利用Sentinel-2影像超分辨率重建的红树林冠层氮含量反演

利用Sentinel-2影像超分辨率重建的红树林冠层氮含量反演 Retrieving canopy nitrogen content of mangrove forests from Sentinel-2 super-resolution reconstruction data 1 2 first-author 甄佳宁，研究方向为红树林定量遥感、红树林变化监测的理论和应用。E-mail：zhenjn@radi.ac.cn 甄佳宁，研究方向为红树林定量遥感、红树林变化监测的理论和应用。E-mail：zhenjn@radi.ac.cn zhenjn@radi.ac.cn 2 3 2 3 1 2 corresp 王俊杰，研究方向为植被定量遥感。E-mail：wang_2015@szu.edu.cn 王俊杰，研究方向为植被定量遥感。E-mail：wang_2015@szu.edu.cn wang_2015@szu.edu.cn 2 3 2 3 深圳大学 生命与海洋科学学院, 深圳 518060 深圳大学 生命与海洋科学学院, 深圳 518060 College of Life Sciences and Oceanography, Shenzhen University, Shenzhen 518060, China College of Life Sciences and Oceanography, Shenzhen University, Shenzhen 518060, China 自然资源部大湾区地理环境监测重点实验室, 深圳 518060 自然资源部大湾区地理环境监测重点实验室, 深圳 518060 MNR Key Laboratory for Geo-Environmental Monitoring of Great Bay Area, Shenzhen 518060, China MNR Key Laboratory for Geo-Environmental Monitoring of Great Bay Area, Shenzhen 518060, China 深圳大学 建筑与城市规划学院, 深圳 518060 深圳大学 建筑与城市规划学院, 深圳 518060 School of Architecture and Urban Planning, Shenzhen University, Shenzhen 518060, China School of Architecture and Urban Planning, Shenzhen University, Shenzhen 518060, China 氮素是植被整个生命周期的必要元素，红树林冠层氮素含量（CNC）遥感估算对红树林健康监测具有重要意义。以广东湛江高桥红树林保护区为研究区，本文旨在基于Sentinel-2影像超分辨率重建技术进行红树林CNC估算和空间制图。研究首先基于三次卷积重采样、Sen2Res和SupReMe算法实现Sentinel-2影像从20 m分辨率到10 m的重建；然后以重建后的影像和原始20 m影像为数据源构建40个相关植被指数，采用递归特征消除法（SVM-RFE）确定CNC估算的最优变量组合，进而构建CNC反演的核岭回归（KRR）模型；最后选取最优模型实现CNC制图。研究结果表明：基于Sen2Res和SupReMe超分辨率算法的重建影像不仅与原始影像具有很高的光谱一致性，且明显提高了影像的清晰度和空间细节。红树林CNC反演波段主要集中在红（B4）、红边（B5）、近红外波段（B8a）以及短波红外波段（B11和B12），与“红边波段”相关的植被指数（RSSI和TCARIre1/OSAVI）也是红树林CNC反演的有效变量。基于3种方法重建后10 m的影像构建的模型反演精度（ R 2 val > 0.579）均优于原始20 m的影像（ R 2 val=0.504）；基于Sen2Res算法重建影像构建的反演模型拟合精度（ R 2 val=0.630，RMSE_val=5.133，RE_val=0.179）与基于三次卷积重采样重建影像的模型拟合精度（ R 2 val=0.640，RMSE_val=5.064，RE_val=0.179）基本相当，前者模型验证精度（ R 2 cv=0.497，RMSE_cv=5.985，RE_cv=0.214）较高且模型变量选择数量最为合理。综合重建影像光谱细节及模型精度，基于Sen2Res算法重建的Sentinel-2影像在红树林CNC估算中具有良好的应用潜力，能为区域尺度红树林冠层健康状况的精细监测提供有效的方法借鉴和数据支撑。 Nitrogen content is an essential element in the whole life cycle of vegetation. The estimation of mangrove Canopy Nitrogen Content (CNC) by remote sensing is greatly important for mangrove health monitoring. At present, studies that use satellite hyperspectral data to retrieve CNC of forest at regional scales, especially for mangroves, are few. In addition, the low spatial resolution of most satellite hyperspectral images and the difficulty of measuring the average leaf nitrogen content of a single image pixel in real time limit the inversion accuracy. In this study, the super-resolution reconstruction of Sentinel-2 image and in-site measurement data was used for retrieving mangrove CNC to explore the application potential of enhanced Sentinel-2 image in mangrove monitoring. Taking Zhanjiang Gaoqiao Mangrove National Nature Reserve, China as the study area, the red edge bands, near-infrared, and short wave bands of Sentinel-2 were reconstructed from 20 m to 10 m by resampling, Sen2Res, and SupReMe algorithms, respectively. The reconstructed images are used to build 40 vegetation indices and analyze their correlation with CNC. Then, the SVM-RFE iterative feature deletion method was used to determine the optimal variable combination of mangrove CNC estimation, and the Kernel Ridge Regression (KRR) model was used to construct the prediction model of mangrove CNC. Finally, the optimal model was used to map CNC spatial distribution of mangrove forests. Significant differences in canopy nitrogen content and leaf nitrogen content were found among different mangrove species, and the variation of intraspecific CNC was abundant. The reconstructed images based on Sen2Res and supreme super resolution algorithm not only had high spectral consistency (the R 2 values of all bands are above 0.96) with the resampled image, but also significantly improved the clarity and spatial detail of the image compared with the 20 m resolution image. The bands sensitive to mangrove CNC are mainly concentrated in the red band (B4), red-edge band (B5), near-infrared band (B8a), and short-wave infrared band (B11 and B12). Vegetation indices related to red-edge band (RSSI and TCARIre1/OSAVI) are also effective variables to predict mangrove CNC. The inversion accuracy ( R 2 val > 0.579) of the reconstructed 10 m image based on the three methods is better than that of the original 20 m image ( R 2 val=0.504). The fitting accuracy of the inversion model based on the reconstructed Sen2Res image ( R 2 val=0.630, RMSE_val=5.133, RE_val=0.179) is almost the same as the resampled ( R 2 val=0.640, RMSE_val = 5.064, RE_val = 0.179), and its model validation accuracy ( R 2 cv=0.497, RMSE_cv=5.985, RE_cv=0.214) is higher. In addition, the variable number of Sen2Res is the most reasonable. Based on the spectral details and model accuracy of reconstructed images, Sentinel-2 images constructed by Sen2Res algorithm have good application potential in mangrove canopy nitrogen content estimation and can provide effective method reference and data support for fine monitoring of mangrove canopy health status at regional scale. Compared with vegetation, such as crops and grasslands, the factors influencing CNC inversion of mangroves are more complex. Although the influence of the main canopy structure factor (LAI) was considered in this study, other factors, such as species, community structure, leaf inclination, and synergistic changes, in other biochemical components should be further investigated. 遥感 红树林 冠层氮素含量 Sentinel-2 影像重建 SVM-RFE KRR remote sensing mangrove forests canopy nitrogen content Sentinel-2 image reconstruction SVM-RFE KRR 1　引言 1 氮素是限制红树林生长最关键的营养元素，是参与其光合作用的重要成分（ Camino等，2018 Camino等，2018 ； Lemaire等，2008 Lemaire等，2008 ），也是评价红树林净初级生产力和健康水平的重要指示参数之一（ Loozen等，2020 Loozen等，2020 ）。因此，红树林冠层氮素含量CNC（Canopy Nitrogen Content）的准确估算对红树林健康及其生态系统碳循环研究具有重要意义。当前迅猛发展的遥感技术为快速、无损、大范围地获取植被冠层信息，进而反演植被氮素（ Wang等，2019 Wang等，2019 ）、叶绿素（ Ali等，2020 Ali等，2020 ）以及叶面积指数（ Estévez等，2020 Estévez等，2020 ）等理化参数奠定了数据基础。 植被氮素含量遥感反演的原理是植被叶片中化学组分分子结构中的氮化学键在一定辐射水平的照射下发生振动或电子跃迁，引起相关波长的光谱发射和吸收差异，从而产生不同的光谱反射率，且光谱吸收强度与叶片氮含量密切相关（ 刘良云，2014 刘良云，2014 ）。因此植被氮素含量的变化一定程度上影响叶片对特定波长的光谱反射特性（ 陈永喆 等，2017 陈永喆 等，2017 ； 王莉雯和卫亚星，2013 王莉雯和卫亚星，2013 ）。目前，国内外研究学者已对植物叶片尺度、冠层尺度氮素含量遥感反演进行了大量研究。按照模型的理论基础，植被氮素含量遥感反演的算法主要可以归纳为两类：（1）统计方法，包括光谱指数法和回归分析法。例如， Inoue等（2012） Inoue等（2012） 在中国和日本不同环境条件下获得水稻地面高光谱数据集和CASI-3机载高光谱影像，分别分析了由原始反射率值和一阶导数值构建的归一化植被指数NDSI（Normalized Difference Spectral Index）和比值植被指数RSI（Ratio Spectral Index）与水稻冠层氮素含量的相关性，研究发现，基于一阶导数的RSI（D740，D522）是反演CNC最准确的变量。 Lee等（2020） Lee等（2020） 对比了线性回归、随机森林和支持向量机回归方法估算玉米冠层氮素浓度结果的精度，结果表明两种机器学习模型均优于线性模型。（2）辐射传输模型方法，包括PROSPECT模型和4-scale模型等。例如， Yang等（2015） Yang等（2015） 将PROSPECT模型中的叶绿素吸收系数替换为等效氮吸收系数，建立了N-PROSPECT模型，实现了冬小麦叶片氮素浓度的反演； Li等（2018） Li等（2018） 将N-PROSPECT与SAIL模型结合，探究了N-PROSAIL模型在叶片和冠层尺度上小麦CNC估算的潜力。 目前，国内植被氮素含量遥感反演总体上处于起步阶段（ 陈永喆 等，2017 陈永喆 等，2017 ），主要利用地面高光谱数据进行叶片或小尺度范围内的农作物（小麦、水稻及玉米等）氮含量反演（ 李哲 等，2016 李哲 等，2016 ）。但利用机载或星载高光谱数据反演区域尺度森林冠层氮素含量的研究较少，尤其是针对红树林的氮素含量反演还未见报道。