輻射傳輸模型多尺度反演植被理化參數研究進展

肖艷芳，周德民，趙文吉

(首都師范大學三維信息獲取與應用教育部重點實驗室，北京 100048)

植被為包括人類在內的幾乎所有生物的生存提供物質和能量來源，是生態系統中最重要的組成成分之一。許多有關植物物質能量交換的生態過程如光合作用、蒸騰作用、呼吸作用、初級生產力和分解作用等都與植被的理化參數密切相關。例如葉綠素是植被光合作用的必要元素，是監測植被營養脅迫、葉片氮素缺乏、病蟲害以及估算農作物產量的重要指示劑［1］。植物含水量是植被干旱監測和森林火災預警的一個不可或缺的指標［2］。氮素是植物生長最重要的營養元素，與植物的凈光合速率以及呼吸作用、初級生產力等具有很強的關系［3］。

遙感技術是在一系列空間和時間尺度上監測地球生物圈和植被動態變化的十分有效的工具。定量估測植被的生理生化參數，是遙感技術成功地應用于植被信息管理的關鍵因素。相對于費時、費力且難以大面積開展的傳統植被理化參數測量方法，遙感技術能夠方便快速地獲取連續空間上的地物光譜信息。尤其是近年來高光譜成像技術的快速發展，使得通過遙感技術定量反演植被理化參數成為研究的熱點。

輻射傳輸模型基于數學、物理學、生物學的基本理論，通過模擬光在植被內部的輻射傳輸過程與作用機制，來獲取植被生化參數及植被結構等信息。相對于缺乏明確物理意義的經驗/半經驗方法，輻射傳輸模型在反演植被理化參數方面表現出更強的穩定性和可移植性。由于研究對象的空間尺度變化大，不同尺度下影響植被輻射傳輸過程的因素不盡相同，因此針對研究對象的不同，國內外的研究者在不同尺度上建立了描述植被與電磁波輻射之間相互作用的數學物理模型。本文在總結國內外研究者大量工作的基礎上，分別介紹葉片尺度、冠層尺度和像元尺度下幾種典型的輻射傳輸模型，闡述基于輻射傳輸模型反演植被理化參數的尺度研究進展，分析目前理化參數遙感反演所面臨的主要問題和發展前景。

1 不同尺度下的植被輻射傳輸模型

1.1 葉片尺度

1990年Jacquemoud［4］基于Allen平板模型發展起來的PROSPECT模型是應用最多的葉片輻射傳輸模型。該模型假設葉片由N層同性質的平板組成，由N-1層空氣隔開，光線的非漫射特性只存在于最頂層。模型需要輸入兩類參數:葉片結構參數N和葉片的生化參數含量，包括色素含量，等效水厚度，干物質含量等。模型前向運算可以得到葉片400—2500 nm的半球反射率和透射率，反演則可以估算葉片的生化參數含量。PROSPECT模型建立后，不斷有學者對其進行改進，1997年Baret和Fourty簡化了PROSPECT模型，用干物質含量代替蛋白質、纖維素和木質素等的含量［5］。Bousquet等描述了葉片方向性反射的物理屬性，將葉片表面引起的鏡面反射引入模型中［6］;Feret等改進的PROSPECT5模型成功地將葉綠素和類胡蘿卜素含量分開反演［7］;Pedrós等基于PROSPECT模型估算了葉綠素a的熒光［8］。PROSPECT模型比較準確地模擬了光在葉片內的輻射傳輸過程，許多研究者利用不同類型的葉片對PROSECT模型的性能進行檢驗，證明該模型是目前最好的葉片輻射模型之一。施潤和等基于PROSPECT模型模擬大量不同生化參數含量和葉片結構的葉片光譜，研究了利用高光譜指數定量反演葉綠素含量的可行性和精度［9］。

