农作物长势遥感监测
使用遥感数据进行草地与农作物监测的技术方法与应用案例
使用遥感数据进行草地与农作物监测的技术方法与应用案例近年来，随着遥感技术的不断发展与进步，其在农业领域的应用也逐渐得到了广泛的关注和推广。
遥感数据可以为农作物监测和草地管理提供丰富的信息，帮助农业决策者更好地把握农作物的生长情况和草地的变化趋势。
本文将介绍使用遥感数据进行草地与农作物监测的技术方法与应用案例。
一、遥感数据的获取与处理遥感数据可以通过卫星、航空器和无人机等平台获取。
其中，卫星遥感是最常用的平台，因为卫星能够提供全球范围的遥感数据。
获取到的遥感数据需要经过一系列的处理和分析，才能得到有价值的信息。
首先，对于农作物监测，我们可以利用遥感数据获取植被指数（Vegetation Index, VI）来评估农作物的生长状况。
常用的植被指数有归一化差异植被指数（Normalized Difference Vegetation Index, NDVI）和比例植被指数（Normalized Difference Vegetation Ratio, NDVR）。
这些指数可以通过计算遥感数据中红光和近红外波段的反射率来获得。
对于草地监测，我们可以利用遥感数据分析草地的覆盖度和植被类型。
通过计算遥感数据中的不同波段的反射率，可以得到不同植被的特征，从而对草地进行分类和监测。
二、农作物监测的应用案例农作物监测是遥感数据在农业领域的重要应用之一。
通过监测农作物的生长情况，可以及时发现并解决病虫害等问题，提高农作物产量和质量。
以水稻为例，通过分析遥感数据中的植被指数，可以评估水稻的叶绿素含量和生长状态。
研究发现，NDVI值与水稻产量之间存在一定的相关性。
因此，在农作物监测中，可以根据NDVI值对水稻的产量进行预测和评估，为农业生产提供决策依据。
另外，玉米也是重要的农作物之一。
通过遥感数据监测玉米的生长情况，可以评估土壤湿度、养分状况等信息。
研究表明，遥感数据与实地调查的结果具有较高的相关性，可以为玉米的灌溉和施肥提供指导。
遥感在农业上的应用
遥感在农业上的应用
遥感技术在农业领域有广泛的应用，以下是一些常见的应用：
1. 作物监测：利用遥感技术可以实时监测作物的生长状况，包括作物面积、长势、产量等。
例如，通过卫星或无人机获取的遥感影像可以监测作物的生长状况、病虫害情况、水分状况等，从而及时采取措施，保证作物的正常生长和高产。
2. 农业资源管理：遥感技术可以用于农业资源管理，如土地利用、水资源管理、农业气象监测等。
例如，利用遥感技术可以获取土地利用类型、土地覆盖状况等信息，从而进行土地规划和管理；利用遥感技术可以获取水资源分布情况，从而进行水资源管理和调度。
3. 农业灾害监测：遥感技术可以用于农业灾害监测，如旱灾、洪涝、病虫害等。
例如，利用遥感技术可以实时监测旱情，从而及时采取措施，保证作物的正常生长；利用遥感技术可以监测洪涝灾害，从而及时采取措施，减少灾害损失。
4. 农业生产决策支持：利用遥感技术可以为农业生产决策提供支持，如农业生产规划、作物种植结构调整、农业生产管理等。
例如，利用遥感技术可以获取作物种植结构、种植面积等信息，从而制定合理的农业生产规划；利用遥感技
术可以获取作物生长状况、病虫害情况等信息，从而进行农业生产管理。
总之，遥感技术在农业领域具有广泛的应用前景，可以为农业生产提供有力的技术支持，提高农业生产效益和质量。
农作物长势综合遥感监测方法
农作物长势综合遥感监测方法随着科技的不断进步，遥感技术已经成为现代农业中不可或缺的一部分。
农作物长势综合遥感监测方法能够快速、准确地获取农作物的生长状况，为农业生产的管理和决策提供了强有力的支持。
本文将详细介绍农作物长势综合遥感监测的原理、方法、优缺点及未来发展趋势。
遥感技术是一种利用卫星、飞机、无人机等遥感平台，通过传感器获取地球表面物体反射或辐射的电磁波信息，从而实现对物体进行远距离感知和识别的一种技术。
在农业领域中，遥感技术主要应用于土地资源调查、作物生长监测、农业灾害预警等方面。
其中，遥感图像处理技术是实现农作物长势综合遥感监测的关键手段。
农作物长势综合遥感监测需要采集多种来源的数据，包括卫星遥感数据、传统遥感数据、气象数据、土壤数据等。
