苹果新梢不同节位叶面积大小与营养转换期的关系

以山丁子砧国光苹果大小年树为试材 ,研究新梢不同节位叶片面积大小与营养转换期的关系。大年树春季根系淀粉含量高 ,树体贮藏养分充足 ,新梢与根系的生长高峰期一致 ,在新梢生长高峰期 7～ 1 0节叶片面积达到最高值。小年树贮藏养分不足 ,在新梢生长高峰期根系的生长降至低谷 ,同时在新梢 8节、9节出现“小叶” ,是“营养转换期”开始的标志。小年树营养转换期结束于新梢缓慢生长阶段 ,标志是新梢 1 4～ 1 6节出现最大叶片。大年树无明显的养分亏缺期 ,营养转换期是在新梢旺盛生长期之后 ,树体贮藏养分比较充足的条件下 ,随同化养分的增多而逐步过渡的。大年树短枝逐节叶片面积和全枝叶面积均显著高于小年树 ,为提高花芽质量和形成优质果实奠定基础。

长白山区4种针叶林有效叶面积指数遥感精细反演及空间分布规律

[目的]研究快速、准确、宏观获取不同森林类型有效叶面积指数(LAI_(e))的方法,探讨其空间分布规律,为中小尺度森林LAI_(e)遥感产品的开发提供新思路,为林业精细化监测和森林生态系统碳水循环模拟提供科学可靠的技术手段。[方法]以长白山为研究区,基于Sentinel-2A多光谱影像,运用三维卷积神经网络提取研究区4种针叶林型(长白落叶松、樟子松、红松和红皮云杉)的空间分布;采用区分林型和全样本2种方案,分析样地实测LAI_(e)与7种植被指数(增强植被指数、反红边叶绿素指数、改进简单植被指数、归一化水体指数、归一化植被指数、土壤调节植被指数、简单植被指数)的相关关系;利用各林型对应的最优植被指数,构建区分林型和全样本LAI_(e)与植被指数的回归模型,并基于验证样本数据对比区分林型模型、全样本模型和PROSAIL模型在LAI_(e)反演中的精度表现;结合地理因子分析4种针叶林型LAI_(e)空间格局及变化规律。[结果]所有样本组中7种植被指数与相对的LAI_(e)均存在极显著相关关系(P<0.01),除增强植被指数(EVI)与红松LAI_(e)、简单植被指数(SR)与红皮云杉LAI_(e)外,相关系数均大于0.6,但组间LAI_(e)与不同植被指数相关性具有较大差异;红松、长白落叶松和樟子松LAI_(e)与反红边叶绿素指数(IRECI)相关性最高,红皮云杉、红松LAI_(e)分别与EVI、改进简单植被指数(MSR)相关性最高;4种不同林型模型比全样本模型的R2提高12.7%以上,RMSE降低34.5%;研究区内4种林型LAI_(e)范围在0.37~5.86之间,平均LAI_(e)由高至低依次为红松、长白落叶松、樟子松、红皮云杉。红松对海拔、坡度、坡向的变化最为敏感,红皮云杉、樟子松次之,长白落叶松最小。[结论]不同林型LAI_(e)与遥感植被指数的相关程度存在明显差异,区分林型构建回归模型能够提高LAI_(e)反演精度;区分林型后拟合的线性模型精度整体较PROSAIL模型和全样本模型更高,但LAI_(e)高值区域没有PROSAIL模型表现稳定;4种针叶林型LAI_(e)对地理因子变化的反应差异较大。本研究可为精细区分森林类型的中小尺度针叶林LAI_(e)遥感反演研究提供参考。

