海南岛橡胶林叶面积指数遥感反演

海南岛橡胶林叶面积指数遥感反演目录摘要：本研究聚焦于海南岛橡胶林的叶面积指数（LAI）反演，旨在通过遥感技术提高LAI的获取效率和准确性。橡胶林在海南岛生态系统中具有重要的生态和经济价值，其LAI是评估其生长状况和冠层结构的关键参数。由于传统地面测量方法的局限性，本研究采用遥感数据，构建多种经验模型对LAI进行定量反演，包括一元线性/非线性回归、多元线性回归和人工神经网络模型。通过对比多种模型，并对其精度进行验证，选取最优模型以反演海南岛橡胶林LAI，为橡胶林的管理和可持续经营提供了科学依据，同时也为海南岛的生态文明建设和绿色可持续发展贡献了力量。关键词:橡胶林，叶面积指数，遥感反演，经验统计模型

1引言叶面积指数（LeafAreaIndex，LAI）是描述植被生长状况和冠层结构的重要参数，与光合作用、呼吸、蒸腾、碳循环和降水截获量等生物、物理过程密切相关REF_Ref4777\r\h[1]。在农业、林业、植物生态学等领域，LAI已广泛应用于作物产量估测、病害评价、生态系统模拟等。橡胶林是海南岛重要的生态林，也是主要的经济林，对海南岛的生态环境和经济发展都具有重要意义。橡胶林的叶面积指数（LAI）是反映其生长状况和冠层结构的一个重要参数REF_Ref4777\r\h[1]，也是其碳循环和水循环过程的关键变量。因此，高效、准确地获取橡胶林LAI对于橡胶林的管理、保护和利用以及相关生态、农业研究有着十分显著的意义。然而，由于橡胶林分布广泛，且受地形、土壤、气候等因素影响，采用传统LAI地面直接测量方法难以进行全面高效的监测。而遥感技术则以其大范围、高时效、高精度的监测特点成为橡胶林LAI获取的有效手段。利用不同类型、不同分辨率、不同时间尺度的遥感数据，结合植被辐射传输模型或经验统计模型，实现对橡胶林的LAI的定量反演，可以为橡胶林的生态功能评估、生态系统服务价值评估、橡胶林的可持续经营等提供科学依据。橡胶林LAI反演方法主要分为两类：基于经验的统计方法和基于机理的植被辐射传输模型方法。前者通过建立遥感数据与地面观测数据之间的统计关系，利用回归分析或机器学习等方法建立反演模型，如线性回归模型、非线性回归模型、人工神经网络模型、支持向量机模型等。简单易行，但是具有较强的区域性和时变性，需要大量的样本数据进行模型训练和验证，且难以反映橡胶林LAI与遥感数据之间的物理机制。后者则是通过建立植被冠层和大气层之间的辐射传输关系，利用遥感数据反演植被LAI，如PROSAIL模型、SAILH模型等。具有物理意义，适用于不同的遥感数据和植被类型，但需要较多的先验信息和参数输入，计算复杂REF_Ref10599\r\h[2]REF_Ref10619\r\h[3]。本研究选取海南岛橡胶林为研究对象，旨在利用卫星遥感数据提取各项植被指数，结合海南岛橡胶林的地面观测LAI数据，建立多种适合海南岛橡胶林的LAI经验反演模型，并对各模型反演精度进行验证评价，择取最优模型反演海南岛橡胶林LAI，为海南岛橡胶林的资源管理、保护和利用提供科学参考，助力海南岛生态文明建设和绿色可持续发展。2数据与方法2.1研究区概况本文选取海南岛为研究区域，其橡胶林分布情况及LAI观测点位置如图1所示。海南岛位于中国南部，北回归线以南，东临南海，西隔琼州海峡与广东相望，南界巴士海峡与越南相对。岛屿中部地区多为山地和丘陵，以五指山为最高点，海拔为1867.1米，四周地区则是较为平坦的低地。作为中国唯一的热带滨海省份，它拥有丰富的自然资源，包括长达1944公里的海岸线、海湾、山峰、森林公园和天然温泉。海南岛属热带季风海洋性气候，四季不分明，夏无酷热，冬无严寒。干季和雨季明显，冬春干旱，夏秋多雨，经常受到热带气旋影响。年平均气温在22.5℃-25.6℃之间，年日照时数1780-2600小时，年降水量1500-2500毫米。海南岛的橡胶林是其经济发展的重要组成部分，其气候条件十分适宜橡胶林的生长，使得海南岛成为中国重要的橡胶种植区之一。2020年，海南天然橡胶种植面积达到777.83万亩，产量33.78万吨，约占全国总产量的40.5%，这些橡胶林不仅提供了经济价值，还对环境保护和生态平衡有着积极影响。