3。4基于 CGMD的植被指数随氮肥处理和水稻不同采样时期的变化 17

3。4。1 不同施氮量对NDVI的影响 17

3。4。2 NDVI随水稻不同采样时期的变化 18

3。4。3 不同施氮量对RVI的影响 20

3。4。4 RVI随水稻不同采样时期的变化 21

3。4。5 不同氮肥处理对PVI的影响 23

3。4。6 PVI随水稻不同采样时期的变化 24

3。5 LAI反演模型的构建 25

3。5。1 基于NDVI所构建的LAI反演模型 25

3。5。2 基于RVI所构建的LAI反演模型 26

3。5。3 基于RVI所构建的LAI反演模型 28

结   论 29

参考文献 30

致 谢 32

1 前言

水稻是重要的粮食作物之一，它的产量和质量直接影响到我国粮食经济的发展[1]。水稻产量形成的大部分干物质来源于光合作用，叶片是光合作用的主要器官，是地球上生物生存的基础和能量的来源，同时也是植物本身进行蒸腾作用的主要途径[2]。水稻叶片的长势情况会对水稻的成粒率[3]、粒重,尤其对后开花的籽粒影响较大[3-5]。水稻叶面积指数（LAI）是评价其长势和预测产量的重要农学参数, 叶面积指数是指单位土地表面积上植物绿叶总面积，即LAI=绿叶总面积/土地面积[6]。它是反映作物群体大小的动态指标，用来反映植物叶面数量、冠层结构变化、植物群落生命活力及其环境效应，为植物冠层表面物质和能量交换的描述提供结构化的定量信息[7, 8]，并在生态系统碳累积、植被生产力和土壤、植物、大气间相互作用的能量平衡,植被遥感等方面起重要作用。论文网

叶面积指数方法可用直接测定法和间接方法测定。直接测定方法是一种传统的、具有破坏性的方法,通过直接测量叶面积得到的叶面积指数，可作为间接方法的有效验证。主要包括落叶收集法、分层收割法。间接方法是用一些测量参数或用光学仪器得到叶面积指数，测量方便快捷，但仍需要用直接方法所得结果进行校正[9]。包括点接触法、消光系数法、经验公式法等。比较而言,传统的破坏性方法,如分层收割法，虽然比较准确，但费时费力，效率不高。光学仪器法和经验公式法因具有快速、破坏性小等优点得到广泛应用，但各种光学仪器应用的范围不同，需要根据测量的冠层选择合适的仪器，有条件地选择几种仪器的组合，才能达到互为验证提高准确性的目的。文献综述

目前主要有2种方法可用来估算叶面积指数[10]，一种是统计模型法[11, 12]，主要是将遥感图像数据如归一化植被指数NDVI、比植被指数RVI和正交植被指数PVI与实测LAI建立模型。这种方法输入参数单一，不需要复杂的计算，因此成为估算LAI的常用方法。另一种是光学模型法，它基于植被的双向反射率分布函数是一种建立在辐射传输模型基础上的模型，它把LAI作为输入变量，采用迭代的方法来推算LAI。这种方法的优点是有物理模型基础，不受植被类型的影响，然而模型过于复杂，反演非常耗时，且反演估算LAI过程中有些函数并不总是收敛的[10, 13]。

利用多光谱开展LAI估算研究成为农业定量遥感和精准农业研究热点问题之一[14]。国内外部分学者已开展了利用多光谱遥感数据进行LAI反演研究，如Darvishzadeh等[15, 16]、Haboudanea等和Zhao等利用遥感参量植被指数来减少土壤等背景环境的影响，将植被指数和LAI参数建立相关函数，利用其关系进行LAI参数反演。Gitelson等利用绿波段代替红波段提出了新的植被指数GRVI，然后利用其和LAI的相关性进行LAI反演。唐延林等[17]和刘占宇等[18]针对水稻、玉米和棉花等不同作物，构建了不同的植被指数模型，提高了作物LAI估算的精度。Ahl等、程乾等[19]利用多种遥感信息源（NOAA-AVHRR、MODIS、TM和HJ-1等）构建了基于不同信息源的植被LAI反演模型。