａｌ..ＣｏｍｐａｒｉｓｏｎｏｆＮＤＶＩａｎｄＥＶＩｉｎｆｒｅｓｈｑｕａｌｉｔｙｅｓｔｉｍａｔｉｏｎａｎｄｖｅｇｅｔａｔｉｏｎｄｙｎａｍｉｃｓｍｏｎｉｔｏｒｉｎｇｉｎａｌｐｉｎｅｇｒａｓｓｌａｎｄ[Ｊ].Ｐｒａｔａｃｕｌｔ.Ｓｃｉ.ꎬ２０１０ꎬ２７(６):１３－１９.[１０]㊀左丽君ꎬ张增祥ꎬ董婷婷ꎬ等.ＭＯＤＩＳ/ＮＤＶＩ和ＭＯＤＩＳ/ＥＶＩ在耕地信息提取中的应用及对比分析[Ｊ].农业工程学报ꎬ２００８ꎬ２４(３):１６７－１７２.ＺＵＯＬＪꎬＺＨＡＮＧＺＸꎬＤＯＮＧＴＴꎬｅｔａｌ..ＡｐｐｌｉｃａｔｉｏｎａｎｄｃｏｍｐａｒａｔｉｖｅａｎａｌｙｓｉｓｏｆＭＯＤＩＳ/ＮＤＶＩａｎｄＭＯＤＩＳ/ＥＶＩｉｎａｒａｂｌｅｌａｎｄｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ[Ｊ].Ｔｒａｎｓ.Ｃｈｉｎ.Ａｇｒｉｃ.Ｅｎｇｉｎ.ꎬ２００８ꎬ２４(３):１６７－１７２.[１１]㊀ＪＯＲＤＡＮＦＣ.Ｄｅｒｉｖａｔｉｏｎｏｆｌｅａｆ￣ａｒｅａｉｎｄｅｘｆｒｏｍｑｕａｌｉｔｙｏｆｌｉｇｈｔｏｎｔｈｅｆｏｒｅｓｔｆｌｏｏｒ[Ｊ].Ｅｃｏｌｏｇｙꎬ１９６９ꎬ５０(４):６６３－６６６. [１２]㊀杨贵军ꎬ李长春ꎬ于海洋ꎬ等.农用无人机多传感器辅助小麦育种信息获取[Ｊ].农业工程学报ꎬ２０１５ꎬ３１(２１):１８４－１９０.ＹＡＮＧＧＪꎬＬＩＣＣꎬＹＵＨＹꎬｅｔａｌ..Ａｇｒｉｃｕｌｔｕｒａｌｄｒｏｎｅｍｕｌｔｉ￣ｓｅｎｓｏｒｒｅｍｏｔｅｓｅｎｓｉｎｇａｉｄｓｗｈｅａｔｂｒｅｅｄｉｎｇｉｎｆｏｒｍａｔｉｏｎａｃｑｕｉｓｉｔｉｏｎ[Ｊ].Ｔｒａｎｓ.Ｃｈｉｎ.Ａｇｒｉｃ.Ｅｎｇ.ꎬ２０１５ꎬ３１(２１):１８４－１９０.[１３]㊀王亚杰.基于无人机多光谱遥感的玉米叶面积指数监测方法研究[Ｄ].陕西杨凌:西北农林科技大学ꎬ硕士学位论文ꎬ２０１８.ＷＡＮＧＹＪ.Ａｓｔｕｄｙｏｎｔｈｅｍｏｎｉｔｏｒｉｎｇｍｅｔｈｏｄｏｆｍａｉｚｅｌｅａｆａｒｅａｉｎｄｅｘｂａｓｅｄｏｎｍｕｌｔｉｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｂｙｄｒｏｎｅｓ[Ｄ].ＳｈａａｎｘｉＹａｎｇｌｉｎｇ:ＮｏｒｔｈｗｅｓｔＵｎｉｖｅｒｓｉｔｙｏｆＡｇｒｉｃｕｌｔｕｒｅꎬＦｏｒｅｓｔｒｙａｎｄＳｃｉｅｎｃｅꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１８.[１４]㊀高林ꎬ杨贵军ꎬ王宝山ꎬ等.基于无人机遥感影像的大豆叶面积指数反演研究[Ｊ].中国生态农业学报ꎬ２０１５ꎬ２３(７):８６８－８７６.ＧＡＯＬꎬＹＡＮＧＧＪꎬＷＡＮＧＢＳꎬｅｔａｌ..Ａｎｉｎｖｅｒｓｉｏｎｓｔｕｄｙｏｆｓｏｙｂｅａｎｌｅａｆａｒｅａｉｎｄｅｘｂａｓｅｄｏｎｄｒｏｎｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ[Ｊ].Ｃｈｉｎ.Ｊ.ＥｃｏｌＡｇｒｉｃ.ꎬ２０１５ꎬ２３(７):８６８－８７６. [１５]㊀孙诗睿ꎬ赵艳玲ꎬ王亚娟ꎬ等.基于无人机多光谱遥感的冬小麦叶面积指数反演[Ｊ].中国农业大学学报ꎬ２０１９ꎬ２４(１１):５１－５８.ＳＵＮＳＲꎬＺＨＡＯＹＬꎬＷＡＮＧＹＪꎬｅｔａｌ..Ｉｎｖｅｒｓｉｏｎｏｆｗｉｎｔｅｒｗｈｅａｔｌｅａｆａｒｅａｉｎｄｅｘｂａｓｅｄｏｎｄｒｏｎｅｍｕｌｔｉｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ[Ｊ].