Inversão do Índice de Área Foliar de Culturas Agrícolas Acoplado com Características das Bandas de Borda Vermelha

  • 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

Resumo

O índice de área foliar LAI (Leaf Area Index) é um parâmetro chave que caracteriza a estrutura da copa e o vigor das culturas. A utilização de tecnologias de sensoriamento remoto para seu monitoramento preciso e oportuno é de grande importância para a gestão de água e fertilizantes no campo, a segurança alimentar e a avaliação do potencial produtivo agrícola. A banda de borda vermelha, como uma faixa espectral sensível que indica mudanças fisiológicas da folha e da estrutura da copa, tem sido incorporada em vários sensores de satélite de resolução média a alta (10–30 m) e amplamente aplicada na inversão de parâmetros das culturas, oferecendo uma nova oportunidade para melhorar a precisão da inversão do LAI. No entanto, existem grandes diferenças nas formas como a banda de borda vermelha é aplicada na inversão do LAI, e devido às diferentes regiões de estudo, ainda não está claro como utilizar efetivamente a banda de borda vermelha para melhorar a precisão da inversão do LAI. Com base nisso, este estudo utiliza um método híbrido que combina o modelo PROSAIL e algoritmos de aprendizado de máquina como estratégia de inversão, usando imagens Sentinel-2 que contêm 3 bandas de borda vermelha e dados de campo de medições de LAI para as principais culturas nacionais (arroz, trigo e milho) fornecidos pela Rede Nacional de Observação e Pesquisa de Ecossistemas. Através da otimização do modelo de aprendizado e da combinação de bandas, foi construído um algoritmo de inversão do LAI acoplado às características das bandas de borda vermelha, e uma avaliação sistemática foi realizada em diferentes cenários. Os resultados mostram que o perceptron multicamada (MLPR) apresentou o melhor ajuste entre o LAI e a reflectância multibanda, e a introdução das bandas de borda vermelha elevou efetivamente a precisão da inversão do LAI, sendo a combinação da borda vermelha 1 (RE1) e borda vermelha 3 (RE3) a mais eficaz (R2=0.784, RMSE=0.826). Comparado com a combinação Z1 que não inclui bandas de borda vermelha (Green+Red+NIR+SWIR1+SWIR2), o R2 aumentou 4,9% e o RMSE diminuiu 15,6%. Além disso, a introdução das bandas de borda vermelha não apenas reduz o viés sistêmico da inversão do LAI, mas também mitiga efetivamente o efeito de saturação na faixa média a alta do LAI (4<LAI<5) (|Bias| e RMSE diminuíram 52,2% e 41,4%, respectivamente). Além disso, a resposta das diferentes culturas à informação da borda vermelha varia; após a introdução de RE1 e RE3, a precisão da inversão do LAI do milho melhorou mais significativamente (R2 aumentou 17,9%, RMSE diminuiu 29,1%). O algoritmo de inversão desenvolvido por meio do acoplamento das bandas de borda vermelha pode melhorar significativamente a precisão da inversão do LAI para diferentes tipos de culturas e fornece importante suporte técnico para o monitoramento preciso e de longo prazo do crescimento das culturas agrícolas em grandes escalas.

Palavras-chave

índice de área foliar de culturas agrícolas; banda de borda vermelha; modelo Prosail; aprendizado de máquina; seleção de bandas

