سابِق|تال

استرجاع مؤشر مساحة أوراق المحاصيل مدمجًا مع خصائص الأطياف الحمراء الحدودية

  • role： First author第一作者
  • Affiliation：

    Huazhong Agricultural University, College of Resources and Environment, Digital Agriculture Research Institute, Wuhan 430070, China

  • Email：xubaodong@mail.hzau.edu.cn
  • Introduction：徐保东，研究方向为农业遥感。E-mail： xubaodong@mail.hzau.edu.cn
XU Baodong1,  
  • Affiliation：

    Huazhong Agricultural University, College of Resources and Environment, Digital Agriculture Research Institute, Wuhan 430070, China

SONG Zhubeijia1,  
  • Affiliation：

    Huazhong Agricultural University, College of Resources and Environment, Digital Agriculture Research Institute, Wuhan 430070, China

WU Tongzhou1,  
  • Affiliation：

    Huazhong Agricultural University, College of Resources and Environment, Digital Agriculture Research Institute, Wuhan 430070, China

MENG Ke1,  
  • Affiliation：

    Huazhong Agricultural University, College of Resources and Environment, Digital Agriculture Research Institute, Wuhan 430070, China

WANG Qi1,  
  • Affiliation：

    Huazhong Agricultural University, Plant Science and Technology, Wuhan 430070, China

WEI Haodong2,  
  • Affiliation：

    Southwest Jiaotong University, Faculty of Geosciences and Environmental Engineering, Chengdu 610031, China

YIN Gaofei3

ملخص

مؤشر مساحة الأوراق LAI (Leaf Area Index) هو معلمة رئيسية تصف بنية وتطور مظلة المحاصيل. إن استخدام تقنيات الاستشعار عن بعد لمراقبته بدقة وفي الوقت المناسب له أهمية كبيرة في إدارة الري والتسميد الميداني، وضمان الأمن الغذائي، وتقييم إمكانات الإنتاج الزراعي. تعتبر الأطياف الحمراء الحدودية كموجات حساسة تشير إلى التغيرات الفسيولوجية في الأوراق وبنية المظلة، وقد تم تجهيز العديد من أجهزة استشعار الأقمار الصناعية متوسطة وعالية الدقة (10-30 مترًا) بها وتطبيقها على نطاق واسع في استرجاع معلمات المحاصيل، مما يوفر فرصة جديدة لتحسين دقة استرجاع LAI. ومع ذلك، هناك اختلافات كبيرة في الطرق المستخدمة لتطبيق الأطياف الحمراء الحدودية على استرجاع LAI، وبسبب الاختلافات في مناطق الدراسة، لا يزال من غير الواضح كيفية استخدام هذه الأطياف بشكل فعّال لتحسين دقة الاسترجاع. بناءً على ذلك، تعتمد هذه الدراسة على طريقة هجينة تجمع بين نموذج PROSAIL وخوارزميات التعلم الآلي للاسترجاع، باستخدام صور Sentinel-2 التي تحتوي على 3 أطياف حمراء حدودية وبيانات حقلية لقياسات LAI لمحاصيل الحبوب الوطنية (الأرز والقمح والذرة) المقدمة من شبكة الرصد والدراسة الوطنية للنظم البيئية، ومن خلال اختيار النماذج وخيارات الأطياف المثلى، تم بناء خوارزمية لاسترجاع LAI مرتبطة بخصائص الأطياف الحمراء الحدودية وأُجريت تقييمات نظامية في سيناريوهات مختلفة. أظهرت النتائج أن الشبكة متعددة الطبقات (MLPR) كانت الأفضل في نسج LAI مع الانعكاسية متعددة الأطياف، وأن إدخال الأطياف الحمراء الحدودية حسّن بشكل فعال دقة الاسترجاع، حيث كانت أفضل النتائج مع إدخال طيفي الحدود الأحمر 1 (RE1) و 3 (RE3) (R2=0.784، RMSE=0.826)، مقارنة بتجميع Z1 بدون الأطياف الحمراء الحدودية (Green+Red+NIR+SWIR1+SWIR2)، ارتفع R2 بنسبة 4.9% وانخفض RMSE بنسبة 15.6%. بالإضافة إلى ذلك، ساهم إدخال الأطياف الحمراء الحدودية ليس فقط في تقليل تحيز النظام في استرجاع LAI، بل هدأ أيضًا تأثير التشبع في مجال LAI المتوسط والمرتفع (4R2 زاد بنسبة 17.9%، RMSE انخفض بنسبة 29.1%). توفر الخوارزمية التي تم بناؤها هنا من خلال دمج الأطياف الحمراء الحدودية دعمًا تقنيًا مهمًا لمراقبة دقيقة على نطاق واسع وطويل الأمد لتطور المحاصيل المختلفة.

مفهوم

مؤشر مساحة أوراق المحاصيل; الأطياف الحمراء الحدودية; نموذج Prosail; التعلم الآلي; اختيار الأطياف

مقدمة

رصد نمو المحاصيل تلعب دورا هاما في مجال إدارة المياه والأسمدة ، والأمن الغذائي ، وتقييم إمكانات الإنتاج الزراعي .Djamai等，2025نZérah等，2024. لا دليل مساحة الورقة ( لاي ) بأنها نصف مجموع مساحة الورقة الخضراء في وحدة المساحة ، وهو مهم المعلمة الفيزيائية الحيوية التي تمثل هيكل ووظيفة الغطاء النباتي المظلة .Chen和Black，1992. لا مؤشر رئيسي على نمو المحاصيل والتنمية ، لاي ليس فقط مباشرة يحدد قدرة المظلة اعتراض الإشعاع الضوئي النشطة ، ولكن أيضا يؤثر بشكل كبير على عملية التمثيل الضوئي ، النتح ، سطح الأرض الطاقة والمواد ركوب الدراجات من المحاصيل .Chen等，2019. لا تكنولوجيا الاستشعار عن بعد بالسواتل يوفر وسيلة فعالة للحصول على مساحة كبيرة وطويلة سلسلة لاي البيانات . في الوقت الحاضر ، هناك العديد من مجموعات من المنتجات في جميع أنحاء العالم ، مثل موديس ، غلاس ، geov3 و musiq الخ )Fang等，2019aنFernandes等，2023ن梁顺林 等，2023. لا ومع ذلك ، ويرجع ذلك إلى حقيقة أن هذه المنتجات تعتمد في الغالب على انخفاض القرار المكانية ( جيكا طن ؛ 100 م ) بيانات الاستشعار عن بعد ، بسبب عدم التجانس في المناظر الطبيعية الزراعية و مختلطة بكسل ، دقة رصد نمو المحاصيل غير مؤكد .Fang等，2019bنMyneni等，2002. لا ولذلك ، فمن الضروري أن تعتمد على ارتفاع القرار المكانية ( 10-30 م ) صور اﻻستشعار عن بعد لرصد المحاصيل لاي على نطاق أكثر دقة .
لاي طرق انعكاس على أساس متوسط وارتفاع القرار صور اﻻستشعار عن بعد تشمل أساسا ثلاثة أنواع : طريقة العلاقة التجريبية贺敏 等，2022نVerrelst等，2015. لا من خلال إنشاء علاقة إحصائية بين قياس لاي والاستشعار عن بعد ( الانعكاس ، مؤشر الغطاء النباتي ، وما إلى ذلك ) ، طريقة العلاقة التجريبية يمكن أن تمتد إلى النطاق الإقليمي ، والتي هي بسيطة وفعالة .Li等，2023ن唐以洁和王群明，2025ن王宁 等，2024. لا استنادا إلى آلية التفاعل بين الضوء و الغطاء النباتي و الخلفية ، نموذج فيزيائي يستخدم لوصف العلاقة بين الانعكاس و لاي من المظلة نموذج النقل الإشعاعي .Han等，2024نVerger等，2014. لا الأسلوب الهجين يجمع بين اثنين من المزايا ، وهذا هو ، من خلال النموذج المادي لمحاكاة العلاقة بين المظلة الانعكاس لاي توليد عينات التدريب ، ثم من خلال نموذج آلة التعلم لتحقيق لاي انعكاس ، وقد تم تطبيقها على نطاق واسع في السنوات الأخيرة )梁顺林 等，2016نSun等，2022. لا ومع ذلك ، ويرجع ذلك إلى مجموعة من أجهزة الاستشعار ، فإن معظم الدراسات لا تزال تعتمد أساسا على انعكاس عالية الدقة لاي مرئية ، بالقرب من الأشعة تحت الحمراء و الموجات القصيرة الأشعة تحت الحمراء العصابات ) .Qu等，2014. لا معلومات الاستشعار عن بعد غالبا ما تكون غير كافية للحد من عملية معقدة من الإشعاع ، مما يؤدي إلى عدم اليقين في قلب النتيجة )Zhang等，2025. لا كيفية إدخال المزيد من المعلومات الطيفية الحساسة والفعالة في انعكاس هو اتجاه هام لتحسين دقة لاي انعكاس .
" الحافة الحمراء " بأنها منطقة ضيقة من امتصاص الكلوروفيل خارج منطقة الضوء الأحمر بين بالقرب من الأشعة تحت الحمراء الانعكاس العالي منصة ( حوالي 680-760nm ) حيث الاستجابة الطيفية من النباتات الصحية زيادة حادة .Curran等，1991. لا لأن الخصائص الطيفية من هذه المنطقة ترتبط ارتباطا وثيقا محتوى الكلوروفيل في الغطاء النباتي و المظلة هيكل ، حافة حمراء تعتبر حساسة الفرقة التي تشير إلى حالة فسيولوجية المحاصيل ( مثل تركيز الكلوروفيل ، مستوى النيتروجين ) المظلة هيكل الخصائص ( مثل لاي ، ورقة الميل التوزيع ) .Dong等，2019. لا في السنوات الأخيرة ، العديد من الأقمار الصناعية المتوسطة الاستبانة مع الأحمر الفرقة وضعت تباعا ، مثل ارتفاع القرار 6 ( gf-6 أول ساتل زراعي مع الأحمر الفرقة ) Sentinel-2A/2B， و landsat القادم في التخطيط ، إمكانية تطبيق الحافة الحمراء في الغطاء النباتي المعلمة انعكاس تم حفرها باستمرار ، وأصبحت تدريجيا نقطة محورية في رصد المحاصيل البحث )Bach和Mauser，2003نZarco-Tejada等，2019. لا ومع ذلك ، هناك اختلافات كبيرة في نتائج البحوث الحالية حول ما إذا كان أو لم يكن الجانب الأحمر الفرقة يمكن أن تحسن بشكل ملحوظ لاي انعكاس الدقة ، مما يحد من تطبيق الجانب الأحمر من المعلومات .
من ناحية ، بعض الأبحاث تشير إلى أن مؤشر الغطاء النباتي على أساس الحدود الحمراء الفرقة يمكن أن تحسن بشكل كبير من دقة لاي انعكاس ، لا سيما في المناطق المرتفعة لاي عرض أقوى حساسية المظلة التشبع ، ولكن أيضا في انخفاض لاي قيمة يمكن أن تقلل بشكل فعال من خلفية التربة تدخل )Canisius和Fernandes，2012نPan等，2019نTillack等，2014. لا وعلاوة على ذلك ، فإن العلاقة التجريبية بين مؤشر الغطاء النباتي و لاي حافة حمراء عالية الاتساق بين أنواع المحاصيل المختلفة ، مما يدل على مزاياها المحتملة في المحاصيل عبر التطبيقات الإقليمية )Dong等，2019نViña等，2011. لا من ناحية أخرى ، مقارنة مع التقليدية مؤشر الغطاء النباتي ، العلاقة بين مؤشر الغطاء النباتي و لاي بعد النظر في الجانب الأحمر الفرقة محدودة ، مما يؤدي إلى عدم الاستقرار في تحسين دقة انعكاسKorhonen等，2017نPunalekar等，2018. لا هذا الاختلاف يرجع أساسا إلى عدم وجود آلية فيزيائية لتحليل المعلومات المقدمة من الحافة الحمراء لاي انعكاس ، مما أدى إلى حافة حمراء المعلومات لم تستخدم بالكامل ، ومعظم البحوث تركز على مستوى العلاقة التجريبية ، التي تعتمد على عدد محدود من الملاحظات السطحية عينات . ولذلك ، فمن الضروري لبناء لاي انعكاس الخوارزمية على أساس الآلية الفيزيائية والاستفادة الكاملة من المعلومات من الفرقة الحمراء ، وإجراء تقييم كمي و عبر الإقليمية وعبر المحاصيل نوع التحقق ، من أجل تحسين دقة لاي انعكاس المحاصيل على نحو فعال .
من أجل حل المشاكل المذكورة أعلاه ، على أساس مزيج من النموذج المادي و آلة التعلم الخوارزمية ، لاي بيانات الاختبار من المحاصيل الغذائية الرئيسية ( الأرز والقمح والذرة ) في الصين التي تقدمها الشبكة الوطنية لرصد النظم الإيكولوجية ( cnern ) جنبا إلى جنب مع sentinel-2 الصور متعددة الأطياف ، فإن هذه الورقة منهجية يستكشف دور الفرقة الحمراء في لاي انعكاس المحاصيل ، ويبني لاي عكس القاعده إلى جانب حافة حمراء مميزة . أولا ، من خلال تحليل الحساسية من المعلمات ، رد فعل آلية الانعكاس على لاي تغيير في الجانب الأحمر الفرقة هو موضح نظريا . ثانيا ، مقارنة أداء مختلف خوارزميات التعلم آلة تناسب العلاقة بين لاي و الانعكاس الطيفي ، واختيار أفضل آلة مناسبة نموذج التعلم . ثم ، من أجل تحسين دقة انعكاس ، لاي انعكاس خوارزمية على أساس اختيار حافة الأحمر الفرقة المقترحة . وأخيرا ، من خلال تحليل مقارن لاي انعكاس الخوارزميات في مختلف أنواع المحاصيل و لاي فترات ، مساهمة و انطباق الحدود الحمراء الفرقة إلى لاي انعكاس دقة المحاصيل يتم الكشف عنها .

