不同生育时期冬小麦叶面积指数高光谱遥感监测模型.pdf

第 30 卷 第 24 期 农 业 工 程 学 报 Vol.30 No.24 2014年 12月 Transactions of the Chinese Society of Agricultural Engineering Dec.2014 141 不同生育时期冬小麦叶面积指数高光谱遥感监测模型 贺 佳，刘冰锋，李 军（西北农林科技大学农学院，杨凌 712100）摘 要：高光谱遥感能快速无损获取植被冠层信息，是实现作物长势实时监测的重要技术。为研究不同氮磷水平下冬小麦不同生育时期叶面积指数高光谱遥感监测模型，提高叶面积指数高光谱监测精度，该研究连续 5 a 定位测定黄土高原旱地不同氮磷水平和不同冬小麦品种各生育时期冠层光谱反射率与叶面积指数，通过相关分析、回归分析等统计方法，构建不同生育时期冬小麦叶面积指数监测模型。结果表明：不同氮磷水平下，冬小麦叶面积指数随施肥量增加呈递增趋势，随生育时期改变呈抛物线趋势变化；随着氮磷供应量的增加，冠层光谱反射率在可见光波段显著降低 2%5%（P0.05），在近红外波段显著增加 4%10%（P0.05）；不同生育时期叶面积指数与优化土壤调整植被指数、增强型植被指数、新型植被指数、修正归一化差异植被指数、修正简单比值植被指数均达极显著相关（P0.01）；拔节期、孕穗期、抽穗期、灌浆期和成熟期叶面积指数分别与优化土壤调整植被指数、增强型植被指数、增强型植被指数、修正归一化差异植被指数和修正简单比值植被指数拟合效果较好，决定系数分别为 0.952、0.979、0.989、0.960 和 0.993；以不同年份独立数据验证模型表明，所建预测模型均有较好的验证结果，相对误差分别为 13.0%、13.5%、12.8%、12.6%和 14.0%，均方根误差分别为：0.313、0.336、0.316、0.316、0.324。因此，优化土壤调整植被指数、增强型植被指数、增强型植被指数、修正归一化差异植被指数和修正简单比值植被指数能有效评价拔节期、孕穗期、抽穗期、灌浆期和成熟期冬小麦叶面积指数。同时，叶面积指数分段监测模型较统一监测模型精度有所改善。该结果为实现不同肥力水平下冬小麦不同生育时期长势精确监测提供理论依据和技术支撑。关键词：农作物；遥感；监测；冬小麦；叶面积指数；高光谱遥感；监测模型 doi：10.3969/j.issn.1002-6819.2014.24.017 中图分类号：S512.1；S127 文献标志码：A 文章编号：1002-6819(2014)-24-0141-10 贺 佳，刘冰锋，李 军.不同生育时期冬小麦叶面积指数高光谱遥感监测模型J.农业工程学报，2014，30(24)：141150.He Jia,Liu Bingfeng,Li Jun.Monitoring model of leaf area index of winter wheat based on hyperspectral reflectance at different growth stagesJ.Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2014,30(24):141150.(in Chinese with English abstract)0 引 言 叶面积指数（leaf area index，LAI）是单位地表面积上植物叶单面面积的总和1，是反映作物群体长势状况的重要参数，它与作物蒸腾作用、光能截获、光合速率、净初级生产力等密切相关2-5，是作物生长模型、净初级生产力模型、及生态模型的重要特征参量6-8，是作物水肥调控、长势监测以及产量评估的重要指标9。传统的作物 LAI 监测能相对准确的获得小范围 LAI，但无法快速获取大范围 收稿日期：2014-08-11 修订日期：2014-11-25 基金项目：863 计划（2013AA102902）；国家自然科学基金（31071374，30771280）作者简介：贺 佳，男，河南陕县人，博士，主要从事高效农作制度研究。杨凌 西北农林科技大学农学院，712100。Email： 通信作者：李 军，男，甘肃泾川人，博士，教授，博士生导师，主要从事旱作农业生态、高效农作制度、数字农作技术等领域科研和教学工作。杨凌 西北农林科技大学农学院，712100。Email： 作物 LAI，而高光谱遥感凭借波段连续性强、光谱信息量大的优势为实时快速监测作物长势提供有效途径。20 世纪 70 年代科学家已展开了 LAI 与植被光谱特征的研究10，并证实了应用遥感技术反演植被LAI 是可行的11。随着高光谱遥感技术发展，通过光谱技术直接对地物进行分析，在农作物长势监测研究中具有较大优势12。刘占宇等13指出调节归一化 植 被 指 数（adjusted normalized difference vegetation index，ANDVI）预测水稻 LAI 精度达到63.1%。