西南复杂地形区10 m级马铃薯叶面积指数反演研究

doi:10.11924/j.issn.1000-6850.casb2025-0374

中国农学通报 ›› 2025, Vol. 41 ›› Issue (34): 147-156.doi: 10.11924/j.issn.1000-6850.casb2025-0374

西南复杂地形区10 m级马铃薯叶面积指数反演研究

卢晓宁¹(), 徐丹丹¹, 刘轲²(), 徐维新¹, 徐保东³

¹ 成都信息工程大学资源环境学院，成都 610225
² 西南科技大学环境与资源学院/国家遥感中心绵阳科技城分部，四川绵阳 621010
³ 华中农业大学资源与环境学院，武汉 430070

收稿日期:2025-05-13 修回日期:2025-09-26 出版日期:2025-12-04 发布日期:2025-12-04
通讯作者:
刘轲，男，1985年出生，四川攀枝花人，副研究员，博士，主要从事农作物参数遥感反演、作物胁迫遥感监测研究。通信地址：621010 四川绵阳涪城区青义镇青龙大道路段59号环境与资源学院/国家遥感中心绵阳科技城分部，E-mail：ke_liu_rs@swust.edu.cn。
作者简介:
卢晓宁，女，1980年出生，山东青岛人，副教授，博士，研究方向为资源环境遥感及3S与气象应用。通信地址：610225 四川成都双流区西南航空港经济开发区学府路一段24号资环楼，Tel：028-85966913，E-mail：lxn@cuit.edu.cn。
基金资助:
西南科技大学博士基金项目“耦合数据与知识的四川水稻参数遥感高效监测技术攻关”(22zx7169); 风云卫星先行计划“川渝复杂地形区风云卫星高精度土壤水分产品研发及干旱监测预警”(FY-APP-2024.0404)

Research on Inversion of 10-meter Potato Leaf Area Index in Complex Terrain Area of Southwest China

LU Xiaoning¹(), XU Dandan¹, LIU Ke²(), XU Weixin¹, XU Baodong³

¹ College of Resources and Environment, Chengdu University of Information Technology, Chengdu 610225
² College of Environment and Resources, Southwest University of Science and Technology/Mianyang Science and Technology City Branch, National Remote Sensing Center, Mianyang, Sichuan 621010
³ College of Resources & Environment of Huazhong Agricultural University, Wuhan 430070

Received:2025-05-13 Revised:2025-09-26 Published:2025-12-04 Online:2025-12-04

摘要/Abstract

摘要：

研究旨在实现马铃薯作物叶面积指数参量的高精度反演，并从地表空间异质性、采样设计方案及反演模型参数上深度挖掘影响叶面积指数精度的原因。本研究以四川凉山州昭觉县、布拖县马铃薯种植区为研究对象，基于Sentinel-2影像，采用SNAP软件集成的PROSAIL+神经网络(NN)的LAI反演算法，实现基于小样本田间观测数据且简便、高效的10 m级马铃薯LAI反演及实地验证，并通过与500 m尺度MODIS LAI产品对比，探究高分辨率LAI在空间异质性揭示上的优势。结果表明：（1）基于PROSAIL+NN反演的10 m级LAI整体精度较高，与地面实测值拟合的决定系数(R²)达0.86，均方根误差(RMSE)为0.28，但区域差异显著，布拖县样区(RMSE=0.15)反演精度优于昭觉县样区(RMSE=0.38)，可能归因于昭觉县更复杂的地形（坡度1°—14°）及更高的地表异质性。（2）在500 m像元内，Sentinel-2 10 m级LAI揭示的LAI变差平均达2.17，是两样区LAI均值的1.6倍；500 m×500 m尺度上，较MODIS LAI产品最大值、最小值分别高0.1、0.47，且无空值像元，证实Sentinel-2 10 m级LAI在空间异质性量化及数据完整性上显著优于传统500 m MODIS LAI产品。（3）Sentinel-2 10 m级LAI反演精度还受模型输入参数制约：SNAP软件内置LAI取值范围远超马铃薯实际LAI范围，可能导致“病态反演”的影响较大；土壤反射率(ρ_soil)代表性不足及大气校正后Band12反射率高估（最大值0.7超出模型有效输入范围0.5），进一步增加反演不确定性。本研究采用简便、高效的PROSAIL+NN的10 m级LAI反演算法，可在小样本基础上较为精准地刻画西南复杂地形区马铃薯长势的空间异质性，成为西南山区农情获取的有效途径，赋能该类型区数字农业生产、农情监测与农业管理。

