基于Sentinel-2多光譜數據的棉花葉面積指數估算

易秋香

基于Sentinel-2多光譜數據的棉花葉面積指數估算

易秋香

（1. 中國科學院新疆生態與地理研究所，荒漠與綠洲生態國家重點實驗室，烏魯木齊 830011；2. 新疆維吾爾自治區遙感與地理信息系統應用重點實驗室，烏魯木齊 830011；3. 中國科學院大學，北京 100049）

棉花葉面積指數（leaf are index, LAI）的快速、準確獲取對棉花長勢監測、發育期診斷、面積提取以及產量估算等遙感監測具有重要意義。該研究利用2017年和2018年的Sentinel-2多光譜衛星數據及大面積田間試驗觀測獲取的棉花不同發育期LAI實測數據，構建了基于單波段反射率及各類植被指數的棉花不同發育期及全發育期LAI估算模型，并采用留一驗證（LOOCV, leave-one-out cross validation）和交叉驗證對模型精度進行了檢驗。結果表明：1）對于單波段反射率，基于中心波長為842 nm波寬為145 nm的B8近紅外波段對不同發育期LAI估算精度最優均方根誤差（RMSE, root mean square error, RMSE=0.378）；2）對于各類植被指數，花蕾期（20170616）和花鈴期（20170802）時增強植被指數（EVI, enhanced vegetation index,）表現最佳（RMSE分別為0.352和0.367），開花期（20180623）時校正土壤調節植被指數（MSAVI2, modified soil adjusted vegetation index 2,）估算精度最高（RMSE=0.323）；3）單波段反射率和各類植被指數對全發育期LAI的估算均要優于對單個發育期LAI的估算，其中基于IRECI指數的（inverted red-edge chlorophyll index）全發育期LAI估算模型精度最佳，LOOCV檢驗RMSE=0.425，交叉檢驗RMSE=0.368；將基于IRECI的全發育期LAI估算模型應用到單個發育期LAI估算并與各單個發育期LAI估算模型精度對比，發現交叉驗證RMSE平均值僅比LOOCV驗證RMSE平均值高0.07，反映了全發育期LAI估算模型良好的普適性。該研究為農作物LAI估算提供了新的數據選擇，完善了Sentinel-2衛星數據在LAI估算中的應用領域。

作物；遙感；模型；Sentinel-2多光譜衛星；棉花；葉面積指數；植被指數

0 引 言

葉面積指數LAI（leaf area index）最早由Watson[1]提出，定義為單位土地面積綠色葉片的單面面積總和。葉面積指數是蒸散發、光能利用率、產量估算及作物發育期診斷、地球化學元素循環等研究中的重要參數[2]，它影響葉片及冠層的諸多過程[3-5]，如冠層葉綠素含量、光合速率、碳、氮循環以及作物鮮、干生物量、作物發育期等。對于農作物及森林等葉面積指數的遙感監測已有大量研究[6-7]。但這些研究中提出的各類算法面對不斷更新改進的新的遙感數據，其應用精度仍需進行討論驗證[6,8]。

過去的幾十年，隨著遙感技術的飛速發展，很多新型的中分辨率對地觀測衛星也已投入了研究應用，如2013年2月11日發射的Lsandsat-8衛星，以及由歐空局于2015年6月23日發射的Sentinel-2A和2017年3月7日發射的Sentinel-2B多光譜遙感衛星。相比Landsat-8衛星數據，Sentinel-2多光譜遙感衛星從705 ~ 865 nm特有3個紅邊參數波段，空間分辨率20 m，同時具有空間分辨率為10 m的3個可見光波段以及1個近紅外波段，以及空間分辨率為60和20 m的近紅外和短波紅外波段等，共計13個波段，并且隨著Sentinel-2A和Sentinel-2B雙軌衛星的同時運行，Sentinel-2多光譜衛星的時間分辨率縮短至5 d，這為遙感衛星數據在農業遙感中的應用提供了更多的可能性。