图SEQ图\*ARABIC1海南岛橡胶林分布情况及LAI观测点位置2.2数据获取与预处理2.2.1野外观测数据样地选择是获取准确数据的关键步骤。本研究在海南岛主要橡胶林种植区选择了77个具有代表性的橡胶林样地（图1），以确保研究结果的广泛适用性。数据采集方法采用对角线采集法，结合手持GPS和LAI-2200仪器，确保了叶面积指数（LAI）及其相关数据的精确性和可靠性。样方大小的设定考虑到了与陆地卫星遥感数据的空间分辨率的一致性，设置为30m×30m，这对于后续的数据分析和模型构建至关重要。观测选择在2017年每月15号前后开展，级观测时间频率为每月1次，旨在捕捉不同月份的数据变化，观测时间为每天上午9-12时之间，与卫星过境时间同步，从而提高数据的时效性和相关性。最后，将地面观测的LAI样本数据随机分成7：3两部分，前者用于构建估算模型（54个），后者用于模型验证（23个）。2.2.2Landsat-OLI数据本研究使用覆盖海南岛橡胶林研究区的Landsat8OLI遥感影像数据，进行了几何校正、大气校正、辐射校正等预处理。由于海南地区属热带季风海洋性气候，卫星影像质量受云雾影响较大，很难获取到无云或低云的影像，为降低其对研究的影像，在GEE平台支持下采用像元级云量提取算法REF_Ref25818\r\h[4]REF_Ref4274\r\h[5]，计算研究时段内每一景（2017年8-9月共23景）影像云量，并结合区域特征和季节特征综合评定每一景得分，合生成最小云量影像。又经镶嵌、剪裁、掩膜等一系列处理，得到最终影像数据如图2所示，具体波段信息见表1。图SEQ图\*ARABIC2处理后海南岛Landsat8RGB合成影像（红：B5，绿：B4，蓝：B3）表SEQ表\*ARABIC1Landsat8波段信息序号波段名称波段宽度（μm）空间分辨率（m）1Band1Costal0.43-0.45302Band2Blue0.45-0.51303Band3Green0.53-0.59304Band4Red0.64-0.67305Band5NIR0.85-0.88306Band6SWIR11.57-1.65307Band7SWIR22.11-2.29308Band8Pan0.50-0.68159Band9Cirrus1.36-1.383010Band10TIRS110.6-11.1910011Band11TIRS211.5-12.511002.2.3植被指数计算本研究选取增强植被指数（EVI）、归一化植被指数（NDVI）、绿色归一化植被指数（GNDVI）等20种植被指数进行计算，以为后续构建LAI遥感反演模型提供数据准备，具体植被指数及计算公式见表2。表SEQ表\*ARABIC2植被指数及计算公式植被指数计算公式EVIEnhancedVegetationIndex增强植被指数REF_Ref1619\r\h[6]NDVINormalizedDifferenceVegetationIndex归一化植被指数REF_Ref1877\r\h[7]GNDVIGreenNDVI绿色归一化植被指数REF_Ref2050\r\h[8]LSWILandSurfaceWaterIndex陆地表面水体指数REF_Ref2164\r\h[9]GCCGreenChromaticCoordinate相对绿度指数REF_Ref2233\r\h[10]EGIExcessGreenIndex绝对绿度指数REF_Ref2233\r\h[10]REF_Ref2321\r\h[11]RVIRatioVegetationIndex比值植被指数REF_Ref2370\r\h[12]NNIRNormalizedNear-infrared归一化近红外指数REF_Ref2412\r\h[13]SAVISoilAdjustedVegetationIndex土壤调节植被指数REF_Ref2458\r\h[14]WDRVIWideDynamicRangeVegetationIndex宽动态范围植被