ᵃ Лаборатория обработки изображений (IPL), Университет Валенсии, C/Catedrático José Beltrán 2, 46980 Paterna, Valencia, Spain

ᵇ CONACYT-UAN, Секретариат исследований и последипломного образования, C/3, 63173 Tepic, Mexico

* Автор для корреспонденции: m.nieve.pasqualotto@uv.es

Получено: 3 октября 2017 г.; получено в исправленном виде: 8 января 2018 г.; принято: 8 января 2018 г.; доступно онлайн: 12 января 2018 г.

Содержание воды в растительном покрове сельскохозяйственных культур (canopy water content, CWC) является важным показателем физиологического состояния растений. Хотя ранее для дистанционной оценки CWC было разработано множество вегетационных индексов, большинство из них предназначено для конкретных культур и территорий, что ограничивает их универсальность. В работе предложены два новых индекса содержания воды, применимых к широкому спектру культур и позволяющих строить карты CWC в крупном пространственном масштабе.

Индексы были разработаны на основе моделирования PROSAIL, а затем оптимизированы по экспериментальному набору SPARC03, полученному в районе Барракс, Испания. Набор включает содержание воды и другие биофизические переменные для пяти распространённых культур — люцерны, кукурузы, картофеля, сахарной свёклы и лука — и соответствующие спектры отражения верхней границы растительного покрова (top-of-canopy, TOC), зарегистрированные авиационным гиперспектральным датчиком HyMap. Сначала на совокупности культур были проанализированы и проверены известные формулы водных индексов; в целом коэффициент детерминации R² не превышал 0,6.

Для получения более универсальных показателей два новых индекса используют основные особенности поглощения воды в ближней инфракрасной области и объединяют несколько чувствительных к воде полос. Индекс площади поглощения воды (Water Absorption Area Index, WAAI) определяется как разность между площадью под смоделированной PROSAIL линией отражения TOC при нулевом содержании воды и площадью под измеренной кривой отражения TOC в диапазоне 911–1271 нм. Индекс глубины поглощения воды (Depth Water Index, DWI) — упрощённый четырёхполосный индекс, основанный на глубинах спектральных особенностей поглощения воды при 970 и 1200 нм и двух опорных полосах.

При применении к неоднородным сельскохозяйственным угодьям WAAI и DWI превосходили известные индексы в прогнозировании CWC: при экспоненциальной аппроксимации R² составил соответственно 0,8 и 0,7. Однако оба индекса работали неудовлетворительно для культур с низкой долей растительного покрытия, менее 30%. Для района Барракс представлены карты CWC по данным HyMap, рассчитанные обоими индексами. Результаты подтверждают возможность использования универсальных индексов для оценки CWC различных культур.

Ключевые слова: HyMap; гиперспектральная съёмка; содержание воды в растительном покрове; вегетационные индексы.

Вода — наиболее распространённая молекула в листьях; её наличие в тканях необходимо для увеличения клеток и роста растения. Знание содержания воды в листьях (leaf water content, LWC) важно для оценки физиологического состояния, особенно для выявления засухи. Недостаток воды повышает пожарную опасность и вызывает социально-экономические последствия вследствие снижения производства продовольствия (Carlson and Burgan, 2003; Chuvieco et al., 2004; Riaño et al., 2005; Stimson et al., 2005). В сельском хозяйстве сведения о водном статусе необходимы для планирования орошения (Jackson et al., 2004) и оценки продуктивности (Peñuelas et al., 1993; Zhang et al., 2010). Устойчивое земледелие, особенно в аридных и семиаридных регионах, непосредственно зависит от доступности воды (Alderfasi and Nielsen, 2001). Поэтому точное распознавание водного стресса по спектральному отражению много десятилетий остаётся важной задачей дистанционного зондирования, способного предоставлять синоптическую информацию в разных пространственных и временных масштабах (Jackson, 1986; Oppelt and Mauser, 2004; Peñuelas et al., 1993).

Биофизические переменные — содержание хлорофилла (Chl), индекс площади листьев (LAI) и содержание воды — относятся к важнейшим показателям здоровья, роста и продуктивности растительности (Gitelson et al., 2003). На уровне листа LWC обычно определяют по разности массы свежесобранных листьев и массы после высушивания, что особенно трудоёмко для крупных территорий. В большом пространственном масштабе используют содержание воды в растительном покрове CWC — количество воды в растительности на единицу площади земной поверхности (г/м²). Оно равно произведению LWC, выраженного на единицу площади листа, и LAI, выраженного как площадь листьев на площадь поверхности. Для неразрушающей оценки разработаны методы связывания содержания воды с оптическими данными дистанционного зондирования (Pu et al., 2003).

Вода поглощает энергию во всём спектре, но максимумы поглощения в ближнем ИК-диапазоне 750–1300 нм и коротковолновом ИК-диапазоне 1300–2500 нм расположены около 970, 1200, 1450, 1940 и 2500 нм (Carter, 1991; Knipling, 1970; Tucker, 1980). Спектрорадиометры позволяют количественно определять CWC без разрушения растений (Inoue et al., 1993).

При изучении CWC критически важна атмосферная коррекция. Поглощение атмосферным водяным паром в столбе воздуха влияет на регистрируемую самолётом или спутником отражённую яркость при 900–1000 нм (Datt, 1999; Gao and Goetz, 1990; Goetz and Boardman, 1995). Задача коррекции — получить отражение верхней границы покрова, удалив атмосферные эффекты. Точность определения CWC в значительной мере зависит от качества этого этапа (Sabater et al., 2014; Vicent et al., 2015, 2017).

