基于PROSAIL結(jié)合VMG模型的冬小麥葉面積指數(shù)反演方法

王梟軒 盧小平 楊澤楠 高 忠 王 璐 張博文

(1.河南理工大學(xué)自然資源部礦山時(shí)空信息與生態(tài)修復(fù)重點(diǎn)實(shí)驗(yàn)室，焦作 454003；2.河北省林業(yè)和草原調(diào)查規(guī)劃設(shè)計(jì)院，石家莊 050056)

0 引言

葉面積指數(shù)(Leaf area index，LAI)是一種衡量植被冠層生理與生化的關(guān)鍵指標(biāo)[1-5]，既可以評(píng)估植被冠層表面最初能量交換，提供相應(yīng)的結(jié)構(gòu)定量數(shù)據(jù)，還能反映植被冠層的光譜能量信息。因此，快速準(zhǔn)確反演LAI對(duì)農(nóng)業(yè)監(jiān)測(cè)、生物地球化學(xué)循環(huán)等具有重要研究意義。

傳統(tǒng)的LAI測(cè)量方法雖然可以獲得更準(zhǔn)確的數(shù)據(jù)，但費(fèi)時(shí)費(fèi)力，難以實(shí)現(xiàn)大規(guī)模的整體監(jiān)測(cè)。隨著遙感技術(shù)的快速發(fā)展，遙感影像已成為大規(guī)模反演LAI的重要工具，具有快速、無損和大面積的優(yōu)勢(shì)。利用衛(wèi)星遙感影像雖然可以大面積反演LAI，監(jiān)測(cè)農(nóng)作物長勢(shì)，但其重訪周期難以與農(nóng)作物的生長周期相吻合。UAV影像能夠以高空間分辨率獲取數(shù)據(jù)，且使用方便，成本低，為監(jiān)測(cè)作物生長狀況提供了數(shù)據(jù)支撐。基于UAV的LAI反演方法需具有高精度，才能有效反演作物L(fēng)AI，以滿足實(shí)際應(yīng)用的要求。

基于UAV影像，LAI遙感反演的主要手段是RGB植被指數(shù)模型和物理模型，其中RGB植被指數(shù)模型反演LAI，計(jì)算時(shí)間短，簡單且應(yīng)用便捷。YAO等[6]基于UAV影像，得出修正植被指數(shù)(Modified triangular vegetation index，MTVI2)與LAI具有較好的相關(guān)性；高林等[7]改進(jìn)了光譜植被指數(shù)，證明了光譜比值植被指數(shù)(Ratio spectral index，RSI)在反演小麥LAI時(shí)，提高了反演的精度；蘇偉等[8]證明了UAV影像在空間分辨率0.6 m尺度下，歸一化紅邊綠指數(shù)(Normalized difference rededge-green index，NDIrer)反演精度較其他尺度下優(yōu)越；姚雄等[9]將比值植被指數(shù)(Ratio vegetation index，RVI)結(jié)合隨機(jī)森林(Random forest，RF)有利于反演森林LAI。上述方法機(jī)理性弱，忽略了影像光學(xué)信息飽和的影響，反演穩(wěn)定性較差，缺乏可移植性。物理模型是依據(jù)植被冠層傳輸理論，建立地表反射率與LAI等物理參數(shù)關(guān)系的模型，該模型機(jī)理性強(qiáng)，不受作物種類和區(qū)域限制。CHENG等[10]將EnKF算法結(jié)合WOFOST模型進(jìn)行反演，可以提高玉米LAI反演精度；DUAN等[11]利用PROSAIL模型建立查找表(Look up table，LUT)反演馬鈴薯和玉米LAI，提高了反演性能；XU等[12]將PROSAIL模型結(jié)合貝葉斯網(wǎng)絡(luò)反演LAI，較傳統(tǒng)PROSAIL模型精度提高。上述方法模型參數(shù)設(shè)定較多，且部分難獲取，會(huì)產(chǎn)生反演病態(tài)問題。

綜合分析研究現(xiàn)狀，基于UAV影像，RGB植被指數(shù)模型機(jī)理性較弱，反演結(jié)果易受傳感器、作物類型、研究區(qū)域等限制；物理模型中參數(shù)之間相互組合，導(dǎo)致反演結(jié)果不穩(wěn)定，并且各種參量獲取和模型本身存在誤差，這些因素導(dǎo)致了物理模型的病態(tài)反演問題，如過擬合、抗噪能力差和反演精度不穩(wěn)定。

