EN中文

Tropical Geography >

2023 , Vol. 43 >Issue 3: 545 - 553

DOI: https://doi.org/10.13284/j.cnki.rddl.003648

Estimation of Fuel Water Content in the Forest Ecotone of Guangzhou Based on the PROSAIL Model

  • Hongrui Wen , 1 ,
  • Qiaozhen Guo 1 ,
  • Shujing Wei , 2 ,
  • Yuhuai Zeng 3 ,
  • Zepeng Wu 2 ,
  • Zhenhui Sun 1
Expand
  • 1. School of Geology and Geomatics, Tianjin Chengjian University, Tianjin 300384, China
  • 2. Guangdong Provincial Key Laboratory of Silviculture, Protection and Utilization, Guangdong Academy of Forestry, Guangzhou 510520, China
  • 3. Guangzhou Institute of Geography, Guangdong Academy of Sciences, Guangdong Provincial Key Laboratory of Remote Sensing and Geographical Information System, Guangzhou 510070, China

Received date: 2022-07-22

  Revised date: 2022-10-04

  Online published: 2023-03-31

Fold

Highlights

Fuel moisture content (FMC), which is the ratio of equivalent water thickness (EWT) to dry matter content (DMC), plays a crucial role in the estimation of vegetation ignition probability and the fire propagation rate. The PROSAIL model can adequately simulate the canopy reflectance of vegetation, with the input of field-measured data into the model ensuring conformity with the ecological rules. If the EWT and DMC can be estimated by an empirical statistical method according to the reflectance spectrum, the universality of the physical model and the efficiency of the empirical statistical method can be considered. In this study, a fast and versatile method is established for estimating FMC based on the EWT, DMC, leaf area index measured data, and the PROSAIL model. The Normalized Difference Infrared Index (NDII) and Normalized Dry Matter Index (NDMI) were obtained from the spectral curves, with the results showing an obvious linear relationship between the NDII and EWT, NDMI, and DMC. Therefore, EWT and DMC can be estimated using the NDII and NDMI. The accuracy of the estimation results is verified to be high. The estimation model can be extended to Landsat 8 data to estimate FMC. The estimated FMC data verified by the measured data showed that R² was 0.743 and the RMSE was 34.2%. The model accuracy was reliable owing to large dynamic changes in the FMC. However, the estimated value of the FMC shifted significantly to the left during this study. The reasons for this are as follows: 1) The field-measured points are not sufficient to support the analysis according to different vegetation types, and the physical and chemical properties of different types are varied, leading to altered simulated spectral curves; 2) The vegetation spectrum is sensitive to the DMC at 1,650 nm, 1,720 nm, and 2,270 nm bands, and the sensitivity near the 1,650 nm and 1,720 nm bands is greater than that at 2,270 nm. However, because the Landsat 8 image does not have a 1,720 nm band, the 2,270 nm band was selected to calculate the NDMI, making the value of the estimated DMC too large, resulting in a small value of the estimated FMC and a significant shift to the left; 3) 1,650 nm and 2,270 nm are not in the central wavelength of the two bands of Landsat 8; therefore, the estimated DMC and FMC are shifted. In addition, the fast and versatile method, which is established based on the EWT, DMC, leaf area index measured data and the PROSAIL model, can realize large-scale and high-precision monitoring of the FMC, providing a scientific reference for forest fire prevention.

Cite this article

Hongrui Wen , Qiaozhen Guo , Shujing Wei , Yuhuai Zeng , Zepeng Wu , Zhenhui Sun . Estimation of Fuel Water Content in the Forest Ecotone of Guangzhou Based on the PROSAIL Model[J]. Tropical Geography, 2023 , 43(3) : 545 -553 . DOI: 10.13284/j.cnki.rddl.003648