Ｊ.ＣｈｉｎａＡｇｒｉｃ.Ｕｎｉｖ.ꎬ２０１９ꎬ２４(１１):５１－５８. [１６]㊀邹楠ꎬ杨文杰ꎬ肖春华ꎬ等.种植密度对玉米冠层高光谱特征的响应研究[Ｊ].石河子大学学报(自然科学版)ꎬ２０１７ꎬ３５(６):６８７－６９２.ＺＯＵＮꎬＹＡＮＧＷＪꎬＸＩＡＯＣＨꎬｅｔａｌ..Ａｓｔｕｄｙｏｎｔｈｅｒｅｓｐｏｎｓｅｏｆｐｌａｎｔｉｎｇｄｅｎｓｉｔｙｔｏｈｙｐｅｒｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｍａｉｚｅｃａｎｏｐｙ[Ｊ].Ｊ.ＳｈｉｈｅｚｉＵｎｉｖ.(Ｎａｔ.Ｓｃｉ.)ꎬ２０１７ꎬ３５(６):６８７－６９２.[１７]㊀肖武ꎬ陈佳乐ꎬ笪宏志ꎬ等.基于无人机影像的采煤沉陷区玉米生物量反演分析[Ｊ].农业机械学报ꎬ２０１８ꎬ４９(０８):１６９－１８０.ＸＩＡＯＷꎬＣＨＥＮＪＬꎬＧＡＯＨＺꎬｅｔａｌ..Ｃｏｒｎｂｉｏｍａｓｓｉｎｖｅｒｓｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｃｏａｌｍｉｎｉｎｇｓｕｂｓｉｄｅｎｃｅｚｏｎｅｂａｓｅｄｏｎｄｒｏｎｅｉｍａｇｅｒｙ[Ｊ].Ｔｒａｎｓ.Ｃｈｉｎ.Ｓｏｃ.Ａｇｒｉｃ.Ｍａｃｈｉｎｅｒｙꎬ２０１８ꎬ４９(０８):１６９－１８０.[１８]㊀庄东英ꎬ李卫国ꎬ武立权.冬小麦生物量卫星遥感估测研究[Ｊ].干旱区资源与环境ꎬ２０１３ꎬ２７(１０):１５８－１６２.９１１９期樊鸿叶等:基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究ＺＨＵＡＮＧＤＹꎬＬＩＷＧꎬＷＵＬＱ.Ａｓｔｕｄｙｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎｏｆｗｉｎｔｅｒｗｈｅａｔｂｉｏｍａｓｓｂｙｓａｔｅｌｌｉｔｅ[Ｊ].Ｊ.ＡｒｉｄＬａｎｄＲｅｓｏｕｒ.Ｅｎｖｉｒｏｎ.ꎬ２０１３ꎬ２７(１０):１５８－１６２.[１９]㊀ＢＵＳＣＨＭＡＮＮＣꎬＮＡＧＥＬＥ.ＩＮｖｉｖｏｓｐｅｃｔｒｏｓｃｏｐｙａｎｄｉｎｔｅｒｎａｌｏｐｔｉｃｓｏｆｌｅａｖｅｓａｓｂａｓｉｓｆｏｒｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｖｅｇｅｔａｔｉｏｎ[Ｊ].Ｉｎｔ.Ｊ.ＲｅｍｏｔｅＳｅｎｓ.ꎬ１４(４):７１１－７２２.[２０]㊀ＲＯＮＤＥＡＵＸＧꎬＳＴＥＶＥＮＭꎬＢＡＲＥＴＦ.Ｏｐｔｉｍｉｚａｔｉｏｎｏｆｓｏｉｌ￣ａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ[Ｊ].ＲｅｍｏｔｅＳｅｎｓ.Ｅｎｖｉｒｏｎ.ꎬ５５(２):９５－１０７.[２１]㊀马文玉.基于ＵＡＶ遥感的冬小麦氮素营养诊断[Ｄ].河南焦作:河南理工大学ꎬ硕士学位论文ꎬ２０１７.ＭＡＷＹ.ＮｕｔｒｉｔｉｏｎａｌｄｉａｇｎｏｓｉｓｏｆｎｉｔｒｏｇｅｎｉｎｗｉｎｔｅｒｗｈｅａｔｂａｓｅｄｏｎＵＡＶｒｅｍｏｔｅｓｅｎｓｉｎｇ[Ｄ].ＨｅｎａｎＪｉａｏｚｕｏ:ＨｅｎａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１７.[２２]㊀ＪＡＭＩＥＳＯＮＰＤꎬＰＯＲＴＥＲＪＲꎬＷＩＬＳＯＮＤＲ.Ａｔｅｓｔｏｆｃｏｍｐｕｔｅｒｓｉｍｕｌａｔｉｏｎｍｏｄｅｌａｒｃｗｈｅａｔ１ｏｎｗｈｅａｔｃｒｏｐｓｇｒｏｗｎｉｎＮｅｗＺｅａｌａｎｄ[Ｊ].ＦｉｅｌｄＣｒｏｐｓＲｅｓ.