Précédent|Prochain

Inversion de l’indice de surface foliaire des cultures agricoles couplant les caractéristiques des bandes rouges bordures

  • 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

résumé

L'indice de surface foliaire LAI (Leaf Area Index) est un paramètre clé qui caractérise la structure de la canopée des cultures et leur vigueur. L'utilisation de technologies de télédétection pour un suivi précis et en temps réel est d'une grande importance pour la gestion de l'eau et des engrais sur le terrain, la sécurité alimentaire ainsi que l’évaluation du potentiel de production agricole. La bande rouge bordure, en tant que bande spectrale sensible indiquant les changements physiologiques des feuilles et la structure de la canopée, est intégrée dans plusieurs capteurs satellites à résolution moyenne et haute (10 à 30 m) et largement utilisée pour l'inversion des paramètres de culture, offrant une nouvelle opportunité pour améliorer la précision de l'inversion du LAI. Cependant, les méthodes actuelles d'application de la bande rouge bordure à l'inversion du LAI présentent de grandes divergences et, en raison des différentes zones d'étude, l'utilisation efficace de cette bande pour améliorer la précision de l'inversion du LAI reste incertaine. Dans ce contexte, cette étude propose une méthode hybride combinant le modèle PROSAIL et des algorithmes d'apprentissage automatique pour l'inversion, utilisant des images Sentinel-2 comprenant trois bandes rouges bordures ainsi que des données de terrain mesurées du LAI des principales cultures céréalières nationales (riz, blé et maïs) fournies par le réseau national d'observation et de recherche sur les écosystèmes. En optimisant les modèles d'apprentissage et les combinaisons de bandes, un algorithme d'inversion du LAI intégrant les caractéristiques des bandes rouges bordures a été développé et évalué dans divers scénarios. Les résultats montrent que le perceptron multicouche (MLPR) offre la meilleure correspondance entre le LAI et les réflectances multibandes, et que l'introduction des bandes rouges bordures améliore significativement la précision de l'inversion du LAI. L'association des bandes rouge bordure 1 (RE1) et rouge bordure 3 (RE3) donne le meilleur résultat (R2=0.784, RMSE=0.826), avec une amélioration de 4,9 % du R2 et une réduction de 15,6 % du RMSE par rapport à la combinaison Z1 sans bandes rouges bordures (Green+Red+NIR+SWIR1+SWIR2). De plus, l'introduction des bandes rouges bordures réduit non seulement les biais systémiques de l'inversion du LAI, mais atténue également efficacement l'effet de saturation dans la zone de LAI moyen à élevé (4<LAI<5) (les valeurs absolues de biais et RMSE diminuent respectivement de 52,2 % et 41,4 %). En outre, la réponse des cultures aux informations des bandes rouges bordures varie : après introduction de RE1 et RE3, la précision d'inversion du LAI du maïs s'est nettement améliorée (R2 a augmenté de 17,9 %, RMSE a diminué de 29,1 %). L'algorithme d'inversion, construit par la combinaison des bandes rouges bordures, améliore considérablement la précision de l'inversion du LAI pour différents types de cultures et fournit un support technique important pour la surveillance précise à grande échelle et à long terme de la croissance des cultures agricoles.

mots-clés

indice de surface foliaire des cultures agricoles; bande rouge bordure; modèle Prosail; apprentissage automatique; sélection des bandes