植被冠层可燃物含水率（Fuel Moisture Content, FMC）为叶片等水分厚度（Equivalent Water Thickness, EWT）与干物质重量（Dry Matter Content, DMC）的比值，是评估野火风险的重要指标，与植被可燃物着火的概率及火灾发生后的传播速率直接相关，因此对FMC进行动态时空监测尤为重要（Bilgili et al., 2019; Chuvieco et al., 2020）。传统技术通过探针法或重量法测定FMC，虽然精度较高，但需耗费大量人力物力进行采样，工作量大且效率较低，不能满足大范围的FMC动态监测需求。而遥感技术具有监测范围广袤、获取信息迅速、受地面影响小的特点，在动态监测FMC方面具有较大潜力（Cao et al., 2017）。
光学遥感影像以高空间分辨率、高光谱分辨率成像的特点，成为目前植被冠层FMC反演最常用的数据来源。目前根据光学遥感估算FMC的方法有两类，即传统的经验统计方法与基于物理模型的方法。传统的经验统计方法利用红光波段、近红外波段和短波红外波段的反射率构建植被水分指数，建立植被水分指数与植被FMC之间的经验关系，可以实现对大范围植被冠层FMC的估算，但估算效果精度相对较低且通用性较差。物理模型也可以实现FMC的反演，相较于传统的经验模型，物理模型具有明确的物理意义且反演精度较高，不局限于特定区域或站点。常见的物理模型有水云模型（Han et al., 2020）、GeoSail模型（Yebra et al., 2018；全兴文 等，2019）、PROSAIL模型（Li et al., 2018）等。其中，水云模型常用于低矮植被的含水量、生物量、土壤水分等参数的反演，其假定各植被层为各项均值散射体，只考虑作物冠层和衰减后的覆盖地表的影响，使水云模型在地表植被覆盖度高的地方精度较高，但该模型忽略植被层与地表之间的相互多次散射，在植被覆盖度低或复杂区域则应用受限（蔡庆空 等，2018）。GeoSAIL模型是几何模型和混合介质模型的结合，物理意义明确，在森林植被参数反演领域被广泛应用，但仅限于几何结构明显的森林植被，无法用于均质植被（杨维 等，2018）。PROSAIL模型在植被冠层含水率的应用最为广泛，其描述了各土壤生化参数对植被冠层反射率的影响以及两者之间明确的物理关系，具有较好的通用性（艾璐 等，2021）。相较于经验统计方法，PROSAIL模型具有明确的物理意义，通用性较强，能适用不同的区域。相较于其他物理模型，PROSAIL模型同时考虑了土壤的光学特性和植被的几何结构特征，能较好地模拟植被冠层反射率。全兴文等（2019）利用基于生态规则的多耦合物理模型（PROSAIL、PROGeoSAIL）并根据光谱反射率匹配来查找最接近的模拟光谱反射率及对应组合，从而反演得到FMC，有效解决了DMC弱敏感性问题及模型未知参数个数大于观测光谱反射率个数引起的病态反演问题。Quan等（2021a）基于MODIS数据和辐射传输模型反演技术生成全球范围内500 m分辨率的日FMC产品，也是目前唯一公开的FMC全球产品。辐射传输模型反演模式计算非常复杂，查找表、人工神经网络、基因遗传算法、偏最小二乘法等算法被相继引入以提高计算机的运算能力，但当模拟数据量较大时，这些方法的计算效率仍不能满足实际需求（Yebra et al., 2013; Wang et al., 2019; Quan et al., 2021b）。且在大量的模拟数据中可能存在不同的参数组合常出现相似的光谱反射率，导致病态反演，这通常需要引入先验知识，通过限定自由参数范围，从而达到缓解病态反演的目的（Li et al., 2011; Quan et al., 2017; Konings et al., 2019）。
综上可知，PROSAIL模型能较好地模拟植被冠层反射率，且将野外实测数据输入模型能较大程度地保证符合生态规则，若能根据反射率光谱通过经验统计方法估算EWT、DMC，则可以兼顾物理模型的通用性与经验统计方法的简单高效，构建出一种运算速度快、通用性较好的植被冠层可燃物含水率估算方法。鉴于此，本文面向植被冠层，基于野外实测叶片等水分厚度、干物质重量、叶面积指数数据和PROSAIL模型得到模拟光谱曲线图，分别构建NDII与EWT、NDMI与DMC的经验回归模型，并基于Landsat 8数据计算NDII和NDMI，结合构建的经验回归模型得到EWT和DMC的估算值，进而得到FMC的估算值。旨在为广州市过渡带森林植被FMC反演提供参考，为森林防火工作提供支撑。

