1 中国农业大学土地科学与技术学院, 北京 100083
2 农业部农业灾害遥感重点实验室, 北京 100083
叶面积指数(LAI)与植被光合作用、 蒸腾作用、 生物量的形成等有密切联系, 是玉米长势监测、 灾害胁迫监测、 产量预测等重要参数之一, 也是辐射传输模型、 作物生长模型等机理模型的一个重要参数。 Sentinel-2卫星是“全球环境与安全监测”计划的第二颗卫星, 具有较高的时空分辨率, 且具有红边波段, 其可见光和近红外波段的分辨率为10m, 是农业遥感应用的理想数据源。 PROSAIL辐射传输模型是遥感反演玉米冠层LAI的有效途径, 然而在反演中存在输入参数不确定性大、 调参困难、 病态反演、 速度慢等问题。 模型的参数标定能够获取观测反射率及不确定性范围内的参数取值, 提供丰富准确的参数信息, 降低模型反演过程中的偏差。 为探索参数标定在玉米冠层LAI反演中的应用, 研究以Sentinel-2A卫星影像为数据源, 使用马尔可夫链蒙特卡洛方法(MCMC)对PROSAIL模型进行参数标定, 通过加入5%的观测光谱不确定性, 获取各参数在不确定性范围内的后验取值概率分布, 以优化反演过程中的参数设置, 提高LAI反演精度。 研究结果表明: （1）PROSAIL模型对可见光和近红外波段较为敏感的输入参数有LAI、 叶片叶绿素含量及结构系数, 将此三个参数作为查找表反演中的可变参数能够有效地进行LAI的反演, 反演精度的决定系数达0.7以上。 （2）MCMC方法能够对PROSAIL模型进行参数标定, 获取研究区内玉米各参数取值分布信息, 参数后验分布与实际情况接近, 表明利用MCMC方法进行参数标定可行有效。 （3）通过参数标定可以有效提高LAI的反演精度, 在降低反演偏差和异常值方面尤为明显, 参数标定优化后的反演平均偏差由原先的20%降低至8%, 同时估算精度由76%提高至90%。 研究结果表明: 利用MCMC进行PROSAIL模型参数标定, 能够提高PROSAIL模型的LAI反演精度, 降低反演偏差, 为利用PROSAIL辐射传输模型提高作物冠层参数反演精度提供借鉴。
Sentinel-2卫星 PROSAIL辐射传输模型 参数标定 LAI反演 敏感性分析 Sentinel-2 PROSAIL radiative transfer model Parameter calibration LAI retrieval Sensitivity analysis 光谱学与光谱分析
2021, 41(6): 1891
玉米是我国重要的粮食作物之一, 在我国种植规模最大、 发展最快。 玉米的长势会直接影响到其产量和品质, 因此通过对玉米的长势进行有效监测, 可以为田间管理、 早期产量估算提供宏观的参考信息, 为国家和相关部门决策提供重要的参考依据。 以无人机为遥感平台, 搭载影像传感器构建遥感系统, 获取玉米可见光谱遥感影像。 利用ENVI软件对获取的玉米冠层可见光谱彩色图像进行几何校正和辐射校正, 然后对图像进行彩色图像灰度化和增强处理。 利用对农田复杂背景适应能力较好以及具有较强光照适应性的AP-HI算法完成作物分割来提取玉米覆盖度信息。 在计算玉米覆盖度时, 首先利用AP-HI算法将图像进行分割, 并转换为二值图, 来去除图像中的土地、 水管、 道路、 作物残渣等背景, 以保留玉米的二值图像。 图像中的农田存在道路区域, 计算实际作物覆盖度时需将其排除。 道路区域出现在图像的四个边界以及相对正中的位置处, 对这些位置分别进行处理, 统计其中黑色像素点的个数, 根据像素点个数确定道路宽度, 并将道路部分从二值图中去除。 去除后的二值图中, 白色像素为无作物区域, 黑色像素为玉米种植区域, 统计黑色像素占总像素的比例, 以此确定作物的多少。 选取80×80像素值作为单位面积, 对处理图像进行分块标记, 得到区块数为720, 对单位面积的分块进行全区域扫描, 每当扫描到一个黑色像素值就将总的统计面积加1, 直至扫描到6 400个像素点, 计算其中含有的总的黑色像素值数目与6 400的比值, 直至将720个区块黑色像素点占总像素比例统计完全, 即可计算图像中黑色像素数与总像素数之比, 即为玉米覆盖度。 在此基础上, 根据实际情况计算玉米冠层孔隙率, 并建立覆盖度与叶面积指数模型, 完成玉米叶面积指数反演, 为玉米长势监测提供理论依据。
