基于夏玉米冠层内辐射分布的不同层叶面积指数模拟

为了模拟夏玉米冠层内各层叶面积指数垂直分布,光合有效辐射（photosynthetically active radiation, PAR）是研究作物群体光合作用和长势的重要特征参数,阐明冠层内PAR的垂直分布规律与冠层结构等参数之间的相关关系,可为遥感定量反演冠层结构参数提供模型基础。该文基于PAR在冠层内的辐射传输规律结合冠层结构模拟不同太阳高度角的PAR透过率垂直分布模型,并用地面冠层分析仪测量值进行验证,结果表明模型对封垄前玉米抽雄期冠层内PAR透过率垂直分布模拟精度较高。通过不同太阳高度角PAR透过率的垂直分布模型结合消光系数运用不同算法分别反演层叶面积指数（leaf area index, LAI）,并与不同高度层LAI实测值进行比较。结果显示：Bonhomme& Chartier算法反演不同高度层LAI精度较高,上层均方根误差（root mean square error,RMSE）为0.18,中层RMSE为0.55,下层RMSE为0.09。不同太阳高度角反演结果存在差异,30°和45°高度角均能较好地反演下层LAI,RMSE分别为0.11与0.09;30°高度角反演中层LAI精度较高,RMSE为0.30;45°高度角反演上层LAI精度较高,RMSE为0.18。结果表明基于不同太阳高度角构建的层LAI反演模型更适于实现夏玉米不同高度层LAI的遥感估算。该研究可为模拟垄行结构冠层内LAI垂直分布提供参考。     

Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing

冬小麦叶面积指数（LAI, leaf area index）是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数（R2）为0.990、均方根误差（RMSE）为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较

近年来,高光谱遥感数据广泛应用于农作物叶面积指数(LAI)反演。与常用的多光谱遥感数据相比,高光谱数据能否提高农作物LAI反演的精度和稳定性还存在争议。针对这一问题,该研究利用实测冬小麦冠层高光谱反射率数据,构造了不同光谱分辨率和波段组合的5种光谱数据。基于ACRM(a two-layer canopy reflectance model)模型、2套参数化方案及上述5种光谱数据,对冬小麦LAI进行反演,分析光谱分辨率、高光谱数据波段选择、模型参数不确定性3方面因素对LAI反演精度与稳定性的影响。研究结果表明:当波段选择适宜、模型参数不确定性较小且光谱数据分辨率较高时,LAI反演精度与稳定性更高,提高光谱分辨率对LAI反演精度的改进作用随光谱分辨率的升高而降低;反之,当高光谱数据波段选择不当或者模型参数不确定性较大时,提高光谱数据的分辨率并未提高LAI反演精度。该研究解释了"高光谱遥感数据能否提高植被参数反演精度"问题,为进一步发挥高光谱数据在农作物LAI反演中的潜力提供了科学参考。     

遥感信息与作物生长模型的区域作物单产模拟

利用外部数据同化作物生长模型提高区域作物单产模拟精度是近年来的研究热点.该文以遥感反演的叶面积指数(LAI)作为结合点,以黄淮海粮食主产区典型县市夏玉米为研究对象,在区域尺度利用全局优化的复合形混合演化( SCE-UA)算法进行了遥感反演LAI信息同化EPIC (environmental policy integra...     

基于环境星CCD图像的甘蔗叶面积指数反演方法

及时准确获取甘蔗叶面积指数对于甘蔗长势监测和产量预测具有重要意义。尝试通过构建组合核函数,利用支持向量回归方法建立甘蔗LAI估算模型,并利用新型国产卫星数据环境星CCD图像和准同步的地面观测数据,分别采用指数关系模型、对数关系模型、支持向量回归模型3种方法,以广西甘蔗主产县为例,开展了环境星遥感图像在甘蔗叶面积指数反演试验。结果表明,3种方法都可以对甘蔗LAI进行有效预测,且能获得较好的预测效果,验证了环境星CCD图像在甘蔗LAI反演中的实用性,其中支持向量回归模型反演精度最高：5月份决定性系数R2分别比     