Для поиска чувствительных полос в атмосферно скорректированных спектрах TOC наиболее широко применяются статистические методы и простые вегетационные индексы (VI), связывающие биофизическую переменную с арифметической комбинацией спектральных каналов (Verrelst et al., 2015a). Индексы усиливают спектральные особенности, связанные с заданным свойством растительности (Glenn et al., 2008), и привлекательны благодаря наглядности, простоте и скорости (Broge and Leblanc, 2000; Colombo et al., 2003; Gitelson et al., 2005).

Предлагались многочисленные индексы LWC и CWC для оценки пожарного риска (Peñuelas et al., 1997), мониторинга болезней (Pu et al., 2003) и других задач. Обычно они объединяют нечувствительную к воде полосу, например 820 или 900 нм, и чувствительную полосу, например 970 или 1600 нм. Многие индексы разрабатывались для отдельного вида: Datt (1999) предложил нормированные индексы для эвкалипта, Pu et al. (2003) — отношения полос для дуба. Другие индексы предназначены для CWC (Hardisky et al., 1983; Hunt and Rock, 1989; Rollin and Milton, 1998; Wang and Qu, 2007); часть из них получена модификацией листовых показателей, например Water Index Peñuelas et al. (1997).

Основной недостаток VI — отсутствие показателя, одинаково пригодного для разных типов растительности. Отражённый сигнал определяется сложным взаимодействием внутренних и внешних факторов и изменяется во времени, пространстве и между культурами (Colombo et al., 2003). Надёжные индексы требуют больших разнообразных полевых наборов с широким диапазоном структур покрова (Glenn et al., 2008; le Maire et al., 2008), включая внутривидовые изменения на разных фазах развития.

Традиционные VI создавались для датчиков с небольшим числом полос. Для гиперспектральных данных использование лишь нескольких каналов часто неоптимально (Kira et al., 2016; Verrelst et al., 2015b). Лучше учитывать множество чувствительных полос на протяжении спектральной области (Verrelst et al., 2016). Непрерывная кривая отражения нередко даёт лучшие результаты, чем отдельные каналы (Delegido et al., 2010; Malenovský et al., 2006; Mutanga et al., 2005; Oppelt and Mauser, 2004).

Для разработки универсальных индексов подходят модели переноса излучения (RTM), физически описывающие поглощение и рассеяние света в листе, покрове и атмосфере. RTM применялись для оптимизации водных индексов листового и покровного уровней (Clevers et al., 2010; Haboudane et al., 2002; Malenovský et al., 2006). PROSPECT моделирует лист как последовательность поглощающих слоёв, SAIL описывает покров как однородную горизонтальную мутную среду, а их связка PROSAIL широко используется для анализа направленного отражения покрова и биофизических переменных, включая CWC (Jacquemoud et al., 2009).

Цель исследования — разработать универсальные индексы CWC для неоднородных территорий с разными культурами, опираясь на спектральное поведение листьев при изменении содержания воды. С использованием PROSAIL и большого полевого набора решались две задачи: определить полосы с наибольшей корреляцией R² при проверке распространённых VI и, после анализа спектральной чувствительности разных культур, разработать и проверить два новых индекса для данных высокого и низкого спектрального разрешения. Новые и известные индексы сравнивались, после чего строились карты CWC.

Использован набор кампании Spectra Barrax Campaign (SPARC03) (Delegido et al., 2013), проведённой 12–14 июля 2003 г. в Барраксе, Ла-Манча, Испания (39°3′ с. ш., 2°6′ з. д., 700 м над ур. м., ETRS89). Он охватывает разные культуры, фазы роста, геометрию покрова и почвенные условия. Изучались люцерна (Medicago sativa), кукуруза (Zea mays), картофель (Solanum tuberosum), сахарная свёкла (Beta vulgaris), чеснок (Allium sativum) и репчатый лук (Allium cepa).

Во время пролёта люцерна находилась в фазе бутонизации и была разреженной, с примесью райграса. Кукуруза начинала формировать початки. Картофель и сахарная свёкла имели плотный развитый покров и были близки к уборке. Чеснок созревал, но находился в неудовлетворительном состоянии и был очень разреженным. Лук имел зрелые луковицы.

На 100 элементарных участках выборки (ESU) размером 20×20 м измеряли Chl, долю зелёного покрытия FVC, эффективный зелёный LAI и LWC. Chl определяли CCM-200 с лабораторной калибровкой образцов (Gandia et al., 2004), FVC — по полусферическим фотографиям, LAI — анализатором LI-COR LAI-2000 с объективом «рыбий глаз» и полем зрения ±148°, оценивающим перехват синего света 320–490 нм (Welles and Norman, 1991). Для LWC собирали по три верхних листа, то есть видимую датчиком часть растения, высушивали и взвешивали. Площадь листьев определяли по цифровым фотографиям на миллиметровой сетке. CWC вычисляли умножением LWC на LAI.

12–14 июля участок снимали авиационным гиперспектральным датчиком HyMap. Он охватывает 430–2490 нм и имеет 125 пригодных полос шириной 11–21 нм; размер пикселя составлял 5 м. Для каждого ESU отражение TOC рассчитывали как среднее центрального и соседних пикселей. Изображения геометрически корректировали (Alonso and Moreno, 2005), затем применяли ATCOR4-r в Германском аэрокосмическом центре (Guanter et al., 2005). Итоговый набор включал 100 значений CWC и спектры: 18 участков люцерны, 14 кукурузы, 12 картофеля, 22 сахарной свёклы, 14 чеснока, 10 лука и 10 участков голой почвы с LAI=CWC=0.

Систематический анализ прогнозирующей способности VI проводили в пакете ARTMO (Verrelst et al., 2012), объединяющем RTM, включая PROSAIL, и средства разработки алгоритмов преобразования оптических изображений в карты свойств растительности. Модуль оценки спектральных индексов (Rivera et al., 2014) использовали для калибровки и проверки известных и универсальных индексов со всеми комбинациями каналов NIR 750–1300 нм.