盐胁迫对春茄6号茄子幼苗叶面积及生理生化指标的影响

茄子是世界四大蔬菜作物之一,其周年供应主要依靠设施化栽培技术。然而,设施栽培因常年大量施用化肥和不合理灌溉等因素导致土壤次生盐碱化,这将严重影响蔬菜的生长发育和设施农业的可持续发展。因此,本试验以春茄6号幼苗为试验材料,研究0、50、100、150 mmol/L这4个浓度NaCl盐胁迫对春茄6号叶面积和抗氧化酶含量的影响,并分别在第0天、第3天、第6天和第9天记录叶面积,同时测定了丙二醛(MDA)、超氧化物歧化酶(SOD)、过氧化氢酶(CAT)和过氧化物酶(POD)的含量。结果表明:随着盐胁迫浓度逐渐上升,春茄6号幼苗叶面积增长逐渐缓慢,在150 mol/L浓度NaCl处理下春茄6号幼苗叶面积生长量最低;NaCl盐胁迫对春茄6号幼苗叶片的叶面积及MDA、SOD、POD和CAT含量均会产生抑制。不同NaCl浓度对春茄6号幼苗的抑制效果表现为150 mmol/L>100 mmol/L>50 mmol/L>0 mmol/L。

基于图像处理的水培生菜冠层图像叶面积估测研究

为实现精准、高效、无损地获取植物工厂环境下水培生菜相关长势参数叶面积(Leaf area,LA),基于数字图像处理和机器学习回归方法建立单株水培生菜冠层图像LA估测模型。首先,通过智能手机获取2个生菜品种不同生长期的冠层可见光图像,利用Photoshop图像处理软件将原始图像统一剪裁为900像素×900像素大小,采用中值滤波(MedianBlur)法对剪裁后的图像进行去噪运算,将RGB图像转化为HSV颜色空间,再采用mask掩膜法分割彩色图像;然后,利用图像法获取单株生菜LA实测值,构建以LA实测值为因变量,以生菜冠层投影面积(Projected leaf area,PLA)为自变量的线性回归(Linear regression,LR)模型和以全局图像特征(颜色、形状、纹理等)为自变量的支持向量回归(Support vector regression,SVR)、多元线性回归(Multiple linear regression,MLR)和随机森林(Random forest,RF)等LA估测模型进行对比分析;最后,采用决定系数(Coefficient of determination,R^(2))和均方根误差(Root mean square error,RMSE)评估模型的准确性。结果表明:RF模型估测效果最好,对于生菜品种‘绿萝’单株LA估测结果的R^(2)为0.9714、RMSE为8.89 cm2,对于品种‘碧霄’估测结果的R^(2)为0.9201、RMSE为23.34 cm2。本研究验证了RF回归模型能够较准确地估测生菜单株叶面积,可为植物工厂水培生菜LA无损估测提供新的解决方案和研究基础。

基于便携式作物生长监测诊断仪的红壤花生叶片氮积累量和叶面积指数监测

通过分析红壤花生不同生育期的生长指标动态变化特征及其与冠层光谱植被指数间的定量关系,以赣花5号和航花2号这2个花生品种为试验对象,设置4个施氮水平,在花生关键生育期(苗期、花针期、结荚期和饱果期)利用便携式作物生长监测诊断仪(CGMD-402)采集冠层光谱植被指数,并同步取样测定各处理的地上部生物量、叶片氮积累量(LNA)和叶面积指数(LAI),构建基于CGMD-402的红壤花生LNA和LAI监测模型。结果表明:施氮水平会对红壤花生植株的生长产生影响,地上部植株的生物量会随着施氮量的增加而增大;叶片氮积累量和叶面积指数均随生育进程的推进整体上表现为先升后降的动态变化特征;花针期与结荚期的花生冠层归一化植被指数(NDVI)与LAI和LNA均具有较好的相关性。因此,可利用便携式作物生长监测诊断仪CGMD-402监测红壤花生的LAI和LNA,为江西省红壤花生的精确施氮管理提供技术支撑。