另外，绝大多数星载高光谱影像空间分辨率较低（30 m），且单一像元平均叶片氮素含量实测困难，限制了反演精度。与传统多光谱数据相比（Landsat和MODIS等），Sentinel-2数据进一步提高了遥感数据的时间、空间、光谱分辨率，是目前唯一具有3个红边波段的多光谱传数据，在植被理化参数的精细估算上具有巨大优势（ Xie等，2019 Xie等，2019 ； Clevers和Gitelson，2013 Clevers和Gitelson，2013 ）。然而，Sentinel-2影像中对植被健康和变化非常敏感的“红边”波段的空间分辨率只有20 m，极大限制了它在植被监测中的潜力（ Zhang等，2019 Zhang等，2019 ）。 图像超分辨率重建技术使Sentinel-2数据部分波段的较低空间分辨率（20 m）提高至10 m提供了可能。本文以广东省湛江市高桥红树林保护区为例，利用三次卷积重采样、Sen2Res和SupReMe算法重建10 m空间分辨率的Sentinel-2影像，构建红树林CNC反演模型，进而实现CNC反演和制图。研究成果可为区域尺度红树林冠层健康状况的精细监测提供有效的方法借鉴和数据支撑。 2　研究区与数据 1 2.1　研究区概况 2 高桥红树林保护区（21°‍31′N—21°‍35′N，109°45′E—109°48′E， 图1 图1 ）是广东省湛江市红树林国家级自然保护区的核心区之一，位于广东省最西端，北部湾东北角，拥有中国大陆现存连片面积最大的红树林带（毛丽君，2011）。该地气候类型为南亚热带海洋性季风气候，年平均水温25 ℃—27 ℃，且不随气温的急剧升降而变化，这构成了红树林生长的先决条件之一。4—9月为多雨季节，8月雨量最多，10—3月雨量较少。 研究区内红树林覆盖度高，树种呈现明显的分带特征，主要树种包括桐花树（ Aegiceras corniculatum ）、木榄（ Bruguiera gymnorrhiza ）、秋茄（ Kandelia obvolata ）、红海榄（ Rhizophora stylosa ）、白骨壤（ Avicennia marina ）、海漆（ Excoecaria agallocha ）和无瓣海桑（ Sonneratia apetala ）等，岸带分布有黄槿（ Hibiscus tiliaceus ）等半红树植物（ 朱耀军 等，2016 朱耀军 等，2016 ），其中有中国连片面积最大的木榄群落，达300 hm 2 。 2.2　实验数据 2 2.2.1　野外实验设计及地面数据收集 3 野外工作于2020年8月6日至12日开展，实验共设立了64个样方，采集143个样本点。在研究区内选择成熟的桐花树、白骨壤、木榄、红海榄和秋茄5种代表性群落类型设立固定样地。考虑到Sentinel-2遥感影像空间分辨率最高为10 m，每种群落设置15 m×15 m的样地。在每个样地内，选择2—3株、间距5—10 m的红树林样木，用手持GPS记录其点位信息；在每株样木处，采集每株样木北、南、西、东4个方向半球影像图片，采用HemiView数字植物冠层分析系统提取冠层叶面积指数。利用高枝剪采集每株样木冠层上方10个成熟叶片，并迅速封装在含有冰块的保鲜袋内带回实验室。在实验室内，采用凯氏定氮法（ 王学奎，2006 王学奎，2006 ）测定叶片全氮浓度。 2.2.2　Sentinel-2影像 3 Sentinel-2卫星是欧洲空间局发射的新一代高时空分辨率卫星，包括Sentinel-2 A/B两颗卫星，均搭载多光谱传感器，提供了由可见光、近红外到短波红外的13个多尺度、中高空间分辨率的遥感影像（ 表1 表1 ）。本研究采用从ESA scihub网站（ https://scihub. https://scihub. ‍copernicus.‍eu/［2021-07-01］）免费下载的Senitnel-2卫星影像（2020年9月4日获取）L1C级大气顶层反射率产品，该产品已经过辐射定标和几何校正。利用SNAP软件的Sen2Cor插件进行大气校正，将影像大气顶层反射率转换成冠层反射率。为了探讨影像分辨率提升对红树林CNC反演的应用潜力，大气校正时，分别将空间分辨率设置为10 m和20 m。根据Sen2Cor算法，在进行10 m大气校正时，B10波段被剔除，其他波段保持不变，保留12个波段；在进行20 m大气校正时，3个60 m波段（B1，B9和B10）和1个10 m波段（B8）被省略，保留了9个波段。考虑到各波段对植被氮素反演的意义，为了使影像的每个波段具有相同数量的像素，本研究移除B1、B9、B10和B8共4个波段，并采用三次卷积法将大气校正后的20 m分辨率的波段重采样到10 m。 波段 描述 中心波长/nm 波段宽度/nm 空间分辨率/m B1 Coastal aerosol 443 20 60 B2 Blue 490 65 10 B3 Green 560 35 10 B4 Red 665 30 10 B5 Red-edge1 705 15 20 B6 Red-edge2 740 15 20 B7 Red-edge3 783 20 20 B8 NIR 842 115 10 B8a Narrow NIR 865 20 20 B9 Water Vapor 945 20 60 B10 Cirrus 1380 30 60 B11 SWIR1 1610 90 20 B12 SWIR2 2190 180 20 3　研究方法 1 3.1　Sentinle-2影像超分辨率重建 2 本研究Sen2Res和SupReMe的影像超分辨率重建算法分别由SNAP平台的第三方插件Sen2Res和MATLAB平台实现。利用信息熵和平均梯度定量分析影像重建后的质量情况，由于没有参考高分辨率影像，而重采样后的影像与原始影像保持了良好的光谱一致性（ Zhang等，2019 Zhang等，2019 ），因此，本研究将Sen2Res和SupReMe两种算法重建后的影像与重采样后的影像进行光谱相关性分析来评估影像光谱一致性。 3.1.1　Sen2Res算法 3 Sen2Res插件为 Brodu（2017） Brodu（2017） 针对Sentinel-2卫星提出的一种利用相邻像素之间“共享”几何信息的超分辨率多光谱多分辨率影像重建方法。该算法基于一个像素区域内具有相同性质地物的比例（几何信息）是该像素的物理属性，与波段无关，而地物的反射率会随波段而变化；利用高分辨率波段拟合整体混合模型，识别相邻像素间的通用共享信息作为独立于反射率的像素属性，进行几何编码。在保持光谱特征不变的同时，将通用几何信息用于解混低分辨率像素，实现低分辨率波段超分辨率重建。此过程在SNAP平台的Sen2Res插件中完成，算法具体细节见 Brodu（2017） Brodu（2017） 。 3.1.2　SupReMe算法 3 SupReMe（Super-resolution for multispectral multiresolution estimation）模型针对单一传感器在不同光谱范围内获取不同空间分辨率的多光谱影像，实现低分辨率波段超分辨率到最高分辨率的算法（ Lanaras等，2017 Lanaras等，2017 ）。该模型依赖影像模糊和下采样过程的观察模型，充分利用高分辨率波段的纹理信息，通过对高分辨率不连续数据进行编码并传递给低分辨率波段制定规则器。在给定二次数据和二次正则化条件下，给出一个凸优化问题来反演观测模型，并提出一个有效的数值求解方法（ Lanaras等，2017 Lanaras等，2017 ）。 3.2　红树林冠层氮素含量估算 2 3.2.1　红树林冠层氮素含量获得 3 Sentinel-2影像获取的是红树林冠层尺度的反射率光谱，决定氮素敏感的光谱特征的通常是其冠层氮素含量。因此，本研究参考 Wu等（2010） Wu等（2010） 的方法，将红树林冠层氮素含量近似定义为LAI和LNC的乘积，即： <math display="block" id="M1"><mi mathvariant="normal">C</mi><mi mathvariant="normal">N</mi><mi mathvariant="normal">C</mi><mo>=</mo><mi mathvariant="normal">L</mi><mi mathvariant="normal">N</mi><mi mathvariant="normal">C</mi><mo>⋅</mo><mi mathvariant="normal">L</mi><mi mathvariant="normal">A</mi><mi mathvariant="normal">I</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769621&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769616&type= 27.60133362 2.70933342 式中，LNC为叶片氮素含量，LAI为叶面积指数。 3.2.2　植被指数计算 3 除了探讨前人常用的对氮素敏感的光谱指数，本研究还尝试以红边波段代替可见光红波段构建新的指数，从而充分利用Sentinel-2影像的红边波段，并探讨其用于红树林冠层氮素含量反演的潜力。研究中所选的植被指数及计算公式见 表2 表2 。 2 植被指数 计算公式 参考文献 12 两波段植被指数 SR N / R Sims和Gamon（2002） CIg <math id="M2"><mrow><mrow><mi>N</mi></mrow><mo>/</mo><mrow><mi>G</mi></mrow></mrow><mo>-</mo><mn>1</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769631&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769625&type= 9.56733322 2.37066650 Gitelson等（2003） CIre1 <math id="M3"><mrow><mrow><mi>N</mi></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>1</mn></mrow></mrow><mo>-</mo><mn>1</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769643&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769635&type= 12.69999981 2.37066650 3 Gitelson等（2005） CIre2 <math id="M4"><mrow><mrow><mi>N</mi></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>2</mn></mrow></mrow><mo>-</mo><mn>1</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769654&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769648&type= 12.69999981 2.37066650 CIre3 <math id="M5"><mrow><mrow><mi>N</mi></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>3</mn></mrow></mrow><mo>-</mo><mn>1</mn></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769664&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769659&type= 12.69999981 2.37066650 NDVI <math id="M6"><mrow><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>-</mo><mi>R</mi></mrow></mfenced></mrow><mo>/</mo><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>+</mo><mi>R</mi></mrow></mfenced></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769673&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769669&type= 20.23533440 3.21733332 Rouse等（1974） NDVIre1 <math id="M7"><mrow><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>-</mo><mi>R</mi><mi>E</mi><mn>1</mn></mrow></mfenced></mrow><mo>/</mo><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>+</mo><mi>R</mi><mi>E</mi><mn>1</mn></mrow></mfenced></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769682&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769677&type= 25.99266624 3.21733332 3 Gitelson和Merzlyak（1994） NDVIre2 <math id="M8"><mrow><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>-</mo><mi>R</mi><mi>E</mi><mn>2</mn></mrow></mfenced></mrow><mo>/</mo><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>+</mo><mi>R</mi><mi>E</mi><mn>2</mn></mrow></mfenced></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769691&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769687&type= 26.50066566 3.21733332 NDVIre3 <math id="M9"><mrow><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>-</mo><mi>R</mi><mi>E</mi><mn>3</mn></mrow></mfenced></mrow><mo>/</mo><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>+</mo><mi>R</mi><mi>E</mi><mn>3</mn></mrow></mfenced></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769700&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769696&type= 26.24666595 3.21733332 GNDVI <math