基于无人机多光谱遥感的夏玉米叶面积指数估算方法

无人机多光谱遥感技术可以快速、无损地监测农作物叶面积指数（LAI）。为研究水分胁迫条件下，利用无人机多光谱植被指数估算夏玉米LAI的可行性，本研究基于无人机多光谱遥感系统，结合同时期实地采集的夏玉米LAI，选择5种植被指数，包括归一化差值植被指数（NDVI）、土壤调节植被指数（SAVI）、增强型植被指数（EVI）、绿度归一化植被指数（GNDVI）和抗大气指数（VARI），作为模型输入参数，使用随机森林回归算法建立全生育期不同灌溉条件下大田玉米冠层植被指数与LAI之间的关系模型，并与一元线性回归和多元线性回归算法建立的模型进行对比分析。结果表明，在充分灌溉条件下，植被指数的多元线性回归模型可以较好地估算LAI（R² = 0.83）；在水分胁迫条件下，植被指数的随机森林回归模型可以较好地估算LAI（R² = 0.74~0.87），水分胁迫因素对该模型影响较小，且NDVI和VARI对估算LAI的贡献最大。上述结果表明基于无人机多光谱遥感技术，使用随机森林回归算法估算多种灌溉条件下的夏玉米LAI是可行的。该研究为实现快速、准确地监测全生育期不同灌溉条件下的大田夏玉米LAI提供了技术和方法支持。     

基于无人机高光谱遥感的冬小麦株高和叶面积指数估算

为了快速、准确地估算叶面积指数（LAI），通过无人机搭载成像高光谱相机，获取了冬小麦3个生育期的影像数据，从中提取出株高（Hcsm）。首先，分析了植被指数、Hcsm与LAI的相关性，挑选出最优植被指数；然后，分别构建了单个参数的LAI线性估算模型；最后，以植被指数、植被指数结合Hcsm为模型输入因子，采用偏最小二乘回归方法构建LAI估算模型。结果表明：通过无人机高光谱遥感影像提取的Hcsm精度较高（R2=0.95）；在不同生育期，大部分植被指数和Hcsm均与LAI呈0.01显著相关水平；基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度；以植被指数、植被指数结合Hcsm为输入变量，通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高，并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73，RMSE为0.64）。本研究方法可以提高LAI估算精度，为农业管理者提供参考。     

海南岛橡胶林叶面积指数遥感估算模型比较研究

叶面积指数（LAI）是描述植被生长状况和冠层结构的一个重要参数,快速获取大面积植被与作物LAI对于生态系统科学研究、农林业生产指导具有十分重要的理论和实践意义。本研究选取海南岛典型热带作物——橡胶树为研究对象,构建基于卫星遥感植被指数的橡胶林LAI估算模型并分析其变化规律。结果表明,相较于归一化植被指数（NDVI）、绿色归一化植被指数（GNDVI）、比值植被指数（RVI）和宽动态范围植被指数（WDRVI）四个指数,增强植被指数（EVI）、土壤调节植被指数（SAVI）、差值植被指数（DVI）和改良土壤调节植被指数（MSAVI）四个指数同LAI之间的相关性较高。构建的基于不同植被指数的橡胶林LAI估算模型（一元线性、指数和对数模型）中,基于EVI指数的橡胶林LAI一元线性估算模型效果最佳,其决定系数R²为0.69。经验证,该模型估算的橡胶林LAI精度较高,观测和模拟的橡胶林LAI线性拟合R²为0.67,均方根误差RMSE为0.16,平均相对误差RE为-0.25%,但在橡胶林LAI中值区存在低估现象,同时在LAI高值区和低值区存在一定的高估现象。从空间分布来看,海南岛橡胶林LAI高值区（4.40~6.23）主要分布在海南岛西部儋州、白沙等市县,LAI中值区（3.80~4.40）主要分布在海南岛中部澄迈、屯昌、琼中等市县,LAI低值区（2.69~3.80）主要分布在海南岛东部和南部的定安、琼海、万宁、乐东、三亚等市县。总之,构建的基于EVI指数的橡胶林LAI一元线性估算模型精度较高,克服了NDVI、GNDVI、RVI等植被指数容易出现指数饱和问题,具有较好的科学性和良好的推广应用价值。     