样本量对叶面积指数遥感经验建模精度影响研究

遥感经验模型反演方法是叶面积指数(LAI,Leaf Area Index)反演的重要途径,而实测数据又是经验统计模型的基本数据来源之一,但对于地面采样样本量对LAI遥感经验建模的影响研究较少。文章对单一地表覆盖类型的研究区采用不同样本量多次随机采样获取的采样数据来构建经验模型反演LAI,探究样本量对于建模精度的影响。研究结果表明:1遥感模型精度评估指数(RMAI,Remote Sensing Model Accuracy Index)随样本量呈幂函数形式逐渐减小;2在样本数量小于30时RMAI较为敏感,建模精度较差,当样本量达到45左右时,其精度达到稳定状态;3样本量越大的采样方案构建的遥感经验模型越稳定;4综合RMAI平均值及标准差的变化趋势,当样本量达到40时采样数据即可构建精度较高且稳定的LAI经验统计模型。     

基于无人机高光谱遥感的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是评价作物长势和预测产量的重要依据。光谱特征信息作为高光谱遥感的突出优势在追踪LAI动态变化方面极其重要;然而,围绕光谱特征信息所开展的无人机高光谱遥感反演作物LAI的相关研究鲜有报道。该文利用ASD Field Spec FR Pro 2500光谱辐射仪(ASD Field Spec FR Pro 2500 spectroradiometer,ASD)和Cubert UHD185 Firefly成像光谱仪(Cuber UHD185 Firefly imaging spectrometer,UHD185)在冬小麦试验田进行空地联合试验,基于获取的孕穗期、开花期以及灌浆期地面数据和无人机高光谱遥感数据,估测冬小麦LAI。该文选择同步获取的冬小麦冠层ASD光谱反射率数据作为评价无人机UHD185高光谱数据质量的标准,依次从光谱曲线变化趋势、光谱相关性以及目标地物光谱差异三方面展开分析,结果表明458~830 nm(第3~96波段)的UHD185光谱数据可靠,可使用其探测冬小麦LAI,这为今后无人机UHD185高光谱数据的使用提供了参考。该文研究对比分析了UHD185数据计算的红边参数和光谱指数与冬小麦LAI的相关性,结果表明:12种参数中比值型光谱指数RSI(494,610)与LAI高度正相关,是估测LAI的最佳参数;基于比值型光谱指数的对数形式lg(RSI)构建的线性模型展现出lg(RSI)与lg(LAI)较优的线性关系(决定系数R2=0.737,参与建模的样本个数n=103),且lg(LAI)预测值和lg(LAI)实测值高度拟合性(R2=0.783,均方根误差RMSE=0.127,n=41,P0.001);该研究为利用无人机高光谱遥感数据开展相关研究积累了经验,也为发展无人机高光谱遥感的精准农业应用提供了参考。     

考虑作物生长状态的农田表面温度数据精量甄别与区分

农田表面温度是土壤、作物和大气之间进行水/热交换传输的重要参数,也是灌区遥感反演模型的重要参量。在利用热红外传感器连续获取农田表面温度数据时,由于作物的生长发育处于动态变化中,农田表面温度数据往往混合了作物冠层温度和土壤表面温度。为精准甄别和区分田间海量监测数据,该研究结合Logistic作物生长模型,通过考虑作物生长状态指标叶面积指数（Leaf Area Index,LAI）和作物冠层高度及其关键节点,构建了农田表面温度监测数据的甄别算法。以内蒙古永济试验站玉米和向日葵实测数据对算法进行验证,并利用解放闸灌域和吉林省长春试验站的玉米和向日葵田间观测数据进行校核。结果表明：考虑LAI和作物冠层高度并利用Logistic模型模拟的关键节点来建立甄别算法,能够为农田稀疏植被表面温度数据甄别提供高效判定。与人工测量值对比,冠层温度优化幅度在10%左右（相对误差）,土壤表面温度优化幅度超过5%;甄别方法可以明显提升冠层和土壤表面温度的获取精度。甄别算法中校正因子数值需根据作物种植密度及LAI确定,其中玉米校正因子选择作物冠层温度校正因子0.9,土壤表面温度校正因子1.1;向日葵校正因子以叶面积指数最大值4为基础,选取冠层温度校正因子0.7,土壤表面温度校正因子1.2;在不同地区应用时,向日葵叶面积指数最大值每增加1,推荐冠层温度校正因子调高0.35,土壤表面温度校正因子调低0.18。研究结果为精量灌溉提供技术支撑,提高了农田监测数据的性能,为无人机遥感和卫星遥感数据的精量甄别提供算法和验证。     