В ARTMO ввели известные индексы CWC и ряд обобщённых формул, где конкретные длины волн заранее не фиксированы. Сначала для исходных полос известных индексов на много-культурном наборе сравнивали линейную, экспоненциальную и полиномиальную аппроксимацию. Затем для каждой универсальной формулы перебирали все комбинации NIR-полос. SWIR не использовали, поскольку на него, помимо воды, сильно влияет целлюлоза (Delegido et al., 2015). Надёжность оценивали десятикратной перекрёстной проверкой: данные делили на десять частей, девять использовали для калибровки, одну — для валидации, повторяя процесс для каждой части (Snee, 1977; Yang and Huang, 2014).

Основные максимумы поглощения воды расположены около 970, 1200, 1450, 1940 и 2500 нм. Они видны в спектрах разных культур SPARC03 с контрастным CWC.

Рисунок 1. Спектры отражения TOC люцерны, кукурузы, сахарной свёклы и картофеля, а также голой почвы в SPARC03. CWC выражено в граммах воды на квадратный метр поверхности.

В NIR особенно заметны максимумы около 970 и 1200 нм. Глубина спектра — разность между минимумами поглощения, точками 850 и 1080 нм и плечом NIR — увеличивается с CWC. Поэтому сахарная свёкла с CWC=2200 г/м² имеет наибольшую глубину, а люцерна с CWC=359 г/м² — наименьшую.

Рисунок 2. Спектры растительности с большим (сплошная линия, Cw=0,05 см) и меньшим (штриховая линия, Cw=0,025 см) содержанием воды при LAI=3, смоделированные PROSAIL, и пропускание атмосферного водяного пара по MODTRAN, показанное синим.

Для анализа чувствительности моделировали TOC при LAI от 0,5 до 6 и трёх значениях эквивалентной толщины водного слоя листа Cw: 0, 0,025 и 0,05 см. Остальные параметры фиксировали: Chl=30 мкг/см², сухое вещество 0,012 г/см². При Cw=0 отражение между примерно 800 и 1200 нм является прямой линией без полос поглощения; её наклон и величина зависят только от LAI. Эта опорная линия стала основой нового индекса.

Рисунок 3. Отражение TOC, смоделированное PROSAIL при изменении LAI и содержания воды Cw.

WAAI предназначен для разных культур и использует широкий спектральный интервал, а не несколько отдельных полос. Он равен разности площади под опорной линией при Cw=0 и площади под кривой отражения между 800 и 1200 нм.

Рисунок 4. Спектры TOC PROSAIL при разных Cw и фиксированном LAI=4,5. Затенённая площадь соответствует WAAI.

Для построения опорной линии использовали зависимость R1200 от R800 при Cw=0 и LAI от 0 до 6. Она строго линейна, R²=1.

Рисунок 5. Связь R800 и R1200 в моделируемых спектрах растительности при Cw=0 см и LAI от 0 до 6.

Площадь под опорной линией (площадь трапеции):

A_ref = (R800 + R1200)/2 · (1200 − 800). (1)

Площадь под спектральной кривой:

A_curve = ∫₈₀₀¹²⁰⁰ R(λ)dλ. (2)

Поскольку R1200=0,857R800+0,097, исходный индекс имеет вид:

WAAI = 200(1,857R800 + 0,097) − ∫₈₀₀¹²⁰⁰ R(λ)dλ. (3)

После вычисления WAAI оптимальные пределы интегрирования определяли перебором обоих пределов в NIR 750–1300 нм.

WAAI рассчитан на гиперспектральные данные высокого разрешения. Поскольку большинство действующих спутников не имеет такого разрешения, DWI предложен как ориентир для будущих суперспектральных датчиков. Он использует четыре полосы и равен сумме глубин при 970 нм (d1) и 1200 нм (d2). Каждая глубина — разность между значением опорной линии yi и отражением TOC в соответствующем минимуме; опорная линия проходит через R850 и R1080.

Рисунок 6. Геометрическая схема DWI как суммы глубин при 970 и 1200 нм относительно базовой линии через пики 850 и 1080 нм. Синий спектр соответствует CWC=459 г/м², оранжевый — 359 г/м².

DWI = (y1 − R970) + (y2 − R1200). (4)

Опорная линия:

yi = [(R1080 − R850)/230]xi + [R1080·850 − R850·1080]/(−230), (5)

где xi равно 970 или 1200 нм. После подстановки:

DWI = 2,044R1080 − 0,044R850 − R970 − R1200. (6)

Для статистической оценки WAAI и DWI использовали R² от 0 до 1.

Известные индексы с исходными полосами дали R² от 0,114 до 0,598. Линейная, экспоненциальная и полиномиальная аппроксимации работали сходно, причём линейная была немного лучше; далее использовали её.

Перебор всех комбинаций полос повысил R² до 0,811–0,908, но многие выбранные каналы имели сомнительный физический смысл: 738 и 753 нм зависят от хлорофилла, а некоторые NIR-полосы не совпадают с минимумами 970 и 1200 нм. Поэтому потребовались физически обоснованные многополосные индексы.

Таблица 4. Лучшие комбинации полос универсальных индексов ARTMO, упорядоченные по R².

После спектрального перебора лучшие пределы интегрирования оказались равны 911 и 1271 нм: R²=0,808, RMSE=290 г/м² при экспоненциальной аппроксимации. При 911 нм начинается первый максимум поглощения, а около 1271 нм заканчивается максимальное влияние воды.

WAAI_optimized = 180(1,812R911 + 0,271) − ∫₉₁₁¹²⁷¹ R(λ)dλ. (7)

CWC (г/м²) = 42,98 exp(0,061WAAI_optimized). (8)

Рисунок 7. CWC как функция WAAI между 911 и 1271 нм; показана экспоненциальная аппроксимация и 95%-ный доверительный интервал.