Sentinel-2數據可正式獲取應用前，已有很多研究通過模擬Sentinel-2衛星數據探討了其在農業[9-13]以及森林生態[14]中的應用，證實了紅邊參數波段的有效性，并且Frampton等[11]基于模擬的Sentinel-2數據提出了用于估算作物葉綠素和葉面積指數LAI的IRECI（inverted red edge chlorophyll index）和S2REP（Sentinel-2 red-edge position）紅邊參數植被指數。在Sentinel-2數據可下載獲取后，其逐漸在作物分類及面積提取[15]、生物量估算[16]、作物葉綠素[17]以及水分信息遙感監測[18]等領域展開了應用。其中，利用Sentinel-2多光譜衛星數據進行葉面積監測也有相關研究，主要包括Korhonen等[19]開展的森林葉面積指數估算、Clevers等[17]基于Sentinel-2數據的土豆葉面積指數及葉綠素含量監測以及蘇偉等[20]利用Sentinel-2數據進行的玉米葉面積指數估算。這些研究所構建的基于Sentinel-2的估算模型，證實了Sentinel-2多光譜數據用于LAI估算的可行性，但研究中所構建的LAI估算模型均是針對特定研究區域、研究對象的經驗模型，無法直接用于棉花LAI估算。對于Sentinel-2數據用于棉花LAI的估算還有待探討。

目前Sentinel-2多光譜數據用于棉花LAI遙感監測還未有相關研究。已有的棉花葉面積指數的遙感監測研究所采用的數據源多是地面高光譜數據，如早期由石河子大學柏軍華[21-22]、王登偉等[23]開展的基于高光譜數據的棉花葉面積指數反演以及近期馬文君[24]、張卓然[25]的棉花生理生化參數高光譜反演模型研究。航空及航天遙感數據方面，柏軍華等[21]利用Landsat5數據提取的NDVI、PVI以及EVI植被指數對石河子地區148團場的棉花葉面積指數進行了反演，田明璐等[26]利用低空無人機成像光譜影像獲取的植被指數進行了棉花葉面積指數空間分布制圖。同樣，這些研究中，不論是利用地面高光譜數據還是航空航天數據，所構建的LAI估算模型大多是經驗模型，無法直接套用在新的數據源上。

本研究擬通過大面積田間實測LAI和Sentinel-2多光譜衛星數據，構建基于Sentinel-2多光譜衛星的單波段反射率以及多種植被指數的棉花LAI估算模型，在精度檢

驗的基礎上，對比不同輸入變量對不同發育期以及全生育期棉花LAI的估算精度，研究結果將進一步豐富棉花LAI估算方法，提高估算精度。

1 材料與方法

1.1 研究區概況

利用2018年6月23日的Sentinel-2多光譜影像數據的B4，B3和B2波段的真彩色合成影像圖反映研究區樣點分布，如圖1。研究區位于新疆維吾爾自治區北部石河子墾區，地處天山北麓中段，古爾班通古特大沙漠南緣，地理坐標位于84°58'～86°24'E，43°26'～45°20'N。在研究區內，依據棉花種植面積，選取面積超過50 hm2的棉花種植區作為樣點，共選取了4個樣點地進行觀測點布設。為了豐富觀測樣本取值范圍，選取的LAI觀測樣點中包含了不同品種（新陸早61、棉74和棉64）、不同播種日期（2017年4月20日、23日及25日）的田塊，依據樣點面積大小在每個樣點布設8～15個不等的觀測點。

注：P1-P4為觀測樣點

1.2 棉花LAI測定

分別于2017年6月14日棉花花蕾期（16個樣點）、8月3日花鈴期（26個樣點）以及2018年6月21日開花期（28個樣點）進行了棉花LAI實地測定。LAI實地測定利用LAI-2000冠層分析儀進行。3次觀測共計獲取有效樣本數70個，LAI取值最大值6.67，最小值1.44，平均值4.13，標準差1.41。

1.3 Sentinel-2遙感影像

通過歐洲航空局的數據共享網站( https://scihub. copernicus.eu/dhus/#/home)下載獲取與地面觀測時間同步的Sentinel-2多光譜衛星的Level-1C級影像數據，成像時間分別為2017年6月16日、2017年8月2日以及2018年6月23日。所有遙感影像數據均為已經過輻射校正和幾何校正處理的Level-1C大氣上層表觀反射率。本研究采用SNAP-Sen2Cor軟件對影像數據進行大氣校正，并通過最近鄰插值法，將大氣校正后的各波段重采樣至10 m后用于研究區各觀測點反射率提取及植被指數計算。Sentinel-2多光譜數據不同波段中心波段分布及空間分辨率信息見表1。