指数REF_Ref2550\r\h[15]NRNormalizedred-band归一化红波指数REF_Ref2412\r\h[13]DVIDifferenceVegetationIndex差值植被指数REF_Ref4083\r\h[16]RDVIRenormalizedDifferenceVegetationIndex复归一化差值植被指数REF_Ref2798\r\h[17]NMDINormalizedMulti-bandDroughtIndex归一化多波段干旱指数REF_Ref2870\r\h[18]SIPIStructureInsensitivePigmentIndex结构不敏感色素指数REF_Ref2928\r\h[19]NGNormalizedgreen-band归一化绿波指数REF_Ref2412\r\h[13]GRVIGreenRatioVegetationIndex绿波比值指数REF_Ref4406\r\h[20]MSAVIModifiedSoilAdjustedVegetationIndex改良土壤调节植被指数REF_Ref3225\r\h[21]PSRIPlantSenescenceReflectanceIndex植被衰减指数REF_Ref3261\r\h[22]NDWINormalizedDifferenceWaterIndex归一化水指数REF_Ref3297\r\h[23]2.2.4辅助数据本研究使用的海南岛橡胶林空间分布数据来源于中国热带农业科学院橡胶研究所，该数据是利用日本JAXA的PALSAR/PALSAR-2和Landsat等长时序列遥感影像，协同橡胶林物候特征，建立稳定的橡胶林识别算法，获取2015年海南岛橡胶林空间分布信息，总体分类精度>90%REF_Ref4173\r\h[24]。其他行政区划数据来源于国家基础地理信息中心REF_Ref4777\r\h[25]。2.3LAI遥感反演方法2.3.1植被指数与LAI相关性分析分别分析20种植被指数与橡胶林LAI的相关性，可以选出最具相关性的植被指数，用于后续反演模型的构建。本研究采取Pearson相关分析方法，公式为：(1)式中，r为相关系数，其值介于[-1,1]，r<0时表示负相关，r>0时表示正向关，r越接近1代表相关性越大，越接近0则代表相关性越小。2.3.2一元线性/非线性回归模型根据相关性分析结果，选择与海南橡胶林LAI相关性较好的植被指数分别构建一元线性模型（公式2）、指数模型（公式3）、对数模型（公式4），并计算决定系数（CoefficientofDetermination,R2(2)(3)(4)式中，x为自变量，y为因变量，在本研究中分别指植被指数与LAI；a与b为回归参数，通过最小二乘估计法求得。2.3.3多元线性回归模型利用54个LAI观测数据与相关性较好的植被指数构建多元线性回归模型（公式5），并计算决定系数（CoefficientofDetermination,R2(5)式中，x1x2⋯xn为自变量，y为因变量，在本研究中分别指多种植被指数与LAI；2.3.4人工神经网络模型在经验模型的研究中，一元线性模型因其简单易懂而常用，但它可能无法捕捉数据中的复杂非线性关系，非线性回归模型和多元线性回归模型能够提供更复杂的数据拟合，但可能需要更多的数据支持。随着人工智能和机器学习技术的飞速发展，神经网络学习已成为这一领域的基本算法之一。人工神经网络（ArtificialNeuralNetwork,ANN），尤其是前馈神经网络，因其强大的非线性映射能力和自学习特性，能够处理复杂的数据模式，通常在模型比较中表现出色。ANN能够通过隐藏层学习数据中的深层特征，这使得它在处理复杂的、非线性的、高维的数据问题时具有优势。使用BP算法，网络通过迭代过程学习数据，不断调整权重和阈值，以最小化预测输出和实际观测值之间的误差，其包括一个反向传播的过程，其中误差从输出层反向传播到输入层，有助于优化网络中的权重。基于这些优势，本研究选择前馈神经网络中的BP（BackPropagation）算法构建人工神经网络模型，以此建立遥感植被指数输入和橡胶林LAI输出之间的关系REF_Ref6517\r\h[26]。