引用本文
常好雪, 蔡晓斌, 陈晓玲, 孙昆. 基于实测光谱的植被指数对水稻叶面积指数的响应特征分析[J]. 光谱学与光谱分析, 2018,38(1): 205-211.
CHANG Hao-xue, CAI Xiao-bin, CHEN Xiao-ling, SUN Kun. Response Characteristics Analysis of Different Vegetation Indices to Leaf Area Index of Rice[J]. Spectroscopy and Spectral Analysis, 2018,38(1): 205-211.
Doi:10.3964/j.issn.1000-0593(2018)01-0205-07  
Permissions
Copyright©2018, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于实测光谱的植被指数对水稻叶面积指数的响应特征分析
常好雪1, 蔡晓斌2, 陈晓玲1,3,*, 孙昆1
1. 武汉大学测绘遥感信息工程国家重点实验室, 湖北 武汉 430079
2. 中国科学院测量与地球物理研究所, 环境与灾害监测评估湖北省重点实验室, 湖北 武汉 430077
3. 江西师范大学鄱阳湖湿地与流域研究教育部重点实验室, 江西 南昌 330022
*通讯联系人 e-mail: xiaoling_chen@whu.edu.cn

作者简介: 常好雪, 女, 1990年生, 武汉大学测绘遥感信息工程国家重点实验室硕士研究生 e-mail: h.chang@whu.edu.cn

收稿日期: 2017-01-08
基金: 测绘地理信息公益性行业科研专项项目(201512026), 国家自然科学基金项目(41331174), 江西省重大生态安全问题监控协同创新平台建设项目(JXS-EW-08)资助
摘要

叶面积指数(LAI)是目前最常用的农业生态监测指标, 可以为农作物的病虫害监测、 作物长势监测、 碳循环、 生物量估算及作物估产提供依据。 植被指数(VI)是卫星LAI产品生产的重要数据源, 但不同VIs对植被LAI的响应特征具有一定的差异性。 以江西省水稻为例, 基于实测光谱提取了水稻实测VIs, 结合实测LAI, 讨论了归一化植被指数(NDVI)、 增强型植被指数(EVI)、 土壤调节植被指数(SAVI)和修正的土壤调节植被指数(MSAVI)四种常见VIs对LAI的响应特征, 并与MODIS LAI备用算法的计算结果进行了对比分析, 研究了不同VIs用于LAI产品反演的可行性及存在的问题。 通过对不同实测VIs-LAI模型精度的评估, 分析其应用于LAI反演的适应性, 结果显示EVI, SAVI和MSAVI比NDVI有更好的适应性, 其中EVI效果最优。 此外, 通过对比MODIS LAI备用算法查找表, 发现针对MODIS LAI备用算法中草地与谷物作物这一地表覆盖大类, 在LAI>4时, NDVI出现饱和; 而实测水稻作物的NDVI在LAI>2时开始出现饱和; 且当NDVI相同时, 查找表LAI远大于实测LAI, MODIS备用算法中使用的地表覆盖产品分类过粗可能是造成这一结果的主要原因。 因此MODIS LAI备用算法在该区域水稻LAI监测中可能产生较大误差, 有必要改用其他VIs优化该备用算法。 通过对比分析四种VIs模型对LAI的预测误差, 发现EVI, SAVI和MSAVI精度明显优于NDVI, 基于EVI的模型平均预测误差仅为MODIS LAI备用算法的1/6, 基于实测NDVI反演算法的1/2, 因此设计基于EVI的LAI算法对LAI的反演精度有一定的提升空间。

关键词: 叶面积指数; 植被指数; 水稻; MODIS; 响应
中图分类号:TP-7 文献标志码:A
Response Characteristics Analysis of Different Vegetation Indices to Leaf Area Index of Rice
CHANG Hao-xue1, CAI Xiao-bin2, CHEN Xiao-ling1,3,*, SUN Kun1
1. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China
2. Key Laboratory for Environment and Disaster Monitoring and Evaluation of Hubei Province, Institute of Geodesy and Geophysics, Chinese Academy of Sciences, Wuhan 430077, China
3. Key Laboratory of Poyang Lake Wetland and Watershed Research, Ministry of Education, Jiangxi Normal University, Nanchang 330022, China
*Corresponding author
Abstract