基于作物生长监测诊断仪的玉米LAI监测模型研究

为探索作物生长监测诊断仪（CGMD-402型）在作物长势监测应用中的精准性与适用性,连续2年在不同氮肥水平下进行不同玉米品种的实验。使用作物生长监测诊断仪采集冠层归一化差值植被指数（Normalized differential vegetation index,NDVI）、比值植被指数（Ratio vegetation index,RVI）,并同步以ASD FR-2500型野外高光谱辐射测量仪获取冠层光谱反射率,构建NDVI、RVI高光谱植被指数;通过对比两种仪器获取的植被指数特征及其定量关系,评价CGMD-402型作物生长监测诊断仪监测精度;基于CGMD-402型作物生长监测诊断仪获取的NDVI、RVI,建立叶面积指数（Leaf area index,LAI）监测模型,并对模型监测精度进行验证。结果表明：玉米冠层NDVI、RVI随施氮量增加而增加,增加幅度分别为8.20%~36.59%、4.40%~25.16%;CGMD-402型作物生长监测诊断仪与ASD FR-2500型野外高光谱辐射测量仪获取的NDVI、RVI相关系数分别为0.991、0.985,决定系数分别为0.983、0.969,说明CGMD-402型作物生长监测诊断仪具有较高的监测精度,可替代ASD FR-2500型野外高光谱辐射测量仪获取NDVI、RVI指数;利用CGMD-402型作物生长监测诊断仪获取NDVI、RVI,建立LAI监测模型的决定系数分别为0.911、0.898;以独立数据对模型精度进行验证,模型预测值与田间实测值间决定系数分别为0.963、0.954,相对误差分别为6.65%、9.37%,表明二者具有高度一致性。研究表明,利用作物生长监测诊断仪能有效监测玉米不同品种LAI动态变化,可以替代AccuPARLP-80型植物冠层分析仪获取玉米LAI数据。     

基于无人机多光谱遥感的玉米FPAR估算

为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例（Fraction of absorbed photosynthetically active radiation,FPAR）的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明：植被指数、纹理指数、叶面积指数 3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R2、均方根误差（RMSE）分别为0.857、0.173,验证模型R2、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差（RE）为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数 3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。     

冬小麦SPAD值无人机可见光和多光谱植被指数结合估算

SPAD（Soil and plant analyzer development）值能够反映作物叶片叶绿素含量,是表征作物健康状态的重要指标。采用无人机搭载可见光和多光谱相机同步获取冬小麦可见光和多光谱影像,同时获取冬小麦叶片SPAD值,探究了可见光和多光谱植被指数与SPAD值的关系,将可见光植被指数与多光谱植被指数相结合进行SPAD值估算,利用逐步回归和随机森林回归方法估算SPAD值,并将估算结果进行对比,筛选出冬小麦叶片SPAD值的最优估算模型。结果表明,SPAD值与可见光植被指数（IKAW和RBRI）、多光谱植被指数（GNDVI、CI、GMSR和GOSAVI）具有较好的相关性,与可见光植被指数（CIVE）和多光谱植被指数（GNDVI）的相结合指数具有较好的相关性,其估算模型的R2为0.89,模型验证的RMSE为2.55,nRMSE为6.21%。研究表明,可见光植被指数与多光谱植被指数相结合指数逐步回归和随机森林回归模型估算SPAD值的精度高于仅用可见光植被指数或多光谱植被指数,采用逐步回归的估算模型R2为0.91,模型验证R2、RMSE和nRMSE分别为0.89、2.32和5.64%,采用随机森林回归的估算模型R2为0.90,模型验证R2、RMSE和nRMSE分别为0.88、2.51和6.12%。     

无人机多光谱数据可靠性分析与冬小麦产量估算研究

无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R²)、均方根误差(RMSE)分别为0.69、428.91 kg/hm²,验证...     