林卉等14利用优化土壤调整植被指数（optimized soil adjusted vegetation index，OSAVI）建立小麦 LAI 值反演模型。夏天等15通过神经网络法反演冬小麦 LAI 预测精度达到 99.0%。谢巧云等16指出支持向量机反演冬小麦 LAI 精度达到 82.3%。李鑫川等17提出分段选择敏感植被指数能提高LAI预测精度。赵娟等18指出基于不同形式植被指数构建不同生育时期冬小麦LAI反演模型能提高模型预农业工程学报 2014 年 142 测精度。Wang Fumin 等19和 Curran 等20通过改善植被指数提高 LAI 预测精度。Hatfield 等21研究指出比值植被指数（ratio vegetation index，RVI）与LAI 具有较高的相关性。Shibayama 等22研究表明RVI 很好地预测水稻 LAI。Haboudanea 等23、Darvishzadeh 等24和 Zhao 等25通过降低土壤背景影响，提高 LAI 反演精度。Gitelson 等26提出并利用绿波段比值植被指数（green ratio vegetation index，GRVI）反演 LAI。Liu 等27指出增强型植被指数（enhanced vegetation index，EVI）预测 LAI具有较高精度。此外，还有学者通过不同方式提高LAI 反演精度28-31。基于高光谱遥感监测作物长势已经成为精准农业研究热点问题之一32-33。由于作物 LAI 和冠层光谱反射率受作物养分状况和生育阶段等因素影响而存在一定差异。在不同生育阶段，大田观测视场内冬小麦冠层结构和背景信息也在不断变化，这些因素造成不同生育时期所构建植被指数对LAI的敏感程度存在差异，最终导致通过某一植被指数建立 LAI 统一监测模型，易受较多外界因素干扰，模型反演精度不高。鉴于此，本文通过连续 5 a 大田试验，定位研究不同氮磷水平下，不同生育时期冬小麦冠层光谱反射率与 LAI，分析不同生育时期LAI 与植被指数的定量关系，建立 LAI 分段高光谱遥感监测模型，旨在探索能适应不同生育时期更为精准的植被指数，提高冬小麦 LAI 预测精度，为实现不同肥力水平下冬小麦不同生育时期长势精确监测和诊断提供理论依据和技术支撑。1 材料与方法 1.1 试验地概况 试验设于西北农林科技大学北校区，10810E，3410N，海拔 454.8 m，温带大陆性季风型气候，年平均温度 1214，无霜期 220 d，年蒸发量1 400 mm，年平均降水量 621.6 mm。试验地为粉砂黏壤土，020 cm 土层土壤养分质量分数为：有机质14.26 mg/kg，全氮0.90 g/kg，碱解氮36.00 mg/kg，速效磷 17.64 mg/kg；2040 cm 土层养分质量分数为：有机质 10.04 mg/kg，全氮 0.62 g/kg，碱解氮25.29 mg/kg，速效磷 23.85 mg/kg。1.2 试验设计 试验于 20092014 年实施，采取随机区组设计，每年设置 2 个抗旱程度不同的冬小麦品种，共8 个品种，依据该地区小麦生产措施，设置 5 个氮素水平，4 个磷肥水平，3 组重复。小区面积为3 m10 m。5 个氮肥（46%N 尿素）水平分别为：N0（不施肥）、N1（75 kg/hm2纯氮）、N2（150 kg/hm2纯氮）、N3（225 kg/hm2纯氮）和 N4（300 kg/hm2纯氮），总氮肥 60%作为基肥，40%作为追肥，于返青后拔节前施入。4 个磷肥（16%CaP2H4O8）水平分别为：P0（不施肥）、P1（60 kg/hm2P2O5）、P2（120 kg/hm2 P2O5）、P3（180 kg/hm2 P2O5），磷肥作为底肥一次性施入。不施钾肥，其他田间管理按照黄土高原高产田措施进行良好管理34。播种量均为187.50 kg/hm2，每小区播种量约 0.56 kg。不同年份供试品种、播种、收获及数据采集日期见表 1。表 1 不同年份田间试验基本情况 Table 1 Basic information for experiment in different years 品种 Variety 年份 Year 强抗旱型 Strong drought resistance弱抗旱型 Weak drought resistant播种日期（年-月-日）Sowing（Year-month-date）收获日期（年-月-日）Harvesting（Year-month-date）数据采集日期（月-日）Data Collection（Month-date）2009-2010 晋麦 47 西农 979 2009-10-09 2010-06-05 04-07、04-22、05-07、05-20、05-272010-2011 晋麦 47 西农 979 2010-10-13 2011-06-10 04-09、04-23、05-07、05-18、06-032011-2012 普冰 9946 西农 2000 2011-10-16 2012-06-08 04-08、04-23、05-05、05-19、06-032012-2013 