无人机 遥感 可见光谱 玉米 长势监测 叶面积指数 UAV Remote sensing Visible spectrum Maize Growth monitoring LAI
1 北京大学地球与空间科学学院遥感与地理信息系统研究所, 北京 100871
2 地理信息基础软件与应用工程技术研究中心, 北京 100871
3 空间信息集成与3S工程应用北京市重点实验室, 北京 100871
连续时序的叶面积指数（LAI）可反映冬小麦长势的变化情况, 预测冬小麦未来时段的LAI对指导田间管理决策具有重要作用。 以WOFOST（World Food Studies）为代表的作物生长模型可通过模拟冬小麦的生长发育过程对未来LAI曲线进行预测, 但其预测过程依赖于未来的气象数据等难以获取的输入参数。 由于冬小麦的LAI时序变化具有连续性和规律性的特点, 可通过深度学习方法仅以历史LAI为输入参数对未来LAI进行预测, 但深度学习方法需要大量样本参与训练, 训练样本的稀缺性限制了其在LAI预测方面的实际应用。 针对上述问题, 通过数据同化方法将遥感数据与WOFOST模型相结合, 采用SCE（Shuffled Complex Evolution）算法最小化校正后的MODIS LAI产品与模型模拟LAI之间差值来优化作物模型初始参数, 从而构建出京津冀地区15年的逐日冬小麦LAI数据集。 在该数据集基础上, 利用长短期记忆网络（LSTM）分别建立了不同输入历史LAI天数的多个冬小麦预测模型, 探究了不同预测模型表达冬小麦生育期中LAI变化规律的能力。 结果表明: 基于LSTM网络的预测模型都能较好进行冬小麦LAI未来曲线变化的预测, 其中当模型输入LAI长度为20时, 预测冬小麦从返青到成熟阶段的LAI精度最高, 其决定系数（R2）、 均方根误差（RMSE）值分别为0.986 5和0.183 6。 对于冬小麦生长各个阶段, 预测模型对于返青至开花期的预测精度高, 开花至成熟期的预测精度稍有降低。 总体而言, 构建训练数据集的方法对于深度学习方法在相似问题中的应用具有借鉴意义, 建立的预测模型验证了LSTM网络对于冬小麦时序LAI曲线具有较好的预测能力, 为预测作物未来时序LAI提供了一种有效的方法。
叶面积指数 长短期记忆网络 WOFOST模型 数据同化 MODIS LAI遥感影像 Leaf area index Long short-term memory World food studies Data assimilation MODIS LAI remote sensing image
1 School of Mathematical Sciences, Capital Normal University, Beijing00048, China
2 Key laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing100094, China
3 Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing100094, China