1 Introdução

O monitoramento do crescimento das culturas desempenha um papel fundamental na gestão dos fertilizantes de campo, na segurança alimentar e na avaliação do potencial de produção agrícola.Djamai等,2025;Zérah等,2024)。 O Índice de Área das Folhas (LAI) é definido como metade da área total da superfície das folhas verdes em unidades de superfície terrestre e é um parâmetro biofísico importante que caracteriza a estrutura e função da coroa vegetal.Chen和Black,1992)。 Como um indicador central do estado de crescimento e desenvolvimento das culturas, o LAI não só determina diretamente a capacidade da coroa de interceptar a radiação fotossíntese eficaz, mas também afeta profundamente processos como a fotossíntese das culturas, a evaporação e o ciclo de energia e matéria da superfície.Chen等,2019)。 A tecnologia de teledetecção por satélite fornece um meio eficaz para obter dados LAI de grande área e sequência temporal. Atualmente, vários conjuntos globais de produtos LAI de longa sequência temporal foram lançados, como MODIS, GLASS, GEOV3 e MuSyQ, entre outros.Fang等,2019a;Fernandes等,2023;梁顺林 等,2023)。 No entanto, uma vez que esses produtos dependem principalmente de dados de teleobservação de resolução espacial média e baixa ( &gt; 100 m) e são afetados pela heterogeneidade da paisagem agrícola e pelos efeitos de imagem mista, há maior incerteza sobre a precisão na monitorização do crescimento das culturas.Fang等,2019b;Myneni等,2002)。 Portanto, é urgente confiar em imagens de teleobservação de resolução espacial média e alta (10-30 m) para realizar monitoramento LAI de alta precisão de culturas em uma escala mais sutil.
Os métodos de inversão LAI baseados em imagens de teledetecção de alta e média resolução incluem três principais categorias: Relações Empíricas, Modelagem Física e Métodos Misturados.贺敏 等,2022;Verrelst等,2015)。 A metodologia empírica é simples e eficiente em termos de cálculo através do estabelecimento de relações estatísticas empiricas entre LAI e medições de teleobservação (reflexividade, índice de vegetação, etc.) e a sua generalização em aplicações interregionais e temporárias é insuficiente devido às diferenças nas condições da superfície e no ambiente atmosférico.Li等,2023;唐以洁和王群明,2025;王宁 等,2024)。 O método de modelo físico partindo do mecanismo de interação entre luz e vegetação e fundo, usa o modelo de transmissão de radiação da coroa para desenhar a relação entre a refletidão e o LAI, embora tenha uma forte migrabilidade espacial-temporal, mas é limitado pela complexidade da transmissão de radiação da coroa e do fundo, e é difícil equilibrar a precisão e a eficiência.Han等,2024;Verger等,2014)。 A combinação de ambas as vantagens, a saber, a geração de amostras de treinamento através de modelos físicos para simular a relação entre a reflexão da coroana e o LAI, e a reversão do LAI com o uso de modelos de aprendizado de máquina, tem sido amplamente aplicada nos últimos anos.梁顺林 等,2016;Sun等,2022)。 No entanto, sujeito às configurações de banda do sensor, a maioria dos estudos de inversão LAI de alta e média resolução ainda depende principalmente das bandas de luz visível, infravermelho próximo e infravermelho de onda curta.Qu等,2014)。 Como a quantidade de informação obtida pela teleobservação é muitas vezes insuficiente para limitar o processo complexo de transmissão de radiação, há maior incerteza sobre os resultados da inversão.Zhang等,2025)。 Como introduzir informações espectrais mais sensíveis e eficazes na inversão é um avanço importante para melhorar a precisão da inversão LAI.
A "borda vermelha" é definida como a região de luz vermelha que reduz a absorção de clorofila entre os locais da plataforma de alta reflexão do infravermelho próximo (cerca de 680-760 nm), e a resposta espectral das plantas saudáveis ​​aumenta abruptamente nesta região de faixa estreita.Curran等,1991)。 Como as características espectrais deste intervalo estão intimamente relacionadas com o conteúdo de clorofila vegetal e a estrutura da coroa, a borda vermelha é considerada uma faixa sensível que indica o estado fisiológico da cultura (por exemplo, concentração de clorofila, níveis de nitrogênio) e características da estrutura da coroa (por exemplo, LAI, distribuição de inclinação das folhas).Dong等,2019)。 Nos últimos anos, com o desenvolvimento de vários satélites de resolução média com configuração de banda vermelha, como o GF-6, o primeiro satélite agrícola da China com configuração de banda vermelha, Sentinel-2A/2B, Assim como o planejado Landsat Next, o potencial de aplicação da borda vermelha na inversão de parâmetros de vegetação está sendo explorado e gradualmente se tornou um foco importante para a pesquisa de monitoramento de culturas.Bach和Mauser,2003;Zarco-Tejada等,2019)。 No entanto, os estudos existentes divergem significativamente sobre se as bandas de bordo vermelho melhoram significativamente a precisão da inversão LAI, limitando a aplicação aprofundada da informação de bordo vermelho.
Por um lado, estudos mostraram que o índice de vegetação construído com base nas bandas de borda vermelha pode melhorar significativamente a precisão da inversão do LAI, mostrando uma maior sensibilidade ao efeito de saturação da coroa, especialmente nos intervalos de LAI elevados, e também reduzindo a interferência do fundo do solo quando o LAI é baixo.Canisius和Fernandes,2012;Pan等,2019;Tillack等,2014)。 Além disso, a relação empírica estabelecida pelo Índice de Vegetação Vermelha com o LAI tem maior consistência entre os diferentes tipos de culturas, mostrando suas potenciais vantagens em aplicações entre culturas e regiões.Dong等,2019;Viña等,2011)。 Por outro lado, há estudos que apontam que o aumento limitado da correlação entre o índice de vegetação após a banda de borda vermelha e o LAI, em comparação com o índice de vegetação tradicional, não foi capaz de melhorar de forma estável a precisão da inversão em diferentes condições ambientais e observacionais.Korhonen等,2017;Punalekar等,2018)。 Essa diferença decorreu principalmente da falta de informações fornecidas pela análise mecânica da borda vermelha para a inversão LAI em estudos já realizados, o que resultou em informações da borda vermelha não serem aproveitadas adequadamente, e os estudos se concentraram principalmente no nível das relações empíricas, dependendo de uma amostra limitada de observações terrestres, cuja precisão da inversão LAI flutuava dependendo das condições climáticas da área de estudo, do tipo de cultura, das características da estrutura coronária e de fatores equivalentes ao momento da observação. Portanto, é urgente construir algoritmos de inversão de LAI baseados em mecanismos físicos e aproveitando plenamente as informações da banda de borda vermelha, e realizar avaliações quantitativas sistemáticas e validação de tipos de culturas interregionais e interculturais para melhorar a precisão da inversão de LAI de culturas.
Respondendo a essas questões, este estudo baseia-se na ideia de inversão LAI híbrida combinada com modelos físicos e algoritmos de aprendizado de máquina, utilizando dados de implementação LAI fornecidos pela Rede Nacional de Pesquisa de Ecosistemas da China (CNERN) para as principais culturas alimentares do país (arroz, trigo, milho) e combinando imagens multiespectrais do Sentinel-2 para explorar sistematicamente o papel da banda vermelha na inversão LAI das culturas e construir um algoritmo de inversão LAI acoplado às características da banda vermelha. Primeiro, através da análise de sensibilidade parâmetrica, o mecanismo de resposta da refletidão da banda de borda vermelha às mudanças do LAI é teoricamente esclarecido. Em segundo lugar, comparar o desempenho adequado de diferentes algoritmos de aprendizado de máquina para a relação entre LAI e refletidão espectral, preferindo modelos de aprendizado de máquina adequados. Em seguida, avalia-se o aumento da precisão da inversão com a combinação de bandas de bordo vermelho e bandas tradicionais para construir um algoritmo de inversão LAI baseado na preferência da banda de bordo vermelho. Finalmente, a análise comparativa do algoritmo de inversão LAI em diferentes tipos de culturas e intervalos LAI revelou a contribuição e a aplicabilidade da banda de bordo vermelho para a precisão de inversão LAI de culturas.

2 Áreas de pesquisa e dados

2.1 Visão geral da área de pesquisa

O estudo é baseado na Rede Nacional de Pesquisa de Observação de Ecosistemas (CNERN). [2025-09-15]) dados do LAI do local, avaliando a precisão do algoritmo inverso do LAI construído. A rede da CNERN conta com 53 estações de ecossistemas, incluindo florestas, pastagens e terras agrícolas, distribuídas em 22 províncias, regiões autónomas e municípios da China, incluindo 18 estações de ecossistemas agrícolas. Na estação do ecossistema agrícola, selecionar os objetos de observação que incluem 3 culturas alimentares principais de arroz, milho e trigo, selecionar 7 estações de arroz (estação Changshu, estação Huangjiang, estação Qingyuan, estação Shapoohead, estação Shenyang, estação Taoyuan, estação Eagtan), 12 estações de milho (estação Anse, estação Changwu, estação Fengchu, estação Huangjiang, estação Helen, estação Luncheng, estação Linze, estação Naiman, estação Shapoohead, estação Shenyang, estação Taoyuan, estação Yucheng), 9 estações de trigo (estação Changshu, estação Changwu, estação Fengchu, estação Luncheng, estação Lasa, estação Linze, estação Shapoohead, estação Yucheng, estação Salting). Detalhes do site comoTable 1mostrado.

