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。     

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。     

基于高光谱图像的茶树LAI与氮含量反演

为了对茶树进行实时、快速、无损的叶面积指数LAI和氮含量检测,该文以英红九号茶树为试验对象,利用便携式高光谱成像仪采集光谱数据、人工破坏性采摘叶片进行叶面积指数的计算以及传统化学方法测量叶片氮含量,比较不同高光谱特征变换形式与LAI和氮含量之间的相关性,并选择其中相关系数较高的高光谱特征变量作为自变量,分别采用线性、指数、对数和抛物线表达式建立LAI和氮含量的回归模型。结果显示:在多种高光谱数据变量建立的模型中,以绿峰反射率R_g为自变量的对数拟合模型最佳,其拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.9和0.087 6。以植被指数变量VI_4(红边面积/黄边面积)与氮含量建立的指数模型为最佳建模效果,拟合样本的决定系数R~2和验证样本的均方根误差RMSE值分别为0.830 3和0.102 9,研究结果可为茶树叶面积指数LAI和营养成分的无损检测提供参考。     

水稻叶面积指数与MODIS植被指数、红边位置之间的相关分析

对模拟中分辨率成像光谱仪（MODIS）两个植被指数归一化植被指数（NDVI）、增强植被指数（EVI）以及红边位置（REP）与水稻叶面积指数（LAI）进行了相关研究。利用光谱分辨率为3 nm 的ASD FieldSpec UV/VNIR 光谱仪获得了2002年两个不同水稻品种——杂交稻和常规稻整个生长期的高光谱数据，同时对水稻LAI进行了测定。利用一阶微分计算红边位移。模拟了MODIS 3个波段，波段1(620-670 nm，红波段)，波段2(841～876 nm，近红外)和波段3(459～479 nm，蓝波段)，并用这些波段计算了MODIS-NDVI和EVI。结果表明：对于常规稻，MODIS-NDVI、EVI和REP与水稻LAI呈现出良好的相关性；而对于杂交稻，与水稻LAI相关性来说，MODIS-EVI和REP要比MODIS-NDVI更敏感。分析原因，主要是因为杂交稻同常规稻相比在生长的中后期LAI比较大，MODIS-NDVI容易饱和；而MODIS-EVI和REP由于可以消除背景影响，增强对LAI的敏感性。因此MODIS-EVI和REP可以更有效地监测水稻叶面积指数。     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。     

漓江上游山区水源林叶面积指数变化的遥感监测

为了定量评价漓江上游山区复杂地形水源林叶面积指数(LAI)的变化,对阔叶林、针叶林、竹林样地以TRAC仪器测定LAI,利用遥感数据计算归一化植被指数(NDVI)、比值植被指数(SR)、减化比值植被指数(RSR)、土壤调整植被指数(SAVI)、增强植被指数(EVI),并从DEM数据获取高程、坡度、坡向,提出并建立复杂地形最优多植被指数组合估算山区林地LAI的神经网络模型,利用模型对1989–2009年6景TM/ETM遥感图像估算LAI空间分布。结果表明,神经网络解决了LAI与多植被指数的非线性回归方程无法引入地形因素、且方程系数较多较难确定的问题,提高了LAI的估算精度。研究区成熟阔叶林减少代之以大片种植经济幼林,是导致林地LAI变化的原因。1989-2000年,LAI≥6.0的林地面积比例从78.8%逐年急剧下降到44.1%,LAI在1.0~6.0的林地面积比例从20.8%大幅上升到55.4%;2000-2009年,随着幼林的生长、竹林的速生,LAI≥6.0的林地面积比例逐渐上升恢复到74.5%,但仍未恢复到1989年的面积比例,相应LAI在1.0~6.0的林地面积比例逐渐下降到25.1%。研究成果为漓江上游水源林生态评估提供参考。     

基于多源无人机影像特征融合的冬小麦LAI估算

为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）;以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源）,比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。     

