点击图片查看原图
1）RVI、DVI、NDVI、GRVI、EVI和SAVI这6种植被指数与冬小麦LAI关系密切，相关性均达到了显着水平。利用回归分析构建估算模型，模型拟合度在0.696～0.775之间，RMSE在0.386～0.523之间，其中NDVI、RVI和GRVI拟合度较高，拟合误差较小。经模型精度检验RMSE为0.468～0.501，NDVI估算模型的RMSE为0.468相对最小，其次是GRVI估算模型的RMSE为0.478。但是在LAI<2时，RVI和GRVI无法有效的反映出LAI的变化；在NDVI接近于1时出现了较明显的饱和现象，同时引起冬小麦LAI低估现象。综合分析6种模型的模拟及验证情况，在冬小麦生长的不同阶段，这6种植被指数各有优势和不足，在尽可能避免NDVI出现饱和的情况下，NDVI估算模型无论是模型拟合度还是模型验证精度都较好，适合进行该地区冬小麦LAI反演。
2）利用BP神经网络输入多个敏感波段反射率进行冬小麦LAI估算，较大提高了反演精度。输入的多个敏感波段包含了蓝光450nm波段、绿光波峰550nm、红光波谷670nm及近红外波段870nm4个波段，这些波段对冬小麦的变化均较敏感，并与冬小麦LAI相关性较高。经检验，模拟值与实测值拟合度高达0.990，均方根误差（RMSE）为0.105。
利用BP神经网络法比传统回归模型估测冬小麦LAI精度有较大提高，由于神经网络的方法具有较好的非线性解释性，有效的避免因植被指数饱和引起的冬小麦LAI低估现象。
本研究在利用高光谱数据进行作物LAI估算方面进行了尝试，为冬小麦LAI的高精度估算提供了科学依据。研究发现BP神经网络方法较传统回归模型法较适合进行冬小麦LAI反演研究，很大程度上提高了模型的反演精度，但还存在一些不足，在建立模型过程中一定要保证样本量足够大（一般认为样本数n >50即为大样本事件），才能保证研究的适普性。同时BP神经网络如果增加了学习样本，训练好的网络就需要从头开始训练，对于以前的权值和阈值是没有记忆的，神经网络相对传统的回归模型在实用性方向有待进一步研究。笔者认为传统的回归模型和新兴的BP神经网络模型在冬小麦LAI反演研究中各有优势和不足，冬小麦LAI反演研究应根据研究情况来选择适合模型才是关键。另外本研究在大田中测量，由于种植方式、肥力状况、管理水平等的差异，可能会对冬小麦的光谱特征产生一定影响，模型是否适合其他更广阔的区域有待进一步验证
叶面积测定仪 http://www.top17.net/yq_list/yq_232_1.html
托普仪器官方网站 http://www.top17.net/