1.4 植被指數

Sentinel-2多光譜衛星在可見光及近紅外波段的分布，可實現多種植被指數的計算。本研究除了探討Sentinel-2多光譜衛星的單波段反射率用于LAI估算的潛力外，還通過計算獲取了LAI估算研究中的各類植被指數，包括土壤校正型植被指數，如SAVI，MSAVI等；大氣校正型植被指數，如EVI，GARI等；紅邊參數植被指數，如S2REP，REIP，IRECI等；葉綠素含量植被指數，如PSSRa，MCARI等；以及傳統的近紅外植被指數，如NDVI，GNDVI，DVI，RVI等，共計17個植被指數。各類植被指數基于Sentinel-2數據各波段的計算公式見表2。

表1 Sentinel-2數據主參數

表2 所采用植被指數及基于Sentinel-2數據的計算方法

1.5 模型估算精度評價指標

采用決定系數R，均方根誤差RMSE（root mean square error ），平均偏差，以及實測值與估算值擬合趨勢線的斜率（）和截距（）進行模型精度檢驗。其中，RMSE數值直接體現模型估算誤差的多少，其單位與實測值單位相同；平均偏差是用百分比來表示總體的估算值偏離實測平均值的程度，其值為正值時，總體上高估，為負值時，總體上低估；決定系數2、斜率和截距主要體現估算值和實測值之間變化趨勢的吻合程度，決定系數2值介于0~1之間，2接近1，斜率（）接近1，截距（）接近0時，估算值與實測值吻合最佳。各指標的計算公式如下：

2 結果與分析

2.1 Sentinel-2多光譜衛星反射率特征

對Sentinel-2多光譜衛星各波段反射率在不同發育期以及不同LAI值時的變化特征進行分析，如圖2所示。圖2b中LAI值選取本研究中LAI最大值（LAI=6.67）、最小值（LAI=1.44）以及接近平均值的樣本所對應的Sentienl-2多光譜反射率進行對比。從圖2a可見，隨著棉花從花蕾期（20170616）到開花期（20180623）到花鈴期（20170802）的發育進程，Sentinel-2多光譜衛星可見光波段（B1～B4，443 nm～665 nm）反射率逐漸減小，紅邊參數波段（B5～B7，705 nm～783 nm）及近紅外波段（B8～B8a，842 nm～865 nm）反射率逐漸增大。圖2b，不同LAI取值的Sentinel-2多光譜衛星反射率與不同發育期光譜反射率變化呈現相同規律，隨著LAI值從1.44增大至6.67，可見光波段反射率減小，紅邊參數波段及近紅外波段反射率增大，由此可得出，LAI與可見光波段反射率變化呈負相關關系，與紅邊參數波段及近紅外波段反射率呈正相關關系。

圖2 不同觀測時期以及不同LAI值Sentinel-2反射率特征

2.2 Sentinel-2單波段反射率及植被指數與LAI相關關系分析

各變量包括Sentinel-2多光譜數據的單波段反射率以及各類植被指數與棉花不同發育期LAI相關關系分析見表3。

表3 Sentinel-2單波段反射率及植被指數與實測LAI相關關系

注：*表示相關系數顯著性水平為0.001 (160.0010.708;=26,0.001=0.588;=28,0.001=0.57;=70,0.001=0.38)。

Note: * represents significant level at 0.001 (160.0010.708;=26,0.001= 0.588;=28,0.001=0.57;=70,0.001=0.38).