Leaf area index (LAI), the most frequently used parameter for monitoring agricultural ecology, could be utilized to provide scientific basis for crop disease, growth and carbon cycle monitoring as well as yield estimation. Vegetation indices (VIs), which can be employed to indicate LAI, are important data sources for satellite-based LAI production. And the most widely used one is Normalized Difference Vegetation Index (NDVI). Several standard satellite LAI products such as MODIS use NDVI as an input. However, the saturation characteristics of NDVI would introduce errors in the production of LAI. To find a possible optimized VI to derive the LAI of rice, 28 sets of spectral observations and corresponding LAI data were collected in the sample fields of Jiangxi Province. Four commonly used VIs including NDVI, Enhanced Vegetation Index (EVI), Soil Adjusted Vegetation Index (SAVI) and Modified Soil-Adjusted Vegetation Index (MSAVI) were extracted based on the in suit rice spectra. The response performance of the ground-based VIs to concurrent LAI measurements was assessed in this study. The linear regression results showed that the other three VIs had better adaptability than NDVI ( R2=0.38), while EVI had the best performance ( R2=0.82). MSAVI ( R2=0.744) and SAVI ( R2=0.751 1) also showed a better performance than NDVI. To continue, the differences between the results of ground-based model and the lookup table of MODIS LAI backup algorithm were compared. The MODIS LAI backup algorithm was derived from the empirical relationship between NDVI and LAI based on eight coarse biomass types. For biomass 1, it contained cereal and grass, and rice belonged to this category. In this paper, the lookup table of biomass 1 based on MODIS LAI backup algorithm was validated using the in situ LAI and spectral observations. The mean predict error of the algorithm was more than 3.2; and mean relative tolerance was up to 530%. This means large error will be introduced in rice LAI monitoring of this area if we use MODIS LAI backup algorithm. The low accuracy of MODIS backup algorithm may be caused by the coarse biomass classification system. In fact, different vegetation types included in biomass 1 had very significant difference in their canopy characteristics. Mixing them all in one class would result in an unacceptable errors to the LAI inversion for a specified crop type such as rice. The different saturation ranges of NDVI to inverse the LAI were also considered. The NDVI values kept unchanged with the increase of LAI when LAI was greater than 4 in the MODIS backup algorithm. Nevertheless, for the regression based on the rice field measured LAI and spectral observations, the saturation domain of NDVI was reached when LAI was larger than 2. After that, the accuracy comparison of the four ground-based VI models was implemented using root mean square error. The results showed that the mean predict error for NDVI model was 1.019 and only 0.55 for EVI model, which was only 1/6 of MODIS backup algorithm and 1/2 of NDVI model. Compared with the other three VIs, an addition blue band was utilized in the calculation of EVI to attenuate the aerosol impact on red band. This may be one of the possible reasons to explain the better performance of EVI. Therefore, an algorithm based on EVI could be developed as an alternative approach to improve the accuracy of LAI inversion.