id="M10"><mrow><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>-</mo><mi>G</mi></mrow></mfenced></mrow><mo>/</mo><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>+</mo><mi>G</mi></mrow></mfenced></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769711&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769705&type= 20.40466690 3.21733332 Daughtry等（2000） RDVI <math id="M11"><mrow><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>-</mo><mi>R</mi></mrow></mfenced></mrow><mo>/</mo><mrow><mroot><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>+</mo><mi>R</mi></mrow></mfenced></mrow><mrow/></mroot></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769717&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769713&type= 23.36800003 4.48733330 Roujean和Breon（1995） EVI2 <math id="M12"><mrow><mrow><mn>2.5</mn><mfenced separators="|"><mrow><mi>N</mi><mo>-</mo><mi>R</mi></mrow></mfenced></mrow><mo>/</mo><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>+</mo><mn>2.4</mn><mi>R</mi><mo>+</mo><mn>1</mn></mrow></mfenced></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769724&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769721&type= 32.25799942 3.21733332 Jiang等（2008） 28 三波段植被指数 CVI <math id="M13"><mrow><mrow><mi>N</mi><mi>R</mi></mrow><mo>/</mo><mrow><msup><mrow><mi>G</mi></mrow><mrow><mn>2</mn></mrow></msup></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769735&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769730&type= 7.70466709 2.79399991 Vincini等（2008） MTVI2 <math id="M14"><mfrac><mrow><mn>1.5</mn><mfenced separators="|"><mrow><mn>1.2</mn><mfenced separators="|"><mrow><mi>N</mi><mo>-</mo><mi>G</mi></mrow></mfenced><mo>-</mo><mn>2.5</mn><mfenced separators="|"><mrow><mi>R</mi><mo>-</mo><mi>G</mi></mrow></mfenced></mrow></mfenced></mrow><mrow><mroot><mrow><msup><mrow><mfenced separators="|"><mrow><mn>2</mn><mi>N</mi><mo>+</mo><mn>1</mn></mrow></mfenced></mrow><mrow><mn>2</mn></mrow></msup><mo>-</mo><mfenced separators="|"><mrow><mn>6</mn><mi>N</mi><mo>-</mo><mn>5</mn><mroot><mrow><mi>R</mi></mrow><mrow/></mroot></mrow></mfenced><mo>-</mo><mn>0.5</mn></mrow><mrow/></mroot></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769745&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769739&type= 39.87799835 10.49866676 Haboudane等（2004） OSAVI <math id="M15"><mrow><mrow><mn>1.16</mn><mfenced separators="|"><mrow><mi>N</mi><mo>-</mo><mi>R</mi></mrow></mfenced></mrow><mo>/</mo><mrow><mfenced separators="|"><mrow><mi>N</mi><mo>+</mo><mi>R</mi><mo>+</mo><mn>0.16</mn></mrow></mfenced></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769752&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769750&type= 33.95133591 3.21733332 Rondeaux等（1996） TCIre1 <math id="M16"><mn>1.2</mn><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>1</mn><mo>-</mo><mi>G</mi></mrow></mfenced><mo>-</mo><mn>1.5</mn><mfenced separators="|"><mrow><mi>R</mi><mo>-</mo><mi>G</mi></mrow></mfenced><mroot><mrow><mrow><mrow><mi>R</mi><mi>E</mi><mn>1</mn></mrow><mo>/</mo><mrow><mi>R</mi></mrow></mrow></mrow><mrow/></mroot></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769761&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769757&type= 43.77266693 3.64066648 3 Haboudane等（2008） TCIre2 <math id="M17"><mn>1.2</mn><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>2</mn><mo>-</mo><mi>G</mi></mrow></mfenced><mo>-</mo><mn>1.5</mn><mfenced separators="|"><mrow><mi>R</mi><mo>-</mo><mi>G</mi></mrow></mfenced><mroot><mrow><mrow><mrow><mi>R</mi><mi>E</mi><mn>2</mn></mrow><mo>/</mo><mrow><mi>R</mi></mrow></mrow></mrow><mrow/></mroot></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769770&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769766&type= 43.77266693 3.64066648 TCIre3 <math id="M18"><mn>1.2</mn><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>3</mn><mo>-</mo><mi>G</mi></mrow></mfenced><mo>-</mo><mn>1.5</mn><mfenced separators="|"><mrow><mi>R</mi><mo>-</mo><mi>G</mi></mrow></mfenced><mroot><mrow><mrow><mrow><mi>R</mi><mi>E</mi><mn>3</mn></mrow><mo>/</mo><mrow><mi>R</mi></mrow></mrow></mrow><mrow/></mroot></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769778&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769774&type= 43.77266693 3.64066648 TCARIre1 <math id="M19"><mn>3</mn><mfenced separators="|"><mrow><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>1</mn><mo>-</mo><mi>R</mi></mrow></mfenced><mo>-</mo><mn>0.2</mn><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>1</mn><mo>-</mo><mi>G</mi></mrow></mfenced><mrow><mrow><mi>R</mi><mi>E</mi><mn>1</mn></mrow><mo>/</mo><mrow><mi>R</mi></mrow></mrow></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769787&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769783&type= 44.45000076 3.47133350 3 Haboudane等（2002） TCARIre2 <math id="M20"><mn>3</mn><mfenced separators="|"><mrow><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>2</mn><mo>-</mo><mi>R</mi></mrow></mfenced><mo>-</mo><mn>0.2</mn><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>2</mn><mo>-</mo><mi>G</mi></mrow></mfenced><mrow><mrow><mi>R</mi><mi>E</mi><mn>2</mn></mrow><mo>/</mo><mrow><mi>R</mi></mrow></mrow></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769796&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769792&type= 44.45000076 3.47133350 TCARIre3 <math id="M21"><mn>3</mn><mfenced separators="|"><mrow><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>3</mn><mo>-</mo><mi>R</mi></mrow></mfenced><mo>-</mo><mn>0.2</mn><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>3</mn><mo>-</mo><mi>G</mi></mrow></mfenced><mrow><mrow><mi>R</mi><mi>E</mi><mn>3</mn></mrow><mo>/</mo><mrow><mi>R</mi></mrow></mrow></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769804&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769799&type= 44.45000076 3.47133350 MCARIre1 <math id="M22"><mfenced separators="|"><mrow><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>1</mn><mo>-</mo><mi>R</mi></mrow></mfenced><mo>-</mo><mn>0.2</mn><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>1</mn><mo>-</mo><mi>G</mi></mrow></mfenced></mrow></mfenced><mrow><mrow><mi>R</mi><mi>E</mi><mn>1</mn></mrow><mo>/</mo><mrow><mi>R</mi></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769815&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769808&type= 42.67200089 3.47133350 3 Daughtry等（2000） MCARIre2 <math id="M23"><mfenced separators="|"><mrow><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>2</mn><mo>-</mo><mi>R</mi></mrow></mfenced><mo>-</mo><mn>0.2</mn><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>2</mn><mo>-</mo><mi>G</mi></mrow></mfenced></mrow></mfenced><mrow><mrow><mi>R</mi><mi>E</mi><mn>2</mn></mrow><mo>/</mo><mrow><mi>R</mi></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769829&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769822&type= 42.67200089 3.47133350 MCARIre3 <math id="M24"><mfenced separators="|"><mrow><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>3</mn><mo>-</mo><mi>R</mi></mrow></mfenced><mo>-</mo><mn>0.2</mn><mfenced