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 Dados e pré-processamento

2.2.1 Dados de teste do solo LAI de culturas

Os locais agrícolas da CNERN usam principalmente o método de varredura da área foliar para obter dados LAI do solo das culturas. Especificamente, cada local da CNERN contém uma ou mais amostras, cada uma contém uma ou mais amostras de Classe I, com tamanhos que variam de 10 m x 10 m a 50 m x 50 m. Na realização da medição do LAI no solo, de acordo com o tamanho da amostra, cada amostra é dividida em uma área de amostragem de grau II de 1 m x 1 m a 10 m x 10 m, em unidade de área, selecionando aleatoriamente 6 áreas de grau II de cada vez, usando o método de varredura de área foliar para medir o LAI, e finalmente tomando a média de 6 LAI como o valor de LAI da amostra.孙鸿烈 等,2012;吴冬秀 等,2007;徐保东 等,2015)。 Para obter dados confiáveis ​​do LAI terrestre e imagens correspondentes do Sentinel-2, este estudo processou e filtrou os dados brutos do local para 2018-2022 de acordo com os seguintes princípios: (1) Para os casos em que a mesma amostra contém várias amostras e cada amostra tem uma escala inferior a 20 m x 20 m, para garantir que a amostra de observação terrestre é consistente com a metaescala da imagem de teledetecção, a média de LAI de várias amostras dentro desse ponto é tomada como LAI desse ponto; (2) Conhecimento prévio de acordo com as características fisiológicas das culturas (Dong等,2023;Mercier等,2020retenção de dados experimentais no intervalo LAI de 0 a 8; (3) A fim de reduzir os erros causados pelas alterações no crescimento das culturas, apenas os dados experimentais de medições no solo do LAI e observações de imagens do Sentinel-2 que não excedam 7 dias serão mantidos; (4) Para garantir a precisão dos dados de implementação do LAI, o controle de qualidade é realizado de acordo com a relevância do LAI com o Índice de Vegetação Diferencial Normalizada (NDVI).Ma和Liang,2022Na faixa de valorização do NDVI 0-1, o passo de 0,1 é dividido em 10 intervalos, cada um mantendo os dados correspondentes da realização do LAI terrestre na faixa de 5% a 95%. Com base nos princípios acima mencionados, o estudo selecionou 295 dados LAI, dos quais 134 dados LAI do milho, 72 dados LAI do arroz e 89 dados LAI do trigo.

Dados de teleobservação do satélite Sentinel-2

Sentinel-2 é uma importante missão de observação da Terra do programa Copernicus da Agência Espacial Europeia (ESA), composta por dois satélites, Sentinel-2A e Sentinel-2B, que trabalham em conjunto para alcançar uma frequência de retorno equatorial de 5 d. O imager multiespectral MSI (Multi-Spectral Instrument) do Sentinel-2 cobre as faixas de luz visível, infravermelho próximo e infravermelho de ondas curtas e fornece dados de imagem de alta resolução em 13 bandas espectrais com resoluções espaciais de 10 m, 20 m e 60 m, respectivamente.Fig. 1mostrado. Destes, três bandas de borda vermelha correspondem às bandas 5-7, respectivamente, com uma resolução espacial de 20 m. Este estudo baseia-se na plataforma GEE (Google Earth Engine) para obter dados de refletidão da superfície da Terra (Sentinel-2 Level-2A) corrigida pela atmosfera em cada local. Considerando que as bandas 1 (B1, aerossóil costeiro), 9 (B9, vapor de água) e 10 (B10, Cirrus) são frequentemente usadas em áreas como a correção atmosférica, a estimativa do teor de aerossóil e vapor de água e a detecção de nuvens volúmicas,Zhang等,2023A banda 2 (B2, Azul) é vulnerável à dispersão de partículas atmosféricas, introduzindo maior incerteza sobre a refletidão (Zhen等,2023As quatro bandas acima não foram utilizadas neste estudo. As oito bandas restantes: Banda 3 (B3, Verde), Banda 4 (B4, Vermelho), Banda 5 (B5, Red-edge1, RE1), Banda 6 (B6, Red-edge2, RE2), Banda 7 (B7, Red-edge3, RE3), Banda 8A (B8A, Near Infrared, NIR), Banda 11 (B11, Short Wavelength Infra-Red1, SWIR1) e Banda 12 (B12, Short Wavelength Infra-Red2, SWIR2), foram usadas para explorar a construção de algoritmos inversos LAI de culturas. Para garantir a qualidade dos dados e a consistência do processamento subsequente, a máscara de nuvem é processada com a banda QA60 dos produtos L2A e a amostragem uniforme da banda de resolução espacial de 10 m para 20 m para garantir a consistência da escala espacial entre os dados multibanda.
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 Métodos de pesquisa

Este estudo baseia-se na ideia de inversão de LAI de método híbrido, com base em algoritmos de aprendizado de máquina preferidos e combinações de bandas, para construir um algoritmo de inversão óptimo de LAI de culturas acopladas a bandas de borda vermelha e avaliar seus efeitos.Fig. 2)。 Os processos específicos são os seguintes: (1) a utilização do modelo PROSAIL para gerar conjuntos de dados de simulação de refletidão de coroa LAI de culturas e a contribuição de cada parâmetro para a formação do espectro de coroa em diferentes faixas de onda por meio de análise de sensibilidade paramétrica; (2) com base no conjunto de dados analógicos gerados, usando cinco algoritmos de aprendizado de máquina para construir um modelo de inversão híbrida separadamente e determinar o algoritmo de aprendizado de máquina óptimo com base nos resultados do conjunto de validação; (3) com base no algoritmo de aprendizado de máquina preferido, configurar oito combinações de bandas para construir um modelo de inversão separadamente, preferindo o algoritmo de inversão LAI baseado na banda de borda vermelha; (4) Realizar uma avaliação de precisão do modelo de inversão em diferentes intervalos LAI e tipos de culturas, e analisar a aplicabilidade do algoritmo de inversão em diferentes cenários.
figure

