基于无人机高光谱数据的玉米叶面积指数估算
Estimation of Corn Leaf Area Index based on UAV Hyperspectral Image
通讯作者:
收稿日期: 2019-01-12 修回日期: 2019-06-10 网络出版日期: 2019-09-19
基金资助: |
|
Received: 2019-01-12 Revised: 2019-06-10 Online: 2019-09-19
作者简介 About authors
程雪(1993-),女,黑龙江齐齐哈尔人,硕士研究生,主要从事农业遥感应用研究E⁃mail:
关键词:
Keywords:
本文引用格式
程雪, 贺炳彦, 黄耀欢, 孙志刚, 李鼎, 朱婉雪.
Cheng Xue, He Bingyan, Huang Yaohuan, Sun Zhigang, Li Ding, Zhu Wanxue.
1 引 言
叶面积指数是植物光合作用、呼吸作用、碳和营养循环、蒸腾作用和降雨截留等生物和物理过程的重要描述参数[1,2,3],用于评价农作物健康状况、养分供应和产量水平[4]。获取小区域LAI数据主要通过地基测量的方法,现有地基测量方法主要分为直接接触法(破坏性采样)、点接触法(专业仪器拍摄)以及间接透光率法(LAI-2000植物冠层分析仪)[5,6,7]。然而,能够反映时空变化的大尺度LAI数据使用地基方法获取是非常耗时的;星载、机载平台与为大尺度测量LAI提供一种高效的方法,卫星遥感影像为大范围内农作物长势的特征信息提供了核心数据[8],然而传统的遥感平台存在一定不足,首先部分卫星影像空间分辨率较粗,难以满足小区域、局部地区田间尺度监测的要求[9];其次,部分卫星影像空间分辨率高但是获取成本太高,难以满足农、林业对大量高分辨率影像的需求。有人机航空遥感平台理论上可以弥补卫星遥感的不足,但是由于飞行成本过高,飞行起落地点受限的原因,难以实现高频次、获取特定区域内影像数据[10]。轻型、微型低空无人机(Unmanned Aerial Vehicle,UAV)的快速发展弥补了传统遥感平台的缺陷,可以收集任意时段特定区域高时空分辨率影像[11],,提供多光谱、高光谱、微波以及红外等具有经济效益的遥感数据,从而为发挥机载多源遥感数据反演植被生物理化参优势互补提供了可能。陈鹏飞等[12]验证无人机机载高光谱传感器S185,并基于其获得的影像探讨无人机高光谱遥感反演叶面积数的新方法。相对于多光谱数据,高光谱数据可以提供更加精细的光谱分辨率波段和丰富的地表光谱信息[13],已经广泛应用于植被分类、农作物生化参数估计的研究[14,15]。
采用无人机搭载高光谱传感器进行对于提高田间尺度农作物长势信息估测精度具有重要的实用意义,因此,本文利用低空无人机平台和高光谱传感器载荷,通过PROSAIL物理模型获取LAI特征响应波段分析结合统计学相关性分析获取对LAI变化最敏感的波段,进而以此计算植被指数,建立面向无人机高光谱数据的LAI反演模型,获取高时空分辨率的农作物LAI指数。
2 研究区与研究数据
2.1 研究区域概况
选择研究区为中国科学院地理科学与资源研究所禹城市农业综合实验站,位于山东省西北部(116°22′11″~116°45′00″E、36°41′36″~37°12′13″N),所在区域为温带季风性气候,实验站内部主要种植农作物为小麦、玉米和蔬菜。禹城农业综合试验站能够代表黄淮海平原典型农业类型,基于无人机高光谱数据建立农作物叶面积指数估算模型能够为高精度、高时空分辨率监测农作物长势提供技术手段。
图 1
2.2 无人机高光谱数据
表1 HyperspecTM VNIR成像参数
Table 1
参数 | 取值 |
---|---|
光谱范围/nm | 380~1 000 |
光谱通道 | 270 |
空间通道 | 640 |
光谱分辨率/nm | 2~3 |
空间分辨率/m | 0.06 |
2.3 野外实测数据
LAI是反映农作物光合作用、长势信息的重要参数,估算模型的构建和反演的精度都与LAI的采集紧密相关,因此保证田间采样LAI的精度尤为重要。
如图2所示实验田总面积为120 m×60 m,共有48个样池,为模拟不同种植条件下玉米生长状态,进行养分缺乏胁迫实验(16个样池)、水氮耦合实验(32个样池)。图中每个养分缺乏实验池大小为10 m ×5 m(YF1-YF4:养分处理含量60%~90%、级差:养分含量10%,W1~W3:水浇灌量0~1 250 m³/hm²、级差:625 m³/hm²),每个水氮耦合实验池大小为10 m×5 m(N1-N5:氮施用量0~280 kg/hm²、级差:70 kg/hm²);在每个采样池布设采样点并用手持GPS记录位置,采样池四周各取4个点,中心取一点。采样点位置农作物破坏性采样,依据公式(1)[18]测定LAI:
其中:m为测定株数,n为每株总叶片数,Lij为每株各叶片叶长,Bij为每株各叶片叶宽,
采样具体时间为2018年7月17日~20日10:00~12: 00,天气晴朗,农作物进行光合作用条件良好,采集LAI精度较高,总有效样本量为48组,32组样本用于估算模型构建,16组样本用于验证模型精度。
图2
3 研究方法
3.1 PROSAIL模型获取LAI特征响应波段
PROSAIL辐射传输模型是由PROSPECT模型[19]和SAIL模型[20]耦合而来的,PROSPECT模型主要通过输入叶肉结构指数(Leaf Mesophyll Structure index)、叶绿色含量(Chlorophyll Content)、叶片含水量(Water Content)、干物质含量(Dry Matter Content)和叶黄素含量(Brown Pigment Content)等叶片结构参数和叶片生化参数模拟叶片半球透过率和反射率。PROSPECT模型模拟的光学叶片特性输入到SAIL模型中,SAIL模型将植被当做混合介质,假设叶片方位角分布均匀,通过主要输入变量叶面积指数,叶倾角(Leaf Area Dip)、椭圆叶角分分布函数的平均叶角、太阳天顶角、传感器视场角、传感器与太阳的相对方位角等来模拟植被冠层双向反射率。
表2 PROSPECT模型设置参数
Table 2
输入参数 | 描述 | 取值范围及默认值 |
---|---|---|
Lower WaveLength/nm | 波长下限 | 400 |
Upper WaveLength/nm | 波长上限 | 1 000 |
WaveLength increment | 波长增量 | 2.20 |
Cab | 叶片叶绿素含量 | 40 |
N | 叶片结构参数 | 1.4 |
Cm | 叶片干物质含量 | 0.035 |
Cw | 等效水厚度 | 0.015 |
图3
图3
PROSPECT模型模拟反射率与透过率
Fig.3
PROSPECT model imitates reflectance and transmittance
表3所示设置SAIL模型参数,将实地采样的有效LAI的48组(每组5个样点)数据进行正态分布分析,选取最有代表性意义的5组数据输入到SAIL模型,保证只有LAI变化,其余变量值保持不变,模拟玉米冠层反射率的变化,获取LAI特征响应波段。
表3 SAIL模型设置参数
Table 3
输入参数 | 描述 | 取值范围及默认值 |
---|---|---|
LAI | 叶面积指数 | 0.4~1.7 |
LAD | 平均叶倾角 | 0.5~8 |
SI | 热点大小 | 0.001 |
PSOIL | 土壤亮度参数 | 0.3 |
TTS/% | 太阳天顶角 | 400 |
TTO/% | 观测天顶角 | 30 |
PSI/% | 观测相对方位角 | 0 |
PROSAIL模型模拟不同LAI时玉米冠层反射率结果如图4所示,光谱范围400~730 nm属于可见光波段,反射率随LAI增加而降低,呈现负相关趋势。光谱范围400~500 nm为蓝光波段,处于拔节期玉米内类胡萝卜素与叶绿素含量增大,作物进行光合作用较为强烈,对蓝光吸收增强,反射率降低。在500~600 nm为绿光波段,色素吸收率下降,同时受到叶绿素强吸收带的影响,光谱反射率上升,且变化速度在520 nm左右出现一个小波峰。在600~700 nm为红光波段,叶绿素吸收率降低,不同LAI的冠层反射率逐渐趋于一致且变化速度降低,反射率在660 nm左右出现一个波谷。在780~900 nm为近红外波段,冠层及叶片结构表现最为敏感,吸收率下降,反射率随LAI增加而增大,呈现正相关趋势,且变化速度比较稳定。在700~780 nm为红边区域,反射率与LAI的相关趋势发生改变,且变化速度最快。
图4
图4
PROSAIL模型模拟玉米冠层光谱反射率
Fig.4
PROSAIL model imitates corn canopy spectral reflectance
根据模拟玉米冠层光谱反射率获取LAI特征响应波段:可见绿光波段范围内510~530 nm、红光波段范围内640~670 nm、红边范围内波段范围700~780 nm、近红外波段范围内780~900 nm等波段光谱反射率与LAI进行相关性分析。
3.2 相关性分析