基于Android手机平台的冬小麦叶面积指数快速测量系统

叶面积指数（Leaf area index，LAI）是衡量作物生长状况的重要参数，也是科学确定无人机喷药量的主要指标。为了建立一套作物叶面积指数实时测量方法，基于Android手机平台开发了一种冬小麦叶面积指数快速测量系统。在大田条件下选取长势均匀的10个试验区域，在不同生长期采用Android手机平台和ADC多光谱相机分别获取小麦冠层图像，同时手工测量小麦实际叶面积，根据不同测量结果计算3种叶面积指数： 将Android手机图像由RGB空间转换到HSV空间，在H-V双通道组合图像上进行图像分割后计算绿色叶片的面积IArea；由ADC多光谱相机自带软件获取的归一化植被指数（NDVI）和调节土壤植被指数（SAVI）数据反演的叶面积指数ALAI；实际手工测量的叶面积指数LAI。对以上3种叶面积指数的相关分析和建模分析结果表明，随着小麦不同生长期的变化，Android手机平台获取IArea与实际测量叶面积指数LAI的R2大于0.84(P小于0.01)，ADC获取的叶面积指数ALAI与实际测量叶面积指数LAI的R2大于0.83。     

基于无人机热红外遥感的夏玉米蒸散量估算及其影响因子

农田蒸散量(ET)是土壤—作物—大气连续体水分运移的关键参数,与作物生理活动和产量有着极为密切的关系,准确实时估算田间作物蒸散量对研究作物生长发育至关重要。基于无人机热红外传感器反演夏玉米的冠层温度,基于反演的冠层温度构建夏玉米蒸散模型(ET_(d,t))并验证了模型反演作物蒸散量的精度,分析了ET_(d,t)相关影响因子。结果表明:以热红外冠层温度作物蒸散模型计算的ET_(d,t)最低值出现在幼苗期为3.42 mm/d,最高值出现在灌浆期为10.94 mm/d,并与涡度相关实测值ET_(d,e)、FAO Penman-Monteith模型计算值ET_(d,f)进行验证,在P0.01水平上呈显著线性关系(R~2=0.739、0.742,RMSE=0.676、0.109 mm/d),ET_(d,t)估算精度达到80%以上。ET_(d,t)的计算受日净辐射、风速、气温、降雨等气象因子影响,不同气象条件的ET_(d,t)不同。叶面积指数(LAI)为夏玉米农田最主要的生物因子,LAI与ET_(d,t)呈线性正相关关系(R~2=0.700),空气动力学阻抗(r_a)是最主要的环境驱动因子,r_a与ET_(d,t)呈线性负相关关系(R~2=0.696)。随着植被覆盖度(NDVI)的变化,ET_(d,t)呈现相同变化趋势(R~2=0.656)。因此,基于无人机热红外反演的冠层温度计算的(ET_(d,t))能较好的反映田间夏玉米蒸散变化过程,从而为利用无人机热红外遥感估算作物蒸散量提供了科学依据。     

基于XGBoost-Shapley的玉米不同生育期LAI遥感估算

针对当前快速准确获取叶面积指数（Leaf area index, LAI）时大部分遥感预测方法将光谱信息作为模型主要特征,忽略时序变化特征的问题,利用无人机搭载五通道多光谱相机获取研究区玉米不同生育期的影像数据,基于该数据计算玉米相应生育期植被指数,然后采用植被指数建立各生育期子模型,采用Shapley理论计算子模型均方根误差对全生育期模型均方根误差的贡献度,从而确定各子模型权重,根据权重组合形成具有LAI时序变化特征的估算模型,分别基于支持向量回归（SVR）、多层感知机（MLP）、随机森林（RF）和极限梯度提升树（XGBoost）算法构建组合估算模型。结果表明：采用Shapley理论构建的组合LAI估算模型估算效果优于直接构建的全生育期LAI估算模型。相较于SVR-Shapley、MLP-Shapley以及RF-Shapley模型,XGBoost-Shapley模型的估算效果最佳（R²为0.97,RMSE为0.021,RPD为6.9）。将最优模型XGBoost-Shapley应用于研究区LAI预测,预测结果符合不同生育期玉米长势。本研究为大田玉米长势遥感监测提供...     