separators="|"><mrow><mi>R</mi><mi>E</mi><mn>3</mn><mo>-</mo><mi>G</mi></mrow></mfenced></mrow></mfenced><mrow><mrow><mi>R</mi><mi>E</mi><mn>3</mn></mrow><mo>/</mo><mrow><mi>R</mi></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769838&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769834&type= 42.67200089 3.47133350 MSRre1 <math id="M25"><mrow><mrow><mfenced separators="|"><mrow><mrow><mrow><mi>N</mi></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>1</mn><mo>-</mo><mn>1</mn></mrow></mrow></mrow></mfenced></mrow><mo>/</mo><mrow><mroot><mrow><mfenced separators="|"><mrow><mrow><mrow><mi>N</mi></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>1</mn></mrow></mrow><mo>+</mo><mn>1</mn></mrow></mfenced></mrow><mrow/></mroot></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769844&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769843&type= 34.45933533 4.65666676 3 Chen（1996） MSRre2 <math id="M26"><mrow><mrow><mfenced separators="|"><mrow><mrow><mrow><mi>N</mi></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>2</mn><mo>-</mo><mn>1</mn></mrow></mrow></mrow></mfenced></mrow><mo>/</mo><mrow><mroot><mrow><mfenced separators="|"><mrow><mrow><mrow><mi>N</mi></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>2</mn></mrow></mrow><mo>+</mo><mn>1</mn></mrow></mfenced></mrow><mrow/></mroot></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769854&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769849&type= 34.45933533 4.65666676 MSRre3 <math id="M27"><mrow><mrow><mfenced separators="|"><mrow><mrow><mrow><mi>N</mi></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>3</mn><mo>-</mo><mn>1</mn></mrow></mrow></mrow></mfenced></mrow><mo>/</mo><mrow><mroot><mrow><mfenced separators="|"><mrow><mrow><mrow><mi>N</mi></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>3</mn></mrow></mrow><mo>+</mo><mn>1</mn></mrow></mfenced></mrow><mrow/></mroot></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769864&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769858&type= 34.45933533 4.65666676 PSRIre1 <math id="M28"><mrow><mrow><mfenced separators="|"><mrow><mi>R</mi><mo>-</mo><mi>G</mi></mrow></mfenced></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>1</mn></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769870&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769867&type= 15.57866764 3.21733332 3 Merzlyak等（1999） PSRIre2 <math id="M29"><mrow><mrow><mfenced separators="|"><mrow><mi>R</mi><mo>-</mo><mi>G</mi></mrow></mfenced></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>2</mn></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769879&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769875&type= 15.57866764 3.21733332 PSRIre3 <math id="M30"><mrow><mrow><mfenced separators="|"><mrow><mi>R</mi><mo>-</mo><mi>G</mi></mrow></mfenced></mrow><mo>/</mo><mrow><mi>R</mi><mi>E</mi><mn>3</mn></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769887&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769883&type= 15.57866764 3.21733332 RSSI N /（ G + RE 1） Zhen等（2021） TCARIre1/OSAVI 略 Haboudane等（2002） TCARIre2/OSAVI 略 Haboudane等（2002） TCARIre3/OSAVI 略 Haboudane等（2002） MCARIre1/OSAVI 略 Haboudane等（2002） MCARIre2/OSAVI 略 Haboudane等（2002） MCARIre3/OSAVI 略 Haboudane等（2002） MCARIre1/MTVI2 略 Haboudane等（2002） MCARIre2/MTVI2 略 Haboudane等（2002） MCARIre3/MTVI2 略 Haboudane等（2002） 3.2.3　特征变量选取 3 SVM-RFE是一种基于支持向量机最大间隔原理的递归特征消除法。该算法的基本思想是利用SVM算法对所有特征向量进行排序，并评估每个特征向量的重要程度，然后按照后向迭代策略逐一剔除权重最低的特征，直到数据集中剩下期望的特征子集为止（ 张睿和马建文，2009 张睿和马建文，2009 ）。本研究中的特征变量一共有49个，其中包括9个Sentinel-2卫星影像波段和40个相关植被指数波段。 3.2.4　核岭回归KRR（Kernel Ridge Regression） 3 核岭回归算法由Cristianini和Shawe-Taylor （2000）等提出，是一种基于核方法的非线性回归算法，结合了核技巧和岭回归，不但具有较好的稳定性和泛化能力，还能够有效地解决高维多重共线性问题。核岭回归的基本原理为：将某一原始空间中的 n 个样本利用一个核函数，令 x → <math id="M31"><mi>φ</mi><mfenced separators="|"><mrow><mi>x</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769905&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769899&type= 7.45066643 3.72533321 ，映射到高维特征空间F中，数据在高维空间的特征会更容易划分，然后应用岭回归方法，对映射后的数据进行回归处理。回归方程为 <math display="block" id="M32"><mover accent="true"><mi>y</mi><mo>̂</mo></mover><mo>=</mo><mi mathvariant="bold">w</mi><mo>⋅</mo><mi>φ</mi><mfenced separators="|"><mrow><mi>x</mi></mrow></mfenced><mo>+</mo><mi>ε</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769916&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769910&type= 26.16200066 3.80999994 式中， <math id="M33"><mover accent="true"><mi>y</mi><mo>̂</mo></mover></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769925&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769920&type= 1.69333339 3.55599999 为预测值， w 是权值参数， x 为样本数据， ε 为残差。 相应的代价函数的矩阵形式为 <math display="block" id="M34"><mi mathvariant="normal">L</mi><mo stretchy="false">(</mo><mi mathvariant="bold">w</mi><mo stretchy="false">)</mo><mo>=</mo><mi>λ</mi><mi mathvariant="bold">w</mi><msup><mrow><mi mathvariant="bold">w</mi></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msup><mo>+</mo><mo stretchy="false">(</mo><mi>y</mi><mo>-</mo><mi mathvariant="bold">w</mi><mi mathvariant="bold-italic">X</mi><mo stretchy="false">)</mo><msup><mrow><mo stretchy="false">(</mo><mi>y</mi><mo>-</mo><mi mathvariant="bold">w</mi><mi mathvariant="bold-italic">X</mi><mo stretchy="false">)</mo></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769934&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769929&type= 55.28733826 3.97933316 式中， <math id="M35"><mi mathvariant="bold-italic">X</mi><mo>=</mo><mo stretchy="false">[</mo><mi>φ</mi><mo stretchy="false">(</mo><msub><mrow><mi>x</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo stretchy="false">)</mo><mo>,</mo><mtext> </mtext><mi>φ</mi><mo stretchy="false">(</mo><msub><mrow><mi>x</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo stretchy="false">)</mo><mo>,</mo><mtext> </mtext><mo>…</mo><mo>,</mo><mtext> </mtext><mi>φ</mi><mo stretchy="false">(</mo><msub><mrow><mi>x</mi></mrow><mrow><mi mathvariant="normal">n</mi></mrow></msub><mo stretchy="false">)</mo><mo stretchy="false">]</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769942&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769938&type= 46.65133286 4.57200003 为样本数据， <math id="M36"><mi mathvariant="bold-italic">w</mi><mo>=</mo><mo stretchy="false">(</mo><msub><mrow><mi>w</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>,</mo><msub><mrow><mi>w</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>,</mo><mo>…</mo><mo>,</mo><msub><mrow><mi>w</mi></mrow><mrow><mi mathvariant="normal">n</mi></mrow></msub><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769952&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769947&type= 29.20999908 4.57200003 为权系数向量， λ 为正则化参数。 