论文部分内容阅读
叶面积指数(Leaf Area Index,LAI)是农业监测和环境监测中最重要的植被结构参数之一,并广泛应用于作物生长监测、产量估计、田间管理等农业应用中。遥感技术具有快速、准确、经济的特点,且随着遥感技术的发展,遥感数据呈多元化趋势,多平台及多传感器的遥感技术已经成为农作物生长监测的重要手段,以实现精细化农业管理。目前,使用遥感手段对于叶面积指数的获取已经有了较为成熟的发展,国内外学者几经建立起一套基于多平台(地面、无人机和卫星数据)的叶面积指数反演体系。然而,目前的研究主要针对单一农作物的LAI反演,对种植面积广且种植结构复杂的研究区具有一定的局限性。本文旨在探究几种主要农作物类型(玉米、大豆、油菜、水稻)叶面积指数(LAI)反演的几种方法,包括植被指数法、机器学习方法及神经网络,并在此基础上探讨不同作物类型的叶绿素含量差异和冠层结构差异对本文研究作物的叶面积指数统一反演的影响主要开展的研究内容包括:(1)本文比较了LAI反演不同方法(植被指数法、机器学习经典算法)的准确性。实验结果表明,机器学习方法能够自学习特征之间复杂的相关关系,有很高的LAI反演精度。基于红边波段的植被指数与机器学习及神经网络方法相比,能够实现对作物简单高效的叶面积指数反演结果,并具有物理意义上的可解释性,是本文的主要研究方法;(2)本文采用了叶面积指数反演的常用植被指数形式(归一化植被指数和改进型比值植被指数),将高光谱数据模拟为Sentinel-2多光谱波段数据,选择与植被特征极度相关的波段(红色波段、绿色波段、红边波段与近红外波段),构建植被指数,建立植被指数反演叶面积指数模型。实验表明,在改进的比值植被指数和归一化植被指数中使用不同的波段组合,基于红边的植被指数与LAI呈现强烈且显著的近似线性关系,且对作物类型不敏感,是四种作物反演LAI的最佳波段;使用高光谱数据集设计植被指数实验,探究反演四种作物LAI的最佳波段。实验结果证明,中心波长为720nm的高光谱反射率数据对四种作物LAI反演结果最好。因此,如果可以获得720 nm左右的红边波段,如海洋光学,ASD等高光谱辐射计和AISA,HYPERION等高光谱成像传感器数据,本文推荐使用基于720 nm中心红边带反射率的指数VIRededge作为非物种特异性指标,用于估算小麦,大豆,油菜和水稻的叶面积指数。(3)评估四种作物叶绿素含量差异对综合LAI反演的影响。使用冠层辐射传输模型PROSAIL模型模拟不同叶绿素含量条件下的光谱差异,在此基础上分析了叶绿素对PROSAIL模型的敏感性。实验表明,长波红边波段对叶绿素含量的敏感性远远低于短波红边的敏感性,进而用两个波段按一定比例组合代替短波红边,改进了植被指数,增大了LAI反演精度。(4)对四种农作物进行两两组合,探究冠层结构对叶面积指数的影响。为了评估综合叶面积指数反演结果,本文提出了绝对积分偏差的方法,能够更好地说明不同作物混合反演叶面积指数的可行性。在此基础上,本文分析了冠层差异对PROSAIL模型的敏感性,为结论提供理论支持。