1 研究区概况与数据预处理

1.1　研究区概况

从化区位于广州市东北部（图1），总面积为1 974.5 km²，地处低纬度地带，地势由东北向西南方向逐步降低，东北部以山地和丘陵为主，中部和南部以丘陵和山谷为主，西部地势较为平坦，以丘陵和台地为主，其所在的粤港澳大湾区是世界第二大湾区，仅次于东京湾区，是全球对地观测卫星的重要观测区域之一，影像数据丰富。广州市从化区属亚热带季风气候，气候温和、日照充足、雨量充沛，年均降雨量达到1 800~2 200 mm，且拥有丰富的森林植被资源，是广州市森林面积最大的区，也是近年来野火发生频率较高的地区之一，分布着众多热带季雨林、亚热带常绿阔叶林的植被类型，属于两者之间的过渡植被带，在生态系统中起过渡连接作用，因而具有重要研究意义。
图1 广州市从化区地理位置及采样点分布

Fig.1 Geographical location and distribution of samples of Conghua District of Guangzhou City

1.2　野外数据采集

2021-05-25－29、06-05－06、06-12－13，对研究区的森林植被冠层参数进行采样，根据森林中不同树木类型的分布数量，将野外采集样本分为桉树、荷木、荔枝、马尾松、杉木、阔叶树、草地7种类型，采样点分布见图1所示。采样分别选取7种类型植被空间分布较均匀的区域随机布点，使采样点均匀分布在研究区内，每个采样点选取30 m×30 m的样方，每个样方5次采样，采集样方内优势树种的冠层活叶以及树下的落叶，采样点均匀分布在样方中，每个采样点随机选3个0.5 m×0.5 m的子样点，采用手持式GPS设备记录样点的经纬度，同时采集植被样本，装入密封塑料袋带入室内，在105℃下烘干24 h后进行测重。叶面积指数LAI采用植被冠层分析仪LAI-2000进行10次不同子样点非重复性测量。

1.3　遥感数据预处理

采用Landsat 8 OLI/TIRS遥感数据，轨道号122/044，成像时间为2021-02-20、05-27、07-14的3幅影像。由于广州市从化区5－6月降水充沛、云量丰富，对光学遥感影像成像质量的影响较大，为保证遥感数据与野外实测数据尽可能相对应以及采样点无云遮盖，选取2021-05-27作为主数据源，2021-02-20与07-14的影像作为数据补充。Landsat 8 OLI的1~7波段分辨率为30 m，TIRS的分辨率为100 m。为尽可能消除传感器及大气对数据的影响，对获取的Landsat 8 OLI/TIRS遥感影像数据进行辐射定标和大气校正等预处理。

2 森林冠层可燃物含水率反演方法构建

首先，基于实测数据和相关参考文献确定PROSAIL模型输入参数的基础值，进行参数敏感性分析确定目标参数对PROSAIL模型输出光谱的影响范围和强度；其次，基于实测数据生成植被冠层可燃物反射率模拟数据，并计算各指数；最后，构建LAI、EWT、DMC与各指数的函数关系，从而得到植被冠层FMC的估算模型。

2.1　PROSAIL模型

PROSAIL模型是由PROSPECT叶片光谱模型和SAIL模型耦合得到，输入参数包括：太阳天顶角、观测天顶角、相对方位角、叶面积指数（Leaf Area Index, LAI）、热点效应因子（hspot）、土壤因子、叶倾角分布、叶片结构参数、叶绿素含量、叶片等水分厚度、干物质质量、棕色素组分、类胡萝卜素含量（江海英 等，2021）。对PROSAIL模型输入参数的参数化结果如表1所示。
表1 PROSAIL模型参数化及敏感性分析基础值