基于人工神经网络方法的冬小麦叶面积指数反演

实践中,大尺度上测量叶面积指数（LAI）很难实现,利用遥感技术进行LAI的定量反演成为当前研究的重点。该文应用MODIS地表反射率数据反演冬小麦叶面积指数,假设MODIS像元由作物和土壤混合,建立了SAILH模型与裸土反射率组成的线性光谱混合模型,基于人工神经网络的方法进行LAI反演,获得了北京顺义冬小麦种植区在2001年4月1个时间序列的LAI。研究表明,此方法能够较好的获取大区域尺度上的LAI,对冬小麦长势监测具有重要意义。     

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。     

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。     

田间光照条件下应用半球图像解析玉米冠层结构参数

半球图像法是一种重要的作物冠层结构参数间接获取方法,该文针对半球图像法易受田间变化光照影响,提出一种基于多曝光图像融合映射的变化光照去除方法。首先,在田间条件下获取一组不同曝光值的冠层半球图像序列,然后通过图像亮度和曝光时间的线性方程组计算冠层的光照辐射强度图,而后采用直方图均衡化思想将不同时刻光照辐射强度图向RGB空间映射,映射后半球图像亮度均衡分布,消除光线变化对图像亮度的影响。在冠层参数解析阶段,利用Beer-Lambert定律反演玉米半球图像冠层叶面积指数(leaf area index,LAI)和平均叶倾角(mean leaf angle,MLA)的计算方法。试验结果表明,变化光照条件下半球图像冠层参数解析方法与直接测量法具有较高的相关性,LAI测量相关系数为0.970。该方法扩展了半球图像法的适用范围,为田间环境下冠层参数的自动连续监测提供了解决方案。     

农作物冠层结构参数自动测量系统设计与试验

农作物冠层的结构参数,如叶面积指数与平均叶倾角,是影响太阳辐射在农田内进行重新分配的重要参数。在农业工程中,以玉米与小麦为例,这些参数的测量以传统的手持仪器为主,需要消耗较大的人力和时间,难以被应用于大区域尺度、长时间序列结构参数获取。该文设计并实现了一种基于无线传感器网络技术的农作物结构参数自动测量系统。系统由冠层上、下部光强测量节点、数据汇聚节点以及数据无线传输的路由节点组成,通过测量不同太阳高度角下冠层透过率来求解冠层的结构参数。数值模拟结果与野外实测结果表明,该文所用的结构参数反演算法稳定,测量系统可以较好的探测一天之中不同太阳高度角下的植被冠层太阳辐射透过率,基于方向透过率计算得到的叶面积指数与LAI2000仪器测量结果有较好的相关性,平均叶倾角和理论分布模式计算结果基本一致。该系统可以应用于对大区域尺度上的农作物长时间序列连续观测,提高农作物结构参数测量的自动化程度。     

基于Sentinel-2多光谱数据的棉花叶面积指数估算

棉花叶面积指数(leaf are index, LAI)的快速、准确获取对棉花长势监测、发育期诊断、面积提取以及产量估算等遥感监测具有重要意义。该研究利用2017年和2018年的Sentinel-2多光谱卫星数据及大面积田间试验观测获取的棉花不同发育期LAI实测数据,构建了基于单波段反射率及各类植被指数的棉花不同发育期及全发育期LAI估算模型,并采用留一验证(LOOCV, leave-one-out cross validation)和交叉验证对模型精度进行了检验。结果表明:1)对于单波段反射率,基于中心波长为842 nm波宽为145 nm的B8近红外波段对不同发育期LAI估算精度最优均方根误差(RMSE, root mean square error, RMSE=0.378);2)对于各类植被指数,花蕾期(20170616)和花铃期(20170802)时增强植被指数(EVI, enhanced vegetation index,)表现最佳(RMSE分别为0.352和0.367),开花期(20180623)时校正土壤调节植被指数(MSAVI2, modified soil adjusted vegetation index 2,)估算精度最高(RMSE=0.323);3)单波段反射率和各类植被指数对全发育期LAI的估算均要优于对单个发育期LAI的估算,其中基于IRECI指数的(invertedred-edge chlorophyllindex)全发育期LAI估算模型精度最佳,LOOCV检验RMSE=0.425,交叉检验RMSE=0.368;将基于IRECI的全发育期LAI估算模型应用到单个发育期LAI估算并与各单个发育期LAI估算模型精度对比,发现交叉验证RMSE平均值仅比LOOCV验证RMSE平均值高0.07,反映了全发育期LAI估算模型良好的普适性。该研究为农作物LAI估算提供了新的数据选择,完善了Sentinel-2卫星数据在LAI估算中的应用领域。     