对 式（3） 式（3） 中的参数 <math id="M37"><mi mathvariant="bold-italic">w</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769959&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769956&type= 2.37066650 2.62466669 求偏导，并令其等于0，可得 <math id="M38"><mi mathvariant="bold-italic">w</mi><mo>=</mo><mo stretchy="false">(</mo><msup><mrow><mi mathvariant="bold-italic">X</mi></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msup><msup><mrow><mi mathvariant="bold-italic">X</mi><mo>+</mo><mi>λ</mi><mi mathvariant="bold-italic">I</mi><mo stretchy="false">)</mo></mrow><mrow><mo>-</mo><mn mathvariant="normal">1</mn></mrow></msup><msup><mrow><mi mathvariant="bold-italic">X</mi></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msup><mi>y</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769965&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769962&type= 33.35866928 3.97933316 （ I 为单位矩阵），令 <math id="M39"><mi>α</mi><mo>=</mo><msup><mrow><mo stretchy="false">(</mo><mi>K</mi><mo>+</mo><mi>λ</mi><mi mathvariant="bold-italic">I</mi><mo stretchy="false">)</mo></mrow><mrow><mo>-</mo><mn mathvariant="normal">1</mn></mrow></msup><mi>y</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769971&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769968&type= 24.46866608 3.97933316 ，核函数 <math id="M40"><mi>K</mi><mo>=</mo><mi>K</mi><mo stretchy="false">(</mo><mi mathvariant="bold-italic">X</mi><mo>,</mo><mi mathvariant="bold-italic">X</mi><mo stretchy="false">)</mo><mo>=</mo><mi>φ</mi><mo stretchy="false">(</mo><mi>x</mi><mo stretchy="false">)</mo><mi>φ</mi><msup><mrow><mo stretchy="false">(</mo><mi>x</mi><mo stretchy="false">)</mo></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769975&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769972&type= 39.79333496 3.80999994 ，则 <math display="block" id="M41"><mi mathvariant="bold-italic">w</mi><mo>=</mo><msup><mrow><mi mathvariant="bold-italic">X</mi></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msup><mi>α</mi><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><msub><mrow><mi>α</mi></mrow><mrow><mi>i</mi></mrow></msub><msub><mrow><mi mathvariant="bold-italic">X</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769980&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769978&type= 28.36333466 8.29733276 w 其实就是所有样本的一个加权平均，所以新样本的预测值为 <math display="block" id="M42"><msup><mrow><mover accent="true"><mi>y</mi><mo>̂</mo></mover></mrow><mrow><mi mathvariant="normal">*</mi></mrow></msup><mo>=</mo><msup><mrow><mi mathvariant="bold-italic">w</mi></mrow><mrow><mi mathvariant="normal">T</mi></mrow></msup><msup><mrow><mi>x</mi></mrow><mrow><mi mathvariant="normal">*</mi></mrow></msup><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><msub><mrow><mi>α</mi></mrow><mrow><mi>i</mi></mrow></msub><msubsup><mrow><mi mathvariant="bold-italic">X</mi></mrow><mrow><mi>i</mi></mrow><mrow><mi>T</mi></mrow></msubsup><msup><mrow><mi>x</mi></mrow><mrow><mi>*</mi></mrow></msup><mo>=</mo></mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><msub><mrow><mi>α</mi></mrow><mrow><mi>i</mi></mrow></msub><mi>K</mi><mo stretchy="false">(</mo><msup><mrow><mi>x</mi></mrow><mrow><mi>*</mi></mrow></msup><mo>,</mo><mtext> </mtext><msub><mrow><mi mathvariant="bold-italic">X</mi></mrow><mrow><mi>i</mi></mrow></msub><mo stretchy="false">)</mo></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769986&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769983&type= 58.25066376 8.29733276 式中， <math id="M43"><msup><mrow><mover accent="true"><mi>y</mi><mo>̂</mo></mover></mrow><mrow><mi mathvariant="normal">*</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769991&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769989&type= 2.87866688 3.89466691 为新样本的预测值， <math id="M44"><msup><mrow><mi>x</mi></mrow><mrow><mi mathvariant="normal">*</mi></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769997&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32769994&type= 2.70933342 2.96333337 为新样本数据。 本研究将由野外测得的红树林LNC和LAI数据计算的CNC作为模型因变量，3种Sentinel-2重建影像中的9个波段（B2、B3、B4、B5、B6、B7、B8a、B11和B12）和40个植被指数共计49个特征参数为自变量，利用Python中的sklearn包进行SVM-RFE特征选择，并利用KRR模型建立红树林CNC的估算模型。 3.3　精度验证 2 本研究采用留一法交叉验证法LOOCV（Leave-One-Out Cross-Validation）对模型进行验证。评价模型预测能力的指标为：模型决定系数 R 2 （coefficient of determination）、均方根误差RMSE（Root Mean Square Errors）和相对误差RE（Relative Error）。 R 2 反映反演值与实测值之间的线性拟合情况，RMSE反映反演值与实测值之间的不确定性，RE反映了估算结果的可信度。 4　结果与分析 1 4.1　红树林叶片和冠层氮素含量分析 2 受实验条件限制，野外实验数据采集有限，且每个物种采集不均匀。从 表3 表3 可以看出，不同种类的红树植物叶片氮素含量（LNC）、冠层氮素含量（CNC）和叶面积指数（LAI）存在差异。5种红树植物LCN分布在7.2—19.3，平均值为10.6，其中白骨壤LNC最高，平均值达16.4，而桐花树平均LNC最低，为9.5。5种红树植物LAI的范围为0.9—4.2，其中木榄的LAI平均值最大（2.5），其次是桐花树、红海榄和秋茄，最小为白骨壤。而5种红树植物CNC值分布在8.4—52.6；从各物种CNC平均值看，以榄最大（26.3），其次是桐花树、红海榄、秋茄和白骨壤。5种红树植物LNC、LAI和CNC的变异系数分别为3.2%—17.2%、15.8%—29.5%和16.7%—26.3%，其中均是木榄和红海榄的变异系数较大。总体来说，不同红树物种CNC与LNC有显著差异，且种内CNC变异丰富。 2 物种 4 叶片氮素含量/（mg·g -1 ） 4 冠层氮素含量/（mg·g -1 ） 4 叶面积指数 最小值 最大值 平均值 变异系数/% 最小值 最大值 平均值 变异系数/% 最小值 最大值 平均值 变异系数/% 白骨壤 13.2 19.3 16.4 13.1 12.0 24.6 16.7 25.4 0.9 1.3 1.0 15.8 红海榄 7.8 12.6 10.3 15.7 8.4 32.3 22.5 40.0 1.1 2.7 2.1 29.5 木榄 7.2 13.9 10.3 17.2 11.7 52.6 26.3 36.9 1.2 3.8 2.5 26.9 秋茄 10.5 11.3 10.8 3.2 13.8 21.3 18.0 17.3 1.2 2.0 1.7 20.1 桐花树 8.1 11.7 9.5 8.8 14.9 43.9 23.1 29.4 1.5 4.2 2.4 26.0 总体 7.2 19.3 10.6 22.6 8.4 52.6 23.3 36.2 0.9 4.2 2.2 33.6 4.2　影像重建质量评价 2 本研究从定性与定量两个方面分别对3种重建影像方法（Resampled、Sen2Res和SupReMe）进行评估。对比原始20 m分辨率的影像，目视可见，利用3种算法重建的10 m分辨率影像上，红树林、鱼塘和居民地等地物清晰可见，纹理细节明显增强（ 图2 图2 ）。 表4 表4 反映了将Sentinel-2影像从20 m分辨率重建至10 m分辨率后，影像在信息熵和平均梯度指标值定量变化情况。对比重采样方法可以看出，Sen2Res算法重建后影像B5、B11和B12波段信息熵分别略微下降0.201、0.008和0.093，其他波段均有所提高；SupReMe算法重建后影像除B5波段信息熵略微下降0.083，其他各波段均有所提高。对于平均梯度，Sen2Res和SupReMe两种算法重建后影像各波段的平均梯度均有所提升，其中B8a的增加幅度最大。此外，由Sen2Res和SupReMe重建后影像与重采样影像光谱相关性分析（图3和图4）可看出，两种算法重建后均与原始影像保持了高度相关性（ R 2 均达0.96以上）。以上分析说明，利用Sen2Res和SupReMe两种方法对Sentinel-2影像重建，不仅保持了光谱一致性，还提高了影像的清晰度和空间细节。 1;2; 评价指标 重建方法 B5 B6 B7 B8a B11 B12 3 信息熵 Resampled 3.119 3.591 3.548 3.532 3.219 3.242 Sen2Res 2.918 3.622 4.060 4.062 3.211 3.149 SupReMe 3.036 3.759 3.951 4.007 3.541 3.511 3 平均梯度 Resampled 51.292 85.308 105.670 109.822 76.835 69.029 Sen2Res 61.625 100.006 123.634 128.864 88.085 78.452 SupReMe 70.097 111.622 141.544 152.049 112.522 96.064 4.3　植被指数与红树林冠层氮素含量的相关性 2 图5 图5 显示了基于4种影像（原始20 m和3种10 m重建影像）光谱反射率构建的40个植被指数与对应样本CNC之间的相关性分析结果。基于4种影像的植被指数与CNC的相关性的分布基本相似，30个植被指数的相关性均达到了显著水平（ P < 0.05）。3种方法重建影像的相关性均高于原始20 m分辨率影像。具体地，25个植被指数与CNC呈正相关关系，4种影像的MCARI3/MTVI2、MCARI3/MTVI2、SR及SR指数分别与CNC相关性最高，相关系数 r 分别为0.635、0.733、0.727和0.732；5个植被指数与CNC呈负相关关系，4种影像的TCARI3/OSAVI指数与CNC均具有最高的相关性，相关系数分别为-0.602、-0.725、-0.716和-0.734。由此可知，植被指数对红树林CNC很敏感，是红树林冠层氮素含量十分有效的预测变量。 4.4　红树林冠层氮素含量反演结果 2 利用SVM-RFE法分别对4种影像进行变量选择，基于KRR方法构建CNC反演模型，在保留1—49个特征变量情况下的模型拟合精度和验证精度如 图6 图6 所示。对于原始20 m影像和Resampled方法重建的影像，在保留特征变量数量分别小于13和10时， R 2 val随着特征变量的增加呈波动性变化的趋势，在13和10以后呈缓慢增加的趋势，直到34和27之后基本不变；对于Sen2Res和SupReMe方法重建的影像，在保留特征变量数量分别小于20和10时， R 2 val随着变量的增加呈增加的趋势，在20和10之后基本不变。从模型验证精度来看，在保留特征变量数量大于19、22、15和9时，4种影像 R 2 cv基本呈不断下降趋势。 1,2;3,4; 综合以上分析，本研究分别选择特征变量数量为34、27、20和10为4种影像数据构建CNC反演模型，对应的SVM-RFE方法特征变量选择的结果如 表5 表5 所示。其中，基于Resampled影像的模型拟合精度最高（ R 2 val=0.640，RMSE_val=5.064，RE_val=0.179），其次是Sen2Res方法（ R 2 val=0.630，RMSE_val=5.133，RE_val=0.179）和SupReMe方法（ R 2 val=0.579，RMSE_val=5.473，RE_val=0.194），最低的是原始20 m影像（ R 2 va l =0.504，RMSE_val=5.943，RE_val=0.223）。