Table 1 Parameterization of PROSAIL model and basic values of sensitivity analysis

参数 取值范围 基础值
太阳天顶角/（°） 20 20
观测天顶角/（°） 0 0
相对方位角/（°） 0 0
LAI/（m²/m²） 0.2~5 2
hspot 0.5/LAI 0.25
土壤因子 0.1 0.1
叶倾角分布 LIDFa -1 -1
LIDFb 0 0
叶片结构参数 2 2
叶绿素含量/（μg∙cm-²） 40 40
EWT/（g∙cm-²） 0.0005~0.3 0.06
DMC/（g∙cm-²） 0.002~0.3 0.03
棕色素组分 0 0
类胡萝卜素含量/（μg∙cm-²） 8 8

2.2　参数敏感性分析

假设PROSAIL模型的各个参数之间互相独立，固定其他参数值并限定在一定范围内，分析PROSAIL模型各参数的敏感性，即各参数值的变化对PROSAIL模型输出结果的影响（Nossent et al., 2011；邓孺孺 等，2012；He et al., 2017），据此可以得到各参数在哪些波段范围内影响输出反射率的结果。参数敏感性基础值见表1所示。
基于不同输入参数值下的PROSAIL模型模拟的光谱曲线如图2所示。图2-a显示LAI对反射率的影响主要集中在700~1 100 nm范围，反射率随LAI的增大而增大；在400~700 nm范围内LAI对反射率基本没有影响；在1 450~2 500 nm 范围内，LAI对反射率影响效果较弱，反射率随LAI的增大而减小。特别的，在700~1 100 nm、1 450 nm附近、1 650 nm 附近，LAI对冠层反射率的影响最为显著。图2-b显示EWT在800~2 500 nm波段范围对反射率有影响，反射率随着EWT的增大而减小，EWT在5个水分吸收谷（970、1 250、1 450、1 650和2 130 nm）影响作用最为显著，其中对1 650 nm附近的反射率影响作用最大。图3-c显示叶片干物质含量DMC在近红外波段和短波红外波段对反射率都有影响，反射率随DMC的增大而减小，其中在750~1 300 nm波段范围的影响作用最为明显，在1 650、1 720和2 270 nm波段对DMC反应相对敏感。
图2 不同参数值下的模拟光谱曲线

Fig.2 Simulated spectral curve under different parameter values

图3 基于PROSAIL模型的归一化指数与对应参数的关系

Fig.3 Relationship between normalized index based on PROSAIL model and corresponding parameter

2.3　FMC估算模型

考虑到植被光谱在860和1 650 nm对EWT反应敏感，故选择归一化红外指数（Normalized Difference Infrared Index, NDII）分析NDII与EWT之间的关系。植被光谱在1 650、1 720 和2 270 nm波段对DMC反应敏感，但由于Landsat 8影像并没有1 720 nm波段，故选择1 650 和2 270 nm波段，计算归一化干物质指数（Normalized Dry Matter Index， NDMI）分析NDMI和DMC之间的关系。NDII和NDMI表达式分别为：
N D I I = ( ρ 860 - ρ 1650 ) / ( ρ 860 + ρ 1650 )
N D M I = ( ρ 1650 - ρ 2270 ) / ( ρ 1650 + ρ 2270 )
式中： ρ 860表示波长为860 nm时的反射率； ρ 1650表示波长为1 650 nm时的反射率， ρ 2270表示波长为2 270 nm时的反射率。
通过分析基于PROSAIL模拟数据的NDII和NDMI指数，与实测输入的EWT和DMC的关系后发现，NDII与EWT、NDMI与DMC决定系数分别达到0.886和0.859（图3），说明NDII与EWT、NDMI与DMC具有良好的线性关系，使用NDII估算EWT、NDMI估算DMC具有可行性。从图3-a可以看出，当EWT的值在0~0.07 g/cm²时，与NDII的相关性更好、误差更小，而当EWT的值＞0.07 g/cm²，相关性开始减弱，误差开始增大。从图3-b可以看出，当DMC的值在0~0.04 g/cm²时，与NDMI的相关性更好、误差更小，而当DMC的值＞0.04 g/cm²时，相关性开始减弱，误差开始增大。
根据NDII与EWT、NDMI与DMC的线性关系，可以得到估算的EWT与DMC，进而得到估算的FMC，如图4所示。植被冠层FMC的值多数分布在100%~250%，此区间FMC估算效果较好，而当FMC的值＜100%或＞250%时，估算效果相对较差。FMC估算值与实测值相比，决定系数达到0.819，RMSE为22.6%，说明基于PROSAIL模型的FMC估算值具有较高精度。
图4 基于PROSAIL模型的FMC的估算值与实测值的关系

