基于机载LiDAR数据的玉米叶面积指数反演

以机载LiDAR离散点云数据为数据源,基于植被冠层孔隙率与叶面积指数的关系,提出一种反演大田玉米叶面积指数的方法。对反演LAI和实测LAI进行对比分析,结果表明:基于Axelsson改进的不规则三角格网加密方法可以将地面点和非地面点分开,结合高分辨率影像能够提取出玉米冠层点云;基于孔隙率反演LAI,尼尔逊参数的选择对结果影响很大,利用扫描天顶角模拟尼尔逊参数,LAI反演结果接近于真实情况。利用机载LiDAR点云数据能精确地反演大田玉米LAI,该研究方法适用于中等高度的农作物,可以扩展到甜菜、甘蔗等其他中等高度农作物。     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R2)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性.结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳.     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R2)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性.结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳.     

基于Sentinel-2多光谱数据的枸杞叶面积指数反演

叶面积指数(LAI)是重要的植被生物理化参数,基于物理、经验模型的LAI估算效率和精度有限。为评价机器学习算法在LAI遥感估算中的适用性,本文以宁夏枸杞种植基地为研究区,基于Sentinel-2多光谱数据,结合实测LAI,分析了波段反射率、植被指数与LAI的相关性,并将80组数据随机分成60组训练集和20组测试集,构建3种数据输入模式。将数据进行多次训练,采用决定系数R2和均方根误差(RMSE)作为模型评价指标。结果表明,实测LAI值与波段反射率,植被指数均在(P0.01)水平下极显著相关,且相关系数均高于0.6。训练集中GPR算法均表现出了较强的预测能力,且以波段反射率为输入模式有最好的预测能力,LAI预测值与实测值R2为0.803、0.689和0.699,高于其它算法,RMSE为0.402、0.453和0.441,低于其它算法;测试集中,3种输入模式R2为0.743、0.617和0.638,RMSE为0.451、0.505和0.491,以波段反射率为输入模式反演精度最高。     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R2)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性.结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳.     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R2)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性.结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳.     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R2)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性.结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳.     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R²)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性。结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳。     

利用Beer-Lambert消光定律遥感反演玉米叶面积指数

利用遥感技术反演大范围玉米叶面积指数,对于田间肥水管理、长势监测乃至产量预测具有重要意义。在野外实测样本的支持下,获取玉米抽雄期的Landsat-8多光谱影像,引进Beer-Lambert定律,利用最小二乘法分析玉米冠层结构的消光系数,构建玉米叶面积指数遥感反演模型,最后采用交叉验证法评价模型精度。结果表明：玉米抽雄期NDVI、LAI呈较明显的正相关关系;基于Beer-Lambert定律的玉米叶面积指数遥感反演模型决定系数可达0.97,LAI空间分布状况与当地农业技术推广部门掌握的玉米实际生长状况基本一致,说明利用Beer-Lambert消光定律方法可以有效地反映玉米群体结构对光照的影响,据此开展玉米叶面积指数遥感反演具有较高的可行性。     

遥感反演植被叶面积指数的不确定性来源综述

叶面积指数(LAI)是表征冠层结构的关键参数,影响植被光合、呼吸、蒸腾、降水截留、能量交换等诸多生态过程。目前利用不同的卫星遥感数据和反演方法,已经生成了多种全球LAI产品。然而,遥感反演LAI存在着主要由输入数据和反演算法引起的不确定性。本文从地表反射率的光谱特征和大气校正、土地覆盖分类、数据时空分辨率等方面论述了LAI反演输入数据的不确定性;从经验或半经验模型、物理模型以及模型对植被集聚效应方面论述了LAI反演模型的不确定性;最后总结了评价遥感反演LAI不确定性的方法,以及控制、减少不确定性的新途径。     