1 Introduction

La surveillance de la longévité des cultures joue un rôle crucial dans la gestion de l'engrais des champs, la sécurité alimentaire et l'évaluation du potentiel de production agricole (Djamai等，2025;Zérah等，2024). L'indice de surface foliaire lai (Leaf Area Index), défini comme la moitié de la surface totale des feuilles vertes par unité de surface, est un paramètre biophysique important qui caractérise la structure et la fonction du couvert végétal.Chen和Black，1992). En tant qu'indicateur central de l'état de croissance et de développement des cultures, le lai détermine non seulement directement la capacité de la canopée à intercepter le rayonnement photosynthétique efficace, mais affecte également profondément les processus tels que la photosynthèse des cultures, l'évapotranspiration et le cycle de l'énergie et de la matière à la surface terrestre.Chen等，2019). Les techniques de télédétection par satellite fournissent un moyen efficace d'acquérir des données lai de grande surface et de longue durée. À l'heure actuelle, il y a eu plusieurs lancements mondiaux de produits lai à longue durée, tels que MODIS, Glass, geov3 et musyq, etc. (Fang等，2019a;Fernandes等，2023;梁顺林 等，2023). Cependant, étant donné que ces produits dépendent fortement de données de télédétection à résolution spatiale faible et moyenne (& gt; 100 m), influencées par l’hétérogénéité des paysages agricoles et par des effets pixels mixtes, il existe une grande incertitude quant à leur précision dans la surveillance du potentiel long des cultures. (Fang等，2019b;Myneni等，2002). Il est donc urgent de s'appuyer sur des images de télédétection à moyenne et haute résolution spatiale (10 - 30 m) pour effectuer une surveillance de haute précision des cultures lai à une échelle plus fine.
Les méthodes d'inversion lai basées sur des images de télédétection à moyenne et haute résolution comprennent principalement 3 catégories: la méthode des relations empiriques, la méthode des modèles physiques et la méthode mixte (贺敏 等，2022;Verrelst等，2015). La méthode de la relation empirique, en établissant une relation statistique entre le lai mesuré et les mesures observationnelles de télédétection (réflectivité, indice de végétation, etc.) et en les généralisant à l'échelle régionale, est simple et efficace sur le plan du calcul, mais elle est insuffisamment généralisable dans les applications transrégionales et intertemporelles en raison de différences dans les conditions de surface et l'environnement atmosphérique (Li等，2023;唐以洁和王群明，2025;王宁 等，2024). Méthode de modèle physique à partir du mécanisme de l'interaction entre la lumière et la végétation - arrière - plan, en utilisant le modèle de transport de rayonnement de la canopée pour décrire la réflectivité et la relation lai, bien que forte mobilité spatio - temporelle, mais limitée par la complexité de transport de rayonnement de la canopée et du fond, il est difficile de concilier précision et efficacité (Han等，2024;Verger等，2014). La méthode hybride combine les deux avantages, à savoir la génération d'échantillons d'entraînement par simulation de la réflectivité de la canopée par rapport au lai à l'aide d'un modèle physique, puis la réalisation de la réflectivité du lai à l'aide d'un modèle d'apprentissage automatique, qui a été largement utilisé ces dernières années (梁顺林 等，2016;Sun等，2022). Cependant, sous réserve des paramètres de bande de capteur, la plupart des études d'inversion lai à moyenne et haute résolution existantes reposent encore principalement sur les bandes infrarouge visible, proche infrarouge et à ondes courtes (Qu等，2014). Étant donné que la quantité d'informations provenant des observations de télédétection est souvent insuffisante pour limiter les processus complexes de transmission de rayonnement, il existe une grande incertitude quant aux résultats de l'inversion (Zhang等，2025). Comment introduire plus d'informations spectrales sensibles et efficaces dans l'inversion est une direction de percée importante pour améliorer la précision de l'inversion lai.
Le « bord rouge » est défini comme la zone de cette bande étroite où l'absorption de la chlorophylle en dehors de la zone de lumière rouge diminue entre les sites de la plate - forme hyperréfléchissante dans le proche infrarouge (environ 680 - 760 nm) et où la réponse spectrale des plantes saines augmente abruptement.Curran等，1991). Étant donné que les caractéristiques spectrales de cet intervalle sont étroitement liées à la teneur en chlorophylle de la végétation et à la structure de la canopée, la marge rouge est considérée comme une bande sensible indiquant l'état physiologique de la culture (p. ex., concentration de chlorophylle, taux d'azote) ainsi que les caractéristiques structurelles de la canopée (p. ex., lai, distribution de l'inclinaison des feuilles) (Dong等，2019). Au cours des dernières années, avec le développement successif de plusieurs satellites à moyenne résolution configurés en bande rouge, tels que gaofen - 6 (GF - 6, le premier satellite agricole chinois configuré en bande rouge), Sentinel-2A/2B， Ainsi que Landsat next dans la planification, etc., le potentiel d'application de Red Edge dans l'inversion des paramètres de végétation est constamment exploité et devient progressivement une préoccupation importante dans la recherche sur la surveillance des cultures (Bach和Mauser，2003;Zarco-Tejada等，2019). Cependant, il existe de grandes différences dans les conclusions des études existantes sur la question de savoir si la bande de bord rouge améliore considérablement la précision de l'inversion lai, ce qui limite l'application en profondeur des informations de bord rouge.
D'une part, il existe des études montrant que les indices de végétation construits sur la base de la bande de bord Rouge sont capables d'améliorer considérablement la précision de l'inversion lai, montrant notamment une plus grande sensibilité aux effets de saturation de la canopée dans les intervalles lai élevés, tout en atténuant efficacement les perturbations du fond du sol lorsque lai est faible. (Canisius和Fernandes，2012;Pan等，2019;Tillack等，2014). En outre, la relation empirique établie entre l'indice de végétation à lisière Rouge et le lai a montré une forte cohérence entre les différents types de cultures, démontrant ainsi son avantage potentiel dans les applications Cross - Crop et trans - régionales (Dong等，2019;Viña等，2011). D'autre part, il y a aussi des études qui indiquent que l'indice de végétation après la prise en compte de la bande de bord Rouge a une augmentation limitée de la corrélation avec le lai par rapport à l'indice de végétation traditionnel, ne parvenant pas à améliorer de manière stable la précision de l'inversion dans différents environnements et Conditions d'observation. (Korhonen等，2017;Punalekar等，2018). Cette différence est principalement due au manque d'informations fournies par les études existantes pour l'inversion de lai à partir de l'analyse des mécanismes physiques, ce qui conduit à une sous - utilisation de l'information de la marge rouge, et au fait que les études se concentrent principalement sur le niveau de la relation empirique, en s'appuyant sur un échantillon limité d'observations au sol dont la précision de l'inversion de lai fluctue facilement en fonction des conditions climatiques, du type de culture, des caractéristiques structurelles de la canopée et de l'influence de facteurs égaux dans la zone d'étude. Il est donc urgent de construire des algorithmes d'inversion lai basés sur des mécanismes physiques et utilisant pleinement les informations de la bande de bord rouge, ainsi que d'effectuer des évaluations quantitatives systématiques et des validations inter - zones et inter - types de cultures afin d'améliorer efficacement la précision de l'inversion lai des cultures.
Pour répondre aux questions ci - dessus, la présente étude s'appuie sur l'idée d'une inversion de lai hybride combinant des modèles physiques et des algorithmes d'apprentissage automatique, en utilisant les mesures de lai des principales cultures vivrières du pays (riz, blé, maïs) fournies par le réseau national de recherche sur l'observation des écosystèmes (cnern) et combinées à l'imagerie multispectrale Sentinel - 2, pour explorer systématiquement le rôle de la bande de bord rouge dans l'inversion de lai des cultures et construire un algorithme d'inversion de lai couplant les caractéristiques de la bande de bord rouge. Tout d'abord, le mécanisme de réponse de la réflectivité de la bande de bord Rouge aux variations de lai est théoriquement élucidé par une analyse de sensibilité paramétrique. Deuxièmement, comparer les performances d'ajustement de différents algorithmes d'apprentissage automatique sur la relation lai - réflectivité spectrale, de préférence avec des modèles d'apprentissage automatique appropriés. Ensuite, l'effet de boost de la bande de bord rouge combinée à la bande traditionnelle sur la précision de l'inversion est évalué, en construisant un algorithme d'inversion lai basé sur la bande de bord rouge préférée. Enfin, une analyse comparative de l'algorithme d'inversion de lai a été réalisée sous différents types de cultures et intervalles de Lai, révélant la contribution et l'applicabilité de la bande de bord rouge à la précision d'inversion de lai des cultures.

2 zone d'étude et données

2.1 Aperçu de la zone d'étude

Cette étude est basée sur le réseau national de recherche en observation des écosystèmes (cnern,[2025 - 09 - 15]) des données de lai du site pour effectuer une évaluation de la précision de l'algorithme d'inversion lai construit. Le réseau de stations du cnern compte actuellement 53 stations écologiques avec des observations portant sur des types d'écosystèmes tels que les forêts, les prairies, les terres agricoles et d'autres, réparties dans 22 provinces, régions autonomes et municipalités relevant directement de l'administration centrale de la Chine, dont 18 stations d'écosystèmes agricoles. Sélection des stations de l'écosystème des terres agricoles où les objets d'observation contiennent le riz, le maïs et le blé 3 principales cultures vivrières, avec sélection finale de 7 stations de riz (Changshu station, Zhangjiang station, qianyahou station, Sha phantau station, Shenyang station, Taoyuan Station, qiutan Station), 12 stations de maïs (Ansai station, Changwu station, fengchu station, Zhangjiang station, Helen station, Wucheng station, Linze station, Naiman station, Sha phantau station, Shenyang station, Taoyuan Station, Yucheng Station), 9 stations de blé (Changshu station, Changwu station, fengchu station, Wucheng station, Lhassa station, Linze station)station, Station de Sha phaitou, station de Yucheng, station de Yanting). Détails du site tels queTable 1Montré.