Индекс физически правдоподобен: чеснок и люцерна с малым CWC имеют минимальные значения WAAI, сахарная свёкла и картофель с большим CWC — максимальные. Чеснок имеет высокое LWC, но его LAI ниже единицы и покров очень разрежен, поэтому CWC низко. Поздно посеянная кукуруза ещё не достигла полного развития; люцерна находилась в фазе бутонизации. Картофель и сахарная свёкла, напротив, образуют обильную листву и имеют высокий CWC.

DWI разработан как четырёхполосное приближение WAAI для датчиков с меньшим спектральным разрешением. Экспоненциальная аппроксимация по SPARC03 дала R²=0,719 и RMSE=400 г/м²:

CWC (г/м²) = 113,9 exp(10,72DWI). (9)

Рисунок 8. CWC как функция DWI с экспоненциальной аппроксимацией и 95%-ным доверительным интервалом.

DWI изменялся от −0,01 для голой почвы до 0,26 для сахарной свёклы с CWC около 2000 г/м². Чеснок давал минимальные оценки CWC=344 г/м² из-за FVC=12% и LAI=0,58, несмотря на LWC=595 г/м².

Рисунок 9. Сопоставление оценок CWC, рассчитанных по DWI и WAAI.

Между оценками двух индексов получено R²=0,85. WAAI точнее благодаря большему числу водочувствительных полос, но DWI достаточно близок к исходному интегральному индексу, хотя отдельные значения пере- или недооцениваются.

Оба индекса применили к линии HyMap от 14 июля над Барраксом. На картах более высокий CWC соответствует орошаемым круговым полям. Для отдельных культур WAAI даёт значения то выше, то ниже DWI; поскольку DWI является упрощением и прошёл несколько более слабую проверку, карта WAAI предположительно точнее.

Рисунок 10. Карты CWC полей Барракса по атмосферно скорректированным данным HyMap от 14 июля: WAAI слева, DWI справа.

Распространённые индексы CWC обычно представляют собой простые комбинации двух полос — чувствительной к воде и контрольной — и разрабатываются для отдельного вида. На много-культурном SPARC03 они дали низкие R²=0,114–0,598. Перебор полос повысил корреляцию: для простого отношения лучшей была R738/R1272 с R²=0,825, для нормированного индекса — (R1006−R943)/(R1006+R943) с R²=0,811. Однако физическая интерпретация сомнительна: R738 зависит прежде всего от хлорофилла и не является опорной полосой, а R1006 и R943 обе чувствительны к воде, поэтому контроль отсутствует.

На уровне поля отражение покрова объединяет влияние всех биофизических параметров. Ковариация компонентов листа часто приводит к выбору полос пигментов, крахмала или лигнина, сильно влияющих на спектральную изменчивость (Ollinger, 2011). Из-за ковариации воды и Chl наиболее чувствительными могут оказаться полосы поглощения хлорофилла (Van Wittenberghe et al., 2014).

Для пяти распространённых культур WAAI и DWI достигли R² около 0,8 и 0,7, превзойдя известные индексы и обеспечив применение на неоднородных полях. WAAI рассчитан на гиперспектральные, DWI — на многоспектральные датчики. Большое число полос в водных областях приближает оценки к действительности: WAAI, использующий весь диапазон 911–1271 нм, дал R²=0,808, а четырёхполосный DWI — 0,719.

Оба индекса работают оптимально только при достаточной FVC, по опыту авторов более 30%. Влияние голой почвы особенно заметно на чесноке с FVC около 12%, для которого оценки неадекватны. Низкая точность при малом покрытии отмечалась и ранее (Zarco-Tejada et al., 2003); поэтому ниже 30% индексы применять не рекомендуется.

CWC основан на эффективном LAI и включает погрешность LAI-2000 и оператора; это следует учитывать при сравнении с прямыми разрушительными измерениями. Атмосферная коррекция особенно важна для водных индексов, поскольку TOC сильно искажается водяным паром в тех же полосах поглощения. Универсальный индекс должен работать для разных видов, структур, FVC и фаз развития. Поскольку SPARC03 охватывает различные фазы, есть основания полагать, что WAAI и DWI лучше простых VI учитывают внутривидовую структурную изменчивость.

Дальнейшая работа должна включить поправку на FVC, чтобы избежать недооценки разреженных культур, и дополнительные виды для подтверждения универсальности. Для оперативного картирования CWC перспективна конфигурация суперспектральных датчиков с полосами DWI. Оба индекса могут применяться к данным будущих спектрометрических миссий EnMAP и PRISMA.

Многочисленные существующие VI дают низкую точность CWC на неоднородных сельскохозяйственных территориях. Автоматический поиск оптимальных полос повышает R², но часто выбирает каналы, не имеющие прямого физического отношения к поглощению воды. Поэтому разработаны два физически обоснованных индекса для разных культур и больших пространственных масштабов. Их проверяли по SPARC03, включающему полевые CWC и LAI и соответствующие гиперспектральные отражения TOC HyMap.

WAAI определён как площадь между опорной линией при нулевом CWC и спектром 911–1271 нм. DWI — более простой показатель для обычных датчиков, основанный на глубинах поглощения при 970 и 1200 нм. WAAI и DWI улучшили оценку CWC до R²=0,8 и 0,7 по сравнению с известными индексами и пригодны для неоднородных полей при FVC>30%. RMSE составила соответственно 290 и 400 г/м². По обоим индексам построены карты CWC сельскохозяйственного района Барракс.