Fig. 2 The workflow of this study

3.1 Geração de conjuntos de dados de simulação de refletidão da coroa LAI de culturas

3.1.1 Configuração dos parâmetros do modelo PROSAIL

O modelo PROSPECT é um modelo de transmissão de radiação em escala de lâmina construído por Jacquemoud e Baret com base na hipótese da placa plana (Jacquemoud和Baret,1990Simulando o processo de reflexão, transmissão e absorção da luz entrante entre as camadas de placa, a emissão de reflexão e transmissão do hemisfério direcional na faixa de 400-2500 nm. O modelo SAIL, amplamente utilizado como modelo de transmissão de radiação em escala de coroa, assume que a coroa vegetal é uma mistura de folhas homogêneas horizontais, uniformes e infinitamente extensas.Suits,1971simular as propriedades de reflexão bidirecional da coroa vegetal em diferentes condições de observação e de entrada, calculando os coeficientes de dissipação e dispersão da coroa (Verhoef,1984)。 Considerando que as coroas agrícolas são altamente semelhantes e a distribuição espacial é relativamente uniforme durante o mesmo período de fertilidade, o que melhor satisfaz a hipótese de coroas homogêneas do modelo SAIL, este estudo escolheu o modelo PROSAIL acoplado ao modelo PROSPECT-5 com o modelo 4SAIL.Feret等,2008Criação de conjuntos de dados analógicos. Em primeiro lugar, definir o intervalo de parâmetros de entrada relevantes para o modelo PROSAIL com base no conhecimento anterior da agronomia (Dong等,2024;Guo等,2024;Liu等,2025detalhes específicos comoTable 2mostrado. Em seguida, a simulação gerou um conjunto de dados de refletidão LAI-coroa de 10.000 culturas sob diferentes combinações de parâmetros. Por fim, para garantir a coerência entre os dados da simulação e os dados das observações de satélite, a reamostragem espectral da refletidão da coroa simulada foi feita com base na função de resposta espectral do satélite 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 Análise da sensibilidade dos parâmetros

A formação do espectro coronário da vegetação é afetada por vários parâmetros fisiológicos e bioquímicos, com diferenças na contribuição dos diferentes parâmetros para as características espectrais (黄文江 等,2017)。 Portanto, é necessário avaliar sistematicamente a contribuição de cada parâmetro por meio de análise de sensibilidade para esclarecer as leis de resposta de diferentes refletidores de banda a mudanças de parâmetros e, por sua vez, fornecer uma base teórica para a análise do efeito inverso após a introdução da banda de bordo vermelho. Os métodos de análise de sensibilidade existentes podem ser divididos em duas categorias: a primeira é a Análise de Sensibilidade Global (GSA), que quantifica seu impacto global sobre os resultados, alterando todos os parâmetros de entrada ao mesmo tempo. A segunda categoria é a Análise de Sensibilidade Local (LSA), que altera apenas um parâmetro alvo sob as condições de fixação de outros parâmetros, revelando assim o impacto direto desse parâmetro na saída.Iooss和Lemaître,2015)。
Este estudo adotou os dois métodos de análise de sensibilidade acima para avaliar de forma abrangente o impacto de diferentes parâmetros na formação do espectro coronário. Primeiro, uma análise de sensibilidade global do modelo PROSAIL foi realizada usando o algoritmo Sobol melhorado (Saltelli等,2006)。 O modelo PROSAIL contém um total de 14 parâmetros de entrada, cuja faixa de valorização para o teor de bronina da folha (Cbp) e a razão de dispersão do céu (Skyl) é normalmente fixa e, portanto, não inclui a análise de sensibilidade, para avaliar quantitativamente a contribuição de cada parâmetro de entrada para a refletidão da coroa com base nos 12 parâmetros e nas oito bandas alvo do Sentinel-2 selecionadas neste estudo. Em seguida, foi realizada uma análise de sensibilidade local do modelo PROSAIL, alterando apenas a tomada de valor do LAI sob as condições de fixação de outros parâmetros, gerando espectros de coroana analógicos a diferentes níveis de LAI para analisar o grau em que a refletidão de banda crítica responde às mudanças dinâmicas do LAI.

3.2 Construção de modelos de inversão híbrida e preferência de algoritmos de aprendizado de máquina

Baseado em estudos relacionados com a reversão LAI de culturas existentes (Li等,2025a;Yang等,2025bEste estudo usou cinco métodos de aprendizado de máquina: Regressão Florestal Aleatória (RFR), Árvore de Decisão de Aumento de Gradiente (GBDT), Regressão Vetorial de Suporte (SVR), Regressão de Processo Gaussiana (GPR) e Regressão de Perceptrões Multicamada (MLPR), para construir modelos de inversão.Table 3mostrado. Para garantir a confiabilidade preferida do algoritmo de aprendizagem de máquina, este estudo baseou-se na não introdução de bordas vermelhas e introdução de três bordas vermelhas combinações de duas bandas, usando cinco algoritmos de aprendizagem de máquina para construir o modelo de inversão LAI, preferivelmente com melhor desempenho em ambas as combinações de bandas. Além disso, foram amostrados aleatórios 10.000 dados da simulação de refletidão LAI-coronária, divididos em conjuntos de treinamento (70%) e de validação (30%) em proporções fixas, com LAI de teste em terra e os dados correspondentes do Sentinel-2 como conjuntos de teste.

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)
Este estudo usou o pacote Scikit-learn em Python para modelagem, avaliação, análise e visualização de dados e usou algoritmos de otimização bayesiana para selecionar os melhores parâmetros para cada modelo de aprendizado de máquina, onde apenas os parâmetros principais na tabela com maior impacto nos resultados do modelo foram ajustados e os restantes parâmetros foram definidos como padrão.

3.3 Construção de um algoritmo inverso óptimo com base na combinação de banda preferida

Com base no algoritmo de aprendizado de máquina preferido, a combinação de bandas é preferida para determinar a banda óptima aplicável à inversão LAI de culturas. Este estudo projetou dois tipos de combinação de bandas, a primeira categoria é a combinação de bandas de base que não contém bandas de bordo vermelho (Verde, Vermelho, NIR, SWIR1, SWIR2), a segunda categoria é a introdução de bandas de bordo vermelho único, duplo vermelho e triplo vermelho, respectivamente, na combinação de bandas de base.Table 4)。 Usando algoritmos de aprendizagem de máquina para treinar LAI e adaptação de reflexão de banda separadamente, comparando os efeitos de inversão dos modelos sob diferentes combinações de bandas e, em seguida, construindo o algoritmo óptimo de inversão de LAI de culturas.