区域叶面积指数（Leaf Area Index, LAI）定量反演是开展大尺度农作物长势监测和产量估算的重要基础。针对当前区域LAI遥感定量反演存在的反演精度不理想和模型稳定性弱等问题，提出了一种基于少量训练样本进行LAI高精度反演的深度神经网络（Small Simple Learning LAI-Net, SSLLAI-Net）。该网络由2个卷积层、1个池化层和3个全连接层构成，将光谱反射率数据作为网络输入端、输出端得到LAI反演值，且该网络模型可支持小样本数据量的训练。以德国阿尔卑斯山麓高光谱遥感卫星影像Environmental Mapping and Analysis Program （EnMAP）为数据源，以该区域的谷物、玉米、油菜、其他作物为研究对象，数值实验结果表明当各作物类别的训练样本量均为50时，基于SSLLAI-Net的LAI反演精度分别为0.95、0.99、0.98、0.90；且在添加噪声的情况下，各作物类别的LAI反演精度分别为0.95、0.98、0.96、0.89。综上，提出的基于深度神经网络的区域LAI遥感定量反演方法SSLLAI-Net是鲁棒可靠的，且该模型能够支持稳定的小样本建模。
叶面积指数 高光谱遥感 深度神经网络 leaf area index （LAI） hyperspectral remote sensing EnMAP EnMAP deep neural network SSLLAI-Net SSLLAI-Net
长江大学农学院/主要粮食作物产业化湖北省协同创新中心, 湖北 荆州 434025
利用高光谱遥感技术, 分析晚播条件下小麦叶片与冠层模式光谱特征和叶面积指数（LAI）的变化规律, 建立了适用于晚播小麦的叶面积指数估算方法。 研究结果表明: （1）从红光和蓝紫光420～663 nm波段提取的叶绿素光谱反射率植被指数（CSRVI）与旗叶SPAD值做相关性分析, 结果表明正常播期和晚播处理在叶片模式的相关系数分别为0.963*和0.997**, 达显著和极显著水平。 （2）利用相关性分析, 得出两个播期处理的LAI与SPAD值相关系数分别是0.847*和0.813*, 均达到显著水平。 SPAD值与LAI及CSRVI指数均具有相关性, 可以用CSRVI指数建立LAI的估算模型。 （3）对叶片模式和冠层模式光谱曲线特征分析得出, 叶片模式中在680～780 nm处的反射率呈现陡升趋势, 在可见光波段的446和680 nm和近红外波段的1 440和1 925 nm处各有两个明显的吸收波谷, 在540～600, 1 660和2 210 nm波段处有两个明显的反射波峰; 三种冠层模式中60°模式下的光谱反射率整体表现为最高。 （4）将各波段反射率与叶面积指数做相关性分析得出在可见光波段范围内, 光谱反射率与LAI总体呈现负相关性, 500～600 nm处有一个波峰。 （5）将三种冠层模式下（仪器入射角度分别与地面呈30°, 60°和90°夹角）的等效植被指数与LAI做相关性分析得出: 60°冠层模式下八种植被指数与正常播期LAI的相关性均未达显著水平, 比值植被指数（RVI）、 归一化植被指数（NDVI）、 增强型植被指数（EVI）、 再次归一化植被指数（RDVI）、 土壤调整植被指数（SAVI）、 修改型土壤调整植被指数（MSAVI）的等六种植被指数与晚播条件下的LAI具有显著和极显著相关关系; 90°冠层模式下CSRVI指数与正常播期处理的LAI具有显著相关关系, NDVI指数与晚播处理的LAI具有显著相关关系; 30°冠层模式下的八种植被指数与两播期处理的LAI的相关性均未达显著水平。 综合分析CSRVI指数、 NDVI指数的相关性最高, 这两种指数最具有估算LAI的潜力。 （6）通过三种冠层模式所计算的植被指数估算LAI模型, 结果表明, 正常播期条件下, 其最佳估算模型是90°冠层模式CSRVI指数所建立的线性模型Y=-7.873 6+6.223 8X; 晚播条件下的最佳模型是60°冠层模式RDVI指数所建立的幂函数模型Y=30 221 333.33X17.679 1, 两个模型的决定系数R2分别为0.950*和0.974**。 研究表明试验中所提取的CSRVI指数能够反映旗叶叶绿素含量, 可以通过光谱仪器的叶片模式对小麦生育期内叶绿素含量进行监测; 通过冠层模式计算的CSRVI指数和RDVI指数所建立的LAI估算模型可以对小麦的LAI进行无损害观察。
