基于PROSAIL模型的山地草原叶面积指数高光谱反演

【目的】 研究基于PROSAIL模型监测天然草地的动态变化,掌握草地的质量与数量。【方法】 研究使用地物光谱仪连续3年在天山北坡中段的2个山地草原样区采集光谱数据和配套数据,基于PROSAIL模型进行冠层LAI的高光谱反演,重点研究应用不同代价函数、植被种类变化对反演精度的影响。【结果】 多数代价函数反演LAI的决定系数(R²)在0.54~0.55,均方根误差(RMSE)在0.23~0.25,归一化均方根误差(NRMSE)在17~19。在9个来自不同统计类型的代价函数中,常用的RMSE代价函数的反演精度相对不高。将获取的427个样方数据依据种类数分成组,然后用PROSAIL进行LAI反演。种类数越多,RMSE在增大,R²在减少,反演精度越差。但精度的下降幅度不是均匀的,种类数≤2的组和种类数≤3的组之间精度差异最大。【结论】 在利用物理模型反演天然草地的叶面积指数时,不同代价函数获得的反演精度差别比较大;随着植被种类数量的增多,反演的精度是下降的。     

大豆叶面积的高光谱模型

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,通过对红外与蓝波段建立的RVI指数与大豆LAI的回归模型,表明其预测大豆LAI的能力较好,有进一步研究的必要;通过对比发现,神经网络模型可以大大提升高光谱反演大豆LAI的水平,模型的确定系数R2为0.9661,而总均方根误差RMSE仅为0.446m2.m-2。     

AquaCrop模型在华北平原黑龙港流域典型区冬小麦-夏玉米种植模式上的适用性评价

为评估AquaCrop模型在黑龙港流域模拟冬小麦-夏玉米水分利用与作物产量的适用性,根据田间试验数据和FAO提供的参数值,对AquaCrop模型进行模型非保守性参数的本地化校准和验证。结果表明,AquaCrop模拟冬小麦冠层覆盖值和实测值的归一化均方根误差(NRMSE)为15.90%,模拟产量与实测产量之间的NRMSE为4.23%;模拟夏玉米冠层覆盖值和产量值与相应实测值之间的NRMSE分别为11.59%和11.69%。本研究校准所得参数对黑龙港流域典型站点有较好的适应性,校验后的AquaCrop可以用于黑龙港流域冬小麦-夏玉米水分管理、产量潜力等相关研究。     

基于物理模型与查找表策略的南繁水稻叶片叶绿素含量反演研究

【目的 】利用海南省中南部5市县采集的南繁水稻光谱、叶绿素等数据,研究物理模型与查找表策略对南繁水稻叶片叶绿素的反演,并对不同查找表进行比较分析。【方法 】文章先根据研究区调查与文献调研,利用辐射传输模型PROSAIL-PRO模拟2万条冠层光谱,分别构建波长400～1 000 nm区间的全波段查找表和双植被指数(Vegetation Index,VI)查找表,并使用实测的南繁水稻冠层光谱与叶绿素含量进行验证。其中,双VI查找表包括TCARI-OSAVI查找表、比值型植被指数(Ratio Vegetation Index,RVI)查找表和红边相对指数(Red Edge Relative Indices,RERI)查找表3种。【结果 】(1)传统的全波段查找表反演叶片叶绿素含量的精度较差,R值为0.46,均方根误差(Root Mean Squared Error,RMSE)为8.84μg/cm²,正规化均方根误差(Normalized Root Mean Squared Error,NRMSE)为0.32。(2)双VI查找表反演结果较传统查找表更好,TCARI-OSA...     

基于数码相机的玉米冠层SPAD遥感估算

【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演,为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平(0,50%和100%)的开花期玉米为研究对象,利用轻小型无人机搭载数码相机,获取试验区RGB影像。使用土壤调整植被指数(soil adjusted vegetation index,SAVIgreen)对图像进行分割,基于分割前后的影像分别提取15种常见的可见光植被指数,综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林(random forest,RF)回归算法构建玉米SPAD值的遥感估算模型,通过模型精度评价指标决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01),确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系,其中VIplant中的红光标准化值(NRI)、归一化叶绿素比值植被指数(NPCI)、蓝红比值指数(BRRI)、差值植被指数(DVI)与SPAD值的相关性在0.77以上;以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中,NRI指数构建的二次多项式模型效果最好,决定系数R2为0.7976,RMSE为4.31,MRE为5.91%。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中,使用随机森林方法的模型精度最高,决定系数R2为0.8682,RMSE为3.92,MRE为4.98%,而多元逐步回归模型的精度高于任意单变量回归模型,决定系数R2为0.819,RMSE为4,MRE为5.67%;对数码影像结合各模型制作的SPAD分布图进行精度分析,使用随机森林回归模型对SPAD的估测值与实测值最为接近,具有最佳的预测效果,R2为0.8247,RMSE为4.3,MRE为5.36%,可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的,这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。     