Fig.4 Relationship between estimation FMC based on PROSAIL model and measured FMC

3 结果与分析

基于实测的LAI、EWT、DMC数据和PROSAIL模型，获取采样点的模拟光谱数据，通过模拟光谱数据计算NDII、NDMI，与实测EWT、DMC的值进行分析，得到经验模型，将经验模型推广到Landsat 8获取的NDIILandsat 8和NDMILandsat 8，以此大面积监测评估野火风险的重要因子FMC。
首先，通过Landsat 8数据计算NDIILandsat 8和NDMILandsat 8，将其与基于实测数据和PROSAIL模型得到的NDII与NDMI进行对比分析，如图5-a和b所示，可以看出，对于NDII，基于Landsat 8的观测值与基于PROSAIL模型模拟结果R²达到0.709，RMSE达到0.091，对于NDMI，基于Landsat 8的观测值与基于PROSAIL模型模拟结果R²达到0.628，RMSE达到0.027，说明使用Landsat 8拟合植被冠层EWT、DMC是可行的。
图5 基于Landsat 8的估算值的验证

Fig.5 Validation of estimated value based on Landsat 8

其次，将基于PROSAIL模型得到的经验模型推广到Landsat 8数据，得到EWT、DMC的估算值，结合EWT、DMC的实测值做精度验证，如图5-c和d所示，估算EWT与实测EWT的R²达到0.652，RMSE达到0.011 g/cm²，估算DMC与实测DMC的R²达到0.611，RMSE达到0.014 g/cm²，说明使用Landsat 8拟合植被冠层EWT、DMC具有较好的精度。
最后，基于EWT、DMC的估算值即可计算FMC估算值，结合FMC实测值做精度验证（图6），R 2达到0.743，RMSE达到34.2%，估算结果与实测结果较为一致。对比图4与6可以发现，基于Landsat 8的FMC估算值相比基于PROSAIL模型的FMC估算值向左发生明显偏移，即基于Landsat 8的FMC估算值明显低于基于PROSAIL模型的FMC估算值。一方面，由于广州市过渡带森林植被中包含多种植被类型，但野外数据采集受自然因素影响较严重，受限于样本数量，本文没有按植被类型进行分类讨论，而是作为一类来分析，但不同植被类型的含水率波动范围不同，受外界因素影响程度也不同，故导致估算值偏小。另一方面，模拟波段和Landsat 8波段之间存在差异，植被光谱在1 650、1 720、2 270 nm波段对DMC反应敏感，其中2 270 nm 波段的敏感程度相对较低，而1 650和1 720 nm波段附近的敏感程度相对较高（图2），但由于Landsat 8影像没有1 650和1 720 nm波段，故选择2 270 nm波段参与NDMI的计算，使得估算DMC的值偏大，从而导致估算FMC的值偏小，发生明显左移，同时，1 650 nm和2 270 nm并不处于Landsat 8两个波段的中心波长，也是导致估算DMC、估算FMC发生偏移的原因之一。另外，与野外数据采样时间同步的Landsat 8影像受云的影响较大，而植被冠层可燃物含水率受外界因素影响严重、动态变化大，所以影像也是导致FMC估算值偏小的因素之一。
图6 基于Landsat 8的FMC的估算值与实测值的关系