Работа поддержана преддокторской стипендией Generalitat Valenciana Vali+d (ACIF/2016/378). S.V.W. получила финансирование программы Европейского союза H2020 Marie Skłodowska-Curie по проекту FLUOPHOT (грант 701815). J.V. поддержан Европейским исследовательским советом в рамках ERC-2017-STG SENTIFLEX (грант 755617). Авторы благодарят двух рецензентов за ценные замечания.

rect and destructive measures. Moreover, atmospheric correction is essential in VIs studies and especially for water indices because the Alderfasi, A.A., Nielsen, D.C., 2001. Use of crop water stress index for monitoring water status and scheduling irrigation in wheat. Agric. Water Manag. 47, 69–75. http://dx. observed TOC reflectance will be strongly influenced by atmospheric doi.org/10.1016/S0378-3774(00)00096-2. WV in the water absorbing regions (Goetz and Boardman, 1995). A Alonso, L., Moreno, J., 2005. Advances and limitations in a parametric geometric cor- precise removal of atmospheric effects to obtain good physical para- rection of CHRIS/PROBA data. Eur. Sp. Agency (Special Publ. ESA SP 7-13). Berk, A., Anderson, G., Acharya, P., Bernstein, L., Muratov, L., Lee, J., Fox, M., Adler- meter retrievals by vegetation indices is therefore critical. Also, a Golden, S.; Chetwynd, J., Hoke, M., Lockwood, R., Gardner, J., Cooley, T., Borel, C., widely applicable CWC index should not only work for multiple species Lewis, P., Shettle, E., 2006. MODTRAN TM5: 2006 update. with various structures and FVC, but also for temporal intra-species Broge, N.H., Leblanc, E., 2000. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and ca- variability due to changing crop development stages. Since different nopy chlorophyll density. Remote Sens. Environ. 76, 156–172. http://dx.doi.org/10. crop development stages of multiple species were represented in the 1016/S0034-4257(00)00197-8. Candela, L., Formaro, R., Guarini, R., Loizzo, R., Longo, F., Varacalli, G., 2016. The dataset, we have good assumptions that intra-species structural varia- PRISMA mission. In: Int. Geosci. Remote Sens. Symp. 2016–November. pp. 253–256. bility (and resulting biophysical changes) will also be better dealt by http://dx.doi.org/10.1109/IGARSS.2016.7729057. WAAI/DWI as opposed to simple VIs. Carlson, J.D., Burgan, R.E., 2003. Review of users’ needs in operational fire danger es- timation: the Oklahoma example. Int. J. Remote Sens. 24, 1601–1620. Finally, in order to avoid underestimating CWC in crops with scarce Carter, G.A., 1991. Primary and secondary effects of water content on the spectral re- coverage, further work should focus on introducing a FVC-based ad- flectance of leaves. Am. J. Bot. 916–924. justment in the newly proposed indices, as well to include data from Chuvieco, E., Cocero, D., Aguado, I., Palacios, A., Prado, E., 2004. Improving burning efficiency estimates through satellite assessment of fuel moisture content. J. Geophys. other crop types in the analysis to confirm their generic validity. In Res. Atmos. 109. http://dx.doi.org/10.1029/2003JD003467. addition, given that the DWI already leads to satisfactory estimations, Clevers, J.G.P.W., Kooistra, L., Schaepman, M.E., 2010. Estimating canopy water content using hyperspectral remote sensing data. Int. J. Appl. Earth Obs. Geoinf. 12, 119–125. when moving towards delivering CWC maps in a more operational http://dx.doi.org/10.1016/j.jag.2010.01.007. framework, it would be interesting to configure operational optical Colombo, R., Bellingeri, D., Fasolini, D., Marino, C.M., 2003. Retrieval of leaf area index superspectral sensors with the specific bands used in DWI. For instance, in different vegetation types using high resolution satellite data. Remote Sens. Environ. 86, 120–131. http://dx.doi.org/10.1016/S0034-4257(03)00094-4. both indices can be applied to data of forthcoming imaging spectro- Dash, J., Curran, P.J., 2004. The MERIS terrestrial chlorophyll index. Int. J. Remote Sens. scopy missions such as the German EnMAP–Environmental Mapping 2523, 5403–5413. http://dx.doi.org/10.1080/0143116042000274015. Datt, B., 1999. Remote sensing of water content in eucalyptus leaves. Aust. J. Bot. 47, and Analysis Program (Guanter et al., 2015) and the Italian PRIS- 909–923. http://dx.doi.org/10.1071/BT98042. MA–PRecursore IperSpettrale della Missione Applicativa (Candela Delegido, J., Alonso, L., González, G., Moreno, J., 2010. Estimating chlorophyll content of et al., 2016). crops from hyperspectral data using a normalized area over reflectance curve (NAOC). Int. J. Appl. Earth Obs. Geoinf. 12, 165–174. http://dx.doi.org/10.1016/j. jag.2010.02.003. 5. Conclusions Delegido, J., Verrelst, J., Meza, C.M., Rivera, J.P., Alonso, L., Moreno, J., 2013. A red- edge spectral index for remote sensing estimation of green LAI over agroecosystems. Eur. J. Agron. 46, 42–52. http://dx.doi.org/10.1016/j.eja.2012.12.001. Although numerous VIs have been proposed for the estimation of Delegido, J., Verrelst, J., Rivera, J.P., Ruiz-Verdú, A., Moreno, J., 2015. Brown and green water content over various crop types, the problem found with these LAI mapping through spectral indices. Int. J. Appl. Earth Obs. Geoinf. 35, 350–358. http://dx.doi.org/10.1016/j.jag.2014.10.001. indices is that they show low estimation accuracies when applied to Gandia, S., Fernández, G., García, J.C., Moreno, J., 2004. Retrieval of vegetation bio- heterogeneous crop zones. Also, when systematically deducing the VIs physical variables from CHRIS/PROBA data in the SPARC campaing. Eur. Sp. Agency best band combinations, the optimal bands produced a good correlation (Special Publ. ESA SP 40–48). Gao, B.-C., Goetz, A.F.H., 1990. Column atmospheric water vapor and vegetation liquid (R2) but lacked physical meaning with water absorption. Hence, new water retrievals from Airborne Imaging Spectrometer data. J. Geophys. Res. 95, indices are required that not only lead to accurate estimations but also 3549. http://dx.doi.org/10.1029/JD095iD04p03549. are physically sound, and thus applicable to a great variety of crop Gao, B.C., 1996. NDWI – A normalized difference water index for remote sensing of ve- getation liquid water from space. Remote Sens. Environ. 58, 257–266. http://dx.doi. types. Two new spectral indices were formulated capable of estimating org/10.1016/S0034-4257(96)00067-3. canopy water content (CWC) over common crop types and therefore Gitelson, A.A., Kaufman, Y.J., Stark, R., Rundquist, D., 2002. Novel algorithms for remote estimation of vegetation fraction. Remote Sens. Environ. 80, 76–87. http://dx.doi. applicable to large spatial scales. The validity of these indices was based org/10.1016/S0034-4257(01)00289-9. on a large multi-crop dataset (SPARC03), composed of field CWC and Gitelson, A.A., Viña, A., Arkebauer, T.J., Rundquist, D.C., Keydan, G., Leavitt, B., 2003. LAI values, as well as their corresponding hyperspectral TOC re- Remote estimation of leaf area index and green leaf biomass in maize canopies. Geophys. Res. Lett. 30. http://dx.doi.org/10.1029/2002GL016450. flectance coming from a HyMap image. On the one hand, the WAAI was Gitelson, A.A., Viña, A., Ciganda, V., Rundquist, D.C., Arkebauer, T.J., 2005. Remote defined as the area between the line formed when the CWC is zero and estimation of canopy chlorophyll content in crops. Geophys. Res. Lett. 32, 1–4. http://dx.doi.org/10.1029/2005GL022688. Peñuelas, J., Filella, I., Biel, C., Serrano, L., Savé, R., 1993. The reflectance at the