基于随机森林模型的林地叶面积指数遥感估算

林地叶面积指数(Leaf area index,LAI)的准确估测是精准林业的重要体现。为了快速、准确、无损监测林地LAI,利用LAI-2200型植物冠层分析仪获取福建省西部森林样地的LAI数据,结合同期Pleiades卫星影像计算12种遥感植被指数,分析了各样地实测LAI数据和相应植被指数的相关性,进而使用随机森林(RF)算法构建了林地LAI估算模型,以支持向量回归(SVR)模型和反向传播神经网络(BP)模型作为参比模型,以决定系数(R~2)、均方根误差(RMSE)、平均相对误差(MAE)和相对分析误差(RPD)为指标评价并比较了模型预测精度。结果表明:全样本数据中,各植被指数与对应LAI值均呈极显著相关(P0.01),且相关系数都大于0.4;RF模型在3次不同样本组中的预测精度均高于同期的SVR模型和BP模型;3个样本组中RF模型的LAI估测值与实测值的R~2分别为0.688、0.796和0.707,RPD分别为1.653、1.984和1.731,均高于同期SVR模型和BP模型,对应的RMSE分别为0.509、0.658和0.696,MAE分别为0.417、0.414和0.466,均低于同期其他2种模型。     

基于高光谱遥感与SAFY模型的冬小麦地上生物量估算

为了探索准确、高效地估算冬小麦地上生物量(Dry aerial mass,DAM)的方法,获取了2013—2014年和2014—2015年2个生长季的冬小麦试验数据,采用植被指数反演叶面积指数(LAI),以遥感反演LAI作为遥感与SAFY(Simple algorithm for yield estimates)模型之间的耦合变量,利用主成分分析的复合型混合演化(Shuffled complex evolution with PCA,SP-UCI)算法优化出苗日期(D0)、有效光能利用率(ELUE)和衰老温度(STT) 3个敏感参数,对冬小麦全生育期进行动态生长模拟。结果表明,2014—2015年和2013—2014年冬小麦全生育期模型模拟地上生物量R~2、RMSE和NRMSE分别为0. 887、1. 001 t/hm~2、19. 41%和0. 856、1. 033 t/hm~2、19. 86%。研究表明,耦合高光谱遥感与SAFY作物生长模型能够准确地模拟冬小麦长势的动态变化,对冬小麦地上生物量估算精度较高,可为遥感监测冬小麦长势提供参考。     

花生叶面积指数地面高光谱遥感估算模型研究

【目的】掌握花生叶面积指数(LAI)及其动态变化,并用于其生长监测和作物估产。【方法】试验于2019年在郑州市农业气象试验站进行,设置了3个不同氮素水平处理,以花生(豫花40)为研究对象,利用便携式光谱仪ASDHandHeld2测量花生冠层高光谱数据,使用LAI2200冠层分析系统采集花生叶面积指数。对原始光谱数据进行倒数对数和导数变换,并选取常见高光谱特征参数建立LAI估算模型,通过模型精度比较从中选择出最优估算模型。最后通过多元逐步回归,建立了花生LAI估算的多元回归模型。【结果】LAI单变量估算模型中,指数模型的R~2较大,其中VI_1(VI_1=R_g/R_r。R_g绿峰反射率,R_r红谷反射率)、VI_2(VI_2=(R_g-R_r)/(R_g+R_r))和R_r的指数模型R2超过0.68,拟合程度最高。同时利用检验样本计算均方根误差(RMSE),VI_2的RMSE值最小,其次是VI_1。【结论】以VI_2为自变量的指数模型最优,其次为VI_1。多元回归模型模拟精度高于单变量估算模型,当多种光谱参数均可获取的情况下,应优先选用多元回归模型对花生冠层LAI进行估算。     

基于NDVI—ST双抛物线特征空间的冬小麦旱情遥感监测

以河南省冬小麦旱情遥感监测为例,利用MODIS/AQUA卫星产品的归一化植被指数（NDVI）、增强型植被指数(EVI)、叶面积指数(LAI)和地表温度(ST)数据,分析了NDVI—ST和EVI—ST的特征空间,发现NDVI—ST和EVI—ST的特征空间具有双抛物线型特征。将其与三角形NDVI—ST、EVI—ST及LAI—ST特征空间进行对比分析,并将得到的温度植被干旱指数（TVDI）数据与土壤湿度进行相关性分析,揭示双抛物线型NDVI—ST特征空间能更好地反映地表10cm土壤水分状况。以双抛物线型NDVI—ST特征空间得到的TVDI作为旱情遥感监测指标,评估了2011—02—26~2011—05—16河南省冬小麦旱情,并与当地气象站降雨数据对比,揭示了2011年春天河南省旱情发展的总体时空特点。     