本文利用实地采样的玉米LAI与光谱反射率进行相关性分析,图5表示各波段光谱反射率与LAI的相关性系数,在可见光波段,由于作物主要通过吸收可见光进行光合作用,所以反射率与LAI总体表现为呈负相关;在510~530 nm,由于叶绿素强吸收带的影响较为显著,在516nm出现一个小波峰,相关性系数R达到-0.82。在700~780 nm,冠层结构敏感性表现强烈,细胞内色素吸收作用减弱,冠层结构反射作用增强,所以反射率与LAI相关性系数从-0.84迅速改变到0.61。在780~900 nm,拔节期玉米冠层与叶片结构对红外波段敏感性极强,细胞结构对光的反射作用显著增强,所以光谱反射率与LAI相关性比较平稳,维持在0.65以上,在867 nm达到相关性最高0.69。
图5
图5
光谱反射率与LAI相关性
Fig.5
Correlation coefficient between Spectral reflectance and LAI
本文选取对拔节期玉米LAI最为敏感、相关性系数最高的5个波段(表 4):516、636、702、760和867 nm等波段构建LAI反演模型。
表4 LAI与响应波段相关性系数
Table 4
波段/nm | 响应波段 | ||||
---|---|---|---|---|---|
516 | 636 | 702 | 760 | 867 | |
LAI | -0.82** | -0.84** | -0.84** | 0.66** | 0.69** |
注:**表示0.01水平差异极显著 |
3.3 植被指数与LAI相关性分析
上文只采用单一特征波段进行分析,波段间的优势无法互补,很难全面地获取与表示复杂植被的信息。植被指数通过利用可见光中的波段、近红外波段进行线性、或非线性的计算,能够较为准确的定量或者定性的表示植被的生长状况[21]。因此,更加精确分析特征波段的反射率与LAI 的关系,本文将使用引入植被指数具体分析两者关系。用特征波段计算6种植被指数,将6种植被指数与夏玉米LAI值进行相关性分析,结果如表5,可以看出,玉米 LAI 与归一化植被指数(Normalized Difference Vegetation Index,NDVI)、比值植被指数(Ratio Vegetation Index,RVI)、红边归一化植被指数(Red-edge Normalized Difference Vegetation Index,rNDVI)、修正归一化植被指数(Modified Normalized Difference Vegetation Index, mNDVI)、增强植被指数(Enhanced Vegetation Index 2,EVI2)和优化型土壤调节植被指数(Optimal Soil Adjusted Vegetation Index,OSAVI)的相关系数在0.85~0.86 之间,说明以上6类植被指数都能够较好地反映玉米LAI变化,可以用来构建反演模型。
表5 LAI与植被指数相关性系数
Table 5
植被指数 | 计算公式 | 参考文献 | 相关性系数 |
---|---|---|---|
NDVI | (R867-R636)/(R867+R636) | Carlson T N(1997)[22] | 0.86** |
RVI | R867/R636 | Anderson G L(1993)[23] | 0.86** |
rNDVI | (R760-R702)/(R760+R702) | Prasad B et al (2007)[24] | 0.85** |
mNDVI | (R760-R702)/(R760+R702-2R445) | Jurgens C(1997)[25] | 0.85** |
EVI2 | 2.5·(R867-R636)/(R867+2.4R636+1) | Mondal P (2011)[26] | 0.86** |
OSAVI | 1.16·(R867-R636)/(R867+R636+0.16) | Steven M D(1998)[27] | 0.85** |
注:**表示0.01水平差异极显著 |
4 反演模型与精度验证
4.1 单一特征波段反射率构建LAI反演模型
为了综合比较单一特征波段的光谱反射率构建LAI估算模型的效果,采用线性函数、二次函数、指数函数、对数函数、幂函数、S型函数等6种不同回归模型对LAI与光谱反射率之间的关系进行分析。由于使用回归模型的类型会对建模结果的精度产生一定的影响,本文以决定系数R2和统计量F对回归模型性能进行评估,选取拟合度高、相对误差较小的模型做为最优LAI反演模型,使反演结果更接近真实值。使用波段反射率与实际采样的LAI进行构建估算模型,选取最优模型,拟合结果(表6)可以看出,基于可见光波段516、636和702 nm的光谱反射率经过回归分析得到的拟合模型能较好地表现LAI与特征波段反射率之间的变化关系,构建的LAI估算模型拟合精度均较好,R2为0.72~0.75,统计量F为69.22~92.61。在近红外波段范围内波段760、867 nm的光谱反射率构建的估算模型拟合度相比,精度较低,R2为0.43~0.48,F值为13.33~22.83。