基于移动多线激光雷达扫描的树冠叶面积估计方法

移动单线激光雷达(Laser detection and ranging,LiDAR)扫描(Mobile single-layer LiDAR scanning,MSLS)树冠叶面积估计方法使用单一视角的单线激光雷达采集树冠点云数据,获取的冠层信息不够全面,限制了树冠叶面积估计精度。本文提出一种基于移动多线LiDAR扫描(Mobile multi-layer LiDAR scanning,MMLS)的树冠叶面积估计方法,使用多线LiDAR从多个视角采集树冠点云数据,提升树冠叶面积估计精度。首先,将多线LiDAR采集的点云数据变换到世界坐标系下,通过感兴趣区域(Region of interest,ROI)提取出树冠点云。然后,提出一种MMLS树冠点云融合方法,逐个融合单个激光器采集的树冠点云,设置距离阈值删除重复点,添加新点。最后,构建MMLS空间分辨率网格,建立基于树冠网格面积的树冠叶面积估计模型。实验使用VLP-16型多线LiDAR传感器搭建MMLS系统,设置1、1.5 m 2个测量距离和间隔45°的8个测量角度对6个具有不同冠层密度的树冠进行数据采集,共得到96个树冠样本。采用本文方法,树冠叶面积线性估计模型的均方根误差(Root mean squared error,RMSE)为0.1041 m^(2),比MSLS模型降低0.0578 m^(2),决定系数R^(2)为0.9526,比MSLS模型提高0.0675。实验结果表明,本文方法通过多线LiDAR多视角树冠点云数据采集、MMLS树冠点云融合和空间分辨率网格构建,有效提升了树冠叶面积估计精度。

橡胶树无性系叶面积的回归测算

为研究橡胶树无性系植株生长发育进程中叶面积变化及规模化种质资源鉴定中叶面积测定的简易方法,以20个橡胶树无性系为材料,测定各无性系叶片参数,找出合适系数回归法测算橡胶树无性系叶面积的最佳叶片参数。结果表明:干重法和叶面积仪法测定不同无性系叶面积的差异较大,两种方法相对差值较小的无性系仅9个;直尺法和叶面积仪法测定的叶长差异较大,两种方法测得的叶宽高度一致。各叶片参数相关性分析得出,直尺法测算出的叶长宽积X_(1)与其它所有叶片参数均达到了极显著正相关(P≤0.01),且与叶面积仪测定的叶面积S_(1)相关系数最大(r=0.986);其次,干重法测算的叶面积S_(2)与S_(1)相关系数在所有叶片参数中也最大(r=0.899)。选择X_(1)和S_(2)分别与S_(1)进行回归分析,得出大部分无性系X_(1)的回归决定系数都比S_(2)的更高,故在叶片规整的情况下,特别是研究植株叶片生长发育规律时,推荐使用直尺法测定的叶长宽积与叶面积仪测定的叶面积进行回归拟合。

基于无人机多光谱的棉花多生育期叶面积指数反演

【目的】叶面积指数(leaf area index,LAI)是表征作物长势、光合、蒸腾的重要指标。论文旨在研究不同生育期、多生育期无人机多光谱数据棉花LAI估测模型,明确不同生育期间棉花LAI估测模型变化规律,为实时掌握棉花长势并因地制宜进行田间科学管理提供依据。【方法】利用大疆精灵4多光谱无人机获取棉花现蕾期、初花期、结铃期、吐絮期多光谱图像和RGB图像。选用归一化差植被指数(NDVI)、绿度归一化差植被指数(GNDVI)、归一化差红边指数(NDRE)、叶片叶绿素指数(LCI)、优化的土壤调节植被指数(OSAVI)5种多光谱指数和修正红绿植被指数(MGRVI)、红绿植被指数(GRVI)、绿叶指数(GLA)、超红指数(EXR)、大气阻抗植被指数(VARI)5种颜色指数分别建立棉花各生育期及棉花生长多生育期数据集合,结合打孔法获取地面LAI实测数据,使用机器学习算法中偏最小二乘(PLSR)、岭回归(RR)、随机森林(RF)、支持向量机(SVM)、神经网络(BP)构建棉花LAI预测模型。【结果】覆膜棉花LAI随着生育期的变化呈现先增长后下降的趋势,现蕾期、初花期、结铃期内侧棉花叶面积指数均值均显著大于外侧(P<0.05);选择的指数在各时期彼此间均呈显著相关(P<0.05),总体而言,多光谱指数与颜色指数间的相关性随着生育期的进行而呈现下降趋势,选择的指数在各时期均与棉花LAI相关性显著(P<0.05),多光谱指数相关系数介于0.35—0.85,颜色指数相关系数介于0.49—0.71,相关系数绝对值较大的指数多为多光谱指数,颜色指数与棉花LAI的相关系数绝对值较小;估测模型性能结果显示棉花各生育期模型中多光谱指数优于颜色指数,且各指数模型预测性能随着生育期的变化呈现一定规律性,NDVI是预测棉花LAI的最优指数。从模型结果上看,RF模型和BP模型在各生育期下获得了较高的估计精度。初花期LAI反演模型精度最高,最优模型验证集R2为0.809,MAE为0.288,NRMSE为0.120。多生育期最优模型验证集R2为0.386,MAE为0.700,NRMSE为0.198。【结论】棉花内外侧LAI在现蕾期、初花期、结铃期存在显著差异。在各生育期中,RF和BP模型是预测棉花LAI较优模型。NDVI在各指数中表现最好,是预测棉花LAI的最优指数。多生育期模型效果较单生育期明显下降,最优指数为GNDVI,最优模型为BP。本研究中预测棉花LAI的最优窗口期是初花期。研究结果可为无人机遥感监测棉花LAI提供理论依据和技术支持。