水稻冠层光截获与叶面积和产量的关系

【目的】旨在解析水稻(Oryza sativa L.)冠层光合有效辐射(PAR)截获量及其分布与叶面积和产量的关系。【方法】以2个不同株型水稻品种为材料,设置高、中、低3个施氮水平,构建不同的群体冠层结构,于拔节至成熟期系统测定水稻冠层PAR截获量及其分布、以及叶面积和产量。【结果】水稻群体向上累积叶面积指数的垂直分布呈S型曲线,符合Logistic方程(R20.99);抽穗期、抽穗后17d和成熟期的冠层最大叶面积密度分别出现在0.53、0.56和0.60的相对冠层高度左右;随生育进程的推进,冠层上中部的相对叶面积密度呈递增趋势,而冠层下部的相对叶面积密度呈递减趋势。PAR截获率(FIPAR)与向下累积叶面积指数之间的关系可用方程FIPAR=α×(1-e-K×LAI)来定量描述(R20.86);消光系数K随生育进程的推进而递减,其日变化表现为早晚较高、中午较低。冠层PAR截获量(AIPAR)随生育进程的推进呈多峰分布,最高峰出现在移栽后58-70d,即孕穗至抽穗期,且随施氮量的增加而增大;在典型晴天下,冠层PAR截获量的日变化呈单峰分布,最大值出现在11:00-13:00。【结论】水稻群体叶面积的垂直分布影响冠层光截获;水稻产量与PAR利用率呈正相关,而PAR转化率随PAR截获量的增加呈先增大后减小的趋势,因此维持一定的漏光损失量对水稻高产有利。     

杏树冠层内光合有效辐射(PAR)分布规律及结构优化初探

以杏树为试材,为了解杏树冠层内透光率随树龄和叶面积指数的变化,采用LP-80型冠层分析仪测定了光合有效辐射PAR (Photosynthetically Active Radiation)在不同树龄杏树冠层三维空间上的分布情况,研究了杏树冠层内透光率随树龄(2～6 a)和叶面积指数的变化.结果表明,杏树冠层内部平均PAR的垂直分布具有随着向下累计叶面积指数的增加而递减的趋势,在冠层中上部,透光率较高,PAR递减很明显,冠层下部则维持较低水平,变化不大,在相同的天气和时间条件下不同树龄冠层内PAR同一相对高度的透光率有随树龄增加而递减的趋势,但在不同时刻不同天气条件下,即使同一棵树相同高度同一方位冠层内也具有不同的消光系数,影响杏树冠内光分布的因素是多样的,它们之间存在着复杂的关系; 2～6年生杏树冠层中部的全天平均透光率分别为49.5;、30.0;、27.5;、13.4;和7.8;,冠层下部的平均透光率分别为29.1;、12.1;、10.9;、6.4;和5.9;;杏树冠层叶面积指数LAI (Leaf Area Index)与透光率呈极显著指数相关关系,其表达式为Y=131.39 e-0.896 3X(R2=0.907**);试验结果也可为果树冠层内PAR三维空间分布的模拟研究及冠层结构的优化提供试验方法和理论验证上的参考.     

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MODIS/AQUA 数据的地表短波净辐射反演

【目的】地表短波净辐射是许多全球、区域气候、水文、陆面过程模型中的重要参数,但运用遥感技术对地表短波净辐射精确实施监测一直是难点,希望构建具有一定泛化能力的高精度地表短波净辐射反演模型。【方法】利用大气传输模型MODTRAN模拟了大量复杂情况下的地表短波净辐射和通道辐射亮度。拟合地表短波净辐射与大气顶层观测值的非线性关系,分为两个步骤:(1)窄通道表观反射率向宽通道反照率转换;(2)利用大气顶层向上辐射通量与地表短波净辐射的非线性关系反演地表短波净辐射。构建完地表短波净辐射反演模型后,利用地表辐射观测网(SURFRAD)7个地面实测站点长时间序列数据,结合MODIS/AQUA遥感数据,对地表短波净辐射反演模型进行验证。【结果】反演模型构建过程中的步骤一结果表明,其偏差Bias为0,均方根误差RMSE为0.011,决定系数R2为0.997;步骤二的偏差Bias为0 W/m~2,均方根误差RMSE为7.29 W/m~2,决定系数R2为0.999。利用地面站点数据验证反演模型的结果表明,总体偏差Bias为-4.8 W/m~2,均方根误差RMSE为77.1 W/m~2,决定系数R2为0.9106,并且超70%样本的反演误差低于50 W/m~2。【结论】以MODIS/AQUA为驱动数据源,地表短波净辐射反演模型的构建精度和验证精度良好,具有一定的泛化能力和普适性。     

