叶面积指数(leaf area index,LAI)是单位地表面积上总叶面积的一半,是影响光合作用、蒸腾作用和能量平衡等地表过程的关键生物物理变量。鉴于光学遥感数据易受天气的影响,雷达遥感数据易受土壤等的影响,二者在叶面积指数反演方面各有利...叶面积指数(leaf area index,LAI)是单位地表面积上总叶面积的一半,是影响光合作用、蒸腾作用和能量平衡等地表过程的关键生物物理变量。鉴于光学遥感数据易受天气的影响,雷达遥感数据易受土壤等的影响,二者在叶面积指数反演方面各有利弊,提出了一种考虑不同数据反演结果不确定性的融合方法。研究测试了多种机器学习模型在中国张掖地区的玉米农田上估算LAI的性能。结果表明,光学和雷达两种数据分别作为模型输入进行LAI反演时,高斯过程回归(Gaussian process regression,GPR)的表现均为最优。随后,基于Sentinel-1雷达数据和Sentinel-2光学数据,使用GPR模型生成了研究区2019年的两种LAI及不确定性时空分布图。考虑不同数据反演结果的差异,使用加权滤波方法将两种LAI融合,实现了高时空分辨率玉米LAI制图。通过定性和定量分析,融合后的LAI时间序列分布图变化连贯,空间分布均匀,精度相较于融合之前有了明显改善。展开更多
文摘叶面积指数(leaf area index,LAI)是单位地表面积上总叶面积的一半,是影响光合作用、蒸腾作用和能量平衡等地表过程的关键生物物理变量。鉴于光学遥感数据易受天气的影响,雷达遥感数据易受土壤等的影响,二者在叶面积指数反演方面各有利弊,提出了一种考虑不同数据反演结果不确定性的融合方法。研究测试了多种机器学习模型在中国张掖地区的玉米农田上估算LAI的性能。结果表明,光学和雷达两种数据分别作为模型输入进行LAI反演时,高斯过程回归(Gaussian process regression,GPR)的表现均为最优。随后,基于Sentinel-1雷达数据和Sentinel-2光学数据,使用GPR模型生成了研究区2019年的两种LAI及不确定性时空分布图。考虑不同数据反演结果的差异,使用加权滤波方法将两种LAI融合,实现了高时空分辨率玉米LAI制图。通过定性和定量分析,融合后的LAI时间序列分布图变化连贯,空间分布均匀,精度相较于融合之前有了明显改善。