周麦 18 小偃 22 2012-10-10 2013-06-09 04-03、04-17、05-03、05-18、05-302013-2014 长旱 58 漯麦 9 号 2013-10-08 2013-06-11 04-05、04-20、05-04、05-19、06-04 1.3 测定指标及方法 1.3.1 冠层光谱反射率测量 冬小麦冠层光谱反射率采集用美国 Analytical Spectral Devices（ASD）公司 Field-spec Pro FR-2500型背挂式野外高光谱辐射测量仪，波段为 3502 500 nm，3501 000 nm 光谱采样间隔为 1.4 nm，光谱分辨率为 3 nm；1 0002 500 nm，光谱采样间隔为 2 nm，光谱分辨率为 10 nm。冠层光谱反射率在天气晴朗、无风时测量，适宜时间为每天10:0014:00。测量时传感器探头垂直向下，光谱仪视场角为 7.5，距冠层顶垂直高度约 2530 cm，地面视场范围直径为 0.5 m。分别于冬小麦拔节期、孕穗期、抽穗期、灌浆期、成熟期测量。每个观测点记录 10 个采样光谱，每小区测 3 次重复，取算数平均值作为该观测点冠层光谱反射率。测量过程中，于每一处理测量完毕后，及时进行标准白板校正（标准白板反射率为 1，因此所得目标物光谱为相对反射率），以便于准确测量下一处理。第 24 期 贺 佳等：不同生育时期冬小麦叶面积指数高光谱遥感监测模型 143 1.3.2 叶面积指数测量 冬小麦冠层 LAI 测量与冠层光谱反射率采集同步进行。测完光谱反射率后，在同一取样范围内，以美国Decagon公司 AccuPARLP-80植物冠层分析仪测量，测量时为保证所得数据准确有效，在平行于小麦垄间、垂直垄间各测3次，取算数平均值为该测量点LAI。1.4 植被指数及拟合模型的选择 本文在前人研究基础上选取以下 5 种植被指数35-38，于不同生育时期监测冬小麦 LAI，以 LAI为因变量，不同类型植被指数为自变量，建立冬小麦 LAI 高光谱遥感监测模型。不同植被指数计算公式及来源见表 2。表 2 本文采用的高光谱植被指数 Table 2 Hyperspectral vegetation indices in this article 植被指数 Vegetation Indices 计算公式 Expressions 优化土壤调整植被指数 Optimized soil adjusted vegetation index(OSAVI)OSAVI=1.16(R800R670)/(R800+R670+0.16)35 增强型植被指数 Enhanced vegetation index(EVI2)EVI2=2.5(R800R660)/(1+R800+2.4R660)36 新型植被指数 New vegetation index(NVI)NVI=(R777R747)/R67337 修正归一化差异植被指数 Modified normalized difference vegetation index(mNDVI)mNDVI=(R750R705)/(R750+R7052R445)38 修正简单比值植被指数 Modified simple ratio index(mSRI)mSRI=(R750R445)/(R750+R445)38 注：R800、R670、R660、R777、R747、R750、R705、R445、R673分别为 800、670、660、777、747、750、705、445、673 nm 波段出光谱反射率。Note:R800,R670,R660,R777,R747,R750,R705,R445,R673is spectral reflectance of 800,670,660,777,747,750,705,445,673 nm,respectively.1.5 数据处理与分析 将试验所得数据，依据不同年份、不同氮磷耦合水平、不同生育时期、不同冬小麦品种将 LAI 和冠层光谱反射率数据分别汇总。用 ViewSpec 软件对冠层光谱反射率进行预处理。以 20102011 年大田试验数据分析不同氮磷水平下不同生育时期冬小麦 LAI 动态变化；以 20112012 年抽穗期西农 2000 冠层光谱反射率为例，分析不同氮磷耦合水平对冬小麦冠层光谱反射率的响应趋势；将 20092014 年全部数据汇总，按照不同年份、不同氮磷水平、不同生育时期冠层光谱反射率与其对应 LAI进行相关分析，建立从拔节期到成熟期的 LAI 统一监测模型，并验证模型精度；将 20112012 和 20122013 年不同品种同一生育时期 LAI 与相应植被指数进行相关性分析，建立不同生育时期冬小麦LAI分段监测模型；以20092010年和20132014年独立试验数据对不同生育时期监测模型进行验证，比较分析均方根误差（root mean square error，RMSE）和相对误差（relative error，RE）对预测值与实测值进行检验。