基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较

近年来,中国遥感事业已取得长足进步,高分一号(GF-1)卫星首次实现了中国自主研发的高分辨率对地观测。为探讨国产GF-1卫星影像在农业遥感长势监测中的适应性,以许昌地区为研究对象,选取同期Landsat-8卫星影像,结合地面采样数据LAI,从传感器光谱响应特征、经验回归模型监测精度以及LAI空间一致性等3方面进行2类遥感数据的对比评价。结果表明,GF-1影像近红外、红、蓝波段光谱响应与Landsat-8有差异,与绿波段光谱响应非常吻合,各波段光谱反射率与Landsat-8影像同类光谱间均存在显著线性关系。通过各波段组合多种归一化植被指数,采用经验回归模型反演LAI发现,GF-1影像反演的最优模型为NDVI的指数模型,R2为0.848,Landsat-8影像反演的最优模型为蓝红组合的归一化植被指数(blue-red NDVI,BRNDVI)的指数模型,R2为0.687,2类影像反演LAI与地面实测值均呈现较为一致的线性关系。由许昌地区玉米LAI值空间分布可见,GF-1影像反演的玉米LAI值与Landsat-8影像反演值过渡趋势一致,在许昌西部种植结构复杂地区,GF-1影像以其空间分辨率优势更能凸显LAI分布差异。通过该文研究表明,GF-1卫星的高时间分辨率以及高空间分辨率特征能够代替传统中分辨率数据成为农业遥感长势监测中的重要数据源,该数据在农业遥感其他领域的应用是今后研究的重点。     

基于PROSAIL模型及TM与实测数据的MODIS LAI精度评价

利用PROSAIL模型和TM影像反演的叶面积指数LAI及地面实测数据,从空间和时间序列上分别对吉林省主要玉米种植带的MODIS LAI产品精度进行验证分析,为准确评价和科学准确应用MODIS数据提供科学依据。研究结果表明,MODIS LAI产品精度因玉米生长时期和植被类型而异,混合像元是造成MODIS LAI产品低估玉米作物LAI值的主要原因之一;不同年份不同生长时期,MODIS LAI和实测数据表现出不同的关系;在玉米生长灌浆期之后,MODIS LAI产品与同期地面实测玉米LAI相比,约低估了33%～53%左右,MODIS LAI产品值明显低于TM影像反演的LAI值,约低估玉米LAI值约30%～69%左右。因MODIS LAI产品值与实际值有较大偏差,非常有必要对农作物MODIS LAI产品值进行验证分析,研究结果可为准确利用MODIS LAI产品及其算法改进后产品精度提供一种评价途径。     

DEVELOPMENT OF A VEGETATION INDEX FOR ESTIMATION OF LEAF AREA INDEX BASED ON SIMULATION MODELING

Leaf area index (LAI) is an important structural variable for quantitative analysis of the energy and mass exchange characteristics of a terrestrial ecosystem. The objective of the research was to use the Scattering by Arbitrarily Inclined Leaves (SAIL) model to develop a new vegetation index for estimating LAI based on the Ratio Vegetation Index (RVI) and Perpendicular Vegetation Index (PVI). In the study, RVIs and PVIs were derived from the SAIL-simulated reflectance, and several potential limitations of RVI and PVI in LAI estimation were identified. First, for a given LAI level, a dark soil background resulted in higher RVI values and overestimated LAI values. The reverse was true for light colored soils. On the contrary, the PVI tended to underestimate LAI for dark soil background and overestimate LAI for light soil background. The RVI behaves oppositely to PVI in LAI estimation for same soil background. Based on these results, a new vegetation index (RMPVI: RVI Multiplied by PVI Vegetation Index) was constructed, and the sensitivity of this index to LAI was then evaluated and the performance of RMPVI in LAI estimation was compared with those of other vegetation indices. The results show that the RMPVI can greatly minimize the soil background influences, and is more sensitive to LAI than other indices, especially when LAI is greater than 2. As for LAI estimation, RMPVI can yield highest R² than other vegetation indices used in the study, with a root mean square error (RMSE) of 0.16, which shows RMVPI is an efficient index for LAI estimation.     