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 données et prétraitement

2.2.1 données de mesure au sol du lai sur les cultures

Les sites agricoles du cnern utilisent principalement la méthode de balayage foliaire pour obtenir les données lai du sol des cultures. En effet, chaque site du cnern contient un ou plusieurs échantillonnages contenant chacun un ou plusieurs quadrants de rang I dont la taille varie de 10 m × 10 m à 50 m × 50 M. Lors de la réalisation d'une mesure lai au sol, chaque Quadrant est délimité en cellules échantillonnées de rang II de 1 m x 1 m à 10 m x 10 m en cellules, en fonction de la taille du quadrant, 6 cellules de rang II étant sélectionnées aléatoirement à chaque fois, la mesure du lai étant effectuée par balayage foliaire, la moyenne des 6 cellules lai étant finalement prise comme mesure lai de ce Quadrant (孙鸿烈 等，2012;吴冬秀 等，2007;徐保东 等，2015). Afin d’obtenir des mesures fiables de lai au sol et des images Sentinel - 2 correspondantes, les données brutes de la station pour 2018 - 2022 ont été traitées et filtrées selon les principes suivants: (1) pour les échantillons contenant plusieurs quadrats et dont chaque échelle est inférieure à 20 m × 20 m, afin de garantir que les échantillons observés au sol sont conformes à l’échelle des pixels de l’image de télédétection, les lai de plusieurs quadrants dans cet échantillon sont moyennés comme lai pour cet échantillon; (2) connaissance a priori des caractéristiques physiologiques des cultures (Dong等，2023;Mercier等，2020), en conservant les données mesurées avec un lai compris entre 0 et 8; (3) afin de réduire les erreurs causées par les changements dans la croissance des cultures, seules les mesures effectuées avec des temps de mesure au sol lai et des temps d'observation d'images Sentinel - 2 ne dépassant pas 7 D sont conservées; (4) afin d'assurer l'exactitude des mesures du lai, un contrôle de la qualité est effectué sur la base de la corrélation du lai avec l'indice normalisé de végétation NDVI (normalized difference Vegetation Index) (Ma和Liang，2022), à l'intérieur de la plage de valeurs de NDVI 0 - 1, elle est divisée en 10 intervalles par pas de 0,1, chaque intervalle conservant les données de mesure de lai au sol correspondantes dans une plage de 5 à 95%. Sur la base des principes ci - dessus, 295 données de Lai ont été sélectionnées pour cette étude, dont 134 données de lai pour le maïs, 72 données de lai pour le riz et 89 données de lai pour le blé.

2.2.2 données de télédétection par satellite Sentinel - 2

Sentinel - 2 est une importante mission d'observation de la terre dans le cadre du programme Copernicus de l'Agence spatiale européenne (ESA), composée de deux satellites Sentinel - 2a et Sentinel - 2b, dont les observations conjointes permettent d'atteindre une fréquence de revisite équatoriale de 5D. L'imageur multispectral MSI (Multi - spectral instrument) de Sentinel - 2 couvre le visible, le proche infrarouge et l'infrarouge à ondes courtes et fournit des images haute résolution dans 13 bandes spectrales avec des résolutions spatiales de 10 m, 20 m et 60 M, telles queFig. 1Montré. Les trois bandes latérales rouges correspondent aux bandes 5 à 7 avec une résolution spatiale de 20 M. cette étude est basée sur la plateforme Gee (Google Earth Engine) pour obtenir des données de réflectivité de surface corrigée de l'atmosphère (Sentinel - 2 level - 2a) pour chaque site. Considérant que les bandes 1 (B1, Coastal Aerosol), 9 (B9, water vapour) et 10 (B10, Cirrus) sont couramment utilisées dans des domaines tels que la correction atmosphérique, l'estimation de la teneur en aérosols et en vapeur d'eau et la détection des cirrus.Zhang等，2023), tandis que la bande 2 (B2, bleue) est vulnérable à la diffusion de particules atmosphériques, ce qui introduit une grande incertitude sur la réflectivité (Zhen等，2023), les quatre bandes ci - dessus n'ont pas été utilisées dans cette étude. Les 8 bandes restantes: la bande 3 (B3, vert), la bande 4 (B4, rouge), la bande 5 (B5, Red edge1, re1), la bande 6 (B6, Red edge2, re2), la bande 7 (B7, Red edge3, RE3), la bande 8a (b8a, Near Infrared, NIR), la bande 11 (B11, Short Wavelength infra Red1, swir1) et la bande 12 (B12, Short Wavelength infra Red2, swir2) ont été utilisées pour explorer la construction d'algorithmes d'inversion de lai pour les cultures.Le Pour garantir la cohérence de la qualité des données avec le traitement ultérieur, le traitement du masque nuageux a été effectué avec la bande qa60 dans les produits l2a et le ré - échantillonnage uniforme de la bande avec une résolution spatiale de 10 m à 20 m a été effectué pour garantir la cohérence de l'échelle spatiale entre les données multibandes.
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

3 méthodes de recherche

Cette étude s'appuie sur l'idée d'inverser lai par la méthode hybride pour construire et évaluer l'effet d'un algorithme d'inversion optimal de lai de culture couplé à la bande Red Edge sur la base d'algorithmes d'apprentissage automatique préférés et de combinaisons de bandes. (Fig. 2). Le processus spécifique est le suivant: (1) génération d'un jeu de données de simulation de la réflectivité lai - canopée des cultures à l'aide du modèle prosail et détermination de la contribution de chaque paramètre à la formation spectrale de la canopée dans différentes bandes d'ondes par analyse de sensibilité paramétrique; (2) sur la base de l'ensemble de données de simulation généré, en utilisant cinq algorithmes d'apprentissage automatique pour construire séparément un modèle d'inversion de méthode hybride, déterminer l'algorithme d'apprentissage automatique optimal en fonction des résultats de l'ensemble de validation; (3) sur la base d'un algorithme d'apprentissage automatique préféré, huit combinaisons de bandes sont définies pour construire des modèles d'inversion séparément, de préférence un algorithme d'inversion lai basé sur la bande Red Edge; (4) Effectuer une évaluation de la précision du modèle d'inversion à différents intervalles lai et types de cultures, ce qui permet d'analyser l'applicabilité de l'algorithme d'inversion à différents scénarios.
figure

Fig. 2 The workflow of this study

3.1 cultures lai - génération de jeux de données de simulation de réflectivité de la canopée