模型交叉验证精度最高的是SupReMe方法（ R 2 cv=0.501，RMSE_cv=5.958，RE_cv=0.216），其次是Sen2Res方法（ R 2 cv=0.497，RMSE_cv=5.985，RE_cv=0.214）和Resampled方法（ R 2 cv=0.493，RMSE_cv=6.008，RE_cv=0.221），最低的也是原始20 m影像（ R 2 cv=0.333，RMSE_cv=6.893，RE_cv=0.260）。 影像 特征变量的选择策略 Sen2cor20m（34个变量） B2， B3， B4， B5， B6， B8a， B11， B12， SR， CIG， CIre1， CIre2， NDVI， GNDVI， GDVI， CVI， OSAVI， TCIre1，TCIre2， TCIre3， TCARIre1， TCARIre3， MCARIre1， MSRre1， MSRre2， PSRIre2， PSRIre3， RSSI， TCARIre1/OSAVI， TCARIre2/OSAVI， TCARIre3/OSAVI， MCARIre1/OSAVI， MCARIre3/MTVI2 Resampled（27个变量） B2， B4， B5， B8a， B11， B12， CIre1， CIre2， CIre3， NDVIre2， NDVIre3， RDVI， CVI， MTVI2， TCIre2， TCARIre2， TCARIre3， MCARIre2， PSRIre1， PSRIre3， RSSI， TCARIre1/OSAVI， TCARIre2/OSAVI， TCARIre3/OSAVI， MCARIre2/OSAVI， MCARIre1/MTVI2， MCARIre2/MTVI2 Sen2Res（20个变量） B4， B5， B8a， B11， B12， SR， CIG， CIre1， NDVI， NDVIre1， NDVIre3， GNDVI， RDVI， MCARIre1， PSRIre2， PSRIre3， RSSI， TCARIre1/OSAVI， TCARI2/OSAVI， MCARIre1/MTVI2 SupReMe（10个变量） B5， B6， B11， SR， CIG， NDVIre1， TCARIre3， RSSI， TCARIre1/OSAVI， MCARIre1/MTVI2 由 表5 表5 可看出，在对4种影像构建的模型中，都选择了红边波段（B5）、短波红外波段（B11）及植被指数RSSI和TCARIre1/OSAVI作为特征变量。此外，红光波段（B4）、近红外—窄波段（B8a）、短波红外波段（B12）以及植被指数（SR和CIG）也多次被选择。这表明，与红树林CNC相关的波段主要集中在红边波段、近红外波段以及短波红外红外波段（ Homolová等，2013 Homolová等，2013 ）。同时，与“红边波段”相关的植被指数也是构建CNC反演模型的敏感变量。以Sentinel-2数据的近红外、绿色和红边波段构建的RSSI在红树林冠层叶绿素含量估算中也具有良好的应用潜力（ Zhen等，2021 Zhen等，2021 ）；TCARIre1/OSAVI不仅对叶绿素含量变化非常敏感，也能减小植被下垫面、叶面积指数和太阳天顶角变化的影响（ Haboudane等，2002 Haboudane等，2002 ）。由此说明，除了红树林特殊的下垫面外，冠层结构也是红树林CNC遥感反演的一个重要影响因素（ Yu等，2017 Yu等，2017 ）。 采用留—法交叉验证法对以上4种影像数据建立的CNC反演模型进行验证，实测CNC值与预测CNC值散点图如 图7 图7 所示。总体来说，3种重建影像的模型预测结果与反演结果均优于原始20 m影像结果，预测值和真实值较为均匀地分布在1∶1线附近。基于SupReMe重建影像构建的反演模型取得了最好的预测效果，模型预测精度 R 2 最高为0.501，RMSE和RE均最小，分别为5.958和0.216。Sen2Res重建影像预测精度与SupReMe基本相当，而重采样后影像预测精度略差。由 图7 图7 可以看出，3种模型对于CNC在10—40范围内的预测结果较好，而当CNC > 40时，模型预测结果较低，也就是模型对于高CNC值有饱和现象。 1,2;3,4; 通过以上结果和分析，基于Sen2Res方法重建影像构建的反演模型拟合精度与重采样基本相当，模型预测精度也较高且模型变量选择数量更为合理。因此，本研究基于Sen2Res方法重建的Sentinel-2影像，采用SVM-RFE法选择的20个特征变量的反演模型对红树林CNC进行空间制图（ 图8 图8 ）。由 图8 图8 可知，研究区内红树林CNC的范围为0—61.8，主要集中在18.8—42.5。从空间分布规律来看，研究区红树林CNC值分布整体上与红树物种分布相似（ 高常军 等，2022 高常军 等，2022 ）。研究区西北部中间区域红树林CNC值较高，东南角区域的CNC值较低，主要原因是西北部主要分布着树龄大且覆盖度高的木榄、桐花树、红海榄群落；而东南部主要分布着覆盖度较低的白骨壤群落，以及人工种植的较为低矮的木榄和红海榄群落。 5　结论 1 （1）本研究利用Sen2Res和SupReMe两种算法实现了Sentinel-2影像波段20 m的分辨率提升至10 m，在保持光谱一致性的同时提高了影像的空间细节。对比原始20 m分辨率影像，2种方法重建后影像大部分波段信息熵均有所提高（除个别波段），平均梯度均有所提升，明显提高了地物的清晰度和空间细节。重建后影像与重采样影像反射率具有高度相关性，所有波段之间的决定系数（ R 2 ）均大于0.96。 （2）相关性分析和SVM-RFF特征选择结果表明，与红树林CNC相关的波段主要集中在红色波段（B4）、红边波段（B5）、近红外波段（B8a）以及短波红外红外波段（B11和B12）。植被指数（SR和CIG），以及与“红边波段”的植被指数（RSSI和TCARIre1/OSAVI）也是构建CNC反演的敏感变量。 （3）综合考虑特征变量选择、模型拟合和验证精度，本研究选用Sen2Res算法重建的Sentinel-2影像数据进行研究区红树林CNC空间制图。基于3种方法重建的10 m影像构建的模型反演精度均优于原始20 m的影像。3种影像重建方法（Resampled、Sen2Res和SupReMe）的特征变量选择数量分别为27、20和10，重采样后影像的模型拟合精度最高（ R 2 val=0.640，RMSE_val=5.064，RE_val=0.179），其次是Sen2Res（ R 2 val=0.630，RMSE_val=5.133，RE_val=0.179），SupReMe最低。SupReMe方法重建后影像模型验证精度最高（ R 2 cv=0.501，RMSE_cv=5.958，RE_cv=0.216），其次是Sen2Res（ R 2 cv=0.497，RMSE_cv=5.985，RE_cv=0.214）。 综合考虑重建影像光谱细节及模型精度，基于Sen2Res算法重建的Sentinel-2影像在红树林CNC反演中具有良好的应用潜力。本研究基于重建的Sentinel-2B影像首次在国内成功构建了红树林CNC反演模型，并完成了红树林冠层氮素含量空间制图。Sentinel-2B卫星影像，尤其是它的“红边波段”和短波红外波段对于红树林氮含量反演具有较强的应用潜力。相比农作物和草地等植被，红树林CNC遥感反演影响因素更为复杂。尽管本研究考虑了主要冠层结构因素（LAI）的影响，但红树物种、群落结构、叶倾角以及其他生化组分的协同变化等因子对反演结果的影响还有待进一步研究。 参考文献（References） Ali A M , Darvishzadeh R , Skidmore A , Gara T W , O’connor B , Roeoesli C , Heurich M and Paganini M . 2020 . Comparing methods for mapping canopy chlorophyll content in a mixed mountain forest using Sentinel-2 data . International Journal of Applied Earth Observation and Geoinformation , 87 : 102037 [ DOI: 10.1016/j.jag.2019.102037 http://dx.doi.org/10.1016/j.jag.2019.102037 ] Comparing methods for mapping canopy chlorophyll content in a mixed mountain forest using Sentinel-2 data Brodu N . 2017 . Super-resolving multiresolution images with band-independent geometry of multispectral pixels . IEEE Transactions on Geoscience and Remote Sensing , 55 ( 8 ): 4610 - 4617 [ DOI: 10.1109/TGRS.2017.2694881 http://dx.doi.org/10.1109/TGRS.2017.2694881 ] Super-resolving multiresolution images with band-independent geometry of multispectral pixels Camino C , González-Dugo V , Hernández P , Sillero J C and Zarco-Tejada P J . 2018 . Improved nitrogen retrievals with airborne-derived fluorescence and plant traits quantified from VNIR-SWIR hyperspectral imagery in the context of precision agriculture . International Journal of Applied Earth Observation and Geoinformation , 70 : 105 - 117 [ DOI: 10.1016/j.jag.2018.04.013 http://dx.doi.org/10.1016/j.jag.2018.04.013 ] Improved nitrogen retrievals with airborne-derived fluorescence and plant traits quantified from VNIR-SWIR hyperspectral imagery in the context of precision agriculture Chen J M . 1996 . Evaluation of vegetation indices and a modified simple ratio for boreal applications . Canadian Journal of Remote Sensing , 22 ( 3 ): 229 - 242 [ DOI: 10.1080/07038992.1996.10855178 http://dx.doi.org/10.1080/07038992.1996.10855178 ] Evaluation of vegetation indices and a modified simple ratio for boreal applications Chen Y Z , Fu B J and Feng X M . 2017 . Overview and outlook of remote sensing inversion of vegetation nitrogen content . Acta Ecologica Sinica , 37 ( 18 ): 6240 - 6252 Overview and outlook of remote sensing inversion of vegetation nitrogen content 陈永喆 , 傅伯杰 , 冯晓明 . 2017 . 遥感反演植被含氮量研究进展 . 生态学报 , 37 ( 18 ): 6240 - 6252 [ DOI: 10.5846/stxb201707131271 http://dx.doi.org/10.5846/stxb201707131271 ] 遥感反演植被含氮量研究进展 Clevers J G P W and Gitelson A A . 2013 . Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and -3 . International Journal of Applied Earth Observation and Geoinformation , 23 : 344 - 351 [ DOI: 10.1016/j.jag.2012.10.008 http://dx.doi.org/10.1016/j.jag.2012.10.008 ] Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and -3 Cristianini N and Shawe-Taylor J . 2000 . An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods . Cambridge : Cambridge University Press An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods Daughtry C S T , Walthall C L , Kim M S , de Colstoun E B and McMurtrey III J E . 2000 . Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance . Remote Sensing of Environment , 74 ( 2 ): 229 - 239 [ DOI: 10.1016/s0034-4257(00)00113-9 http://dx.doi.org/10.1016/s0034-4257(00)00113-9 ] Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance Estévez J , Vicent J , Rivera-Caicedo J P , Morcillo-Pallarés P , Vuolo F , Sabater N , Camps-Valls G , Moreno J and Verrelst J . 2020 . Gaussian processes retrieval of LAI from Sentinel-2 top-of-atmosphere radiance data . ISPRS Journal of Photogrammetry and Remote Sensing , 167 : 289 - 304 [ DOI: 10.1016/j.isprsjprs.2020.07.004 http://dx.doi.org/10.1016/j.isprsjprs.2020.07.004 ] Gaussian processes retrieval of LAI from Sentinel-2 top-of-atmosphere radiance data Gao C J , Jiang X P , Zhen J N , Wang J J and Wu G F . 2022 . Mangrove species classification with combination of WorldView-2 and Zhuhai-1 satellite images . National Remote Sensing Bulletin , 26 （ 6 ）: 1155 - 1168 Mangrove species classification with combination of WorldView-2 and Zhuhai-1 satellite images 高常军 , 蒋侠朋 , 甄佳宁 , 王俊杰 , 邬国锋 , 2022 . 