除PROSPECT模型外，Ganapol等在隨機模型的基礎上提出LEAFMOD葉片輻射傳輸模型，該模型假設葉片均勻充滿散射和吸收光線的生化物質，給定葉子的厚度和葉片的吸收和散射系數等光學特性即可估算葉子的反射和透射［10］。1998年Dawson針對針葉沒有明顯的柵欄組織，且大部分細胞為球形細胞，提出LIBERTY模型，用來模擬針葉簇葉或單葉的光譜特性［11］。LIBERTY模型需要的輸入參數有6個，分別為平均細胞直徑、表征細胞內上行輻射分量的細胞間隙、基吸收、白化吸收(去掉水分葉綠素的吸收，相當于木質素的吸收)、針葉厚度、生化組分含量(葉綠素、水分、蛋白質、木質素和葉綠素)。

1.2 冠層尺度

SAIL模型是最早的冠層模型之一，該模型是由Verhoef于1984年在對Suits模型進行改進的基礎上提出的四流輻射傳輸模型［12］，在模型中冠層被假設為平面平行的無限延展介質，冠層的結構由葉面積指數和葉傾角分布確定。在葉片方位角分布均勻的假設下，考慮任意的葉片傾角，利用葉傾角分布函數為權重計算任意葉傾角分布的吸收和散射系數，冠層的二向反射率作為觀測角度的函數。歸納起來，SAIL模型所需要輸入的參數主要包括3部分:葉片反射率和透射率、描述冠層結構的參數以及觀測和太陽的幾何位置。

SAIL模型提出后，許多研究者對SAIL進行不斷的改進和完善，Kussk將葉片尺寸與冠層高度的比值作為熱點加入SAIL模型中，改進后的模型稱為SAILH模型［13］;Verhoef和Weiss分別提出GeoSAIL和2M-SAIL模型，用來描述垂直分布的非均質冠層［14-15］。需要注意的是要區分GeoSAIL模型與GeoSail模型的不同，國內許多研究者將兩者混淆，GeoSAIL模型可以看作是一個雙層的SAIL模型，同時模型還包含了一個描述土壤反射率的子模型，用于模擬土壤濕度對冠層反射率的影響;GeoSail模型則是2001年由Huemmrich［16］提出的用于描述不連續冠層反射率的模型，是幾何光學模型Jasinski模型［17］與輻射傳輸模型SAIL模型的結合，模型將冠層假設為大小相同的圓柱體或圓錐體，由SAIL模型分別模擬光照冠層、光照背景和陰影三部分的反射率。近幾年對SAIL模型的改進仍然很活躍，2007年Verhoef提出魯棒性更強，計算速度更加優化的4SAIL模型［18］;Verhoef和Bach對GeoSAIL模型進行擴展，考慮了冠層聚集度，提出4SAIL2模型［19］。

SAIL模型主要適用于可以假設為水平均勻的濃密冠層，如封隴后的農作物冠層和連續分布的森林冠層等。離散的森林冠層表現出不同形狀的非均質結構，利用輻射傳輸模型模擬冠層反射率時需要考慮更多的冠層結構因素。因此除SAIL系列模型之外，研究者還發展了許多其他的冠層輻射傳輸模型，如FCR模型［20］、NADIM 模型［21］、MCRM 模型［22］以及 4 個專門針對不連續森林冠層的輻射模型 DART 模型［23］、SPRINT 模型［24］、FLIM模型［25］和FLIGHT模型［26］。表1給出了常用冠層輻射傳輸模型的輸入參數。