منطقة الدراسة والبيانات

2-1 لمحة عامة عن منطقة الدراسة

وتستند هذه الدراسة إلى الشبكة الوطنية لمراقبة النظم الإيكولوجية ( cnern ،[ 2025-09-15 ] ، دقة تقييم لاي عكس الخوارزمية . هناك 53 محطة بيئية في cnern الشبكة ، التي تشمل الغابات والمراعي والأراضي الزراعية وغيرها من أنواع النظم الإيكولوجية ، وزعت في 22 مقاطعة ومنطقة ذاتية الحكم والبلديات الخاضعة مباشرة لسلطة الحكومة المركزية ، من بينها 18 محطة النظم الإيكولوجية الزراعية . في محطة النظم الإيكولوجية الزراعية ، 7 محطات الأرز ( تشانغشو محطة هوانجيانغ محطة محطة qianyanzhoqianqianyanzhou محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة محطة( ترجمة حرفية ) : في الوقت الحاضر ، هناك العديد من المشاكل التي يتعين حلها . تفاصيل الموقع مثلTable 1كما هو مبين .

Table 1 Specific information of selected sites and ground LAI measurements

站点代码经度/°E纬度/°N年份站点观测作物类型
陕西安塞站ASA109.3236.862019—2020玉米
江苏常熟站CSA120.7031.552019—2021小麦、水稻
陕西长武站CWA107.6835.242020小麦、玉米
河南封丘站FQA114.5535.022018—2021小麦、玉米
广西环江站HJA108.3224.742019—2021玉米、水稻
黑龙江海伦站HLA126.9747.452019—2021玉米
河北栾城站LCA114.6937.892019—2021小麦、玉米
西藏拉萨站LSA91.3429.682020—2021小麦
甘肃临泽站LZD100.1339.352019—2021小麦、玉米
内蒙古奈曼站NMD120.7242.952019—2021玉米
江西千烟洲站QYA115.0726.742019—2021水稻
宁夏沙坡头站SPD105.0137.462019—2021小麦、玉米、水稻
辽宁沈阳站SYA123.3741.522019—2021玉米、水稻
湖南桃源站TYA111.4428.932019—2021玉米、水稻
山东禹城站YCA116.5736.832019—2021小麦、玉米
四川盐亭站YGA105.4631.272019—2021小麦
江西鹰潭站YTA116.9228.212019—2020水稻

2-2 البيانات وتجهيزها

2-2-1 البيانات المقاسة على سطح المحاصيل لاي

إن cnern الأراضي الزراعية محطة تستخدم أساسا مساحة الورقة أداة المسح الضوئي للحصول على بيانات لاي على سطح المحاصيل . على وجه الخصوص ، كل cnern الموقع يحتوي على واحد أو أكثر من المواقع عينة ، كل منها يحتوي على واحد أو أكثر من الدرجة الأولى من العينات التي تختلف في الحجم من 10 م × 10 م إلى 50 م × 50 م . عند قياس لاي على سطح الأرض ، كل عينة مربع مقسمة إلى 1 م * 1 م * 10 م * 10 م الصف الثاني أخذ العينات من الخلايا حسب حجم العينة ، ست خلايا الصف الثاني تم اختيارها بشكل عشوائي في كل مرة في وحدة الخلية ، ثم لاي تم قياسها باستخدام طريقة المسح الضوئي متر مساحة الورقة .孙鸿烈 等，2012ن吴冬秀 等，2007ن徐保东 等，2015. لا من أجل الحصول على بيانات موثوق بها من الأرض لاي وما يقابلها من sentinel-2 الصور ، البيانات الأصلية من 2018-2022 تم تجهيزها و فرزهم على أساس المبادئ التالية : ( 1 ) في حالة أن عينة واحدة تحتوي على العديد من العينات و كل حجم العينة أقل من 20 * 20 م ، لاي يعني من عدة عينات في هذه النقطة هو أخذ عينات من أجل ضمان الاتساق بين المراقبة الأرضية و الاستشعار عن بعد صورة بكسل الحجم . المعرفة المسبقة عن الخصائص الفسيولوجية للمحاصيل )Dong等，2023نMercier等，2020البيانات المقاسة من 0 إلى 8 في لاي مجموعة محفوظة . ( 3 ) من أجل الحد من الأخطاء الناجمة عن التغيرات في نمو المحاصيل ، فقط لاي قياس الوقت و sentinel-2 صورة رصد الوقت لا يتجاوز 7 أيام من البيانات المقاسة . ( 4 ) لضمان دقة البيانات المقاسة من لاي ، ومراقبة الجودة تتم على أساس العلاقة بين لاي و NDVI ( مؤشر الغطاء النباتي الطبيعي ) .Ma和Liang，2022في نطاق NDVI 0-1 ، ونحن تقسيم NDVI 0-1 في 10 فترات مع خطوة خطوة ، كل فترة تحتفظ البيانات المقاسة من 5 ٪ إلى 95 ٪ من سطح لاي . استنادا إلى المبادئ المذكورة أعلاه ، 295 لاي بيانات تم اختيارها في هذه الدراسة ، بما في ذلك 134 لاي بيانات من الذرة ، 72 لاي بيانات من الأرز و 89 لاي بيانات من القمح .

2-2-2 بيانات الاستشعار عن بعد بواسطة السواتل

sentinel-2 مهمة رصد الأرض الرئيسية في وكالة الفضاء الأوروبية ( وكالة الفضاء الأوروبية ) برنامج كوبرنيكوس ، تتألف من اثنين من الأقمار الصناعية ، sentinel-2a و sentinel-2b ، والتي يمكن أن تجعل من إعادة زيارة خط الاستواء تردد لمدة 5 أيام . إن multispectral جهاز التصوير أس ( متعدد الطيف الصك ) التي شنت على sentinel-2 يغطي مرئية ، بالقرب من الأشعة تحت الحمراء ، الأشعة تحت الحمراء موجة قصيرة المدى ، ويمكن أن توفر بيانات الصورة عالية الدقة في 13 نطاقات طيفية ، مع القرار المكانية 10 م ، 20 م و 60 م ، على التوالي .Fig. 1كما هو مبين . في هذه الدراسة ، ونحن الحصول على سطح الأرض الانعكاس ( sentinel-2 level-2a ) بيانات من كل محطة على أساس منصة محرك جوجل الأرض . . . . . . . مع الأخذ في الاعتبار أن الفرقة 1 ( B1 ، ساحل ايروسول ) ، الفرقة 9 ( B9 ، والمياه vapour ) والفرقة 10 ( B10 ، سيروس ) تستخدم عادة في مجالات التصحيح الجوي ، الهباء الجوي وبخار الماء تقدير المحتوى و الكشف عن المعلاق )Zhang等，2023في حين أن الفرقة 2 ( B2 ، الأزرق ) هو عرضة تشتت الجسيمات في الغلاف الجوي بسبب عدم اليقين في الانعكاس .Zhen等，2023أعلاه أربعة نطاقات التردد لم تستخدم في هذه الدراسة . باقي 8 نطاقات : الفرقة 3 ( B3 ، الأخضر ) ، الفرقة 4 ( B4 ، الأحمر ) ، الفرقة 5 ( B5 ، الأحمر edge1 Re1 ) ، الفرقة 6 ( B6 ، الأحمر edge2 Re2 ) ، الفرقة 7 ( B7 ، الأحمر edge3 Re3 ) ، الفرقة 8 ( B8A ، بالقرب من infrared ، نير ) ، الفرقة 11 ( B11 ، قصيرة wavelength Infra Infra Infra Infra Infra Infra Infra Infra 1 ، 12 ) التي شيدت من قبل ir Infra Infra Infra Infra Infra Infra Infra Infra Infra Infra Infra 1 و Infra Infra Infra Infra Infra Infra Infra Infra Infra Infra Infra Infra Infra Infra Infra 1 من أجل ضمان الاتساق بين جودة البيانات وتجهيزها في وقت لاحق ، qa60 الفرقة L2A المنتجات المستخدمة في سحابة قناع العملية ، والفرقة مع القرار المكانية 10 م هو موحد اختزال إلى 20 م ، وذلك لضمان الاتساق بين النطاق المكاني متعدد الفرقة البيانات .
figure