基于数码图像的甜菜氮素近地遥感监测模型

为定量研究利用数码图像进行甜菜冠层叶片氮含量(Leaf nitrogen content,LNC)时空变化监测的适宜性及准确性,以2014年内蒙古赤峰市松山区太平地镇田间试验为基础,在甜菜各生长阶段采集甜菜冠层数码图像,利用数字图像处理技术对图像进行分割并提取红光值(R)、绿光值(G)和蓝光值(B)。分析R/B、G/B等9个颜色参数与不同生育期冠层LNC的相关性,并研究冠层LNC随施氮量的变化规律,探寻适宜于甜菜氮素营养监测的关键生育时期及最佳颜色参数。分别利用支持向量机(Support vector machine,SVM)和BP人工神经网络(BackPropagation artificial neural network,BP-ANN)建立甜菜冠层LNC预测模型。研究结果表明,BP-ANN预测模型具有较高且较稳定的预测精度,其验证集的决定系数R~2和均方根误差RMSE分别为0.74和2.35,与SVM模型相比,BP-ANN模型的决定系数R~2提高了12.12%,均方根误差RMSE降低了8.09%。     

旱作水稻冠层光合有效辐射和叶面积指数与产量的相关性分析

[目的]为了了解旱作水稻(Oryza sativa L.)冠层光合有效辐射(PAR)、叶面积指数(LAI)与其产量的相关性关系。[方法]利用SUNSCAN冠层分析仪,对正在进行产量比较试验的旱作水稻新品系的冠层PAR、LAI分别进行测量,并测定各品系的产量。[结果]当水田种植条件下冠层PAR处于223.53～262.23μmol/(m2.s),旱田种植条件下PAR处于119.62～185.74μmol/(m2.s)时,各品系产量均较高;PAR偏低的品系产量较低,但PAR太高的品系产量反而降低。对于大部分试验品系,随着LAI的不断提高,产量也在逐步提高。[结论]旱作水稻高产需要其冠层PAR处于一定的范围内,PAR太高或太低都不易达到高产的目标。LAI与产量呈正相关关系。     

基于高光谱遥感的叶片总初级生产力GPP反演

为探究利用高光谱植被指数反演叶片总初级生产力(GPP)的模型,以湖北省武汉大学试验田油菜和小麦叶片高光谱反射率和光照强度(PARin)为数据源,利用7种植被指数与PARin的乘积分别反演2种植被叶片GPP,构建线性及非线性回归模型,并对模型进行验证。结果表明:1)从油菜生理特点出发,需要分生育期建模。在选择的7种植被指数中,花期SR构建的一次模型效果最优,建模和验模R2分别为0.80和0.82,RMSE不超过2.85g/(m~2·d);荚果期选择CIred edge和MTCI为优选模型,建模和验模R2为0.84和0.72,RMSE3.91g/(m~2·d);全时期基于红边波段的CIred edge、MTCI为优选模型,建模集R2达到0.80,RMSE3.67g/(m~2·d),验模R2达到0.65,RMSE3.92g/(m~2·d);2)小麦中NDVI模型效果最优,建模集R2=0.59,RMSE=2.80g/(m~2·d),验模R2=0.67,RMSE=3.39g/(m~2·d)。将油菜与小麦做对比,基于红边波段的植被指数CIred edge和MTCI对2种植被差异不敏感,R2为0.72~0.73,表明CIred edge和MTCI模型可以用于小麦和油菜叶片GPP的统一反演。     

