土壤学报

作者：牛玉洁，李晓鹏，张佳宝，马东豪，纪景纯，宣可凡，蒋一飞，汪春芬，邓皓东，刘建立

单位：牛玉洁，中国科学院南京土壤研究所, 南京 210008;中国科学院大学, 北京 100049；,李晓鹏，中国科学院南京土壤研究所, 南京 210008；,张佳宝，中国科学院南京土壤研究所, 南京 210008；,马东豪，中国科学院南京土壤研究所, 南京 210008；,纪景纯，中国科学院南京土壤研究所, 南京 210008;中国科学院大学, 北京 100049；,宣可凡，中国科学院南京土壤研究所, 南京 210008;中国科学院大学, 北京 100049；,蒋一飞，中国科学院南京土壤研究所, 南京 210008;中国科学院大学, 北京 100049；,汪春芬，中国科学院南京土壤研究所, 南京 210008；,邓皓东，河海大学水文水资源学院, 南京 210024；,刘建立，中国科学院南京土壤研究所, 南京 210008；jlliu@issas.ac.cn,

关键词：无人机;冬小麦;LiDAR点云结构参数;植被指数;叶面积指数;反演模型

基金：国家重点研发计划项目（2016YFD0300601）和国家自然科学基金项目（41877021，41771265）资助

为了进一步挖掘无人机载激光雷达（Light Laser Detection and Ranging，LiDAR）在农作物长势监测方面的潜力，探究机载LiDAR与多光谱遥感数据融合反演冬小麦叶面积指数（Leaf Area Index，LAI）的效果，本研究以无人机载LiDAR和可见光-近红外多光谱为研究手段，获取试验区冬小麦孕穗期的无人机载LiDAR点云和多光谱数据，从中提取并筛选合适的LiDAR点云结构参数和植被指数，借助多元线性回归法（Multivariable Linear Regression，MLR）和偏最小二乘回归法（Partial Least Squares Regression，PLSR），通过融合LiDAR点云结构参数与植被指数以及单独使用植被指数作为模型输入参数，分别与实测LAI构建了LAI反演模型。用决定系数（Coefficient of Determination，R2）和均方根误差（Root Mean Square Error，RMSE）来评价模型时，结果显示融合LiDAR点云与多光谱数据能够较好地反演冬小麦LAI。而且，无论是利用MLR还是PLSR法，融合LiDAR点云结构参数与植被指数的模型（MLR：R2=0.901，RMSE=0.480；PLSR：R2=0.909，RMSE=0.445（n=16））均优于仅使用植被指数的模型（MLR：R2=0.897，RMSE=0.492；PLSR：R2=0.892，RMSE=0.486（n=16））。因此，加入无人机载LiDAR数据可以一定程度上弥补光谱数据在作物垂直方向上信息提取不足的缺陷，提高冬小麦LAI的反演精度，为冬小麦LAI反演提供了更优的手段。

来源：2022年第1期

《土壤学报》期刊编辑部

查看土壤学报杂志2022年第1期