對比各類光譜變量在不同發育期的表現可發現，相比于棉花花蕾期（20170616）以及花鈴期（2070802），開花期（20180623）時各類變量與LAI相關性最好，這一時期的Sentinel-2多光譜衛星的單波段反射率以及各類植被指數（除S2REP、REIP和MTCI）與LAI的相關性均達到0.001極顯著相關水平。這可能是由于棉花花蕾期時，冠層還未封閉，Sentinel-2多光譜反射率中還包含有土壤光譜信息，而棉花花鈴期時，雖然葉面積指數達到最大，此時葉片色素含量降低以及棉桃形成對光譜信息產生影響，進而導致這2個時期的很多變量與LAI的相關關系未能達到極顯著相關。進一步分析發現，對于單波段反射率，紅邊參數波段B6、B7以及近紅外波段B8和B8a與LAI相關性均達到0.001極顯著水平，并且3個發育時期均是中心波長為842 nm波寬為145 nm的B8波段表現最佳，這與已有研究證實的LAI估算的敏感波段主要集中在紅邊參數波段及近紅外波段并且與這些波段的反射率呈極顯著線性相關關系的結論一致[42]。對比各類植被指數的表現，EVI在花蕾期及花鈴期均表現最佳，與LAI呈0.001極顯著正相關關系，對于開花期MSAVI2表現最佳，總生育期，紅邊參數植被指數IRECI與LAI相關性最好，具有最大的相關系數。各單波段反射率以及各類植被指數，與總樣本LAI相關性，均達到極顯著相關。總發育期表現優于單個發育期，主要與總樣本分析中，LAI的取值分布相比單個發育期的LAI取值更為寬泛，涵蓋范圍更大有關，同時，對于S2REP和REIP這兩類隨發育期變化而變化的紅邊參數指標指數，也具有了更多的取值分布，因此與LAI的相關性會明顯優于在單個發育期時表現。此外，觀察NDVI的表現，可發現NDVI在花蕾期、開花期以及總發育期時與LAI相關性均達到0.001極顯著相關，但隨著棉花LAI增大到花鈴期達到最大時，NDVI與LAI的相關系數降低未能達到極顯著相關，這很大原因是由于NDVI隨著LAI值增大，會達到飽和從而對LAI值變化的敏感性降低。

2.3 LAI遙感反演模型構建

通過前文的相關性分析，挑選出與單個發育期LAI及總發育期LAI均達到0.001極顯著相關水平的光譜變量，將這些光譜變量作為自變量（），LAI作為因變量（），進行進一步建模對比分析。建模過程中，對比了線性、一元二次以及指數等模型的決定系數，發現線性模型總體上決定系數最大，并且模型結構最為簡單，在此只列出基于各變量的LAI線性估算模型表達式及其決定系數2，如表4。

表4 基于單波段反射率及植被指數的LAI估算模型

注：為光譜變量，為葉面積指數LAI。

Note:is spectral variable,is leaf area index (LAI).

從表4可見，各種類型的植被指數均有與LAI相關性達到0.001極顯著代表性植被指數，如常規植被指數中，有DVI，土壤背景校正型植被指數中有MSAVI2，大氣校正型植被指數有EVI，紅邊參數植被指數有IRECI指數，并且總體上，基于植被指數的LAI估算模型的決定系數都略高于基于單波段反射率的LAI估算模型。對比不同發育期表現最佳的LAI估算模型的輸入變量，發現對于單波段反射率，基于近紅外B8波段的LAI估算模型在不同發育期，相比其他單波段反射率，均具有最大決定系數；對于植被指數變量，在棉花花蕾期及花鈴期均是EVI指數表現最佳，在開花期，MSAVI2表現最佳；總體模型中，單波段反射率B8a和IRECI植被指數具有最大判定系數。IRECI指數與LAI的極顯著相關關系與提出該指數的研究結論一致[11]。分析IRECI指數所包含的各波段位置（表2）可發現，該指數包含了Sentinel-2的2個分別位于705 nm和740 nm的紅邊參數波段（B5和B6），以及位于植被光譜反射率最大的近紅外783 nm處的B7波段和反射率最小的紅光區域665 nm處的B6波段，利用近紅外B7波段減去紅光B6波段的處理削弱了LAI值較大時紅光區域飽和的影響，同時通過相除的運算強化了2個紅邊參數與LAI的相關性。

2.4 模型精度檢驗及對比

對表4中，不同發育期及總發育期LAI估算模型中決定系數最佳的模型進行進一步精度檢驗。精度檢驗采用留一驗證（LOOCV, leave-one-out-cross-validation）和交叉驗證2種方式展開。留一驗證是將樣本數個樣本作為訓練樣本，剩余的一個樣本作為檢驗樣本，并運行次，尋求最小驗證誤差，該方法可充分利用測定數據，尤為適用于樣本數據較少的情況。該方法也應用在棉花色素估算的研究中[43]，關于該方法的詳細介紹可參考Shao[44]，不再贅述。本研究中基于留一驗證構建的線性模型自變量與表4中決定系數最佳的模型的自變量相同，因變量為LAI，利用MatlabR2012b中的程序代碼實現。交叉檢驗針對總樣本展開，表4中的總發育期LAI估算模型是基于總樣本的2/3（46個樣本）構建的，將剩余的1/3（24個樣本）用于對該模型進行交叉檢驗，此外，同時利用各單個發育期時的樣本對基于總樣本構建的LAI估算模型進行交叉檢驗，探討該模型的普適性。各精度檢驗指標的自檢驗及交叉檢驗結果見表5。