通过计算确定最优值和阈值，并调整权重，最终得到一个误差最小的非线性模型。在构建基于多植被指数的橡胶林LAIANN模型时，共设置8个输入节点，6个隐藏层节点及1个输出节点，采用Levenberg-Marquardt算法进行模型的训练，Sigmoid函数作为激活函数，将变量映射到(0,1)区间内，可以实现从输入到输出的任意非线性映射。对于ANN模型训练的输入数据，首先进行归一化处理，然后随机选取70%的数据用于训练，15%用于验证，另外15%用于测试，以进行建立、验证和测试ANN模型的性能，确保模型的准确性和可靠性。2.4模型精度评价验证前述利用54个观测点LAI数据，基于经验统计方法构建了不同植被指数的一元线性、指数、对数LAI反演模型，通过计算决定系数（CoefficientofDetermination,R2）对其表现分别进行评估，选出最优模型。使用一元线性、指数、对数模型中所选最优模型、多元线性回归模型及人工神经网络模型分别对海南岛橡胶林LAI进行反演，并利用剩余23个观测点LAI数据对各模型反演结果进行精度评价验证。本研究通过反演结果与观测值之间的线性拟合的决定系数（R2）、均方根误差（RootMeanSquareError，RMSE）（公式6）和相对误差（RelativeError，RE）（公式7）评价模型表现(6)(7)式中，M为模拟值，O为真实值，N为样本个数。3结果与分析3.1海南岛橡胶林LAI月值变化如图3所示，2017年的海南岛橡胶林叶面积指数（LAI）的月度变化显示出明显的季节性波动，自2月至9月逐渐增加，而从10月开始逐步减少。在这一周期中，2月的LAI值最低，为1.18±0.27m2/m2，而9月的LAI值最高，达到4.33±0.27m2/m2。海南岛橡胶林的LAI在1-2月达到年度最低点，这与其地处较高纬度的热带地区，受干旱气候和冷空气影响呈现出落叶的特性有关。海南岛橡胶林落叶期主要集中在气温较低的1月和2月，且不同年份的具体落叶时间有所不同，但多数集中在2月上中旬REF_Ref4777\r\h[1]。在没有重大自然灾害的情况下，海南橡胶树在短暂的落叶期后，通常在2月末或3月初开始生长新叶。海南橡胶林一年中有三次明显的生长期，分别在3月、5月初和7月末至8月初，其中第一次生长期的新叶生长量约占全年的80%。9月底，新叶生长基本结束，LAI值也达到峰值。随着橡胶树的割胶作业开始，10月至12月LAI值逐渐下降，直到次年1-2月的落叶期，橡胶树完成了一年的生长周期。本研究选择9月份的LAI观测值进行遥感反演研究，这个时期的LAI值处于年度最高点，橡胶林的叶面积达到最大，且在进行遥感反演时，高LAI值有助于增强遥感信号，提高反演的准确性和可靠性。图SEQ图\*ARABIC32017年海南岛橡胶林LAI月度变化3.2植被指数与LAI的相关性本研究采取Pearson相关分析方法，分别分析20种遥感植被指数与海南岛橡胶林LAI观测值的相关性，得到相关系数如表3所示。正相关中，EVI、SAVI、DVI、RDVI、MSAVI五种植被指数与LAI相关性较好，相关指数分别为0.83、0.81、0.82、0.80、0.81，且均具有p<0.001的极其显著水平；NDVI、GNDVI、LSWI、GCC、EGI、RVI、NNIR、WDRVI、SIPI、NDWI十种植被指数与LAI的相关性较差，相关系数在0.44-0.64范围，均通过p<0.01显著性水平检验。而NR、NG、GRVI、PSRI四种植被指数与LAI为负相关，相关系数分别为-0.62、-0.66、-0.69、-0.59，均通过p<0.01显著性水平检验。NMDI与LAI不具有相关性。在选择用于构建LAI估算模型的遥感植被指数时，虽然EVI、SAVI、DVI、RDVI、MSAVI这五种指数与LAI的相关性最好，但仅依赖这些指数可能无法全面捕捉到橡胶林LAI的所有变化。