表6 各单一特征波段构建的LAI反演模型及评定系数
Table 6
波段/nm | 回归模型 | 数学模型 | 决定系数(R²) | F值 |
---|---|---|---|---|
516 | 线性 | y=-41.15 x + 5.06 | 0.68 | 62.66 |
对数 | y=-8.47-4.09 log(x) | 0.67 | 60.88 | |
二次 | y=-3.77 + 135.88 x + -884.90 x² | 0.69 | 32.07 | |
幂 | y=1.48 x-4.78 | 0.72 | 69.22 | |
S型 | y=exp( -4.82 + 0.47 / x ) | 0.68 | 64.41 | |
636 | 线性 | y=-24.94 x + 3.64 | 0.71 | 73.72 |
对数 | y=-5.06 -2.70 log(x) | 0.71 | 72.28 | |
二次 | y=2.90 -11.29 x -62.42 x² | 0.71 | 35.74 | |
幂 | y=0.01 x-3.16 | 0.74 | 83.47 | |
S型 | y=exp( -3.21 + 0.33 / x ) | 0.71 | 74.64 | |
指数 | y=21.86 exp( -29.47 x ) | 0.76 | 92.61 | |
702 | 线性 | y=-20.65x + 4.03 | 0.71 | 72.44 |
对数 | y=-4.92-3.08 log(x) | 0.70 | 70.83 | |
二次 | y=2.41 + 0.96 x-71.88 x² | 0.71 | 35.30 | |
幂 | y=0.01 x-3.60 | 0.73 | 82.38 | |
S型 | y=exp( -3.66 + 0.53 / x ) | 0.71 | 74.51 | |
指数 | y=34.34 exp( -24.40 x ) | 0.75 | 90.53 | |
760 | 线性 | y=14.15x -4.65 | 0.48 | 27.22 |
对数 | y=6.16+ 5.62 log(x) | 0.47 | 27.06 | |
二次 | y=8.14 -50.19 x + 80.82 x² | 0.48 | 13.33 | |
幂 | y=261.23 x6.10 | 0.43 | 22.26 | |
S型 | y=exp( 6.04-2.43 / x ) | 0.43 | 22.30 | |
指数 | y=0.02 exp( 15.33 x ) | 0.43 | 22.19 | |
867 | 线性 | y=14.61 x -3.86 | 0.43 | 22.83 |
对数 | y=6.33 + 4.83 log(x) | 0.43 | 22.81 | |
二次 | y=-3.26+ 11.02 x + 5.43 x² | 0.43 | 11.03 | |
幂 | y=342.02 x5.33 | 0.40 | 19.90 | |
S型 | y=exp( 5.28-1.76 / x ) | 0.40 | 20.10 | |
指数 | y=0.01 exp( 16.07 x ) | 0.40 | 19.80 |
4.2 植被指数构建LAI反演模型
为了综合比较植被指数构建LAI估算模型的效果,本文应用 6种回归模型对LAI与植被指数之间的关系进行分析。以决定系数R2和统计量F对回归模型性能进行评估,选取拟合度高、相对误差较小的模型做为最优LAI反演模型。
6类植被指数依据不同的回归类型建立模型相关性结果(表7),相关性都在0.7以上,相比单一特征波段光谱反射率相关性有了较大的提升,VI与LAI的关系更加密切。VI与LAI之间的最优6类拟合模型(表8),R2为0.73~0.78,且6类最优反演模型均为S型曲线,说明S型曲线能够更好的反应玉米VI与LAI之间的关系。由于采样期玉米正处于与拔节期,LAI的值较低, NDVI有效消除了大气中气溶胶的影响,可以较为灵敏地表示LAI的变化,拟合精度较高(R²=0.77、F=98.40)。mNDVI加入了对玉米叶片的镜面反射的效应的考虑,对叶冠层微小变化非常灵敏,拟合模型精度最高(R²=0.78、F=108.90)。RVI对植被覆盖度较高的地区能够很敏感反映其变化,属于绿色植物的敏感参数,拔节期玉米植被覆盖相对较低,降低了敏感性,RVI反演模型拟合精度相对较低(R²=0.73、F=80.52)。EVI2与OSAVI克服了土壤背景、气溶胶散射等环境噪声的影响,而这些噪声一直在玉米整个生长期都存在,对提升反演模型拟合度影响较小。综述所述,mNDVI构建的LAI的模型(y=exp(2.76-1.77/x))精度最高(R²=0.78、F=108.90),表明mNDVI是最适合构建玉米LAI反演的植被指数。
