土地利用变化

１５９

新型植被指数及其在水稻叶面积指数估算上的应用

＊　唐延林２　王秀珍３王福民１　黄敬峰１，

１（浙江大学农业遥感与信息技术应用研究所，浙江大学农业信息科学与技术中心，浙江省农业遥感与信息技术重点研究实验室，浙江杭州２３３１００２９；贵州大学理学院物理系，贵州贵阳５５００２５；浙江省气象科学研究所，浙江杭州３１００２９；＊通讯联系人，Ｅ－ｍａｉｌ：ｈｊｆ＠ｚｊｕ．ｅｄｕ．

ｃｎ）

ＮｅｗＶｅｇｅｔａｔｉｏｎＩｎｄｅｘａｎｄＩｔｓＡｐｐｌｉｃａｔｉｏｎｉｎＥｓｔｉｍａｔｉｎｇＬｅａｆＡｒｅａＩｎｄｅｘｏｆＲｉｃｅ

１１，＊２３ＷＡｕ－ｍｉｎ，ＨＵＡｉｎｇ－ｆｅｎｇ，Ｔａｎ－ｌｉｎ，ＷＡｉｕ－ｚｈｅｎＮＧＦＮＧＪＡＮＧＹＮＧＸ

１（ＩｎｓｔｉｔｕｔｅｏｆＡｇｒｉｃｕｌｔｕｒｅＲｅｍｏｔｅＳｅｎｓｉｎｇ＆ＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍＡｐｐｌｉｃａｔｉｏｎ，ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ３１００２９，Ｃｈｉｎａ；２Ｄｅｐａｒｔ－

ｍｅｎｔｏｆＰｈｙｓｉｃｓ，ＣｏｌｌｅｇｅｏｆＳｃｉｅｎｃｅｓ，ＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｇｕｉｙａｎｇ５５００２５，Ｃｈｉｎａ；３ＩｎｓｔｉｔｕｔｅｏｆＭｅｔｅｏｒｏｌｏｇｙ，ＺｈｅｊｉａｎｇＰｒｏｖｉｎｃｅ，Ｈａｎｇ－ｚｈｏｕ３１００２９，Ｃｈｉｎａ；＊Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ，Ｅ－ｍａｉｌ：ｈｊｆ＠ｚｊｕ．ｅｄｕ．ｃｎ）

Ａｂｓｔｒａｃｔ：Ｌｅａｆａｒｅａｉｎｄｅｘ（ＬＡＩ）ｉｓｎｏｔｏｎｌｙａｎｉｍｐｏｒｔａｎｔａｔｔｒｉｂｕｔｅｏｆｌａｎｄｓｕｒｆａｃｅｖｅｇｅｔａｔｉｏｎｓｙｓｔｅｍ，ｂｕｔａｌｓｏａｋｅｙｐａ－