基于赤池信息量准则的冬小麦叶面积指数高光谱估测

冬小麦叶面积指数(leaf area index,LAI)是描述冠层结构的重要参数之一,对评价其长势和预测产量具有重要意义。该文利用灰色关联分析(grey relational analysis,GRA)对植被指数进行排序,用偏最小二乘法(partial least squares regression,PLS)选择不同的植被指数个数作为自变量进行回归建模,通过赤池信息量准则(Akaike’s information criterion,AIC)选择AIC值最小的模型作为冬小麦LAI最优估算模型,即GRA、PLS和AIC 3种方法整合建立冬小麦LAI最优估算模型。使用2008-2009年在中国北京通州区和顺义区获取的整个生育期冬小麦LAI和配套的光谱数据进行建模,利用2009-2010相关数据进行验证。研究表明:采用GRA评价标准与冬小麦LAI关联度最大的植被指数是VOG1,关联度最小的植被指数是SR;通过AIC建立的以8个植被指数作为自变量的冬小麦LAI模型效果最优,建模集的决定系数R2和标准误SE分别为0.76和0.009,验证集的R2和相对均方根误差RRMSE分别为0.63和0.004,预测模型和验证模型均具有较高的精度和可靠性。结果表明采用GRA-PLS-AIC方法进行冬小麦LAI反演是可行的,为提高冬小麦LAI遥感预测精度提供了一种有效的方法。     

2000-2014年黄土高原植被叶面积指数时空变化特征

研究植被叶面积指数(LAI)时空变化特征,对植被的水土保持效具有重要意义.利用MOD15A2H遥感产品,基于Mann-Kendall趋势检验与Sen斜率分析方法,提取区域尺度与像素尺度上的植被LAI变化特征,并基于不同子流域、坡度、坡向及植被覆盖类型,对植被LAI的变化特征进行分析.基于MOD44B遥感产品,利用线性回归和偏相关系数,分析植被LAI的变化原因.结果表明:1)黄土高原2000-2014年,植被LAI呈显著增加趋势,其年绝对变化幅度为0.042,年相对变化程度为2.71％.2)空间上,在黄土高原58.6％的区域,LAI呈现显著增加趋势,仅有0.9％的区域LAI呈现显著减少趋势.植被LAI剧烈增加,主要发生在河口—龙门区间,包括皇甫川、窟野河、无定河和延河.植被在15°～35°的坡度上,LAI变化程度最剧烈,其变化在各坡向上没有显著差异,农田和草地的LAI变化程度最剧烈.3)与植被总覆盖度相比,植被垂直维结构与黄土高原植被LAI的变化更为相关,其中树木覆盖度的增加,是植被垂直维结构变化的重要原因之一.     

北京山区森林叶面积指数季相变化遥感监测

森林叶面积指数(LAI)遥感反演,对于区域环境生态监测具有重要意义。该文以北京市西北山区鹫峰国家森林公园为研究区,获取多时相Landsat5 TM数据,并利用半球形照相机(Hemispherical Photography)同步获取森林LAI。使用3种植被指数(归一化植被指数NDVI、增强植被指数EVI和三梯度差植被指数TGDVI),分别建立单个观测时期及整个时期的LAI反演模型,通过相关性分析筛选出最佳模型。研究表明利用整个时期的LAI建立的模型精度较高,其中最好的是基于NDVI的LAI指数模型。利用该模型反演森林LAI,生成基于时间序列的北京山区森林LAI分布图。该研究进一步分析了阔叶林、针叶林和混交林3种情况,结果表明,与不分植被类型的LAI反演模型精度比较,阔叶林和混交林有所提高,而针叶林稍微下降,但模型精度均达到显著水平。     

