来源：期刊VIP网 时间：
作者：于慧男;王昶景;刘国祥;屈永华;尹高飞;
单位：西南交通大学地球科学与环境工程学院;北京师范大学遥感科学国家重点实验室;北京师范大学地理科学学部遥感与工程研究院;
摘要：叶面积指数(leaf area index, LAI)是单位地表面积上总叶面积的一半，是影响光合作用、蒸腾作用和能量平衡等地表过程的关键生物物理变量。鉴于光学遥感数据易受天气的影响，雷达遥感数据易受土壤等的影响，二者在叶面积指数反演方面各有利弊，提出了一种考虑不同数据反演结果不确定性的融合方法。研究测试了多种机器学习模型在中国张掖地区的玉米农田上估算LAI的性能。结果表明，光学和雷达两种数据分别作为模型输入进行LAI反演时，高斯过程回归(Gaussian process regression, GPR)的表现均为最优。随后，基于Sentinel-1雷达数据和Sentinel-2光学数据，使用GPR模型生成了研究区2019年的两种LAI及不确定性时空分布图。考虑不同数据反演结果的差异，使用加权滤波方法将两种LAI融合，实现了高时空分辨率玉米LAI制图。通过定性和定量分析，融合后的LAI时间序列分布图变化连贯，空间分布均匀，精度相较于融合之前有了明显改善。
关键词：叶面积指数;;Sentinel-1;;Sentinel-2;;协同;;玉米