3.1.1 paramètres du modèle prosail

Le modèle Prospect est un modèle de transport radiatif à l'échelle de la lame construit par jacquemoud et Baret à partir de l'hypothèse de la plaque (Jacquemoud和Baret，1990), en simulant les processus de réflexion, de transmission et d'absorption de la lumière incidente entre les couches de la plaque, la réflectivité et la transmittance hémisphériques directionnelles dans la bande de 400 à 2500 nm. Le modèle sail, en tant que modèle de transport radiatif à l'échelle du couvert largement appliqué, suppose que le couvert végétal est un mélange de feuilles isotropes horizontales, homogènes et infiniment étendues (Suits，1971), simulant les propriétés de réflexion bidirectionnelle du couvert végétal dans différentes conditions d'observation et d'incidence en calculant les coefficients d'extinction et de diffusion du couvert végétal (Verhoef，1984). Étant donné que le couvert végétal est très proche et la distribution spatiale relativement uniforme au cours de la même période fertile, l'hypothèse du couvert végétal homogène du modèle sail est mieux satisfaite, de sorte que cette étude a choisi le modèle prospect - 5 couplé au modèle 4sail du modèle prosail.Feret等，2008), générer un jeu de données simulé. Tout d'abord, la plage de paramètres d'entrée pertinents du modèle prosail est définie en fonction des connaissances agronomiques préalables (Dong等，2024;Guo等，2024;Liu等，2025), des détails spécifiques tels queTable 2Montré. Par la suite, la simulation a généré un ensemble de données de réflectivité lai - Canopy de 10 000 cultures sous différentes combinaisons de paramètres. Enfin, pour garantir la cohérence des données simulées et des observations satellitaires, la réflectivité de la Couronne simulée a été ré - échantillonnée spectralement selon la fonction de réponse spectrale du satellite 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）

3.1.2 analyse de sensibilité des paramètres

La formation du spectre du couvert végétal est influencée par de nombreux paramètres physiologiques et biochimiques, avec des différences dans la contribution des différents paramètres aux caractéristiques spectrales (黄文江 等，2017). Il est donc nécessaire de procéder à une évaluation systématique de la contribution de chaque paramètre par une analyse de sensibilité afin de clarifier la loi de réponse de la réflectivité des différentes bandes aux variations du paramètre et de fournir ainsi une base théorique à l'analyse de l'effet d'inversion après l'introduction ultérieure de la bande de bord rouge. Les méthodes existantes d'analyse de sensibilité peuvent être divisées en deux catégories: la première est l'analyse de sensibilité globale GSa (Global Sensitivity Analysis), qui quantifie son impact global sur les résultats de sortie en modifiant simultanément tous les paramètres d'entrée. La deuxième catégorie est l'analyse de sensibilité locale LSA (local Sensitivity Analysis), qui ne modifie qu'un seul paramètre cible dans des conditions qui fixent d'autres paramètres, révélant ainsi l'impact direct de ce paramètre sur la sortie.Iooss和Lemaître，2015).
Cette étude a pris séparément les deux méthodes d'analyse de sensibilité décrites ci - dessus pour évaluer globalement l'influence de différents paramètres sur la formation spectrale de la canopée. Tout d'abord, l'analyse de sensibilité globale du modèle prosail avec l'algorithme sobol amélioré (Saltelli等，2006). Le modèle prosail contient un total de 14 paramètres d'entrée dans lesquels les gammes de valeurs pour la teneur en Pigment brun foliaire ( c BP < / I >) et le taux de diffusion dans le ciel ( skyl < / I >) sont généralement fixes et ne sont donc pas incluses dans l'analyse de sensibilité, ce qui permet d'évaluer quantitativement la contribution de chaque paramètre d'entrée à la réflectivité de la canopée sur la base de 12 paramètres et de 8 bandes cibles Sentinel - 2 sélectionnées pour cette étude. Par la suite, une analyse de sensibilité locale a été effectuée sur le modèle prosail, ne modifiant que la valeur de Lai dans des conditions de fixation d'autres paramètres, générant des spectres de canopée simulés à différents niveaux de lai pour analyser le degré de réponse de la réflectivité de la bande critique aux variations dynamiques du lai.

3.2 algorithmes de construction de modèles d'inversion et d'apprentissage automatique de la méthode hybride préférés

Basé sur des études relatives à l'inversion de lai de cultures existantes (Li等，2025a;Yang等，2025b), cette étude a construit un modèle d'inversion en utilisant 5 méthodes d'apprentissage automatique: rfr de régression forestière aléatoire (Random Forest Regression), gbdt d'arbre de décision d'élévation de gradient (Gradient Boosting Decision Tree), SVR de régression vectorielle de support (Support Vector Regression), GPR de régression de processus gaussien (Gaussian Process Regression) et mlpr de régression perceptron Multilayer (Multilayer perceptron Regression).Table 3Montré. Afin d'assurer la fiabilité de l'algorithme d'apprentissage automatique préféré, cette étude est basée sur l'introduction de deux combinaisons de bandes sans bord Rouge et l'introduction de 3 bords rouges, en utilisant 5 algorithmes d'apprentissage automatique pour construire des modèles d'inversion lai séparément, de préférence un algorithme qui fonctionne mieux avec les deux combinaisons de bandes. De plus, 10 000 données de simulation de réflectivité lai - Canopy ont été échantillonnées aléatoirement, divisées en un ensemble d'entraînement (70%) et un ensemble de vérification (30%) à une échelle fixe, et le lai mesuré au sol ainsi que les données Sentinel - 2 correspondantes ont été utilisées comme ensemble de test.

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）
Cette étude utilise le package scikit - Learn en python pour la construction de modèles, l'évaluation, l'analyse et la visualisation des données, et utilise un algorithme d'optimisation bayésienne pour sélectionner les meilleurs paramètres pour chaque modèle d'apprentissage automatique, où seuls les principaux paramètres du tableau qui ont un impact plus important sur les résultats du modèle sont ajustés et les autres paramètres sont définis par défaut.

3.3 construction basée sur un algorithme d'inversion optimal préféré pour les combinaisons de bandes

Sur la base de l'algorithme d'apprentissage automatique préféré, la préférence de combinaison de bandes est développée pour déterminer la bande optimale applicable à l'inversion lai des cultures. Cette étude a conçu deux types de combinaisons de bandes, la première étant une combinaison de bandes de base ne contenant pas de bandes à bords rouges (Green, Red, NiR, swir1, swir2) et la seconde étant l'introduction de bandes à bords rouges simples, doubles et triples, respectivement, sur la combinaison de bandes de base, les deux catégories constituant un total de 8 combinaisons de bandes (Table 4). Utilisez l'algorithme d'apprentissage automatique pour former les relations d'ajustement de Lai et de réflectivité de bande séparément, contrastant les effets d'inversion des modèles sous différentes combinaisons de bandes, puis construisez un algorithme optimal d'inversion de lai de culture.