Fig. 1 The spectral bands of Sentinel-2 MSI， where the gray band names indicate that these bands were not used in this study

طرق البحث

في هذه الورقة ، على أساس التفكير في طريقة انعكاس الهجين لاي ، على أساس التحسين خوارزمية آلة التعلم و الفرقة تركيبة الأمثل خوارزمية انعكاس لاي المحاصيل إلى جانب الأحمر حافة الفرقة هي التي شيدت .Fig. 2. لا عملية محددة على النحو التالي : ( 1 ) استخدام نموذج Prosail لتوليد لاي المظلة الانعكاسية محاكاة مجموعات البيانات ، من خلال تحليل الحساسية من المعلمات لتحديد مساهمة كل معلمة في تشكيل مظلة الطيف في نطاقات مختلفة . ( 2 ) على أساس محاكاة مجموعة البيانات ، خمسة أنواع من آلة التعلم الخوارزميات المستخدمة لبناء نموذج هجين عكس الأسلوب . ( 3 ) على أساس الأمثل آلة التعلم الخوارزمية ، ثمانية أنواع من الفرقة مجموعات أنشئت لبناء نموذج انعكاس ، على التوالي . ( 4 ) تقييم دقة عكس النموذج في مختلف لاي فترات وأنواع المحاصيل ، ثم تحليل انطباق عكس القاعده في مختلف السيناريوهات .
figure

Fig. 2 The workflow of this study

3-1 إنشاء مجموعة بيانات محاكاة لاي المظلة الانعكاس على المحاصيل

3-1-1 إعداد نموذج المعلمات Prosail

Prospect النموذج هو نموذج نقل الإشعاع على نطاق شفرة على أساس افتراض لوحة جاك ماود و بار )Jacquemoud和Baret，1990من خلال محاكاة انعكاس ، انتقال وامتصاص الضوء الساقط بين طبقات من لوحة ، الانعكاس و انتقال نصف كروي في 400-2500 نانومتر النطاق الترددي الناتج . كما تستخدم على نطاق واسع مظلة نموذج النقل الإشعاعي ، سيل نموذج يفترض أن المظلة هو مزيج من الأفقي ، موحدة ، لانهائية توسيع الخواص ورقة .Suits，1971من خلال حساب معامل الخمود ونثر من المظلة ، ثنائية الاتجاه الانعكاس خصائص الغطاء النباتي المظلة تحت مختلف ظروف المراقبة و الحادث هو محاكاة .Verhoef，1984. لا مع الأخذ في الاعتبار أن المحاصيل المظلة ارتفاع مماثل في نفس الفترة من النمو ، والتوزيع المكاني هو موحد نسبيا ، والتي يمكن أن تلبي على نحو أفضل فرضية موحدة المظلة سيل النموذج .Feret等，2008توليد البيانات التناظرية . أولا ، مجموعة من المدخلات ذات الصلة من المعلمات من نموذج prosail أنشئت على أساس المعرفة الزراعية السابقة )Dong等，2024نGuo等，2024نLiu等，2025) تفاصيل محددة مثلTable 2كما هو مبين . في وقت لاحق ، لاي المظلة الانعكاس مجموعات البيانات من 10 ، 000 المحاصيل مع معلمات مختلفة تم إنشاؤها بواسطة المحاكاة . وأخيرا ، من أجل ضمان الاتساق بين بيانات المحاكاة و بيانات رصد الأقمار الصناعية ، المظلة الانعكاسية الطيفية محاكاة إعادة أخذ العينات على أساس الاستجابة الطيفية وظيفة الساتل sentinel-2 . . . . . . .

Table 2 The range of input parameter of PROSAIL model

模型参数（缩写）单位范围分布类型
PROSPECT-5叶片结构参数（N）—1—2Gauss
叶绿素含量（Cab）μg/cm210—80Gauss
干物质含量（Cm）g/cm20.001—0.03Gauss
等效水厚度（Cw）cm0.001—0.05Uniform
棕色素含量（Cbp）—0—1Gauss
类胡萝卜素含量（Car）μg/cm21—20Default （Step=5）
4SAIL叶面积指数（LAI）m2/m20—8Gauss
平均叶倾角（ALA）°10—80Gauss
土壤亮度参数（psoil）—0—1Uniform
热点参数（hspot）—0.05—0.5Gauss
天空漫散射比（Skyl）%10Constant
太阳天顶角（tts）°15—60Default （Step=5）
观测天顶角（tto）°0—30Default （Step=5）
相对方位角（psi）°0—140Default （Step=20）

المعلمة تحليل الحساسية

تشكيل الغطاء النباتي مظلة الطيف يتأثر العديد من المعلمات الفسيولوجية والبيوكيميائية ، مساهمة مختلف المعلمات في الخصائص الطيفية مختلفة )黄文江 等，2017. لا ولذلك ، من الضروري إجراء تقييم منهجي مساهمة كل معلمة من خلال تحليل الحساسية ، من أجل توضيح قانون الاستجابة الانعكاس على المعلمة الاختلاف في نطاقات مختلفة ، وبالتالي توفير الأساس النظري لتحليل تأثير انعكاس بعد إدخال الفرقة الحمراء . . . . . . . طرق تحليل الحساسية الحالية يمكن تقسيمها إلى فئتين : الأولى هي تحليل الحساسية العالمية ( الرابطة ) ، من خلال تغيير جميع معلمات الإدخال في وقت واحد لتحديد الأثر العالمي على نتائج الانتاج . النوع الثاني هو تحليل الحساسية المحلية ( LSA ) التي يمكن أن تكشف عن تأثير مباشر على الانتاج عن طريق تغيير واحد فقط المعلمة المستهدفة في ظل ظروف أخرى ثابتة .Iooss和Lemaître，2015. لا
في هذه الدراسة ، اثنين من أساليب تحليل الحساسية المذكورة أعلاه تستخدم لتقييم تأثير مختلف المعلمات على المظلة تشكيل الطيف . أولا ، تحسين خوارزمية سوبول يستخدم لإجراء تحليل الحساسية العالميةSaltelli等，2006. لا إن prosail نموذج يحتوي على 14 معلمات الإدخال ، بما في ذلك ورقة براون المحتوى ( أنا > < ج > < < بي بي / sub > و السماء منتشر نسبة ( أنا > سكايل ) التي عادة ما تكون ثابتة . في وقت لاحق ، تحليل الحساسية المحلية أجريت على نموذج Prosail . فقط لاي القيم تغيرت في ظل حالة من معايير أخرى ثابتة ، محاكاة المظلة الأطياف التي تم إنشاؤها في إطار مختلف لاي المستويات .

3-2 عكس النموذج الأمثل خوارزمية التعلم آلة

دراسة الارتباط على أساس استرجاع المحاصيل القائمة لاي )Li等，2025aنYang等，2025bفي هذه الدراسة ، ونحن بناء خمسة أنواع من آلة التعلم الخوارزميات ، بما في ذلك نماذج الانحدار العشوائية للغابات ( RFR ) ، التدرج في رفع شجرة القرار ( gbdt ) ، المتجهات الانحدار ( SVR ) ، عملية غاوسية الانحدار ( GPR ) متعدد الطبقات perceptron الانحدار ( mlpr ) .Table 3كما هو مبين . من أجل ضمان موثوقية آلة التعلم الخوارزمية الأمثل ، على أساس عدم إدخال حافة حمراء و ثلاثة حافة حمراء مزيج من اثنين من waveband ، خمسة أنواع من آلة التعلم الخوارزميات المستخدمة لبناء لاي عكس النموذج ، على التوالي ، في اثنين من waveband مزيج من أفضل أداء عكس الخوارزمية . وبالإضافة إلى ذلك ، 10000 لاي المظلة الانعكاس محاكاة البيانات التي تم جمعها بشكل عشوائي ، وتنقسم إلى مجموعة التدريب ( 70 في المائة ) و التحقق من مجموعة ( 30 في المائة ) حسب نسبة ثابتة .

Table 3 Introduction of five machine learning algorithms

算法简介主要参数参考文献
随机森林回归（RFR）RFR是由多个决策树组成的回归模型。其基本思想是通过对训练样本进行有放回的随机抽样，并在每棵树的构建过程中随机选择部分特征进行分裂，形成多个相互独立的决策树。最终预测结果由所有树的平均值给出，从而有效降低单棵决策树过拟合的风险，提高模型的泛化能力n_estimators：决策树的数量max_depth：最大树深度，用于控制每棵决策树的最大深度，防止模型过拟合min_samples_split：最小分裂样本数，表示节点再划分所需的最小样本数（Kang等，2021）
梯度提升决策树（GBDT）GBDT是一种基于提升（Boosting）思想的集成学习算法，通过迭代方式不断训练新的弱学习器来拟合前一轮的残差，在每一步迭代中通过最小化损失函数的负梯度方向来更新模型。GBDT在处理非线性回归问题时表现出较强的拟合能力和灵活性，可有效捕捉复杂的特征关系n_estimators：决策树的数量learning_rate：学习率，表示每次迭代更新的步长max_depth：最大树深度，限制每棵树的深度，控制模型复杂度min_samples_split：最小分裂样本数，表示节点分裂所需的最少样本数（Chen等，2024）
支持向量回归（SVR）SVR是基于统计学习理论的非线性回归方法，其核心思想是将输入数据映射到高维特征空间，并在该空间内构建一个最优回归超平面。通过引入核函数，SVR能够处理线性不可分问题，同时通过ε-不敏感损失函数控制预测误差范围，在小样本、高维度和非线性问题中具有较好的泛化性能C：惩罚系数，模型对误差的容忍度epsilon：损失容忍范围，表示在误差小于epsilon时不计算损失kernel：核函数类型，定义数据映射到高维空间的方式（Liu等，2024）
高斯过程回归（GPR）GPR是一种基于贝叶斯理论的非参数化方法，通过高斯分布描述函数空间的先验分布，并结合观测数据计算后验分布。GPR在数据量较小的情况下表现出较高的精度和稳定性，但计算复杂度较高kernel：核函数，用于描述输入样本间的相似性结构alpha：噪声项，用于控制模型对观测噪声的鲁棒性length_scale：特征长度尺度，控制输入变量影响范围（Jin等，2024）
多层感知机回归（MLPR）MLPR是一种前馈型人工神经网络，由输入层、一个或多个隐藏层及输出层构成。通过非线性激活函数实现输入特征到输出结果的复杂映射，并通过反向传播算法不断调整网络权重，以最小化预测误差。MLPR在处理高维、非线性问题时具有较强的拟合能力和灵活性hidden_layer_sizes：隐藏层神经元数量，用于控制每层神经元个数与层数activation：激活函数，决定神经元的非线性映射方式solver：优化算法，用于控制权重更新的优化方式alpha：正则化系数，用于控制模型权重的惩罚项，防止过拟合（Wang等，2022）
في هذه الدراسة ، ونحن بناء نموذج التقييم ، وتحليل البيانات ، والتصور باستخدام حزمة برامج التعلم في بيثون ، واختيار أفضل معلمة لكل آلة نموذج التعلم باستخدام خوارزمية التحسين بايزي ، من بينها ، ونحن فقط ضبط المعلمات الرئيسية التي لها تأثير كبير على نتائج النموذج في الجدول ، والباقي يتم تعيين القيم الافتراضية .