2 结果与分析 2.1 不同氮磷施肥水平对冬小麦叶面积指数的影响 以 20102011 年大田试验数据为例，分析不同氮磷水平下西农979和晋麦47不同生育时期LAI动态变化（表 3）。表 3 不同氮磷水平下小麦叶面积指数变化（2010-2011 年）Table 3 Changes of LAI（leaf area index）in different winter wheat under different N and P rates(2010-2011)西农 979 Xinong979 晋麦 47 Jinmai47 肥力梯度 Fertility 拔节期 Jointing 孕穗期Booting 抽穗期 Heading 灌浆期 Filling 成熟期Maturity 拔节期 Jointing 孕穗期Booting 抽穗期 Heading 灌浆期 Filling 成熟期Maturity P0 0.53a 1.25a 1.65a 1.48a 1.28a 0.66a 0.88a 1.84a 1.30a 1.05a P1 0.75b 1.38a 1.74a 1.52a 1.35a 0.78a 1.53b 1.90a 1.56a 1.25b P2 0.80b 1.88b 2.74b 2.58b 2.08b 0.85b 1.74b 2.54b 2.19b 1.87c N0 P3 1.03c 2.13c 2.83b 2.38b 2.05b 0.99b 1.85b 2.99c 2.43c 1.99c P0 1.05a 1.99a 2.13a 2.01a 1.86a 1.35a 1.87a 2.23a 1.87a 1.54a P1 1.08a 1.87a 2.35a 1.97a 1.63a 1.46b 2.01b 2.86b 2.40b 2.08b P2 1.32b 2.21b 2.72b 2.56b 1.85a 1.50b 2.39c 2.94b 2.59b 2.29b N1 P3 2.12c 2.61c 3.49c 3.30c 2.95b 1.50b 2.59c 3.59c 3.26c 2.95c P0 1.18a 1.75a 2.23a 1.94a 1.56a 1.55a 2.33a 2.86a 2.50a 2.37a P1 1.52b 1.80a 2.23a 1.84a 1.48a 1.78b 2.41a 3.44b 3.15b 2.52b P2 1.54b 2.20b 3.04b 2.75b 2.46b 1.87b 2.76b 3.77c 3.05b 2.44b N2 P3 2.18c 2.62c 4.01c 3.20c 3.03c 1.57a 2.61b 3.82c 3.31c 2.31a P0 1.85a 1.88a 2.75a 2.13a 1.89a 1.75a 2.16a 2.87a 2.53a 2.32a P1 1.96b 2.25b 3.27b 3.04c 2.69b 2.00b 2.87b 3.89b 3.18b 2.52b P2 2.19b 2.75c 3.64c 2.96b 2.77b 2.10c 3.04c 4.71c 4.26c 3.47c N3 P3 2.06b 3.21d 4.43d 3.55d 2.97c 2.29d 3.10c 4.86c 4.25c 3.44c P0 1.76a 2.15a 2.51a 2.42a 2.23a 2.49a 2.65a 3.45a 2.58a 2.37a P1 2.57b 2.75b 2.83b 2.98b 2.66b 2.52a 3.99b 4.23b 3.72b 3.20b P2 2.91c 3.33c 3.53c 3.39c 3.05c 2.62b 4.37c 4.81c 3.68c 3.24b N4 P3 3.14c 3.36c 3.89d 3.43c 3.23d 2.63b 4.47c 4.63c 3.88c 3.32b 注：N0、N1、N2、N3、N4分别为 0、75、150、225 和 300 kghm-2纯氮。P0、P1、P2、P3分别为 0、60、120 和 180 kghm-2 P2O5。同列数据后，不同小写字母表示差异显著（P0.05），下同。Note：N0,N1,N2,N3,N4 indicated 0,75,150,225 and 300 kghm-2 purenitrogen respectively.P0,P1,P2,P3indicated 0,60,120 and 180 kghm-2 P2O5 respectively.Values followed by different small letters within a column denoted significant difference at 0.05 probability level,the same below.