點擊圖片查看原圖 1）RVI、DVI、NDVI、GRVI、EVI和SAVI這6種植被指數(shù)與冬小麥LAI關(guān)系密切，相關(guān)性均達到了顯著水平。利用回歸分析構(gòu)建估算模型，模型擬合度在0.696～0.775之間，RMSE在0.386～0.523之間，其中NDVI、RVI和GRVI擬合度較高，擬合誤差較小。經(jīng)模型精度檢驗RMSE為0.468～0.501，NDVI估算模型的RMSE為0.468相對最小，其次是GRVI估算模型的RMSE為0.478。但是在LAI<2時，RVI和GRVI無法有效的反映出LAI的變化；在NDVI接近于1時出現(xiàn)了較明顯的飽和現(xiàn)象，同時引起冬小麥LAI低估現(xiàn)象。綜合分析6種模型的模擬及驗證情況，在冬小麥生長的不同階段，這6種植被指數(shù)各有優(yōu)勢和不足，在盡可能避免NDVI出現(xiàn)飽和的情況下，NDVI估算模型無論是模型擬合度還是模型驗證精度都較好，適合進行該地區(qū)冬小麥LAI反演。
2）利用BP神經(jīng)網(wǎng)絡(luò)輸入多個敏感波段反射率進行冬小麥LAI估算，較大提高了反演精度。輸入的多個敏感波段包含了藍光450nm波段、綠光波峰550nm、紅光波谷670nm及近紅外波段870nm4個波段，這些波段對冬小麥的變化均較敏感，并與冬小麥LAI相關(guān)性較高。經(jīng)檢驗，模擬值與實測值擬合度高達0.990，均方根誤差（RMSE）為0.105。
利用BP神經(jīng)網(wǎng)絡(luò)法比傳統(tǒng)回歸模型估測冬小麥LAI精度有較大提高，由于神經(jīng)網(wǎng)絡(luò)的方法具有較好的非線性解釋性，有效的避免因植被指數(shù)飽和引起的冬小麥LAI低估現(xiàn)象。
本研究在利用高光譜數(shù)據(jù)進行作物L(fēng)AI估算方面進行了嘗試，為冬小麥LAI的高精度估算提供了科學(xué)依據(jù)。研究發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)方法較傳統(tǒng)回歸模型法較適合進行冬小麥LAI反演研究，很大程度上提高了模型的反演精度，但還存在一些不足，在建立模型過程中一定要保證樣本量足夠大（一般認為樣本數(shù)n >50即為大樣本事件），才能保證研究的適普性。同時BP神經(jīng)網(wǎng)絡(luò)如果增加了學(xué)習(xí)樣本，訓(xùn)練好的網(wǎng)絡(luò)就需要從頭開始訓(xùn)練，對于以前的權(quán)值和閾值是沒有記憶的，神經(jīng)網(wǎng)絡(luò)相對傳統(tǒng)的回歸模型在實用性方向有待進一步研究。筆者認為傳統(tǒng)的回歸模型和新興的BP神經(jīng)網(wǎng)絡(luò)模型在冬小麥LAI反演研究中各有優(yōu)勢和不足，冬小麥LAI反演研究應(yīng)根據(jù)研究情況來選擇適合模型才是關(guān)鍵。另外本研究在大田中測量，由于種植方式、肥力狀況、管理水平等的差異，可能會對冬小麥的光譜特征產(chǎn)生一定影響，模型是否適合其他更廣闊的區(qū)域有待進一步驗證
葉面積測定儀 http://www.top17.net/yq_list/yq_232_1.html
托普儀器官方網(wǎng)站 http://www.top17.net/
供應(yīng)2013葉面積測定儀