ꎬ１９９１ꎬ２７(４):３３７－３５０. [２３]㊀ＢＥＮＤＩＧＪꎬＢＯＬＴＥＮＡꎬＢＯＬＴＥＮＳ.Ｓｔｉｍａｔｉｎｇｂｉｏｍａｓｓｏｆｂａｒｌｅｙｕｓｉｎｇｃｒｏｐｓｕｒｆａｃｅｍｏｄｅｌｓ(ＣＳＭｓ)ｄｅｒｉｖｅｄｆｒｏｍＵＡＶ￣ＢａｓｅｄＲＧＢｉｍａｇｉｎｇ[Ｊ].ＲｅｍｏｔｅＳｅｎｓ.ꎬ２０１４ꎬ６(１１):１０３９５－１０４１２.[２４]㊀ＹＵＥＪꎬＨＡＩＫＵＡＮＦꎬＧＵＩＪＵＮＹꎬｅｔａｌ..Ａｃｏｍｐａｒｉｓｏｎｏｆｒｅｇｒｅｓｓｉｏｎｔｅｃｈｎｉｑｕｅｓｆｏｒｅｓｔｉｍａｔｉｏｎｏｆａｂｏｖｅ￣ｇｒｏｕｎｄｗｉｎｔｅｒｗｈｅａｔｂｉｏｍａｓｓｕｓｉｎｇｎｅａｒ￣ｓｕｒｆａｃｅｓｐｅｃｔｒｏｓｃｏｐｙ[Ｊ/ＯＬ].ＲｅｍｏｔｅＳｅｎｓ.ꎬ１０(２):６６[２０２１－０５－１２].ｈｔｔｐｓ://ｄｏｉ.ｏｒｇ/１０.３３９０/ｒｓ１００１００６６.[２５]㊀刘冰峰ꎬ李军ꎬ贺佳ꎬ等.基于高光谱植被指数的夏玉米地上干物质量估算模型研究[Ｊ].农业机械学报ꎬ２０１６ꎬ４７(０３):２５４－２６２.ＬＩＵＢＦꎬＬＩＪꎬＨＥＪꎬｅｔａｌ..Ａｍｏｄｅｌｓｔｕｄｙｏｎｔｈｅｅｓｔｉｍａｔｉｏｎｏｆｄｒｙｍａｔｔｅｒｍａｓｓｏｎｓｕｍｍｅｒｃｏｒｎｇｒｏｕｎｄｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ[Ｊ].Ｔｒａｎｓ.Ｃｈｉｎ.Ｓｏｃ.Ａｇｒｉｃ.Ｍａｃｈｉｎｅｒｙꎬ２０１６ꎬ４７(０３):２５４－２６２.[２６]㊀申丽霞ꎬ王璞ꎬ张软斌.施氮对不同种植密度下夏玉米产量及子粒灌浆的影响[Ｊ].植物营养与肥料学报ꎬ２００５ꎬ１１(０３):３１４－３１９.ＳＨＥＮＬＸꎬＷＡＮＧＰꎬＺＨＡＮＧＲＢ.Ｅｆｆｅｃｔｏｆｎｉｔｒｏｇｅｎａｐｐｌｉｃａｔｉｏｎｏｎｓｕｍｍｅｒｃｏｒｎｙｉｅｌｄａｎｄｓｅｅｄｇｒｏｕｔｉｎｇａｔｄｉｆｆｅｒｅｎｔｐｌａｎｔｉｎｇｄｅｎｓｉｔｉｅｓ[Ｊ].Ｊ.ＰｌａｎｔＮｕｔｒ.Ｆｅｒｔ.ꎬ２００５ꎬ１１(０３):３１４－３１９.[２７]㊀冯宗会.不同水氮管理下ＮＤＶＩ监测及优化施氮研究[Ｄ].北京:首都师范大学ꎬ硕士学位论文ꎬ２０１２.ＦＥＮＧＺＨ.ＮＤＶＩｍｏｎｉｔｏｒｉｎｇａｎｄｏｐｔｉｍｉｚａｔｉｏｎｏｆｎｉｔｒｏｇｅｎａｐｐｌｉｃａｔｉｏｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔｗａｔｅｒａｎｄｎｉｔｒｏｇｅｎｍａｎａｇｅｍｅｎｔ[Ｄ].Ｂｅｉｊｉｎｇ:ＣａｐｉｔａｌＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙꎬＭａｓｔｅｒＤｉｓｓｅｒｔａｔｉｏｎꎬ２０１２.[２８]㊀张俊华ꎬ张佳宝ꎬ贾科利.不同品种夏玉米光谱特征差异及其农学参量相关性研究[Ｊ].土壤通报ꎬ２０１０ꎬ４１(２):２８７－２９３.ＺＨＡＮＧＪＨꎬＺＨＡＮＧＪＢꎬＪＩＡＫＬ.Ｄｉｆｆｅｒｅｎｃｅｓｉｎｔｈｅｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｓｕｍｍｅｒｍａｉｚｅａｎｄｔｈｅｉｒｃｏｒｒｅｌａｔｉｏｎｗｉｔｈａｇｒｏｎｏｍｉｃｐａｒａｍｅｔｅｒｓ[Ｊ].Ｃｈｉｎ.Ｊ.ＳｏｉｌＳｃｉ.ꎬ２０１０ꎬ４１(２):２８７－２９３.[２９]㊀赵巧丽ꎬ郑国清ꎬ段韶芬ꎬ等.基于冠层反射光谱的玉米ＬＡＩ和地上干物重估测研究[Ｊ].华北农学报ꎬ２００８ꎬ２３(１):２１９－２２２.