綜上，本文提出一種PROSAIL模型結(jié)合VMG模型反演冬小麥LAI方法。首先，構(gòu)建VMG模型反演LAI，減少噪聲對(duì)反演精度的影響；然后，利用PROSAIL模型建立LUT反演LAI，提高模型的機(jī)理；最后，利用VFSA將VMG模型和PROSAIL模型結(jié)合，得到最優(yōu)冬小麥LAI，使模型既具備經(jīng)驗(yàn)?zāi)Ｐ偷暮唵涡?，又具備物理模型的抗噪能力，且不容易過擬合。

1 實(shí)驗(yàn)數(shù)據(jù)

1.1 研究區(qū)域

選取河南省西北部的焦作市為研究區(qū)(112°1′～112°45′E、34°53′～35°16′N)。研究區(qū)北依太行山，南臨黃河，總面積4 071 km2。本次實(shí)驗(yàn)飛行面積為6 km2，地形效應(yīng)對(duì)植被參量反演的影響較小，研究區(qū)日照充足，四季分明，屬溫帶季風(fēng)氣候，降水主要集中在7—9月，為冬小麥生產(chǎn)提供了適宜的氣候條件，糧食作物以冬小麥為主。圖1為研究區(qū)位置及采樣點(diǎn)分布。

圖1 研究區(qū)域和采樣點(diǎn)Fig.1 Study area and sampling points

1.2 遙感數(shù)據(jù)

航拍數(shù)據(jù)采用DJI Phantom 4 Advanced UAV，于2020年10月12日和12月28日拍攝，首先確定飛行路線，飛行高度100 m，分辨率約為0.8 m，水平速度約為4 m/s，以2.4 s的間隔連續(xù)采集影像，影像拍攝設(shè)置為80%正向重疊和75%橫向重疊，為確保無人機(jī)飛行過程安全，選擇天氣晴朗，風(fēng)力小于3級(jí)，降落點(diǎn)避開河流、電纜和建筑物等地面障礙物，確保無人機(jī)正常傳輸GPS信號(hào)、遙控信號(hào)和地圖信號(hào)，最后采用Pix4Dmapper軟件對(duì)航空攝影數(shù)據(jù)進(jìn)行拼接，導(dǎo)出為TIFF格式數(shù)字正射影像圖(Digital orthophoto map，DOM)數(shù)據(jù)。

1.3 數(shù)據(jù)采集

1.3.1葉面積指數(shù)采集

本文將LAI定義為單位地表面積上所有葉片面積之和的一半[13]。通過對(duì)2個(gè)生育期冬小麥LAI進(jìn)行反演分析，選取的采集日期分別為2020年10月12日和12月28日，同步UAV飛行時(shí)間，每日采集時(shí)間均為07：30—09：30，兩個(gè)生育期均選取冬小麥樣點(diǎn)數(shù)量為100個(gè)，所有樣點(diǎn)都遠(yuǎn)離樹木、建筑和道路，保持至少30 m的距離，采樣時(shí)需遮擋陽光，采用LAI-2000型葉面積指數(shù)測(cè)量儀測(cè)量，即利用180°遮蓋帽，確保不因測(cè)量而產(chǎn)生誤差。此外，還應(yīng)調(diào)整好實(shí)測(cè)地面和儀器之間的距離，按照標(biāo)準(zhǔn)應(yīng)當(dāng)保持5 cm，目的是確保冬小麥冠層和儀器的視角范圍之間不產(chǎn)生誤差。為了減少LAI的測(cè)量誤差，對(duì)各個(gè)樣點(diǎn)的LAI測(cè)量4次，取平均值作為最后結(jié)果。同時(shí)，利用美國GPS定位儀實(shí)時(shí)記錄每個(gè)冬小麥樣點(diǎn)的經(jīng)緯度。

1.3.2葉綠素含量采集

冬小麥葉片葉綠素含量(Chlorophyll content，Cab)測(cè)量使用SPAD-502型葉綠素含量測(cè)定儀。該儀器測(cè)定原理是通過測(cè)量葉片對(duì)紅光和近紅外兩個(gè)波長的吸收率，來評(píng)估葉片中葉綠素含量。測(cè)量時(shí)，待每個(gè)樣點(diǎn)LAI測(cè)量完畢后，選擇3株冬小麥，分別測(cè)定每一株冬小麥上、中和下3個(gè)部位的葉綠素含量，計(jì)算平均值作為該株冬小麥葉片的葉綠素含量，然后再計(jì)算3株冬小麥葉片葉綠素含量的平均值作為該樣點(diǎn)的葉綠素含量。