耦合WorldView-2和珠海一号影像的红树林物种分布 . 遥感学报 , 26 （ 6 ）: 1155 - 1168 [ DOI: 10.11834/jrs.20221487 http://dx.doi.org/10.11834/jrs.20221487 ] 耦合WorldView-2和珠海一号影像的红树林物种分布 Gitelson A and Merzlyak M N . 1994 . Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Spectral features and relation to chlorophyll estimation . Journal of Plant Physiology , 143 ( 3 ): 286 - 292 [ DOI: 10.1016/s0176-1617(11)81633-0 http://dx.doi.org/10.1016/s0176-1617(11)81633-0 ] Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Spectral features and relation to chlorophyll estimation Gitelson A A , Gritz Y and Merzlyak M N . 2003 . Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves . Journal of Plant Physiology , 160 ( 3 ): 271 - 282 [ DOI: 10.1078/0176-1617-00887 http://dx.doi.org/10.1078/0176-1617-00887 ] Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves Gitelson A A , Viña A , Ciganda V , Rundquist D C and Arkebauer T J . 2005 . Remote estimation of canopy chlorophyll content in crops . Geophysical Research Letters , 32 ( 8 ): L 08403 [ DOI: 10.1029/2005gl022688 http://dx.doi.org/10.1029/2005gl022688 ] Remote estimation of canopy chlorophyll content in crops Haboudane D , Miller J R , Pattey E , Zarco-Tejada P J and Strachan I B . 2004 . Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture . Remote Sensing of Environment , 90 ( 3 ): 337 - 352 [ DOI: 10.1016/j.rse.2003.12.013 http://dx.doi.org/10.1016/j.rse.2003.12.013 ] Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture Haboudane D , Miller J R , Tremblay N , Zarco-Tejada P J and Dextraze L . 2002 . Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture . Remote Sensing of Environment , 81 ( 2/3 ): 416 - 426 [ DOI: 10.1016/S0034-4257(02)00018-4 http://dx.doi.org/10.1016/S0034-4257(02)00018-4 ] Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture Haboudane D , Tremblay N , Miller J R and Vigneault P . 2008 . Remote estimation of crop chlorophyll content using spectral indices derived from hyperspectral data . IEEE Transactions on Geoscience and Remote Sensing , 46 ( 2 ): 423 - 437 [ DOI: 10.1109/tgrs.‍2007.904836 http://dx.doi.org/10.1109/tgrs.‍2007.904836 ] Remote estimation of crop chlorophyll content using spectral indices derived from hyperspectral data Homolová L , Malenovský Z , Clevers J G P W , García-Santos G and Schaepman M E . 2013 . Review of optical-based remote sensing for plant trait mapping . Ecological Complexity , 15 : 1 - 16 [ DOI: 10.1016/j.ecocom.2013.06.003 http://dx.doi.org/10.1016/j.ecocom.2013.06.003 ] Review of optical-based remote sensing for plant trait mapping Inoue Y , Sakaiya E , Zhu Y and Takahashi W . 2012 . Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements . Remote Sensing of Environment , 126 : 210 - 221 [ DOI: 10.1016/j.rse.2012.08.026 http://dx.doi.org/10.1016/j.rse.2012.08.026 ] Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements Jiang Z Y , Huete A R , Didan K and Miura T . 2008 . Development of a two-band enhanced vegetation index without a blue band . Remote Sensing of Environment , 112 ( 10 ): 3833 - 3845 [ DOI: 10.1016/j.rse.2008.06.006 http://dx.doi.org/10.1016/j.rse.2008.06.006 ] Development of a two-band enhanced vegetation index without a blue band Lanaras C , Bioucas-Dias J , Baltsavias E and Schindler K . 2017 . Super-resolution of multispectral multiresolution images from a single sensor // Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops . Honolulu : IEEE: 1505 - 1513 [ DOI: 10.1109/cvprw.2017.194 http://dx.doi.org/10.1109/cvprw.2017.194 ] Super-resolution of multispectral multiresolution images from a single sensor Lee H , Wang J F and Leblon B . 2020 . Using linear regression, random forests, and support vector machine with unmanned aerial vehicle multispectral images to predict canopy nitrogen weight in corn . Remote Sensing , 12 ( 13 ): 2071 [ DOI: 10.3390/rs12132071 http://dx.doi.org/10.3390/rs12132071 ] Using linear regression, random forests, and support vector machine with unmanned aerial vehicle multispectral images to predict canopy nitrogen weight in corn Lemaire G , Jeuffroy M H and Gastal F . 2008 . Diagnosis tool for plant and crop N status in vegetative stage: theory and practices for crop N management . European Journal of Agronomy , 28 ( 4 ): 614 - 624 [ DOI: 10.1016/j.eja.2008.01.005 http://dx.doi.org/10.1016/j.eja.2008.01.005 ] Diagnosis tool for plant and crop N status in vegetative stage: theory and practices for crop N management Li Z , Tian H Q , Wang H , Xu L , Li F and Shi S D . 2016 . Models of estimating sugar beet nitrogen using hyperspectral . Journal of Agricultural Mechanization Research , 38 ( 6 ): 210 - 214 Models of estimating sugar beet nitrogen using hyperspectral 李哲 , 田海清 , 王辉 , 徐琳 , 李斐 , 史树德 . 2016 . 基于高光谱的甜菜冠层氮素遥感估算研究 . 农机化研究 , 38 ( 6 ): 210 - 214 [ DOI: 10.3969/j.issn.1003-188X.2016.06.043 http://dx.doi.org/10.3969/j.issn.1003-188X.2016.06.043 ] 基于高光谱的甜菜冠层氮素遥感估算研究 Li Z H , Jin X L , Yang G J , Drummond J , Yang H , Clark B , Li Z H and Zhao C J . 2018 . Remote sensing of leaf and canopy nitrogen status in winter wheat ( Triticum aestivum L.) based on N-PROSAIL model . Remote Sensing , 10 ( 9 ): 1463 [ DOI: 10.3390/rs10091463 http://dx.doi.org/10.3390/rs10091463 ] Remote sensing of leaf and canopy nitrogen status in winter wheat (Triticum aestivum L.) based on N-PROSAIL model Liu L Y . 2014 . Quantitative Remote Sensing of Vegetation: Principle and Application . Beijing : Science Press Quantitative Remote Sensing of Vegetation: Principle and Application 刘良云 . 2014 . 植被定量遥感原理与应用 . 北京 : 科学出版社 植被定量遥感原理与应用 Loozen Y , Rebel K T , De Jong S M , Lu M , Ollinger S V , Wassen M J and Karssenberg D . 2020 . Mapping canopy nitrogen in European forests using remote sensing and environmental variables with the random forests method . Remote Sensing of Environment , 247 : 111933 [ DOI: 10.1016/j.rse.2020.111933 http://dx.doi.org/10.1016/j.rse.2020.111933 ] Mapping canopy nitrogen in European forests using remote sensing and environmental variables with the random forests method Mao L J . 2011 . Assessment of Changes in Mangrove Forest Patterns from Multitemporal Remotely Sensed Imagery Over Zhanjiang City, Guangdong Province . Nanjing : Nanjing Forestry University (毛丽君 . 2011. 基于遥感的广东湛江红树林湿地动态变化研究 . 南京: 南京林业大学) Assessment of Changes in Mangrove Forest Patterns from Multitemporal Remotely Sensed Imagery Over Zhanjiang City, Guangdong Province Merzlyak M N , Gitelson A A , Chivkunova O B and Rakitin V Y . 1999 . Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening . Physiologia Plantarum , 106 ( 1 ): 135 - 141 [ DOI: 10.1034/j.1399-3054.1999.106119.x http://dx.doi.org/10.1034/j.1399-3054.1999.106119.x ] Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening Rondeaux G , Steven M and Baret F . 1996 . Optimization of soil-adjusted vegetation indices . Remote Sensing of Environment , 55 ( 2 ): 95 - 107 [ DOI: 10.1016/0034-4257(95)00186-7 http://dx.doi.org/10.1016/0034-4257(95)00186-7 ] Optimization of soil-adjusted vegetation indices Roujean J L and Breon F M . 