ＺＨＡＯＱＬꎬＺＨＥＮＧＧＱꎬＤＵＡＮＳＦꎬｅｔａｌ..ＡｓｔｕｄｙｏｆｃｏｒｎＬＡＩａｎｄａｂｏｖｅｇｒｏｕｎｄｄｒｙｍａｔｔｅｒｒｅａｓｓｅｓｓｍｅｎｔｂａｓｅｄｏｎｃａｎｏｐｙｒｅｆｌｅｃｔｉｏｎｓｐｅｃｔｒａ[Ｊ].ＮｏｒｔｈＣｈｉｎ.Ｊ.Ａｇｒｉｃ.Ｓｃｉ.ꎬ２００８ꎬ２３(１):２１９－２２２.[３０]㊀ＳＨＡＮＡＨＡＮＪＦꎬＳＣＨＥＰＥＲＳＪＳꎬＦＲＡＮＣＩＳＤＤꎬｅｔａｌ..Ｕｓｅｏｆｒｅｍｏｔｅ￣ｓｅｎｓｉｎｇｉｍａｇｅｒｙｔｏｅｓｔｉｍａｔｅｃｒｏｎｇｒａｉｎｙｉｅｌｄ[Ｊ].Ａｇｒｏｎ.Ｊ.ꎬ２００１ꎬ９３(３):５８３.[３１]㊀韩文霆ꎬ彭星硕ꎬ张立元ꎬ等.基于多时相无人机遥感植被指数的夏玉米产量估算[Ｊ].农业机械学报ꎬ２０２０ꎬ５１(１):１－１５.ＨＡＮＷＴꎬＰＥＮＧＸＳꎬＺＨＡＮＧＬＹꎬｅｔａｌ..Ｓｕｍｍｅｒｃｏｒｎｙｉｅｌｄｅｓｔｉｍａｔｉｏｎｂａｓｅｄｏｎｍｕｌｔｉ￣ｔｅｍｐｏｒａｌｄｒｏｎｅｒｅｍｏｔｅｓｅｎｓｉｎｇｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ[Ｊ].Ｔｒａｎｓ.Ｃｈｉｎ.Ｓｏｃ.Ａｇｒｉｃ.Ｍａｃｈｉｎｅｒｙꎬ２０２０ꎬ５１(１):１－１５.(责任编辑:温小杰)０２１中国农业科技导报２３卷。
天山林区6种优势种灌木林生物量比较及估测模型
天山林区6种优势种灌木林生物量比较及估测模型王文栋;白志强;阿里木·买买提;刘端;郭忠军【摘要】采用平均标准木收获法测定了天山东、中、西部林区6种优势种灌木,多刺蔷薇(Rosa spinosissima L.)、黑果小檗(Berberis heteropoda Schrenk.)、刚毛忍冬(Lonicera hispida Pall.)、天山绣线菊(Spiraea.tianschanica Pojark.)、新疆方枝柏(Juniperus seudosabina Fisch.et Mey.)和黑果栒子(Cotoneaster melanocarpus Lodd.)的地上和地下生物量并构建基于D2H变量的个体生物量模型.结果表明:(1)天山西部林区灌木林的总生物量大于中部和东部的;(2)6种灌木的平均生物量大小排序为刚毛忍冬＞黑果栒子＞黑果小檗＞新疆方枝柏＞天山绣线菊＞多刺蔷薇;(3)6种灌木的生物量贡献主要源于根和枝生物量,不同器官生物量的大小排序根＞枝＞叶;6种灌木叶生物量的大小与枝的生物量之间呈极显著相关(P＜0.01);(4)以D2H为自变量建立6种灌木不同器官及个体生物量估测模型24个,除黑果小檗和新疆方枝柏叶生物量模型达到显著水平(P＜0.05),其他各组成生物量模型均达到极显著水平(P＜0.o1),模型模拟结果达到了较高的准确度,可用于推算灌木生物量.研究结果可为定量评估天山森林生态系统的固碳功能提供数据支撑,也可为深入开展森林生态系统服务功能评价提供依据.【期刊名称】《生态学报》【年(卷),期】2016(036)009【总页数】10页(P2695-2704)【关键词】灌木;生物量模型;生物量分配;天山【作者】王文栋;白志强;阿里木·买买提;刘端;郭忠军【作者单位】新疆林业科学院森林生态研究所,乌鲁木齐830063;新疆林业科学院森林生态研究所,乌鲁木齐830063;新疆林业科学院森林生态研究所,乌鲁木齐830063;新疆林业科学院森林生态研究所,乌鲁木齐830063;新疆林业科学院森林生态研究所,乌鲁木齐830063【正文语种】中文气候变化问题已成为当今全球共同面临的重大课题。
树木生物量的组成