基于无人机高光谱的马铃薯冠层叶片全氮含量反演

为实现大田马铃薯冠层叶片全氮含量(LNC)的快速反演,利用低空无人机平台搭载成像光谱仪获取马铃薯冠层光谱数据,在综合比较原始反射率(R)、倒数变换反射率(1/R)、一阶微分变换反射率[D(R)]、二阶微分变换反射率[D(2R)]、倒数之对数变换反射率[lg(1/R)]的基础上,选择[D(2R)]用于后续试验。分别使用相关性分析(CA)、竞争性自适应重加权(CARS)、无信息变量消除(UVE)3种算法筛选特征光谱波段,使用偏最小二乘回归(PLSR)、支持向量机(SVM)构建马铃薯冠层LNC估测模型。结果表明：CA、CARS、UVE算法分别筛选出26、12、19个特征波段。在构建的PLSR模型中,用UVE筛选的特征波段建立的预测模型[UVE-D(2R)-PLSR]效果最好,在验证集上的决定系数(R²)和均方根误差(RMSE)分别为0.806 8和0.193 2;在构建的SVM模型中,用CARS筛选的特征波段建立的预测模型[CARS-D(2R)-SVM]效果最好,在验证集上的R²和RMSE分别为0.831 6和0.183 0。两模型对比,CARS-...     

基于高分辨率遥感影像的玉米田叶面积指数反演

根据玉米田样地生物物理参量的野外实测数据,对PROSAIL模型输入参数的取值范围进行率定。通过PROSAIL模型参数敏感性分析,确定不同的输入参数设置方案,模拟不同的叶面积指数、叶倾角、叶绿素含量对应的玉米冠层反射率,建立叶面积指数的缨帽三角分布模式,从而获得玉米田红光-近红外波段反射率-LAI查找表,选取宁夏中卫市WV-3高分辨率遥感影像对玉米种植区域LAI进行反演。通过与实测数据比较,分析了PROSAIL模型在高分辨率遥感影像农作物LAI反演方面的适用性,为高分辨率遥感影像反演农作物LAI提供了方法参考。结果表明,PROSAIL模型输入参数的范围率定与不同设置方案的确定是有必要的,并且运用该查找表从WV-3影像反演的LAI与实测数据较一致,查找表均方根误差为0.47,LAI反演均方根误差为0.24。研究表明,该方法在利用WV-3遥感影像进行玉米田LAI反演中具有较强的适用性,能够进行准确有效的大面积叶面积指数遥感反演。     

基于ACRM模型与敏感波段的农作物LAI与LCC反演

【目的】面向现代农业生产和管理的数据需求，基于ACRM 冠层反射率模型，探索适 于冬小麦叶面积指数（LAI）和叶片叶绿素含量（LCC）反演的波段选择方案。【方法】文章 考虑高光谱数据降维和CR 模型模拟误差，选出覆盖蓝、绿、红与近红外的5 个波段（波段 选择方案B1），开展LAI 与LCC 同步反演。然后分别选择LAI 和LCC 的敏感波段，开展对 应参数的反演试验。【结果】（1）基于B1，能够在多数田块实现较为准确的LAI 与LCC 同 步反演（LAI 反演值与实测值间决定系数（R2）为0.860 4，均方根误差（RMSE）为0.963； LCC 反演的R2 为0.814 1，RMSE 为0.069）。（2）仅利用LAI 或LCC 敏感波段反演结果的R2 与RMSE 同时略有升高，但与基于B1 的反演结果相比，无明显差异。【结论】通过该研究与 利用相同数据的前期研究对比发现，旨在高光谱数据降维与限制CR 模型模拟误差的波段选 择，对LAI 反演精度改进作用较为显著。相较而言，仅选用单一目标参数（LAI 或LCC）的 敏感波段，对反演精度改进并不明显。由此，一方面证实了常规反演方法与面向对象反演法 不强调选用单一目标参数敏感波段的合理性；另一方面，并不否定多阶段目标决策（MSDT） 反演法以及一些相关研究提出的，仅采用单一目标参数敏感波段来开展反演的合理性。     