Fig.6 Relationship between estimation FMC based on Landsat 8 and measured FMC

从化区拥有丰富的森林植被资源，属于热带季雨林、亚热带常绿阔叶林之间的过渡植被带，分布着众多森林植被类型，野外数据采集过程中将样本分为桉树、荷木、荔枝、马尾松、杉木、阔叶树、草地7种类型，涵盖广州市过渡带森林植被的主要类型，且野外数据采样点覆盖从化区的大部分区域，能有效代表整体情况。由于植被冠层可燃物含水率动态变化大、受外界因素影响严重，目前已有反演被冠层可燃物含水率研究中，全兴文等（2019）基于遥感数据和辐射传输模型对草原、森林冠层FMC进行定量反演，得出总体植被冠层可燃物含水率的RMSE为44.86%。Quan等（2021a）基于MODIS数据和辐射传输模型反演技术生成的全球500 m分辨率日FMC产品，过滤低质量实测结果后，RMSE达到34.57%。Cao等（2017）基于导数光谱的归一化指数反演可燃物含水率的RMSE为32%。本文提出的FMC估算模型经实测数据验证R²达到0.743，RMSE达到34.2%，说明使用Landsat 8拟合植被冠层FMC具有较好的精度，本模型可为通过广州市过渡带森林植被冠层可燃物含水率监测提供新参考。

4 讨论

基于PROSAIL模型的植被冠层FMC反演需同时获取EWT、DMC两个参数，但DMC的光谱信息被EWT的光谱信息覆盖，从而导致DMC表现出弱敏感性，较难反演。反演过程中的模式计算非常复杂，运算时间较长，各自由参数组合的过程中，易出现不符合实际情况的错误，若能引入先验知识，则可有效避免此类错误发生（全兴文 等，2019；Wang et al., 2013）。江海英等（2021）基于PROSAIL模型，将模型参数设置为高斯分布，生成1 000条植被反射率数据进行低矮植被含水量估算研究，虽然高斯分布相较于均匀分布更符合生态标准，但无法避免错误组合。而本文使用PROSAIL模型输出模拟光谱图，输入参数均为实地采集的叶片等水分厚度、干物质重量、叶面积指数野外数据，相比于通过概率模型模拟获得数据的可靠性更高，能有效避免病态反演问题，不容易出现错误组合的情况，从而提高模拟光谱数据的准确度。并且基于野外实测数据和PROSAIL模型输出的模拟光谱曲线更贴近真实反射率，为后续计算归一化红外指数、归一化干物质指数，构建植被冠层可燃物含水率的估算模型奠定良好的数据基础。
本文仅设置叶片等水分厚度、干物质重量、叶面积指数3个变量，其余参数均设为定量，一方面是由于模型参数信息难以完全通过实地测量获得，另一方面是为了减小模型运算量，但实际上在不同的季节和植被不同的物候期，各参数取值与各参数间相关性存在差异，未来需进一步探讨模型各参数间的相关性与各参数取值对于模拟结果的影响方式及程度。
本文使用的Landsat 8数据为光学遥感影像，易受云雨天气影响而无法有效成像，同时，其时间分辨率为16 d，无法获得时空连续的对地观测影像，也无法对植被冠层FMC进行近实时监测，未来需进一步探索多源遥感数据在FMC监测中的应用，以提供近实时的FMC监测产品，为森林火灾预警提供科学参考。

