联合无人机激光雷达和高光谱数据反演玉米叶面积指数

作者：张亚倩; 骆社周^*; 王成; 习晓环; 聂胜; 黎东; 李光辉

来源：遥感技术与应用, 2022, 37(05): 1097-1108.

• 无人机激光雷达
• 高光谱
• 叶面积指数
• 玉米
• 点云密度

叶面积指数（Leaf Area Index,LAI）是作物长势监测及产量估算的重要指标，准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detection and Ranging,LiDAR）和高光谱数据反演玉米叶面积指数的潜力，并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数，然后基于偏最小二乘回归（Partial Least Square Regression,PLSR）和随机森林（Random Forest,RF）回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型，并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m2，研究发现最高的点密度（420 points/m2）并没有产生最优的玉米LAI反演精度，因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获得的LAI反演精度（PLSR:R2=0.874,RMSE=0.317;RF:R2=0.942,RMSE=0.222）高于基于植被指数获得的LAI反演精度（PLSR:R2=0.741,RMSE=0.454;RF:R2=0.861,RMSE=0.338），而使用组合变量构建预测模型的反演精度（PLSR:R2=0.885,RMSE=0.304;RF:R2=0.950,RMSE=0.203）优于使用单一变量建立的LAI预测模型，其中利用联合LiDAR变量和植被指数建立的随机森林回归模型为最优预测模型。因此，将两种数据源融合在提高植被LAI反演精度方面具有一定的潜力。

• 单位
  中国科学院; 福建农林大学