Glenn, E.P., Huete, A.R., Nagler, P.L., Nelson, S.G., 2008. Relationship between remotely- 950–970 nm region as an indicator of plant water status. Int. J. Remote Sens. 14, sensed vegetation indices, canopy attributes and plant physiological processes: what 1887–1905. http://dx.doi.org/10.1080/01431169308954010. vegetation indices can and cannot tell us about the landscape. Sensors 8, 2136–2160. Peñuelas, J., Pinol, J., Ogaya, R., Filella, I., 1997. Estimation of plant water concentration http://dx.doi.org/10.3390/s8042136. by the reflectance water index WI (R900/R970). Int. J. Remote Sens. 18, 2869–2875.

Goetz, A.F., Boardman, J.W., 1995. Spectroscopic measurement of leaf water status. In: http://dx.doi.org/10.1080/014311697217396. Geoscience and RemoteSensing Symposium. (IGARSS). pp. 978–980. Peng, Y., Nguy-Robertson, A., Arkebauer, T., Gitelson, A., 2017. Assessment of canopy

Gower, J.F.R., 1980. Observations of in situ fluorescence of chlorophyll-a in Saanich Inlet. chlorophyll content retrieval in maize and soybean: implications of hysteresis on the Boundary-Layer Meteorol. 18, 235–245. development of generic algorithms. Remote Sens. 9, 226. http://dx.doi.org/10.3390/

Guanter, L., Alonso, L., Moreno, J., Member, A., 2005. A method for the surface re- rs9030226. flectance retrieval from PROBA/CHRIS data over land: application to ESA SPARC Pu, R., Ge, S., Kelly, N.M., Gong, P., 2003. Spectral absorption features as indicators of campaigns. IEEE Trans. Geosci. 43, 2908–2917. water status in coast live oak (Quercus agrifolia) leaves. Int. J. Remote Sens. 24,

Guanter, L., Kaufmann, H., Segl, K., Foerster, S., Rogass, C., Chabrillat, S., Kuester, T., 1799–1810. http://dx.doi.org/10.1080/01431160210155965. Hollstein, A., Rossner, G., Chlebek, C., Straif, C., Fischer, S., Schrader, S., Storch, T., Riaño, D., Vaughan, P., Chuvieco, E., Zarco-Tejada, P.J., Ustin, S.L., 2005. Estimation of Heiden, U., Mueller, A., Bachmann, M., Mühle, H., Müller, R., Habermeyer, M., fuel moisture content by inversion of radiative transfer models to simulate equivalent Ohndorf, A., Hill, J., Buddenbaum, H., Hostert, P., Van Der Linden, S., Leitão, P.J., water thickness and dry matter content: analysis at leaf and canopy level. IEEE Trans. Rabe, A., Doerffer, R., Krasemann, H., Xi, H., Mauser, W., Hank, T., Locherer, M., Geosci. Remote Sens. 43, 819–826. http://dx.doi.org/10.1109/TGRS.2005.843316. Rast, M., Staenz, K., Sang, B., 2015. The EnMAP spaceborne imaging spectroscopy Rivera, J., Verrelst, J., Delegido, J., Veroustraete, F., Moreno, J., 2014. On the semi- mission for earth observation. Remote Sens. 7, 8830–8857. http://dx.doi.org/10. automatic retrieval of biophysical parameters based on spectral index optimization. 3390/rs70708830. Remote Sens. 6, 4927–4951. http://dx.doi.org/10.3390/rs6064927.