的枝鲜重，并计算出平均带叶枝鲜重，按平均重量选 取抽取3－5个标准枝。 2）对标准枝摘叶，分别测定枝量和叶量，并在每一层取 烘干样品（叶：50g；枝100g）。 3）根据每层标准枝推算出各层枝、叶的鲜重和干重，然 后将各层枝、叶重量相加，得到树木的枝重与叶重。
（二）标准枝法
（2）以基径和枝长为基准的分级标准枝法 • 标准枝—具有平均基径（d0）和平均枝长（l） ，且叶
•
干重比（Pw）：Pw
W干 W鲜
通过干重比把鲜重换算成绝干重。
• 含水率（P）： P＝W鲜－W干 100
W鲜
树体含水率变化
• 干重比（PW）与含水率成反比关系 • 纵向：树干不同部位含水率并部均匀，
梢部和胸高以下含水率最大，胸高以上 逐渐减少，再向上又增多。
• 横向：边材和心材因树种不同含水率也 不同。
• 林分生物量的测定方法与林分蓄积测定 方法相同，采用标准地进行。
• 在标准地内采用分级标准木法选择标准 木或样木测定其生物量，并以此为依据 推算全林或样地生物量。
• 常用方法：1）标准木法；2）回归估计 法；3）生物量表法。
红松生物量预估模型举例：
• WS=0.03019 D1.32.67945 • WS=0.030190(D1.32H)0.87542 相容性模型： WL=37.9749D0.2173V-20.4105D0.3463V WB=20.4105D0.3463V WS=382.6716V W上=WS + 37.9749 D0.2173V
不要草根。 • 按粗度分级(<0.2cm为细根：0．2—0.5为小根，
0．5—2．Ocm为中根； 2．0—5．Ocm为大根； >5cm为粗根)，分别称其鲜重，并取样供烘干用。 根桩部分单独称重并取样。 • 根量测定费时又费工，且不易取得精确结果。经 常采用比值（地上生物量与地下生物量）方法 估计。
（二）标准枝法
（2）以基径和枝长为基准的分级标准枝法 • 标准枝—具有平均基径（d0）和平均枝长（l） ，且叶
•
干重比（Pw）：Pw
W干 W鲜
通过干重比把鲜重换算成绝干重。
• 含水率（P）： P＝W鲜－W干 100
W鲜
树体含水率变化
• 干重比（PW）与含水率成反比关系 • 纵向：树干不同部位含水率并部均匀，
梢部和胸高以下含水率最大，胸高以上 逐渐减少，再向上又增多。
• 横向：边材和心材因树种不同含水率也 不同。
• 林分生物量的测定方法与林分蓄积测定 方法相同，采用标准地进行。
• 在标准地内采用分级标准木法选择标准 木或样木测定其生物量，并以此为依据 推算全林或样地生物量。
• 常用方法：1）标准木法；2）回归估计 法；3）生物量表法。
红松生物量预估模型举例：
• WS=0.03019 D1.32.67945 • WS=0.030190(D1.32H)0.87542 相容性模型： WL=37.9749D0.2173V-20.4105D0.3463V WB=20.4105D0.3463V WS=382.6716V W上=WS + 37.9749 D0.2173V
不要草根。 • 按粗度分级(<0.2cm为细根：0．2—0.5为小根，
0．5—2．Ocm为中根； 2．0—5．Ocm为大根； >5cm为粗根)，分别称其鲜重，并取样供烘干用。 根桩部分单独称重并取样。 • 根量测定费时又费工，且不易取得精确结果。经 常采用比值（地上生物量与地下生物量）方法 估计。
- 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)。