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 Avaliação de precisão

Para construir um método de inversão do LAI agrícola acoplado com bandas de borda vermelha, o estudo primeiro treinou e verificou cinco algoritmos de aprendizado de máquina com base em conjuntos de dados simulados, selecionando os melhores algoritmos de aprendizado de máquina e testando os modelos usando conjuntos de testes construídos pelo LAI experimental com imagens do Sentinel-2 para avaliar sua capacidade de generalização. Em seguida, com base em um algoritmo de aprendizado de máquina óptimo, comparar os efeitos de inversão que não incluem bandas de borda vermelha e que incluem diferentes combinações de bandas de borda vermelha, escolher a melhor combinação de bandas e, em seguida, determinar o modelo de inversão óptimo LAI de culturas. Os indicadores de avaliação do efeito do modelo incluem o coeficiente de determinação R2, o viés, o erro absoluto médio MAE (Mean Absolute Error) e o erro quadrado médio RMSE (Root Mean Square Error).
Além disso, para avaliar ainda mais a aplicabilidade e a estabilidade do modelo de inversão LAI óptimo construído, analise o desempenho do modelo em diferentes cenários a partir dos seguintes dois aspectos: (1) Avaliação da precisão de inversão em diferentes intervalos LAI: divide o LAI implementado em vários intervalos (0-1, 1-2, 2-3, 3-4, 4-5, > 5), calcule o Bias e o RMSE de cada intervalo, respectivamente, avalie o desempenho do modelo em diferentes níveis de LAI para explorar o impacto da banda vermelha no efeito de inversão em diferentes intervalos LAI; (2) Avaliação da precisão da inversão de diferentes tipos de culturas: com três culturas de trigo, milho e arroz como objeto de estudo, comparar as diferenças de precisão da inversão do modelo em diferentes culturas para revelar a aplicabilidade do modelo em diferentes tipos de culturas LAI inversão.

4 Resultados e análise

4.1 Análise da sensibilidade dos parâmetros

Fig. 3Os resultados da análise global de sensibilidade para os parâmetros de entrada do modelo PROSAIL são apresentados em diferentes bandas de reflexão. Com exceção de duas bandas de infravermelho curto, três parâmetros como o teor de clorofila (Cab), a inclinação média da folha (ALA) e o LAI contribuíram mais de 70% em todas as bandas, o que indica que a refletidão da luz visível ao infravermelho próximo é principalmente afetada pelos três parâmetros acima. Especificamente, a contribuição de Cab nas bandas Verde e Vermelho foi de 42,3% e 38,9%, respectivamente, o fator dominante que afetou a refletidão da luz visível. Em comparação, ALA e LAI mostraram maior sensibilidade nas bandas de bordo vermelho e infravermelho próximo. Nas bandas RE2, RE3 e NIR, a contribuição total de ALA e LAI foi superior a 70%, com a contribuição de LAI em RE2 e RE3 de 46,6% e 47,2%, respectivamente, indicando que as bandas de bordo vermelho mais longas são mais sensíveis aos parâmetros da estrutura coronária. Na faixa de infravermelho de ondas curtas, a espessura da água equivalente (Cw) tornou-se gradualmente um parâmetro importante para influenciar a saída do modelo, com contribuições de 76,5% e 66,5% em SWIR1 e SWIR2, respectivamente, refletindo as fortes propriedades de absorção da umidade da vegetação na área de infravermelho de ondas curtas. Em resumo, embora diferentes parâmetros exibam sensibilidade diferenciada em várias regiões espectrais, as diferentes bandas de bordo vermelho têm uma certa sensibilidade às mudanças do LAI, fornecendo uma base teórica para aumentar a precisão de inversão do LAI acoplando bandas de bordo vermelho.
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

Para analisar ainda mais a resposta da refletidão de cada banda às mudanças do LAI, usando apenas um único parâmetro do LAI para impulsionar o modelo PROSAIL para simular a refletidão da coroa, o resultado é:Fig. 3mostrado. O retângulo cinzento da imagem representa a faixa espectral das bandas Red, RE1, RE2, RE3 e NIR da Sentinel-2, mostrando intuitivamente as variações espectrais capturadas por essas cinco bandas. Como o gráfico mostra, com o aumento do LAI, o espectro coronário apresenta uma tendência ascendente geral, especialmente na faixa de 700-900 nm, onde a tendência de elevação do espectro coronário é evidente. Na área vermelha, as diferenças de resposta espectral em diferentes bandas são significativas. Entre eles, a refletidão da banda RE1 diminuiu gradualmente com o aumento do LAI, a refletidão da banda RE2 mostrou uma tendência lenta de aumento, enquanto a refletidão da banda RE3 mostrou uma maior sensibilidade. Especificamente, a refletidão da banda RE3 é mais significativa com a variação do LAI no intervalo LAI médio-baixo (0,1&lt;LAI&lt;4), enquanto que quando o LAI&gt; A 4 horas, sua flutuação de refletidão tende a diminuir, diminuindo significativamente a sensibilidade ao LAI de alto valor. Em contraste, a sensibilidade das bandas RE1 e RE2 diminuiu gradualmente com o aumento do LAI, onde a variação da curva de resposta de RE2 foi relativamente suave. Portanto, é necessário, com base na análise da sensibilidade dos parâmetros, combinar racionalmente as características das diferentes bandas de borda vermelha para desenvolver algoritmos otimizados para a inversão LAI de culturas, melhorando assim a precisão da inversão LAI.