高光谱 叶面积指数 植被指数 叶绿素 模型 Hyperspectral LAI Vegetation index Mhlorophyll Model 光谱学与光谱分析
2019, 39(4): 1199
1 中国科学院东北地理与农业生态研究所, 吉林 长春 130102
2 中国科学院大学, 北京 100049
3 Lancaster Environment Centre, Lancaster University, Lancaster LA1 4YQ, UK
植被叶面积指数（LAI）时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。 MODIS数据产品MOD15A2是目前应用最为广泛的LAI数据源之一, 然而MODIS LAI时间序列产品包含了一些低质量的数据, 例如由于云层、 气溶胶等的影响, 该产品在时间和空间上缺乏连续性。 MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分, 单一的线性方法或非线性方法都不能对其精确建模和预测。 首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列, 然后采用季节自回归积分滑动平均（SARIMA）方法、 BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。 在SARIMA-BP神经网络组合方法中, 各自在线性与非线性建模的优势得以充分发挥, 其中SARIMA方法用于建模及预测LAI时间序列中的线性部分, BP神经网络方法用于对非线性残差部分进行建模及预测。 实验结果显示: SG滤波和线性插值后的LAI时间序列比原LAI时间序列更平滑; SARIMA-BP神经网络组合方法的决定系数为0.981, 比SARIMA和BP神经网络的0.941和0.884更接近于1; SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991, 高于SARIMA（0.971）和BP神经网络(0.942)的相关系数。 由此得出结论: SARIMA-BP神经网络组合方法对MODIS LAI时间序列具有更好的适应性, 其建模和预测准确性高于SARIMA方法或BP神经网络方法。
BP神经网络 SARIMA-BP神经网络组合方法 LAI时间序列建模与预测 SARIMA SARIMA BP neural network LAI MODIS LAI SARIMA-BP neural network method LAI time series modeling and predicting
1 中国科学院遥感与数字地球研究所，数字地球重点实验室，北京100094
2 中国科学院大学，北京100049
3 中国农业科学院农田灌溉研究所，河南 新乡453002
叶面积指数(LAI)是衡量湿地生态系统健康状况的重要指标.根据鄱阳湖湿地植被生长密集、LAI动态范围大的特点，针对雷达数据的复杂散射机制，利用Freeman-Durden极化分解技术，定义了一种雷达植被指数，并考虑光学植被指数的饱和性，尝试将光学植被指数和雷达植被指数相结合，构建融合植被指数来估算植被LAI.通过实测数据和理论模型模拟数据与LAI的相关性分析，表明融合植被指数能有效地提高与LAI的相关性.利用融合植被指数、光学植被指数、雷达植被指数与LAI构建最佳拟合模型得出：光学微波融合植被指数能更准确地估算鄱阳湖湿地植被LAI.
