基于“天-空-地”多源遥感数据的小麦叶面积指数反演

【摘要】：农作物的叶面积指数(Leaf Area Index,LAI)决定了作物的生长、光合有效辐射(PAR,photosynthetically active radiation)的吸收比例、生物量和产量。因此,准确、快速地估算LAI有助于更好地监测农作物。在以往的研究中,基于遥感反演LAI较多的趋向于单一遥感数据的应用,很少涉及到多源遥感数据协同反演LAI。鉴于目前可用的遥感数据越来越多,干旱区农作物LAI的研究较少,建立协同多源遥感数据反演农作物LAI模型及选取适合干旱区反演农作物LAI的最佳尺度显得尤为重要。本研究选择不同生育期冬小麦为研究对象,开展天-空-地综合遥感监测实验,分析不同生育期冬小麦冠层光谱特征,利用植被指数法建立反演不同生育期冬小麦LAI的单变量和多变量回归模型,并对其进行验证。针对反演结果,进行冬小麦LAI空间尺度转换,选取较适合本研究的反演尺度。本研究主要结论如下:1)与常用高光谱植被指数相比,新型优化光谱指数与LAI间的相关性有了较明显的提高,模型精度也有了一定的提高,其中基于光谱一阶导数的RSI_(FD)(627,774)(ratio spectral index)建立的二次多项式模型建模效果优于其他模型,决定系数(R~2)达到了0.809,说明基于光谱一阶导数算得的新型光谱指数对冬小麦拔节期的LAI有更好的指示作用;基于无人机数码影像参数VARI(visible atmospherically resistant index)、RGBVI(red green blue vegetation index)、B(DN value of blue channel)、GLA(green leaf algorithm)的多变量偏最小二乘回归(PLSR)模型的稳定性和预测能力都较好,R~2、均方根误差(RMSE)和相对预测偏差(RPD)分别为0.776、0.468和1.838,RPD处在1.4~2间,说明该模型可以对冬小麦LAI进行反演,反演精度不如基于地面高光谱植被指数建立的反演模型;基于GF-1/2宽波段植被指数建立的反演模型中,基于GF-2多变量建立的PLSR模型精度高于基于GF-1的模型精度,R~2达到了0.809,说明该多变量模型的稳定性优于单变量模型。2)与基于单一遥感数据建立的估算模型相比,基于RSI_(FD)(627,774)、VARI_(UAV)、GNDVI_(GF-1)(green normalized difference vegetation index)建立的“天-空-地”协同反演模型的预测效果达到了最佳,验证组R~2、RPD分别达到了0.840、2.430,说明基于“天-空-地”多源遥感数据协同反演冬小麦LAI的模型稳定性和预测能力都达到了较好水平,能够更好地进行冬小麦LAI的反演。3)对冬小麦LAI进行升尺度转换发现,点-3cm的尺度转换效果较好,适合于本研究的升尺度转换,验证后R~2达到了0.66;面—面升尺度转换效果不佳,尺度转换后出现了对拔节期冬小麦LAI的低估现象。综合考虑尺度转换结果后,本研究确定无人机3cm空间尺度为适合本研究的最佳空间尺度。本文主要从空间尺度进行冬小麦LAI的研究,今后可以加入光谱尺度,利用无人机多光谱、高光谱数据,激光雷达数据、卫星高光谱影像数据等进行小麦LAI的深入研究。