基于MISR数据大兴安岭地区叶面积指数反演及尺度转换验证研究

叶面积指数(LAI)是气候研究和生态研究中重要的植被冠层结构参数,遥感技术为快速获取大面积叶面积指数提供了有效途径。大兴安岭地区是我国重要的生态功能区,本文以大兴安岭为研究区域,根据森林林分特征,采用基于物理过程的4-Scale几何光学模型,利用多角度MISR遥感数据反演该区域叶面积指数数据。几何光学模型特点在于参数具有物理意义,考虑地面反射的热点效应,模型反演过程不依赖于样本数据适用于大区域反演研究,MISR数据提供同一区域多角度遥感数据,有效解决了单一观测角度植被指数和叶面积指数函数关系饱和点低的问题。由于地面验证数据空间尺度无法满足MISR数据的空间分辨率,本文采用TM数据对样地实测叶面积指数数据进行尺度转换,针对不用坡向叶面积指数空间异质性进行分析,讨论不同空间分辨率验证数据的合理性,研究表明大兴安岭区域使用600m空间分辨率验证数据对MISR数据反演结果检验最优,该分辨率下叶面积指数变化随空间尺度变化趋于稳定,并较好地避免了2种遥感数据几何配准带来的误差。结果表明:4-Scale几何光学模型适用于我国大兴安岭地区森林叶面积指数反演,实验中MISR数据反演叶面积指数的平均绝对误差为25.6%、均方根误差为0.622。本研究为大兴安岭地区叶面积指数大区域快速定量反演提供了研究基础。      

基于粒子群神经网络模型反演玉米、小麦叶面积指数

基于高分1号遥感影像,分别采用粒子群神经网络模型、神经网络模型和植被指数回归模型3种方法,反演廊坊市玉米、小麦叶面积指数(LAI)。结果表明,粒子群神经网络模型反演玉米、小麦LAI的精度要高于其他方法,其模型的决定系数R²均高于0.9,均方根误差均低于0.196,可满足反演精度的要求。本研究提出的基于高分1号影像的粒子群神经网络模型反演玉米和小麦LAI的方法具有一定的普适性。     

Comparative analysis of GF-1,HJ-1,and Landsat-8 data for estimating the leaf area index of winter wheat

Using simultaneously collected remote sensing data and field measurements,this study firstly assessed the consistency and applicability of China high-resolution earth observation system satellite 1(GF-1) wide field of view(WFV) camera,environment and disaster monitoring and forecasting satellite(HJ-1) charge coupled device(CCD),and Landsat-8 operational land imager(OLI) data for estimating the leaf area index(LAI) of winter wheat via reflectance and vegetation indices(VIs). The accuracies of these LAI estimates were then assessed through comparison with an empirical model and the PROSAIL radiative transfer model. The effects of radiation calibration,spectral response functions,and spatial resolution on discrepancies in the LAI estimates between the different sensors were also analyzed. The results yielded the following observations:(1) The correlation between reflectance from different sensors is relative good,with the adjusted coefficients of determination(R2) between 0.375 to 0.818. The differences in reflectance are ranging from 0.002 to 0.054. The correlation between VIs from different sensors is high with the R2 between 0.729 and 0.933. The differences in the VIs are ranging from 0.07 to 0.156. These results show the three sensors' images can all be used for cross calibration of the reflectance and VIs.(2) The four VIs from the three sensors are all demonstrated to be highly correlated with LAI(R2 between 0.703 and 0.849). The linear models associated with the 2-band enhanced vegetation index(EVI2),which feature the highest R2(higher than 0.746) and the lowest root mean square errors(RMSE)(less than 0.21),were selected to estimate the winter wheat LAI. The accuracy of the estimated LAI from Landsat-8 was the highest,with the relative errors(RE) of 2.18% and an RMSE of 0.13,while the HJ-1 was the lowest,with the RE of 2.43% and the RMSE of 0.15.(3) The inversion errors in the different sensors' LAI estimates using the PROSAIL model are small. The accuracy of the GF-1 is the highest with the RE of 3.44%,and the RMSE of 0.22,whereas that of the HJ-1 is the lowest with the RE of 4.95%,and the RMSE of 0.26.(4) The effects of the spectral response function and radiation calibration for the different sensors are small and can be ignored,but the effects of spatial resolution are significant and must be taken into consideration in practical applications.     