融合植被指数 叶面积指数 高分一号 Freeman-Durden极化分解 鄱阳湖湿地 integrated vegetation indices leaf area index (LAI) GF-1 Radarsat-2 Radarsat-2 Freeman-Durden Polarization decomposition Poyang lake wetland
1 安徽大学计算机智能与信号处理教育部重点实验室，安徽 合肥 230039
2 安徽大学电子信息工程学院，安徽 合肥 230039
3 中国科学院遥感与数字地球研究所数字地球重点实验室，北京 100094
4 北京农业信息技术研究中心，北京100097
叶面积指数(LAI)是作物长势诊断及产量预测的重要参数。通过对冬小麦采样点的高光谱曲线进行连续小波变换(CWT)，然后利用小波系数与LAI建立支持向量机回归(SVR)模型，实现冬小麦不同生育时期的叶面积指数估算。通过对所研究方法与选取的植被指数、偏最小二乘(PLS)回归等5种方法的反演结果进行统计分析。结果表明：利用连续小波变换确定的LAI的敏感波段为680、739、802、895 nm，对应尺度分别为8、4、9和8，对应小波系数的LAI回归确定系数(R2)明显高于冠层反射率的回归确定系数；利用小波系数与LAI建立的SVR模型的反演精度最高，模型实测值与预测值的检验精度(R2)为0.86，均方根误差(RMSE)为0.43；而常用植被指数(归一化植被指数，NDVI；比值植被指数，RVI)建立的估测模型对冬小麦多个生育时期LAI反演精度最低(R2<0.76，RMSE>0.56)。因此利用连续小波变换进行数据预处理，能更好地筛选出对叶面积指数敏感的信息，LAI回归方法比较结果表明，SVR比PLS更适合于LAI的估测，通过将CWT与SVR结合(CWT-SVR)能实现不同生育时期冬小麦叶面积指数的遥感估算。
叶面积指数(LAI) 高光谱 连续小波变换(CWT) 支持向量机回归(SVR) 偏最小二乘(PLS) leaf area index(LAI) hyperspectral continuous wavelet transform (CWT) support vector machine regression(SVR) partial least-square(PLS)
以山西农业大学培育的多穗型冬小麦山农9801为供试材料, 采用随机区组的方法, 在施氮总量每公顷300 kg时, 分别对常规条播(B1)和窄行稀条播(B2)实施不同氮肥基追比: CK (10∶0)、C1 (7∶3)、C2 (5∶5)、C3 (3∶7), 研究其对拔节期小麦群体形态、各生育期叶面积指数及总茎数、产量构成因素的影响。结果表明: 窄行稀条播促进了冬小麦群体生长, 提高了实际产量。不同氮肥运筹对两种播种方式小麦生长及产量的影响很大, 拔节期追施氮肥后小麦各指标均在C1、C2较高, 整体看C1最高, 且对窄行条播的提高作用更为明显。B2种植基追比 7∶3时, 旗叶面积、株高、次生根数最多, 黄叶数最少, 且与其他处理达到显著差异, 拔节期到孕穗期 LAI 最高, 群体总茎数及单株成穗数最大, C1处理通过显著增加有效穗数、穗粒数及千粒重来增加实际产量。上述分析结果为晋中窄行条播冬小麦氮肥合理利用, 优质高产提供了实验和理论依据。
冬小麦 窄行稀条播 群体结构 产量 winter wheat(Triticum aestivum L.) narrow spaced sparse drilling Population structure LAI LAI yield
1 中国科学院遥感与数字地球研究所, 数字地球重点实验室, 北京 100094
2 北京城市学院, 北京 100083
通过对地球科学激光测高系统(Geoscience Laser Altimeter System, GLAS)波形数据进行高斯分解, 提取精确的波形特征信息, 计算出GLAS波形数据激光穿透指数(LPI), 基于LPI提出GLAS数据反演叶面积指数(LAI)的新方法, 建立了GLAS数据反演森林LAI的模型(R2=0.84, RMSE=0.64), 并用留一交叉验证法(LOOCV)对反演模型的可靠性进行了验证, 结果表明, 该模型没有过度拟合, 具有很好的泛化能力, 最后通过人工神经网络融合GLAS与TM(Thematic Mapper,专题制图仪)遥感数据实现区域尺度森林LAI反演, 用25个实测LAI对反演精度进行了验证, 研究表明反演LAI与实测值较为接近, 精度较高(R2=0.76, RMSE=0.69), 为生态环境研究提供精确的输入参数, 为GLAS数据大区域高精度LAI反演提供新的方法和思路.
激光雷达 叶面积指数 穿透指数 回波强度 神经网络 地球科学激光测高系统(GLAS) LiDAR LAI laser penetrate index echo intensity neural network geoscience laser altimeter system (GLAS)