ｒａｍｅｔｅｒｆｏｒｔｈｅｍｏｄｅｌｓｏｆｇｌｏｂａｌｗａｔｅｒｂａｌａｎｃｉｎｇａｎｄｃａｒｂｏｎｃｉｒｃｕｌａｔｉｏｎ．Ｆｉｒｓｔｏｆａｌｌ，ｔｈｅｒｅｆｌｅｃｔａｎｃｅｖａｌｕｅｓｏｆＬａｎｄｓａｔ－５ｂｌｕｅ，ｇｒｅｅｎａｎｄｒｅｄｃｈａｎｎｅｌｓｗｅｒｅｓｉｍｕｌａｔｅｄｆｒｏｍｒｉｃｅｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒｕｍ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｓｅｎｓｉｔｉｖｉｔｙｏｆｔｈｅｂａｎｄｓｔｏＬＡＩｗａｓａｎａ－ｌｙｚｅｄ．Ｔｈｉｒｄｌｙ，ｔｈｅｒｅｓｐｏｎｓｅａｎｄｃａｐａｂｉｌｉｔｙｔｏｅｓｔｉｍａｔｅＬＡＩｏｆｖａｒｉｏｕｓＮＤＶＩｓ，ｗｈｉｃｈｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｂｙｓｕｂｓｔｉｔｕｔｉｎｇｔｈｅｒｅｄｂａｎｄｓｏｆｇｅｎｅｒａｌＮＤＶＩｗｉｔｈａｌｌｐｏｓｓｉｂｌｅｃｏｍｂｉｎａｔｉｏｎｓｏｆｒｅｄ，ｇｒｅｅｎａｎｄｂｌｕｅｂａｎｄｓ，ｗｅｒｅａｓｓｅｓｓｅｄ．Ｆｉｎａｌｌｙ，ｔｈｅｃｏｎｃｌｕｓｉｏｎｗａｓｔｅｓｔｅｄｂｙｒｉｃｅｄａｔａａｔｄｉｆｆｅｒｅｎｔｃｏｎｄｉｔｉｏｎｓ．Ｔｈｅｒｅｓｕｌｔｉｎｄｉｃａｔｅｄｔｈａｔｔｈｅｓｅｎｓｉｔｉｖｉｔｙｏｆｒｅｄ，ｇｒｅｅｎａｎｄｂｌｕｅｂａｎｄｓｔｏＬＡＩｗｅｒｅｄｉｆｆｅｒｅｎｔｕｎｄｅｒｄｉｆｆｅｒｅｎｔｃｏｎｄｉｔｉｏｎｓ．ＷｈｅｎＬＡＩｉｓｌｅｓｓｔｈａｎ３，ｒｅｄａｎｄｂｌｕｅｂａｎｄｓａｒｅｍｏｒｅｓｅｎｓｉｔｉｖｅｔｏＬＡＩ．ＴｈｏｕｇｈｇｒｅｅｎｂａｎｄｉｎｔｈｅｃｉｒｃｕｍｓｔａｎｃｅｓｉｓｌｅｓｓｓｅｎｓｉｔｉｖｅｔｏＬＡＩｔｈａｎｒｅｄａｎｄｂｌｕｅｂａｎｄｓ，ｉｔｉｓｓｅｎｓｉｔｉｖｅｔｏＬＡＩｉｎａｗｉｄｅｒａｎｇｅ．Ｗｈｅｎｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｗｅｒｅｃｏｎｓｔｉｔｕｔｅｄｂｙａｌｌｋｉｎｄｓｏｆｃｏｍｂｉｎａｔｉｏｎｓｏｆｒｅｄ，ｇｒｅｅｎａｎｄｂｌｕｅｂａｎｄｓ，ｔｈｅｐｒｅｍｉｓｅｏｆｍａｋｉｎｇｔｈｅｓｅｎｓｉｔｉｖｉｔｙｏｆｔｈｅｓｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｔｏＬＡＩｍｅａｎｉｎｇｆｕｌｉｓｔｈａｔｔｈｅｖａｌｕｅｏｆｏｎｅｏｆｔｈｅｃｏｍｂｉｎａｔｉｏｎｓｉｓｇｒｅａｔｅｒｔｈａｎ０．０２４，ｔｈａｔｉｓＶＩＳ＞０．０２４．Ｏｔｈｅｒｗｉｓｅ，ｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｗｏｕｌｄｓａｔｕｒａｔｅ，ｗｈｉｃｈｗｏｕｌｄｒｅｓｕｌｔｉｎｌｏｗｅｒｅｓｔｉｍａｔｉｏｎａｃｃｕｒａｃｙｏｆＬＡＩ．Ｔｈｅｃａｐａｂｉｌｉｔｉｅｓｏｆｔｈｅｓｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｄｅｒｉｖｅｄｆｒｏｍａｌｌｋｉｎｄｓｏｆｃｏｍｂｉｎａｔｉｏｎｓｏｆｒｅｄ，ｇｒｅｅｎａｎｄｂｌｕｅｂａｎｄｓｔｏＬＡＩｅｓｔｉｍａ－ｔｉｏｎｗｅｒｅｃｏｍｐａｒｅｄ．ＧＮＤＶＩａｎｄＧＢＮＤＶＩｈａｖｅｔｈｅｂｅｓｔｒｅｌａｔｉｏｎｗｉｔｈＬＡＩ．ＴｈｅｃａｐａｂｉｌｉｔｙｏｆＧＮＤＶＩａｎｄＧＢＮＤＶＩｔｏＬＡＩｅｓｔｉｍａｔｉｏｎｗａｓｔｅｓｔｅｄｕｎｄｅｒｄｉｆｆｅｒｅｎｔｃｉｒｃｕｍｓｔａｎｃｅｓ，ａｎｄｔｈｅｓａｍｅｒｅｓｕｌｔｗａｓａｃｑｕｉｒｅｄ．ＩｔｃａｎｂｅｓｅｅｎｔｈａｔＧＮＤＶＩａｎｄＧＢＮＤ－ＶＩｐｅｒｆｏｒｍｅｄｂｅｔｔｅｒｔｏｐｒｅｄｉｃｔＬＡＩｔｈａｎｔｈｅｃｏｎｖｅｎｔｉｏｎａｌＮＤＶＩ．

Ｋｅｙｗｏｒｄｓ：ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ；ｒｉｃｅ；ｌｅａｆａｒｅａｉｎｄｅｘ；ｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒｕｍ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ摘　要：叶面积指数ＬＡＩ不仅是陆表植被系统的一个重要属性，而且是全球水平衡、碳循环等模型中的重要输入参数。首先通过使用水稻小区试验冠层光谱数据模拟Ｌａｎｄｓａｔ－５卫星蓝、绿、红光波段；其次分析了各个波段对ＬＡＩ的敏感性；然后分析了由这个３个波段的所有组合分别代替常规ＮＤＶＩ中的红光波段构成的ＶＮＤＶＩ对ＬＡＩ变化的反应和对ＬＡＩ的估算能力；最后使用不同条件下的水稻数据进行验证。结果表明，在不同的ＬＡＩ范围，红绿蓝光３个波段对ＬＡＩ有不同的敏感性。当ＬＡＩ＜３时，红蓝光波段敏感性较高。虽然这时绿光波段的敏感性不如红蓝光波段，然而绿光波段在更大的范围对ＬＡＩ都有相当的敏感性。当采用红绿蓝光波段的各种组合构成植被指数时，如果要使这些植被指数不出现饱和现象，并使对ＬＡＩ的敏感性有意义，其前提是要求这个波段或是波段组合的值要大于０．０２４，即ＶＮＤＩ（ｖｉｓｉｂｌｅＮＤＶＩ）公式中的ＶＩＳ＞０．０２４，否则将可能产生饱和现象，而使ＬＡＩ估算准确度降低。综合比较所有由红绿蓝光波段各种组合构成的植被指数对ＬＡＩ的估算能力，认为ＧＮＤＶＩ和ＧＢＮＤＶＩ与ＬＡＩ有比较好的关系。使用其他条件下的水稻数据对各种ＮＤＶＩ的ＬＡＩ估算能力进行了验证，仍然得到了同样的结论。可见，ＧＮＤＶＩ和ＧＢＮＤＶＩ在估算ＬＡＩ时确实比传统ＮＤＶＩ具有更好的效果。

关键词：植被指数；水稻；叶面积指数；反射光谱；遥感中图分类号：Ｓ１２７；Ｓ５１１．０１文献标识码：Ａ文章编号：１００１－７２１６（２００７）０２－０１５９－０８

　　叶面积指数ＬＡＩ（ｌｅａｆａｒｅａｉｎｄｅｘ）是陆表植被系统的一个重要属性，不仅可以用来推断光合作用、蒸发、蒸散等过程以及估算陆地生态系统净生产力，而且还可以作为参数输入到水平衡、全球碳循环等