3-3 بناء خوارزمية الأمثل على أساس انعكاس الفرقة تركيبة الأمثل

على أساس الأمثل آلة التعلم الخوارزمية ، الفرقة تركيبة الأمثل هو مزيد من تطوير لتحديد أفضل فرقة مناسبة لاي انعكاس المحاصيل . في هذه الدراسة ، ونحن تصميم نوعين من الفرقة الجمع بين المخططات ، الأولى هي الفرقة الأساسية الجمع ( الأخضر ، الأحمر ، نير ، swir1 و swir2 ) التي لا تحتوي على حافة الأحمر الفرقة ، والثانية هي الفرقة الأساسية الجمع بين عرض واحد أحمر ، أحمر مزدوج حافة ثلاثة حافة الأحمر الفرقة على التوالي .Table 4. لا باستخدام آلة التعلم الخوارزمية ، العلاقة بين لاي و الفرقة الانعكاس هو تدريب على التوالي ، عكس تأثير نماذج مختلفة مع الفرقة مجموعات مقارنة .

Table 4 Band combinations and corresponding bands

组合名称包含波段名称
Z1Green、Red、NIR、SWIR1、SWIR2
Z2Green、Red、NIR、SWIR1、SWIR2 + RE1 + RE2 + RE3
Z3Green、Red、NIR、SWIR1、SWIR2 + RE1
Z4Green、Red、NIR、SWIR1、SWIR2 + RE2
Z5Green、Red、NIR、SWIR1、SWIR2 + RE3
Z6Green、Red、NIR、SWIR1、SWIR2 + RE1 + RE2
Z7Green、Red、NIR、SWIR1、SWIR2 + RE1 + RE3
Z8Green、Red、NIR、SWIR1、SWIR2 + RE2 + RE3

3-4 تقييم الدقة

من أجل بناء المحاصيل لاي طريقة عكسية إلى جانب الجانب الأحمر الفرقة ، خمسة أنواع من آلة التعلم الخوارزميات التي تم تدريبهم والتحقق منها على أساس محاكاة مجموعة البيانات ، وبالتالي فإن أفضل آلة التعلم الخوارزمية التي تم فرزها . ثم ، على أساس الأمثل آلة التعلم الخوارزمية ، عكس آثار لا تحتوي على حافة الفرقة الحمراء و مختلف الأحمر حافة الفرقة مجموعات مقارنة . مؤشرات تقييم فعالية النموذج تشمل تحديد معامل الارتباط sup > 2 ( coefficient of determination ) ، والانحراف ( بياس ) ، يعني الخطأ المطلق ( ماي ) ، جذر متوسط مربع الخطأ ( RMSE ) .
وعلاوة على ذلك ، من أجل مزيد من تقييم ملاءمة واستقرار النموذج الأمثل لاي انعكاس ، أداء النموذج في سيناريوهات مختلفة يتم تحليلها من قبل اثنين من الجوانب التالية : ( 1 ) تقييم دقة انعكاس لاي فترات مختلفة : قياس لاي ينقسم إلى عدة فترات ( 0-1 ، 1-2 ، 2-3 ، 3-4 ، 4-5 ، جيكا طن ؛ 5 ) . ( 2 ) تقييم دقة انقلاب من أنواع مختلفة من المحاصيل : ثلاثة محاصيل القمح والذرة والأرز كما هدف البحث ، مقارنة دقة انقلاب الفرق بين نماذج مختلفة من المحاصيل ، من أجل الكشف عن انطباق النموذج في لاي انقلاب من أنواع مختلفة من المحاصيل .

النتائج والتحليل

المعلمة تحليل الحساسية

Fig. 3نتائج تحليل الحساسية العالمية لمختلف نطاقات الانعكاس على معلمات الإدخال من نموذج Prosail معروضة . من الرسم البياني ، بالإضافة إلى اثنين من موجات الأشعة تحت الحمراء على الموجات القصيرة ، مساهمة شاملة من الكلوروفيل ( أنا > ج > أب ) ، يعني ورقة زاوية ( علاء ) لاي في جميع الأطوال الموجية أكثر من 70 ٪ ، مما يدل على أن الانعكاس من الضوء المرئي إلى الأشعة تحت الحمراء القريبة من الفرقة يتأثر أساسا من قبل المعلمات الثلاث المذكورة أعلاه . على وجه التحديد ، < أنا > ج > أب 42.3 في المائة و 38.9 في المائة في الأخضر والأحمر ، على التوالي ، هي العوامل الرئيسية التي تؤثر على انعكاسية الضوء المرئي . وعلى النقيض من ذلك ، علاء و لاي تظهر حساسية أكبر في الأحمر و بالقرب من الأشعة تحت الحمراء . في re2 re3 , و نير العصابات ، مجموع نسبة مساهمة علاء و لاي أكثر من 70 ٪ ، من بينها نسبة مساهمة لاي على re2 و re3 46.6 في المائة و 47.2 في المائة ، على التوالي ، مما يدل على أن أطول حافة الأحمر العصابات هي أكثر حساسية المظلة المعلمات الهيكلية . ما يعادل سمك الماء ( أنا > ج > ث > و / أو > الفرعية > أنا ) أصبحت تدريجيا معلمة هامة تؤثر على نموذج الانتاج في نطاق الموجات القصيرة الأشعة تحت الحمراء ، والمساهمة في معدل swir1 و swir2 وصلت إلى 76.5 في المائة و 66.5 في المائة ، على التوالي ، مما يعكس خصائص امتصاص الماء المكثف من النباتات في الموجات القصيرة الأشعة تحت الحمراء في المنطقة . وباختصار ، على الرغم من أن معايير مختلفة تظهر حساسية السفر dissimilation في كل منطقة الطيف ، الأحمر حافة الفرقة لديها بعض الحساسية لاي الاختلاف ، الذي يوفر الأساس النظري إلى جانب حافة الفرقة الحمراء لتحسين دقة لاي انعكاس .
figure
figure

Fig. 3 Sensitivity analysis of Sentinel-2 different band reflectance to the input parameters of the PROSAIL model and the response of different band to changes in LAI

من أجل مزيد من تحليل استجابة الانعكاس على لاي تغيير في كل موجة باند ، لاي معلمة واحدة فقط يستخدم محرك نموذج لمحاكاة المظلة الانعكاس تحت ظروف أخرى ثابتة المعلمات .Fig. 3كما هو مبين . الرمادي المستطيل في الرسم البياني يمثل نطاقات طيفية من الأحمر ، re1 re2 , re3 , و نير من sentinel-2 العصابات ، والتي يمكن أن تعكس التغيرات الطيفية التي تم التقاطها في هذه العصابات . من الرسم البياني ، مع زيادة لاي مظلة الطيف يظهر الاتجاه التصاعدي ، لا سيما في نطاق 700-900 نانومتر ، مظلة الطيف الاتجاه التصاعدي الواضح . وفي منطقة الحدود الحمراء ، هناك فرق كبير في الاستجابة الطيفية في نطاقات مختلفة . من بينها ، reflectivities من الفرقة re1 تتناقص تدريجيا مع زيادة لاي و reflectivities من الفرقة re2 تظهر اتجاها تصاعديا بطيئا ، في حين reflectivities من الفرقة re3 تظهر حساسية قوية . على وجه التحديد ، reflectivities من re3 الفرقة هي الأكثر وضوحا في انخفاض قيمة لاي ( 0.1 و اللفتنانت ؛ لاي اللفتنانت ؛ 4 ) مع لاي ، ولكن عندما لاي جي تي ؛ انعكاسية تقلب تميل إلى أن تكون مسطحة ، وحساسية عالية لاي انخفضت بشكل ملحوظ . وعلى النقيض من ذلك ، والحساسية من re1 و re2 العصابات انخفضت تدريجيا مع زيادة لاي ، منحنى الاستجابة من re2 تغيرت ببطء نسبيا . ولذلك ، من الضروري تطوير خوارزمية الأمثل لاي انعكاس على المحاصيل على أساس تحليل الحساسية من المعلمات ، والجمع بين خصائص مختلفة من الفرقة الحمراء ، وبالتالي تحسين دقة لاي انعكاس .

4-2 عكس نتائج مختلف آلة التعلم الخوارزميات

خمسة أنواع من آلة التعلم الخوارزميات التي تم تدريبهم والتحقق منها واختبارها من قبل اثنين من مجموعات من غير حافة الأحمر الفرقة ( Z1 ) وثلاثة حافة الأحمر الفرقة ( Z2 ) ، على التوالي ، من أجل تقييم لاي انعكاس تأثير مختلف الخوارزميات . من بينها ، نتيجة التحقق من صحة مجموعة التقييم أساسا يعكس تأثير النموذج المناسب ، في حين أن نتيجة اختبار مجموعة التقييم يمكن أن تعكس قدرة نموذج التعميم أكثر حقا . على أساسFig. 4النتائج التجريبية تبين أن هناك اختلافات كبيرة في دقة النتائج من خمس طرق في التحقق من صحة مجموعة mlpr أداء أفضل في اثنين من نطاقات التردد ، تليها لائحة برلمان غرينلاند ، SVR في المركز ، و gbdt و RFR دقة منخفضة نسبيا . مزيد من أكثر من ذلك ، دقة التقييم على مجموعة من الاختبارات أظهرت أن في z2 مجموعة من z2 مجموعة ، mlpr < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < 2 0.520-0.588 ، بياس : 0.237-0.039 ، ماي : 0.897-1.021 ، رمس : 1.222-1.264 ) . من بينها ، بالمقارنة مع أقل دقة من RFR ، mlpr بنسبة 45.5 في المائة و RMSE بنسبة 28.2 في المائة ، مما يدل على أن mlpr لديه ميزة في التعلم غير الخطية المعلمة عكس ) .Ercanlı等，2018نLi等，2025b. لا وبالإضافة إلى ذلك ، مقارنة مع الفرق بين اثنين من الجمع بين انعكاس دقة Z1 و Z2 تحت نفس الخوارزمية ، يمكننا أن نرى أن دقة خمس طرق تحسن إلى حد ما في التحقق من مجموعة اختبار مجموعة . من بينها ، SVR رفع السعة القصوى ، في اختبار مجموعة ، < < sup 2 / sup > زيادة 10.6 في المائة ، رمس بنسبة 22.4 في المائة ، على الرغم من أن رفع السعة mlpr محدودة نسبيا ، ولكن في اثنين من الفرقة مزيج من الحفاظ على أعلى دقة ، مما يدل على قوة قوية . ولذلك ، mlpr هو اختيار أفضل طريقة للحصول على لاي انعكاس النموذج .
figure
figure
figure
figure
figure