基于冠层RGB图像的冬小麦氮素营养指标监测

[目的]本文旨在探索基于冬小麦冠层RGB图像的氮素营养指标实时监测方法,为实现简便、准确的冬小麦氮素营养诊断和推荐施肥奠定基础。[方法]基于3年次的冬小麦大田氮肥梯度试验,采用数码相机在返青期和拔节期垂直拍摄冠层RGB图像。分析图像特征参数绿红通道比值(G/R)、绿红通道差值(GMR)、红光标准化值(NRI)、绿光标准化值(NGI)、色相(H)和冠层覆盖度(CC)与植株氮素生理指标间的关系,筛选氮素营养监测指标的最优图像特征参数,构建氮素营养指标估算模型。[结果]CC与冬小麦地上部生物量、氮积累量和叶面积指数(LAI)三者间的相关系数最高,分别为0.87、0.85和0.84(P0.01);其他特征参数与三者间的相关系数相对较低,其中H为0.81、0.77和0.79,NRI为-0.80、-0.77和-0.77,G/R为0.73、0.63和0.76,GMR为0.66、0.67和0.63。采用CC作为冬小麦氮素营养指标估算模型的输入参数,并分别使用异速生长函数和指数函数建立地上部生物量、氮积累量和LAI估算模型,异速生长函数这3个指标的估算模型R~2分别为0.82、0.76和0.82(P0.01),指数函数的R~2分别为0.80、0.74和0.85(P0.01)。利用独立试验数据对模型进行验证,异速生长函数模型预测值和观测值间的R~2平均为0.89(P0.01),地上部生物量、氮积累量和LAI预测值的均方根误差(RMSE)分别为31.09 g·m~(-2)、1.37 g·m~(-2)和0.16;指数函数模型预测值和观测值间的R~2平均也为0.89(P0.01),地上部生物量、氮积累量和LAI预测值的RMSE分别为28.95 g·m~(-2)、1.34 g·m~(-2)和0.17。[结论]异速生长函数和指数函数模型在利用CC对冬小麦氮素营养指标进行估算时均具有较好的预测性。基于RGB图像的监测方法操作简单、准确度高,可实时获取监测结果,具有较高的推广应用价值。     

夏玉米叶面积指数的高光谱遥感植被指数法研究

通过不同品种夏玉米在不同供氮水平下的田间试验,测定夏玉米冠层在不同时期的光谱反射率及对应的群体叶面积指数(LAI),综合分析10个常见光谱植被指数与夏玉米LAI的相关性及预测性.结果表明,光谱植被指数的预测性在夏玉米喇叭口-吐丝期最佳,预测性主要依赖于LAI的整体变化,结合不同品种、不同生育时期和氮肥处理的试验资料对其预测性进行检验,说明光谱植被指数能准确地预测LAI.尤其是近红外与绿光波段的比值(R810/R560)与LAI呈显著的指数关系,不受品种类别、生育时期和氮肥水平的影响,回归模型为LAI=0.765e0.2637R810/R560.利用样本A和B对R810/R560的预测性进行综合检验,表明模拟值与实测值之间符合度较高,平均R2＝0.9573**,估算的平均RMSE为0.0365,精确度和准确度平均值分别为95.63%和 98.47%.     

基于PROSAIL模型和遗传算法优化的BP神经网络模型的不同大豆种群叶面积指数反演比较

以大豆叶面积指数(Leaf area index, LAI)反演为研究目标,利用PROSAIL模型和遗传算法优化后的BP神经网络模型,分别对重组自交系(Recombinant Inbred Lines, RIL)和自然野生大豆种群的LAI进行反演。结果表明,在对人工定向培育的RIL大豆种群冠层叶片LAI反演中,PROSAIL模型表现出了更优异的反演能力,而对品种繁多的自然野生大豆种群LAI反演中,遗传算法优化后的BP神经网络模型表现出了更好的适用性,并且上述2种模型在始粒期(R5)时性能最佳,PROSAIL模型和遗传算法优化后的BP神经网络模型R~2分别为0.89和0.85,RMSE分别为0.11和0.13,EA均为97%,典型生育期内的反演性能均优于全生育期综合反演性能。因此,针对同一农作物不同种群的表型特征反演,需要根据研究对象的特征来选择合适的模型,以便于精确的估测大豆长势情况,为农作物的规模化育种监测提供数据支持。     

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。     

毛竹林叶面积指数和郁闭度空间分布协同克里格估算

在地面调查的基础上,利用协同克里格插值法对研究区内毛竹Phyllostachys edulis林叶面积指数(LAI,leaf area index)和冠层郁闭度(CC,canopy closure)2个冠层参数进行空间分布估算研究,并与普通克里格插值法进行了比较。研究结果表明:①球状模型可以用来反映LAI和CC的空间变异,且两者具有强烈的空间自相关特征。②协同克里格插值得到的LAI预测值与实测值之间的决定系数R2为0.635 1,而CC的决定系数R2为0.428 5;与普通克里格法相比,基于协同克里格法的LAI和CC预测精度均得到改善,其中LAI预测精度提高了1.94%,均方根误差减少2.00%,平均标准误差减少0.18%,而CC预测精度提高了4.82%,均方根误差减少1.90%,平均标准误差减少1.30%。③安吉县毛竹林LAI和CC都具有从西南到东北逐渐递减空间分布格局,在一定程度上反映了安吉县不同区域毛竹林经营水平的差异。