2 研究方法

實(shí)驗(yàn)基于UAV影像，選取河南省冬小麥為研究作物，提出一種PROSAIL模型結(jié)合VMG模型反演冬小麥LAI方法，同時(shí)兩個(gè)生育期均選取60個(gè)實(shí)測(cè)LAI構(gòu)建模型，剩余40個(gè)實(shí)測(cè)LAI驗(yàn)證模型，圖2為PROSAIL模型結(jié)合VMG模型反演LAI的流程圖。首先，將LAI、Cab和葉片結(jié)構(gòu)參數(shù)N、含水量Cw和葉片干物質(zhì)含量Cm等參數(shù)輸入PROSAIL模型，計(jì)算地表反射率；其次根據(jù)UAV影像，得到影像反射率，同時(shí)與地表反射率建立查找表，采用激活函數(shù)，反演LAI；然后利用影像反射率構(gòu)建VMG模型，反演LAI；最后，將VMG模型反演得到的LAI，與PROSAIL模型反演得到的LAI，輸入快速模擬退火算法(Very fast simulated annealing，VFSA)，進(jìn)行迭代，直到兩種模型的LAI差值最小，輸出最優(yōu)LAI，并反演成圖和驗(yàn)證。

圖2 PROSAIL模型結(jié)合VMG模型反演冬小麥LAI流程圖Fig.2 Flow chart of winter wheat LAI inversion by combining PROSAIL model with VMG model

2.1 RGB植被指數(shù)模型

基于UAV影像，分析RGB植被指數(shù)模型反演冬小麥LAI精度，實(shí)驗(yàn)選取了13個(gè)RGB植被指數(shù)模型，公式如表1所示。

表1 植被指數(shù)模型公式Tab.1 Formula of vegetation index model

2.2 PROSAIL模型

PROSAIL模型是葉片光學(xué)模型PROSPECT和冠層輻射傳輸型模型SAIL的耦合模型，是目前最常用的冠層輻射傳輸模型之一[14]。PROSPECT模型主要用來獲取葉片的反射率和透射率，進(jìn)而將這兩個(gè)參數(shù)作為SAIL模型的輸入?yún)?shù)，模擬獲得不同觀測(cè)條件和生化水平下的不同冠層光譜反射率[15]。

PROSPECT是使用葉片特性的函數(shù)模擬可見光到中紅外范圍內(nèi)(400～2 500 nm)的葉片反射率和透射率，其中折射指數(shù)、入射角、平板透射系數(shù)、葉片結(jié)構(gòu)參數(shù)N等是PROSPECT模型的輸入?yún)?shù)[16]。其中平板透射系數(shù)由葉片的生理生化參數(shù)決定，因此當(dāng)入射角和折射指數(shù)一定時(shí)，模型的輸入?yún)?shù)可簡化為結(jié)構(gòu)參數(shù)N與生化組分含量2個(gè)參數(shù)，計(jì)算公式為

(ρ1,τ1)=PROSPECT(N,Cab,Cw,Cm)

(1)

式中ρ1——葉片反射率τ1——葉片透射率

SAIL模型考慮了植被結(jié)構(gòu)的“熱點(diǎn)效應(yīng)”和葉片“鏡面反射”問題，將模擬的通量分為直射、散射、上行和下行4部分，使模型模擬數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)誤差更小。模型公式為

ρc=SAIL(LAI,ALA,ρ1,τ1,HOT,Diff,θv,θs,φ)

(2)

式中ρc——模擬所得冠層反射率

LAI——葉面積指數(shù)ALA——平均葉傾角

HOT——熱點(diǎn)參數(shù)Diff——漫反射系數(shù)

θv——觀測(cè)天頂角θs——太陽天頂角

φ——太陽與觀測(cè)者的相對(duì)方位角

2.2.1參數(shù)確定

基于PROSAIL模型和不同輸入?yún)?shù)的步長范圍設(shè)置，按照設(shè)定步長分為2個(gè)級(jí)別，如LAI取值范圍為1～5，步長為2，各參數(shù)取不同值時(shí)，對(duì)所有波段中每一波段使用各級(jí)別的冠層反射率計(jì)算模型參數(shù)的敏感度，然后將所有波段計(jì)算的敏感度的平均值作為該參數(shù)最后的敏感度，波段敏感度計(jì)算公式為

(3)