在沒有多角度觀測數據的條件下，單獨利用冠層模型無法反演得到葉片的理化參數含量。為了實現這一反演目的，需要將冠層模型與葉片模型進行耦合。1992年Baret首次將SAILH模型與PROSPECT模型結合，提出PROSAIL模型，考慮土壤背景對輻射傳輸過程的影響，將Hapke土壤反射率模型也耦合到葉片-冠層模型中［27］。近年來，研究者提出利用耦合的大氣輻射傳輸模型模擬冠層的大氣層外多角度表觀輻射［19］。除PROSAIL模型外，研究者嘗試將不同的葉片模型與不同的冠層輻射傳輸模型相結合。例如，PROSPECT模型與GeoSail、GeoSAIL、2M-SAIL、4SAIL、4SAIL2模型耦合描述植被冠層中的某些非均質特性;PROSPECT模型與DART、SPRINT、FLIM、FLIGHT模型耦合來模擬不連續的森林冠層;其他葉片模型如 LEAFMOD和LIBERTY也用來與冠層輻射傳輸模型進行耦合［28-34］。但總的來說，PROSAIL葉片-冠層模型的應用最為廣泛。

表1 常用冠層輻射傳輸模型的輸入參數Table 1 The input parameters of several canopy radiative transfer models

1.3 像元尺度

植被的理化參數是定量描述區域或全球范圍內物質循環和能量流動過程模型的重要參量。目前大區域范圍的高光譜影像不易獲取，中低分辨率的遙感數據仍然是區域或全球尺度上反演植被理化參數的重要數據源。由于中低分辨率遙感數據的空間結構信息不夠詳細，在其像元尺度上無法辨別單個的冠層，植被理化參數的反演尺度由冠層上升到像元尺度。近年來，一些研究者嘗試使用中低分辨率的多分辨率影像如SPOT、MODIS、MERIS等估測大區域乃至全球范圍的植被生理生化參數［35-42］。Zarco-Tejada首先利用葉片-冠層的輻射傳輸模型模擬的等效MODIS反射率光譜分析冠層結構、觀測幾何等在估測葉片含水量中的影響，最后利用同步的MODIS數據反演得到葉片含水量并與實測值比較［43］。Houborge將葉片模型PROSPECT、冠層模型ACRM和大氣校正模型6SV1進行耦合，基于多步查找表法，從SPOT影像中估測葉片的葉綠素含量和LAI［39］。le Maire結合葉片模型PORSECT4、冠層模型4SAIL2和土壤模型SOILSPECT，利用MODIS時間序列反射率影像估測輪作作物的葉面積指數LAI［44］。

2 尺度變化下植被理化參數反演面臨的問題

2.1 模型參數敏感性的變化

隨著反演尺度的變化，不斷有新的模型耦合到葉片-冠層輻射傳輸模型中，不同尺度下植被反射率對植被理化參數變化的敏感度是否具有“尺度效應”，其敏感度隨尺度是如何變化的?這是在不同尺度下利用輻射傳輸模型反演植被理化參數所必須要解決的首要問題。在PROSPECT葉片模型中，葉片結構參數N是反演葉片生化參數的最大誤差所在。Jacquemoud和施潤和的研究結果都表明N的變化會影響400—2500 nm全波段的光譜特性［4，45］，這種影響在很大程度上干擾了生化參數含量變化引起的葉片反射率或透射率的變化。當尺度擴展到冠層時，以PROSAIL葉片-冠層輻射傳輸模型為例，葉片結構參數N對模擬的冠層反射率的影響變得非常小。目前，雖然一部分研究者對植被輻射傳輸模型參數的敏感性進行了分析，例如，Bacour定量計算了PROSAIL中所有冠層參數變化對冠層反射率的影響，在可見光波段，葉綠素對冠層反射率的貢獻達到60%，而近紅外波段，平均葉傾角和葉面積指數是影響冠層反射率的主要因素［46］。但是這些研究大多集中在葉片-冠層尺度。對于近幾年提出的葉片-冠層-大氣輻射傳輸模型中參數敏感性變化的研究，以及對于某一參數敏感性隨尺度的變化特征的研究很少見于文獻中。