１］，模型中［ＬＡＩ的测量对于提高这些模型的运行效

２］。水稻的叶面积指数是水稻生长的果至关重要［

用于估算植被参数（比如叶面积指数ＬＡＩ）的方法主要有两种：第一种是建立光谱植被指数和植被参数的经验统计关系；第二种是以辐射测量值为输入参数，通过使用优化程序，逆向利用二向反射模型

［５］。尽管两种方法各有（ＢＲＤＦＭｏｄｅｌ）来估算ＬＡＩ

优缺点，但是由于第一种方法简单且操作方便

收稿日期：２００６－０８－１０；修改稿收到日期：２００６－１０－１８。基金项目：国家自然科学基金资助项目（４０５７１１１５）；科技部科技基础性工作专项资助项目（２００３ＤＥＡ２Ｃ０１０－１３）。

第一作者简介：王福民（１９７８－），男，博士研究生。

一项重要参数，水稻的ＬＡＩ能提供水稻生长的动态信息。此外，水稻的ＬＡＩ还与生物量和产量直接相

３］。光学遥感技术以其简单、关［较准确、无破坏性

等优点，为从区域到全球尺度上ＬＡＩ反演提供了一

４］。种可行的经济实惠的方法［

１６０

中国水稻科学（ＣｈｉｎｅｓｅＪＲｉｃｅＳｃｉ）　第２１卷第２期（２００７年３月）

６－８］。Ｎ而被大量使用［ＤＶＩ是应用最广的植被指约为１４５ｄ），其特点是叶绿、色较浓，叶面较光滑，耐肥性较强，叶片短直，株型紧凑，并有耐寒、耐弱光、不易落粒和对稻瘟病抗性较弱等特征。１．１．２　试验地点

地点设在浙江大学试验场，东经１２０°１０′，北纬３０°１４′。试验设计为４．７６ｍ×４．６８ｍ的小区。行距、株距为１７ｃｍ×１３ｃｍ。设置４个重复，试验小区完全随机排列。供试土壤为砂壤土（砂粒８３％、数，也常用来估算ＬＡＩ。虽然ＮＤＶＩ与ＬＡＩ甚是相关，可是ＮＤＶＩ因为具有以下缺点而备受非议：１）地面实测的相对真实的ＮＤＶＩ与空中获取的ＮＤＶＩ之间的差异对大气和气溶胶引起的衰减作用比较敏感。２）当ＬＡＩ超过临界值２或３时，ＮＤＶＩ对于ＬＡＩ的敏感度随着ＬＡＩ的增加变得越来越弱（ＮＤＶＩ饱和现象）。３）土壤亮度差异可能会导致不

同影像ＮＤＶＩ的巨大差异［

９］。因此有大量研究者致力于解决这些问题，一方面试图发展新的植被指

数以减少大气［１０］和土壤背景对ＮＤＶＩ的影响［１１－１２］，以及它们的混合影响；另一方面从ＮＤＶＩ

出现饱和的原因角度考虑，提出新的植被指数替代

ＮＤＶＩ，比如：ＧＮＤＶＩ（ＧｒｅｅｎＮＤＶＩ）［１３］、ＶＡＲＩＶｉｓｉｂｌｅＡｔｍｏｓｐｈｅｒｉｃａｌｌｙＲｅｓｉｓｔａｎｔＩｎｄｅｘ）

［１４］。然而针对ＮＤＶＩ饱和的研究远不如大气和土壤影响的研究充分。

ＮＤＶＩ是红光波段和近红外波段的函数，在植被指数中最常用到的是这两个波段。这是因为绿色植被由于叶绿素的作用而对电磁波的红光区域有着强烈的吸收，由于细胞结构和冠层结构的作用而对

电磁波近红外区域有着强烈的反射［

１５－１６］，这两个区域包含着植被的大量信息［

１７］。然而人们往往由于太过注重可见光区域的红光波段的吸收，而忽略了红光波段易饱和的特点，同时也忽略了绿光波段和蓝光波段的使用。有大量的研究证明绿光波段和植

被参数有着密切的关系。Ｙｏｄｅｒ等［

１８］在一个植被指数中使用绿光波段，结果发现它与花旗松的光合

作用关系比使用红光波段要好。Ｇｉｔｅｌｓｏｎ等［

１９］分析了可见光反射率对于叶绿素含量的敏感性，结果认为绿光波段对叶绿素的敏感范围远远大于红光波

段，因此提出了ＧＮＤＶＩ。Ｇｉｔｅｌｓｏｎ等［

２０］利用绿光波段估算植被覆盖度，取得了较高的估算精度。对于蓝光波段的探索性使用还相对较少，然而蓝光波段也包含了植被吸收反射信息，因此也是可以利用的。本研究正是基于以上想法，尝试将可见光的红绿蓝三个波段的所有组合分别代替ＮＤＶＩ公式中的红光波段计算各种新类型的ＮＤＶＩ，然后分析这些新构成的植被指数对水稻ＬＡＩ的估算能力。

　材料与方法

．１　试验设计．１．１　试验材料

试验水稻品种为秀水１１０（常规粳稻，全生育期

粉粒１２．５％、黏粒４．３６％），土壤全氮含量为１．１５ｇ／ｋｇ，速效氮１８８．５ｍｇ／ｋｇ，全磷１．２１ｇ／ｋｇ，全钾７２．７ｍｇ／ｋｇ，有机质９．９６ｇ／ｋｇ１．２　测量方法１．２．１　测量仪器