式中Si——參數(shù)的敏感度

Ri、Ri+1——第i等級(jí)和第i+1等級(jí)的冠層反射率

根據(jù)式(3)計(jì)算的敏感度如表2所示，ALA為平均葉傾角。

表2 PROSAIL模型參數(shù)敏感度分析Tab.2 Parameter sensitivity analysis of PROSAIL model

由表2可知，PROSAIL模型中，參數(shù)敏感度由大到小依次為LAI、Cab、ALA、N、Cm、Cw，結(jié)果與文獻(xiàn)[17-19]一致，從而也表明了定性分析結(jié)果的可靠性。根據(jù)上述分析，PROSAIL模型參數(shù)具體設(shè)置如表3所示。

表3 PROSAIL模型參數(shù)范圍確定Tab.3 Parameter range determination of PROSAIL model

2.2.2查找表建立

查找表通過建立LAI與影像RGB反射率的對(duì)應(yīng)關(guān)系，然后獲取地表反射率，利用代價(jià)函數(shù)

(4)

(5)

式中RRMSER——遙感影像均方根誤差

RRMSEVI——遙感植被參數(shù)均方根誤差

RRS——遙感波段反射率

RSimulated——模擬反射率

VIRS——遙感植被參數(shù)

VISimulated——由模擬反射率計(jì)算得出的植被參數(shù)

m——波段數(shù)量

反復(fù)計(jì)算冠層反射率，獲得最優(yōu)LAI。

實(shí)驗(yàn)通過2.2.1節(jié)敏感性分析，獲取最優(yōu)參數(shù)，利用PROSAIL模型，在不同參數(shù)組合時(shí)，獲得對(duì)應(yīng)的冠層反射率，將模擬的冠層反射光譜重采樣到UAV影像中心波長處，從而建立冬小麥LAI冠層反射率查找表，獲得最優(yōu)LAI。

2.3 PROSAIL模型結(jié)合VMG模型

根據(jù)PROSAIL模型和VMG模型反演得到的LAI影像，為了使混合模型(PROSAIL模型結(jié)合VMG模型)反演的LAI符合實(shí)際情況LAI，因此，采用代價(jià)函數(shù)，尋求最優(yōu)解，代價(jià)函數(shù)為

(6)

式中X——LAI參數(shù)

L——反演LAI影像像元總數(shù)

yi——VMG模型反演LAI得到影像i處的值

Hi(·)——PROSAIL模型反演LAI得到影像i處的值

a——除X之外的其他輸入變量

Ri——觀測(cè)誤差協(xié)方差矩陣

研究中，將Ri非對(duì)角線元素設(shè)置為零。在式(5)基礎(chǔ)上，將部分實(shí)測(cè)LAI融入模型[20]，反演的代價(jià)函數(shù)更新為

(7)

式中X′——PROSAIL模型中LAI和Cab參數(shù)

M——輻射傳遞模型PROSAIL

a′——PROSAIL模型中除X′之外的其他輸入變量

為了選取最優(yōu)解，使用VFSA算法聯(lián)合兩個(gè)評(píng)價(jià)函數(shù)。該算法對(duì)參數(shù)的初始值不敏感，多用于不連續(xù)性和非線性函數(shù)，可獲得參數(shù)的全局最優(yōu)值。

2.4 精度評(píng)價(jià)

通過精度評(píng)定可有效評(píng)價(jià)模型與實(shí)測(cè)冬小麥LAI的擬合狀況，獲得最優(yōu)反演模型。選取決定系數(shù)R2和均方根誤差(RMSE)兩個(gè)指標(biāo)進(jìn)行擬合精度評(píng)價(jià)。R2越大，RMSE越小，表示模型精度越高。

3 結(jié)果與分析

3.1 RGB植被指數(shù)模型與冬小麥LAI的相關(guān)性分析

RGB植被指數(shù)模型與冬小麥LAI回歸分析前，分析其相關(guān)性，結(jié)果如表4所示。由表4可知，14種RGB植被指數(shù)模型與冬小麥LAI顯著相關(guān)，相關(guān)系數(shù)均在0.7以上，其中VMG與冬小麥LAI的相關(guān)性最強(qiáng)，相關(guān)系數(shù)為0.887 7和0.889 3。

表4 RGB植被指數(shù)模型與冬小麥LAI的相關(guān)系數(shù)Tab.4 Correlation coefficients between RGB vegetation index model and winter wheat LAI