Fig. 4 The accuracy of LAI retrieval models developed based on five machine learning algorithms on validation and test datasets using Z1 and Z2 band combinations

Fig. 5تشتت توزيع خصائص mlpr نموذج للتنبؤ لاي و قياس لاي عرض . النتائج التجريبية تبين أن أداء النموذج في التحقق من صحة مجموعة اختبار مجموعة متسقة . مع مقدمة من حافة الأحمر الفرقة ، دقة النموذج قد تحسنت إلى حد ما ، بما في ذلك ص > sup > 2 2.4 في المائة و 1.4 في المائة على التحقق من مجموعة اختبار مجموعة ، على التوالي ، في حين أن رمس بنسبة 4 في المائة و 7.8 في المائة ، ماي بنسبة 5 في المائة و 6.6 في المائة ، على التوالي . وتجدر الإشارة إلى أنه بعد إدخال الأحمر الفرقة الحافة ، لاي قيمة عالية التقليل من الظاهرة التي توجد عادة في ارتفاع قيمة الفاصل الزمني يخفف ( |bias|النقصان ) ، وتوقع نتائج عينات عالية القيمة هي أقرب إلى 1 : 1 تركيب خط . هذا يدل على أن إدخال الفرقة الحمراء يمكن أن تخفف من تأثير التشبع في ظل حالة من ارتفاع لاي إلى حد ما ، وبالتالي تحسين القدرة على وصف نموذج كثافة المحاصيل المظلة . ومع ذلك ،Fig. 5وعلاوة على ذلك ، فإنه يدل على أن تحسين دقة لاي انعكاس محدودة نسبيا من خلال إدخال جميع الأحمر حافة الفرقة ، وما إذا كان يمكن زيادة تحسين دقة لاي انعكاس مختلف الأحمر حافة الفرقة مجموعات لا تزال بحاجة إلى مزيد من الدراسة .
figure
figure
figure
figure
figure

Fig. 5 Scatter plots of LAI retrieval models developed with the MLPR algorithm on validation dataset and test dataset using

4-3 عكس آثار مختلف waveband مجموعات

من أجل مزيد من التحقيق في تأثير مختلف العصابات الحمراء على عكس الدقة ، دقة لاي نموذج انعكاسFig. 6. لا بعد عرض الجانب الأحمر الفرقة ، دقة انعكاس ( أنا > ر > أنا > 2 < سوب > سوب > 0.750-0.784 ، جمهورية جزر مارشال : 0.826-0.979 ) أفضل من دون استخدام الجانب الأحمر الفرقة ( أنا > ر > أنا > 2 < سوب / سوب > 0.747 ، جمهورية جزر مارشال = 0.979 ) ، مما يدل على أن دقة انعكاس الجانب الأحمر الفرقة يمكن أن تحسن بشكل فعال . ومع ذلك ، فإن كمية من الفرقة الحمراء و اختيار نوع الفرقة سوف تؤثر على دقة لاي انعكاس . على وجه التحديد ، في واحد أحمر حافة الفرقة مجموعة ( z3-z5 ) ، أفضل انعكاس تأثير re3 ( z5 ) هو عرض ( 2 = 0.759 ، رمس = 0.947 ) ؛ عندما اثنين من الجانب الأحمر العصابات ( z6-z8 ) عرض ، عرض re1 و re3 الفرقة ( Z7 ) نموذج أداء أفضل ( أنا < ر > sup < 2 / sup > 0.784 ، رمس = 0.826 ) . وعلاوة على ذلك ، فإن دقة لاي نموذج انعكاس ( < 2 > سوب سوب = 0.757 ، رمس = 0.902 ) يتناقص بالمقارنة مع Z7 مزيج من اثنين من الأحمر حافة العصابات . وعموما ، فإن تأثير انعكاس Z7 هو الأمثل في جميع نطاقات التردد ، مما يدل على أن إدخال RE1 و RE3 في وقت واحد يمكن أن تسهم إلى حد كبير في تحسين دقة النموذج . من خلال تحليل الحساسية في الفرع 4-1 ، يمكننا أن نرى أن reflectivities RE1 و RE3 تتقلب بشكل ملحوظ مع لاي و هي حساسة لاي التغييرات ، في حين أن reflectivities RE2 تتقلب ببطء مع لاي التغييرات ، والاستجابة لاي ضعيفة . ولذلك ، فإن المعلومات التي تم الحصول عليها عن طريق استخدام أو إضافة re2 وحدها محدودة ، حتى الضوضاء قد يكون عرض ، مما يقلل من دقة النموذج . جميع في كل شيء ، mlpr النموذج القائم على مزيج من re1 و re3 الفرقة الحمراء ( Z7 ) هو أفضل أداء في جميع مجموعات الفرقة ، ويتم اختيار أفضل المحاصيل لاي انعكاس الخوارزمية ، والتي يمكن استخدامها لتقييم ملاءمة النموذج التالي في مختلف السيناريوهات .
figure

Fig. 6 Evaluation of LAI retrieval models based on the MLPR algorithm and different band combinations

4-4 أداء لاي نموذج انعكاس في سيناريوهات مختلفة

4-4-1 عكس دقة المقارنة بين مختلف لاي فترات

على أساس بناء نموذج انعكاس لاي القيم المتوقعة والحقيقية ( الشكل 7 ( أ ) ( ب ) ) ، يمكننا أن نرى أن النموذج قد خففت إلى حد ما في انخفاض وارتفاع تقدير تقدير بعد إدخال الفرقة الحمراء ، مما يدل على أن إدخال الفرقة الحمراء يمكن أن تخفف من فعالية منهجية لاي انعكاس الانحراف . وعلاوة على ذلك ، فإن المؤشرات الإقليمية ( الشكل 7 ( ج ) ( د ) ) ، في bias ، باستثناء لاي 0-1 فترات ، فترات أخرى Ӛ bias ま انخفضت ، من بينها لاي 3-4 و 4-5 و جي تي ؛ 5 فترات الانخفاض الأكثر وضوحا ، Ӛ bias ま 76.2 في المائة ، 52.2 في المائة و 26.4 في المائة ، على التوالي . هذا يدل على أن الفرقة الحمراء يمكن أن تقلل بشكل فعال من الانحراف المنهجي لاي انعكاس النموذج في منتصف عالية القيمة الفاصلة . في RMSE الجانب ، بعد إدخال الحافة الحمراء ، LAI 0—1、 RMSE في 3-4 ، 4-5 و جي تي 5 فترات بنسبة 40.4 في المائة ، 5.7 في المائة ، 41.4 في المائة و 24.9 في المائة ، على التوالي ، ولكن RMSE في لاي 1-2 و 2-3 فترات زيادة . هذه الظاهرة يمكن أن يعزى إلى اثنين من العوامل التالية : من ناحية ، الحافة الحمراء يمثل الانتقال بين امتصاص قوي و انعكاس قوي بالقرب من الأشعة تحت الحمراء ، حتى عندما لاي منخفض المظلة لم تتشكل تماما ، عدد الأوراق الصغيرة ، الحافة الحمراء ليست حساسة إلى انخفاض قيمة لاي الاختلاف )Lee等，2004. لا من ناحية أخرى ، فإن الغطاء النباتي في انخفاض قيمة لاي منطقة منخفضة ، و تدخل من التربة الخلفية وغيرها من العوامل الخارجية من المرجح أن يؤدي إلى الضوضاء في الفرقة الحمراء الانعكاسية ، مما يجعل من الفرقة الحمراء في هذا المجال إلى انخفاض القدرة على تمثيل لاي )Qiao等，2024. لا ولذلك ، في انخفاض قيمة لاي وجزء من متوسط قيمة الفاصل الزمني ، مساهمة الفرقة الحمراء على عكس نموذج المعلومات محدودة )Cui和Kerekes，2018. لا في منتصف عالية القيمة الفاصلة ، مع زيادة لاي ، تأثير الحافة الحمراء الفرقة على تحسين دقة انعكاس أكثر وضوحا . ومع ذلك ، عندما لاي تصل إلى قيمة معينة ( جي تي ؛ 5 ) ، لأن المظلة هي كثيفة جدا و محدودة بسبب تأثير التشبع من المعلومات البصرية ، حافة الفرقة الحمراء لا يمكن أن توفر معلومات جديدة فعالة ، مما يقلل من تخفيف تأثير على قيمة عالية .

4-4-2 عكس دقة المقارنة بين مختلف أنواع المحاصيل

مقارنة النتائج حسب دقة عكس أنواع المحاصيل المختلفة )Fig. 8وأظهرت النتائج أنه ، في إطار مجموعة من z7 الفرقة ، لاي قلب من الذرة كان أعلى دقة ( Ⅰ < i < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < < عكسدقة بياس = - 0.151 ، ماي = 0.692 ، رمس = 0.857 ) هو الثاني . بعد عرض الفرقة الحمراء ، عكس دقة ثلاثة أنواع من المحاصيل قد تحسنت بشكل ملحوظ ، من بينها تحسين تأثير الذرة ( أنا < ر > 2 / sup > زيادة 17.9 في المائة ، رمسي بنسبة 29.1 في المائة ) ، الأرز رفع مجموعة محدودة نسبيا ( أنا < ر > 2 / sup > 0.8 في المائة ، رمسي بنسبة 6.9 في المائة ) ، القمح في المستوى المتوسط ( < ر > 2 / supi > 10 في المائة ) . النتائج المذكورة أعلاه تشير إلى أن الاختلافات في هيكل مظلة المحاصيل المختلفة تحديد حساسية وشدة رد الحافة الحمراء الفرقة لاي الاختلاف ، مما يؤدي إلى تحسين دقة استرجاع المعلومات الحافة الحمراء لاي من المحاصيل المختلفة . مقارنة مع القمح والأرز ، الذرة مع المظلة واضحة طبقات بنية معقدة أظهرت تحسن ملحوظ في دقة بعد عرض حافة الأحمر باند .
figure
figure
figure
figure
figure

Fig. 7 Performance of MLPR-based LAI retrieval models using Z1 and Z7 band combinations （n represents the number of ground samples in each interval）

figure

Fig. 8 Evaluation of LAI retrievals based on MLPR algorithm for different crop types using Z1 and Z7 band combinations