Keyword: Leaf area index; Vegetation indices; Rice; MODIS; Response
引 言

水稻作为重要的粮食作物, 种植面积占全球农作物面积的11%以上, 是世界半数以上人口的食物来源。 中国是世界上最大的水稻种植国家, 水稻产量接近全球的1/3[1]。 水稻也是我国最重要的粮食作物, 种植面积约占粮食总播种面积的30%, 产量约占粮食总产量的40%, 在我国粮食生产消费中占据主导地位。 水稻生产不仅关系到我国的粮食安全, 还关系到国际粮食市场的稳定[2]。 随着社会的发展和人口的增长, 粮食供应日益趋紧, 水稻的研究监测对保证粮食市场的安全稳定有重要意义。 叶面积指数(leaf area index, LAI)作为目前最常用的水稻生态监测指标, 被广泛地应用于水稻长势监测中。 精确估算LAI, 可以为农作物的病虫害监测、 作物长势监测、 光合作用、 碳循环、 生物量估算以及作物估产提供重要依据[3]。 LAI的获取方法有地面测量和遥感反演两种方式。 地面测量成本较高, 且离散的地面测量点难以大范围监测农作物长势, 其意义有限。 由于LAI与地表反射率密切相关, 而植被指数(vegetation index, VI)是对各波段地表反射率的数学组合。 因此将地面LAI测量与卫星反射率数据获取的VIs之间建立相关关系, 能有效获取大范围连续LAI数据。 赵虎等[4]利用HJ小卫星数据建立了五种常见VIs与冬小麦LAI的关系模型, 结果表明增强型植被指数(enhanced vegetation index, EVI)最优; 王立辉等[5]基于GF-1号卫星数据研究了不同VIs与玉米LAI的关系, 研究显示修正的土壤调节植被指数(modified soil-adjusted vegetation index, MSAVI)与LAI的相关性最好; 方秀琴等[6]基于Landsat7的数据, 结合实测数据分析发现在植被覆盖度小的区域土壤调节植被指数(soil adjusted vegetation index, SAVI)对LAI的估算最为可靠; Fei Yang等[7]分析了玉米的地面实测高光谱数据与LAI的关系, 得出EVI与LAI之间呈线性关系, 相关性优于归一化植被指数(normalized difference vegetation index, NDVI)与LAI; 赵娟等研究了冬小麦不同生育期实测VI和LAI的相关关系, 结果显示不同生育时期使用不同植被指数建立模型可以提高反演精度。 此外, 由于LAI在全球的气候、 水动力、 生物化学和生态系统生产力模型中发挥着重要的作用, 目前已有数家空间机构基于不同的卫星传感器和反演算法提供全球的LAI产品, 其中多种产品选择了基于VIs的反演算法, 如基于NDVI-LAI的经验关系的ECOCLIMAP-算法和ISLSCP-Ⅱ 算法[8]。 被广泛应用的MODIS LAI产品, 其备用算法也是基于植被类型的NDVI-LAI经验模型算法[9]。

上述反演算法中既有基于遥感影像的模型也有基于实测数据的模型, 考虑到大气和混合像元的影响, 针对性地对比分析地面实测VIs与LAI之间的关系, 能更为清晰了解不同植被指数用于LAI反演的适应性特征。 因此, 利用2014年和2015年在江西省水稻作物主产区测得的28组地面实测数据, 分析不同VIs对LAI的响应状况, 及其用于LAI反演的可行性。 以MODIS LAI备用算法查找表为例, 对相同LAI区间的值进行了对比分析, 揭示了MODIS LAI备用算法用于水稻监测可能存在的问题。 通过对实测VIs-LAI模型精度的评估, 为LAI产品的反演提供参考依据。

1 实验部分
1.1 研究区域概况

研究区地处北纬26° 26'20″— 29° 13'34″, 东经114° 17'13″— 117° 33'26″之间。 位于江西省境内, 长江中下游的河湖平原地貌、 雨热同期高温多雨的气候条件, 使之成为中国重要的水稻产区, 据统计, 2014年江西水稻总产2 025.2(万t), 占该省粮食总产量的94.48%。 江西省的水稻产量一直居于全国前三, 是主要的粮食净出口省份之一[10]。 样区主要分布在江西省的乐平市、 分宜县和太和县。 图1为研究样区的分布示意图。

