葉面積指數(shù)（Leaf Area Index, LAI）是綠葉面積與土壤面積之間的比值，是評(píng)估冠層結(jié)構(gòu)的最重要變量之一，是表征地表植被動(dòng)態(tài)變化的重要參數(shù)。地面實(shí)測(cè)可以得出較為準(zhǔn)確的LAI，但地面實(shí)測(cè)僅用于獲取點(diǎn)尺度的數(shù)據(jù)。林業(yè)工作者通常采用遙感方法來獲取大范圍、面尺度的LAI。本次收集的幾篇文章，幫助讀者了解評(píng)估LAI的遙感方法。

1.基于PRISMA光譜反演甘蔗LAI
意大利航天局于2019年發(fā)射的PRISMA衛(wèi)星提供了新一代高光譜數(shù)據(jù)來源，該研究基于PRISMA光譜，運(yùn)用一種全新的人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)——貝葉斯正則化人工神經(jīng)網(wǎng)絡(luò)(BRANN)來估算甘蔗葉面積指數(shù)(LAI)。研究采用BRANN模型，分析伊朗Khuzestan Amir Kabir甘蔗農(nóng)業(yè)區(qū)實(shí)地調(diào)查期間收集的數(shù)據(jù)集。并利用主成分分析(PCA)對(duì)PRISMA數(shù)據(jù)集進(jìn)行處理。基于自助法的精度評(píng)估表明，應(yīng)用BRANN模型反演LAI的均方根誤差（RMSE）為0.67 m2/m2。該研究證實(shí)了BRANN方法的高性能和PRISMA光譜在甘蔗LAI反演中的高潛力。
——《RETRIEVAL OF SUGARCANE LEAF AREA INDEX FROM PRISMA HYPERSPECTRAL DATA》S. Hamzeh etc.（DOI:10.5194/isprs-annals-X-4-W1-2022-271-2023）

2.非線性自回歸神經(jīng)網(wǎng)絡(luò)模型提高了LAI估測(cè)精度
目前廣泛使用的MODIS LAI產(chǎn)品并不能滿足生產(chǎn)及研究的需要，產(chǎn)品的整體精度有待提高。在這種情況下，該研究提出了一種基于非線性自回歸神經(jīng)網(wǎng)絡(luò)( NARXNN )模型和高質(zhì)量時(shí)間序列LAI反演結(jié)果的改進(jìn)方案。用改進(jìn)后的方案估算三個(gè)研究區(qū)LAI時(shí)，R2值分別為0.54、0.41、0.51，而RMSE分別下降了0.07、0.1、0.03，偏差也有一定程度的減小。實(shí)測(cè)LAI表明，NARXNN模型的LAI數(shù)據(jù)比MCD15A2H模型的更準(zhǔn)確，偏差更小，且比原先的MODIS產(chǎn)品更符合植被實(shí)際生長(zhǎng)情況。該研究提出的改進(jìn)方案進(jìn)一步提高了MODIS產(chǎn)品估算LAI的精度。
——《Improving the MODIS leaf area index product for a cropland with the nonlinear autoregressive neural network with eXogenous input model》Li Shangzhi etc.（DOI:10.3389/FEART.2022.962498）

3.該研究比較了幾種遙感方法評(píng)估LAI的精度
該研究基于均方根誤差( RMSE )、平均絕對(duì)誤差( MAE )和決定系數(shù)( R2 )三種評(píng)價(jià)指標(biāo)，對(duì)幾種LAI遙感評(píng)估方法的評(píng)估結(jié)果進(jìn)行了比較分析。研究表明：排名前五的方法RMSE(MAE)在玉米LAI估算上小于1.3(0.95)，在大豆上小于1.0(0.8)。總體來說，參數(shù)方法優(yōu)于其他方法，但不絕對(duì)。例如SR_CA_cross方法在玉米LAI估算中排名第1，但在大豆中排名第15。非參數(shù)方法準(zhǔn)確性排名中等，部分原因是數(shù)據(jù)量較少。該研究的比較結(jié)果對(duì)遙感監(jiān)測(cè)農(nóng)業(yè)植被具有重要意義。
——《Evaluating Optical Remote Sensing Methods for Estimating Leaf Area Index for Corn and Soybean》Nandan Rohit etc.（DOI:10.3390/RS14215301）

4.塞罕壩地區(qū)宜用混合效應(yīng)模型估算LAI
葉面積指數(shù)（LAI）用于評(píng)價(jià)植物群落的生長(zhǎng)狀況，在生產(chǎn)和研究上通常需要較快而又精確地得到LAI。該研究基于LAI-2200C植物冠層分析儀得到的LAI數(shù)據(jù)，并結(jié)合同期Sentinel-2遙感影像，從而構(gòu)建了LAI估算混合效應(yīng)模型和線性模型。結(jié)果發(fā)現(xiàn)：相比于傳統(tǒng)線性模型，混合效應(yīng)模型能更準(zhǔn)確地估算LAI，其均方根誤差（RMSE）、調(diào)整確定系數(shù)(R2adj)、平均相對(duì)誤差（MRE）和殘差平方和（RSS）的值分別為0.50、0.7456、0.42和36.25。此外，研究還發(fā)現(xiàn)加入樹種變量后，LAI反演模型的擬合效果顯著提升了。
——《塞罕壩地區(qū)主要樹種LAI遙感估測(cè)》臧賀喜（DOI: 10.19754/j.nyyjs.20230215011）

5.鬣狗算法神經(jīng)網(wǎng)絡(luò)模型能更好地反演LAI
該研究提出結(jié)合PROSAIL模型反演數(shù)據(jù)和GF-1遙感影像建立鬣狗算法神經(jīng)網(wǎng)絡(luò)模型，從而解決以往神經(jīng)網(wǎng)絡(luò)模型反演林地葉面積指數(shù)(LAI)時(shí)存在的弊端。研究發(fā)現(xiàn)：鬣狗神經(jīng)網(wǎng)絡(luò)訓(xùn)練集的均方根誤差值為0.131（BP神經(jīng)網(wǎng)絡(luò)的為0.140），驗(yàn)證集均方根誤差值為0.132（BP神經(jīng)網(wǎng)絡(luò)的為0.137），測(cè)試集決定系數(shù)為0.703（BP神經(jīng)網(wǎng)絡(luò)的為0.525）。研究認(rèn)為鬣狗算法神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果略大于期望值，且該模型提高了神經(jīng)網(wǎng)絡(luò)模型的反演性能，為遙感估測(cè)LAI提供一種新的方法。
——《基于鬣狗算法神經(jīng)網(wǎng)絡(luò)反演林地葉面積指數(shù)》冷欣 等（DOI:10.13718/j.cnki.xdzk.2022.12.018）