Haboudane, D., Miller, J.R., Tremblay, N., Zarco-Tejada, P.J., Dextraze, L., 2002. Rollin, E.M., Milton, E.J., 1998. Processing of high spectral resolution reflectance data for Integrated narrow-band vegetation indices for prediction of crop chlorophyll content the retrieval of canopy water content information. Remote Sens. Environ. 65, 86–92. for application to precision agriculture. Remote Sens. Environ. 81, 416–426. http:// http://dx.doi.org/10.1016/S0034-4257(98)00013-3. dx.doi.org/10.1016/S0034-4257(02)00018-4. Sabater, N., Vicent, J., Alonso, L., Verrest, J., Moreno, J., 2014. An atmospheric correc-

Hardisky, M., Klemas, V., Smart, R., 1983. The influence of soil salinity, growth form, and tion algorithm for the Flex/S3 tandem mission. 5th Int. Work. Remote Sens. Veg. leaf moisture on the spectral radiance of Spartina alterniflora canopies. Photogramm. Fluoresc. 3–8. Eng. Remote Sens. 49, –83. Snee, R., 1977. Validation and regression models: methods and examples. Technometrics

Hunt, E.R., Rock, B.N., 1989. Detection of changes in leaf water content using near- and 19, 415–428. middle-rnfrared reflectances. Remote Sens. Environ. 30, 43–54. http://dx.doi.org/10. Stimson, H.C., Breshears, D.D., Ustin, S.L., Kefauver, S.C., 2005. Spectral sensing of foliar 1016/0034-4257(89)90046-1. water conditions in two co-occurring conifer species: Pinus edulis and Juniperus

Hunt, E.R., Rock, B.N., Nobel, P.S., 1987. Measurement of leaf relative water content by monosperma. Remote Sens. Environ. 96, 108–118. http://dx.doi.org/10.1016/j.rse. infrared reflectance. Remote Sens. Environ. 22, 429–435. http://dx.doi.org/10.1016/ 2004.12.007. 0034-4257(87)90094-0. Tucker, C.J., 1980. Remote sensing of leaf water content in the near infrared. Remote

Hunt, E.R., Doraiswamy, P.C., McMurtrey, J.E., Daughtry, C.S.T., Perry, E.M., Akhmedov, Sens. Environ. 10, 23–32. http://dx.doi.org/10.1016/0034-4257(80)90096-6. B., 2013. A visible band index for remote sensing leaf chlorophyll content at the Van Wittenberghe, S., Verrelst, J., Rivera, J.P., Alonso, L., Moreno, J., Samson, R., 2014. Canopy scale. Int. J. Appl. Earth Obs. Geoinf. 21, 103–112. http://dx.doi.org/10. Gaussian processes retrieval of leaf parameters from a multi-species reflectance, ab- 1016/j.jag.2012.07.020. sorbance and fluorescence dataset. J. Photochem. Photobiol. B Biol. 134, 37–48.

Inoue, Y., Morinaga, S., Shibayama, M., 1993. Non-destructive estimation of water status http://dx.doi.org/10.1016/j.jphotobiol.2014.03.010. of intact crop leaves based on spectral reflectance measurements. Jpn. J. Crop Sci. 62, Verhoef, W., 1984. Light scattering by leaf layers with application to canopy reflectance 462–469. modeling: the SAIL model. Remote Sens. Environ. 16, 125–141. http://dx.doi.org/10.

Jackson, T.J., Chen, D., Cosh, M., Li, F., Anderson, M., Walthall, C., Doriaswamy, P., 1016/0034-4257(84)90057-9. Hunt, E.R., 2004. Vegetation water content mapping using Landsat data derived Verrelst, J., Romijn, E., Kooistra, L., 2012. Mapping vegetation density in a heterogeneous normalized difference water index for corn and soybeans. Remote Sens. Environ. 92, river floodplain ecosystem using pointable CHRIS/PROBA data. Remote Sens. 4, 475–482. http://dx.doi.org/10.1016/j.rse.2003.10.021. 2866–2889. http://dx.doi.org/10.3390/rs4092866.

Jackson, R.D., 1986. Remote sensing of biotic and abiotic plant stress. Annu. Rev. Verrelst, J., Camps-Valls, G., Muñoz-Marí, J., Rivera, J.P., Veroustraete, F., Clevers, Phytopathol. 24, 265–287. J.G.P.W., Moreno, J., 2015a. Optical remote sensing and the retrieval of terrestrial

Jacquemoud, S., Baret, F., 1990. PROSPECT: a model of leaf optical properties spectra. vegetation bio-geophysical properties – A review. ISPRS J. Photogramm. Remote Remote Sens. Environ. 34, 75–91. http://dx.doi.org/10.1016/0034-4257(90) Sens. 108, 273–290. http://dx.doi.org/10.1016/j.isprsjprs.2015.05.005. 90100-Z. Verrelst, J., Rivera, J.P., Veroustraete, F., Muñoz-Marí, J., Clevers, J.G.P.W., Camps-Valls,

Jacquemoud, S., Ustin, S.L., Verdebout, J., Schmuck, G., Andreoli, G., Hosgood, B., 1996. G., Moreno, J., 2015b. Experimental Sentinel-2 LAI estimation using parametric, non- Estimating leaf biochemistry using the PROSPECT leaf optical properties model. parametric and physical retrieval methods – A comparison. ISPRS J. Photogramm. Remote Sens. Environ. 56, 194–202. http://dx.doi.org/10.1016/0034-4257(95) Remote Sens. 108, 260–272. http://dx.doi.org/10.1016/j.isprsjprs.2015.04.013. 00238-3. Verrelst, J., Rivera, J.P., Gitelson, A., Delegido, J., Moreno, J., Camps-Valls, G., 2016.