关键词: 叶面积指数, 遥感反演, 马铃薯, Sentinel-2, 精度验证, 西南山地, 数字农业

Abstract:

To achieve high-accuracy inversion of potato leaf area index (LAI) in the complex terrain of Southwest China and explain factors potentially affecting retrieval accuracy from the perspectives of surface spatial heterogeneity and model parameters, this study focused on potato cultivation areas in Zhaojue and Butuo Counties, Liangshan Prefecture, Sichuan Province. Based on Sentinel-2 imagery, an LAI inversion algorithm integrating the PROSAIL model and a neural network (NN) within SNAP was employed to achieve simple, efficient, and small-sample 10-meter LAI inversion with field validation. A comparison with the 500-m MODIS LAI product was further conducted to assess the advantages of high-resolution LAI in revealing spatial heterogeneity. The results showed that: (1) the 10-meter LAI retrieved using the PROSAIL+NN algorithm exhibited high overall accuracy, with a coefficient of determination (R²) of 0.86 and a root mean square error (RMSE) of 0.28 when compared with field measurements. Regional differences were evident—the retrieval accuracy in Butuo County sample area (RMSE=0.15) exceeded that in Zhaojue County sample area (RMSE=0.38), primarily associated with more complex topography (slopes 1°-14°) and higher surface heterogeneity. (2) Within 500-m pixels, the 10-meter LAI revealed an average within-pixel LAI variance of 2.17, which was 1.6 times the mean LAI of the study area. Furthermore, the maximum and minimum values of the MODIS LAI product were lower by 0.1 and 0.47, respectively, than the corresponding values from this study, and partial null pixels were present. This confirmed that the 10-meter LAI significantly surpasses the traditional 500-meter MODIS LAI product in quantifying spatial heterogeneity and ensuring data completeness. (3) Retrieval accuracy was also constrained by model input parameters: the SNAP default LAI range significantly exceeded the actual potato LAI range, resulting in some anomalous values. Additionally, insufficient representativeness of soil reflectance (ρ_soil) and overestimation of the Band 12 reflectance after atmospheric correction (maximum value 0.7, exceeding the model's valid input range of 0.5) increased uncertainty. The PROSAIL+NN inversion method used in this study enables simple and efficient acquisition of 10-meter LAI products, allowing for precise characterization of the spatial heterogeneity in potato growth across the complex topography of Southwest China. With minimal ground measurements, strong mechanistic underpinnings and transferability, this approach can serve as an effective pathway for crop information acquisition in the mountainous regions of Southwest China, supporting digital agriculture, crop monitoring, and agricultural management.

Key words: leaf area index, remote sensing inversion, potatoes, Sentinel-2, precision validation, southwest mountainous region, digital agriculture

卢晓宁, 徐丹丹, 刘轲, 徐维新, 徐保东. 西南复杂地形区10 m级马铃薯叶面积指数反演研究[J]. 中国农学通报, 2025, 41(34): 147-156.

LU Xiaoning, XU Dandan, LIU Ke, XU Weixin, XU Baodong. Research on Inversion of 10-meter Potato Leaf Area Index in Complex Terrain Area of Southwest China[J]. Chinese Agricultural Science Bulletin, 2025, 41(34): 147-156.