مناقشة

في الوقت الحاضر ، هناك قدر كبير من عدم اليقين في نتائج لاي قلب متوسطة وعالية الدقة المحاصيل .刘良云，2014ن梁顺林 等，2016في هذه الورقة ، على أساس التفكير في طريقة استرجاع الهجين لاي ، آلة التعلم الخوارزمية و تأثير الحافة الحمراء الفرقة على المحاصيل لاي انعكاس يتم تقييمها بشكل منهجي . وتظهر النتائج أنه على الرغم من أن دقة لاي انعكاس يمكن تحسينها من خلال إدخال الفرقة الحمراء ، انطباق النموذج يختلف كثيرا في مختلف التطبيقات . ولذلك ، فإن المناقشات اللاحقة سوف تركز على اختيار استراتيجية الفرقة الحمراء ، والحساسية خصائص الأداء في مختلف السيناريوهات لإجراء تحليل منهجي ، من أجل استكشاف حافة الفرقة الحمراء لتحسين دقة استرجاع المحاصيل لاي الآلية المحتملة .
في جانب من جوانب النموذج الأمثل طريقة تركيبة الفرقة ، mlpr خوارزمية أداء أفضل في تدريب مجموعة ، مجموعة اختبار والتحقق من مجموعة ، مما يدل على قدرة قوية غير الخطية المناسب والتعميم )Fig. 4هذا يدل على إمكانات كبيرة في تطبيق لاي عكس المحاصيل . بالمقارنة مع التقليدية الانحدار الخطي أو نموذج تجريبي ، MLP يمكن الاستفادة الكاملة من العلاقة المعقدة بين الأطياف و لاي من خلال الطبقات غير الخطية ورسم الخرائط تلقائيا تعلم خصائص التفاعل و الاستجابة غير الخطية بين مختلف نطاقات التردد . وعلاوة على ذلك ، فإن قدرة قوية على التكيف ميزة استخراج يمكن التقاط آثار شاملة من الخصائص الفيزيائية الحيوية مثل المظلة هيكل ورقة زاوية التوزيع على الانعكاس الطيفي ، مما يدل على ارتفاع الاستقرار والمتانة في ظل حالة من الفرقة متعددة ومتعددة نوع المحاصيل ) .Wang等，2022. لا وفي الوقت نفسه ، عرض الفرقة الحمراء ليس فقط تحسين دقة لاي انعكاس ، ولكن أيضا تخفيف منهجية التقليل من قيمة عالية في المنطقة .Fig. 5. لا السبب الرئيسي هو أن الفرقة الحمراء حساسة للتغيرات في محتوى الكلوروفيل و مساحة الورقة ، إلى حد ما ، يمكن أن تخفف من التشبع والحد من الضوء المرئي والأشعة تحت الحمراء القريبة من الفرقة )Bramich等，2021. لا وتجدر الإشارة إلى أنه بسبب اختلاف حساسية الانعكاس على لاي تغيير في مختلف نطاقات التردد الأحمر ، RE1 و RE3 تلعب دورا هاما في تحسين دقة النموذج ، في حين أن تأثير RE2 على تحسين دقة النموذج محدودة ، وربما حتى إدخال الضوضاء في بعض لاي فترات ، مما يؤدي إلى انخفاض دقة انعكاس )Fig. 6. لا ولذلك ، من أجل استرجاع لاي المحاصيل ، فمن أكثر أهمية أن تختار ميزة الحافة الحمراء بشكل صحيح من أجل تحسين دقة من مجرد زيادة عدد الفرقة الحمراء الحافة .
استنادا إلى البيانات التي تم الحصول عليها من المحاصيل الغذائية الرئيسية لاي cnern محطات في جميع أنحاء البلاد ، فإن هذه الورقة تقييم لاي عكس القاعده التي شيدت من قبل الفرقة الحمراء في مختلف السيناريوهات .Fig. 7. لا على الرغم من أن تحسين دقة لاي انعكاس محدودة في انخفاض قيمة لاي الفاصلة ، وإدخال الفرقة الحمراء يمكن أن تقلل بشكل كبير من الانحراف وعدم اليقين من لاي انعكاس في منتصف عالية القيمة الفاصلة ، وتخفيف تأثير التشبع بشكل فعال . هذه النتيجة تتفق مع نتائج الدراسات السابقة )Brantley等，2011نPu等，2003نTillack等，2014وأظهرت النتائج أن الفرقة الحمراء كانت أكثر حساسية عالية لاي الغطاء النباتي ، ويمكن الحفاظ على قدرة قوية على الاستجابة للتغيرات لاي في ظل حالة من الفرقة التقليدية التشبع . و عندما لاي & جيكا طن ؛ عندما يكون الغطاء النباتي الكثيف ، المعلومات البصرية ليست كافية لتوفير المزيد من المعلومات الهيكلية الفعالة )Gao等，2024. لا وبالإضافة إلى ذلك ، فإن المقارنة بين مختلف أنواع المحاصيل عكس الدقة كذلك يكشف عن الفرق في تأثير الحافة الحمراء الفرقة على المحاصيل المختلفة لاي انعكاس . تحسين دقة لاي قلب الذرة كان أكثر وضوحا في الفرقة الحمراء ، تليها القمح ، في حين أن تحسين الأرز كان الأضعف )Fig. 8قد يكون هذا مرتبطا بشكل وثيق مع الاختلافات في المظلة هيكل ورقة التوزيع المكاني بين المحاصيل الثلاثة )王丹彤和屈永华，2024. لا على وجه التحديد ، الذرة النباتات عالية جدا و مظلة الطبقات الرأسية واضحة ، مما يجعلها أكثر حساسية إلى حافة الأحمر الفرقة استجابة طيفية ، حتى بعد إدخال حافة الأحمر نموذج الأداء تحسن بشكل ملحوظ )Yang等，2025a. لا وعلى النقيض من ذلك ، نباتات القمح منخفضة نسبيا و توزيعها بشكل منفصل ، على الرغم من أنها يمكن أن تشكل مجموعة معينة من النباتات بسبب الفلاح ، ولكن عموما توزيع مظلة مشتتة نسبيا ، والاستجابة إلى حافة الأحمر الفرقة ضعيفة ، مما أدى إلى حافة الأحمر معلومات عن لاي انعكاس مساهمة محدودة )Wang等，2024. لا في الأرز ، المظلة التوزيع الأفقي الكثيف ، ورقة ضيقة ، و مراحل النمو المختلفة تتأثر اختلاط التربة والمياه الخلفية ، فمن السهل أن أعرض المزيد من الضوضاء في الفرقة الحمراء )Wu等，2024نXing等，2022. لا وبالإضافة إلى ذلك ، فإن دقة لاي انعكاس الأرز في مستوى أعلى من دون إدخال الفرقة الحمراء ، وبالتالي كسب عمل الفرقة الحمراء ضعيفة نسبيا .
وتجدر الإشارة إلى أن هذه الدراسة لا تزال لديها بعض القيود ، تحتاج إلى تحسين في المستقبل . أولا ، بيانات التدريب تأتي أساسا من مجموعة البيانات العامة prosail محاكاة المحاصيل ، والتي تفتقر إلى إعداد المعلمة على محصول معين ، قد تحد من دقة النموذج إلى حد ما . البحث في المستقبل يمكن تحسين المدخلات المعلمة من النموذج ووضع المعلمة محددة من المحاصيل من خلال الجمع بين قياس الفسيولوجية والبيوكيميائية البيانات الميدانية ، من أجل تعزيز الاتساق بين بيانات المحاكاة و المشهد الفعلي . ثانيا ، لأن تأثير مظلة تجمع لم تؤخذ في الاعتبار في نموذج Prosail المستخدمة في هذه الدراسة ، مقارنة مع قياس لاي على الأرض ، لاي عكس القاعده التي بنيت على حافة الأحمر الفرقة لا تزال لديها مشكلة انخفاض منهجية لاي التنبؤ . مزيد من أكثر من ذلك ، ثلاثي الأبعاد نموذج النقل الإشعاعي النظر في التوزيع غير المتكافئ من المظلة يمكن عرضه في المستقبل )Gastellu-Etchegorry等，1996نQi等，2019ن张虎 等，2023من أجل محاكاة الهيكل المكاني المحاصيل المظلة . وفي الوقت نفسه ، جنبا إلى جنب مع بيانات الاستشعار عن بعد من زوايا متعددة ، ونحن يمكن أن تعزز القدرة على وصف المظلة نثر وتجميع الآثار ، وبالتالي تخفيف الانحراف المنهجي على نحو أكثر فعالية ، وتحسين دقة لاي انعكاس . وأخيرا ، فإن هذه الدراسة فقط يختار استشعار واحد ( sentinel-2 ) صورة ، في المستقبل ، يمكن النظر في مصادر متعددة بيانات الاستشعار عن بعد ( على سبيل المثال gf-6 rapideye , الخ . )Chen等，2025نFang等，2019bنWan等，2024. لا

خاتمة

في هذه الورقة ، على أساس مزيج من النموذج المادي المشترك و آلة التعلم الخوارزمية ، لاي انعكاس هو محاكاة باستخدام نموذج Prosail ، جنبا إلى جنب مع البيانات التي تم الحصول عليها من الشبكة الوطنية cnern متعددة المراحل و multicrop لاي صور sentinel-2 ، وآثار مختلف آلة التعلم الخوارزميات و تركيبة الفرقة على لاي انعكاس المحاصيل بصورة منهجية تقييم .
( 1 ) من بين خمس طرق تعلم الآلة ، لاي قلب تقوم على خوارزمية mlpr نموذج يعمل بشكل أفضل في التحقق من صحة مجموعة اختبار مجموعة من الحالات التي لا يوجد فيها أحمر حافة الفرقة عرض ثلاثة أحمر حافة الفرقة عرض . هذا يدل على أن mlpr الخوارزمية هي متفوقة على ميزة غير الخطية في التعلم ، ويمكن أن تصف العلاقة غير الخطية بين لاي مظلة الانعكاس بشكل فعال .
( 2 ) تحسين دقة لاي انعكاس من خلال إدخال الفرقة الحمراء ، ولا سيما في التخفيف من قيمة عالية الاستخفاف . ومع ذلك ، هناك اختلافات كبيرة في مساهمة مختلف الأحمر حافة العصابات ، من بينها ، وإدخال re1 و re3 العصابات هي الأكثر أهمية في تحسين دقة انعكاس ، ولكن تأثير محدود من re2 رفع . وبناء على ذلك ، على أساس mlpr خوارزمية جنبا إلى جنب مع الفرقة re1 و re3 ، لاي قلب القاعده ( أنا > ص > 2 > sup = 0.784 ، بياس = - 0.162 ، ماي = 0.635 ، رمس = 0.826 ) .
( 3 ) في سيناريوهات مختلفة ، مساهمة من الحافة الحمراء على عكس النموذج يظهر فرق كبير : إدخال الحافة الحمراء هو الأكثر أهمية في تحسين دقة عالية القيمة الفاصلة لاي ( 4 & اللفتنانت ؛ لاي & اللفتنانت ؛ 5 | bias | و رمس بنسبة 52.2 في المائة و 41.4 في المائة ، على التوالي ) ؛ ومع ذلك ، في انخفاض قيمة الفاصل الزمني ، وتحسين دقة النموذج انعكاس محدودة من خلال إدخال حافة الأحمر باند . في أنواع مختلفة من المحاصيل ، حافة حمراء المعلومات أكثر حساسية من المحاصيل مع مظلة بنية معقدة ، مما يدل على تحسن كبير في دقة قلب الذرة ( أنا > ص > سوب > 2 > سوب > 17.9 في المائة ، رمس بنسبة 29.1 في المائة ) ، تليها القمح ، مع الحد الأدنى من تحسين دقة قلب الأرز .
وخلاصة القول ، على أساس تحسين آلة التعلم ، واختيار معقول من حافة الفرقة الحمراء مجموعة يمكن أن تحسن بشكل فعال لاي قلب الدقة . البحث في المستقبل يمكن أن تدمج بيانات الاستشعار عن بعد من مصادر متعددة مع نموذج آلية النظر في تأثير المظلة التجميع ، وتوسيع نطاق تطبيق لاي خوارزمية اقتران الأحمر حافة الفرقة في مختلف أنواع المحاصيل والمناطق .