基于光谱信息的柑橘树叶面积指数测试系统研制

叶面积指数可为精细农业生产提供作物生物量状态信息,通过光谱的分析,找出叶面积指数和光谱的关系,从而通过光谱反演出叶面积指数及叶干质量,可实现叶面积指数的快捷准确测量。该文以柑橘叶片为研究对象,通过扫描标定试验,得到叶片的精确总面积以及标定的LAI值。利用以FieldSpec-FR地物谱仪和计算机为主体的数据采集平台和以计算机和ViewSpecPro、SPSS等软件为核心的反演平台组成的测试系统,对柑橘叶光谱信息进行采集与分析。结果表明,LAI与光谱信息RVI的拟合方程相关系数R=0.891,显著水平Sig＜0.05,应用回归方程计算的结果相对误差为0.04%;LAI与叶干质量的拟合方程相关系数R=0.885,显著水平Sig＜0.05,应用回归方程计算的结果相对误差为0.30%,叶干质量与叶湿质量的拟合方程相关系数R=0.990,显著水平Sig＜0.05,应用回归方程计算的结果相对误差为2.27%。该系统可为果树LAI进行实时快速自动检测提供研究基础。     

融合无人机载激光雷达与多光谱遥感数据的冬小麦叶面积指数反演

为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,LiDAR)在农作物长势监测方面的潜力,探究机载LiDAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载LiDAR和可见光-近红外多光谱为研究手段,获取试验区冬小麦孕穗期的无人机...     

冬小麦拔节抽穗期作物系数的研究

在2000～2004年4个冬小麦生长季节研究了冬小麦拔节抽穗期农田蒸散量和参考作物腾发量（FAO56 PM方法计算）的关系，以及作物系数和叶面积指数及作物株高的关系。研究发现在冬小麦拔节抽穗前期，参考作物腾发量要大于或者接近于农田蒸散量，而在后期则要明显小于农田蒸散量。作物系数随着叶面积指数的增加和株高的增加而增加。用2003和2004年的数据回归建立了叶面积指数和株高与作物系数的数学表达式，并计算了2001和2002年的农田蒸散量。结果显示用叶面积和株高两种方法都能够很好的估算农田蒸散量。但是当农田蒸散量小于3 mm/d时，计算值要小于观测值。用叶面积指数和株高两种方法计算的农田蒸散量没有明显差别，说明用株高计算农田蒸散量是可行的。     

Optically-based methods for measuring seasonal variation of leaf area index in boreal conifer stands

The feasibility of detecting the seasonal variation in leaf area index (LAI) in boreal conifer forests is investigated using optical instruments. The LAI of six stands was measured. They include young and old jack pine (Pinus banksiana) and old black spruce (Picea mariana) located near the southern border (near Prince Albert, Saskatchewan) and near the northern border (near Thompson, Manitoba) of the Canadian boreal ecotone. LAI values of the stands are obtained by making several corrections to the effective LAI measured from the LI-COR LAI-2000 Plant Canopy Analyzer (PCA). The corrections include a foliage element (shoot) clumping index (for clumping at scales larger than the shoot) measured using the optical instrument TRAC (Tracing Radiation and Architecture of Canopies) developed by Chen and Cihlar (Chen, J.M. and Cihlar, J., 1995a, Plant canopy gap size analysis theory for improving optical measurements of leaf area index of plant canopies, Appl. Opt., 34: 6211–6222), a needle-to-shoot area ratio (for clumping within the shoot) obtained from shoot samples, and a woody-to-total area ratio obtained through destructive sampling of trees. It is found that the effective LAI varied about 5% to 10% in the growing season and the element clumping index remained almost unchanged. The needle-to-shoot area ratio varied the most, about 15% to 25%, which is of the same order of magnitude as the expected seasonal variability in LAI. This demonstrates that most of the seasonal variation information is contained in the needle-to-shoot area ratio, which can not be measured indirectly using in situ optical instruments and has to be obtained from a large quantity of shoot sample analysis which is laborious and error-prone. Based on our experience, an improved and convenient shoot sampling strategy is suggested for future studies. The optically-based LAI values were compared with destructive sampling results for three of the stands. Based on error analysis, we believe that optical measurements combined with shoot sample analysis can produce LAI values for conifer stands which are more accurate than destructive sampling results.     

