为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,Li DAR)在农作物长势监测方面的潜力,探究机载Li DAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载Li DAR和可见光-近红外多光谱为研...为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,Li DAR)在农作物长势监测方面的潜力,探究机载Li DAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载Li DAR和可见光-近红外多光谱为研究手段,获取试验区冬小麦孕穗期的无人机载Li DAR点云和多光谱数据,从中提取并筛选合适的Li DAR点云结构参数和植被指数,借助多元线性回归法(Multivariable Linear Regression,MLR)和偏最小二乘回归法(Partial Least Squares Regression,PLSR),通过融合Li DAR点云结构参数与植被指数以及单独使用植被指数作为模型输入参数,分别与实测LAI构建了LAI反演模型。用决定系数(Coefficient of Determination,R^(2))和均方根误差(Root Mean Square Error,RMSE)来评价模型时,结果显示融合Li DAR点云与多光谱数据能够较好地反演冬小麦LAI。而且,无论是利用MLR还是PLSR法,融合Li DAR点云结构参数与植被指数的模型(MLR︰R^(2)=0.901,RMSE=0.480;PLSR︰R^(2)=0.909,RMSE=0.445(n=16))均优于仅使用植被指数的模型(MLR︰R^(2)=0.897,RMSE=0.492;PLSR︰R^(2)=0.892,RMSE=0.486(n=16))。因此,加入无人机载Li DAR数据可以一定程度上弥补光谱数据在作物垂直方向上信息提取不足的缺陷,提高冬小麦LAI的反演精度,为冬小麦LAI反演提供了更优的手段。展开更多
文摘为了进一步挖掘无人机载激光雷达(Light Detection and Ranging,Li DAR)在农作物长势监测方面的潜力,探究机载Li DAR与多光谱遥感数据融合反演冬小麦叶面积指数(Leaf Area Index,LAI)的效果,以无人机载Li DAR和可见光-近红外多光谱为研究手段,获取试验区冬小麦孕穗期的无人机载Li DAR点云和多光谱数据,从中提取并筛选合适的Li DAR点云结构参数和植被指数,借助多元线性回归法(Multivariable Linear Regression,MLR)和偏最小二乘回归法(Partial Least Squares Regression,PLSR),通过融合Li DAR点云结构参数与植被指数以及单独使用植被指数作为模型输入参数,分别与实测LAI构建了LAI反演模型。用决定系数(Coefficient of Determination,R^(2))和均方根误差(Root Mean Square Error,RMSE)来评价模型时,结果显示融合Li DAR点云与多光谱数据能够较好地反演冬小麦LAI。而且,无论是利用MLR还是PLSR法,融合Li DAR点云结构参数与植被指数的模型(MLR︰R^(2)=0.901,RMSE=0.480;PLSR︰R^(2)=0.909,RMSE=0.445(n=16))均优于仅使用植被指数的模型(MLR︰R^(2)=0.897,RMSE=0.492;PLSR︰R^(2)=0.892,RMSE=0.486(n=16))。因此,加入无人机载Li DAR数据可以一定程度上弥补光谱数据在作物垂直方向上信息提取不足的缺陷,提高冬小麦LAI的反演精度,为冬小麦LAI反演提供了更优的手段。
