目的探索不同高光谱模型监测大豆叶面积指数LAI的精度。方法实测不同水肥耦合作用下,大豆冠层的高光谱反射率与叶面积指数(LeafAreaIndex)数据,对二者进行相关分析;采用敏感波段(801nm,670nm)构建RVI,NDVI,SAVI,OSAVI和MTVI2植被指数,建立大豆LAI估算模型;最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算。结果大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正;微分光谱在三边处与大豆LAI关系密切,在红边处取得最大回归确定性系数(R2=0.86)。植被指数可以较为精确反演大豆LAI,确定性系数R...

以ASD FieldSpec-Vnir光谱仪实测不同生长季大豆的冠层反射率,同期采集对应大豆LAI,然后逐波段分析冠层光谱反射率、导数光谱与大豆LAI的相关关系;并采用单变量线性回归逐波段分析了冠层光谱反射率、导数光谱与大豆LAI确定性系数随波长的变化趋势,建立了以近红外与可见光波段冠层光谱反射率的比值植被指数RVI与大豆LAI的高光谱遥感估算模型。结果表明,冠层光谱反射率在350￣680nm、760￣1050nm波谱区与大豆LAI相关性较大,而在红边区680￣760nm的相关性变化较大;导数光谱在红边区与大豆LAI相关程度高。通RVI方式建立的遥感估算模型能较为准确估算大豆LAI,通过对红外...

获取农作物叶面积指数（ｌｅａｆ ａｒｅａ ｉｎｄｅｘ，ｌａｉ）及其动态变化对于农作物长势监测和产量估测等应用具有重要的意义。基于冠层反射率模型（物理模型）的ｌａｉ遥感反演方法具有良好的普适性，对地面数据依赖较少，近年来广泛应用于农作物ｌａｉ高光谱反演研究。然而，当物理模型参数取值尽可能准确（代入参数实测值或依据先验知识取值）时，模拟光谱与实测光谱间仍然存在误差，研究称之为＂光谱模拟误差＂。该研究通过比对实测冬小麦冠层光谱与ａＣｒＭ（ａ ｔｗｏ－ｌａｙｅｒ Ｃａｎｏｐｙ ｒｅｆｌｅＣｔａｎＣｅ Ｍｏｄｅｌ）模型最优模拟光谱，展示了光谱模拟误差在各波段、不同样本点的分布规律。据此，根据对光谱模拟误．．．

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm...

以冬油菜为研究对象,2014-2015年度设计了不同施氮水平直播油菜小区试验,在不同生育时期测量冠层光谱、土壤背景光谱以及叶面积指数(leaf area index,LAI),通过相关分析选取了12个光谱特征参数和11个植被指数,建立6叶期至角果期LAI的5种线性和非线性定量反演模型。结果表明:二次多项式反演模型比较适合估算油菜LAI苗期时以红边参数为代表的光谱特征参数,可准确估算出LAI;6叶期时红边幅值预测模型R2为0.81,RMSEP为0.39,RPD为1.62;8叶期时红蓝边面积比归一化预测模型R

【目的】验证无人机机载高光谱传感器S185,并基于其获得的影像探讨无人机高光谱遥感反演叶面积指数的新方法。【方法】以东北玉米为研究对象,在吉林省公主岭市开展了玉米氮肥梯度试验,共设5处理,每个处理3次重复。分别在玉米的V5—V6,V11,R1—R2等生育期(Ritchie生育期)进行无人机飞行试验和地面光谱及叶面积指数测定,共获得数据45组。为验证S185影像数据,在相同尺度下提取S185影像信息与地面光谱信息,一方面从测定同一目标地物两者光谱反射率间的相关性进行分析,另一方面筛选15种常用的各类光谱指数,从整个生育期通过影像数据计算的各光谱指值与地面光谱仪计算的相应值变化趋势的一致性进行分析;将45组样品随机选择30组,基于人工神经网络算法利用S185数据建立反演叶面积指数的模型,剩下15组样品作为外部验证样品,用来验证神经网络模型的预测效果。另外,基于相同的分组数据,利用前面筛选的各光谱指数分别建立叶面积指数的反演模型,以与人工神经网络建模结果进行比较。【结果】在各个生育时期,同种目标地物S185测定数据与地面光谱仪测定数据间具有很强的相关性,相关系数在0.99以上;在玉米整个生育期,S185数据计算的各光谱指数与地面光谱仪计算的各光谱指数变化趋势相同,相关系数在0.88以上;在构建基于人工神经网络法反演叶面积指数的模型中,建模时的决定系数为0.96,均方根误差为0.42,相对均方根误差为13.15%;外部验证时的决定系数为0.95,均方根误差为0.54,相对均方根误差为16.74%,这一结果优于基于各光谱指数建立的叶面积指数反演模型。【结论】无人机搭载S185传感器可用于准确获取玉米冠层高光谱信息,且可利用人工神经网络法基于这一数据建立玉米叶面积指数的反演模型。