基于作物模型与叶面积指数遥感影像同化的区域单产估测研究

通过对作物光合、呼吸、蒸腾、营养等一系列生理生化过程的定量模拟,作物生长模型已经被成功应用于田间尺度的作物单产研究。为了进一步将作物模型扩展应用于区域尺度,提高区域作物单产的模拟精度,该文探讨了将作物模型与多时相叶面积指数(LAI)遥感影像同化以改善区域单产估测的方法。研究首先通过地理信息系统将美国农业部开发的“考虑气候的作物环境决策模型”——EPIC模型,扩展为空间模型。然后,通过基于Landsat TM影像差值植被指数DVI与田间观测叶面积指数构建的最优回归模型,反演了研究区域的多时相叶面积指数影像。最后通过优化算法实现了空间EPIC模型与影像信息的同化,并将系统应用于河北石家庄地区2004年冬小麦的单产估测。结果表明,通过数据同化校正部分关键参数后的空间作物模型的单产模拟精度得到有效提高,但要达到业务运行精度仍有待进一步改善。     

基于HJ-CCD数据和随机森林算法的小麦叶面积指数反演

为给小麦长势的遥感监测提供技术支持,该文运用随机森林回归(RF,random forest)算法建立小麦叶面积指数(LAI)遥感反演模型。首先基于2010-2013年江苏地区小麦环境减灾卫星HJ-CCD的影像数据,提取拔节、孕穗和开花3个生育期的卫星植被指数,进而根据各生育期植被指数和相应实测LAI数据,利用RF算法构建各期小麦LAI反演模型,并以人工神经网络(ANN,artificial neural network)模型为参比模型进行预测精度的比较。结果表明:RF算法模型在3个生育期的预测结果均好于同期的ANN模型。拔节、孕穗和开花3个生育期RF模型预测值与地面实测值的R2分别为0.79,0.67和0.59,对应的RMSE分别为0.57,0.90和0.78;ANN模型的R2分别为0.67,0.31和0.30,对应的RMSE分别为0.82,1.94和1.43。该研究结果为提高大田尺度下的小麦LAI遥感预测精度提供了技术和方法。     

联合Terra/Aqua MODIS多角度多光谱数据反演冬小麦叶面积指数

Terra与Aqua双星搭载的MODIS传感器可实现每日上下午分别对同一地点观测一次,并且由于卫星轨道漂移形成累积连续多天的多角度观测特点,加上多通道的光谱响应,极大地丰富了地表目标的观测信息,为LAI等地表参数的实时准确反演提供了可能。该文利用MODIS双星高质量的连续多天的多波段地表反射率数据,结合PROSAIL(PROSPECT+SAIL,properties spectra+scattering by arbitrarily inclined leaves)模型和查找表方法反演冬小麦LAI,并与MODIS LAI产品及野外采样点实测LAI对比,结果表明,联合双星高质量的多角度多波段数据能够较准确反演冬小麦LAI,其反演结果无论从空间分布还是时序变化特征来讲,较MODIS LAI产品更符合实际情况,也更接近地面实测值。该文的研究为充分利用MODIS数据的角度和光谱信息反演小麦等农作物的LAI提供了一定的借鉴。