使用美国ＡＳＤ（ＡｎａｌｙｔｉｃａｌＳｐｅｃｔｒａｌＤｅｖｉｃｅ）公

司的ＡＳＤＦｉｅｌｄＳｐｅＰｒｏＦＲＴＭ光谱仪，波段范围为

３５０～２５００ｎｍ，其中３５０～１０００ｎｍ光谱采样间隔为１．４ｎｍ，光谱分辨率为３ｎｍ；１０００～２５００ｎｍ光谱采样间隔为２ｎｍ，光谱分辨率为１０ｎｍ。１．２．２　光谱测定

于２００２年７月１７日、７月２３日、７月３０日、８月５日、８月２２日、８月３１日、９月２０日、１０月３日，１０：００～１４：００测定了水稻冠层光谱反射率。测量时基本无云无风，传感器探头垂直向下，视场角为２５°，距离冠层顶端约为０．７ｍ。每次测量前都进行了光谱仪的暗电流校正和标准白板校正，测量时每个采样点取１０条光谱，然后平均作为相应采样点的反射光谱值。１．２．３　ＬＡＩ测定

光谱测量结束之后，对相应位置（事先做过标记）的水稻进行取样，到实验室进行ＬＡＩ的测算。水稻叶片呈下窄、中宽、上尖形，实际面积小于长方形面积（长×宽）。水稻栽培学上经过测算得知，水稻苗期和成熟期叶形偏尖，实际面积为长方形的７５％，其他各生育期均为８３％。因此，单叶叶面积＝叶片长×叶片宽×校正系数。其中，水稻叶片长为从叶基到叶尖的长度，叶片宽为叶片最宽处的距离。然后由整个植株单叶叶面积计算总的叶面积，最后求出叶面积指数。１．３　模拟波段的选定

Ｌａｎｄｓａｔ－５卫星从１９８４年发射到现在已经服役２０多年，积累了大量的对地观测数据。为了方便以后将地面小区试验结果放到Ｌａｎｄｓａｔ－５卫星影像上验证，本研究分别选取Ｌａｎｄｓａｔ－５的蓝光波段（４５０～５２０ｎｍ）、绿光波段（５２０～６００ｎｍ）、红光波段

（１１１王福民等：新型植被指数及其在水稻叶面积指数估算上的应用

１６１

表１　计算可见光区域ＮＤＶＩ的公式

Ｔａｂｌｅ１．ＣｏｍｐｕｔａｔｉｏｎｆｏｒｍｕｌａｅｏｆｖａｒｉｏｕｓｖｉｓｉｂｌｅＮＤＶＩ．

名称Ｎａｍｅ

ＮＤＶＩ

ＧｒｅｅｎＮＤＶＩＢｌｕｅＮＤＶＩＧｒｅｅｎ－ＲｅｄＮＤＶＩＧｒｅｅｎ－ＢｌｕｅＮＤＶＩＲｅｄ－ＢｌｕｅＮＤＶＩＰａｎＮＤＶＩ

计算公式

Ｆｏｒｍｕｌａ

ＮＤＶＩ＝（ＮＩＲ－Ｒｅｄ）／（ＮＩＲ＋Ｒｅｄ）ＧＮＤＶＩ＝（ＮＩＲ－Ｇｒｅｅｎ）／（ＮＩＲ＋Ｇｒｅｅｎ）ＢＮＤＶＩ＝（ＮＩＲ－Ｂｌｕｅ）／（ＮＩＲ＋Ｂｌｕｅ）ＧＲＮＤＶＩ＝［ＮＩＲ－（Ｇｒｅｅｎ＋Ｒｅｄ）］／［ＮＩＲ＋（Ｇｒｅｅｎ＋Ｒｅｄ）］ＧＢＮＤＶＩ＝［ＮＩＲ－（Ｇｒｅｅｎ＋Ｂｌｕｅ）］／［ＮＩＲ＋（Ｇｒｅｅｎ＋Ｂｌｕｅ）］ＲＢＮＤＶＩ＝［ＮＩＲ－（Ｒｅｄ＋Ｂｌｕｅ）］／［ＮＩＲ＋（Ｒｅｄ＋Ｂｌｕｅ）］ＰＮＤＶＩ＝［ＮＩＲ－（Ｇｒｅｅｎ＋Ｒｅｄ＋Ｂｌｕｅ）］／［ＮＩＲ＋（Ｇｒｅｅｎ＋Ｒｅｄ＋Ｂｌｕｅ）］

说明

Ｒｅｓｏｕｒｃｅ

Ｒｏｕｓｅ，ｅｔａｌ．（１９７４）

［１３］

Ｇｉｔｅｌｓｏｎｅｔａｌ．（１９９６）本文Ｔｈｉｓｅｘｐｅｒｉｍｅｎｔ本文Ｔｈｉｓｅｘｐｅｒｉｍｅｎｔ本文Ｔｈｉｓｅｘｐｅｒｉｍｅｎｔ本文Ｔｈｉｓｅｘｐｅｒｉｍｅｎｔ本文Ｔｈｉｓｅｘｐｅｒｉｍｅｎｔ

　　ＮＩＲ、Ｇｒｅｅｎ、Ｒｅｄ和Ｂｌｕｅ分别表示近红外波段、绿光波段、红光波段和蓝光波段反射率。表２同。

ＮＩＲ，Ｇｒｅｅｎ，ＲｅｄａｎｄＢｌｕｅｓｔａｎｄｆｏｒｔｈｅｒｅｆｌｅｃｔａｎｃｅｓｏｆｎｅａｒｉｎｆｒａｒｅｄ，ｇｒｅｅｎ，ｒｅｄａｎｄｂｌｕｅｂａｎｄｓ，ｒｅｓｐｅｃｔｉｖｅｌｙ．ＴｈｅｓａｍｅａｓｉｎＴａｂｌｅ２．