4.2 Comparação dos efeitos inversos de diferentes algoritmos de aprendizado de máquina

As combinações de banda sem borda vermelha (Z1) e introdução de três bandas de borda vermelha (Z2) foram selecionadas para treinar, validar e testar modelos de cinco algoritmos de aprendizado de máquina para avaliar o efeito de inversão LAI de diferentes algoritmos. Entre eles, os resultados da avaliação do conjunto de validação refletem principalmente a adequação do modelo, enquanto os resultados da avaliação do conjunto de teste refletem mais realisticamente a capacidade de generalização do modelo. com base emFig. 4Pode-se ver que há diferenças significativas nos resultados de precisão dos cinco métodos no conjunto de validação, MLPR tem o melhor desempenho em ambas as combinações de bandas, GPR seguido, SVR está no centro, GBDT e precisão de RFR é relativamente baixa. Avaliações adicionais de precisão no conjunto de teste mostraram que, com a combinação Z2, MLPR (R2=0,757, Bias=-0,142, MAE=0,706, RMSE=0,902) e GPR (R2=0,748, Bias=-0,461, MAE=0,809, RMSE=1,079) tiveram melhores efeitos inversos do que os outros três métodos (R2: 0,520-0,588, Bias: -0,237-0,039, MAE: 0,897-1,021, RMSE: 1,222-1,264). Entre eles, o MLPR aumentou em 45,5% em comparação com o RFR de pior precisão e o RMSE diminuiu em 28,2%, validando ainda mais sua vantagem em aprendizagem de características não lineares e inversão de parâmetros.Ercanlı等,2018;Li等,2025b)。 Além disso, comparando as diferenças entre a precisão de inversão combinada de Z1 e Z2 sob o mesmo algoritmo, pode-se descobrir que, após a introdução da banda de borda vermelha, a precisão dos cinco métodos teve um certo grau de melhoria no conjunto de validação e no conjunto de teste. Entre eles, o SVR teve o maior aumento, com um aumento de 10,6% no conjunto de teste e uma redução de 22,4% no RMSE, enquanto o MLPR, embora tenha um aumento relativamente limitado, manteve a maior precisão em ambas as combinações de bandas, mostrando sua robustez forte. Portanto, este estudo escolheu o MLPR como o algoritmo óptimo para o modelo de inversão LAI do método híbrido posterior.
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. 5As características de distribuição de ponto disperso do modelo MLPR para prever LAI e experimentar LAI foram demonstradas. Os resultados mostram que o modelo é mais consistente nos conjuntos de validação e teste. Com a introdução da banda de bordo vermelho, a precisão do modelo foi certamente melhorada, com R2 melhorando em 2,4% e 1,4%, respectivamente, no conjunto de validação e no conjunto de teste, enquanto o RMSE diminuiu em 4,0% e 7,8%, respectivamente, e o MAE diminuiu em 5,0% e 6,6%, respectivamente, indicando que a introdução da banda de bordo vermelho ajudou a melhorar a precisão da inversão do LAI. Vale ressaltar que, após a introdução da banda de borda vermelha, a subestimação generalizada de valores elevados da LAI nos intervalos de valores elevados diminuiu (|Bias|diminuiu), e as previsões para amostras de valores elevados estão mais próximas da linha de ajuste 1:1. Isso sugere que a introdução de bandas de borda vermelha alivia em parte o efeito de saturação em situações de alto LAI, melhorando a capacidade do modelo de caracterizar coroas de culturas de alta densidade. No entanto,Fig. 5Também mostrou que a introdução de todas as bandas de bordo vermelho para a melhoria da precisão da inversão LAI é relativamente limitada, e se diferentes combinações de bandas de bordo vermelho podem melhorar ainda mais a precisão da inversão LAI, ainda é necessário realizar um estudo mais aprofundado.
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 Comparação dos efeitos inversos de diferentes combinações de bandas

Para explorar ainda mais o impacto de diferentes bandas de bordo vermelho na precisão da inversão, este estudo analisou a precisão do modelo de inversão LAI sob diferentes combinações de bandas com base no algoritmo MLPR.Fig. 6)。 Após a introdução da banda de bordo vermelho, a precisão de inversão geral (R2: 0,750-0,784, RMSE: 0,826-0,979) foi melhor do que quando a banda de bordo vermelho não foi usada (R2=0,747, RMSE=0,979), indicando que a introdução da banda de bordo vermelho pode melhorar eficazmente a precisão de inversão LAI. No entanto, o número de bandas de borda vermelha introduzidas e o tipo de banda selecionado específicamente afetam a precisão da inversão LAI. Especificamente, na combinação de banda de borda vermelha única (Z3-Z5), a introdução de RE3 (Z5) teve o melhor efeito de inversão (R2=0,759, RMSE=0,947); Quando as duas bandas de borda vermelha (Z6-Z8) foram introduzidas, os modelos RE1 e RE3 (Z7) apresentaram o melhor desempenho (R2=0,784, RMSE=0,826). Além disso, quando três bandas de bordo vermelho foram introduzidas simultaneamente, a precisão do modelo de inversão LAI (R2=0,757, RMSE=0,902) diminuiu em comparação com a combinação Z7 que introduziu duas bandas de bordo vermelho. No geral, o Z7 teve o melhor efeito de inversão de todas as combinações de banda, indicando que a introdução simultânea de RE1 e RE3 contribuiu mais para melhorar a precisão do modelo, com um aumento de 4,9% em R2 e uma redução de 15,6% no RMSE em comparação com o Z1. Em combinação com os resultados da análise de sensibilidade da secção 4.1, é conhecido que as taxas de reflexão RE1 e RE3 flutuam significativamente com a mudança do LAI e são mais sensíveis às mudanças do LAI, enquanto que as taxas de reflexão RE2 flutuam mais lentamente com a mudança do LAI e respondem mais fracamente ao LAI. Consequentemente, os ganhos de informação resultantes do uso separado ou da introdução adicional do RE2 são limitados e podem até introduzir ruído, reduzindo a precisão do modelo. Em resumo, o modelo MLPR construído com base nas combinações RE1 e RE3 de banda de borda vermelha (Z7) teve o melhor desempenho em todas as combinações de banda e foi escolhido como o algoritmo de inversão LAI de cultivo óptimo para a avaliação da aplicabilidade do modelo de acompanhamento em diferentes cenários.
figure

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

4.4 Desempenho do modelo de inversão LAI em diferentes cenários

4.4.1 Contraste de precisão inversa entre diferentes intervalos LAI

As previsões e os valores reais do LAI gerados com base no modelo de inversão construído (Figura 7(a)(b)) mostram que, após a introdução da banda de borda vermelha, o modelo sofreu alguma atenuação em termos de superestimação de baixo valor e subestimação de alto valor, sugerindo que a introdução da banda de borda vermelha poderia efetivamente aliviar o desvio sistêmico da inversão do LAI. De acordo com o indicador de subdivisão (Figura 7(c)(d)), em termos de Bias, houve uma diminuição nos restantes intervalos, exceto no intervalo LAI 0-1, com a diminuição mais significativa nos intervalos LAI 3-4, 4-5 e &gt; 5, com reduções de 76,2%, 52,2% e 26,4%, respectivamente. Isso sugere que a banda de bordo vermelho pode reduzir eficazmente o desvio sistêmico do modelo de inversão LAI em intervalos de valores médios e altos. No caso do RMSE, após a introdução da borda vermelha, LAI 0—1、 O RMSE caiu em 40,4%, 5,7%, 41,4% e 24,9% nos intervalos 3-4, 4-5 e &gt; 5, respectivamente, mas o RMSE aumentou nos intervalos 1-2 e 2-3 do LAI. O fenômeno pode ser atribuído a dois fatores: por um lado, a borda vermelha é caracterizada pela transição das lâminas entre a forte absorção da banda vermelha e a forte reflexão da banda infravermelha próxima, portanto, quando a LAI é baixa e a coroa ainda não está completamente formada, o número de lâminas é menor e a borda vermelha não é sensível às mudanças da LAI de baixo valor.Lee等,2004)。 Por outro lado, a cobertura vegetal é baixa no intervalo LAI de baixo valor, e a interferência do fundo do solo e outros fatores externos são propensos a introduzir ruído na refletidão da banda de borda vermelha, o que reduz a capacidade da banda de borda vermelha de caracterizar o LAI nesse intervalo.Qiao等,2024)。 Portanto, a introdução da banda de borda vermelha no intervalo LAI baixo e parcialmente médio contribuiu limitadamente para a quantidade de informação do modelo inverso (Cui和Kerekes,2018)。 Em intervalos de valores médios e altos, à medida que o LAI aumenta, a banda vermelha aumenta a precisão da inversão. No entanto, quando o LAI atinge um determinado valor alto (&gt; 5), devido à densidade excessiva da coroa e ao efeito de saturação da informação óptica, a banda de bordo vermelho não é suficiente para fornecer uma nova quantidade eficaz de informação, diminuindo gradualmente seu efeito de atenuação para a subestimação de valores elevados.