References

  1. 1.
    Bach H and Mauser W. 2003. Methods and examples for remote sensing data assimilation in land surface process modeling. IEEE Transactions on Geoscience and Remote Sensing, 41(7): 1629-1637
  2. 2.
    Bramich J, Bolch C J S and Fischer A. 2021. Improved red-edge chlorophyll-a detection for Sentinel 2. Ecological Indicators, 120: 106876
  3. 3.
    Brantley S T, Zinnert J C and Young D R. 2011. Application of hyperspectral vegetation indices to detect variations in high leaf area index temperate shrub thicket canopies. Remote Sensing of Environment, 115(2): 514-523
  4. 4.
    Canisius F and Fernandes R. 2012. Evaluation of the information content of Medium Resolution Imaging Spectrometer (MERIS) data for regional leaf area index assessment. Remote Sensing of Environment, 119: 301-314
  5. 5.
    Chen A, Xu C, Zhang M, Guo J, Xing X Y, Yang D, Xu B and Yang X C. 2024. Cross-scale mapping of above-ground biomass and shrub dominance by integrating UAV and satellite data in temperate grassland. Remote Sensing of Environment, 304: 114024
  6. 6.
    Chen J H, Xu H Q and Tang F. 2025. Coupling spectral indices and machine learning to compare GF-6 and Sentinel-2A data in forest health monitoring. Chinese Geographical Science, 35(3): 581-599
  7. 7.
    Chen J M and Black T A. 1992. Defining leaf area index for non-flat leaves. Plant, Cell and Environment, 15(4): 421-429
  8. 8.
    Chen J M, Ju W M, Ciais P, Viovy N, Liu R G, Liu Y and Lu X H. 2019. Vegetation structural change since 1981 significantly enhanced the terrestrial carbon sink. Nature Communications, 10(1): 4259
  9. 9.
    Cui Z Y and Kerekes J P. 2018. Potential of red edge spectral bands in future Landsat satellites on agroecosystem canopy green leaf area index retrieval. Remote Sensing, 10(9): 1458
  10. 10.
    Curran P J, Dungan J L, Macler B A and Plummer S E. 1991. The effect of a red leaf pigment on the relationship between red edge and chlorophyll concentration. Remote Sensing of Environment, 35(1): 69-76
  11. 11.
    Djamai N, Fernandes R, Sun L X, Hong G, Brown L A, Morris H and Dash J. 2025. On the consistency and stability of vegetation biophysical variables retrievals from Landsat-8/9 and Sentinel-2. ISPRS Journal of Photogrammetry and Remote Sensing, 224: 329-347
  12. 12.
    Dong M X, Liu S Y, Jiang R B, Qi J B, de Solan B, Comar A, Li L Y, Li W J, Ding Y F and Baret F. 2024. Comparing and combining data-driven and model-driven approaches to monitor wheat green area index with high spatio-temporal resolution satellites. Remote Sensing of Environment, 305: 114118
  13. 13.
    Dong T F, Liu J, Liu J G, He L M, Wang R, Qian B D, McNairn H, Powers J, Shi Y C, Chen J M and Shang J L. 2023. Assessing the consistency of crop leaf area index derived from seasonal Sentinel-2 and Landsat 8 imagery over Manitoba, Canada. Agricultural and Forest Meteorology, 332: 109357
  14. 14.
    Dong T F, Liu J G, Shang J L, Qian B D, Ma B L, Kovacs J M, Walters D, Jiao X F, Geng X Y and Shi Y C. 2019. Assessment of red-edge vegetation indices for crop leaf area index estimation. Remote Sensing of Environment, 222: 133-143
  15. 15.
    Ercanlı İ, Günlü A, Şenyurt M and Keleş S. 2018. Artificial neural network models predicting the leaf area index: a case study in pure even-aged Crimean pine forests from Turkey. Forest Ecosystems, 5(1): 29
  16. 16.
    Fang H L, Baret F, Plummer S and Schaepman-Strub G. 2019a. An overview of global leaf area index (LAI): methods, products, validation, and applications. Reviews of Geophysics, 57(3): 739-799
  17. 17.
    Fang H L, Zhang Y H, Wei S S, Li W J, Ye Y C, Sun T and Liu W W. 2019b. Validation of global moderate resolution leaf area index (LAI) products over croplands in northeastern China. Remote Sensing of Environment, 233: 111377
  18. 18.
    Feret J B, François C, Asner G P, Gitelson A A, Martin R E, Bidel L P R, Ustin S L, Le Maire G and Jacquemoud S. 2008. PROSPECT-4 and 5: advances in the leaf optical properties model separating photosynthetic pigments. Remote Sensing of Environment, 112(6): 3030-3043
  19. 19.
    Fernandes R, Brown L, Canisius F, Dash J, He L M, Hong G, Huang L, Le N Q, MacDougall C, Meier C, Darko P O, Shah H, Spafford L and Sun L X. 2023. Validation of Simplified Level 2 Prototype Processor Sentinel-2 fraction of canopy cover, fraction of absorbed photosynthetically active radiation and leaf area index products over North American forests. Remote Sensing of Environment, 293: 113600
  20. 20.
    Gao S, Yan K, Liu J X, Pu J B, Zou D X, Qi J B, Mu X H and Yan G J. 2024. Assessment of remote-sensed vegetation indices for estimating forest chlorophyll concentration. Ecological Indicators, 162: 112001
  21. 21.
    Gastellu-Etchegorry J P, Demarez V, Pinel V and Zagolski F. 1996. Modeling radiative transfer in heterogeneous 3-D vegetation canopies. Remote Sensing of Environment, 58(2): 131-156
  22. 22.
    Guo A T, Huang W J, Qian B X, Ye H C, Jiao Q J, Cheng X Z and Ruan C. 2024. A hybrid model coupling PROSAIL and continuous wavelet transform based on multi-angle hyperspectral data improves maize chlorophyll retrieval. International Journal of Applied Earth Observation and Geoinformation, 132: 104076
  23. 23.
    Han Y L, Dong Y Y, Zhu Y N and Huang W J. 2024. Remote sensing inversion of vegetation parameters with IPROSAIL-Net. IEEE Transactions on Geoscience and Remote Sensing, 62: 5501916
  24. 24.
    He M, Wen J G, You D Q, Tang Y, Wu S B, Hao D L, Lin X W and Gong Z R. 2022. Review of forest Leaf Area Index retrieval over rugged terrain based on remotely sensed data. National Remote Sensing Bulletin, 26(12): 2451-2472
  25. 25.
    Huang W J, Kong W P, Dong Y Y, Ye H C, Peng D L, Xie Q Y, Xing N C, Jiao Q J and Zhou X F. 2017. Quantitative Retrieval of Physical and Chemical Parameters of Crops through Remote Sensing. Beijing: Science Press
  26. 26.
    Iooss B and Lemaître P. 2015. A review on global sensitivity analysis methods//Dellino G, Meloni C, eds. Uncertainty Management in Simulation-Optimization of Complex Systems: Algorithms and Applications. New York: Springer: 101-122
  27. 27.
    Jacquemoud S and Baret F. 1990. PROSPECT: a model of leaf optical properties spectra. Remote Sensing of Environment, 34(2): 75-91
  28. 28.
    Jin W J, Zhang Z W, Wu T Z, Meng K, Wang Q, Tong W T, Wang C, Yin G F and Xu B D. 2024. Retrieval of leaf area index from MODIS surface reflectance by incorporating the subpixel information from decametric-resolution data. IEEE Transactions on Geoscience and Remote Sensing, 62: 1-17
  29. 29.
    Kang Y H, Ozdogan M, Gao F, Anderson M C, White W A, Yang Y, Yang Y and Erickson T A. 2021. A data-driven approach to estimate leaf area index for Landsat images over the contiguous US. Remote Sensing of Environment, 258: 112383
  30. 30.
    Korhonen L, Hadi, Packalen P and Rautiainen M. 2017. Comparison of Sentinel-2 and Landsat 8 in the estimation of boreal forest canopy cover and leaf area index. Remote Sensing of Environment, 195: 259-274
  31. 31.
    Lee K S, Cohen W B, Kennedy R E, Maiersperger T K and Gower S T. 2004. Hyperspectral versus multispectral data for estimating leaf area index in four different biomes. Remote Sensing of Environment, 91(3/4): 508-520
  32. 32.
    Li D, Croft H, Duveiller G, Schreiner-McGraw A P, Belwalkar A, Cheng T, Zhu Y, Cao W X and Yu K. 2025a. Global retrieval of canopy chlorophyll content from Sentinel-3 OLCI TOA data using a two-step upscaling method integrating physical and machine learning models. Remote Sensing of Environment, 328: 114845
  33. 33.
    Li J, Xiao Z Q, Sun R, Song J L and Shi C H. 2025b. Retrieval of leaf area index from the Landsat surface reflectance using multi-task adversarial transfer learning. International Journal of Digital Earth, 18(1): 2520002
  34. 34.
    Li X L, Dong Y Y, Zhu Y N and Huang W J. 2023. Enhanced leaf area index estimation with CROP-DualGAN network. IEEE Transactions on Geoscience and Remote Sensing, 61: 5514610
  35. 35.
    Liang S L, Chen X N, Chen Y, Cheng J, Jia K, Jiang B, Li B, Liu Q, Ma H, Song L L, Tang B H, Xu J L, Yao Y J, Yuan W P, Zhang X T, Zhang Y Z, Zhao X and Zhou J. 2023. Updates on global land surface satellite (GLASS) products suite. National Remote Sensing Bulletin, 27(4): 831-856
  36. 36.
    Liang S L, Cheng J, Jia K, Jiang B, Liu Q, Liu S H, Xiao Z Q, Xie X H, Yao Y J, Yuan W P, Zhang X T and Zhao X. 2016. Recent progress in land surface quantitative remote sensing. Journal of Remote Sensing (in Chinese), 20(5): 875-898
  37. 37.
    Liu L Y. 2014. Principles and Applications of Quantitative Remote Sensing of Vegetation. Beijing: Science Press
  38. 38.
    Liu M J, Tang W J, Zhao R M, Liu G H, Liu Y, Li M Z and Sun H. 2024. Improving detection of wheat canopy chlorophyll content based on inhomogeneous light correction. Computers and Electronics in Agriculture, 226: 109361
  39. 39.