（６３０～６９０ｎｍ）和近红外波段（７６０～９００ｎｍ）范围内光谱平均值作为计算各种植被指数的红、绿、蓝通道值。

１．４　各种ＮＤＶＩ的计算公式

为了充分挖掘可见光区域包含的有用信息，采用红、绿、蓝光三个波段的组合来代替常规ＮＤＶＩ中的红光波段，其中包括绿光波段、蓝光波段、绿光与红光波段的和、绿光与蓝光波段的和、红光与蓝光波段的和以及红绿蓝三波段的和，各种波段组合构成的ＮＤＶＩ公式如表１。其通用公式如下：（１）　　ＶｉｓｉｂｌｅＮＤＶＩ＝ＶＮＤＶＩ＝（ＮＩＲ－ＶＩＳ）／（ＮＩＲ＋ＶＩＳ）；其中，ＮＩＲ为近红外波段，ＶＩＳ为可见光波段，它可能是红绿蓝一个波段，也可能是几个波段的组合。文章以下部分将使用ＶＮＤＶＩ作为ＮＤＶＩ、ＧＮＤＶＩ、ＢＮＤＶＩ、ＧＲＮＤＶＩ、ＧＢＮＤＶＩ、ＲＢＮＤＶＩ和ＰＮＤＶＩ的统称。

１．５　变异系数的计算

变异系数（ＣＶ）是将标准差（Ｓ）除以算术平均数（珚ｘ）所得的比值，用以分析数据的离散程度。变异系数越大，数据的差异、离散程度越大。

表２　不同波段之间反射率的相关系数

Ｔａｂｌｅ２Ｃｏｅｆｆｉｃｉｅｎｔｓｏｆｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｒｅｆｌｅｃｔａｎｃｅｓｏｆｄｉｆｆｅｒｅｎｔ

ｂａｎｄｓ．

Ｂｌｕｅ

ＢｌｕｅＧｒｅｅｎＲｅｄＮＩＲ

１．０００００００．９６４０８００．９８１７６６

Ｇｒｅｅｎ０．９６４０８０１．０００００００．９７３４８４

Ｒｅｄ０．９８１７６６０．９７３４８４１．００００００

ＮＩＲ－０．３８２５５－０．３０８２５－０．４２８０５１．０００００

－０．３８２５５０－０．３０８２５０－０．４２８０５０

具有更多的独立信息。因此绿光波段和蓝光波段之间相对于其他组合包含了较多的信息，尽管如此，两

２还是达到了０者的线性拟合方程的Ｒ．９２９５。由表

２还可以明显地看出近红外波段与可见光区域的３个波段相关性都很差，且成负相关。说明了一般情况下，对于植被而言，随着近红外反射率的增加，可见光区域的反射率降低。

２．１．２　各种ＶＮＤＶＩ之间的相关分析

既然可见光各个波段存在着很大的相关性，因此由它们的不同组合构成的植被指数必然也高度相关。由表３可见，各种ＶＮＤＶＩ的相关系数都在０．９７以上，相关系数越大说明两个植被指数彼此越相似，而相对较小的相关系数表示两个植被指数有着较多的差别。当然这种差别来自构成植被指数波段差异和公式形式共同作用的结果。表３中ＢＮＤＶＩ与ＧＲＮＤＶＩ和ＰＮＤＶＩ的相关系数相对较小，就是由于蓝光波段与绿光波段及红绿蓝波段的和相差较大的结果。而其他相关系数大于０．９９的情况，表明两者可以高精度地相互线性变换。在估算ＬＡＩ时，两者将具有相似的估算精度。２．２　敏感性分析

２．２．１　红、绿、蓝光波段反射率对ＬＡＩ敏感性及其构成的植被指数的比较

环境变量可通过使用遥感数据分析准确估算的前提是：看这个变量是否为辐射方面的状态变量，是

２　结果与分析

２．１　相关性分析

２．１．１　可见光波段反射率之间的相关性

表１中各种形式的ＶＮＤＶＩ由４个波段构成，分别是蓝光波段、绿光波段、红光波段和近红外波段。由表２可见，可见光波段之间彼此都呈正相关且相关性很高，相关系数都在０．９５以上。其中以红光波段与蓝光波段的相关性最高，相关系数为０．９８１７６６；红光波段与绿光波段的相关性次之，相关系数为０．９７３４８４；绿光波段与蓝光波段的相关性最小，相关系数为０．９６４０８０。相关性越高说明两者包含的信息重复性越大；反之，相关性越小，说明两者

王福民等：新型植被指数及其在水稻叶面积指数估算上的应用

１６５

２表４　同一生长季节不同品种和不同生长季同一品种条件下的各种ＶＮＤＶＩ对水稻ＬＡＩ的最佳拟合Ｒ

２

Ｆｉｇ．４．Ｒｓｏｆｔｈｅｂｅｓｔｆｉｔｔｅｄｒｅｇｒｅｓｓｉｏｎｅｑｕａｔｉｏｎｕｎｄｅｒｔｈｅｄｉｆｆｅｒｅｎｔｃｏｎｄｉｔｉｏｎｓ．

品种（年份）Ｖａｒｉｅｔｙ（Ｙｅａｒ）

ＮＤＶＩＧＮＤＶＩ嘉早３２４Ｊｉａｚａｏ３２４（２００２）０．４２６１０．５７９９协优９３０８Ｘｉｅｙｏｕ９３０８（２００２）０．３０５３０．５２６８秀水１１０Ｘｉｕｓｈｕｉ１１０（２００３）

０．４２９５

０．６７１８

被指数与ＬＡＩ的散点图为指数分布。本研究经过比较各种形式（线性、对数、指数、幂函数等）的拟合方程，发现对于水稻整个生育期，各种ＶＮＤＶＩ对ＬＡＩ的最佳拟合方程为指数形式。