图/表 8

参考文献 26

[1]	CHEN J M, BLACK T A. Defining leaf area index for non-flat leaves[J]. Plant, cell & environment, 1992, 15(4):421-429. doi: 10.1111/pce.1992.15.issue-4 URL
[2]	FANG H, BARET F, PLUMMER S, et al. An overview of global leaf area index (LAI): Methods, products, validation, and applications[J]. Reviews of geophysics, 2019, 57(3):739-799. doi: 10.1029/2018RG000608 URL
[3]	CAMPOS J, LLOP J, GALLART M, et al. Development of canopy vigour maps using UAV for site-specific management during vineyard spraying process[J]. Precision agriculture, 2019, 20(6):1136-1156. doi: 10.1007/s11119-019-09643-z
[4]	CHEN J, PAVLIC G, BROWN L, et al. Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements[J]. Remote sensing of environment, 2002, 80(1):165-184. doi: 10.1016/S0034-4257(01)00300-5 URL
[5]	曾也鲁, 李静, 柳钦火. 全球LAI地面验证方法及验证数据综述[J]. 地球科学进展, 2012, 27(2):165-174.
[6]	阎广建, 胡容海, 罗京辉, 等. 叶面积指数间接测量方法[J]. 遥感学报, 2016, 20(5):958-978.
[7]	PRIVETTE J, MYNENI R, KNYAZIKHIN Y, et al. Early spatial and temporal validation of MODIS LAI product in the Southern Africa Kalahari[J]. Remote sensing of environment, 2002, 83(1):232-243. doi: 10.1016/S0034-4257(02)00075-5 URL
[8]	付立哲, 屈永华, 王锦地. MODIS LAI产品真实性检验与偏差分析[J]. 遥感学报, 2017, 21(2):206-217.
[9]	FANG H, WEI S, LIANG S. Validation of MODIS and CYCLOPES LAI products using global field measurement data[J]. Remote sensing of environment, 2012, 119:43-54. doi: 10.1016/j.rse.2011.12.006 URL
[10]	CLAVERIE M, MATTHEWS L J, VERMOTE F E, et al. A 30+ Year AVHRR LAI and FAPAR climate data record: Algorithm description and validation[J]. Remote sensing, 2016, 8(3):263. doi: 10.3390/rs8030263 URL
[11]	吴小丹, 肖青, 闻建光, 等. 遥感数据产品真实性检验不确定性分析研究进展[J]. 遥感学报, 2014, 18(5):1011-1023.
[12]	YIN G, LI J, LIU Q, et al. Improving leaf area index retrieval over heterogeneous surface by integrating textural and contextual information: A case study in the Heihe River Basin[J]. IEEE Geoscience & remote sensing letters, 2014, 12(2):359-363.
[13]	葛玉娟, 赵宇鸾, 任红玉. 山区耕地细碎化对不同利用方式农地集约度的影响[J]. 地球科学进展, 2020, 35(2):180-188. doi: 10.11867/j.issn.1001-8166.2020.011
[14]	王宗洪. 乡村振兴背景下凉山州马铃薯产业发展现状及对策[J]. 西昌学院学报(社会科学版), 2022, 34(4):28-31.
[15]	HU Q, YANG J, XU B, et al. Evaluation of global decametric-resolution LAI, FAPAR and FVC estimates derived from Sentinel-2 imagery[J]. Remote sensing, 2020, 12(6):912. doi: 10.3390/rs12060912 URL
[16]	JACQUEMOUD S, BARET F. PROSPECT: A model of leaf optical properties spectra[J]. Remote sensing of environment, 1990, 34(2):75-91. doi: 10.1016/0034-4257(90)90100-Z URL
[17]	ZHANG Y, XU H, YANG J. Estimation of leaf area index over heterogeneous regions using the vegetation type information and prosail model[J]. IEEE Journal of selected topics in applied earth observations and remote sensing, 2023, 16:5405-5415. doi: 10.1109/JSTARS.2023.3283535 URL
[18]	ZHAO W C, FAN W Y. Quantitative representation of spatial heterogeneity in the LAI scaling transfer process[J]. IEEE Access, 2021, 9:83851-83862. doi: 10.1109/ACCESS.2021.3087411 URL
[19]	苏伟, 邬佳昱, 王新盛, 等. 基于Sentinel-2影像与PROSAIL模型参数标定的玉米冠层LAI反演[J]. 光谱学与光谱分析, 2021, 41(6):1891-1897.
[20]	JIANG H Y, WEI X Q, CHEN Z L, et al. Influence of different soil reflectance schemes on the retrieval of vegetation LAI and FVC from PROSAIL in agriculture region[J]. Computers and electronics in agriculture, 2023, 212:12.
[21]	CLEVERS W P G J, KOOISTRA L, BRANDE D V M M M, et al. Using Sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop[J]. Remote sensing, 2017, 9(5):405. doi: 10.3390/rs9050405 URL
[22]	Luo S, He Y, Li Q, et al. Nondestructive estimation of potato yield using relative variables derived from multi-period LAI and hyperspectral data based on weighted growth stage[J]. Plant methods, 2020, 16(1):1-14. doi: 10.1186/s13007-019-0534-5
[23]	SALDAÑA-VILLOTA M T, COTES-TORRES M J. Radiation interception and leaf area index from foliage cover in diploid potato[J]. Agronomy journal, 2020, 112(4):2805-2811. doi: 10.1002/agj2.v112.4 URL
[24]	LIU S B, JIN X L, BAI Y, et al. UAV multispectral images for accurate estimation of the maize LAI considering the effect of soil background[J]. International journal of applied earth observation and geoinformation, 2023, 121:21.
[25]	JIN C, LIU Q, WANG L & TANG B. Topographic effects on leaf area index retrieval from remote sensing data over mountainous areas[J]. Journal of selected topics in applied earth observations and remote sensing, 2017, 10(6):2847-2856.
[26]	LI Y J, CHEN J, MA Q M, et al. Evaluation of Sentinel-2A Surface reflectance derived using Sen2Cor in North America[J]. IEEE Journal of selected topics in applied earth observations and remote sensing, 2018, 11(6):1997-2021. doi: 10.1109/JSTARS.4609443 URL