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 Évaluation de la précision

Pour construire une méthode d'inversion de lai de culture couplée à la bande Red Edge, l'étude a d'abord formé et validé cinq algorithmes d'apprentissage automatique sur la base d'un ensemble de données simulées, ce qui a permis de filtrer les meilleurs algorithmes d'apprentissage automatique et de tester les modèles à l'aide d'un ensemble de Tests construits à partir de lai de mesure et d'images Sentinel - 2 pour évaluer leur capacité à généraliser. Par la suite, sur la base de l'algorithme d'apprentissage automatique optimal, les effets d'inversion qui ne contiennent pas la bande de bord Rouge et qui contiennent différentes combinaisons de bandes de bord Rouge sont comparés, la meilleure combinaison de bandes étant choisie de manière optimale, ce qui permet de déterminer le modèle d'inversion optimal de la Lai des cultures. Les mesures d'évaluation de l'effet du modèle comprennent le coefficient de détermination de la corrélation r < / I > 2 (coefficient of determination), le biais (Bias), l'erreur absolue moyenne MAE (mean Absolute error) et l'erreur quadratique moyenne rmse (root mean Square Error).
En outre, afin d'évaluer plus avant l'applicabilité et la stabilité du modèle d'inversion de lai optimal construit, la performance du modèle dans différents scénarios a été analysée de la manière suivante: (1) évaluation de la précision d'inversion pour différents intervalles de lai: le lai mesuré a été divisé en intervalles (0 - 1, 1 - 2, 2 - 3, 3 - 4, 4 - 5, & gt; 5), Bias et rmse ont été calculés séparément pour chaque intervalle, et la performance du modèle à différents niveaux de lai a été évaluée afin d'explorer l'influence de la bande de bord rouge sur l'effet d'inversion de différents intervalles de lai; (2) Évaluation de la précision d'inversion pour différents types de cultures: les différences de précision d'inversion du modèle sur différentes cultures ont été comparées avec 3 cultures de blé, de maïs et de riz pour révéler l'applicabilité du modèle à l'inversion de lai pour différents types de cultures.

4 Résultats et analyses

4.1 Analyse de sensibilité paramétrique

Fig. 3Les résultats de l'analyse de sensibilité globale des paramètres d'entrée du modèle prosail pour différentes bandes de réflectivité sont présentés. Comme le montre la figure, la contribution combinée de 3 paramètres tels que la teneur en chlorophylle ( c ab < / I >), l'inclinaison foliaire moyenne (Ala) et le lai sur toutes les bandes, à l'exception des deux bandes infrarouges à ondes courtes, est supérieure à 70%, ce qui indique que la réflectivité de la bande visible au proche infrarouge est principalement influencée par les 3 paramètres ci - dessus. Plus précisément, c ab < / I > contribue à 42,3% dans les bandes verte et à 38,9% dans les bandes rouge, ce qui est le facteur dominant affectant la réflectivité de la lumière visible. En termes relatifs, Ala et lai montrent une plus grande sensibilité dans les bandes Red Edge et Near IR. Dans les bandes re2, RE3 et NIR, la contribution totale de l'Ala et du Lai était supérieure à 70%, avec des contributions de lai de 46,6% et 47,2% sur re2 et Re3, respectivement, ce qui indique que les bandes à bords rouges plus longues sont plus sensibles aux paramètres structurels de la canopée. Dans la bande infrarouge à ondes courtes, l'épaisseur équivalente de l'eau ( c W < / I >) est progressivement devenue un paramètre important influençant les résultats du modèle, avec des contributions atteignant 76,5% à swir1 et 66,5% à swir2, reflétant les fortes propriétés d'absorption de l'humidité de la végétation dans la bande infrarouge à ondes courtes. Dans l'ensemble, alors que différents paramètres présentent des sensibilités différenciées dans différentes régions spectrales, les différentes bandes de bord Rouge ont toutes une certaine sensibilité aux variations de Lai, fournissant une base théorique pour coupler les bandes de bord rouge pour améliorer la précision d'inversion de lai.
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

Pour une analyse plus approfondie de la réponse de la réflectivité de chaque bande aux variations de Lai, seul le modèle prosail de pilotage d'un paramètre lai simule la réflectivité de la canopée dans des conditions fixes d'autres paramètres, avec des résultats tels queFig. 3Montré. Le rectangle gris de la figure représente les gammes spectrales des bandes Red, re1, re2, RE3 et NIR de Sentinel - 2, ce qui permet de visualiser les caractéristiques de variation spectrale capturées par ces 5 bandes. Comme on peut le voir sur la figure, avec l'augmentation du lai, le spectre de la Couronne montre une tendance globale à la hausse, en particulier dans la gamme 700 - 900 nm, où la tendance à la hausse du spectre de la Couronne est évidente. Dans la région de la marge rouge, les différences de réponse spectrale entre les différentes bandes sont plus significatives. Parmi eux, la réflectivité de la bande re1 diminue progressivement avec l'augmentation du lai, la réflectivité de la bande re2 dans son ensemble montre une tendance à la hausse lente, tandis que la réflectivité de la bande Re3 montre une forte sensibilité. Plus précisément, la réflectivité de la bande Re3 varie le plus significativement avec le lai dans l’intervalle lai de faible et moyenne valeur (0,1 & lt; Lai & lt; 4), alors que le Lai & gt; A 4, les fluctuations de sa réflectivité tendent à s'atténuer et sa sensibilité aux valeurs élevées de lai diminue considérablement. En revanche, la sensibilité des bandes re1 et re2 diminue progressivement avec l'augmentation du lai, la courbe de réponse de re2 variant relativement doucement. Il est donc nécessaire de développer des algorithmes optimisés pour l'inversion lai des cultures sur la base de l'analyse de sensibilité paramétrique, en combinant raisonnablement les caractéristiques des différentes bandes de bord rouge, améliorant ainsi la précision de l'inversion lai.

4.2 comparaison des effets inversés de différents algorithmes d'apprentissage automatique