4.4.2 Comparação de precisão inversa de diferentes tipos de culturas

Comparação de precisão inversa com base em diferentes tipos de culturas (Fig. 8Sabe-se que, com a combinação de banda Z7, a precisão de inversão do LAI é maior no milho (R2=0,847, Bias=-0,341, MAE=0,658, RMSE=0,864), seguido pelo arroz (R2=0,778, Bias=-0,069, MAE=0,576, RMSE=0,775) e trigo (R2=0,723, Bias=-0,151, MAE=0,692, RMSE=0,857). Após a introdução da banda de borda vermelha, a precisão da inversão foi melhorada em todos os três tipos de culturas, com o efeito de aumento mais significativo no milho (R2 aumentou 17,9% e a RMSE diminuiu 29,1%), o aumento do arroz foi relativamente limitado (R2 aumentou 0,8% e a RMSE diminuiu 6,9%) e o trigo estava no nível intermediário (R2 aumentou 1,2% e a RMSE diminuiu 10,0%). Os resultados acima sugerem que as diferenças nas estruturas coronárias de diferentes culturas determinam a sensibilidade e a intensidade de resposta das bandas de bordo vermelho às mudanças do LAI, o que leva ainda a diferentes manifestações de informações de bordo vermelho para melhorar a precisão da inversão do LAI de diferentes culturas. Em comparação com o trigo e o arroz, o milho com estratificação clara e estruturalmente complexa mostrou a melhoria de precisão mais significativa após a introdução da banda vermelha.
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 Discussões

Problemas de maior incerteza sobre os resultados atuais de reversão LAI de cultivos de alta e média resolução (刘良云,2014;梁顺林 等,2016Baseado na ideia de inversão LAI híbrida, este estudo avaliou sistematicamente os algoritmos de aprendizado de máquina e os efeitos da banda de borda vermelha na inversão LAI de culturas e construiu um algoritmo de inversão LAI que acopla as características da banda de borda vermelha. Os resultados mostram que, embora a introdução de bandas de borda vermelha aumente a precisão da inversão LAI, a aplicabilidade do modelo varia significativamente em diferentes cenários de aplicação. Assim, as discussões posteriores se concentrarão em uma análise sistemática em torno das estratégias de seleção das bandas de borda vermelha, características de sensibilidade e seu desempenho em diferentes cenários para explorar mecanismos potenciais que aumentam a precisão da inversão LAI das culturas.
Em termos de preferência de métodos de modelo e combinações de banda, o algoritmo MLPR teve o melhor desempenho em conjuntos de treinamento, conjuntos de validação e conjuntos de teste, mostrando uma forte capacidade de adaptação e generalização não linear.Fig. 4 ), demonstrando seu enorme potencial em aplicações de reversão LAI culturais. Em comparação com os modelos tradicionais de regressão linear ou empírico, o MLP é capaz de explorar completamente as relações complexas de alta dimensão entre o espectro e o LAI através de mapeamento não linear de camadas múltiplas, aprendendo automaticamente as interações características e as leis de resposta não linear entre as diferentes bandas. Além disso, sua forte capacidade de extração de características adaptativas pode efetivamente capturar o efeito combinado de características biofísicas como a estrutura da coroa das culturas e a distribuição angular das folhas sobre o reflexo espectral, mostrando assim uma maior estabilidade e robustez em condições de múltiplas bandas e tipos de culturas múltiplas.Wang等,2022)。 Ao mesmo tempo, a introdução da banda de borda vermelha não só aumentou significativamente a precisão da inversão do LAI, mas também aliviou eficazmente o problema da subestimação sistemática dos intervalos de valores elevados.Fig. 5)。 A razão é principalmente que a banda de bordo vermelho é mais sensível ao conteúdo de clorofila e às mudanças na área das folhas, que podem aliviar, em certa medida, a limitação de saturação da luz visível e das bandas de infravermelho próximo.Bramich等,2021)。 Vale a pena notar que, devido à diferença na sensibilidade das diferentes refletidões de banda vermelha para as mudanças no LAI, RE1 e RE3 têm o efeito mais significativo na melhoria da precisão do modelo, enquanto que RE2 tem um efeito limitado na melhoria da precisão do modelo e pode até mesmo introduzir ruído em alguns intervalos do LAI, resultando em uma diminuição da precisão da inversão.Fig. 6)。 Assim, para a inversão LAI de culturas, a escolha razoável das características de borda vermelha é mais significativa para o aumento da precisão do que simplesmente aumentar o número de bandas de borda vermelha.
Com base no conjunto de dados LAI das culturas primárias observadas em locais nacionais da CNERN, a avaliação dos algoritmos inversos LAI construídos usando a banda de borda vermelha em diferentes cenários revelou ainda mais a necessidade de introduzir a banda de borda vermelha.Fig. 7)。 Embora a introdução de banda de borda vermelha seja limitada para melhorar a precisão da inversão LAI em intervalos de baixo valor LAI, a introdução de banda de borda vermelha pode reduzir significativamente o desvio sistêmico e a incerteza da inversão LAI em intervalos de valores médios e altos e aliviar eficazmente o efeito de saturação. Este resultado é consistente com as conclusões dos estudos existentes (Brantley等,2011;Pu等,2003;Tillack等,2014Indica que as bandas vermelhas são mais sensíveis à vegetação de alto LAI e podem manter uma forte capacidade de resposta às mudanças de LAI em situações de saturação de bandas tradicionais. E quando LAI&gt; 5, seu papel diminuiu gradualmente, apresentando um "efeito limiar", indicando que, em situações de vegetação densa, as informações ópticas não são suficientes para continuar a fornecer informações estruturais mais eficazes.Gao等,2024)。 Além disso, a comparação da precisão de inversão de diferentes tipos de culturas revelou ainda mais as diferenças no efeito da banda de borda vermelha quando as diferentes culturas LAI são reversas. A melhoria na precisão da inversão LAI do milho na banda vermelha foi a mais significativa, seguida pelo trigo, enquanto a melhoria no arroz foi a mais fraca (Fig. 8Isso pode estar intimamente relacionado com as diferenças entre as três culturas na estrutura coronária e distribuição espacial das folhas (王丹彤和屈永华,2024)。 Especificamente, as plantas de milho são mais altas e a coroa é claramente estratificada verticalmente, tornando-a mais sensível à resposta espectral na banda da borda vermelha, o que melhora significativamente o desempenho do modelo após a introdução da borda vermelha (Yang等,2025a)。 Em contraste, as plantas de trigo são mais baixas e distribuídas e, apesar de suas frações formarem uma certa estrutura de arbustos, a distribuição total da coroa é mais dispersa e a resposta à banda de bordo vermelho é mais fraca, o que resulta em uma contribuição limitada da informação de bordo vermelho para a inversão do LAI.Wang等,2024)。 No caso do arroz, a sua distribuição horizontal coroal é densa, as folhas são mais estreitas e os diferentes períodos de fertilidade são mais afetados por fundos misturados de solo e água, facilitando a introdução de ruído adicional na faixa vermelha.Wu等,2024;Xing等,2022)。 Além disso, quando a banda de bordo vermelho não foi introduzida, a precisão da inversão LAI do arroz já estava em um nível elevado, portanto, o efeito de ganho da banda de bordo vermelho era relativamente fraco.
É importante ressaltar que ainda existem limitações neste estudo e que precisam ser melhoradas em estudos futuros. Em primeiro lugar, os dados de treinamento são principalmente derivados do conjunto de dados de simulação PROSAIL de culturas genéricas, a falta de configurações de parâmetros para culturas específicas pode limitar a precisão do modelo em alguma medida, e pesquisas futuras podem melhorar a consistência dos dados de simulação com o cenário real combinando dados fisioquímicos de experimentação de campo, otimizando os parâmetros de entrada do modelo e a configuração de parâmetros de culturas específicas. Em segundo lugar, como o modelo PROSAIL utilizado neste estudo não considerou o efeito de aglomeração coronária, o problema persiste com a previsão sistematicamente baixa de LAI em algoritmos de inversão de LAI construídos com base em bandas de borda vermelha em comparação com a LAI realizada no solo. Modelos de transmissão de radiação tridimensional que considerem a distribuição desigual da coroa podem ser introduzidos no futuro (Gastellu-Etchegorry等,1996;Qi等,2019;张虎 等,2023 ), para simular de forma mais realista as características estruturais espaciais da coroa das culturas. Ao mesmo tempo, a combinação de dados de teleobservação multiangular pode melhorar a capacidade de desenhar os efeitos de dispersão e agregação da coroa, reduzindo mais eficazmente os desvios sistêmicos e, por sua vez, melhorando a precisão da inversão LAI. Por fim, o estudo selecionou apenas imagens de um único sensor (Sentinel-2), que podem ser consideradas como sinergias futuras de dados de teledetecção de múltiplas fontes (como GF-6, RapidEye, etc.) para melhorar ainda mais a estabilidade do modelo e a aplicabilidade interregional.Chen等,2025;Fang等,2019b;Wan等,2024)。