    Liu Y B, Pei J, Zou Y P, Tan S F, He Y N, Zheng X P, Wang T X, Fang H J, Wang L and Huang J X. 2025. A novel hybrid-DCNN-based framework for enhanced rice aboveground biomass estimation under limited samples. IEEE Transactions on Geoscience and Remote Sensing, 63: 4405716
  40. 40.
    Ma H and Liang S L. 2022. Development of the GLASS 250-m leaf area index product (version 6) from MODIS data using the bidirectional LSTM deep learning model. Remote Sensing of Environment, 273: 112985
  41. 41.
    Mercier A, Betbeder J, Baudry J, Le Roux V, Spicher F, Lacoux J, Roger D and Hubert-Moy L. 2020. Evaluation of Sentinel-1 and 2 time series for predicting wheat and rapeseed phenological stages. ISPRS Journal of Photogrammetry and Remote Sensing, 163: 231-256
  42. 42.
    Myneni R B, Hoffman S, Knyazikhin Y, Privette J L, Glassy J, Tian Y, Wang Y, Song X, Zhang Y, Smith G R, Lotsch A, Friedl M, Morisette J T, Votava P, Nemani R R and Running S W. 2002. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data. Remote Sensing of Environment, 83(1/2): 214-231
  43. 43.
    Pan H Z, Chen Z X, Ren J Q, Li H and Wu S R. 2019. Modeling winter wheat leaf area index and canopy water content with three different approaches using Sentinel-2 multispectral instrument data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(2): 482-492
  44. 44.
    Pu R L, Gong P, Biging G S and Larrieu M R. 2003. Extraction of red edge optical parameters from Hyperion data for estimation of forest leaf area index. IEEE Transactions on Geoscience and Remote Sensing, 41(4): 916-921
  45. 45.
    Punalekar S M, Verhoef A, Quaife T L, Humphries D, Bermingham L and Reynolds C K. 2018. Application of Sentinel-2A data for pasture biomass monitoring using a physically based radiative transfer model. Remote Sensing of Environment, 218: 207-220
  46. 46.
    Qi J B, Xie D H, Yin T G, Yan G J, Gastellu-Etchegorry J P, Li L Y, Zhang W M, Mu X H and Norford L K. 2019. LESS: large-scale remote sensing data and image simulation framework over heterogeneous 3D scenes. Remote Sensing of Environment, 221: 695-706
  47. 47.
    Qiao K, Zhu W Q, Xie Z Y, Wu S N and Li S D. 2024. New three red-edge vegetation index (VI3RE) for crop seasonal LAI prediction using Sentinel-2 data. International Journal of Applied Earth Observation and Geoinformation, 130: 103894
  48. 48.
    Qu Y H, Zhang Y Z and Xue H Z. 2014. Retrieval of 30-m-resolution leaf area index from China HJ-1 CCD data and MODIS products through a dynamic Bayesian network. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(1): 222-228
  49. 49.
    Saltelli A, Ratto M, Tarantola S and Campolongo F. 2006. Sensitivity analysis practices: strategies for model-based inference. Reliability Engineering and System Safety, 91(10/11): 1109-1125
  50. 50.
    Suits G. 1971. The calculation of the directional reflectance of a vegetative canopy. Remote Sensing of Environment, 2: 117-125
  51. 51.
    Sun H L, Yu G R, Ouyang Z, Su Y R and Fu W. 2012. China Ecosystem Positioning Observation and Research Dataset - Farmland Ecosystem Volume-Huanjian Station, Guangxi 2005-2009. Beijing: China Agricultural Press
  52. 52.
    Sun Y H, Qin Q M, Ren H Z and Zhang Y. 2022. Decameter cropland LAI/FPAR estimation from Sentinel-2 imagery using Google Earth Engine. IEEE Transactions on Geoscience and Remote Sensing, 60: 4400614
  53. 53.
    Tang Y J and Wang Q M. 2025. Spatial reconstruction-aided spatio-temporal fusion of NDVI images. National Remote Sensing Bulletin, 29(8): 2602-2615
  54. 54.
    Tillack A, Clasen A, Kleinschmit B and Förster M. 2014. Estimation of the seasonal leaf area index in an alluvial forest using high-resolution satellite-based vegetation indices. Remote Sensing of Environment, 141: 52-63
  55. 55.
    Verger A, Vigneau N, Chéron C, Gilliot J M, Comar A and Baret F. 2014. Green area index from an unmanned aerial system over wheat and rapeseed crops. Remote Sensing of Environment, 152: 654-664
  56. 56.
    Verhoef W. 1984. Light scattering by leaf layers with application to canopy reflectance modeling: the SAIL model. Remote Sensing of Environment, 16(2): 125-141
  57. 57.
    Verrelst J, Camps-Valls G, Muñoz-Marí J, Rivera J P, Veroustraete F, Clevers J G P W and Moreno J. 2015. Optical remote sensing and the retrieval of terrestrial vegetation bio-geophysical properties – A review. ISPRS Journal of Photogrammetry and Remote Sensing, 108: 273-290
  58. 58.
    Viña A, Gitelson A A, Nguy-Robertson A L and Peng Y. 2011. Comparison of different vegetation indices for the remote assessment of green leaf area index of crops. Remote Sensing of Environment, 115(12): 3468-3478
  59. 59.
    Wan L, Ryu Y, Dechant B, Lee J, Zhong Z L and Feng H Z. 2024. Improving retrieval of leaf chlorophyll content from Sentinel-2 and Landsat-7/8 imagery by correcting for canopy structural effects. Remote Sensing of Environment, 304: 114048
  60. 60.
    Wang D T and Qu Y H. 2024. Time-series accuracy validation and variation characteristic analysis of MODIS leaf-area index products for crop in the middle reaches of the Heihe River. National Remote Sensing Bulletin, 28(2): 359-374
  61. 61.
    Wang J W, Lopez-Lozano R, Weiss M, Buis S, Li W J, Liu S Y, Baret F and Zhang J H. 2022. Crop specific inversion of PROSAIL to retrieve green area index (GAI) from several decametric satellites using a Bayesian framework. Remote Sensing of Environment, 278: 113085
  62. 62.
    Wang N, Tian J and Tian Q J. 2024. A method for reconstructing long-term daily resolution EVIs based on MODIS daily surface reflectance products. National Remote Sensing Bulletin, 28(4): 969-980
  63. 63.
    Wang Y Q, Gu Y Y, Tang J X, Guo B B, Warner T A, Guo C L, Zheng H B, Hosoi F, Cheng T, Zhu Y, Cao W X and Yao X. 2024. Quantify wheat canopy leaf angle distribution using terrestrial laser scanning data. IEEE Transactions on Geoscience and Remote Sensing, 62: 4402815
  64. 64.
    Wu D X, Wei W S and Zhang S M. 2007. Protocols for Standard Biological Observation and Measurement in Terrestrial Ecosystems. Beijing: China Environmental Science Press
  65. 65.
    Wu T Z, Zhang Z W, Wang Q, Jin W J, Meng K, Wang C, Yin G F, Xu B D and Shi Z H. 2024. Estimating rice leaf area index at multiple growth stages with Sentinel-2 data: an evaluation of different retrieval algorithms. European Journal of Agronomy, 161: 127362
  66. 66.
    Xing M Q, Wang W, Fang X and Xue H W. 2022. Rice OsIAA6 interacts with OsARF1 and regulates leaf inclination. The Crop Journal, 10(6): 1580-1588
  67. 67.
    Xu B D, Li J, Liu Q H, Zeng Y L, Yin G F, Zhao J and Yang L. 2015. Spatial representativeness estimation of station observation in validation of LAI products: a case study with CERN in-situ data. Journal of Remote Sensing (in Chinese), 19(6): 910-927
  68. 68.
    Yang M H, Wu Q, Qi J B, Yang G J, Wang Z P, Wang Z Y, Zhang J, Yang H, Cheng J P, Xiong S P and Ma X M. 2025a. A robust two-stage framework for maize above-ground biomass prediction integrating spectral remote sensing and allometric growth model. Computers and Electronics in Agriculture, 235: 110398
  69. 69.
    Yang Q, Zhou J X, Zhao L Y and Jin Z N. 2025b. NeRF-LAI: a hybrid method combining neural radiance field and gap-fraction theory for deriving effective leaf area index of corn and soybean using multi-angle UAV images. Remote Sensing of Environment, 328: 114844
  70. 70.
    Zarco-Tejada P J, Hornero A, Beck P S A, Kattenborn T, Kempeneers P and Hernández-Clemente R. 2019. Chlorophyll content estimation in an open-canopy conifer forest with Sentinel-2A and hyperspectral imagery in the context of forest decline. Remote Sensing of Environment, 223: 320-335
  71. 71.
    Zérah Y, Valero S and Inglada J. 2024. Physics-constrained deep learning for biophysical parameter retrieval from Sentinel-2 images: inversion of the PROSAIL model. Remote Sensing of Environment, 312: 114309
  72. 72.
    Zhang H, Li J, Liu Q H, Zhang Z X, Zhu X R, Liu C, Zhao J, Dong Y D, Xu B D and Meng J H. 2023. GF-1 leaf area index product across China based on three-dimensional stochastic radiation transfer model. National Remote Sensing Bulletin, 27(3): 677-688
  73. 73.
    Zhang W J, Yang G J, Qi J B, Chen R Q, Zhang C J, Xu B, Wu B G, Su X H and Zhao C J. 2025. The impacts of tree shape, disease distribution and observation geometry on the performances of disease spectral indices of apple trees. Remote Sensing of Environment, 329: 114953
  74. 74.
    Zhang Y Y, He X Q, Lian G, Bai Y, Yang Y, Gong F, Wang D F, Zhang Z L, Li T and Jin X C. 2023. Monitoring and spatial traceability of river water quality using Sentinel-2 satellite images. Science of the Total Environment, 894: 164862
  75. 75.
    Zhen Z J, Chen S B, Yin T G and Gastellu-Etchegorry J P. 2023. Globally quantitative analysis of the impact of atmosphere and spectral response function on 2-band enhanced vegetation index (EVI2) over Sentinel-2 and Landsat-8. ISPRS Journal of Photogrammetry and Remote Sensing, 205: 206-226

قراءة النص الكامل

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website