Cinq algorithmes d'apprentissage automatique ont été formés, validés et testés pour évaluer l'effet d'inversion de lai de différents algorithmes, en utilisant respectivement une combinaison de bandes sans bords rouges (Z1) et l'introduction de trois bandes à bords rouges (Z2). Parmi ceux - ci, les résultats de l ` évaluation de l ` ensemble de validation reflètent principalement l ` effet d ` ajustement du modèle, tandis que les résultats de l ` évaluation de l ` ensemble de test peuvent refléter plus fidèlement la capacité de généralisation du modèle. Basé surFig. 4On voit qu'il y a des différences évidentes dans les résultats de précision des cinq méthodes sur l'ensemble de vérification, mlpr étant le plus performant pour les deux combinaisons de bandes, avec GPR au second rang, SVR centré et gbdt relativement faible précision par rapport à rfr. Une autre évaluation de la précision sur l'ensemble d'essais a montré que, sous la combinaison Z2, mlpr ( r < / I > 2 = 0757, Bias = - 0142, Mae = 0706, rmse = 0902) et GPR ( r < / I > = 0748, Bias = - 0461, Mae = 0809, rmse = 079) s'inversaient mieux et significativement mieux que les trois autres méthodes ( r < / I >) 2 : 0520 - 0588, Bias: - 0237 - 0039, Mae: 0897 - 1021, rmse: 1222 - 1264). Parmi ceux - ci, le mlpr a augmenté de 45,5% par rapport au rfr le moins précis, r < / I > 2 et le rmse a diminué de 28,2%, ce qui confirme sa supériorité sur l'apprentissage des caractéristiques non linéaires et l'inversion des paramètres.Ercanlı等，2018;Li等，2025b). En outre, en comparant la différence de précision d'inversion combinée des deux z1 et Z2 sous le même algorithme, on peut constater qu'après l'introduction de la bande de bord rouge, la précision des cinq méthodes a été améliorée dans les ensembles de vérification et de test. Parmi ceux - ci, le SVR a eu la plus grande augmentation, avec une augmentation de 10,6% et une diminution de 22,4% du rmse sur l'ensemble de test, tandis que le mlpr, bien que l'augmentation ait été relativement limitée, a maintenu la plus grande précision sous les deux combinaisons de bandes, montrant sa forte robustesse. Pour cette étude, mlpr a donc été choisi comme algorithme optimal pour le modèle d'inversion lai de la méthode hybride ultérieure.
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. 5Les caractéristiques de distribution de dispersion des lai prédits par le modèle mlpr par rapport aux lai mesurés sont présentées. D'après les résultats, les performances du modèle sont plus cohérentes sur les ensembles de validation et de test. La précision du modèle a été quelque peu améliorée avec l'introduction de la bande de bord rouge, où r < / I > 2 a augmenté de 2,4% et 1,4% sur l'ensemble de vérification et l'ensemble de test, tandis que rmse a diminué de 4,0% et 7,8% et Mae a diminué de 5,0% et 6,6%, respectivement, ce qui indique que l'introduction de la bande de bord Rouge a contribué à améliorer la précision de l'inversion lai. Il est important de noter qu'après l'introduction de la bande à bords rouges, la Sous - estimation de lai élevée qui prévaut dans les intervalles de valeurs élevées s'est atténuée (| Bias | décroissante), et les résultats prédits pour les échantillons de valeurs élevées se sont rapprochés de la ligne d'ajustement 1: 1. Cela suggère que l'introduction de bandes à bords rouges peut atténuer dans une certaine mesure les effets de saturation dans des situations de lai élevé, améliorant ainsi la capacité de caractérisation du modèle pour le couvert végétal à haute densité. Cependant,Fig. 5Il a également été montré que l'introduction de toutes les bandes de bord rouge pour l'amélioration de la précision de l'inversion lai est plus limitée, différentes combinaisons de bandes de bord Rouge peuvent améliorer davantage la précision de l'inversion lai, encore besoin d'une étude plus approfondie.
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 contraste des effets inversés des différentes combinaisons de bandes

Pour explorer davantage l'influence de différentes bandes de bord rouge sur la précision de l'inversion, cette étude analyse la précision du modèle d'inversion lai sous différentes combinaisons de bandes basées sur l'algorithme mlpr. (Fig. 6). Après l'introduction de la bande de bord rouge, la précision globale de l'inversion ( r < / I > 2 : 0750 - 0784, rmse: 0826 - 0979) était meilleure que si la bande de bord Rouge n'était pas utilisée ( r 2 = 0747, rmse = 0979), ce qui suggère que l'introduction de la bande de bord Rouge peut améliorer efficacement la précision de l'inversion lai. Cependant, le nombre d'introductions de bandes à bords rouges, ainsi que le type de bande spécifiquement choisi, affectent la précision de l'inversion lai. En effet, l'effet d'inversion de l'introduction de Re3 (z5) est optimal dans la combinaison de bandes à un seul bord Rouge (Z3 - z5) ( r < / I > 2 = 0759, rmse = 0947); Alors que les modèles des bandes re1 et Re3 (Z7) ont été introduits avec les meilleures performances ( r < / I > 2 = 0784, rmse = 0826) Lorsque les deux bandes latérales rouges (z6 - Z8) ont été introduites. De plus, la précision du modèle d'inversion lai ( r < / I > 2 = 0757, rmse = 0902) et la combinaison Z7 introduite dans les deux bandes de bord Rouge ont plutôt diminué lorsque les 3 bandes de bord Rouge ont été introduites simultanément. Dans l'ensemble, l'effet d'inversion de Z7 a été optimal pour toutes les combinaisons de bandes, ce qui indique que l'introduction simultanée de re1 par rapport à Re3 a contribué le plus à la précision du modèle amélioré, avec une augmentation de 4,9% de r < / I > 2 et une réduction de 15,6% de rmse par rapport à z1. Si l'on combine les résultats de l'analyse de sensibilité à la section 4.1, on sait que les réflectivités re1 et Re3 fluctuent significativement avec les variations de Lai et sont plus sensibles aux variations de Lai, tandis que la réflectivité re2 fluctue légèrement avec les variations de Lai et est moins sensible aux variations de lai. Le gain d'information apporté par l'utilisation de re2 seul ou en complément est donc limité et peut même introduire du bruit, ce qui réduit la précision du modèle. Variety, le modèle mlpr, construit à partir de la combinaison de bandes Red Edge re1 et Re3 (Z7), a obtenu les meilleurs résultats de toutes les combinaisons de bandes et a été choisi comme algorithme optimal d'inversion de lai de culture pour l'évaluation de l'applicabilité dans différents scénarios des modèles ultérieurs.
figure

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

4.4 performance du modèle d'inversion lai dans différents scénarios

4.4.1 comparaison de la précision d'inversion pour différents intervalles lai

Les valeurs prédites et réelles du lai générées à partir du modèle d'inversion construit (Figure 7 (A) (b)) montrent qu'après l'introduction de la bande Red Edge, le modèle a été quelque peu atténué à la fois en termes de surévaluation de faible valeur et de sous - estimation de forte valeur, ce qui suggère que l'introduction de la bande Red Edge peut atténuer efficacement les biais systémiques de l'inversion lai. En ce qui concerne bias, les autres intervalles | Bias | ont diminué, à l'exception de l'intervalle lai 0 - 1 (Figure 7 (c) (d)), les baisses les plus significatives étant observées dans les intervalles lai 3 - 4, 4 - 5 et & gt; 5 (76,2%, 52,2% et 26,4% respectivement). Cela suggère que la bande de bord rouge est capable de réduire efficacement le biais systémique du modèle d'inversion lai dans l'intervalle des valeurs moyennes à élevées. Côté rmse, après introduction des bords rouges, LAI 0—1、 Les rmse ont diminué de 40,4%, 5,7%, 41,4% et 24,9% respectivement dans les intervalles 3 - 4, 4 - 5 et & gt; 5, mais ont augmenté dans les intervalles lai 1 - 2 et 2 - 3. Ce phénomène peut être attribué aux deux facteurs suivants: d'une part, le bord rouge caractérise la transition caractéristique de la lame entre une forte absorption dans la bande rouge et une forte réflexion dans le proche infrarouge, de sorte que lorsque le lai est faible, la couche de Couronne n'est pas encore complètement formée, le nombre de lames est faible et le bord rouge est insensible à la réponse aux variations de lai de faible valeur (Lee等，2004). D'autre part, la couverture végétale de l'intervalle lai de faible valeur est faible et les interférences du fond du sol et d'autres facteurs externes peuvent introduire du bruit dans la réflectivité de la bande de bord rouge, ce qui réduit la capacité de caractérisation de la bande de bord rouge pour le lai dans cet intervalle. (Qiao等，2024). Par conséquent, l'introduction de bandes à bords rouges contribue de manière limitée à la quantité d'informations du modèle d'inversion dans les intervalles lai de faible valeur et de médiane partielle (Cui和Kerekes，2018). Dans l'intervalle des valeurs moyennes à élevées, l'effet de boost de la bande de bord rouge sur la précision d'inversion est encore plus prononcé à mesure que le lai augmente. Cependant, lorsque le lai atteint une certaine valeur élevée (& gt; 5), la bande de bord Rouge n'est pas suffisante pour fournir une nouvelle quantité d'information efficace en raison de l'effet de saturation de l'information optique dû à une couche de couronne trop dense, ce qui réduit progressivement son effet atténuateur sur la sous - estimation de la valeur élevée.