以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R~2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。

【目的】叶面积指数（leaf area index,LAI）是表征作物长势、光合、蒸腾的重要指标。论文旨在研究不同生育期、多生育期无人机多光谱数据棉花LAI估测模型，明确不同生育期间棉花LAI估测模型变化规律，为实时掌握棉花长势并因地制宜进行田间科学管理提供依据。【方法】利用大疆精灵4多光谱无人机获取棉花现蕾期、初花期、结铃期、吐絮期多光谱图像和RGB图像。选用归一化差植被指数（NDVI）、绿度归一化差植被指数（GNDVI）、归一化差红边指数（NDRE）、叶片叶绿素指数（LCI）、优化的土壤调节植被指数（OSAVI）5种多光谱指数和修正红绿植被指数（MGRVI）、红绿植被指数（GRVI）、绿叶指数（GLA）、超红指数（EXR）、大气阻抗植被指数（VARI）5种颜色指数分别建立棉花各生育期及棉花生长多生育期数据集合，结合打孔法获取地面LAI实测数据，使用机器学习算法中偏最小二乘（PLSR）、岭回归（RR）、随机森林（RF）、支持向量机（SVM）、神经网络（BP）构建棉花LAI预测模型。【结果】覆膜棉花LAI随着生育期的变化呈现先增长后下降的趋势，现蕾期、初花期、结铃期内侧棉花叶面积指数均值均显著大于外侧（P<0.05）；选择的指数在各时期彼此间均呈显著相关（P<0.05），总体而言，多光谱指数与颜色指数间的相关性随着生育期的进行而呈现下降趋势，选择的指数在各时期均与棉花LAI相关性显著（P<0.05），多光谱指数相关系数介于0.35—0.85，颜色指数相关系数介于0.49—0.71，相关系数绝对值较大的指数多为多光谱指数，颜色指数与棉花LAI的相关系数绝对值较小；估测模型性能结果显示棉花各生育期模型中多光谱指数优于颜色指数，且各指数模型预测性能随着生育期的变化呈现一定规律性，NDVI是预测棉花LAI的最优指数。从模型结果上看，RF模型和BP模型在各生育期下获得了较高的估计精度。初花期LAI反演模型精度最高，最优模型验证集R2为0.809,MAE为0.288,NRMSE为0.120。多生育期最优模型验证集R2为0.386,MAE为0.700,NRMSE为0.198。【结论】棉花内外侧LAI在现蕾期、初花期、结铃期存在显著差异。在各生育期中，RF和BP模型是预测棉花LAI较优模型。NDVI在各指数中表现最好，是预测棉花LAI的最优指数。多生育期模型效果较单生育期明显下降，最优指数为GNDVI，最优模型为BP。本研究中预测棉花LAI的最优窗口期是初花期。研究结果可为无人机遥感监测棉花LAI提供理论依据和技术支持。

【目的】研究棉花冠层光谱对不同叶面积指数(LAI)的响应,建立棉花LAI光谱反演模型。【方法】利用2003～2004年采集的棉花光谱与LAI的246组数据,分析LAI与冠层反射率光谱和反射率一阶微分光谱间的定量关系。【结果】当LAI大于2.5后不同LAI棉花群体光谱反射率在可见光波段趋于饱和;LAI与可见光波段和短波红外波段(水分吸收带除外)光谱反射率呈显著负相关,与近红外波段高光谱反射率呈显著正相关;LAI与棉花反射率一阶微分光谱主要在蓝边(523～531nm)、黄边(570～576nm)、红边(700～755nm)形成3个相关系数高台区,均达极显著水平,其中红边区的相关性最高。棉花红边位置...

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。

叶面积指数（Ｌｅａｆ ａｒｅａ Ｉｎｄｅｘ，ＬａＩ）作为植被冠层结构的重要描述参数之一，能体现植被光合、蒸腾和呼吸作用的能力。借助ＧＰＳ和ＬａＩ－２２００冠层分析仪在攸县黄丰桥林场开展ＬａＩ测量。利用ｅｎＶＩ软件对Ｇｅｏ ｅｙｅ－１数据进行了辐射定标，大气校正和正射校正。通过研究ＬａＩ与Ｇｅｏ ｅｙｅ－１影像波段及其衍生指数的相关性，筛选出２组估算ＬａＩ的指数因子（６个指数因子和１０个指数因子）。应用ｋ－ｎｎ进行叶面积指数反演，同时将反演结果与多元线性回归模型结果进行比较。结果表明：利用２组指数因子进行多元线性回归模型反演ＬａＩ中，６个指数因子的模型决定系数ｒ２为０．３８６，１０个指数因子的模．．．