基于无人机高光谱长势指标的冬小麦长势监测

为快速准确监测作物长势,以冬小麦为研究对象,获取了不同生育期的无人机高光谱影像。利用无人机高光谱数据构建光谱指数,并分析4个生育期的指数与生物量、叶面积指数以及由生物量和叶面积2个生理参数构建的长势监测指标(Growth monitoring indicator,GMI)的相关性;建立与GMI相关性较强的4个光谱指数的单指数回归模型,利用多元线性回归、偏最小二乘和随机森林3种机器学习方法分别建立冬小麦各生育期的GMI反演模型;将最佳模型应用于无人机高光谱影像,得到冬小麦长势监测图。结果表明:各生育期光谱指数与冬小麦GMI相关性较高,大部分指数都达到了显著水平,其中NDVI、SR、MSR和NDVI×SR与GMI的相关性高于生物量、叶面积指数与GMI的相关性;拔节期、挑旗期、开花期、灌浆期、全生育期,表现最好的回归模型对应光谱指数分别是NDVI×SR、NDVI、SR、NDVI和NDVI×SR;对比3种方法构建的GMI反演模型,开花期模型MLR-GMI效果最佳,此时期的模型建模R~2、RMSE和NRMSE分别是0. 716 4、0. 096 3、15. 90%。     

基于NDVI与EVI的作物长势监测研究

基于2015年大气校正后的时间序列Landsat8影像,研究了归一化植被指数NDVI与增强型植被指数EVI随植被覆盖度增加的变化规律,定量分析了二者监测低、中、高植被覆盖的差异,比较分析了NDVI和EVI分布频率曲线差异及时间序列曲线差异。结果表明:地表刚出现植被时,NDVI和EVI的增加速度最快,随着地表植被覆盖度的增加,NDVI与EVI的增加速度减缓。低植被覆盖下NDVI的增加速度大于EVI,中等植被覆盖下NDVI和EVI的增加速度接近,高植被覆盖下NDVI的增加速度小于EVI,不同植被覆盖下的NDVI值始终大于EVI值。NDVI和EVI分布频率曲线能描述不同植被覆盖度像元数量和随时间的变化。NDVI和EVI时间序列曲线能清晰反映一种作物的长势变化规律及不同作物在同一时期的长势差异。在作物生长初期或低植被覆盖下,NDVI、EVI都偏高估计植被覆盖度,NDVI估计值略高于EVI的估计值。在作物生育中期或中等植被覆盖下,二者对植被描述能力相似。在作物生育高峰期或高植被覆盖下,监测作物长势变化EVI比NDVI更敏感。综上所述,监测作物时可根据作物生育期植被覆盖度变化特点合理选取NDVI和EVI植被指数,也可同时选用NDVI和EVI两种植被指数互为补充。     

Drought Remote Sensing for Winter Wheat Based on Double Parabola NDVI- ST Space

以河南省冬小麦旱情遥感监测为例,利用MODIS/AQUA卫星产品的归一化植被指数(NDVI)、增强型植被指数(EVI)、叶面积指数(LAI)和地表温度(ST)数据,分析了NDVI - ST和EVI - ST的特征空间,发现NDVI-ST和EVI - ST的特征空间具有双抛物线型特征.将其与三角形NDVI - ST、EVI - ST及LAI-ST特征空间进行对比分析,并将得到的温度植被干旱指数(TVDI)数据与土壤湿度进行相关性分析,揭示双抛物线型NDVI - ST特征空间能更好地反映地表10 cm土壤水分状况.以双抛物线型NDVI - ST特征空间得到的TVDI作为旱情遥感监测指标,评估了2011 -02 -26 ～2011 -05-16河南省冬小麦旱情,并与当地气象站降雨数据对比,揭示了2011年春天河南省旱情发展的总体时空特点.     