样区	样方数量/个	地面测量时间(年-月-日)	Sentinel-2		MODIS
样区	样方数量/个	地面测量时间(年-月-日)	影像获取时间(年-月-日)	影像切片	产品对应时间(年-月-日)	轨道代号
昭觉	9	2018-05-15	2018-05-15	T48RTS	2018-05-09—2018-05-16	h27v06
布拖	14	2018-05-16	2018-05-15	T48RTR	2018-05-09—2018-05-16	h27v06

样区	样方数量/个	地面测量时间(年-月-日)	Sentinel-2		MODIS
样区	样方数量/个	地面测量时间(年-月-日)	影像获取时间(年-月-日)	影像切片	产品对应时间(年-月-日)	轨道代号
昭觉	9	2018-05-15	2018-05-15	T48RTS	2018-05-09—2018-05-16	h27v06
布拖	14	2018-05-16	2018-05-15	T48RTR	2018-05-09—2018-05-16	h27v06

研究样区	LAI_m	LAI_s	标准差	研究样区	LAI_m	LAI_s	标准差
布拖	0.60	0.67	0.03	昭觉	1.20	1.38	0.09
	1.00	0.92	0.04		1.20	1.49	0.15
	1.00	0.27	0.37		1.20	0.58	0.31
	0.70	0.36	0.17		1.20	1.62	0.21
	1.10	0.65	0.23		1.40	1.19	0.11
	0.70	0.46	0.12		1.60	0.15	0.73
	0.70	0.14	0.28		1.60	1.41	0.09
	0.60	0.19	0.21		2.20	1.07	0.56
	0.90	0.29	0.31		1.20	1.80	0.30
布拖	0.60	1.30	0.35	昭觉	-	0.85	-
	0.90	0.34	0.28		1.80	2.30	0.25
	0.60	0.78	0.09		1.60	1.89	0.14
	0.60	0.63	0.01		1.50	0.03	0.73
	0.80	0.63	0.09		1.50	0.21	0.64
	0.60	0.78	0.09		1.00	1.27	0.13
	0.60	0.30	0.15		1.10	1.68	0.29
	0.60	0.49	0.05		1.50	1.31	0.10
	0.60	0.77	0.08		1.20	1.46	0.13
	0.60	0.33	0.13		1.20	0.58	0.31
	0.60	0.26	0.17		1.60	2.00	0.20
	0.60	0.27	0.17		1.30	1.64	0.17
	0.60	0.34	0.13		1.30	0.96	0.17
	0.60	1.44	0.42		1.00	1.48	0.24
	0.60	0.41	0.09		1.10	1.42	0.16
	0.60	1.56	0.48		1.10	1.64	0.27
	0.50	1.01	0.25		0.80	1.86	0.53
	0.50	0.19	0.15		0.90	1.01	0.06
	0.50	0.16	0.17		1.00	0.77	0.11
	0.80	0.14	0.33		1.00	0.33	0.33
	0.60	0.45	0.07		1.30	0.85	0.23
	0.60	0.46	0.07		1.30	1.72	0.21
	0.60	0.83	0.11		0.80	0.19	0.31
	-	0.17	-		0.90	1.67	0.39
	-	0.41	-		0.80	1.63	0.41
	-	0.49	-		0.80	1.32	0.26
	0.50	0.42	0.04		1.10	1.66	0.28
	0.60	0.26	0.17		1.00	0.43	0.28
	0.60	1.41	0.41		0.90	1.98	0.54
	0.60	1.21	0.31		0.80	0.86	0.03
	-	0.71	-		1.20	1.80	0.30
	-	1.47	-		1.20	1.36	0.08
	-	1.70	-		1.30	1.54	0.12
	0.70	0.21	0.24		1.60	1.27	0.17
	0.70	0.35	0.17		1.10	1.00	0.05
	0.70	0.69	0.00		0.80	1.73	0.47
	0.70	1.36	0.33		0.90	1.02	0.06
	0.90	1.02	0.06		1.30	1.36	0.03
	1.00	1.61	0.30		1.30	1.27	0.02
	0.90	1.48	0.29		1.10	1.39	0.15