表5 模型精度檢驗結果

從表5可見，LOOCV精度檢驗結果中，不論對于單個發育期還是總發育期，基于植被指數變量的LAI估算模型相比基于單波段反射率的LAI估算模型，具有更大的決定系數，更小的RMSE和Bias值；同時可見，總發育期LAI估算模型，相比單個發育期，估算精度更高，其中基于紅邊葉綠素指數（IRECI）的LAI估算模型具有最大的決定系數0.908，最小平均Bias值0.001%，并且由其得到的LAI估算值與實測值之間的斜率為0.908，最接近1，說明估算值與實測值之間的擬合較好；進一步將基于IRECI的總發育期LAI估算模型應用各單個發育期LAI估算，各發育期交叉驗證RMSE與各單個發育期基于植被指數的LAI估算模型LOOCV驗證RMSE相比，平均值略高出0.07；對總發育期LAI估算模型采用交叉驗證時，各精度檢驗指標優于其LOOCV檢驗，具有更大的2=0.951，以及更接近1的斜率=0.945，該結論更好地說明了總發育期LAI估算模型的普適性。

2.5 模型應用及制圖

通過上述分析，基于Sentinel-2多光譜遙感數據的B8單波段反射率及EVI和MSAVI2植被指數對棉花不同發育期LAI估算精度最高，總生育期的IRECI植被指數具有最好的反演精度，因此利用這些模型進行棉花不同發育期LAI遙感制圖，形成研究區LAI空間分布圖，如圖3。由圖清晰可見，總體上，各類模型均能反映出不同時段研究區LAI的主要取值分布，在6月中旬研究區的LAI取值分布主要在2.5左右（圖3a, b, c），至6月下旬大部分地區LAI取值介于2.5～4.0之間（圖3d, e, f），到8月初研究區大部分地區LAI取值大于4.0，有小部分地區LAI達到7.0左右（圖3g, h, i）；對比不同估算參數的表現，相對于B8單波段反射率及全生育期的IRECI指數，EVI植被指數可更清晰地區分植被區域和非植被區域的LAI取值，這一點反映了EVI植被指數用于LAI空間監測的優勢。

圖3 基于Sentinel-2數據的LAI遙感反演制圖

3 結 論

本研究利用Sentinel-2多光譜遙感衛星數據及棉花實測LAI數據探討了Sentinel-2多光譜衛星數據用于棉花LAI估算的特點和精度。主要得到以下結論：

1）對于Sentinel-2各單波段反射率，基于B8近紅外波段（842 nm）的線性模型對LAI估算精度最高。通過分析Sentinel-2各單波段反射率及各類植被指數與LAI的相關關系發現，Sentinel-2多光譜衛星的2個紅邊參數波段（B6和B7）及近紅外波段（B8和B8a）與不同發育期LAI的相關性均達到0.001的極顯著相關水平，相關系數均大于0.7，并且不同發育期的最佳LAI估算模型均基于近紅外B8波段，LOOCV檢驗的決定系數R均大于0.564。

2）基于Sentinel-2衛星各波段構建的植被指數中，大氣校正指數EVI、土壤背景校正指數MSAVI2及紅邊參數植被指數IRECI構建的LAI估算模型表現最佳。基于Sentinel-2波段的各類指數與LAI的相關分析結果表明，植被指數尤其是大氣校正指數EVI、土壤背景校正指數MSAVI2及紅邊參數植被指數IRECI對LAI的估算精度最高，均達到極顯著相關；其中由IRECI構建的總發育期LAI線性估算模型表現最佳，相關系數為0.953，由其構建的總LAI估算模型的LOOCV檢驗以及交叉檢驗的決定系數R及預測值與實測值之間擬合的斜率均大于0.9，說明LAI估算值與實測值擬合較好。

3）鑒于該研究中實測數據覆蓋3個不同發育期，對于下一步工作，一方面需要進一步細化棉花不同發育期葉面積指數監測模型，另一方面，可以考慮在對基于全發育期數據的LAI估算模型普適性驗證的基礎上，將該估算模型進一步應用于與LAI直接相關的管理參數的估算中，如與LAI密切相關的棉花長勢監測、棉花施肥用量監測等領域。

[1] Watson D J. Comparative physiological studies in the growth of field crops I. variation in net assimilation rate and leaf area between species and varieties, and within and between years[J]. Annals of Botany, 1947, 11(1): 41－76.