农业工程学报 2014 年 144 由表 3 可知：在相同氮肥水平下，随着施磷量增加（N2P0、N2P1、N2P2、N2P3），LAI 显著增加（P0.05）；在相同磷肥水平下，增施氮肥（N0P2、N1P2、N2P2、N3P2、N4P2），LAI 亦呈显著递增趋势（P0.05）；高氮水平与不同磷肥梯度耦合下，LAI 均高于低氮水平下氮磷耦合水平，如西农 979拔节期 N4P3处理分别比 N3P3、N2P3、N1P3和 N0P3增加 1.08、0.96、1.02、2.11（P0.05），表明氮磷配施能有效促进小麦 LAI 提高，同时也说明增施氮肥能促进小麦对磷肥的吸收和利用。在同一氮磷水平下，随着生育时期延长，LAI 从拔节期到抽穗期逐渐增加，至抽穗期达到最大值，灌浆期植株由营养生长转入生殖生长，叶片衰老，LAI 逐渐降低，整个生育期从拔节期至成熟期 LAI 呈现“低-高-低”的抛物线变化趋势。随着氮磷耦合水平的提高，成熟期LAI仍较拔节期高，这是由于过量氮磷供应，延缓植株衰老，表明过量氮磷营养，虽能促进 LAI增加，但易导致贪青晚熟。同一生育时期不同肥力梯度下 LAI 呈现显著差异。不同生育时期 2 个冬小麦品种间 LAI 差异较小，这与不同品种对氮磷营养吸收和利用有关。2.2 不同氮磷施肥水平下的冬小麦冠层光谱反射率 以 20112012 年抽穗期西农 2000 冠层光谱反射率为例，分析不同氮磷水平下冬小麦冠层光谱反射率的趋势（图 1）。为降低噪声干扰，将原始光谱反射率数据 3502 500 nm 范围内受水汽影响的波段 1 350、1 850 和 2 450 nm 附近数据剔除，以便于进行数学分析及建模。由图 1 可知：不同氮磷水平下冬小麦冠层光谱反射率在 550 nm 处有一反射峰，不同氮磷水平存在较大差异；在 710760 nm之间，光谱反射率急剧上升，不同氮磷水平下差异较小；在 970 nm 附近光谱反射率出现一个吸收谷，随着氮磷水平增加，该吸收谷有加深趋势；在 760950 和 1 0001 120 nm 波段内波动较小，反射率随氮磷水平增加而呈递增趋势。由图 1a 可知，在适量磷水平下，不同处理（N0P2、N1P2、N2P2、N3P2、N4P2）间有相似规律。随着施氮量的增加，在可见光波段（380760 nm）冠层光谱反射率呈降低趋势，N2P2、N3P2、N4P2较N0P2、N1P2降低 3%5%左右；在近红外波段（7601 400 nm）呈递增趋势，N2P2、N3P2、N4P2较 N0P2、N1P2显著增加 4%10%（P0.05）。由图 1b 可知，在适量氮水平下，随着施磷量的增加（N2P0、N2P1、N2P2、N2P3），冠层光谱反射率在可见光波段（380760 nm）呈降低趋势，N2P2、N2P3较 N2P0、N2P1显著降低 2%5%（P0.05）；在近红外波段（7601 400 nm）呈递增趋势，N2P2、N2P3较 N2P0、N2P1显著提高 5%10%（P0.05）。总之，随着氮磷供应量的增加，冠层光谱反射率在可见光波段显著降低 2%5%（P0.05），在近红外波段显著增加4%10%（P0.05）。a.不同氮肥水平下冠层光谱反射率的变化 a.Dynamic of canopy spectral reflectance under different N application rates b.不同磷肥水平下冠层光谱反射率的变化 b.Dynamic of canopy spectral reflectance under different P application rates 注：N0、N1、N2、N3、N4分别为 0、75、150、225 和 300 kghm-2纯氮。P0、P1、P2、P3分别为 0、60、120 和 180 kghm-2 P2O5。Note：N0,N1,N2,N3,N4 indicated 0,75,150,225 and 300 kghm-2 purenitrogen respectively.P0,P1,P2,P3 indicated 0,60,120 and 180 kghm-2 P2O5 respectively.图 1 不同氮、磷水平下的冬小麦冠层光谱反射率（20112012 年抽穗期）Fig.1 Dynamic of canopy spectral reflectance of winter wheat under different N and P application rates (2011-2012 Heading stage)2.3 冠层光谱反射率与叶面积指数的相关性 将 20092014 年试验所有独立数据按不同年份、不同氮磷水平、不同品种、不同生育时期将冠层光谱反射率与其相对应 LAI 进行相关分析（图2），分析冠层光谱反射率与 LAI 的相关性。由图可知：在 350710 nm 冬小麦冠层光谱反射率与LAI 呈显著负相关（P0.05），在 690 nm 附近有最大负相关（P0.05），相关系数约0.60 左右；在第 24 期 贺 佳等：不同生育时期冬小麦叶面积指数高光谱遥感监测模型 145 690760 nm 波段，相关系数随着波长增加呈增加趋势，在 730 nm 附近相关系数迅速接近 0，760 nm附近相关系数达 0.50 左右，随着波长向长波方向移动，光谱反射率受叶片细胞结构影响逐渐增强，相关系数开始降低；在 7601 100 nm 之间，相关系数相对比较平稳，在 970 nm 附近有一个小的低谷，可能与叶片含水率的微弱吸收有关；当波长大于1 300 nm 时，LAI 与光谱反射率又呈负相关。