叶面积指数(Leaf Area Index,LAI)是反映作物生长状态的重要指标,常用植被指数来反演。传统的反演模型大都是基于多变量的多元回归模型,而基于双变量的多元回归模型在LAI反演中的潜力还未被充分发掘。通过提取卫星影像的光谱特征和纹理...叶面积指数(Leaf Area Index,LAI)是反映作物生长状态的重要指标,常用植被指数来反演。传统的反演模型大都是基于多变量的多元回归模型,而基于双变量的多元回归模型在LAI反演中的潜力还未被充分发掘。通过提取卫星影像的光谱特征和纹理特征,基于皮尔逊相关系数分析各个遥感特征与冬小麦LAI之间的相关性,利用简单回归模型(Simple Regression,SR)、多元线性回归模型(Multiple Linear Regression,MLR)和随机森林回归模型(Random Forest Regression,RFR)开展遥感特征与冬小麦LAI之间的关系模型构建反演研究,并结合精度指标(决定系数R2,均方根误差RMSE,相对均方根误差rRMSE)判定各反演模型的反演精度,以提出最优的反演模型。研究表明:①所有植被指数和部分纹理指数在反演LAI中取得了较好的反演效果(R2>0.6)。其中,通用归一化植被指数(Universal Normalized Vegetation Index,UNVI)在各植被指数中表现最好(R2=0.754,RMSE=0.606,rRMSE=12.99%)。除了部分波段的均值特征反演精度与植被指数相当外,大多数纹理特征反演冬小麦LAI的精度欠佳;②通过两两变量组合,得到了冬小麦LAI反演精度最高的双变量多元线性回归模型(R2=0.780,RMSE=0.573,rRMSE=12.29%);③在有多个输入变量(至少3种特征变量)的情况下,RFR的反演效果优于MLR。相较于纹理特征,纹理指数的反演性能更佳。研究结果可为后续基于卫星影像的大规模农作物LAI的监测工作提供一种新的思路与方法。展开更多