3.2 RGB植被指數(shù)模型建立

根據(jù)相關(guān)性分析，采用線性算法VARI建立單元回歸模型，并使用VARI、MGRVI和GRRI建立多元回歸模型(VMG)，如表5所示。VMG擬合精度高于單變量模型，拔節(jié)期R2為0.684 2，RMSE為0.584 1 m2/m2，孕穗期R2為0.623 9，RMSE為0.573 2 m2/m2?；赨AV影像，在反演LAI精度要求不高的情況下，VMG是一個(gè)有效的方法。

表5 RGB植被指數(shù)模型的LAI估計(jì)模型Tab.5 LAI estimation model of RGB vegetation index model

為了有效評(píng)估模型的可靠性，將影像數(shù)據(jù)代入VMG模型，同時(shí)建立預(yù)測(cè)LAI與實(shí)測(cè)LAI線性擬合方程，如圖3所示。實(shí)驗(yàn)結(jié)果表明，兩個(gè)生育期中，VMG模型擬合精度R2高于0.6，RMSE低于0.6 m2/m2，其中，孕穗期反演LAI精度高于拔節(jié)期，在一定程度上反映了冬小麥的生長情況，但無法滿足反演精度要求。

圖3 VMG模型與LAI擬合結(jié)果Fig.3 Fitting results of VMG model and LAI

3.3 PROSAIL模型與冬小麥LAI的相關(guān)性分析

基于UAV影像，通過PROSAIL模型建立多光譜反射率、冬小麥LAI冠層反射率查找表和代價(jià)函數(shù)得到的LAI，建立與實(shí)測(cè)LAI的相關(guān)關(guān)系，如圖4所示。

圖4 PROSAIL模型與LAI擬合結(jié)果Fig.4 Fitting results of PROSAIL model and LAI

由圖4可知，PROSAIL模型反演孕穗期冬小麥LAI精度高于拔節(jié)期，R2為0.784 5，RMSE為0.425 6 m2/m2。與RGB植被指數(shù)模型相比，兩個(gè)生育期的反演精度分別提高了12.6%、15.7%，說明本實(shí)驗(yàn)中，PROSAIL模型反演精度高于RGB植被指數(shù)模型，同時(shí)該模型更適合反演孕穗期冬小麥LAI。

3.4 PROSAIL模型結(jié)合VMG模型與冬小麥LAI的相關(guān)性分析

基于UAV影像，通過PROSAIL模型結(jié)合VMG模型建立預(yù)測(cè)冬小麥LAI與實(shí)測(cè)LAI的相關(guān)關(guān)系，如圖5所示。同時(shí)對(duì)研究區(qū)冬小麥進(jìn)行LAI遙感反演，結(jié)果如圖6所示。

圖5 PROSAIL模型結(jié)合VMG模型與LAI擬合結(jié)果Fig.5 Fitting results of PROSAIL model combined with VMG model and LAI

由圖5可知，PROSAIL模型結(jié)合VARI模型反演LAI與實(shí)測(cè)LAI基本分布在1∶1關(guān)系線兩側(cè)，擬合效果較優(yōu)。其中拔節(jié)期擬合效果優(yōu)于孕穗期，R2為0.877，RMSE為0.362 4 m2/m2。上述分析表明，本文提出的反演方法較前2種方法提高了反演精度。

圖6 PROSAIL模型結(jié)合VARI模型反演冬小麥LAI結(jié)果Fig.6 Inversion of winter wheat LAI results by combining PROSAIL model with VARI model

由圖6可知，拔節(jié)期冬小麥LAI集中在1～1.2 m2/m2附近，孕穗期在3～3.5 m2/m2附近。因此，根據(jù)實(shí)際測(cè)量結(jié)果可知，兩個(gè)生育期反演結(jié)果分布比較均勻，冬小麥區(qū)域LAI較高，土壤區(qū)域LAI較低，基本不存在異常值，符合實(shí)際冬小麥生長狀況。

3.5 模型驗(yàn)證

為檢驗(yàn)LAI反演模型的可靠性，將建模樣本以外的其余40個(gè)實(shí)測(cè)LAI作為真值，同時(shí)利用PROSAIL模型結(jié)合VMG模型反演得到的LAI進(jìn)行回歸分析，得到2個(gè)生育期LAI反演值與真值之間的相關(guān)關(guān)系，如圖7所示。

圖7 PROSAIL模型結(jié)合VARI模型驗(yàn)證結(jié)果Fig.7 Verification results of PROSAIL model and VARI model