[目的]土壤背景在无人机遥感监测中存在干扰作用，但目前还未有针对烟草长势和品质无人机高光谱监测进行去土壤效应的研究。[方法]本研究通过实施2个品种、4个施氮水平互作处理的烤烟田间试验，利用无人机平台搭载的高光谱相机获取大田关键生育期的烤烟冠层反射光谱数据，分别使用土壤植被组分光谱分解(3SV)算法与植被指数阈值法去除土壤效应后的各小区平均光谱，利用植被指数优化算法进行全生育期烤烟叶面积指数和烟碱含量的高光谱监测模型构建。[结果]在使用3SV算法后，波段组合与烟叶烟碱相关关系较高的区域分布在λ1：450～500 nm和λ2：580～660 nm组合以及λ1：630～670 nm和λ2：680～700 nm；波段组合与叶面积指数相关关系较高的区域分布于λ1：730～770 nm和λ2：750～800 nm组合以及λ1：510～600 nm和λ2：680～700 nm。基于3SV算法的烟叶烟碱含量与叶面积指数监测模型验证精度均较植被指数阈值算法处理后有不同程度的提升，‘云烟87’烟碱的模型验证决定系数R~(2)从0.64提升到0.88，RMSE从0.71 %降低至0.29 %，效果最为明显。利用3SV算法与波段优化算法，筛选出与‘云烟87’叶面积指数关系最佳的指数为NDLI_(515，691)，与‘K326’品种叶面积指数关系最佳的指数为NDLI_(764，799)；与‘云烟87’烟碱含量关系最佳的指数为NDNI_(450，658)，与‘K326’品种烟碱含量关系最佳的指数为NDNI_(456，654)，并建立了无人机平台适用于监测整个大田生育时期的通用叶面积指数与烟碱的模型。[结论]通过比较不同去除土壤背景算法，3SV算法提升了烟草叶面积指数与烟碱监测模型的精度，为无人机高光谱大面积监测烟草长势与品质提供了技术支持。

针对传统的统计模型方法反演叶面积指数(LAI)具有不稳定、区域不统一性的缺点,本研究从物理机制角度出发,以Prospect,Liberty和Geosail模型为基础,建立查找表从TM影像上反演LAI,并与TRAC实测的LAI比较。结果表明:基于机制模型与查找表的方法反演的LAI与实测的LAI有较好的一致性,实测精度达到83.7%。

【目的】使用离散型激光雷达数据反演叶面积指数(LAI)的过程中,数据预处理的关键步骤为激光雷达滤波。穿透指数(LPI)作为反演过程中的重要变量,需要根据点云的类型计算,从而直接受到滤波精度的影响。因此,滤波算法的精度能间接影响到反演LAI的精度。虽然滤波算法不断改进,滤波精度逐渐提高,应用在越来越多的场景,但关于不同滤波算法对反演LAI精度影响的探讨较少。【方法】本文通过对机载LiDAR滤波算法历史、发展和现状的调研,最终选择混合滤波算法(Hybrid)、自适应不规则三角网滤波算法(ATIN)、形态学滤波算法(Morph)和基于坡度滤波算法(Slope)为研究对象;分别使用这4种算法,得到点云中的地面点;根据Beer-Lambert定律,反演帽儿山国家森林公园落叶松林和榆树林的LAI;以经过评估的精度更高的Hybrid算法为标准,计算另外3种算法的滤波精度和LPI偏差;对比分析LAI反演模型的平均精度;最后,通过分析不同误差来源的影响强度,确定了反演LAI时较好的滤波算法。【结果】在最佳的采样半径下,经过Hybrid、ATIN、Morph和Slope滤波算法处理,LAI反演模型的平均精度,在落叶松林,R2分别为:0.900 3、0.876 3、0.892 5、0.877 0;RMSE分别为:0.105 6、0.134 5、0.109 7、0.133 2;在榆树林,R~2分别为:0.914 4、0.903 0、0.887 2、0.900 0;RMSE分别为:0.269 0、0.201 7、0.189 4、0.207 0。在落叶松林,I类误差较大的Morph算法,能保证较高的模型精度;而Ⅱ类误差较大的Slope和ATIN算法对应的反演模型精度较低。【结论】经不同滤波算法处理得到的LAI反演模型精度存在差异,经混合滤波算法处理其对应的LAI反演模型精度更高,形态学滤波算法的滤波精度较低,对应的反演模型精度较高;滤波算法导致的Ⅰ、Ⅱ类误差中,Ⅱ类误差对LAI反演模型的影响更大。