图1 研究区域示意图Fig.1 Location of the study area

1.2 数据处理

2014年7月30日至2014年7月31日、 2015年7月29日至2015年8月5日在实验区测得两期共28组有效样区数据。 在样地中选择生长均匀的水稻, 布设1 m× 1 m的样区。 使用SVC HR-1024光谱仪获取水稻光谱数据, 测量前先进行白板校正, 观测时光谱仪距离地面高度为120 cm, 视场角25° , 每个样区测量6次。 光谱数据使用SVC配套的光谱处理软件HR-1024进行处理, 对每个样区的光谱进行白板校正、 去除包络线、 重采样和裁剪, 得到以1 nm为间隔, 波长区间为400~1 000 nm的光谱曲线, 并根据MODIS的光谱波段设置进行积分运算, 得到蓝光、 绿光、 红光和近红外波段的反射率, 最后根据公式计算植被指数。

使用AccuPAR LP-80冠层分析仪测量样区LAI, 分别在样区0, 0.5和1 m处进行LAI测量, 以三次观测的平均值作为该样区处的LAI。 LAI测量示意图如图2所示, 图中箭头表示探杆的测量方向和测量位置。

图2 LAI测量示意图Fig.2 Schematic diagram of LAI measurement

1.3 方法

选取了NDVI, EVI, SAVI和MSAVI四种常用的VIs[11, 12, 13, 14]计算公式见表1。 本实验样区为中等覆盖区域, 故SAVI的土壤调节系数L取0.5。 使用实测光谱计算出相应的四种VIs, 分别与实测LAI建立线性回归模型, 并选取判定系数R2作为模型的分析验证指标, 对比分析四种模型的饱和特性和模型精度。

表1 常见植被指数计算公式 Table 1 Common VI formulae used in this work

MODIS LAI备用算法是基于NDVI的经验模型, 该算法给出了基于地表覆盖类型的查找表。 MODIS LAI备用算法中使用的地表覆盖产品将地表覆盖类型分为八类, 其中第一类为草地和谷物作物类, 包括草地和单子叶禾本科作物; 第二类(biomass 2)为灌丛类, 包括郁闭灌丛和稀疏灌丛; 第三类(biomass 3)为阔叶作物; 第四类(biomass 4)为热带稀树草原; 第五类(biomass 5)到第八类(biomass 8)分别为常绿阔叶林, 落叶阔叶林、 常绿针叶林和落叶针叶林。 除此之外, 水体和荒原不做处理。 根据本次实验的作物水稻, 选择对应的地表覆盖类型(biomass 1), 基于实测NDVI计算出对应的实测LAI查找表, 并与MODIS LAI备用算法的理论查找表进行对比, 讨论了两者的NDVI饱和特性的差异, 评价了MODIS LAI备用算法的预测误差, 分析了该算法用于江西省水稻监测可能存在的问题。 与此同时, 通过将本实验中实测LAI分为等间隔的值域区间, 计算四种实测VIs模型的预测误差, 对比了四种实测VIs模型的精度, 分析其他VIs应用于LAI产品反演的可行性。

2 结果与讨论
2.1 实测VIs与LAI的响应关系

VIs和LAI的回归关系通常是线性或指数关系[15]。 研究表明, 在LAI相对较低的情况下, 线性模型表现较好, 但是随着LAI的增加, VIs对LAI的敏感性逐渐降低直到饱和, 不同植被饱和点不同[16]。 Dasvishzadeh等的研究显示当LAI介于0~6之间时, 线性模型和指数模型对LAI的估算精度相同[17]。 我们所测得的LAI数据是介于0~6之间的, 因此选用简单线性回归作为标准模型进行分析。 图3展示了四种VIs对LAI的拟合情况。