利用HJ-1-A/B CCD2数据反演冬小麦叶面积指数

叶面积指数是十分重要的作物生理生态参数,为提高利用国产环境减灾小卫星CCD数据反演冬小麦叶面积指数的精度,该文以5种常用的植被指数(归一化差值植被指数(normalized difference vegetation index,NDVI),增强植被指数(enhanced vegetation index,EVI),双波段增强植被指数(2-bands enhanced vegetation index,EVI2),比值植被指数(ratiovegetation index,RVI),土壤调节植被指数(soil-adjusted vegetation index,SAVI)为基础,结合3种常用的回归模型,按生长阶段比较分析了不同植被指数和回归模型反演叶面积指数的精度。结果表明,除生殖生长阶段外,叶面积指数和5种植被指数之间均有较强的相关关系;指数模型和一元线性模型分别为全生育期和营养生长阶段的最佳拟合模型;EVI在全生育期拟合时的表现好于其他4个指数(R2=0.9348),SAVI则是营养生长阶段表现最佳的指数(R2=0.9404)。该研究为进一步利用植被指数反演叶面积指数提供了参考。     

基于半经验半机理建模的冬小麦LAI反演及长势评估

为了提高无人机遥感对冬小麦叶面积指数（leaf area index，LAI）反演模型的精度与泛化能力，该研究利用无人机搭载多光谱相机获取不同氮素处理和不同复种方式的冬小麦生长实测数据，结合PROSAIL辐射传输模型生成包含机理信息的模拟数据，基于不同组合方式建立了5种LAI反演混合数据集，结合多种机器学习方法，以期构建经验与机理相结合的LAI高精度反演模型。由于LAI反演受NIR波段反射率影响大，该研究筛选7种与NIR波段相关的植被指数提取冬小麦光谱特征，构建与混合数据集LAI的相关系数矩阵，进一步探究不同光谱特征对冬小麦LAI的影响程度。在此基础上，采用具有代表性和普适性的4种机器学习方法，即贝叶斯岭回归模型、线性回归模型、弹性网络模型和支持向量回归模型，构建不同冬小麦LAI反演模型，用以评估基于半经验半机理数据反演冬小麦LAI的可行性，进一步探索其对不同氮素水平和复种方式的冬小麦长势评估能力。结果表明：1）筛选的与NIR波段相关的植被指数与冬小麦LAI之间存在较强的相关性，其中归一化差异植被指数、增强植被指数、归一化差异红边指数、比值植被指数、红边叶绿素植被指数、土壤调节植被指数与LAI呈正相关，结构不敏感色素植被指数与LAI呈负相关；2）辐射传输模型中体现了冬小麦LAI影响太阳光线传播的机理，结果表明，与实测数据混合建立的模型，具有较强的鲁棒性和泛化能力。相比于其他3种模型，支持向量回归模型在各种数据组合下均取得了较好的LAI预测性能，在C1、C2、C3、C4这4种训练-测试组合的训练集中R²依次为0.86、0.87、0.88、0.91，RMSE依次为0.47、0.45、0.45、0.41；在测试集的R²依次为0.85、0.19、0.89、0.87，RMSE依次为0.45、1.31、0.49、0.50；3）使用支持向量机生成试验区LAI反演图，对4种氮素水平和2种复种方式的冬小麦长势评估，结果表明，适当的施加氮素处理能提高冬小麦LAI值，麦-豆复种方式下的冬小麦LAI值普遍高于麦-玉复种的LAI值。该研究为冬小麦LAI的反演提供了一种有效的方法，并为高效评估冬小麦长势研究提供了参考。     