应用地基雷达和机载激光雷达数据反演落叶松冠层叶面积密度

为了实现落叶松冠层叶面积密度盲区互补的协同反演,以塞罕坝机械林场为研究区,根据地基雷达和机载激光雷达数据对落叶松林冠层点云信息进行提取;利用点云分割算法对点云信息进行枝叶分离,并对冠层点云进行体素建模,分析落叶松林最优体素和接触频率的相关性;采用体素模型冠层分析法(VCP)分别对机载雷达和地基雷达数据绘制冠层叶面积密度曲线,实现对区域林木叶面积密度的反演。结果表明:运用冠层分析法适用于估算落叶松的叶面积密度,机载雷达点云数据和地基雷达点云数据协同估算的相对误差最小(平均相对误差1.95%),机载雷达数据估算次之(平均相对误差5.09%),地基雷达数据估算误差最大(平均相对误差9.37%)。因此,机载和地基雷达数据协同反演可以提升落叶松林叶面积密度的估算精度。

低覆盖草地叶面积指数遥感估算方法

有效估算低覆盖草地叶面积指数(LAI),对监测低覆盖草地生长状况、优化完善草地管理具有重要意义。以往针对草地叶面积指数的研究大多集中于中高覆盖度草地,对低覆盖草地的研究相对较少。利用谷歌地球引擎(GEE),基于Landsat-8卫星数据提取所需特征变量,通过特征变量与叶面积指数的相关性及其在模型中的重要性进行特征优选,确定模型最佳变量个数,以此构建机器学习模型,探寻适合在低覆盖区草地估算叶面积指数的方法。结果显示,基于相关性特征优选的梯度提升回归树模型(r-GBRT)在低覆盖草地估算叶面积指数的效果较好,测试集的R 2为0.686,均方根误差(RMSE)为0.101。结果表明,基于特征优选构建的机器学习模型在低覆盖条件下估算草地叶面积指数方面具有较好的应用价值。

基于多光谱无人机的不同放牧策略对草地叶面积指数变化动态解析

针对海南岛耕地撂荒形成的草地无序放牧较为普遍的现象,以不同放牧方式(轮牧和连续放牧)、不同放牧强度(重度、中度和轻度)进行草地放牧试验,利用多光谱无人机和植被冠层分析仪,获取放牧期间日尺度草地叶面积指数(Leaf area index,LAI)信息,定量分析不同放牧策略对草地叶面积指数及牧牛行为变化的影响。研究结果表明:(1)中度放牧条件下的轮牧有利于草地LAI的提升。重度放牧时,轮牧和连续放牧草地的LAI上升的区域占草地总面积的比例分别为3.21%和12.65%;中度放牧时,轮牧和连续放牧草地的LAI上升的区域占草地总面积的比例分别为52.01%和25.83%;轻度放牧时,轮牧和连续放牧草地的LAI上升的区域占草地总面积的比例分别为61.02%和60.37%。(2)重度放牧条件下,牛的采食时间占比始终最高,随着采食时间占比的增加,草地LAI的减少量也随之增加,但当采食时间占比增加至70.88%~73.42%时,草地LAI的减少量逐渐降低。此时,草地叶面积指数下降到初始状态(第一天啃食前)的79.60%~79.90%,即牛的啃食量已经到达了草地LAI当日能够供给的极限,当超过这个极限时,草地可食用牧草大幅减少,牲畜个体采食竞争加剧,同时牛的啃食行为时间占比大大提高。研究结果有助于优选出牧场尺度下最佳的草畜管理措施,为热带草地畜牧系统的可持续发展从新的角度提供理论方法和决策支撑,助力国家生态文明试验区(海南)的建设。