NDVI是最常用的植被指数之一，能够反映植被的生长状况和生物量；而GNDVI、RVI等其他指数可能捕捉到与EVI和SAVI不同的植被特性；WDRVI则是为了改善NDVI在高植被覆盖区域的饱和问题而设计的，能够提供更精确的植被信息。因此本研究选取EVI、SAVI、DVI、RDVI、MSAVI、NDVI、GNDVI、RVI、WDRVI共八种植被指数用于LAI反演模型的构建，这种组合能够提供不同角度的信息，有助于改善模型对橡胶林LAI变化的预测能力，也可减少单一指数可能带来的偏差，提高模型在不同条件下的适用性和稳定性。表SEQ表\*ARABIC3植被指数与LAI相关性相关系数EVINDVIGNDVILSWIGCCr0.83**0.61*0.65*0.58*0.44*相关系数EGIRVINNIRSAVIWDRVIr0.50*0.67*0.64*0.81**0.65*相关系数NRDVIRDVINMDISIPIr-0.62*0.82**0.80**0.050.54*相关系数NGGRVIMSAVIPSRINDWIr-0.66*-0.69*0.81**-0.59*0.61*注：*表示通过p<0.01显著性水平，**表示通过p<0.001显著性水平。3.3LAI遥感反演模型构建与优选3.3.1一元线性/非线性回归模型分别构建EVI、SAVI、DVI、RDVI、MSAVI、NDVI、GNDVI、RVI、WDRVI八种植被指数与LAI的一元线性模型、指数模型和对数模型，并计算其决定系数R²，结果如表4所示。一元线性模型中，基于EVI指数构建的反演模型y=2.2582x+2.8622表现最佳，决定系数为0.69；指数模型中，基于SAVI指数构建的反演模型y=2.8047e0.7580x表现最佳，决定系数为0.67；对数模型中，基于DVI指数构建的反演模型y=1.2697ln(x)-6.0374表现最佳，决定系数为0.65。以上三种模型均在表中加粗显示。表SEQ表\*ARABIC4基于植被指数的LAI一元线性/非线性回归模型及决定系数植被指数反演模型R2EVIy=2.2582x+2.8622y=3.0762e0.5230xy=1.3527ln(x)+4.93120.690.660.63NDVIy=2.5583x+2.2212y=2.6164e0.6086xy=1.7281ln(x)+4.67360.340.360.31GNDVIy=4.1216x+1.2552y=2.0872e0.9754xy=2.7651ln(x)+5.14740.440.460.42RVIy=0.0645x+3.5703y=3.6154e0.0151xy=0.5797ln(x)+2.92450.410.420.38SAVIy=3.2588x+2.4713y=2.8047e0.7580xy=1.6999ln(x)+5.29910.660.670.63WDRVIy=1.2421x+3.8685y=3.8740e0.2940xy=0.1783ln(x)+4.54080.380.400.15DVIy=0.0004x+3.0470y=3.2172e0.00008xy=1.2697ln(x)-6.03740.650.650.65MSAVIy=4.9797x+2.3614y=2.7360e1.1563xy=1.8432ln(x)+6.05400.660.670.643.3.2多元线性回归模型利用EVI、SAVI、DVI、RDVI、MSAVI、NDVI、GNDVI、RVI、WDRVI八种植被指数构建多元线性回归模型，但SAVI与其他植被指数存在较高的共线性。共线性是指模型中的两个或多个预测变量高度相关，以至于它们包含相似的信息，可能会使模型的预测能力下降。为了提高模型的稳定性和预测能力，故将SAVI变量移除，最终得到多元线性反演模型：y=6.7464+3.9226*EVI-9.6821*NDVI+6.2864*GNDVI-0.1052*RVI+4.6999*WDRVI+0.0002*DVI-7.1322*MSAVI，决定系数为0.73。3.3.3人工神经网络模型使用前馈神经网络中的BP算法构建人工神经网络模型，共设置8个输入节点，对应于选定的8种不同的植被指数；6个隐藏层节点，用于捕捉输入数据之间的复杂关系和模式；1个输出节点，用于预测LAI值，即网络的最终目标。