这表明 LAI 敏感波段不仅存在于蓝光、绿光及红光吸收带，而且在近红外反射平台处也存在敏感波段。注：0.05 表示达 5%显著水平。Note:5%indicated significant at the 0.05levels.图 2 冬小麦冠层光谱反射率与叶面积指数的相关性 Fig.2 Correlation between canopy hyperspectral reflectance and LAI(leaf area index)of winter wheat 2.4 拔节期至成熟期叶面积指数统一监测模型的拟合与验证 2.4.1 拔节期至成熟期植被指数与叶面积指数的相关性 通过冠层光谱反射率与相对应 LAI 的相关性（n=1 000），依据表 2 公式计算植被指数，分析拔节期至成熟期植被指数与 LAI 的相关性（表 4）。由表 4 可知，不同类型植被指数均与 LAI 达极显著相关水平（P0.01），相关系数 r 范围为：0.7140.759，按照统计学规定，相关系数 0.5|r|0.8，植被指数与 LAI 达中度相关。表明所选 5 种植被指数均能用来监测拔节期至成熟期冬小麦 LAI，可作为构建冬小麦 LAI 监测模型的参数。表 4 拔节期至成熟期植被指数与叶面积指数的相关系数 Table 4 Correlation coefficient between vegetation indices and LAI(leaf area index)from jointing to maturity stages 植被指数 Vegetation indices 参数 ParametersOSAVIEVI2 NVI mNDVImSRI LAI 0.714*0.734*0.745*0.759*0.758*注：OSAVI 为优化土壤调整植被指数；EVI2 为增强型植被指数；NVI为新型植被指数；mNDVI 为修正归一化差异植被指数；mSRI 为修正简单比值植被指数。*表示在 0.01 水平上显著相关。下同。Note:OSAVI is Optimized soil adjusted vegetation index.EVI2 is Enhanced vegetation index.NVI is New vegetation index.mNDVI is Modified normalized difference vegetation index.mSRI is Modified simple ratio index,the same below.*indicates significant correlation at 0.01 level.Same as below.2.4.2 拔节期至成熟期叶面积指数统一监测模型的拟合与验证 选择 20102013 年冬小麦 LAI 与对应植被指数（n=600），建立基于拔节期至成熟期冬小麦 LAI统一监测模型，并以 20092010 和 20132014 年2 a 独立试验数据（n=400）对拟合模型进行验证（表5）。由表 5 可知：基于 OSAVI、EVI2、NVI、mNDVI、mSRI 均能建立拔节期至成熟期冬小麦 LAI 的统一预测模型，R2范围为 0.5100.576，SE 范围为0.4200.484；验证模型 RE 范围为：22.6%26.3%，RMSE 范围为：0.5370.613。表 5 拔节期至成熟期叶面积指数统一监测模型的拟合与验证 Table 5 Fitting and performance monitoring model of LAI(leaf area index)of winter wheat from jointing to maturity stage 拟合模型 Fitting model 验证模型 Performance model 植被指数 Vegetation indices 拟合方程 Equation 决定系数 Determination coefficientR2 标准误差 Standard error SE 相对误差 Relative error RE/%均方根误差 Root mean square errorRMSE OSAVI y=0.349x+1.370 0.510 0.423 24.9 0.596 EVI2 y=0.405x+1.423 0.539 0.420 22.6 0.537 NVI y=0.293x+2.089 0.555 0.475 26.3 0.613 mNDVI y=0.291x+1.723 0.576 0.484 23.2 0.557 mSRI y=0.345x+1.381 0.575 0.431 22.7 0.539 2.5 不同生育时期叶面积指数分段监测模型的拟合与验证 2.5.1 不同生育时期植被指数与叶面积指数的相关性 将 20112012 和 20122013 年不同品种、同一生育时期 LAI 与相应植被指数进行相关性分析（n=80）。