2001—2019年湖南省叶面积指数时空变化动态研究

基于MODIS叶面积指数时序数据集,运用变异系数、Mann-Kendall趋势检验和相关分析等主要方法,对2001—2019年湖南省植被时空特征、变化趋势及其与气象因子的对应关系进行了研究。结果表明:1)湖南省叶面积指数保持在较高值,整体植被LAI呈增加趋势,速率为0.57%/10a;西部植被生长好于东部,高植被生长区及中高植被生长区占整个省域面积的80.5%;2)省内植被LAI与气象关系不显著,且与降水、气温呈正相关,与日照时数呈负相关。

花生叶面积指数精准快速监测方法研究

为探索适用于花生叶面积指数快速精准测量方法,基于田间调查实测数据,分别采用网格法、比叶重法、系数法、AutoCAD法以及扫描法等5种方法计算了花生不同生育时期的叶面积指数,并以基于扫描法的估算结果为对照,评价了基于其他4种监测方法估算结果的精度,并优化了系数法和比叶重法调查花生叶面积的关键技术指标。结果表明,比叶重法精度较高、监测速度较快、可操作性强,利用比叶重法监测花生叶面积指数,苗期、花针期、结荚期和饱果期叶片取样数分别为24、30、24和30片,相对误差分别为4.13%、4.07%、0.02%和0.13%,标准均方根误差为7.494%,适宜的干重比系数分别为150.00、143.26、187.58和157.20 cm^(2)/g。比叶重法是适宜于花生叶面积快速精准测量的方法。

干旱胁迫下冬小麦叶面积指数的高光谱监测

为实现干旱条件下冬小麦叶面积指数(LAI)的快速精准监测,为我国干旱半干旱地区的冬小麦安全生产提供理论和技术支持,为干旱条件下冬小麦LAI的快速精准监测提供参考,以不同干旱条件下的冬小麦为研究对象,测定关键生育时期冬小麦的LAI和冠层高光谱反射率,探索冬小麦LAI和高光谱反射率间的响应趋势,分别采用一阶微分(1ST)、标准正态变换(SNV)和对数变换(Log)3种方法对原始光谱反射率(R)进行预处理;对比分析不同预处理后光谱反射率与LAI的相关关系,采用偏最小二乘回归(PLSR)算法构建不同预处理下冬小麦LAI的监测模型。结果表明,在可见光区域和1100~1800 nm光谱区域,随着LAI的升高,光谱反射率呈现出逐渐增大的趋势;3种预处理方法均改善了光谱反射率与冬小麦LAI的相关性,其中1ST预处理后的光谱反射率与LAI的相关性最高,在1209 nm处相关系数达到了0.550。基于1ST预处理后光谱反射率,采用PLSR构建的冬小麦LAI监测模型表现最佳,相较R-PLSR模型,1ST-PLSR校正模型和验证模型的决定系数分别提高了42.974%和8.842%,均方根误差分别降低了33.710%和8.111%,相对分析误差分别提高了50.838%和8.813%。

杉木人工林林分叶面积动态变化规律

叶面积与树木生长密切相关,是量化树木潜在生产能力的重要因子,其动态变化直接驱动林木生长的变化,但目前学者们对于林分叶面积动态变化规律却持有不同的观点。以亚热带不同气候区杉木人工林为研究对象,基于54个样地,共144株解析木的数据,采用6种生长方程通过非线性混合效应模型分别构建杉木单木叶面积模型和林分密度模型,将二者相乘得到林分叶面积动态变化模型,进而探究其动态变化规律。结果表明,以样地作为随机效应因子,考虑Logistic方程a参数上的随机效应,同时不考虑异方差结构的混合模型(样地水平)作为单木叶面积的最优模型;以地区作为随机效应因子,考虑Logistic方程a参数上的随机效应,同时不考虑异方差结构的混合模型(总体平均水平)作为林分密度的最优模型;林分叶面积动态变化呈单峰形式,幼龄阶段增长较快,达到峰值后迅速下降,之后下降幅度减少。本研究在考虑林分自然稀疏的前提下从生长模型的角度证明了杉木林分叶面积动态变化呈单峰型,而非达到顶峰后保持不变,同时也表明林分叶面积达到顶峰后下降是由于林分密度的降低引起的。研究结果对于合理经营不同气候梯度的杉木人工林具有重要意义。