研究样区	LAI_m	LAI_s	标准差	研究样区	LAI_m	LAI_s	标准差
布拖	0.60	0.67	0.03	昭觉	1.20	1.38	0.09
	1.00	0.92	0.04		1.20	1.49	0.15
	1.00	0.27	0.37		1.20	0.58	0.31
	0.70	0.36	0.17		1.20	1.62	0.21
	1.10	0.65	0.23		1.40	1.19	0.11
	0.70	0.46	0.12		1.60	0.15	0.73
	0.70	0.14	0.28		1.60	1.41	0.09
	0.60	0.19	0.21		2.20	1.07	0.56
	0.90	0.29	0.31		1.20	1.80	0.30
布拖	0.60	1.30	0.35	昭觉	-	0.85	-
	0.90	0.34	0.28		1.80	2.30	0.25
	0.60	0.78	0.09		1.60	1.89	0.14
	0.60	0.63	0.01		1.50	0.03	0.73
	0.80	0.63	0.09		1.50	0.21	0.64
	0.60	0.78	0.09		1.00	1.27	0.13
	0.60	0.30	0.15		1.10	1.68	0.29
	0.60	0.49	0.05		1.50	1.31	0.10
	0.60	0.77	0.08		1.20	1.46	0.13
	0.60	0.33	0.13		1.20	0.58	0.31
	0.60	0.26	0.17		1.60	2.00	0.20
	0.60	0.27	0.17		1.30	1.64	0.17
	0.60	0.34	0.13		1.30	0.96	0.17
	0.60	1.44	0.42		1.00	1.48	0.24
	0.60	0.41	0.09		1.10	1.42	0.16
	0.60	1.56	0.48		1.10	1.64	0.27
	0.50	1.01	0.25		0.80	1.86	0.53
	0.50	0.19	0.15		0.90	1.01	0.06
	0.50	0.16	0.17		1.00	0.77	0.11
	0.80	0.14	0.33		1.00	0.33	0.33
	0.60	0.45	0.07		1.30	0.85	0.23
	0.60	0.46	0.07		1.30	1.72	0.21
	0.60	0.83	0.11		0.80	0.19	0.31
	-	0.17	-		0.90	1.67	0.39
	-	0.41	-		0.80	1.63	0.41
	-	0.49	-		0.80	1.32	0.26
	0.50	0.42	0.04		1.10	1.66	0.28
	0.60	0.26	0.17		1.00	0.43	0.28
	0.60	1.41	0.41		0.90	1.98	0.54
	0.60	1.21	0.31		0.80	0.86	0.03
	-	0.71	-		1.20	1.80	0.30
	-	1.47	-		1.20	1.36	0.08
	-	1.70	-		1.30	1.54	0.12
	0.70	0.21	0.24		1.60	1.27	0.17
	0.70	0.35	0.17		1.10	1.00	0.05
	0.70	0.69	0.00		0.80	1.73	0.47
	0.70	1.36	0.33		0.90	1.02	0.06
	0.90	1.02	0.06		1.30	1.36	0.03
	1.00	1.61	0.30		1.30	1.27	0.02
	0.90	1.48	0.29		1.10	1.39	0.15