由表 6 可知，不同生育时期所选植被指数与 LAI 均达极显著相关性（P0.01），相关系数r 范围为 0.8520.987，较拔节期至成熟期植被指数与 LAI 的相关系数（0.7140.759）有所提高。表明所选 5 种植被指数均能反演从拔节期至成熟期不同生育时期冬小麦 LAI 动态，可以作为构建冬小麦农业工程学报 2014 年 146 LAI 监测模型的参数。2.5.2 不同生育时期叶面积指数分段监测模型的拟合与验证 通过对不同生育时期植被指数与LAI的相关分析，将 LAI 与相对应植被指数进行拟合，建立基于不同植被指数的不同生育时期 LAI 分段监测模型，选择拟合度（R2）较高，标准误差（SE）较小的拟合模型作为不同生育时期LAI最佳监测模型。同时，以 20092010 年和 20132014 年大田 LAI 数据为实测值，对拟合模型预测值进行验证，通过分析实测值与预测值的 RE 和 RMSE 评价监测模型的可靠性（表 7）。表 6 不同生育时期植被指数与叶面积指数的相关系数 Table 6 Correlation coefficient between vegetation indices and LAI(leaf area index)at different growth stages 植被指数 Vegetation indices 生育时期 Growth stages OSAVI EVI2 NVI mNDVI mSRI 拔节期 Jointing 0.955*0.877*0.918*0.933*0.860*孕穗期 Booting 0.905*0.973*0.971*0.964*0.852*抽穗期 Heading 0.931*0.987*0.958*0.891*0.867*灌浆期 Filling 0.937*0.941*0.945*0.962*0.961*成熟期 Maturity 0.985*0.962*0.978*0.935*0.985*表 7 不同生育时期叶面积指数监测模型拟合及验证 Table 7 Fitting and performance of monitoring model LAI(leaf area index)of winter wheat at different growth stages 拟合模型 Fitting model 验证模型 Performance model 生育时期 Growth stages 植被指数 Vegetation indices 拟合方程 Equation 决定系数 Determination coefficient R2 标准误差 Standard error SE 相对误差 Relative error RE/%均方根误差 Root mean square error RMSE OSAVI y=-0.033x2+0.737x0.833 0.952 0.014 13.0 0.313 EVI2 y=11.535x2+20.350 x5.264 0.900 0.330 15.3 0.341 NVI y=0.123x2+1.202x+0.440 0.945 0.030 14.3 0.337 mNDVI y=18.972x216.729x+4.352 0.940 0.339 18.6 0.467 拔节期 Jointing mSRI y=13.858x2+23.827x7.288 0.875 0.257 16.3 0.436 OSAVI y=0.009x2+0.032x+0.344 0.963 0.319 14.1 0.349 EVI2 y=25.795x215.719x+3.171 0.979 0.007 13.5 0.336 NVI y=0.035x2+1.011x+0.402 0.949 0.032 16.9 0.453 mNDVI y=89.013x2109.820 x+34.745 0.968 0.387 14.3 0.381 孕穗期 Booting mSRI y=228.810 x2357.380 x+140.4600.965 0.286 15.7 0.435 OSAVI y=0.005x2+0.428x+1.056 0.976 0.327 13.3 0.321 EVI2 y=20.789x29.376x+2.644 0.989 0.007 12.8 0.316 NVI y=0.128x2+1.287x+1.393 0.983 0.024 14.5 0.353 mNDVI y=14.474x28.001x+2.609 0.894 0.391 15.3 0.386 抽穗期 Heading mSRI y=75.454x2104.130 x+37.295 0.976 0.293 15.