Jacquemoud, S., Verhoef, W., Baret, F., Bacour, C., Zarco-Tejada, P.J., Asner, G.P., Spectral band selection for vegetation properties retrieval using Gaussian processes François, C., Ustin, S.L., 2009. PROSPECT + SAIL models: a review of use for vege- regression. Int. J. Appl. Earth Obs. Geoinf. 52, 554–567. http://dx.doi.org/10.1016/j. tation characterization. Remote Sens. Environ. 113, S56–S66. http://dx.doi.org/10. jag.2016.07.016. 1016/j.rse.2008.01.026. Vicent, J., Sabater, N., Tenjo, C., Delegido, J., Pe, R., 2015. Hico L1 and L2 data pro-

Kira, O., Nguy-Robertson, A.L., Arkebauer, T.J., Linker, R., Gitelson, A.A., 2016. cessing: radiometric recalibration, atmospheric correction and retrieval of water Informative spectral bands for remote green LAI estimation in C3 and C4 crops. Agric. quality parameters. Geosci. Remote Sens. 102–105. For. Meteorol. 218–219, 243–249. http://dx.doi.org/10.1016/j.agrformet.2015.12. Vicent, J., Sabater, N., Verrelst, J., Alonso, L., Moreno, J., 2017. Assessment of approx- 064. imations in aerosol optical properties and vertical distribution into FLEX atmo-

Knipling, E.B., 1970. Physical and physiological basis for the reflectance of visible and spherically-corrected surface reflectance and retrieved sun-Induced fluorescence. near-infrared radiation from vegetation. Remote Sens. Environ. 1, 155–159. http:// Remote Sens. 9, 675. http://dx.doi.org/10.3390/rs9070675. dx.doi.org/10.1016/S0034-4257(70)80021-9. Vincini, M., Frazzi, E., D’Alessio, P., 2008. A broad-band leaf chlorophyll vegetation index

Kumar, L., 2007. High-spectral resolution data for determining leaf water content in at the canopy scale. Precis. Agric. 9, 303–319. http://dx.doi.org/10.1007/s11119- Eucalyptus species: leaf level experiments. Geocarto Int. 22, 3–16. http://dx.doi.org/ 008-9075-z. 10.1080/10106040701204396. Wang, L., Qu, J., 2007. NMDI: a normalized multi-band drought index for monitoring soil le Maire, G., François, C., Soudani, K., Berveiller, D., Pontailler, J.Y., Bréda, N., Genet, H., and vegetation moisture with satellite remote sensing. Geophys. Res. Lett. 34. http:// Davi, H., Dufrêne, E., 2008. Calibration and validation of hyperspectral indices for dx.doi.org/10.1029/2007GL031021. the estimation of broadleaved forest leaf chlorophyll content, leaf mass per area, leaf Welles, J.M., Norman, J.M., 1991. Instrument for indirect measurement of canopy ar- area index and leaf canopy biomass. Remote Sens. Environ. 112, 3846–3864. http:// chitecture. Agron. J. 83, 818–825. dx.doi.org/10.1016/j.rse.2008.06.005. Yang, Y., Huang, S., 2014. Suitability of five cross validation methods for performance

Malenovský, Z., Ufer, C., Lhotáková, Z., Clevers, J.G.P., Schaepman, M., Albrechtová, J., evaluation of nonlinear mixed-effects forest models–a case study. Forestry 87, Cudlín, P., 2006. A new hyperspectral index for chlorophyll estimation of a forest 654–662. http://dx.doi.org/10.1093/forestry/cpu025. canopy: area under curve normalised to maximal band depth between 650 and Zarco-Tejada, P.J., Ustin, S.L., 2001. Modeling canopy water content for carbon estimates 725 nm. EARSeL eProc. 5, 161–172. http://dx.doi.org/10.5167/uzh-62112. from MODIS data at land EOS validation sites. IGARSS 2001. Scanning Present

Mutanga, O.M.C., Skidmore, A.K., Kumar, L., Ferwerda, J., 2005. Estimating tropical Resolv. Futur. Proceedings. IEEE 2001 Int. Geosci. Remote Sens. Symp. (Cat. pasture quality at canopy level using band depth analysis with continuum removal in No.01CH37217) 1, 342–344. http://dx.doi.org/10.1109/IGARSS.2001.976152. the visible domain. Int. J. Remote Sens. 26, 1093–1108. http://dx.doi.org/10.1080/ Zarco-Tejada, P.J., Rueda, C.A., Ustin, S.L., 2003. Water content estimation in vegetation 01431160512331326738. with MODIS reflectance data and model inversion methods. Remote Sens. Environ.

Ollinger, S.V., 2011. Sources of variability in canopy reflectance and the convergent 85, 109–124. http://dx.doi.org/10.1016/S0034-4257(02)00197-9. properties of plants. New Phytol. 189, 375–394. http://dx.doi.org/10.1111/j.1469- Zarco-Tejada, P.J., Miller, J.R., Morales, A., Berjón, A., Agüera, J., 2004. Hyperspectral 8137.2010.03536.x. indices and model simulation for chlorophyll estimation in open-canopy tree crops.

Oppelt, N., Mauser, W., 2004. Hyperspectral monitoring of physiological parameters of Remote Sens. Environ. 90, 463–476. http://dx.doi.org/10.1016/j.rse.2004.01.017. wheat during a vegetation period using AVIS data. Int. J. Remote Sens. 25, 145–159. Zhang, J., Xu, Y., Yao, F., Wang, P., Guo, W., Li, L., Yang, L., 2010. Advances in estimation

Pérez-Planells, L., Delegido, J., Rivera-Caicedo, J.P., Verrelst, J., 2015. Análisis de methods of vegetation water content based on optical remote sensing techniques. Sci. métodos de validación cruzada para la obtención robusta de parámetros biofísicos. China Technol. Sci. 53, 1159–1167. http://dx.doi.org/10.1007/s11431-010-0131-3. Rev. Teledetec. 44, 55–65. http://dx.doi.org/10.4995/raet.2015.4153.