图3 植被指数与叶面积指数之间的关系Fig.3 The relationships between VIs and LAI

图3显示, 当LAI> 2时, 随着LAI的增加NDVI变化不显著, 出现响应饱和现象。 结合实测数据来看, 当LAI从0增加到2时, NDVI从0.16迅速增加到0.88附近, 变化显著; 而当LAI从2增加到5.17时, NDVI变化很不显著, 变化范围约在0.001~0.048之间。 Curran[18]指出NDVI对LAI的渐进区域对于低矮的作物来说从3~4之间的某一个值开始。 赵娟等的研究表明冬小麦在LAI> 2时开始出现信号饱和现象。 我们针对水稻的研究结果发现了类似的规律, 说明针对于小麦, 水稻这类禾本科低矮作物, NDVI具有类似的响应饱和特征。 NDVI模型的拟合效果在四种植被指数中表现最差, R2最小, 仅为0.381 5。 相比NDVI而言, 其他三种VIs均表现出了较好的抗饱和性, 未出现明显的饱和现象。 与NDVI相对应, EVI模型拟合效果最好(R2=0.819 4)。 此外, SAVI和MSAVI与LAI的拟合R2均大于0.7, 也表现了较好的拟合效果, 两者之间的差异较小, MSAVI并未表现出比SAVI更优的拟合结果。

2.2 基于不同VIs的LAI反演模型的对比分析

由于水稻属于MODISLAI备用算法的第一类(biomass 1)覆盖类型, 根据本实验的实测数据计算出水稻实测查找表, 对比MODIS LAI备用算法biomass 1的理论查找表与水稻实测查找表的差异并计算相对误差, 结果见表2。 从表中可以看出, 理论查找表在LAI较大的区域, NDVI对LAI的变化不敏感, 图4可以更清晰的看出这一结论。 图4(a)为MODIS备用算法LAI-NDVI关系图, (b)为实测LAI-NDVI关系图。 对比发现, 两图的趋势相同, 在LAI较小的区域, NDVI几乎是随着LAI线性增长, LAI较大时, 曲线进入渐近线区域, 随着LAI的增加NDVI变化缓慢, 直到饱和。 对于MODIS LAI备用算法中草地与谷物作物这一大类, 在LAI> 4时, NDVI开始出现饱和, 而实测水稻作物的NDVI在LAI> 2时开始出现饱和。

表2 MODIS LAI备用算法biomass 1 查找表与水稻实测LAI的对比 Table 2 Comparison of MODIS LAI backup algorithm Biomass 1’ s lookup table and ground-measured rice LAI

图4 MODISLAI-NDVI关系图与实测LAI-NDVI关系图的对比
(a): MODISLAI-NDVI关系图; (b): 实测LAI-NDVI关系图Fig.4 Comparison of the LAI-NDVI relationship based on MODIS LAI backup algorithm and filed-measured data
(a): The relationship between MODIS LAI and NDVI; (b): The relationship between ground-measured LAI and NDVI

表2的结果显示, 对一定的NDVI值, 理论查找表的LAI远大于实测LAI, MODIS LAI的预测误差较大, 介于0.171~5.256之间, 平均值为3.255。 图5为本实验中四种VIs模型的LAI预测误差对比图。 根据实测LAI的值, 将LAI分为间隔为1的六个值域区间, 分别对每个值域区间内样本的预测误差求均值, 结果如图5所示。 从图中可以看出, NDVI预测误差最大, 表现最不稳定, 不确定度最大, 预测误差均值为1.019; 在LAI介于0~4时表现较好, 预测误差均小于1, 其中LAI介于2~3时表现最优, 预测误差仅为0.270; 当LAI> 4时, NDVI预测增大, LAI介于5~6时最大, 达2.695, 说明此时NDVI已经失去了对LAI的预测能力。 EVI预测精度最优, 表现最稳定, 不确定度最小, 预测误差介于0.337~0.931之间, 均小于1, 均值为0.543, 是MODIS LAI备用算法的1/6, 是实测NDVI模型的1/2。 SAVI模型表现较好, 预测误差最大为1.215, LAI介于3~4时表现最优, 误差为0.313。 MSAVI模型与SAVI模型表现类似, 最大预测误差为1.466, LAI介于3~4时误差最小, 为0.219。 与NDVI相比, EVI, SAVI和MSAVI预测误差大多小于1, 表现出了良好的抗饱和性。

图5 基于四种实测VIs的LAI反演模型的预测误差对比图Fig.5 Comparison of LAI prediction errors for four ground-based vegetation index models