6 Conclusões

Este estudo baseia-se na inversão LAI combinada de modelos físicos e algoritmos de aprendizado de máquina como ideias básicas. Usando o modelo PROSAIL para simular LAI e conjuntos de dados de refletidão coronária, combinando os dados de implementação LAI de terra de vários tipos de culturas multifase fornecidos pela rede de estações CNERN e imagens Sentinel-2, o sistema avaliou os efeitos de diferentes algoritmos de aprendizado de máquina e combinações de bandas na inversão LAI de culturas, construiu o algoritmo de inversão LAI de culturas óptimo que combina as características da banda vermelha e analisou sua aplicabilidade em diferentes cenários, com as principais conclusões a seguir:
(1) Dos cinco métodos de aprendizado de máquina, o algoritmo inverso LAI construído com base no modelo MLPR teve o melhor desempenho no conjunto de validação e no conjunto de teste em ambos os cenários, sem a introdução de bandas de borda vermelha e com a introdução de três bandas de borda vermelha. Isso sugere a vantagem do algoritmo MLPR no aprendizado de características não lineares, capaz de delinear eficazmente a relação não linear entre o LAI e a refletidão da coroa;
(2) A introdução da banda de borda vermelha melhorou a precisão da inversão do LAI em geral, especialmente na mitigação da subestimação de altos valores. No entanto, as contribuições variam entre as diferentes bandas de borda vermelha, com a introdução das bandas RE1 e RE3 sendo a mais significativa para o aumento da precisão da inversão, enquanto o aumento da RE2 é limitado. Assim, o presente estudo construiu o algoritmo de inversão LAI agrícola com base no algoritmo MLPR e na combinação de bandas acopladas RE1 e RE3 (R2=0,784, Bias=-0,162, MAE=0,635, RMSE=0,826);
(3) Em diferentes cenários, a contribuição da borda vermelha para o modelo de inversão mostrou grandes diferenças: a introdução da borda vermelha aumentou a precisão mais significativamente nos intervalos de valores médios e altos do LAI (Bias e RMSE nos intervalos de 4&lt;LAI&lt;5 diminuíram 52,2% e 41,4%, respectivamente); Em intervalos de baixos valores, a introdução de bandas de borda vermelha tem um efeito limitado na melhoria da precisão da inversão do modelo. Entre os diferentes tipos de culturas, a informação de bordo vermelho é mais sensível a culturas com estruturas de coroa complexas, com a introdução de bandas de bordo vermelho para o milho com a melhor precisão de inversão (R2 aumentou 17,9% e RMSE diminuiu 29,1%), seguido pelo trigo, com o menor efeito de melhoria da precisão de inversão para o arroz.
Em resumo, com base em métodos de aprendizado de máquina preferidos, a escolha racional de combinações de bandas de borda vermelha pode melhorar efetivamente a precisão da inversão LAI das culturas. Pesquisas futuras podem combinar dados de teleobservação de múltiplas fontes com modelos mecânicos que consideram os efeitos de agregação de coroa para ampliar ainda mais a aplicabilidade do algoritmo LAI acoplado às bandas de borda vermelha em diferentes tipos de culturas e condições regionais.

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

Leia o texto completo

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