4.4.2 comparaison de la précision d'inversion pour différents types de cultures

Comparaison des résultats selon la précision d'inversion des différents types de cultures (Fig. 8) On sait que la précision d'inversion du lai est la plus élevée pour le maïs ( r < / I > 2 = 0847, Bias = - 0341, Mae = 0658, rmse = 0864), le riz ( r < / I > = 0778, Bias = - 0069, Mae = 0576, rmse = 0775) et le blé ( r < / I > = 0775) dans la combinaison de bandes Z7.= 0723, Bias = - 0151, Mae = 0692, rmse = 0857) pour la seconde précision d'inversion. La précision de l'inversion a été améliorée pour les trois catégories de cultures après l'introduction de la bande à bords rouges, le maïs présentant l'effet de levage le plus important ( r < / I > 2 17,9%, rmse réduit de 29,1%), le riz relativement limité ( r < / I > 2 0,8%, rmse réduit de 6,9%) et le blé à un niveau intermédiaire ( r < / I > 2 1,2%, rmse réduit de 10,0%). Les résultats ci - dessus montrent que les différences dans la structure de la canopée de différentes cultures déterminent la sensibilité de la bande de bord Rouge aux changements de lai par rapport à l'intensité de la réponse, et que ces différences conduisent également à des manifestations différentes de l'information de bord rouge sur l'effet d'amélioration de la précision de l'inversion lai de différentes cultures. Par rapport au blé et au riz, le maïs avec une stratification de la canopée marquée et une structure complexe a montré l'amélioration la plus significative de la précision après l'introduction de la bande de bord rouge.
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

5 discussion

Problèmes avec une grande incertitude concernant les résultats actuels de l'inversion lai pour les cultures de moyenne et haute résolution (刘良云，2014;梁顺林 等，2016), cette étude est basée sur l'idée d'inversion lai de méthode hybride, où les algorithmes d'apprentissage automatique ont été évalués de manière systématique, ainsi que l'effet de la bande Red Edge dans l'inversion lai des cultures, et un algorithme d'inversion lai couplant les caractéristiques de la bande Red Edge a été construit. Les résultats ont montré que, bien que l'introduction de la bande de bord rouge augmente la précision d'inversion lai, il existe de grandes différences dans l'applicabilité des modèles dans différents scénarios d'application. Par conséquent, la discussion de suivi se concentrera sur l'analyse systématique autour de la stratégie de sélection de la bande de bord rouge, les caractéristiques de sensibilité et leur performance dans différents scénarios pour explorer les mécanismes potentiels par lesquels la bande de bord rouge améliore la précision de l'inversion lai des cultures.
Dans l'aspect préféré de la combinaison de l'approche du modèle avec la bande, l'algorithme mlpr est le meilleur sur les ensembles d'entraînement, de validation et de test, montrant de fortes capacités d'ajustement et de généralisation non linéaires (Fig. 4), montrant son énorme potentiel dans les applications d'inversion de lai de culture. Par rapport aux modèles traditionnels de régression linéaire ou empiriques, MLP est capable d'exploiter pleinement les relations complexes à haute dimension entre les spectres et lai grâce à une cartographie non linéaire multicouche, apprenant automatiquement les interactions caractéristiques entre les différentes bandes et les lois de réponse non linéaire. En outre, sa forte capacité d'extraction de caractéristiques adaptatives peut capturer efficacement l'effet combiné des caractéristiques biophysiques telles que la structure du couvert végétal, la distribution angulaire des feuilles et d'autres sur la réflexion spectrale, démontrant ainsi une stabilité et une robustesse élevées dans des conditions multibandes et multitypes de cultures. (Wang等，2022). Dans le même temps, l'introduction de la bande de bord rouge améliore non seulement considérablement la précision d'inversion lai, mais atténue également efficacement le problème de sous - estimation systématique des intervalles de valeurs élevées (Fig. 5). La raison en est principalement que la bande à bords rouges est plus sensible aux variations de la teneur en chlorophylle et de la surface foliaire, capable d'atténuer dans une certaine mesure les limitations de saturation dans les bandes visible et proche infrarouge (Bramich等，2021). Il est à noter qu'en raison des différences de sensibilité aux variations de Lai dans les différentes bandes de bord rouge, re1 et Re3 ont l'effet le plus significatif sur l'amélioration de la précision du modèle, tandis que re2 a un effet limité sur l'amélioration de la précision du modèle et peut même introduire du bruit dans une partie de l'intervalle lai, ce qui entraîne une diminution de la précision de l'inversion (Fig. 6). Par conséquent, pour l'inversion de lai de culture, le choix rationnel de la caractéristique de bord rouge est plus significatif pour l'amélioration de la précision que la simple augmentation du nombre de bandes de bord rouge.
L'évaluation de l'algorithme d'inversion de lai construit à l'aide de la bande Red Edge dans différents scénarios, sur la base de l'ensemble de données lai des cultures de céréales de base observées par les sites nationaux du cnern, révèle en outre la nécessité d'introduire la bande Red Edge (Fig. 7). Bien que l'introduction de la bande de bord Rouge ait une amélioration plus limitée de la précision de l'inversion lai dans l'intervalle lai de faible valeur, l'introduction de la bande de bord Rouge peut réduire considérablement les biais systémiques et l'incertitude de l'inversion lai et atténuer efficacement les effets de saturation dans l'intervalle lai de moyenne à haute valeur. Ce résultat est conforme aux conclusions des études déjà réalisées (Brantley等，2011;Pu等，2003;Tillack等，2014), indiquant que la bande à bords rouges est plus sensible à la végétation à lai élevé et peut maintenir une forte réactivité aux changements de lai malgré la saturation de la bande traditionnelle. Quand Lai & gt; A 5 heures, son action diminue progressivement, présentant un "effet seuil" indiquant que l'information optique n'est pas suffisante pour continuer à fournir des informations structurelles plus efficaces dans le cas d'une végétation dense (Gao等，2024). En outre, la comparaison de la précision d'inversion de différents types de cultures révèle en outre la différence d'effet lorsque la bande de bord rouge agit sur l'inversion lai de différentes cultures. L'amélioration la plus significative de la précision de l'inversion lai pour le maïs a été observée dans la bande de bord rouge, suivie par le blé, tandis que l'amélioration la plus faible a été observée pour le riz (Fig. 8), qui peut être étroitement liée aux différences dans la structure du couvert et la distribution spatiale des feuilles entre les trois cultures (王丹彤和屈永华，2024). Plus précisément, les plants de maïs sont plus élevés et la stratification verticale de la canopée est prononcée, ce qui les rend plus sensibles à la réponse spectrale de la bande de bord rouge, d'où une amélioration significative des performances du modèle après l'introduction du bord Rouge (Yang等，2025a). En revanche, les plants de blé sont plus bas et plus dispersés, bien qu'ils forment une certaine structure de la touffe en raison du tallage, mais la distribution globale de la canopée est plus dispersée et répond moins bien à la bande à bords rouges, ce qui entraîne une contribution limitée de l'information à bords rouges à l'inversion de lai (Wang等，2024). Pour le riz, sa canopée est densément répartie horizontalement, ses feuilles sont étroites et les différentes périodes fertiles sont fortement influencées par le fond mixte sol - eau, ce qui facilite l'introduction de bruits supplémentaires dans la bande de bord Rouge (Wu等，2024;Xing等，2022). De plus, la précision d'inversion du lai du riz était déjà à un niveau élevé lorsque la bande de bord Rouge n'était pas introduite, de sorte que l'effet de gain de la bande de bord rouge était relativement faible.
Il est important de noter que cette étude présente encore certaines limites qui devront être améliorées dans les études futures. Tout d'abord, les données de formation sont principalement dérivées de l'ensemble de données de simulation commun prosail, l'absence de paramètres spécifiques à la culture peut limiter la précision du modèle dans une certaine mesure, et les études futures peuvent optimiser les paramètres d'entrée du modèle ainsi que les paramètres spécifiques à la culture en combinant des données physiologiques et biochimiques mesurées au champ pour améliorer la cohérence des données simulées avec le scénario réel. Deuxièmement, étant donné que le modèle prosail utilisé pour cette étude ne tient pas compte des effets d'agrégation de la canopée, l'algorithme d'inversion de lai construit sur la base de la bande Red Edge pose toujours le problème de la Sous - prédiction systématique de lai par rapport au lai mesuré au sol. Un modèle de transmission de rayonnement tridimensionnel tenant compte de la distribution hétérogène de la canopée pourrait encore être introduit à l'avenir (Gastellu-Etchegorry等，1996;Qi等，2019;张虎 等，2023), afin de simuler de manière plus réaliste les caractéristiques structurelles spatiales de la canopée des cultures. Dans le même temps, la combinaison de données d'observation de télédétection Multi - Angles peut améliorer la caractérisation de la dispersion de la Couronne et des effets d'agrégation, ce qui atténue plus efficacement les biais systémiques et améliore la précision de l'inversion lai. Enfin, l'étude n'a sélectionné qu'une seule image de capteur (Sentinel - 2), qui pourrait à l'avenir prendre en compte l'inversion synergique de données de télédétection multisources telles que GF - 6, RapidEye, etc., afin d'améliorer encore la stabilité et l'applicabilité transrégionale du modèle.Chen等，2025;Fang等，2019b;Wan等，2024).