基于全局敏感性分析与机器学习的冬小麦叶面积指数估算

在小麦叶面积指数(leaf area index,LAI)的估算过程中,光谱变量与机器学习算法(MLs)相结合的方法具有较好的性能,但由于输入参数过多会导致数据冗余,使得计算效率降低。为了提高LAI估算的精度和MLs的计算效率,本研究提出了全局敏感性分析(global sensitivity analysis,GSA)与MLs相结合的方法(简称GSA-MLs)。首先,基于PROSAIL模拟数据集,利用GSA量化植被生长参数对Sentinel-2光谱变量的影响;此外利用4种变量筛选策略对所有光谱变量进行排序,并选择最优变量作为MLs的输入参数。然后,通过偏最小二乘回归(partial least square regression,PLSR)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)3种MLs对小麦叶面积指数(LAI)进行估算。结果表明:红边植被指数主要受叶绿素含量的影响,而短波红外相关的植被指数主要受等效水厚度的影响,所有光谱变量均会受到参数之间的交互作用。SLAI-SInteraction筛选得到的30个光谱变量在估算小麦LAI表现最佳(R²=0.94,RMSE=0.38)。并且在模型反演过程中运行时间缩短了54.13%。本研究提出了全局敏感性分析与机器学习相结合的方法,该方法提高了机器学习法估算LAI精度以及应用过程中的计算效率和机理性,该方法有较好的适用性。     

GF-1/WFV在玉米叶面积指数估算中的应用研究

叶面积指数(leaf area index,LAI)是植被冠层重要的结构参数之一,与冠层生理过程密切相关,也是植被遥感领域关注的重要参数之一。本研究对已在轨运行7年的高分一号卫星WFV传感器的植被监测性能进行评测,以吉林省农安县典型玉米分布区作为研究区域,结合地面同步观测的叶面积指数和冠层光谱等实测数据,借助归一化植被指数(NDVI)、比植被指数(RVI)、大气阻抗植被指数(ARVI)、土壤调节植被指数(SAVI)、修改性土壤调节植被指数(MSAVI)这5种植被指数,对比分析地面实测光谱与GF-1/WFV光谱对玉米冠层叶面积指数的估算能力。通过决定系数(R²)、均方根误差(RMSE)、相对误差(RE)和预测残差(RPD)等参数筛选最优模型。研究结果显示,各种植被指数与LAI之间的相关性均表现为地面实测光谱高于GF-1/WFV星载光谱;对比不同植被指数与LAI的相关性发现,地面光谱和星上光谱构造的植被指数中,均表现为MSAVI与LAI的相关性最高;基于地面光谱和星上光谱的MSAVI构建的估算模型中,R²最高值所对应的函数类型不同,基于地面光谱的函数中,R²最高值对应的是指数模型,而基于GF-1/WFV星上光谱的函数中,二项式的R²最高。     

玉米叶面积指数的普适增长模型

建立了1个模拟叶面积指数动态变化的扩充的Logistic模型,利用禹城、沈阳的玉米叶面积指数(LAI)实测资料进行了拟合,结果表明,此模式是模拟叶面积指数随地理位置、品种、播期、密度变化的统一模型．对叶面积指数与积温间关系的分析,综合了不同地理位置、不同品种、不同播期、不同密度的叶面积指数资料,得到1条相对叶面积指数变化曲线,可反映特定区域作物叶面积指数的动态变化,也可用于区域作物产量模拟和遥感估产的研究。     

基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究

明确基于无人机多光谱遥感的玉米叶面积指数（LAI）和地上部生物量的最优估算模型对获取即时、无损、可靠的长势关键参量具有重要意义。2018—2019年,以郑单958（ZD958）和先玉335（XY335）为研究对象,设置4个施氮处理,通过无人机搭载多光谱相机获取多光谱影像,分析两品种LAI和地上部生物量与植被指数相关性,分别构建了基于植被指数的LAI和地上部生物量预测模型。结果表明：同一植被指数在两品种中对施氮量的变化响应规律不同;在吐丝期,幂函数对ZD958的LAI和地上部生物量估算效果最好,指数函数对XY335的LAI估算效果好,幂函数对地上部生物量估算效果好;在灌浆期,幂函数对两品种的LAI估算效果最佳,而指数函数对两品种的地上部生物量估算效果最好。研究结果为进一步提高春玉米长势监测的精度提供了重要依据。