[2] Aparicio N, Villegas D, Araus J L, et al. Relationship between growth traits and spectral vegetation indices in durum wheat[J]. Crop Science, 2002, 42(5): 1547－1555.

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

[4] Clevers J G P W, De Jong S M, Epema G F, et al. MERIS and the red-edge position[J]. International Journal of Applied Earth Observation and Geoinformation, 2001, 3(4): 313－320.

[5] Ye X J, Sakai K, Okamoto H, et al. A ground-based hyperspectral imaging system for characterizing vegetation spectral features[J]. Computers and Electronics in Agriculture, 2008, 63(1): 13－21.

[6] Gitelson A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation[J]. Journal of Plant Physiology, 2004, 161(2): 165－173.

[7] Zarco-Tejada P J, Ustin S L, Whiting M L. Temporal and spatial relationships between within-field yield variability in cotton and high-spatial hyperspectral remote sensing imagery[J]. Agronomy Journal, 2005, 97(3): 641－653.

[8] Delegido J, Fernandez G, Gandia S, et al. Retrieval of chlorophyll content and LAI of crops using hyperspectral techniques: application to PROBA/CHRIS data[J]. International Journal of Remote Sensing, 2008, 29(24): 7107－7127.

[9] Delegido J, Verrelst J, Alonso L, et al. Evaluation of sentinel-2 red-edge bands for empirical estimation of green LAI and chlorophyll content[J]. Sensors, 2011, 11(7): 7063－7081.

[10] Clevers J G P W, Gitelson A A. Remote sensing of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and -3[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23: 344－351.

[11] Frampton W J, Dash J, Watmough G, et al. Evaluating the capabilities of Sentinel-2 for quantitative estimation of biophysical variables in vegetation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82: 83－92.

[12] Verrelst J, Rivera J P, Veroustraete F, et al. Experimental sentinel-2 LAI estimation using parametric, non-parametric and physical retrieval methods – a comparison[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108: 260－272.

[13] Sibanda M, Mutanga O, Rouget M. Examining the potential of Sentinel-2 MSI spectral resolution in quantifying above ground biomass across different fertilizer treatments[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 110: 55－65.

[14] Majasalmi T, Rautiainen M. The potential of Sentinel-2 data for estimating biophysical variables in a boreal forest: a simulation study[J]. Remote Sensing Letters, 2016, 7(5): 427－436.

[15] 朱琳. 基于Sentinel多源遙感數據的作物分類及種植面積提取研究[D]. 楊凌: 西北農林科技大學, 2018. Zhu Lin. Study on Crop Classification and Area Extraction Based on Multi-source Remote Sensing Data of Sentinel[D]. Yangling: Northwest A&F University, 2018. (in Chinese with English abstract)

[16] 鄭陽, 吳炳芳, 張淼. Sentinel-2數據的冬小麥地上干生物量估算及評價[J]. 遙感學報, 2017, 21(2): 318 – 328. Zheng Yang, Wu Bingfang, Zhang Miao. Estimaing the above ground biomass of winter wheat using the Sentinel-2 data[J]. Journal of Remote Sensing, 2017, 21(2): 318－328. (in Chinese with English abstract).

[17] Clevers J G P W, Kooistra L, Brande van den M M. Using Sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop[J]. Remote Sensing, 2017, 9(405): 1－15.

[18] Rozenstein O, Haymann N, Kaplan G, et al. Estimating cotton water consumption using a time series of Sentinel-2 imagery[J]. Agricultural Water Management, 2018, 207: 44－52.

[19] Korhonen L, Hadi P P, Rautiainen M. Comparison of Sentinel-2 and Landsat 8 in the estimation of boreal forest canopy cover and leaf area index[J]. Remote Sensing of Environment, 2017, 195: 259－274.

[20] 蘇偉, 侯寧, 李琪, 等. 基于 Sentinel-2 遙感影像的玉米冠層葉面積指數反演[J]. 農業機械學報, 2018, 49(1): 151－156. Su Wei, Hou Ning, Li Qi, et al. Retriving leaf area index of corn canopy based on Sentinel-2 remote sensing image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(1): 151－156. (in Chinese with English abstract).

