近年来，南京农业大学农学院智慧农业团队对大尺度小麦叶面积指数卫星遥感监测进行了深入研究。研究结果以 “Improved generality of wheat green LAI models through mitigation of the effect of leaf chlorophyll content variation with red edge vegetation indices”为题，发表在国际著名顶级遥感期刊《Remote Sensing of Environment》。

叶面积指数（Leaf area index，LAI）是描述小麦长势的冠层结构参数之一。大尺度获取LAI能够指示不同地区植被物候的变化、生态系统生产力的变化以及气候变化。目前，农业生产过程中气候条件、肥水管理与耕作措施引起农业生态系统的空间异质性以及年际间差异，降低了基于遥感的作物LAI反演模型的精度与普适性。本研究发现前人基于红边波段/植被指数（Vegetation index, VI）构建的作物LAI模型，虽然能够缓解包括土壤背景、叶片倾角等多种复杂因素的影响，但是受到叶片叶绿素含量（Leaf chlorophyll content, LCC）的影响，在大尺度推广应用方面仍旧稳定性低。对此，如何缓解LCC影响，提高基于红边植被指数的作物LAI模型的普适性，是植被定量遥感领域的经典问题。

该研究首先阐明LCC变化的光谱效应是导致红边VI-LAI模型推广过程中普适性差的主要原因之一。随后，提出光谱指数差值组合算法（Difference combination of spectral index, DCSI）来组合红边植被指数，同时缓解LCC变化的光谱效应，并且优选最佳的植被指数组合用于不同LCC条件下小麦LAI的估算。最后，衍生出一个适用于大尺度LAI估算的新红边植被指数，命名为基于Sentinel-2的改良红边位置（Sentinel-2 modified red-edge position, S2MREP）。

结果表明，利用DCSI算法得到的植被指数组合，能够有效地缓解LCC变化的影响，具有更高的稳定性（图1）；相比于欧空局（European Space Agency, ESA）目前采用的Sentinel-2红边位置指数（Sentinel-2 red-edge position, S2REP），本研究新构建的S2MREP指数模型预测小麦LAI的精度更高，并且在不同年份、不同生态点具有较高的普适性；本研究构建的小麦LAI模型还具有较好的迁移性，适用于我国小麦主产区和法国等其他国家的大尺度LAI空间分布图的生产（图2）。

图1. 不同植被指数对LCC变化的响应。水平方向的颜色变化可以表示VI-LAI关系对LCC变化的响应

图2. 2019-2020年中国（a-h）与2020-2021法国（i-p）小麦主产区作物LAI的季节演变

该研究由南京农业大学国家信息农业工程技术中心完成，中心的钟山青年研究员李伟为论文第一作者，朱艳教授和姚霞教授为通讯作者。曹卫星教授、刘守阳教授、Frederic Baret教授、Timothy A.Warner教授、程涛教授、李栋博士等在论文撰写方面提供了帮助。田永超教授、江冲亚教授、南京师范大学地理科学学院杨沛琦教授及中山大学大气科学学院江佳乐副教授在论文撰写方面提供了帮助。研究得到了国家重点研发专项、国家自然科学基金等项目资助。