點擊圖片查看原圖 1）RVI、DVI、NDVI、GRVI、EVI和SAVI這6種植被指數與冬小麥LAI關系密切，相關性均達到了顯著水平。利用回歸分析構建估算模型，模型擬合度在0.696～0.775之間，RMSE在0.386～0.523之間，其中NDVI、RVI和GRVI擬合度較高，擬合誤差較小。經模型精度檢驗RMSE為0.468～0.501，NDVI估算模型的RMSE為0.468相對最小，其次是GRVI估算模型的RMSE為0.478。但是在LAI<2時，RVI和GRVI無法有效的反映出LAI的變化；在NDVI接近于1時出現了較明顯的飽和現象，同時引起冬小麥LAI低估現象。綜合分析6種模型的模擬及驗證情況，在冬小麥生長的不同階段，這6種植被指數各有優勢和不足，在盡可能避免NDVI出現飽和的情況下，NDVI估算模型無論是模型擬合度還是模型驗證精度都較好，適合進行該地區冬小麥LAI反演。
2）利用BP神經網絡輸入多個敏感波段反射率進行冬小麥LAI估算，較大提高了反演精度。輸入的多個敏感波段包含了藍光450nm波段、綠光波峰550nm、紅光波谷670nm及近紅外波段870nm4個波段，這些波段對冬小麥的變化均較敏感，并與冬小麥LAI相關性較高。經檢驗，模擬值與實測值擬合度高達0.990，均方根誤差（RMSE）為0.105。
利用BP神經網絡法比傳統回歸模型估測冬小麥LAI精度有較大提高，由于神經網絡的方法具有較好的非線性解釋性，有效的避免因植被指數飽和引起的冬小麥LAI低估現象。
本研究在利用高光譜數據進行作物LAI估算方面進行了嘗試，為冬小麥LAI的高精度估算提供了科學依據。研究發現BP神經網絡方法較傳統回歸模型法較適合進行冬小麥LAI反演研究，很大程度上提高了模型的反演精度，但還存在一些不足，在建立模型過程中一定要保證樣本量足夠大（一般認為樣本數n >50即為大樣本事件），才能保證研究的適普性。同時BP神經網絡如果增加了學習樣本，訓練好的網絡就需要從頭開始訓練，對于以前的權值和閾值是沒有記憶的，神經網絡相對傳統的回歸模型在實用性方向有待進一步研究。筆者認為傳統的回歸模型和新興的BP神經網絡模型在冬小麥LAI反演研究中各有優勢和不足，冬小麥LAI反演研究應根據研究情況來選擇適合模型才是關鍵。另外本研究在大田中測量，由于種植方式、肥力狀況、管理水平等的差異，可能會對冬小麥的光譜特征產生一定影響，模型是否適合其他更廣闊的區域有待進一步驗證
//www.top17.net/yq_list/yq_232_1.html
托普儀器官方網站 //www.top17.net/
供應2013葉面積測定儀