基于无人机遥感影像的大豆叶面积指数反演研究

作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,可作为指导精准农业研究的一种新方法。     

基于低空无人机成像光谱仪影像估算棉花叶面积指数

农作物叶面积指数(leaf area index,LAI)遥感监测具有快速、无损的优势。该文以低空无人机作为遥感平台,使用新型成像光谱仪获取的农田高光谱影像数据对棉花LAI进行反演。利用影像高光谱分辨率的特点,针对传统固定波段植被指数(fixed-bandvegetation index,F_VI)进行改进,通过动态搜索相应植被指数定义所使用波段范围内的反射率极值的方法,计算与各类植被指数对应的极值植被指数(extremum vegetation index,E_VI)。分别以原始全波段光谱反射率、连续投影算法(successive projections algorithm,SPA)提取的有效波段反射率以及各类F_VI和E_VI作为自变量,使用最小二乘和偏最小二乘(partial least squares,PLS)回归等方法构建LAI遥感估算模型。结果显示:1)以植被指数为自变量的模型估算效果(验证R2最高为0.85)优于以光谱反射率作为自变量的模型(验证R2最高为0.59);2)使用E_VI作为自变量能够显著提高LAI的估测精度(验证R2最大提高了0.11);3)使用PLS回归算法结合多个E_VI建立的LAI-E_VIs-PLS模型精度最高。使用LAI-E_VIs-PLS模型对棉花地块高光谱影像进行反演,制作棉花LAI空间分布图,取得良好的估算结果(验证R2=0.88,RMSE=0.29),为农作物LAI遥感监测提供了新的技术手段。     

高光谱数据估测稻麦叶面积指数和叶绿素密度

该研究利用高光谱遥感技术分析水稻和小麦两种作物不同生育期的冠层光谱及其叶面积指数和叶绿素密度的变化,比较高光谱植被指数与两种作物的叶面积指数和叶绿素密度之间的关系,最后确定估算两种作物的叶面积指数和叶绿素密度最佳植被指数。结果表明：水稻和小麦两作物的叶面积指数和叶绿素密度在整个生育期内的变化规律基本一致,即先升高后下降的趋势,但两作物叶绿素密度与叶面积指数最大值出现的时期不同;稻麦两作物在整个生育期内的光谱反射率曲线,在可见光区域（400～700 nm）变化无明显规律,在近红外区域（700～1 000 nm）,生育前期反射率由低到高,到生育后期则由高到低,其中最大值分别出现在抽穗期和灌浆期左右;通过14种植被指数与两作物的叶面积指数和叶绿素密度相关性比较分析得知,二次修正土壤调节植被指数（MSAVI2）与水稻农学参数相关性最好,相关系数r＞0.91,而小麦在800 nm处的光谱反射率(R800)与其农学参数相关性最好,相关系数r＞0.92;并利用线性回归的方法,建立了估算两作物叶面积指数和叶绿素密度的模型,决定系数R2＞0.85。这样为不同环境条件下（水作和旱作）农作物的动态监测和科学管理及决策提供了技术支持。     

不同生育期水稻叶面积指数的高光谱遥感估算模型

2011年和2012年通过大田试验,利用便携式野外光谱仪实测水稻冠层不同生育时期的高光谱数据,同时使用SUNSCAN冠层分析系统采集水稻冠层叶面积指数（LAI）;采用光谱微分技术和统计分析技术,分别分析高光谱反射率及其植被指数与LAI之间的关系,建立LAI估算模型并进行模拟结果对比。结果表明：水稻抽穗-成熟期,利用光谱值的对数形式对LAI值的模拟效果较好,分蘖-抽穗期利用光谱反射率模拟LAI变化过程的效果不理想。 在利用各种植被指数估算LAI方法中,水稻分蘖-抽穗期以修改型土壤调整植被指数MSAVI[758,805]对LAI的估算效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.7754）,估算精度较高。在抽穗-成熟期,也以修改型土壤调整植被指数MSAVI[758,817]对LAI的模拟效果最好,模拟值与实测值的相关系数通过了0.01水平的显著性检验（R=0.6488）,估算精度较高。说明修改型土壤调整植被指数（MSAVI）能更好地模拟水稻不同生育期的叶面积指数,按照分蘖-抽穗期、抽穗-成熟期两个生育阶段分别建立水稻冠层LAI的高光谱估算模型能够提高LAI估算的准确度,研究结果也证实了分生育阶段建模的必要性。