[21] 柏軍華, 李少昆, 王克如, 等. 棉花葉面積指數冠層反射率光譜響應及其反演[J]. 中國農業科學, 2007, 40(1): 63 – 69. Bai Junhua, Li Shaokun, Wang Keru, et al. The response of canopy reflectance spectrum for the cotton LAI and LAI inversion[J]. Scientia Agricultura Sinica, 2007, 40(1): 63－69. (in Chinese with English abstract)

[22] 柏軍華. 基于LAI的棉花產量近地遙感模型研究[D]. 石河子: 石河子大學, 2005. Bai Junhua. Field Remote Sensing Model Research in Cotton Yield Based on LAI[D]. Shihezi: Shihezi University, 2005. (in Chinese with English abstract)

[23] 王登偉, 黃春燕, 馬勤建, 等. 棉花高光譜植被指數與LAI和地上鮮生物量的相關分析[J].中國農學通報, 2008, 24(3): 426－429. Wang Dengwei, Huang Chunyan, Ma Qinjian, et al. Relationships analysis between cotton leaf area index, aboveground fresh biomass and hyperspectral vegetation indices[J]. Chinese Agricultural Science Bulletin, 2008, 24(3): 426－429. (in Chinese with English abstract)

[24] 馬文君. 棉花生理生化參數高光譜反演模型研究[D]. 楊凌: 西北農林科技大學, 2016. Ma Wenjun. Study on Hyperspectral Estimation Models for Cotton Physiological and Biochemical Parameters [D]. Yangling: Northwest A&F University, 2016. (in Chinese with English abstract)

[25] 張卓然. 棉花高光譜特征及其農學參數遙感反演研究[D]. 楊凌: 西北農林科技大學, 2018. Zhang Zhuoran. Cotton Hyperspectral Characteristic and Hyperspectral Estimation of Its Agricultural Parameters[D]. Yangling: Northwest A&F University, 2018. (in Chinese with English abstract)

[26] 田明璐, 班松濤, 常慶瑞, 等. 基于低空無人機成像光譜儀影像估算棉花葉面積指數[J].農業工程學報, 2016, 32(21): 102－108. Tian Minglu, Ban Songtao, Chang Qinrui, et al. Use of hyperspectral images from UAV-based imaging spectroradiometer to estimate cotton leaf area index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 102－108. (in Chinese with English abstract)

[27] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment, 1979, 8(2): 127－150.

[28] Jordan C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663－666.

[29] Pearson R L, Miller L D. Remote mapping of standing crop biomass for estimation of the productivity of the short grass prairie[C]. Proc. 8th Int. Symp. Remote Sens. Environ. Ann Arbor, Michigan USA, 1972, 3: 1355.

[30] Crippen R E. Calculating the vegetation index faster[J]. Remote Sensing of Environment, 1990, 34(1): 71－73.

[31] Clevers J G P W. The application of a weighted infrared-red vegetation index for estimating leaf Area index by correcting for soil moisture[J]. Remote Sensing of Environment, 1989, 29(1): 25－37.

[32] Deering D W, Rouse Jr J W, Hass R H, et al. Measuring forage production of grazing units from Landsat MSS data[C]. Proc. Tenth Int. Symp. Remote Sens. Environ. Ann Arbor, Michigan USA, 1975, 22: 1169 －1178.

[33] Gitelson A A, Merzlyak M N. Remote sensing of chlorophyll concentration in higher plant leaves[J]. Advances in Space Research, 1998, 22(5): 689－692.

[34] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988, 25(3): 295 – 309.

[35] Qi J, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119－126.

[36] Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1/2):195－213.

[37] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289－298.

[38] Guyot G, Baret F, Major D. High spectral resolution: determination of spectral shifts between the red and the near infrared[C]. Proc. 16th Int. Congress Photogramm. Remote Sens. Kyoto, Japan, 1988.

[39] Dash J, Curran P J. Evaluation of the MERIS terrestrial chlorophyll index (MTCI)[J]. Advances in Space Research, 2007, 39(1): 100－104.

[40] Blackburn G A. Quantifying chlorophylls and caroteniods at leaf and canopy scales: an evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment, 1998, 66(3): 273 – 285.

[41] Daughtry C, Walthall C, Kim M, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment, 2000, 74(2): 229－239.

