评估叶面积指数的遥感方法

wseen,2023-10-7 8:51:51

叶面积指数(Leaf Area Index, LAI)是绿叶面积与土壤面积之间的比值,是评估冠层结构的最重要变量之一,是表征地表植被动态变化的重要参数。地面实测可以得出较为准确的LAI,但地面实测仅用于获取点尺度的数据。林业工作者通常采用遥感方法来获取大范围、面尺度的LAI。本次收集的几篇文章,帮助读者了解评估LAI的遥感方法。

1.基于PRISMA光谱反演甘蔗LAI
意大利航天局于2019年发射的PRISMA卫星提供了新一代高光谱数据来源,该研究基于PRISMA光谱,运用一种全新的人工神经网络(ANN)技术——贝叶斯正则化人工神经网络(BRANN)来估算甘蔗叶面积指数(LAI)。研究采用BRANN模型,分析伊朗Khuzestan Amir Kabir甘蔗农业区实地调查期间收集的数据集。并利用主成分分析(PCA)对PRISMA数据集进行处理。基于自助法的精度评估表明,应用BRANN模型反演LAI的均方根误差(RMSE)为0.67 m2/m2。该研究证实了BRANN方法的高性能和PRISMA光谱在甘蔗LAI反演中的高潜力。
——《RETRIEVAL OF SUGARCANE LEAF AREA INDEX FROM PRISMA HYPERSPECTRAL DATA》S. Hamzeh etc.(DOI:10.5194/isprs-annals-X-4-W1-2022-271-2023)

2.非线性自回归神经网络模型提高了LAI估测精度
目前广泛使用的MODIS LAI产品并不能满足生产及研究的需要,产品的整体精度有待提高。在这种情况下,该研究提出了一种基于非线性自回归神经网络( NARXNN )模型和高质量时间序列LAI反演结果的改进方案。用改进后的方案估算三个研究区LAI时,R2值分别为0.54、0.41、0.51,而RMSE分别下降了0.07、0.1、0.03,偏差也有一定程度的减小。实测LAI表明,NARXNN模型的LAI数据比MCD15A2H模型的更准确,偏差更小,且比原先的MODIS产品更符合植被实际生长情况。该研究提出的改进方案进一步提高了MODIS产品估算LAI的精度。
——《Improving the MODIS leaf area index product for a cropland with the nonlinear autoregressive neural network with eXogenous input model》Li Shangzhi etc.(DOI:10.3389/FEART.2022.962498)

3.该研究比较了几种遥感方法评估LAI的精度
该研究基于均方根误差( RMSE )、平均绝对误差( MAE )和决定系数( R2 )三种评价指标,对几种LAI遥感评估方法的评估结果进行了比较分析。研究表明:排名前五的方法RMSE(MAE)在玉米LAI估算上小于1.3(0.95),在大豆上小于1.0(0.8)。总体来说,参数方法优于其他方法,但不绝对。例如SR_CA_cross方法在玉米LAI估算中排名第1,但在大豆中排名第15。非参数方法准确性排名中等,部分原因是数据量较少。该研究的比较结果对遥感监测农业植被具有重要意义。
——《Evaluating Optical Remote Sensing Methods for Estimating Leaf Area Index for Corn and Soybean》Nandan Rohit etc.(DOI:10.3390/RS14215301)

4.塞罕坝地区宜用混合效应模型估算LAI
叶面积指数(LAI)用于评价植物群落的生长状况,在生产和研究上通常需要较快而又精确地得到LAI。该研究基于LAI-2200C植物冠层分析仪得到的LAI数据,并结合同期Sentinel-2遥感影像,从而构建了LAI估算混合效应模型和线性模型。结果发现:相比于传统线性模型,混合效应模型能更准确地估算LAI,其均方根误差(RMSE)、调整确定系数(R2adj)、平均相对误差(MRE)和残差平方和(RSS)的值分别为0.50、0.7456、0.42和36.25。此外,研究还发现加入树种变量后,LAI反演模型的拟合效果显著提升了。
——《塞罕坝地区主要树种LAI遥感估测》臧贺喜(DOI: 10.19754/j.nyyjs.20230215011)

5.鬣狗算法神经网络模型能更好地反演LAI
该研究提出结合PROSAIL模型反演数据和GF-1遥感影像建立鬣狗算法神经网络模型,从而解决以往神经网络模型反演林地叶面积指数(LAI)时存在的弊端。研究发现:鬣狗神经网络训练集的均方根误差值为0.131(BP神经网络的为0.140),验证集均方根误差值为0.132(BP神经网络的为0.137),测试集决定系数为0.703(BP神经网络的为0.525)。研究认为鬣狗算法神经网络预测结果略大于期望值,且该模型提高了神经网络模型的反演性能,为遥感估测LAI提供一种新的方法。
——《基于鬣狗算法神经网络反演林地叶面积指数》冷欣 等(DOI:10.13718/j.cnki.xdzk.2022.12.018)