2.2 像元尺度下混合像元的影響

從冠層尺度擴展到遙感影像像元尺度的難點是混合像元的問題。在冠層尺度上，輻射傳輸模型的提出大多是基于純凈、覆蓋均一的冠層，而在像元尺度上，由于遙感數據空間分辨率的限制，使得遙感影像中存在著大量的混合像元。對于連續、均勻分布的植被，混合像元不會對理化參數反演結果造成較大的影響，但是對于離散、稀疏的植被，混合像元的影響就不容忽視。朱小華研究表明地表景觀結構的空間異質性是造成多尺度LAI反演誤差的關鍵因素［47］。尤其是中國，由于田塊破碎程度較高，混合像元在中低分辨率遙感影像中所占的比例很高，混合像元問題是利用中低分辨率衛星遙感數據反演植被理化參數含量所必須要克服的難題。目前應用遙感影像反演植被理化參數的研究中使用的輻射傳輸模型大多是冠層尺度上的模型，幾乎沒有考慮混合像元的影響。雖然在一些模型中考慮了土壤背景對冠層反射率的影響，但是需要注意的是模型中所提到的土壤背景的影響是指植被冠層覆蓋范圍內的土壤反射率由于葉片之間的縫隙而到達傳感器干擾了冠層反射率，而并非冠層覆蓋范圍以外的背景。

2.3 不同尺度下反演模型的選擇

由于陸地表面的復雜性，人們在某一尺度上根據觀測到的性質總結出的原理或規律，在另一尺度上可能仍然有效，可能需要修正，也可能完全不適用。對于植被來說，這種尺度效應更加明顯。例如當影像的分辨率小于植株時，將植株描述為平面平行的無限延伸介質就無法正確地描述光的輻射傳輸過程，此時SAIL模型的有效性就值得商榷;相反，如果影像的分辨率無法分辨出單個的冠層，一些專門針對不連續森林設計的輻射傳輸模型可能就不再適用，在這一分辨率下，將像元看作水平均一的介質，利用SAIL模型反演像元尺度上理化參數含量的精度或許更高。然而就目前國內外的研究來看，不同類型的植被在不同分辨率下如何選擇合適的輻射傳輸模型的相關研究還非常少。

3 總結與展望

植被理化參數遙感反演經歷了從葉片尺度到冠層尺度再到像元尺度的發展過程，基于數學、物理學以及生物學理論建立的植被輻射傳輸模型，以其較強的穩定性和可移植性，在植被理化參數的遙感反演中發揮了非常重要的作用。隨著尺度的不斷上升，基于輻射傳輸模型反演植被理化參數面臨著諸如參數敏感性和不確定性的變化，混合像元對反演結果的影響，以及不同尺度下模型的選擇等問題，這些問題是實現適時、準確、大范圍和多尺度監測植被理化參數含量空間分布變化所必須要解決的難題，也是今后在基于輻射傳輸模型反演植被理化參數方面有待深入研究的問題:

(1)利用全局的敏感性分析方法定量分析不同尺度下模型參數敏感性的變化，對不同尺度下重要參數的確定以及先驗知識的選取都具有重要的作用。目前這方面的研究主要集中在某一個尺度上，對于參數敏感性隨尺度的變化特征的研究很少見于文獻中。

(2)混合像元對像元尺度上監測植被理化參數的影響。混合像元如何影響理化參數的反演結果以及這種影響的大小;混合像元分解技術能否有效地解決混合像元對理化參數反演結果的影響等都是需要深入研究的問題。

(3)各種輻射傳輸模型在不同尺度上有效性的比較。在大區域監測尺度上，中低分辨率的遙感影像仍然是植被理化參數反演的主要數據源。與高分辨率的高光譜數據相比，中低分辨率的遙感數據識別地物異質性的能力較差，此時在冠層尺度上建立起來的適用于高光譜數據的輻射傳輸模型能否具有相似的反演效果。

隨著研究的不斷深入和遙感技術的快速發展，尤其是將來具有高空間分辨率的高光譜遙感衛星升空后，植被理化參數反演發展過程中的一些難題將得到解決，而多模型以及多種遙感數據的綜合利用也將成為區域尺度上反演植被理化參數的重要研究方向。例如可以通過利用同一地區同一時相的多尺度遙感數據，定量地分析模型參數敏感性隨空間尺度的變化情況;稀疏植被下混合像元的問題可以通過多角度與高光譜數據相結合的方法解決;混合像元分解模型與植被輻射傳輸模型的耦合也可能會成為解決混合像元影響的有效途徑。

［1］ Boegh E，Soegaard H，Thomsen A.Evaluating evapotranspiration rates and surface conditions using Landsat TM to estimate atmospheric resistance and surface resistance.Remote Sensing of Environment，2002，79(2/3):329-343.