以上结果显示针对水稻这一作物类型, NDVI最容易饱和, EVI, SAVI和MSAVI都表现出了良好的抗饱和性。 EVI, SAVI和MSAVI的模型效果明显优于NDVI, 其中EVI最优, SAVI和MSAVI两者之间的差异较小, MSAVI并未表现出比SAVI更优的拟合结果。 表明LAI值域范围在0~6之间时, EVI最适合做LAI的反演指标, NDVI最不合适反演LAI。 Huete等指出NDVI对叶片水平的叶绿素含量较为敏感, 而EVI对LAI、 冠层类型、 植被形态和冠层结构等参数更为敏感。 在高植被覆盖度区域, NDVI达到饱和时, EVI对冠层的变化仍有良好的敏感性[19]。 MODIS LAI的反演是建立在很多假设之上的, 热点效应信息已知就是其中一条。 有研究表明EVI可以消除热点效应的影响, 从而更准确的表达观测方向上的植被冠层信息; 而NDVI受热点效应影响较大, 热点方向上NDVI的值比较小, 不能反应视场中真实的植被、 土壤比例[20]。 此外, EVI与其他植被指数相比增加了蓝光波段的信息, 可以更好的消除大气对红光波段的影响。 其基本原理是利用大气散射对红光和蓝光的影响存在差异这一特性来补偿气溶胶对红光波段的影响[21], 这也可能是EVI较其他VI对LAI有更好响应的原因之一。

图4表明对于MODIS LAI备用算法中草地与谷物作物这一大类, 在LAI> 4时, NDVI开始出现饱和, 而实测水稻作物的NDVI在LAI> 2时开始出现饱和, 且NDVI相同时, 理论查找表的LAI远大于实测LAI, 预测误差较大, 这一差异可能主要与MODIS植被类型的划分有关。 MODIS植被覆盖类型划分中biomass1为草地和谷物作物这一大类。 其中草地指的是草本类型覆盖的土地, 树和灌木的盖度低于

10%; 谷物作物包括小麦、 大麦、 燕麦、 黑麦、 稻、 玉米、 高粱、 谷子、 黍、 稗、 荞麦等的单子叶禾本科作物。 有研究表明, 不同植被类型的冠层生理特性不同, 冠层结构不同, 建立统一的反演模型无法保证模型精度[17]。 因此以大类划分做统计分析可能会导致模型的针对性不足。 至少针对于本研究中所观测水稻而言, 模型结果与实测值之间差距较大。 若考虑到不同地域范围内常见植被类型的影响, 加入针对不同植被类型的修正参数, 能更好的反应地表真实情况, 有可能改善其模型精度。

3 结 论

基于地面实测光谱提取的水稻实测VIs和实测LAI, 讨论了四种常见VIs对LAI的响应状况, 对比分析了四种植被指数对LAI的预测误差。 以MODIS LAI为例, 与其备用算法进行了对比分析, 讨论了MODIS LAI备用算法用于江西省水稻监测可能存在的问题, 同时为其他LAI产品的生产提供参考依据。 结果显示:

(1)针对水稻这一禾本作物类型的LAI反演, NDVI极易出现饱和现象, 而EVI, SAVI和MSAVI都表现出良好的抗饱和性, 且模型效果明显优于NDVI。 其中EVI的反演效果最好(R2=0.819 4), 最适合做LAI的反演; NDVI虽然广泛应用于不同LAI数据的反演, 但其拟合效果最差(R2=0.381 5), 并不适合用于反演LAI。

(2)对于MODIS LAI备用算法中草地与谷物作物这一大类, 在LAI> 4时, NDVI开始出现饱和; 而实测水稻作物的NDVI在LAI> 2时开始出现饱和。 当NDVI相同时, MODIS理论查找表的LAI远大于实测LAI, 平均预测误差达3.2, 因而MODIS LAI备用算法在该区域水稻LAI监测中可能产生较大误差。 MODIS LAI备用算法的植被分类较粗, 可能是造成这些差异的主要原因。

(3)基于实测VIs的LAI反演模型中, EVI, SAVI和MSAVI的LAI反演结果明显优于NDVI, 其中基于EVI的模型平均预测误差仅为MODIS LAI备用算法的1/6, 仅为实测NDVI模型的1/2。 利用EVI数据构建新的MODIS LAI备用算法具有一定的应用潜力。

The authors have declared that no competing interests exist.