由图３可见各种ＶＮＤＶＩ对ＬＡＩ的拟合效果都相当不错。但是不同的植被指数也存在一定的差

别。其中以ＧＢＮＤＶＩ对ＬＡＩ的拟合效果最好，Ｒ

２值为０．８８５８；ＧＮＤＶＩ、ＧＲＮＤＶＩ、ＲＢＮＤＶＩ和

ＮＤＶＩ的拟合效果次之，Ｒ２都在０．８７以上；而ＮＤＶＩ和ＮＤＶＩ的拟合效果较差，Ｒ２分别为．８６９８和０．８５６３。虽然各个拟合方程的Ｒ

２相差不是很大，但是却反映出在使用可见光不同波段及组合代替常规ＮＤＶＩ的红光波段时，特别是使用绿光波段及绿蓝光波段构成的ＶＮＤＶＩ能够取得相对较好的估算效果。这个结果也与我们前面讨论的各个波段对ＬＡＩ变化的敏感性分析结果相一致。．３．２　植被指数对ＬＡＩ估算效果的验证

这里进行的验证不是像常规方法使用均方根误差的验证。这里所要验证的是：绿光波段及绿蓝光波段构成的ＶＮＤＶＩ对水稻ＬＡＩ的估算比由其他波段构成的植被指数ＶＮＤＶＩ效果好是否具有普适性。分别使用与本试验中同一生长季节的不同品种以及同一品种不同生长季的水稻数据进行验证。验证的水稻品种是同为２００２年的嘉早３２４（常规籼稻，全生育期１００～１０５ｄ）和协优９３０８（杂交籼稻，全生育期１４０～１４５ｄ）。另外还有２００３年的秀水１０。结果表明，无论是同一生长季的不同品种，还是不同生长季的同一品种，都是由绿光波段和绿蓝光波段构成的植被指数ＶＮＤＶＩ对ＬＡＩ具有最佳

的拟合效果。由表４可见，最大Ｒ２值基本出现在植被指数为ＧＮＤＶＩ和ＧＢＮＤＶＩ时。虽然它们的Ｒ

２值相对较小，但是基本趋势与前面的分析相一致。从而可见，ＧＮＤＶＩ和ＧＢＮＤＶＩ对ＬＡＩ的拟合效果比其他植被指数（ＮＤＶＩ、ＢＮＤＶＩ、ＧＲＮＤＶＩ、ＲＢＮＤＶＩ和ＰＮＤＶＩ）好，并且在几种条件下验证，以上结论仍然成立。

ＢＮＤＶＩＧＢＮＤＶＩＧＲＮＤＶＩＲＢＮＤＶＩＰＮＤＶＩ０．５４９３０．５７６１０．５１４２０．４８７８０．５２８３０．４７５４０．５１３７０．４３２７０．３８３３０．４４６１０．６４８２

０．６６３６

０．５６１８

０．５２６４

０．５８１９

３　讨论

水稻ＬＡＩ不仅与光能利用、干物质生产和积累以及产量的形成有着直接的关系，而且还可以作为许多模型的重要参数，比如ＳＡＩＬ（ＳｃａｔｔｅｒｉｎｇｂｙＡｒｂｉｔｒａｒｉｌｙＩｎｃｌｉｎｅｄＬｅａｖｅｓ）模型，使用遥感的方法进行ＬＡＩ的估算比传统方法具有明显的优势。本研究在前人研究的基础上提出了将所有可见光波段组合代替常规ＮＤＶＩ中的红光波段，来估算水稻ＬＡＩ，结果表明：在不同的ＬＡＩ范围，红绿蓝光３个波段对ＬＡＩ有不同的敏感性，当ＬＡＩ＜３时，红蓝光波段敏感性较高。虽然这时绿光波段的敏感性不如红蓝光波段，然而绿光波段在更大的范围对ＬＡＩ都有相当的敏感性。当ＬＡＩ＞３时，由绿光波段以及绿蓝光波段构成的ＧＮＤＶＩ和ＧＢＮＤＶＩ相对其他几个植被指数（ＮＤＶＩ、ＢＮＤＶＩ、ＧＲＮＤＶＩ、ＲＢＮＤＶＩ和ＰＮＤＶＩ）对ＬＡＩ具有较好的估算效果，这是由绿光波段和蓝光波段对ＬＡＩ敏感性以及ＶＮＤＶＩ特有的公式形式决定的。研究发现，当ＶＮＤＶＩ公式中ＶＩＳ＞０．０２４时，如果光谱波段对ＬＡＩ的相对敏感性较高，则会引起植被指数数值上较明显的变化，从而使它与ＬＡＩ形成较好的关系，当ＶＩＳ＜０．０２４时，即使光谱波段对ＬＡＩ相对敏感性高，但由于ＶＮＤＶＩ公式中ＮＩＲ波段的值较大，ＶＮＤＶＩ的数值仍然表现出微乎其微的变化，从而呈现出饱和现象。然而０．０２４这个ＶＩＳ值，只是一个初步结果，还有待于更多不同条件下的试验来验证。最后通过使用与本试验同一生长季、不同水稻品种及不同生长季、同一品种的水稻ＬＡＩ及其对应的光谱数据再次证明了由绿光波段和绿蓝光波段构成的ＧＮＤＶＩ和ＧＢＮＤＶＩ与ＬＡＩ具有较好的关系，可以对ＬＡＩ进行较其他植被指数相对较准确的估算。当然这个结论还有待于更多不同情况下水稻数据的验证，以及其他植被的验证。