植物生态学报 2011, 35 (4): 402–410 doi: 10.3724/SP.J.1258.2011.00402Chinese Journal of Plant Ecology ——————————————————收稿日期Received: 2010-09-15 接受日期Accepted: 2010-11-26 * E-mail: fanwy@三种森林生物量估测模型的比较分析范文义* 张海玉 于 颖 毛学刚 杨金明东北林业大学林学院, 哈尔滨 150040摘 要 森林生物量的定量估算为全球碳储量、碳循环研究提供了重要的参考依据。
该研究采用黑龙江长白山地区的TM 影像和133块森林资源一类清查样地的数据, 选取地学参数、遥感反演参数等71个自变量分别构建多元逐步回归模型、传统BP (back propagation)神经网络模型和基于高斯误差函数的BP 神经网络改进模型(Gaussian error function, Erf-BP), 进而估算该地区的森林生物量, 并进行比较分析。
结果表明, 多元逐步回归模型估测的森林生物量预测精度为75%, 均方根误差为26.87 t ·m –2; 传统BP 神经网络模型估测森林生物量的预测精度为80.92%, 均方根误差为21.44 t ·m –2; Erf-BP 估测森林生物量的预测精度为82.22%, 均方根误差为20.83 t ·m –2。
可见, 改进后的Erf-BP 能更好地模拟生物量与各个因子之间的关系, 估算精度更高。
关键词 生物量, BP 神经网络模型, 基于高斯误差函数的BP 神经网络改进模型, 多元逐步回归Comparison of three models of forest biomass estimationFAN Wen-Yi *, ZHANG Hai-Yu, YU Ying, MAO Xue-Gang, and YANG Jin-MingSchool of Forestry, Northeast Forestry University, Harbin 150040, ChinaAbstractAims Quantitative estimation of forest biomass is significant to studies of global carbon storage and carbon cy-cle. Our objective is to develop models to estimate forest biomass accurately.Methods Multi-stepwise regression model, traditional back propagation (BP) neutral network model and BP neutral network model based on Gaussian error function (Erf-BP) were developed to estimate forest biomass in Changbai Mountain of Heilongjiang, China according to TM imagery and 133 plots of forest inventory data. There were 71 dependent variables of geoscience and remote sensing.Important findings The