参考文献
[1] Li S H, Xiao J T, Ni P, et al. International Journal of Agricultural & Biological Engineering, 2014, 7(6): 28. [本文引用:1]
[2] ER Jun, ZHANG Hong-cheng, LU Jian-fei(佴军, 张洪程, 陆建飞). Scientia Agricultura Sinica(中国农业科学), 2012, 45(16): 3446. [本文引用:1]
[3] LIU Yuan, ZHOU Mai-chun(刘远, 周买春). Jiangsu Agricultural Sciences(江苏农业科学), 2017, 45(12): 12. [本文引用:1]
[4] ZHAO Hu, PEI Zhi-yuan, MA Shang-jie, et al(赵虎, 裴志远, 马尚杰, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 28(10): 172. [本文引用:1]
[5] WANG Li-hui, DU Jun, HUANG Jin-liang, et al(王立辉, 杜军, 黄进良, 等). Journal of Central China Normal University·Natural Sciences(华中师范大学学报·自然科学版), 2016, 50(1): 120. [本文引用:1]
[6] FANG Xiu-qin, ZHANG Wan-chang, LIU San-chao(方秀琴, 张万昌, 刘三超). Remote Sensing for Land & Resources(国土资源遥感), 2004, 16(1): 27. [本文引用:1]
[7] Yang F, Sun J, Fang H, et al. International Journal of Applied Earth Observation & Geoinformation, 2012, 18(1): 462. [本文引用:1]
[8] LIU Yang, LIU Rong-gao, CHEN Jing-ming(刘洋, 刘荣高, 陈镜明). Geo-Information Science(地球信息科学学报), 2013, 15(5): 734. [本文引用:1]
[9] Yan K, Park T, Yan G, et al. Remote Sensing, 2016, 8(5): 359. [本文引用:1]
[10] Huang J, Zhang F, Xue Y, et al. International Journal of Biometeorology, 2017, 61(4): 1. [本文引用:1]
[11] Rouse J W, Haas R H, Schell J A, et al. NASA Special Publications, 1974, 351: 309. [本文引用:1]
[12] Huete A R. Remote Sensing of Environment, 1988, 25(3): 295. [本文引用:1]
[13] Qi J, Chehbouni A, Huete A R, et al. Remote Sensing of Environment, 1994, 48(2): 119. [本文引用:1]
[14] Huete A, Justice C, Liu H, Remote Sensing of Environment, 1994, 49(3): 224. [本文引用:1]
[15] Schlerf M, Atzberger C, Hill J. Remote Sensing of Environment, 2005, 95(2): 177. [本文引用:1]
[16] Darvishzadeh R, Skidmore A. International Journal of Applied Earth Observation &Geoinformation, 2008, 10(3): 358. [本文引用:1]
[17] Darvishzadeh R, Atzberger C, Skidmore A K, et al. International Journal of Remote Sensing, 2009, 30(23): 6199. [本文引用:2]
[18] Curran P J. Neurological Research, 1983, 34(7): 649. [本文引用:1]
[19] Huete A, Didan K, Miura T, et al. Remote Sensing of Environment, 2002, 83(1-2): 195. [本文引用:1]
[20] LIU Liang-yun(刘良云). Principles and Applications of Quantitative Remote Sensing of Vegetation(植被定量遥感原理与应用). Beijing: Science Press(北京: 科学出版社), 2014. [本文引用:1]
[21] Matsushita B, Wei Y, Jin C, et al. Sensors, 2007, 7(11): 2636. [本文引用:1]