值得一提的是，本实验结果是在由地面光谱模拟Ｌａｎｄｓａｔ－５卫星通道基础上得到的，因此这里所有的波段反射率指的都是地面反射率。然而当使用

ＰＢ０２１１６６

中国水稻科学（ＣｈｉｎｅｓｅＪＲｉｃｅＳｃｉ）　第２１卷第２期（２００７年３月）

卫星影像数据时，不得不考虑大气对于不同卫星通道的影响不同。虽然蓝光波段更容易受到大气散射的影响，但随着对大气校正理论与模型的不断发展，在各个波段都可获得比较准确的地面反射率，从而可以使用ＧＢＮＤＶＩ和ＧＮＤＶＩ进行ＬＡＩ的估算。参考文献：

ｆｒａｃｔｉｏｎａｌｖｅｇｅｔａｔｉｏｎｃｏｖｅｒ，ａｎｄｌｅａｆａｒｅａｉｎｄｅｘ．ＲｅｍｏｔｅＳｅｎｓ－ｉｎｇＥｎｖｉｒｏｎ，１９９７，６２：２４１－２５２．

［１０］ＫａｕｆｍａｎＹＪ，ＤｉｄｉｅｒＴ．Ａｔｏｍｏｓｐｈｅｒｉｃａｌｌｒｅｓｉｓｔａｎｔｖｅｇｅｔａｔｉｏｎ

ｉｎｄｅｘ（ＡＲＶＩ）ｆｏｒＥＯＳ－ＭＯＤＩＳ．ＩＥＥＥＴｒａｎｓＧｅｏｓｃｉＲｅｍｏｔｅＳｅｎｓ，１９９２，３０（２）：２６１－２７０．

［１１］ＱｉＪ，ＣｈｅｈｂｏｕｎｉＡ，ＨｕｅｔｅＡＲ，ｅｔａｌ．Ａｍｏｄｉｆｉｅｄｓｏｉｌ

ａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｎｖｉｒｏｎ，１９９４，４８：１１９－１２６．

［１２］ＨｕｅｔｅＡＲ，Ａｓｏｉｌ－ａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＳＡＶＩ）．Ｒｅｍｏｔｅ

［１］WａｎｇＱ，ＴｅｎｈｕｎｅｎＪ，ＤｉｎｈＮＱ，ｅｔａｌ．Ｅｖａｌｕａｔｉｏｎｏｆｓｅａｓｏｎ－

ａｌｖａｒｉａｔｉｏｎｏｆＭＯＤＩＳｄｅｒｉｖｅｄｌｅａｆａｒｅａｉｎｄｅｘａｔｔｗｏＥｕｒｏｐｅａｎｄｅｃｉｄｕｏｕｓｂｒｏａｄｌｅａｆｆｏｒｅｓｔｓｉｔｅｓ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｎｖｉｒｏｎ，２００５，９６：４７５－４８４．

［２］ＲｏｂｅｒｔｏＣ，ＤａｒｉｏＢ，ＤａｎｔｅＦ，ｅｔａｌ．Ｒｅｔｒｉｅｖａｌｏｆｌｅａｆａｒｅａｉｎ－

ｄｅｘｉｎｄｉｆｆｅｒｅｎｔｖｅｇｅｔａｔｉｏｎｔｙｐｅｓｕｓｉｎｇｈｉｇｈｒｅｓｏｌｕｔｉｏｎｓａｔｅｌｌｉｔｅｄａｔａ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｎｖｉｒｏｎ，２００３，８６：１２０－１３１．［３］何隆华，储开华，肖向明．Ｖｅｇｅｔａｔｉｏｎ图像植被指数与实测水

稻叶面积指数的关系．遥感学报，２００４，８（６）：６７２－６７６．［４］ＶｅｒｓｔｒａｅｔｅＭＭ，ＰｉｎｔｙＢ，ＭｙｎｅｎｉＲＢ．Ｐｏｔｅｎｔｉａｌａｎｄｌｉｍｉｔａ－

ｔｉｏｎｓｏｆｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｏｎｔｈｅｔｅｒｒｅｓｔｒｉａｌｂｉｏｓｐｈｅｒｅｆｒｏｍｓａｔｅｌｌｉｔｅｒｅｍｏｔｅｓｅｎｓｉｎｇ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｎｖｉｒｏｎ，１９９６，５８：２０１－２１４．

［５］ＱｉＪ，ＫｅｒｒＹＨ，ＭｏｒａｎＭＳ，ｅｔａｌ．Ｌｅａｆａｒｅａｉｎｄｅｘｅｓｔｉｍａｔｅｓ

ｕｓｉｎｇｒｅｍｏｔｅｌｙｓｅｎｓｅｄｄａｔａａｎｄＢＲＤＦｍｏｄｅｌｓｉｎａｓｅｍｉａｒｉｄｒｅ－ｇｉｏｎ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｎｖｉｒｏｎ，２０００，７３：１８－３０．

［６］ＰｒｉｃｅＪＣ，ＢａｕｓｃｈＷＣ．Ｌｅａｆａｒｅａｉｎｄｅｘｅｓｔｉｍａｔｉｏｎｆｒｏｍｖｉｓｉｂｌｅ

ａｎｄｎｅａｒ－ｉｎｆｒａｒｅｄｒｅｆｌｅｃｔａｎｃｅｄａｔａ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｎｖｉｒｏｎ，１９９５，５２：５５－６５．

［７］ＦａｓｓｎａｃｈｔＫＳ，ＧｏｗｅｒＳＴ，ＭａｃＫｅｎｚｉｅＭＤ，ｅｔａｌ．Ｅｓｔｉｍａｔｉｎｇ

ｔｈｅｌｅａｆａｒｅａｉｎｄｅｘｏｆｎｏｒｔｈｃｅｎｔｒａｌＷｉｓｃｏｎｓｉｎｆｏｒｅｓｔｕｓｉｎｇｔｈｅＬａｎｄｓａｔＴｈｅｍａｔｉｃＭａｐｐｅｒ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｎｖｉｒｏｎ，１９９７，６１：２２９－２４５．