6 Conclusion

Avec l'idée de base d'une méthode hybride d'inversion lai de modèles physiques conjoints et d'algorithmes d'apprentissage automatique, en utilisant le modèle prosail pour simuler des ensembles de données de réflectivité lai et canopée, en combinaison avec des mesures lai au sol de types de cultures Multi - temporelles à l'échelle nationale fournies par le site du cnern et des images Sentinel - 2, cette étude a systématiquement évalué l'effet de différents algorithmes d'apprentissage automatique et de combinaisons de bandes dans l'inversion lai des cultures, construit un algorithme d'inversion optimal de lai des cultures intégrant les caractéristiques de la bande Red Edge et l'analyse de son applicabilité dans différents scénarios, avec les principales conclusions suivantes:
(1) parmi les 5 méthodes d'apprentissage automatique, l'algorithme d'inversion lai construit sur le modèle mlpr a obtenu les meilleurs résultats sur les ensembles de validation et de test dans les deux scénarios où la bande Red Edge n'a pas été introduite et où 3 bandes Red Edge ont été introduites. Cela montre que l'algorithme mlpr présente un avantage en termes d'apprentissage de signature non linéaire, capable de caractériser efficacement la relation non linéaire entre lai et la réflectivité de la canopée;
(2) L'introduction de la bande de bord rouge améliore globalement la précision de l'inversion lai, en particulier pour atténuer la Sous - estimation des valeurs élevées. Cependant, il existe des différences dans les contributions des différentes bandes de bord rouge, l'introduction des bandes re1 et Re3 étant la plus significative pour l'effet d'amélioration de la précision d'inversion, tandis que l'effet d'élévation re2 est limité. Cette étude a donc construit un algorithme d'inversion de lai de culture basé sur l'algorithme mlpr et la combinaison de bandes couplées re1 et Re3 ( r < / I > 2 = 0784, Bias = - 0162, Mae = 0635, rmse = 0826);
(3) La contribution de l’arête rouge au modèle d’inversion a montré une grande différence dans différents scénarios: l’introduction de l’arête Rouge a eu le plus d’effet d’amélioration de la précision sur les intervalles de valeurs élevées dans le lai (diminution de 52,2% et 41,4% respectivement pour | Bias | et rmse dans l’intervalle 4 & lt; lai & lt; 5); Alors que dans l'intervalle de faible valeur, l'introduction de bandes de bord Rouge a un effet limité sur l'amélioration de la précision d'inversion du modèle. Parmi les différents types de cultures, l'information sur le bord rouge était plus sensible aux cultures dont la structure de la canopée était complexe, l'introduction de la bande du bord rouge étant la plus marquée pour le maïs ( r < / I > 2 Amélioration de 17,9% et réduction de 29,1% du rmse), suivie par le blé, qui avait le moins d'effet sur le riz.
En conclusion, sur la base d'une méthode préférée d'apprentissage automatique, le choix rationnel d'une combinaison de bandes de bord Rouge peut améliorer efficacement la précision d'inversion lai des cultures. Des études futures pourraient combiner des données de télédétection Multi - sources avec des modèles mécanistes prenant en compte les effets d'agrégation de la canopée pour étendre davantage l'applicabilité de l'algorithme lai couplé à la bande de bord rouge dans différents types de cultures et conditions régionales.

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

Lire l'article complet

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