precisions and root mean square errors of multi-stepwise regression model, traditional BP neutral network model and Erf-BP were 75%, 26.87 t·m –2; 80.92%, 21.44 t·m –2 and 82.22%, 20.83 t·m –2, re-spectively. Therefore, the relations between forest biomass and various factors can be better modeled and de-scribed by the improved Erf-BP.Key words biomass, back propagation (BP) neural network model, BP neutral network model based on Gaus-sian error function (Erf-BP), multi-stepwise regression森林是地球上最重要的资源之一, 是陆地上面积最大、分布最广、组成结构最复杂、物质资源最丰富的生态系统, 是陆地生态系统的主要碳汇(庞勇等, 2005)。
森林生物量则是整个森林生态系统运行的能量基础和营养物质来源, 是研究生物生产力、净第一性生产力、碳循环以及全球变化的基础(国庆喜和张锋, 2003)。
因此, 准确估算森林生物量对全球碳汇、碳循环、碳平衡的研究以及全球变化的理解有举足轻重的作用(Brown et al ., 1996)。
森林生物量的估算方法主要有现地调查法、模型模拟法和遥感估算法(薛立和杨鹏, 2004)。
传统的现地调查法需要很多实测数据, 消耗大量的人力、财力和物力, 且很难在区域上推广。
模型模拟法的问题之一是各分量模型间不相容, 即木材、树皮、枝、叶4部分干重之和不等于总量的问题, 唐守正等(2000)以长白落叶松(Larix olgensis )为例建立了相容性立木生物量模型, 解决了此问题。
问题之二是模型的指标体系和模型精度各异, 无法在区域上推广。
遥感信息模型的出现使得大范围高精度地估算森林生物量成为可能, 比起传统方法有很大的优越范文义等: 三种森林生物量估测模型的比较分析 403doi: 10.3724/SP.J.1258.2011.00402性。
很多学者根据植被光谱信息, 利用原始波段、植被指数、地形因子和气象因子与生物量建立回归模型, 估测森林生物量(郭志华等, 2002; 杨存建等, 2004)。
郭志华等(2002)利用TM 数据6个波段的线性和非线性组合与蓄积量建立回归, 得到模型的R 2为0.8, 再代入到生物量与蓄积量的模型中估算生物量; 杨存建等(2004)利用遥感数据、气象数据和地形数据建立回归模型估算森林生物量, 模型R 2为0.589; Holben 等(1980)利用叶片的光谱信息成功地估算了大豆(Glycine max )叶片生物量; Hall (2006)采用ETM +数据统计估算森林地上生物量和蓄积量。
这些方法通用性不强, 只适用于一定的区域范围, 参数会随着时空变化而变化, 预测的精度不理想, 所以研究者提出了人工神经网络模型。
人工神经网络模型的兴起解决了生物量与各因子之间的非线性映射关系, 提高了估测精度。