1995 . Estimating PAR absorbed by vegetation from bidirectional reflectance measurements . Remote Sensing of Environment , 51 ( 3 ): 375 - 384 [ DOI: 10.1016/0034-4257(94)00114-3 http://dx.doi.org/10.1016/0034-4257(94)00114-3 ] Estimating PAR absorbed by vegetation from bidirectional reflectance measurements Rouse Jr J W , Haas R H , Schell J A , Deering D W and Harlan J C . 1974 . Monitoring the Vernal Advancement and Retrogradation (Green Wave Effect) of Natural Vegetation . NASA/GSFC T ype III Final Report . NASA/GSFC: 371 Monitoring the Vernal Advancement and Retrogradation (Green Wave Effect) of Natural Vegetation Sims D A and Gamon J A . 2002 . Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages . Remote Sensing of Environment , 81 ( 2/3 ): 337 - 354 [ DOI: 10.1016/s0034-4257(02)00010-x http://dx.doi.org/10.1016/s0034-4257(02)00010-x ] Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages Vincini M , Frazzi E and D’Alessio P . 2008 . A broad-band leaf chlorophyll vegetation index at the canopy scale . Precision Agriculture , 9 ( 5 ): 303 - 319 [ DOI: 10.1007/s11119-008-9075-z http://dx.doi.org/10.1007/s11119-008-9075-z ] A broad-band leaf chlorophyll vegetation index at the canopy scale Wang J J , Li Z K , Jin X L , Liang G H , Struik P C , Gu J F and Zhou Y . 2019 . Phenotyping flag leaf nitrogen content in rice using a three-band spectral index . Computers and Electronics in Agriculture , 162 : 475 - 481 [ DOI: 10.1016/j.compag.2019.04.042 http://dx.doi.org/10.1016/j.compag.2019.04.042 ] Phenotyping flag leaf nitrogen content in rice using a three-band spectral index Wang L W and Wei Y X . 2013 . Progress in Inversion of vegetation nitrogen concentration by hyperspectral remote sensing . Spectroscopy and Spectral Analysis , 33 ( 10 ): 2823 - 2827 . Progress in Inversion of vegetation nitrogen concentration by hyperspectral remote sensing 王莉雯 , 卫亚星 . 2013 . 植被氮素浓度高光谱遥感反演研究进展 . 光谱学与光谱分析 , 33 ( 10 ): 2823 - 2827 [ DOI: 10.3964/j.issn.1000-0593 http://dx.doi.org/10.3964/j.issn.1000-0593 (201310- 2823 - 05 ] 植被氮素浓度高光谱遥感反演研究进展 Wang X K . 2006 . Principles and Techniques of Plant Physiological Biochemical Experiment . 2nd ed . Beijing : Higher Education Press : 122 - 126 Principles and Techniques of Plant Physiological Biochemical Experiment 王学奎 . 2006 . 植物生理生化实验原理和技术 . 2版 . 北京 : 高等教育出版社 : 122 - 126 植物生理生化实验原理和技术 Wu C Y , Wang L , Niu Z , Gao S and Wu M Q . 2010 . Nondestructive estimation of canopy chlorophyll content using Hyperion and Landsat/TM images . International Journal of Remote Sensing , 31 ( 8 ): 2159 - 2167 [ DOI: 10.1080/01431161003614382 http://dx.doi.org/10.1080/01431161003614382 ] Nondestructive estimation of canopy chlorophyll content using Hyperion and Landsat/TM images Xie Q Y , Dash J , Huete A , Jiang A H , Yin G F , Ding Y L , Peng D L , Hall C C , Brown L , Shi Y , Ye H C , Dong Y Y and Huang W J . 2019 . Retrieval of crop biophysical parameters from Sentinel-2 remote sensing imagery . International Journal of Applied Earth Observation and Geoinformation , 80 : 187 - 195 [ DOI: 10.1016/j.jag.2019.04.019 http://dx.doi.org/10.1016/j.jag.2019.04.019 ] Retrieval of crop biophysical parameters from Sentinel-2 remote sensing imagery Yang G J , Zhao C J , Pu R L , Feng H K , Li Z H , Li H L and Sun C H . 2015 . Leaf nitrogen spectral reflectance model of winter wheat (Triticum aestivum) based on PROSPECT: simulation and inversion . Journal of Applied Remote Sensing , 9 ( 1 ): 095976 [ DOI: 10.1117/1.Jrs.9.095976 http://dx.doi.org/10.1117/1.Jrs.9.095976 ] Leaf nitrogen spectral reflectance model of winter wheat (Triticum aestivum) based on PROSPECT: simulation and inversion Yu Q Z , Wang S Q and Zhou L . 2017 . Investigation into the role of canopy structure traits and plant functional types in modulating the correlation between canopy nitrogen and reflectance in a temperate forest in Northeast China . Journal of Applied Remote Sensing , 11 ( 4 ): 046013 [ DOI: 10.1117/1.Jrs.11.046013 http://dx.doi.org/10.1117/1.Jrs.11.046013 ] Investigation into the role of canopy structure traits and plant functional types in modulating the correlation between canopy nitrogen and reflectance in a temperate forest in Northeast China Zhang M Z , Su W , Fu Y T , Zhu D H , Xue J H , Huang J X , Wang W , Wu J Y and Yao C . 2019 . Super-resolution enhancement of Sentinel-2 image for retrieving LAI and chlorophyll content of summer corn . European Journal of Agronomy , 111 : 125938 [ DOI: 10.1016/j.eja.2019.125938 http://dx.doi.org/10.1016/j.eja.2019.125938 ] Super-resolution enhancement of Sentinel-2 image for retrieving LAI and chlorophyll content of summer corn Zhang R and Ma J W . 2009 . A feature selection algorithm for hyperspectral data with SVM-RFE . Geomatics and Information Science of Wuhan University , 34 ( 7 ): 834 - 837 A feature selection algorithm for hyperspectral data with SVM-RFE 张睿 , 马建文 . 2009 . 一种SVM-RFE高光谱数据特征选择算法 . 武汉大学学报(信息科学版) , 34 ( 7 ): 834 - 837 一种SVM-RFE高光谱数据特征选择算法 Zhen J N , Jiang X P , Xu Y , Miao J , Zhao D M , Wang J J , Wang J Z and Wu G F . 2021 . Mapping leaf chlorophyll content of mangrove forests with Sentinel-2 images of four periods . International Journal of Applied Earth Observation and Geoinformation , 102 : 102387 [ DOI: 10.1016/j.jag.2021.102387 http://dx.doi.org/10.1016/j.jag.2021.102387 ] Mapping leaf chlorophyll content of mangrove forests with Sentinel-2 images of four periods Zhu Y J , Zhao F , Guo J L , Wu G J and Lin G X . 2016 . Below-ground organic carbon distribution and burial characteristics of the Gaoqiao mangrove area in Zhanjiang, Guangdong, Southern China . Acta Ecologica Sinica , 36 ( 23 ): 7841 - 7849 Below-ground organic carbon distribution and burial characteristics of the Gaoqiao mangrove area in Zhanjiang, Guangdong, Southern China 朱耀军 , 赵峰 , 郭菊兰 , 武高洁 , 林广旋 . 2016 . 湛江高桥红树林湿地有机碳分布及埋藏特征 . 生态学报 , 36 ( 23 ): 7841 - 7849 [ DOI: 10.5846/stxb201511102276 http://dx.doi.org/10.5846/stxb201511102276 ] 湛江高桥红树林湿地有机碳分布及埋藏特征 10.11834/jrs.20221461 1007-4619（2022）06-1206-14 甄佳宁，蒋侠朋，赵德梅，王俊杰，苗菁，邬国锋.2022.利用Sentinel-2影像超分辨率重建的红树林冠层氮含量反演.遥感学报，26（6）： 1206-1219 甄佳宁，蒋侠朋，赵德梅，王俊杰，苗菁，邬国锋.2022.利用Sentinel-2影像超分辨率重建的红树林冠层氮含量反演.遥感学报，26（6）： 1206-1219 Zhen J N，Jiang X P，Zhao D M，Wang J J，Miao J and Wu G F. 2022. Retrieving canopy nitrogen content of mangrove forests from Sentinel-2 super-resolution reconstruction data. National Remote Sensing Bulletin， 26（6）：1206-1219 Zhen J N，Jiang X P，Zhao D M，Wang J J，Miao J and Wu G F. 2022. Retrieving canopy nitrogen content of mangrove forests from Sentinel-2 super-resolution reconstruction data. National Remote Sensing Bulletin， 26（6）：1206-1219 广东省基础与应用基础研究基金（编号： 2019A1515110400， 2019A1515010741， 2020A1515111142） Supported by Guangdong Basic and Applied Basic Research Foundation (No. 2019A1515110400, 2019A1515010741, 2020A1515111142) 2021-07-01 2022-06-07 2022-08-04 2022-01-21 遥感学报 6 26