1.2 高光谱遥感反演LAI 研究现状叶面积指数是一种重要的植被特征参数，该参数反映了植被的生长状态，间接的反映了当地的气候环境，在环境监测与保护，精细农业，森林的防护监管，灾害预报等方面有着重要的作用。因此被国内外研究学者广泛的使用。叶面积指数的测量方法一般分为间接与直接的方法[6]。直接法又称为传统方法，一般常用的直接测量方法有：长宽系数法、计算机图斑法、干重法、称重法以及叶面仪等方法。虽然直接测量法测量的叶面积指数的精度很高但是耗时耗力大，往往要大量的人工来完成，另外这个方法还具有着破坏性，在测量的时候要破坏植被来采取样本进行测量。这种方法使用与小规模精度要求高的叶面积指数反演。而在大范围的反演的时候，通常使用间接测量法来进行反演。间接测量的方法一般有:点接触法、消光系数法、遥感方法、经验公式法以及光学仪器法[7]。随着遥感相关科学的发展，叶面积指数反演方法在多年的研究中日益增多且更加精确，特别是采用高光谱遥感手段。叶面积指数遥感估算的原理是，利用特征植被系数或者特征光谱建立与 LAI 的经验模型，或者建立具有物理或数学的机理模型进行反演，在此基础上应运多元回归、向量机和神经网络等算法提高 LAI 的反演精度。叶面积指数定量反演方法主要分为两类:物理模型法和统计模型法[8]。物理模型法是建立在二向性反射BRDF 基础之上，该方法具有很强的理论支持。物理模型法具有普适性因为模型不会因植被的具体类型和环境的变化而变化。 国内外学者依据植被的光谱特征建立了许多的植被冠层模型， 其中常用的模型有几何光学模型，辐射传输模型，混合模型等，这些反演模型为后人在进行植被的反演研究奠定了基础[9,10]。统计模型法主要通过建立叶面积指数 LAI 与地物的光谱数据以及相关指数间的统计关系，从而建立经验模型来估算 LAI，通常使用的植被指数的是比值植被指数RVI。植被指数是指由两个或两个以上波段的反射因子以一定形式所组合成，反映植被重要的物理参数(如 LAI，生物量等)的一个重要生态参数[11,12]。
国内外学者建立的植被指数种类很多。 如何在众多的植被指数中找到与叶面积指数最相关的植被指数达到最佳的反演，也是本文的研究重点之一。本文针对这个重点所采用的方法是先建立各植被指数与叶面积指数 LAI 之间的函数关系然后比较各植被指数的反演精度，分析比较后选出最佳的用来反演的植被指数。当前随着遥感技术的发展以及指数反演算法的研究进步， 我们在叶面积指数的反演研究的精度有了空前的提高，但目前利用高光谱数据进行 LAI 估算还存在一些问题，例如在高光谱遥感数据中，哪些光谱特征用来估算叶面积指数 LAI 效果最佳？在各类统计模型估算方法中，哪种算法最好？在植被指数与叶面积指数建立关系之后，会出现饱和现象，就是指当 LAI 在 3-4 时，随着植被指数的增长，叶面积指数的增加变得越来越缓慢即不敏感，从而出现饱和现象，如何解决这一点可以很大程度提高反演精度[13]。 另一方面的问题来自于遥感数据源。 随着遥感科学技术的不断发展，遥感传感器获得的数据质量得到空前的提高，面对如此丰富且质量优越的数据，充分发挥数据的优势是一个值得深思的问题。这些问题会使得在特定区域环境下，一种反演方法或许能够成功地反演出叶面积指数， 但是放到另外的环境下就不能取得良好的结果。本文针对黑河流域中游绿洲区域的叶面积指数反演研究，采用统计经验模型的方法， 利用植被指数与叶面积指数的良好的线性相关性来实现研究区的叶面积指数反演。 基于PROBA-CHRIS数据黑河流域中游绿洲叶面积指数的反演研究(2):http://www.youerw.com/jisuanji/lunwen_36164.html