马尾松林叶面积指数季节动态的测定

【目的】评价光学仪器法测定马尾松林叶面积指数(LAI)的精度,为准确监测马尾松林LAI季节动态提供技术支持。【方法】以凋落物法测定值代表马尾松林真实的LAI,对展叶调查、异速生长方程法和光学仪器法(半球摄影法和LAI-2200植物冠层分析仪)获取的马尾松林LAI季节动态进行评估,并量化不同因素包括集聚指数(ΩE)、木质比例(α)和针簇比(γE)对光学仪器测定值的影响。【结果】马尾松林内主要树种的平均叶寿命为1.53~1.94,比叶面积(SLA)差异较大(99.15~278.33 cm^(2)/g)。不同方法测定马尾松林LAI的季节动态均呈单峰形变化模式,且在7月达到峰值。在各调查时期,凋落物法的测定值与异速生长方程法的测定值差异不显著。半球摄影法测定的有效叶面积指数(Le)比凋落物法、异速生长方程法的测定值分别低估了49%~64%和47%~61%;LAI-2200植物冠层分析仪法测定的Le低估了25%~44%和20%~42%。半球摄影法测定的Le经自动曝光、α、ΩE及γE校正后,精度明显提高,比凋落物法、异速生长方程法平均低估了8%和5%;LAI-2200植物冠层分析仪法测定的Le经α、ΩE及γE校正后,其精度大幅度提高,比凋落物法、异速生长方程法平均低估了6%和2%。【结论】考虑影响光学仪器法测定LAI的因素后,半球摄影法和LAI-2200植物冠层分析仪法测定的LAI精度得到明显提高,表明两种光学仪器法均能相对准确地测定马尾松林LAI的季节动态,可为不同区域马尾松林LAI季节动态的研究提供方法参考。

结合无人机多光谱数据和机器学习算法的春小麦叶面积指数反演

【目的】探究基于无人机多光谱数据反演大田春小麦叶面积指数(LAI)的最优机器学习建模方法。【方法】以内蒙古沿黄流域的土默川平原春小麦为对象,利用大疆P4M无人机采集了3个关键生育时期(拔节期、孕穗期、灌浆期)多光谱影像数据,提取植被指数同实测LAI进行相关性分析,用以植被指数的筛选,筛选后的植被指数进行主成分分析(PCA),将新主成分因子作为模型输入变量结合多元线性回归(MLR)、决策树回归(DTR)、BP神经网络回归(BPNN)、梯度提升树回归(GBDT)、支持向量机回归(SVR)和随机森林回归(RFR)6种建模方法,分别构建不同生育时期LAI估算模型,经精度验证,确定LAI的最优估算模型。【结果】归一化植被指数(NDVI)、改进的简单比值植被指数(MSR)、比值植被指数(RVI)、差值植被指数(DVI)、土壤调节植被指数(SAVI)和归一化差异红边指数(NDRE)与LAI均存在显著相关性,但重归一化植被指数(RDVI)在孕穗期和灌浆期与LAI的相关系数仅为0.23和0.21。在反演模型方面,拔节期的BPNN模型表现最优,验证集R^(2)为0.822,RMSE为0.305,MAE为0.257。而在孕穗期、灌浆期以及整个生育期内,RFR模型表现最佳,验证集R^(2)分别为0.613、0.811和0.834,对应的RMSE分别为0.189、0.150和0.174,MAE分别为0.126、0.121和0.133,且以多生育时期数据建立的RFR模型精度大于单生育时期模型。【结论】利用无人机多光谱数据计算的植被指数结合机器学习算法可以较好反映春小麦各生育时期LAI分布情况,其中,使用多生育时期数据建立的模型估算精度大于单生育时期模型,单生育时期中,拔节期的预测精度最高,其次是灌浆期和孕穗期。在算法方面,BPNN算法构建的LAI估算模型在拔节期的反演精度最高RFR算法构建的LAI估算模型是准确估算春小麦中后期LAI表型参数的优选方法,相比之下GBDT模型在各生育时期的反演精度均较低,不推荐作为春小麦LAI反演模型。