［2］ Ustins L，Robertsd A，Pinzon J，Jacquemoud S，Gardner M，Scheer G，Casta?eda C M，Palacios-Orueta A.Estimating canopy water content of chaparral shrubs using optical methods.Remote Sensing of Environment，1998，65(3):280-291.

［3］ Zhang X，Liu L Y，Zhao C J，Zhang B.Estimating wheat nitrogen concentration with high spectral resolution image.Journal of Remote Sensing，2003，(3):176-182.

［4］ Jacquemoud S，Baret F.PROSPECT:a model of leaf optical properties spectra.Remote Sensing of Environment，1990，34(2):75-91.

［5］ Baret F，Fourty T.The limits of a robust estimation of canopy biochemistry//Guyot G，Phulpin T，eds.Physical Measurements and Signatures in Remote Sensing.Rotterdam:AA Balkema，1997:413-420.

［6］ Bousquet L，Lachérade S，Jacquemoud S，Moya I.Leaf BRDF measurements and model for specular and diffuse components differentiation.Remote Sensing of Environment，2005，98(2/3):201-211.

［7］ Feret J B，Francois C，Asner G P，Gitelson A A，Martin R E，Bidel L P R，Ustin S L，le Maire G，Jacquemoud S.PROSPECT-4 and 5:advances in the leaf optical properties model separating photosynthetic pigments.Remote Sensing of Environment，2008，112(6):3030-3043.

［8］ Pedrós R，Goulas Y，Jacquemoud S，Louis J，Moya I.FluorMODleaf:a new leaf fluorescence emission model based on the PROSPECT model.Remote Sensing of Environment，2010，114(1):155-167.

［9］ Shi R H，Zhuang D F，Niu Z，Wang W.Quantitative inversion of chlorophyll content based on radiative transfer model.Chinese Journal of Ecology，2006，25(5):591-595.

［10］ Ganapol B D，Johnson L F，Hammer P D，Hlavka C A，Peterson D L.LEAFMOD:a new within-leaf radiative transfer model.Remote Sensing of Environment，1998，63(2):182-193.

［11］ Dawson T P，Curran P J，Plummer S E.LIBERTY:modeling the effects of leaf biochemistry on reflectance spectra.Remote Sensing of Environment，1998，65(1):50-60.

［12］ Verhoef W.Light scattering by leaf layers with application to canopy reflectance modeling:the SAIL model.Remote Sensing of Environment，1984，16(2):125-141.

［13］ Kussk A.The hot spot effect in plant canopy reflectance//Myneni R B，Ross J，eds.Photon-Vegetation Interaction.Applications in Optical Remote Sensing and Plant Ecology.Berlin:Springer Verlag，1991:139-159.

［14］ Verhoef W，Bach H.Simulation of hyperspectral and directional radiance images using coupled biophysical and atmospheric radiative transfer models.Remote Sensing of Environment，2003，87(1):23-41.

［15］ Weiss M，Troufleau D，Baret F，Chauki H，Prévot L，Olioso A，Bruguier N，Brisson N.Coupling canopy functioning and radiative transfer models for remote sensing data assimilation.Agricultural and Forest Meteorology，2001，108(2):113-128.

［16］ Huemmrich K F.The GeoSail model:a simple addition to the SAIL model to describe discontinuous canopy reflectance.Remote Sensing of Environment，2001，75(3):423-431.