国庆喜和张锋(2003)采用人工神经网络模型, 选取包括环境因子、生物因子和遥感信息因子在内的13个变量估算了黑龙江东北部地区的森林生物量, Ingram 等(2005)运用人工神经网络模型估算了马达加斯加岛东南部热带森林的地上生物量, 均得到了较高的精度, 精度达80%以上。
但是初期的BP (back propagaction)神经网络模型存在易陷入局部最小点、收敛速度慢、泛化能力差的缺点，因此基于高斯误差函数的BP 神经网络改进模型(Gaussian error function, Erf-BP)受到重视。
张海燕和冯天瑾(2002)将高斯函数的局部性和sigmoid 函数的全局性良好地结合在一起, 对几个典型试验进行仿真, 结果这一模型在学习能力和泛化能力上有明显的提高, 而且仿真精度也有显著提高。
但这种改进的神经网络模型在大尺度森林生物量估算方面的研究还很少。
本研究采用地学参数和遥感参数, 用TM 影像和该地区2005年的森林资源一类清查数据, 建立生物量与各因子的多元逐步回归模型、传统BP 神经网络模型及改进的Erf-BP 估测森林生物量, 比较分析了多元逐步回归模型与神经网络模型、传统BP 神经网络模型与改进的Erf-BP 在估算生物量上的精度, 以寻求高效、准确的生物量遥感估测模型, 为区域尺度生物量的估算提供参考。
1 研究区域概况研究采用2005年8月24日的Landsat 陆地资源卫星TM 数据, 其轨道号是115/29 (图1), TM 影像覆盖区域位于黑龙江长白山区域。
黑龙江长白山(126.7°–129.7° E, 43.7°–46.0° N), 位于黑龙江省东南部, 南起吉林省敦化县, 北接小兴安岭南麓, 平均海拔800多米。
林区森林茂密, 树种较多。
有林地面积204万hm 2, 森林覆被率为67.6%, 蓄积量2.1亿m 3。
森林类型是以红松(Pinus koraiensis )为主的针阔混交林, 主要树种有红松、云杉(Picea asperata )、山杨(Populus davidiana )、冷杉(Abies fabri )、白桦(Betula platyphylla )、樟子松(Pinus sylvestris var. mongolica )、水曲柳(Fraxinus mandschurica )、黄菠萝(Phelloden- dron amurens e)和胡桃楸(Juglans mandshurica )等。
图1 研究区域TM 影像及样地分布图。
Fig. 1 TM imagery and distribution of plots in study area.404 植物生态学报Chinese Journal of Plant Ecology 2011, 35 (4): 402–4102 研究方法2.1 TM 影像及样地数据处理采用ENVI 4.3遥感图像处理软件(ITT Visual Information Solutions, Colorado, America)对TM 影像进行几何校正、辐射校正、地形校正及大气校正,得到地表真实的反射率值, TM 数据处理几何精度在一个像素之内。
从黑龙江省林业设计研究院收集研究区域TM 影像上2005年森林资源一类清查的数据(共133个样地) (图1), 包括样地号、样地类别、经纬度、造林年度、公顷株数、郁闭度、优势树种、平均树高、平均胸径、地形、坡位、坡向、坡度、海拔、样地面积、龄组、灌木盖度、灌木高度、草本盖度、草本高度和植被总盖度等, 与样地点对应的影像灰度值的提取方法采用四邻域法, 然后将所有属性数据输入到GIS 中进行管理。