5 结论

本文面向植被冠层，基于PROSAIL模型，结合野外实测数据提出了一种运算速度快、通用性较好的植被冠层可燃物含水率估算方法。经验证，估算结果与实测结果较为一致，可实现大面积、较高精度广州市过渡带森林植被冠层可燃物含水率监测，为预防森林火灾提供参考。基于Landsat 8数据估算的植被冠层可燃物含水率相比于基于PROSAIL模型估算植被冠层可燃物含水率明显向左偏移，主要是野外实测数据样本点不足无法按植被类型分类进行分析，导致模拟光谱曲线出现偏差，敏感波段1 650和2 270 nm并不处于Landsat 8两个波段的中心波长，因此导致估算FMC发生偏移。

闻宏睿：文献收集和论文撰写；

国巧真、魏书精：论文构思和数据分析；

曾宇怀、吴泽鹏：实验设计和数据采集；

孙震辉：数据处理和数据整理。

References

Publishing order | Descend order by publishing year | Descend order by cited within
艾璐，孙淑怡，李书光，马红章. 2021. 光学与SAR遥感协同反演土壤水分研究进展. 自然资源遥感，33（4）：10-18．

Ai Lu, Sun Shuyi, Li Shuguang, and Ma Hongzhang. 2021. Research Progress on the Cooperative Inversion of Soil Moisture Using Optical and SAR Remote Sensing. Remote Sensing for Natural Resources, 33(4): 10-18.

Bilgili E, Coskuner K A, Usta Y, and Goltas M. 2019. Modeling Surface Fuels Moisture Content in Pinus Brutia Stands. Journal of Forestry Research, 30(2): 577-587.

蔡庆空，李二俊，陶亮亮，蒋瑞波. 2018. PROSAIL模型和水云模型耦合反演农田土壤水分. 农业工程学报，34（20）：117-123．

Cai Qingkong, Li Erjun, Tao Liangliang, and Jiang Ruibo. 2018. Farmland Soil Moisture Retrieval Using PROSAIL and Water Cloud Model. Transactions of the Chinese Society of Agricultural Engineering, 34(20): 117-123.

Cao Zhenxing, and Wang Quan. 2017. Retrieval of Leaf Fuel Moisture Contents from Hyperspectral Indices Developed from Dehydration Experiments. European Journal of Remote Sensing, 50(1): 18-28.

Chuvieco E, Aguado I, Salas J, García M, Yebra M, and Oliva P. 2020. Satellite Remote Sensing Contributions to Wildland Fire Science and Management. Current Forestry Reports, 6(2): 81-96.

邓孺孺，何颖清，秦雁，陈启东，陈蕾. 2012. 近红外波段（900-2500 nm）水吸收系数测量. 遥感学报，16（1）：192-206.

Deng Ruru, He Yingqing, Qin Yan, Chen Qidong, and Chen Lei. 2012. Measuring Pure Water Absorption Coefficient in the Near-Infrared Spectrum (900-2500 nm). Remote Sensing, 16(1): 192-206.

Han Dong, Wang Pengxin, Tansey K, Zhou Xijia, Zhang Shuyu, Tian Huiren, Zhang Jingqi, and Li Hongmei. 2020. Linking an Agro-Meteorological Model and a Water Cloud Model for Estimating Soil Water Content over Wheat Fields. Computers and Electronics in Agriculture, 179: 105833.

He Binbin, Quan Xingwen, Xu Dasong, Yin Changming, Liao Zhanmang, Qiu Shi, Ge Jinsong, and Zhang Zhijun. 2017. Retrieving Grassland Canopy Water Content by Considering the Information from Neighboring Pixels. Photogrammetric Engineering & Remote Sensing, 83(8): 553-565.

江海英，柴琳娜，贾坤，刘进，杨世琪，郑杰. 2021. 联合PROSAIL模型和植被水分指数的低矮植被含水量估算. 遥感学报，25（4）：1025-1036.

Jiang Haiying, Chai Linna, Jia Kun, Liu Jin, Yang Shiqi, and Zheng Jie. 2021. Estimation of Water Content for Short Vegetation Based on Prosail Model and Vegetation Water Indices. National Remote Sensing Bulletin, 25(4): 1025-1036.