表7 基于植被指数拟合模型相性关系数
Table 7
模型名称 | NDVI | SR | RNDVI | mNDVI | EVI2 | OSAVI |
---|---|---|---|---|---|---|
线性 | 0.73 | 0.74 | 0.72 | 0.73 | 0.72 | 0.73 |
对数 | 0.73 | 0.74 | 0.72 | 0.73 | 0.72 | 0.73 |
二次 | 0.73 | 0.74 | 0.72 | 0.74 | 0.72 | 0.73 |
幂 | 0.76 | 0.75 | 0.75 | 0.78 | 0.72 | 0.74 |
指数 | 0.74 | 0.73 | 0.74 | 0.76 | 0.71 | 0.73 |
S型 | 0.77 | 0.76 | 0.76 | 0.78 | 0.73 | 0.75 |
表8 各植被指数构建的LAI反演最优模型及评定系数
Table 8
植被指数 | 模型名称 | 拟合模型 | 决定系数(R2) | F值 |
---|---|---|---|---|
NDVI | S型 | y=exp( 4.18-2.42 / x ) | 0.77 | 98.40 |
RVI | S型 | y=exp( 2.45-9.81 / x ) | 0.73 | 80.52 |
rNDVI | S型 | y=exp( 2.24-0.85 / x ) | 0.76 | 97.19 |
mNDVI | S型 | y=exp( 2.76-1.77 /x) | 0.78 | 108.90 |
EVI2 | S型 | y=exp( 3.48 -1.55 / x ) | 0.76 | 93.40 |
OSAVI | S型 | y=exp( 4.10-2.08 / x ) | 0.75 | 90.78 |
4.3 基于特征波段光谱反射率的LAI反演模型精度验证
为验证基于特征波段光谱反射率的LAI反演模型的精度,本文选取中国科学院地理科学与资源研究所禹城综合农业实验站实地采样LAI有效数据中16 组样本进行LAI反演模型精度验证,决定系数(R2)和总均方根差(RMSE)作为评定模型精度的指标,验证基于特征波段构建的LAI估算模型是否能够精确反演玉米LAI。验证结果(图6)表明,研究选择5个特征波段的反射率作为LAI的反演因子,其预测的LAI与实际田间采样值拟合程度(R² =0.44~0.58,RMSE=0.16~0.18),基于特征波段建立的LAI估算模型能够估算LAI,实验收集数据时禹城市玉米处于拔节期,玉米叶片快速增长,叶肉组织增多,光合作用增强,需要吸收大量的红光,所以基于红光波谷636 nm光谱反射率所建立的反演模型预测LAI预测精度最高(R²=0.58,RMSE=0.16),近红外波峰867 nm,红边范围内红光波谷702 nm和绿光波峰516 nm预测精度次之,红边范围内近红光波峰760 nm预测精度较低(R²=0.44,RMSE=0.18)。
图6
图6
特征波段反演模型精度验证
Fig.6
Accuracy verification of characteristic band inversion model
4.4 基于植被指数的LAI反演模型精度验证
图7显示基于植被指数建立LAI反演模型精度检验的对比结果,6类植被指数建立的LAI反演模型能精确地预测LAI:R²为0.66~0.72;RMSE为0.12~0.14,拟合度和总均方根差相差不是很明显。基于mNDVI构建的LAI估算模型的预测值更加接近实测值,精度最高(R²=0.72,RMSE=0.13);其次是rNDVI、RVI和NDVI 精度,EVI2(R²=0.66,RMSE=0.14)和OSAVI(R²=0.66,RMSE=0.14)精度相对较低。由此可见基于植被指数构建的反演模型相对单一特征波段的反演模型精度有所提高,更能体现玉米LAI的变化。
图7
图7
植被指数反演模型精度验证
Fig.7
Accuracy verification of vegetation index inversion model
5 结 语