随机选取70%的LAI观测数据用于训练，15%用于验证，另外15%用于测试，得到结果如图4所示。（a）为训练结果，决定系数R²为0.85，意味着模型可以解释85%的数据变异性，表示模型与训练数据拟合较好；均方根误差RMSE为0.0485，是一个相对较低的误差值，说明模型的预测与实际观测值非常接近。（b）为验证结果，决定系数R²为0.74，略低于训练结果，表明模型在新数据上的预测能力略有下降，但仍然保持了较好的水平；均方根误差RMSE为0.0838，表明验证过程中的预测误差较训练时有所增加，这种性能下降是模型泛化能力的正常表现。（c）为测试结果，决定系数R²为0.89，比训练和验证集都要高，表明模型在测试集上的表现非常好，能够准确预测橡胶林LAI；均方根误差RMSE为0.0491，接近训练集的误差，说明模型在测试数据上的预测精度很高。总体相对误差如图5所示，主要集中在（-0.08，0.08）区间，这表明模型的预测结果与实际观测值非常接近，误差较小。综上所述，基于多种遥感植被指数的人工神经网络模型在橡胶林LAI的估算中表现出色，具有较高的准确性和可靠性，其综合表现优于传统的一元线性/非线性模型和多元线性模型，可能归因于神经网络能够捕捉和建模更复杂的非线性关系。图SEQ图\*ARABIC4基于植被指数的LAI人工神经网络模型模拟结果图SEQ图\*ARABIC5基于植被指数的LAI人工神经网络模型相对误差3.4反演结果与分析图6为海南岛橡胶林叶面积指数（LAI）遥感反演的综合视图，涵盖分别利用五种基于植被指数的模型进行全岛橡胶林LAI反演的结果，包括（a）基于EVI的线性回归模型LAI反演结果、（b）基于SAVI的指数回归模型LAI反演结果、（c）基于DVI的对数回归模型LAI反演结果、（d）基于EVI、NDVI、GNDVI、RVI、WDRVI、DVI和MSAVI七种植被指数的多元线性回归模型LAI反演结果，以及（e）基于植被指数的人工神经网络模型LAI反演结果。具体可以观察到，多元回归模型显示出较大的高值区域和较小的空间差异；人工神经网络模型则显示出较大的空间差异；而基于EVI、SAVI、DVI的三种一元回归模型反演结果基本一致。虽然五种结果在空间分布上有一定差异，但总体呈现相似的变化趋势，表明五种模型都能捕捉到海南岛橡胶林LAI的基本空间格局。综合来看，海南岛西北部地区为橡胶林LAI高值（4.4-6.0）分布主要区域，中值（3.8-4.4）区域广泛分布在中部地区，低值（<3.8）区域少量而分散地分布于全岛。结合图1中海南岛橡胶林分布情况，可以推断西北及中部地区橡胶林长势较好，东部和南部地区的橡胶林密度较低或生长状况较差，从而影响LAI值。图SEQ图\*ARABIC6海南岛橡胶林LAI遥感反演结果图3.5精度验证与分析图7为不同模型在反演海南岛橡胶林叶面积指数（LAI）时的精度和偏差情况，以此可对比不同模型的性能。（e）人工神经网络模型（ANN-LAI）决定系数R²为五种模型中的最高值0.85，表明模型与观测值之间有很强的线性关系，预测能力较强；均方根误差RMSE为五种模型中最低值0.15，表明模型的预测与实际观测值之间的差异较小，预测精度较高，但该模型在预测中存在一定程度的高估现象。（d）多元线性回归模型（multivariate-LAI）决定系数R²为0.71，相比人工神经网络模型较低，表明模型与观测值之间的线性关系较弱；均方根误差RMSE为0.16，较人工神经网络模型略高，显示其预测精度略有下降，偏差主要体现在低值区域较为明显的高估及高值区一定程度的低估。一元线性/非线性回归模型（a）、（b）、（c）决定系数R²分别为0.67、0.59及0.55，与观测值之间的线性关系最弱，预测能力有限；均方根误差RMSE分别为0.16、0.20、0.21，预测精度也较低。由于海南岛橡胶林大多处于生长旺盛期，植被指数和LAI整体处于较高值，这可能导致模型在区分不同LAI水平时的能力受限，从而在估算中产生偏差。