［17］ Jasinski M F，Eagleson P S.Estimation of subpixel vegetation cover using red-infrared scattergrams.IEEE Transactions on Geoscience and Remote Sensing，1990，28(2):253-267.

［18］ Verhoef W，Jia L，Xiao Q，Jia L，Su Z.Unified optical-thermal four-stream radiative transfer theory for homogeneous vegetation canopies.IEEE Transactions on Geoscience and Remote Sensing，2007，45(6):1808-1822.

［19］ Verhoef W，Bach H.Coupled soil-leaf-canopy and atmosphere radiative transfer modeling to simulate hyperspectral multi-angular surface reflectance and TOA radiance data.Remote Sensing of Environment，2007，109(2):166-182.

［20］ Kuusk A.A multispectral canopy reflectance model.Remote Sensing of Environment，1994，50(2):75-82.

［21］ Gobron N，Pinty B，Verstraete M M，Govaerts Y.A semidiscrete model for the scattering of light by vegetation.Journal of Geophysical Research-Atmospheres，1997，102(D8):9431-9446.

［22］ Kuusk A.A Markov chain model of canopy reflectance.Agricultural and Forest Meteorology，1995，76(3/4):221-236.

［23］ Demarez V，Gastellu-Etchegorry J P.A modeling approach for studying forest chlorophyll content.Remote Sensing of Environment，2000，71(2):226-238.

［24］ Goel N S，Thompson R L.A snapshot of reflectance models and a universal model for the radiation regime.Remote Sensing of Environment，2000，18(2/4):197-225.

［25］ Rosema A，Verhoef W，Noorbergen H，Borgesius J J.A new forest light interaction model in support of forest monitoring.Remote Sensing of Environment，1992，42(1):23-41.

［26］ North P R J.Three-dimensional forest light interaction model using a Monte Carlo methods.IEEE Transactions on Geoscience and Remote Sensing，1996，34(4):946-956.

［27］ Baret F，Jacquemoud S，Guyot G，Leprieur C.Modeled analysis of the biophysical nature of spectral shifts and comparison with information content of broad bands.Remote Sensing of Environment，1992，41(2/3):133-142.

［28］ Koetz B，Schaepman M，Morsdorf F，Bowyer P，Itten K，Allg?wer B.Radiative transfer modeling within a heterogeneous canopy for estimation of forest fire fuel properties.Remote Sensing of Environment，2004，92(3):332-344.

［29］ Verhoef W，Bach H.Remote sensing data assimilation using coupled radiative transfer models.Physics and Chemistry of the Earth，2003，28(1/3):3-13.

［30］ le Maire，G，Francois C，Soudani K，Berveiller D，Pontailler J，Breda N，Genet H，Davi H，Dufrene E.Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content，leaf mass per area，leaf area index and leaf canopy biomass.Remote Sensing of Environment，2008，112(10):3846-3864.

［31］ Dawson T P，Curran P J，North P R J，Plummer S E.The propagation of foliar biochemical absorption features in forest canopy reflectance:a theoretical analysis.Remote Sensing of Environment，1999，67(2):147-159.

［32］ Dash J，Curran P J.The MERIS terrestrial chlorophyll index.International Journal of Remote Sensing，2004，25(23):5403-5413.

［33］ Zarco-Tejada P J，Miller J R，Harron J，Hu B X，Noland T L，Goel N，Mohammed G H，Sampson P.Needle chlorophyll content estimation through model inversion using hyperspectral data from Boreal conifer forest canopies.Remote Sensing of Environment，2004，89(2):198-199.

［34］ Zarco-Tejada P J，Miller J R，Morales A，Berjón A，Agüera J.Hyperspectral indices and model simulation for chlorophyll estimation in opencanopy tree crops.Remote Sensing of Environment，2004，90(4):463-476.