无人机已经成为高精度农业领域获取高时空分辨率影像的新平台,为准确监测作物长势、产量预测以及病虫害早期发现提供了高时空分辨率的数据。本文基于无人机高光谱数据建立高精度估算农作物叶面积指数的模型,通过物理PROSAIL模型获取LAI特征响应波段结合统计学相关性分析,获取516、636、767、702和760 nm等波段对LAI变化最为敏感,进而计算NDVI、RVI、rNDVI、mNDVI、EVI2 和OSAVI等植被指数(R²=0.85~0.86),用单个特征波段构建的LAI估测模型精度(R² =0.44~0.58;RMSE=0.16~0.18),其中基于红光波谷636nm光谱反射率所建立的估算模型(LAI=21.86exp( -29.47R636 ) )预测LAI与实际LAI的拟合程度最高(R²=0.58,RMSE=0.16)。利用6种植被指数构建LAI估算模型能够精确预测LAI,R2为0.66~0.72,RMSE为0.12~0.14,拟合度均较好,均方差较小,以植被指数作为因子构建的反演模型相对其他单一特征波段的反演模型精度有所提高。基于mNDVI构建的LAI估算模型(LAI=exp(2.76-1.77/mNDVI))的模拟值更加接近实测值,精度最高(R²=0.72,RMSE=0.13);rNDVI、RVI和NDVI 预测玉米LAI精度次之,EVI2(R²=0.66,RMSE=0.14)和OSAVI(R²=0.66,RMSE=0.14)预测精度相对较低。经精度检验,mNDVI 构建的估算模型最适合对黄淮海平原典型农业地区农作物LAI反演。
结果表明基于无人机结合高光谱载荷提取LAI特征响应波段反射率的方法具备提高叶面积指数估算精度的潜力,利用单一特征波段与植被指数能较为准确的估算LAI。然而,采用的研究方法是经验法估算叶面积指数,估算模型的准确性受到植被类型、地块大小和统计方法等多种因素影响。这些因素可能导致敏感波段与预测变量不一致。因此,为了构建最佳的LAI估测模型,需要根据研究区域的具体数据确定最优特征波段和预测变量,结合大量数据进行进一步检验。
参考文献
Comparison of UAV and WorldView-2 Imagery for Mapping Leaf area Index of Mangrove Forest
[J]. ,
Global Synthesis of Leaf Area Index Observations: Implications for Ecological and Remote Sensing Studies
[J]. ,
Global Products of Vegetation Leaf Area and Fraction Absorbed PAR from Year One of MODIS Data
[J]. ,
Rundquist,Galina Keydan,Bryan Leavitt. Remote Estimation of Leaf Area Index and Green Leaf Biomass in Maize Canopies
[J]. ,
Validation and Intercomparison of Global Leaf Area Index Products Derived from Remote Sensing Data
[J]. ,113(G2):
Estimation of Leaf Area Index (LAI) in Corn and Soybeans Using Multi-polarization C- and L-band Radar Data
[J]. ,
Estimating Seasonal Vriations of Leaf Area Index Using Litterfall Collection and Optical Methods in Four Mixed Evergreen–Deciduous Forests
[J]. ,
On the Relation between NDVI, Fractional Vegetation Cover, and Leaf Area Index
[J]. ,
Mapping Urban Forest Leaf Area Index with Airborne LiDAR Using Penetration Metrics and Allometry
[J]. ,
Airborne Estimation of Boreal Forest LAI in Winter Conditions: A Test Using Summer and Winter Ground Truth