综合来看，遥感反演模型在估算天然橡胶的LAI方面表现出了良好的潜力，尤其是人工神经网络模型，在近期长势遥感监测中显示出较高的适用性。图SEQ图\*ARABIC7海南岛橡胶林LAI反演模型精度评估4讨论与结论4.1讨论在橡胶林的叶面积指数（LAI）反演中，增强型植被指数（EVI）的应用可以优化植被信号的提取，特别是在高植被覆盖区域，通过减少大气散射的影响和调整土壤背景信号，提高了对植被动态的敏感度。这一点在解决传统植被指数，如归一化植被指数（NDVI）在高植被覆盖区域所面临的饱和问题时尤为重要REF_Ref5479\r\h[25]。基于机理的植被辐射传输模型和基于经验的统计模型方法在遥感反演LAI中各有优势。前者提供了一种基于物理原理的方法，能够利用植被的光谱信息来估算LAI，但需要复杂的参数化和大量的地面验证数据。面对大规模应用，统计模型法提供了一种更为简便和快速的估算方法，但其依赖于经验关系，在不同的植被类型和条件下需要重新校准REF_Ref10619\r\h[3]REF_Ref17248\r\h[28]。海南岛橡胶林LAI的时空变化受多种影响因素的作用。自然灾害如台风和干旱、气候变化导致的降水和温度变化，以及地形条件对光照和水分的影响，都会对橡胶林的LAI产生显著的影响。对这些影响因素的深入理解对于预测LAI的变化、指导橡胶林的管理和保护具有重要意义。4.2结论本研究选取海南岛橡胶林作为研究对象，利用现场观测的橡胶林叶面积指数（LAI）与通过卫星遥感数据提取的多种植被指数，构建了多种基于经验的反演模型。并通过对这些模型的性能评估，选出了最佳的反演模型，以实现对海南岛橡胶林LAI的遥感反演。在一元线性/非线性模型中，基于EVI指数的LAI线性回归模型、基于SAVI指数的LAI指数模型以及基于DVI指数的LAI指数模型三种表现最佳，决定系数R²分别为0.69、0.67、0.65。基于EVI、DVI、RDVI、MSAVI、NDVI、GNDVI、RVI、WDRVI七种植被指数的多元线性回归模型，决定系数R²为0.73。使用前馈神经网络中的BP算法构建LAI人工神经网络模型，决定系数R²为0.85，优于前四种模型。分别利用五种模型对海南岛橡胶林LAI进行反演，结果显示多元线性回归模型高值区域较大，人工神经网络模型空间差异较大，而基于EVI、SAVI、DVI的三种一元回归模型反演结果基本一致。五种结果在空间分布上有一定差异，但总体呈现相似的变化趋势，LAI高值（4.4-6.0）区域集中分布在西北部地区，中值（3.8-4.4）区域广泛分布在中部地区，低值（<3.8）区域少量而分散地分布于全岛特别是东部及南部。综上所述，本研究通过构建基于经验的反演模型，成功实现了对海南岛橡胶林叶面积指数（LAI）的遥感反演，为橡胶林生长状况的遥感监测和产量的遥感评估提供了理论支持和科学数据。未来的研究可以进一步优化模型，探讨更精确的遥感反演方法，以满足不同尺度和精度的需求。

参考文献戴声佩,罗红霞,郑倩,等.基于MODISLAI产品的海南岛橡胶林叶面积指数时空变化特征及其影响因素分析[J].中国农业信息,2021,33(02):1-12.刘洋,刘荣高,陈镜明,等.叶面积指数遥感反演研究进展与展望[J].地球信息科学学报,2013,15(05):734-743.刘洋,刘荣高,刘斯亮,等.基于物理模型训练神经网络的作物叶面积指数遥感反演研究[J].地球信息科学学报,2010,12(3):426-435.李睿.基于GoogleEarthEngine的桂林市土地利用时空变化分析[D].