［35］ Bacour C，Baret F，Béal D，Weiss M，Pavageau K.Neural network estimation of LAI，fAPAR，fCover and LAI×Cab，from top of canopy MERIS reflectance data:principles and validation.Remote Sensing of Environment，2006，105(4):313-325

［36］ Harris A，Dash J.The potential of the MERIS Terrestrial Chlorophyll Index for carbon flux estimation.Remote Sensing of Environment，2010，114(8):1856-1862.

［37］ Dash J，Jeganathan C，Atkinson P M.The use of MERIS Terrestrial Chlorophyll Index to study spatio-temporal variation in vegetation phenology over India.Remote Sensing of Environment，2010，114(7):1388-1402.

［38］ Houborg R，Soegaard H，Boegh E.Combining vegetation index and model inversion methods for the extraction of key vegetation biophysical parameters using Terra and Aqua MODIS reflectance data.Remote Sensing of Environment，2007，106(1):39-58.

［39］ Houborg R，Boegh E.Mapping leaf chlorophyll and leaf area index using inverse and forward canopy reflectance modeling and SPOT reflectance data.Remote Sensing of Environment，2008，112(1):186-202.

［40］ Houborg，R，Anderson，M C，Daughtry，C S T.Utility of an image-based canopy reflectance modeling tool for remote estimation of LAI and leaf chlorophyll content at the field scale.Remote Sensing of Environment，2009，113(1):259-274.

［41］ Houborg R，Anderson M C，Daughtry C S T，Kustas W P，Rodell M.Using leaf chlorophyll to parameterize light-use-efficiency within a thermalbased carbon，water and energy exchange model.Remote Sensing of Environment，2011，115(7):1694-1705.

［42］ Chen G，Liu Q H，Liu Q，Du Y M.A study on geometrical processing methods for LAI products intercomparison between MODIS and TM.Journal of Beijing Normal University:Natural Science，2007，43(3):356-361.

［43］ Zarco-Tejada P J，Rueda C A，Ustin S L.Water content estimation in vegetation with MODIS reflectance data and model inversion methods.Remote Sensing of Environment，2003，85(1):109-124.

［44］ le Maire G，Marsden C，Verhoef W，Ponzonid F J，Seenb D L，Béguéb A，Stapee J L，Nouvellon Y.Leaf area index estimation with MODIS reflectance time series and model inversion during full rotations of Eucalyptus plantations.Remote Sensing of Environment，2011，115(2):586-589.

［45］ Shi R H，Zhuang D F，Niu Z，Wang W.Influence of mesophyll structure on leaf spectra and biochemical inversion.Journal of the Graduate School of the Chinese Academy of Science，2005，22(5):589-595.

［46］ Bacour C，Baret F，Jacquemoud S.Information content of HyMap hyperspectral imagery.Proceedings of the 1st International Symposium on Recent Advances in Quantitative Remote Sensing，Valencia(Spain)，2002:503-508.

［47］ Zhu X H，Feng X M，Zhao Y S，Song X N.Scale effect and error analysis of crop LAI inversion.Journal of Remote Sensing，2010，14(3):579-592.

參考文獻:

［3］ 張霞，劉良云，趙春江，張兵.利用高光譜遙感圖像估算小麥氮含量.遙感學報，2003，(3):176-182.

［9］ 施潤和，莊大方，牛錚，王汶.基于輻射傳輸模型的葉綠素含量定量反演.生態學雜志，2006，25(5):591-595.

［42］ 陳果，柳欽火，劉強，杜永明.MODIS和降尺度TM數據反演葉面積指數相互驗證中幾何處理方法的研究.北京師范大學學報:自然科學版，2007，43(3):356-361.

［45］ 施潤和，莊大方，牛錚，王汶.葉肉結構對葉片光譜及生化組分定量反演的影響.中國科學院研究生院學報，2005，22(5):589-595.

［47］ 朱小華，馮曉明，趙英時，宋小寧.作物LAI的遙感尺度效應與誤差分析.遙感學報，2010，14(3):579-592.