基于无人机遥感表型监测的苎麻优质种质资源筛选方法

苎麻是重要的纤维作物之一,由于土地资源紧缺及优良品种的推广应用等原因,苎麻遗传变异和遗传多样性减少,对苎麻种质资源多样性调查和保护的需求日趋加大。基于无人机遥感的作物表型测量方法可以对不同基因型作物的生长特性进行频繁、快速、无损、精准的监测,实现作物种质资源调查,筛选特异优质品种。为了实现苎麻种质资源表型的高效综合评价,辅助筛选优势苎麻品种,本研究提出了一种基于无人机遥感影像的苎麻种质资源表型监测及筛选方法。首先,基于无人机遥感影像,利用Pix4dmapper软件生成试验区的数字地表模型（Digital Surface Model,DSM）和正射影像;然后,对苎麻种质资源关键表型参数（株高、株数、叶面积指数、叶片叶绿素含量、含水量）进行估测。基于DSM采用“差分法”提取苎麻株高,基于正射图像采用目标检测算法提取苎麻株数,采用机器学习方法估测苎麻叶面积指数（Leaf Area Index,LAI）、叶片叶绿素含量（SPAD值）、含水量;最后,根据提取的各项遥感表型参数,采用变异性分析和主成分分析方法对苎麻种质资源进行遗传多样性分析。结果表明,（1）基于无人机遥感的苎麻表型估测效果较好,株高的拟合精度为0.93,均方根误差为5.65 cm;SPAD值、含水量、LAI的拟合指标分别达到0.66、0.79、0.74,RMSE分别为2.03、2.21、0.63;（2）苎麻种质资源的遥感表型存在较大差异,LAI、株高和株数的估测值变异系数分别达到20.82%、24.61%和35.48%;（3）利用主成分分析法将苎麻种质资源的遥感表型聚类为因子1（株高、LAI）和因子2（LAI、SPAD值）,因子1可用于苎麻种质资源结构特征评价,因子2可以作为高光效苎麻资源的筛选指标。本研究将为作物种质资源表型监测和育种相关分析提供参考。     

基于无人机多源遥感的玉米LAI垂直分布估算

为探究无人机多源遥感影像估算玉米叶面积指数(Leaf area index, LAI)垂直分布，在田间设置了密度和播期试验，在7个生育时期利用无人机采集了可见光、多光谱和热红外影像并同步获取玉米LAI垂直分布数据。同时，为合理制定无人机飞行任务，分析了不同飞行高度和不同太阳高度角下获取的无人机影像对估算玉米LAI的影响。基于无人机影像提取的与玉米LAI相关性较高的植被指数、纹理信息和冠层温度等特征，利用7种机器学习方法分别构建了玉米冠层不同高度LAI估算模型，从中选取鲁棒性强的2个模型用于分析在不同飞行高度和不同太阳高度角下估算LAI的差异。研究结果表明，MLPR和RFR模型对玉米LAI估算鲁棒性最强，全生育期下模型rRMSE为11.31%(MLPR)和11.42%(RFR)。玉米冠层LAI垂直分布估算误差，所有模型的平均rRMSE分别为9.1%(LAI-1)、14.19%(LAI-2)、18.62%(LAI-3)、23.29%(LAI-4)和26.7%(LAI-5)。对于玉米穗位叶及以下部位的LAI估算误差均在20%以下，得到了较好精度。同时，在不同飞行高度和太阳高度角试验中可以得出...     

无人机多源光谱反演大田夏玉米叶面积指数

【目的】研究多源光谱反演大田夏玉米叶面积指数(LAI)的效果。【方法】以大田夏玉米为研究对象,利用无人机获取试验区不同生育期热红外以及多光谱影像,提取热红外冠层温度(TC)以及多光谱植被指数,结合地面实测LAI数据,分析光谱数据与实测LAI之间的相关关系,并将TC与筛选出的11种植被指数作为输入变量,LAI作为输出变量利用多元线性回归、支持向量机和随机森林3个算法模型训练学习,建立了夏玉米LAI的反演模型。【结果】多光谱植被指数以及TC均与夏玉米LAI在P0.000 1水平上显著相关,相关系数均在0.5以上;RF算法于拔节期、喇叭口期、以及吐丝期3个生育期的LAI预测值与实测值的R~2均高于MLR算法和SVM算法,对应的RMSE及NRMSE均低于MLR算法和SVM算法;融合热红外TC后的RF模型反演精度均有不同程度的提升,各生育期LAI预测值与实测值R~2均大于同时期未融合TC的LAI反演模型。【结论】多光谱植被指数以及TC均与夏玉米LAI具有较强的相关性,且RF算法构建的夏玉米LAI反演模型精度优于MLR和SVM算法,同时TC的加入可以有效提升夏玉米LAI反演精度。