基于特征波段选择的冬小麦叶面积指数高光谱遥感估测模型研究

为提高冬小麦叶面积指数(LAI)的遥感估测精度,以实现其无损快速测定目标,在田块尺度设置多年定点不同冬小麦品种氮梯度试验,测定其不同生育时期冠层高光谱数据和LAI,通过原始冠层光谱数据与一阶导数预处理(first-derivative, FD)组合竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)、无信息变量消除(uninformative variable elimination, UVE)和随机蛙跳(random frog, RF)三种特征波段选择方法进行偏最小二乘回归(partial least squares regression, PLSR)高光谱估测模型构建。结果表明,一阶导数预处理在简化波段数量和提升模型精度上具有较好作用。经过与全波段数据及六种组合内部建模预测精度对比,RF在简化波段方面效果最好,FD-RF组合筛选波段数量为6个,建模的R^(2)和RMSE分别达到0.850和0.730,预测的R^(2)和RMSE分别为0.704和1.005;FD-CARS组合达到了最佳建模精度,R^(2)和RMSE分别为0.876和0.641;FD-UVE组合达到了最佳预测精度,R^(2)和RMSE分别为0.755和0.672。这说明基于特征波段选择可以进行冬小麦叶面积指数高光谱遥感模型建立与有效估测。

基于Beer-Lambert方法的机载LiDAR草地叶面积指数估算研究

草地叶面积指数(Leaf area index,LAI)是天然草地的重要结构参数,能够用来监测草地的生长状况和生产力水平,对草地资源可持续利用和科学管理具有重要意义。以内蒙古锡林郭勒盟典型草原为研究对象,首先使用无人机激光雷达(Airborne light detection and ranging,Air-LiDAR)草地冠层观测数据,通过解析点云数据构建冠层高度模型(Canopy height model,CHM),随后进行研究区草地冠层间隙率计算,最后基于Beer-Lambert方法进行0.05 m、0.10 m、0.15 m、0.20 m 4个不同空间分辨率采样尺度下的LAI估算,并选择CHM低值、中值、高值3个不同子区域分别进行不同冠层高度下LAI的检验和分析。结果表明:(1)草地叶面积指数与冠层高度模型数值呈正相关、与冠层间隙率呈负相关。(2)机载LiDAR草地LAI估算的最优采样尺度为0.15 m,CHM不同高度子区域LAI结果检验R^(2)和RMSE分别为:低值区为0.66和0.04;中值区为0.54和0.34;高值区为0.54和1.17,表明无人机LiDAR可捕获草地冠层观测采样存在的异质性差异分布特征。(3)不同空间分辨率0.05~0.20 m间隔采样LAI结果表明,对于CHM低值、植被分布稀疏区域不同分辨率LAI无显著空间尺度变化差异,但CHM高值、较密植被分布群落LAI会随空间分辨率表现出尺度性差异。综上所述,本研究设计完成的无人机LiDAR草地LAI估算模型,参数机理具体、流程方法可操作性强,具有较好的数值检验精度,可为激光雷达在草地植被叶面积指数遥感反演及应用提供技术参考。

泛中亚干旱区植物比叶面积观测数据集

泛中亚干旱区的气候复杂多变,植被具有较高的生态敏感性。比叶面积(Specific leaf area,SLA)是反映植物获取资源和适应环境能力的关键叶功能性状,已被广泛应用于植被响应环境变化研究。本数据集收集了2000–2023年泛中亚干旱区公开发表的植物比叶面积的文献资料,构建了泛中亚干旱区植物比叶面积观测数据集。本数据集包含362个物种共835条比叶面积的观测记录,涵盖落叶阔叶乔木、落叶针叶乔木、常绿阔叶乔木、常绿针叶乔木、落叶阔叶灌木、常绿阔叶灌木和草本植物7种植物功能类型。此外,还包含了采样点经纬度、海拔、地理区域等辅助信息。建立和共享本数据集有助于深入研究干旱区植物对气候变化的响应与适应,理解植物在资源限制性环境中的生存策略,并为生态系统模型优化提供可靠的数据支持。