[J]. ,
UAVs as Remote Sensing Platform in Glaciology : Present Applications and Future Prospects
[J]. ,
Verification of A UAV Hyperspectral Sensor and Its Application in Leaf Area Index Inversion of Maize
[J].
一款无人机高光谱传感器的验证及其在玉米叶面积指数反演中的应用
[J].,
Application of UAV Hyperspectral Remote Sensing Data in the Inversion of Winter Wheat Leaf Area Index
[J].
无人机高光谱遥感数据在冬小麦叶面积指数反演中的应用
[J].,
LAI Inversion and Scale Effect Analysis of Multi-type Mixed Crops based on Hyperspectral Hyperspectral Data
[J].
基于无人机高光谱数据的多类型混合作物LAI反演及尺度效应分析
[J].,
Tea Tree Classification and Biochemical Parameter Inversion based on Near-earth Hyperspectral Remote Sensing Data
[D].
基于近地高光谱遥感数据的茶树分类和生化参数反演
[D].
Methodology for Determining Optimal Exposure Parameters of a Hyperspectral Scanning Sensor
[J]. ,
Remote Sensing Image Processing Method Second Edition
[M].
ENVI遥感图像处理方法 第二版
[M].
Main Method for the Determination of Leaf Area Index
[J].
叶面积指数的主要测定方法
[J]. ,
PROSPECT: A Model of Leaf Optical Properties Spectra
.[J]. ,
Towards Red-edge Positions Less Sensitive to Canopy Biophysical Parameters for Leaf Chlorophyll Estimation Using Properties Optique Spectrales Des Feuilles (PROSPECT) and Scattering by Arbitrarily Inclined Leaves (SAILH) Simulated Data
[J]. ,
Hyperspectral Inversion of Wheat Leaf Area Index
[J].
小麦叶面积指数的高光谱反演
[J]. ,
On the Relation between NDVI, Fractional Vegetation Cover, and Leaf Area Index
[J]. ,
Evaluating Landsat Thematic Mapper Derived Vegetation Indices for Estimating above Ground Biomass on Semiarid Rangelands
[J]. ,
Potential Use of Spectral Reflectance Indices as a Selection Tool for Grain Yield in Winter Wheat under Great Plains Conditions
[J]. ,
The Modified Normalized Dfference Vegetation Index (mNDVI) A New Index to Determine Frost Damages in Agriculture based on Landsat TM Data
[J]. ,
Quantifying Surface Gradients with A 2-band Enhanced Vegetation Index (EVI2)
[J]. ,
The Sensitivity of the OSAVI Vegetation Index to Observational Parameters
.[J]. ,
/
〈 | 〉 |