由圖7可知，本文方法反演2個(gè)生育期冬小麥LAI與實(shí)測(cè)LAI之間的R2為0.814 0、0.838 0，RMSE為0.372 6、0.352 1 m2/m2。綜合分析得出，雖然2個(gè)生育期相關(guān)性不同，但R2在0.80以上，RMSE小于0.4 m2/m2，說明本文方法能真實(shí)反映冬小麥的長勢(shì)及其變化情況。

4 討論

本文基于UAV影像采用PROSAIL模型結(jié)合VMG模型，反演兩個(gè)生育期冬小麥LAI，與RGB植被指數(shù)模型和PROSAIL模型進(jìn)行了分析，獲取了最優(yōu)LAI反演影像。結(jié)果證明了基于UAV影像，PROSAIL模型結(jié)合VMG模型對(duì)冬小麥LAI反演具有較優(yōu)的效果。

在冬小麥生長前期，RGB植被指數(shù)模型反演冬小麥LAI會(huì)出現(xiàn)植被光譜飽和的現(xiàn)象。這將導(dǎo)致LAI反演精度較低，使得實(shí)測(cè)LAI高于反演LAI，影響反演的準(zhǔn)確性。為解決該問題，將LAI反演從單源影像反演轉(zhuǎn)為多源遙感反演，或者采用多元模型擬合，盡量減少植被過飽和對(duì)反演精度的影響。研究采用多元擬合的方法構(gòu)建了VMG模型反演2個(gè)生育期冬小麥LAI，如圖3所示，當(dāng)LAI大于3 m2/m2時(shí)，VMG模型反演LAI大于實(shí)測(cè)LAI，是由于模型沒有考慮作物陰影對(duì)LAI的影響。

基于UAV影像，PROSAIL模型影響冬小麥LAI反演性能的主要因素是LUT中變量范圍。為了解決該問題，有效利用先驗(yàn)知識(shí)提高變量準(zhǔn)確性，除了實(shí)測(cè)數(shù)據(jù)外，LUT設(shè)置應(yīng)與前人的研究相同，生成的LUT可以權(quán)衡LAI反演的準(zhǔn)確性。但多個(gè)參數(shù)相互結(jié)合，會(huì)產(chǎn)生多組反射率數(shù)據(jù)，存在模型反演的病態(tài)問題，因此，提高作物的反演精度需要考慮混合模型。例如，將PROSAIL與RGB植被指數(shù)模型相結(jié)合。實(shí)驗(yàn)采用PROSAIL模型結(jié)合VMG模型反演兩個(gè)生育期冬小麥LAI，由圖5、6可知，反演結(jié)果分布比較均勻，異常值區(qū)域較少，農(nóng)田分布的區(qū)域LAI較高。證明了混合模型既具備經(jīng)驗(yàn)?zāi)Ｐ偷暮唵涡酝瑫r(shí)又具有物理模型的普遍適用性，抗噪能力強(qiáng)且不容易產(chǎn)生過擬合。

綜上所述，采用PROSAIL模型結(jié)合VMG模型反演兩個(gè)生育期冬小麥LAI具有良好結(jié)果。同時(shí)對(duì)這兩個(gè)生育期反演后的影像進(jìn)行了驗(yàn)證，但由于數(shù)據(jù)缺少的問題，其他生育期冬小麥LAI反演未完成。因此，在未來的研究中，將利用多時(shí)序和多分辨率遙感影像反演冬小麥LAI。

5 結(jié)論

(1)RGB植被指數(shù)模型與LAI的相關(guān)性較高，其中VARI最優(yōu)。單變量和多變量回歸模型中，多元回歸模型(VMG)建模精度高于單變量回歸模型(VARI)。VMG反演冬小麥LAI，拔節(jié)期R2為0.673 2，RMSE為0.572 3 m2/m2；孕穗期R2為0.680 6，RMSE為0.543 6 m2/m2。

(2)定量分析PROSAIL模型參數(shù)敏感性后，得出LAI和Cab為模型在可見光波段最敏感。然后建立LUT得出，該模型LAI反演結(jié)果基本符合拔節(jié)期和孕穗期冬小麥LAI生長狀況。

(3)基于UAV影像，本文方法反演拔節(jié)期和孕穗期冬小麥LAI，精度高于PROSAIL模型和VMG模型，拔節(jié)期R2為0.877，RMSE為0.362 4 m2/m2；孕穗期R2為0.839 7，RMSE為0.385 6 m2/m2，證明了模型的可行性和有效性。