［８］ＤａｖｉｄＰＴ，ＷａｒｒｅｎＢＣ，ＲｏｂｅｒｔＥＫ，ｅｔａｌ．Ｒｅｌａｔｉｏｎｓｈｉｐｓｂｅ－

ｔｗｅｅｎｌｅａｆａｒｅａｉｎｄｅｘａｎｄｌａｎｄｓａｔＴＭｓｐｅｃｔｒａｌｖｅｇｅｔａｔｉｏｎｉｎｄｉ－ｃｅｓａｃｒｏｓｓｔｈｒｅｅｔｅｍｐｅｒａｔｅｚｏｎｅｓｉｔｅｓ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｎｖｉ－ｒｏｎ，１９９９，７０：５２－６８．

［９］　ＣａｒｌｓｏｎＴＮ，ＲｉｐｌｅｙＤＡ．ＯｎｔｈｅｒｅｌａｔｉｏｎｂｅｔｗｅｅｎＮＤＶＩ，

ＳｅｎｓｉｎｇＥｎｖｉｒｏｎ，１９８８，５：２９５－３０９．

［１３］ＧｉｔｅｌｓｏｎＡＡ，ＫａｕｆｍａｎＹ，ＭｅｒｚｌｙａｋＭＮ．Ｕｓｅｏｆａｇｒｅｅｎ

ｃｈａｎｎｅｌｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｇｌｏｂａｌｖｅｇｅｔａｔｉｏｎｆｒｏｍＥＯＳ－ＭＯ－ＤＩＳ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｎｖｉｒｏｎ，１９９６，５８：２８９－２９８．

［１４］ＧｉｔｅｌｓｏｎＡＡ，ＫａｕｆｍａｎＹＪ，ＳｔａｒｋＲ，ｅｔａｌ．Ｎｏｖｅｌａｌｇｏｒｉｔｈｍｓ

ｆｏｒｒｅｍｏｔｅｅｓｔｉｍａｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎｆｒａｃｔｉｏｎ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｎｖｉｒｏｎ，２００２，８０：７６－８７．

［１５］浦瑞良，宫　鹏．高光谱遥感及其应用．北京：高等教育出版

社，２００３：８２－８３．

［１６］ＭａｊｏｒＤＪ，ＨｕｅｔｅＡＲ．Ａｒａｔｉｏｖｅｇｅｔａｔｉｏｎｉｎｄｅｘａｄｊｕｓｔｅｄｆｏｒ

ｓｏｉｌｂｒｉｇｈｔｎｅｓｓ．ＩｎｔｌＪＲｅｍｏｔｅＳｅｎｓ，１９９０，１１（５）：７２７－７４０．［１７］ＨａｎｄｉｎｅＧ，ＢｅｒｎａｒｄＰ，ＶｅｒｓｔｒａｅｔｅＭ，ｅｔａｌ．ＴｈｅＭＥＲＩＳ

ＧｌｏｂａｌＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ（ＭＧＶＩ）：Ｄｅｓｃｒｉｐｔｉｏｎａｎｄｐｒｅｌｉｍｉｎａ－ｒｙａｐｐｌｉｃａｔｉｏｎ．ＩｎｔｌＪＲｅｍｏｔｅＳｅｎｓ，１９９９，２０（９）：１９１７－１９２７．［１８］ＹｏｄｅｒＢＪ，ＷａｒｉｎｇＲＨ．Ｔｈｅｎｏｒｍａｌｉｚｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｏｆ

ｓｍａｌｌｄｏｕｇｌａｓ－ｆｉｒｃａｎｏｐｉｅｓｗｉｔｈｖａｒｙｉｎｇｃｈｌｏｒｏｐｈｙｌｌｃｏｎｃｅｎｔｒａ－ｔｉｏｎ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｎｖｉｒｏｎ，１９９４，４９：８１－９１．

［１９］ＧｉｔｅｓｏｎＡＡ，ＫａｕｆｍａｎＹＪ．ＭＯＤＩＳＮＤＶＩｏｐｔｉｍｉｚａｔｉｏｎｔｏｆｉｔ

ｔｈｅＡＶＨＲＲｄａｔａｓｅｒｉｅｓ－ｓｐｅｃｔｒａｌｃｏｎｓｉｄｅｒａｔｉｏｎｓ．ＲｅｍｏｔｅＳｅｎｓ－ｉｎｇＥｎｖｉｒｏｎ，１９９８，６６：３４３－３５０．

［２０］ＧｉｔｅｌｓｏｎＡＡ，ＳｔａｒｋＲ，ＧｒｉｔｓＵ，ｅｔａｌ．Ｖｅｇｅｔａｔｉｏｎａｎｄｓｏｉｌ

ｌｉｎｅｓｉｎｖｉｓｉｂｌｅｓｐｅｃｔｒａｌｓｐａｃｅ：Ａｃｏｎｃｅｐｔａｎｄｔｅｃｈｎｉｑｕｅｆｏｒｒｅ－ｍｏｔｅｅｓｔｉｍａｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎｆｒａｃｔｉｏｎ．ＩｎｔｌＪＲｅｍｏｔｅＳｅｎｓ，２００２，２３（１３）：２５３７－２５６２．

［２１］ＶｅｒｓｔｒａｅｔｅＭＭ，ＰｒｉｎｔｙＢ．Ｄｅｓｉｇｎｉｎｇｏｐｔｉｍａｌｓｐｅｃｔｒａｌｉｎｄｅｘ

ｆｏｒｒｅｍｏｔｅｓｅｎｓｉｎｇａｐｐｌｉｃａｔｉｏｎｓ．ＩＥＥＥＴｒａｎｓＧｅｏｓｃｉＲｅｍｏｔｅＳｅｎｓ，１９９６，３４（５）：１２５４－１２６５．