西南复杂地形区10 m级马铃薯叶面积指数反演研究

Research on Inversion of 10-meter Potato Leaf Area Index in Complex Terrain Area of Southwest China

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 26

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

[1]	刘颖, 耿丹丹, 刘柳, 魏敏, 石治强. ⁶⁰Co-γ射线辐照处理对马铃薯淀粉膜性能的影响[J]. 中国农学通报, 2025, 41(6): 153-158.
[2]	汪扬媚, 刘言, 冯奎, 董红平, 刘绍文, 杨勇, 张荣, 何莲. 川西高原不同马铃薯品种农艺性状与产量的关系研究[J]. 中国农学通报, 2025, 41(6): 29-37.
[3]	陈芬, 李恺, 张雪梅, 李应龙, 段柯帆, 曹恒茂, 高鑫, 张景华, 黄敏, 董瑜. 硼硅对烤烟马铃薯Y病毒病防效与抗氧化酶活性的影响[J]. 中国农学通报, 2025, 41(4): 108-113.
[4]	黄礼佳, 张招娟, 郭玉春, 张鑫. 14个彩色马铃薯品种主要性状表现及其SSR遗传多样性分析[J]. 中国农学通报, 2025, 41(32): 17-22.
[5]	张岚晶, 梁燕, 高琪, 苏利军, 孙尚瑜, 云磊, 王一鸣. 玉米生长发育模拟模型MaizeSM对土默特左旗玉米生长模拟适用性分析[J]. 中国农学通报, 2025, 41(20): 106-112.
[6]	刘燕, 韩伟. 不同药剂处理对马铃薯晚疫病的田间防治效果[J]. 中国农学通报, 2025, 41(2): 117-122.
[7]	刘春晓, 汪黎明, 董瑞, 刘铁山. 种植密度对籽粒机收玉米‘鲁单608’生长发育和产量的影响[J]. 中国农学通报, 2025, 41(2): 23-27.
[8]	王亚婷, 吴志岐, 张连花, 王鲜丽. 气候变化背景下宁夏马铃薯气候适宜性分析[J]. 中国农学通报, 2025, 41(18): 150-157.
[9]	李璐, 胡志超, 秦洁, 王盈, 常江. 液态地膜对马铃薯产量结构和土壤理化结构的影响[J]. 中国农学通报, 2025, 41(15): 88-94.
[10]	周洋, 杨永森, 丁月花. 减施化肥、施用堆肥对宁夏半干旱地区马铃薯产量和品质的影响[J]. 中国农学通报, 2025, 41(15): 32-36.
[11]	马小英, 满本菊, 李涛, 刘威帆, 马风兰, 万猛虎, 刘吉利, 吴娜. 马铃薯/豆类复合系统对宁南旱区土壤酶活性及马铃薯产量的影响[J]. 中国农学通报, 2025, 41(14): 13-24.
[12]	吴志岐, 王亚婷, 王鲜丽. 马铃薯新品种气候生态适应性分析[J]. 中国农学通报, 2025, 41(11): 140-145.
[13]	黄水龙. 适宜漳州市龙海区冬种马铃薯新品种的筛选[J]. 中国农学通报, 2025, 41(10): 25-31.
[14]	祁驰恒, 曾钰婷, 许娟妮, 尼玛卓嘎. 密度与氮肥对高海拔地区马铃薯产量和品质的影响[J]. 中国农学通报, 2025, 41(1): 19-24.
[15]	姜波, 李辉, 刘秩汝, 敖翔, 秋萍, 王晓丽, 于晓刚, 汤存山. 马铃薯新品种淀粉产量的表现及其稳定性分析[J]. 中国农学通报, 2024, 40(36): 24-30.

研究样区	输入超限占比	输出超限占比	最佳获取占比
昭觉	56	2	42
布拖	52	1	47

研究样区	输入超限占比	输出超限占比	最佳获取占比
昭觉	56	2	42
布拖	52	1	47