南昌：东华理工大学，2019.GorelickN,HancherM,DixonM,etal.GoogleEarthEngine:Planetary-scalegeospatialanalysisforeveryone[J].RemoteSensingofEnvironment,2017,202:18-27.HueteA,DidanK,MiuraT,etal.OverviewoftheradiometricandbiophysicalperformanceoftheMODISvegetationindices[J].RemotesensingofEnvironment,2002,83(1-2):195-213.RouseJ,HaasR,SchellJ,etal.MonitoringvegetationsystemsintheGreatPlainswithERTS[C]//ThirdEarthResourcesTechnologySatellite(ERTS)Symposium.WashingtonDC,USA:NASASpecialPublication,1974,1:309-317.GitelsonAA,MerzlyakMN.Remoteestimationofchlorophyllcontentinhigherplantleaves[J].InternationalJournalofRemoteSensing,1997,18(12):2691-2697.XiaoX,HollingerD,AberJ,etal.Satellite-basedmodelingofgrossprimaryproductioninanevergreenneedleleafforest[J].RemotesensingofEnvironment,2004,89(4):519-534.WoebbeckeDM,MeyerGE,VonBargenK,etal.Colorindicesforweedidentificationundervarioussoil,residue,andlightingconditions[J].TransactionsoftheASAE,1995,38(1):259-269.MeyerG,MehtaT,KocherM,etal.Texturalimaginganddiscriminantanalysisfordistinguishingweedsforspotspraying[J].TransactionsoftheASAE,1998,41(4):1189.PearsonRL,MillerLD.Remotemappingofstandingcropbiomassforestimationoftheproductivityoftheshortgrassprairie[C].In:ProceedingsoftheRemoteSensingofEnvironment,VIII,1972.SripadaRP,WhiteJG,CrozierCR,etal.Aerialcolorinfraredphotographyfordeterminingin-seasonnitrogenrequirementsforcorn[J].AgronomyJournal,2005,97(5):1511-1514.HueteAR.Asoil-adjustedvegetationindex(SAVI)[J].RemoteSensingofEnvironment,1988,25(3):295-309.HuangJ,HouY,SuW,etal.MappingcornandsoybeancroppedareawithGF-1WFVdata[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2017,33(7):164-170.TuckerCJ.Redandphotographicinfraredlinearcombinationsformonitoringvegetation[J].RemoteSensingofEnvironment,1979,8(2):127-150.RoujeanJL,andBreonFM.EstimatingPARabsorbedbyvegetationfrombidirectionalreflectancemeasurements[J].RemoteSensingofEnvironment,1995,51(3):375-384.WangL,QuJJ.NMDI:aNormalizedMulti-band