[42] Herrmann I, Pimstein A, Karnieli A, et al. LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands[J]. Remote Sensing of Environment, 2011, 115(8): 2141－2151.

[43] Yi Q X, Jiapaer G L, Chen J M, et al. Different units of measurement of carotenoids estimation in cotton using hyperspectral indices and partial least square regression[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 91: 72－74.

[44] Shao J. Linear model selection by cross-validation[J]. Journal of the American statistical Association, 1993, 88(422): 486－494.

Remote estimation of cotton LAI using Sentinel-2 multispectral data

Yi Qiuxiang

(1.,,,830011,; 2.,830011,3.,100049,)

Rapid and accurate LAI (Leaf Area Index) acquisition is of great significance for remote sensing monitoring of cotton growth, diagnosis of growth stage, extraction of cotton plant area and yield estimation. The present research discussed the characteristics of Sentinel-2 multi-spectral satellite data for remote estimation of cotton LAI. Measured LAI from filed experiments and Sentinel-2 data in 2017 and 2018 were obtained, and LAI estimation model for different and for all growth stages were established basing on single spectral band reflectance on Sentinel-2 and various vegetation index from Sentinel-2 bands. The estimation accuracy of the established LAI models were validated by coefficient of determination (2), RMSE (root mean square error), mean bias, and slope and intercept, using LOOCV (Leave-One-Out-Cross Validation) method and cross validation, respectively. The results showed that: 1) for the single-band reflectance of sentinel-2 multi-spectral satellite data, two red-edge bands of B6 and B7, and two near-infrared bands of B8 and B8a, were all significantly (<0.001) correlated to LAI at all three tested growth stages, i.e. bud stage (16-Jun-2017), and flowering stage (23-Jun-2018), and boll stage (2-Aug-2017), with correlation coefficient greater than 0.7. And when the correlation between LAI and band reflectance were performed using data consist of three growth stages, the correlation coefficient for all tested bands reach significant level (<0.001), and the maximum correlation coefficient was 0.943 of near-infrared narrow band B8a, which center at 865 nm with a wave width of 32 nm. The accuracy of LAI estimation at different development stages was optimized using the near-infrared band B8 which with a central wavelength of 842 nm and a wave width of 145 nm, with all RMSE smaller than 0.465. 2) for seventeen LAI related vegetation indices, including EVI (Enhanced Vegetation Index), MSAVI2 (Modified Soil Adjusted Vegetation Index 2), IRECI (Inverted Red-Edge Chlorophyll Index), etc., most of them were significantly (<0.001) correlated with LAI, especially atmospheric correction index EVI, soil adjusted index MSAVI2, and red-edge index IRECI, and the coefficient of correlation were over 0.8. EVI provided the best result for LAI estimation at bud stage and boll stage, and at flowering stage it consists by MASVI2, with bud stage RMSE=0.352, and boll stageRMSE=0.367 and flowering stage RMSE=0.323, respectively. 3) LAI estimation models for whole growth stages performed better than these for one single growth stage. And the best LAI estimation models for whole growth period using single spectral band reflectance and vegetation index were respectively obtained by near-infrared narrow band B8a and IRECI, with IRECI performed slightly better, which with2=0.908 and RMSE=0.425 for LOOCV, and2=0.951 and RMSE=0.368 for cross validation. Additionally, when apply IRECI-LAI estimation model for whole growth stages on one single growth stage LAI estimation, the accuracy comparison between the IRECI-LAI model and single growth stage LAI models showed that the average cross validation RMSE was only 0.07 greater than the average LOOCV RMSE, indicating the good universality of LAI estimation model for whole growth stages.

crops; remote sensing; models; Sentinel-2 data; cotton; leaf area index (LAI); vegetation index

2019-02-18

2019-06-14

國家自然科學基金（41571428，41871328）

易秋香，副研究員，主要研究方向為定量遙感，農業遙感。Email：yiqx@ms.xjb.ac.cn

10.11975/j.issn.1002-6819.2019.16.021

P237.9

A

1002-6819(2019)-16-0189-09

易秋香. 基于Sentinel-2多光譜數據的棉花葉面積指數估算[J]. 農業工程學報，2019，35(16)：189－197. doi：10.11975/j.issn.1002-6819.2019.16.021 http://www.tcsae.org

Yi Qiuxiang. Remote estimation of cotton LAI using Sentinel-2 multispectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(16): 189－197. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.16.021 http://www.tcsae.org