Konings A G, Rao K, and Steele‐Dunne S C. 2019. Macro to Micro: Microwave Remote Sensing of Plant Water Content for Physiology and Ecology. New Phytol., 223(3): 1166-1172.

Li Zhenhai, Jin Xiuliang, Yang Guijun, Drummond J, Yang Hao, Clark B, Li Zhenhong, and Zhao Chunjiang. 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.

Nossent J, Elsen P, and Bauwens W. 2011. Sobol Sensitivity Analysis of a Complex Environmental Model. Environmental Modelling & Software, 26(12): 1515-1525.

Li Pingheng, and Wang Quan, 2011. Retrieval of Leaf Biochemical Parameters Using PROSPECT Inversion: A New Approach for Alleviating Ill-Posed Problems. IEEE Trans. Geosci. Remote Sensing, 49(7): 2499-2506.

Quan Xingwen, He Binbin, Yebra M, Yin Changming, Liao Zhanmang, and Li Xing. 2017. Retrieval of Forest Fuel Moisture Content Using a Coupled Radiative Transfer Model. Environmental Modelling & Software, 95: 290-302.

Quan Xingwen, Yebra M, Riaño D, He Binbin, Lai Gengke, and Liu Xiangzhuo. 2021a. Global Fuel Moisture Content Mapping from MODIS. International Journal of Applied Earth Observation and Geoinformation, 101: 102354.

Quan Xingwen, Xie Qian, He Binbin, Luo Kaiwei, and Liu Xiangzhuo. 2021b. Corrigendum to: Integrating Remotely Sensed Fuel Variables into Wildfire Danger Assessment for China. International Journal of Wildland Fire, 30(10): 822.

全兴文，何彬彬，刘向茁，廖展芒，邱实，殷长明. 2019. 多模型耦合下的植被冠层可燃物含水率遥感反演. 遥感学报，23（1）：62-77.

Quan Xingwen, He Binbin, Liu Xiangzhuo, Liao Zhanmang, Qiu Shi, and Yin Changming. 2019. Retrieval of Fuel Moisture Content by Using Radiative Transfer Models from Optical Remote Sensing Data. Journal of Remote Sensing, 23(1): 62-77.

Wang Lingli, Hunt E R, Qu J J, Hao Xianjun, and Daughtry C S T. 2013. Remote Sensing of Fuel Moisture Content from Ratios of Narrow-Band Vegetation Water and Dry-Matter Indices. Remote Sensing of Environment, 129: 103-110.

Wang Long, Quan Xingwen, He Binbin, Yebra M, Xing Minfeng, and Liu Xiangzhuo. 2019. Assessment of the Dual Polarimetric Sentinel-1A Data for Forest Fuel Moisture Content Estimation. Remote Sensing, 11(13): 1568.

杨维，张学霞，赵静瑶. 2018. 基于Geosail模型和SVR算法的叶面积指数遥感反演. 中国水土保持科学，16（6）：48-55．

Yang Wei, Zhang Xuexia, and Zhao Jingyao. 2018. Remote Sensing Inversion of Leaf Area Index Based on Geosail Model and SVR Algorithm. Science of Soil and Water Conservation, 16(6): 48-55.

Yebra M, Dennison P E, Chuvieco E, Riaño D, Zylstra P, Hunt Jr E R, Danson F M, Qi Yi, and Jurdao S. 2013. A Global Review of Remote Sensing of Live Fuel Moisture Content for Fire Danger Assessment: Moving towards Operational Products. Remote Sensing of Environment, 136: 455-468.

Yebra M, Quan Xingwen, Riaño D, Larraondo P R, van Dijk A I J M, and Cary G J. 2018. A Fuel Moisture Content and Flammability Monitoring Methodology for Continental Australia Based on Optical Remote Sensing. Remote Sensing of Environment, 212: 260-272.

Options
Outlines

/

〈 〉