其中，卫星遥感数据包括Landsat、Sentinel等卫星数据的接收和处理，传统遥感数据则包括高光谱、多光谱和近红外等数据。
这些数据经过采集、预处理和标准化等步骤后，将为后续的数据分析和处理提供重要的数据支持。
对于采集到的遥感数据，需要进行一系列的处理和分析，以提取出与农作物长势相关的信息。
这些处理和分析方法包括：图像处理：对原始遥感图像进行辐射定标、大气校正、地形校正等处理，以消除图像中的噪声和误差。
归一化：将不同来源、不同波段的遥感数据进行归一化处理，以减小数据之间的差异，提高数据的质量和精度。
降噪：采用滤波算法对遥感图像进行降噪处理，以消除图像中的噪声和干扰，提高图像的清晰度和质量。
特征提取：从经过处理的遥感图像中提取出与农作物长势相关的特征信息，如叶面积指数、生物量等参数。
模式识别：利用提取的特征信息，结合机器学习和深度学习等技术，实现对农作物长势的分类和识别。
实际案例中，可以通过对农作物长势的综合遥感监测，预测作物的产量和生长状况，从而为农业管理和决策提供科学依据。
例如，美国农业部利用卫星遥感数据成功预测了玉米、大豆等作物的产量，为农业生产提供了重要的参考。
农情遥感监测与估产
我国遥感估产
我国目前遥感大面积估产主要承担： 我国目前遥感大面积估产主要承担： • 中科院遥感技术应用研究所 • 中国农业科学院农业资源与农业区划所 • 农业部规划设计研究院
作物面积监测
• 保证粮食生产的第一步是保证播种面积。 保证粮食生产的第一步是保证播种面积 播种面积。 全国粮棉主产区的种植面积监测是产量估 计的基础。 计的基础。 • 应用遥感技术可以及时、可靠的监测我国 应用遥感技术可以及时、 主要农作物的种植面积， 主要农作物的种植面积，或种植面积的变 化
农情遥感监测概念
• 农情遥感监测主要应用遥感技术，对农业 农情遥感监测主要应用遥感技术， 遥感监测主要应用遥感技术 资源、环境与作物生长过程的监测与分析。 资源、环境与作物生长过程的监测与分析。 即应用遥感技术采集并分析耕地、 即应用遥感技术采集并分析耕地、草地的 数量、质量、利用状况，以及主要农作物 数量、质量、利用状况，以及主要农作物 的面积、长势、灾害和产量等农情信息， 的面积、长势、灾害和产量等农情信息， 为相关政府部门、生产者、 为相关政府部门、生产者、消费者提供信 息支持。 息支持。
遥感与抽样技术结合
农作物种植结构区划
大尺度作物面积遥感监测
遥感数据
整群抽样
抽样
影像处理
野外采样
耕地面积
农作物种植成数
农作物分类成数
分类别作物种植面积
遥感图像分类监测方法
目视解译 结合地面样点的监督分类方法 分层分区图像分类法 多时相分析方法 多源数据结合的方法 其它遥感影像分类方法 ：神经网络方法 、模糊数学 方法 、专家系统方法 、基于混合像元分解的分类 、 面向对象的信息提取 多种方法的结合应用
• 早在1974-1977开始，美国农业部的大面积 早在 开始， 开始 估产计划（ ），主要利用 估产计划（LACIE），主要利用 ），主要利用Landsat MSS 和NOAA/AVHRR数据 数据 • 我国 我国1983-1987开展京津冀地区冬小麦遥感 开展京津冀地区冬小麦遥感 估产 • 国家“七五”、“八五”遥感估产列为国 国家“七五” 八五” 家攻关项目，并作了大量理论与方法研究。 家攻关项目，并作了大量理论与方法研究。
农作物长势的定义与遥感监测
农作物长势的定义与遥感监测一、本文概述随着遥感技术的快速发展，其在农业领域的应用越来越广泛，尤其是在农作物长势监测方面发挥着重要作用。
本文旨在探讨农作物长势的定义及其遥感监测方法。
我们将明确农作物长势的定义，阐述其重要性及影响因素。
接着，我们将详细介绍遥感监测在农作物长势评估中的应用，包括遥感数据的获取、处理与分析方法，以及长势监测的具体流程。
文章还将探讨遥感监测的优势与局限性，并对未来发展趋势进行展望。
通过本文的阐述，读者将能够更深入地了解农作物长势遥感监测的基本原理和实践应用，为农业生产的精准管理和决策提供有力支持。
二、农作物长势定义农作物长势是指农作物在生长发育过程中，其生理状态、生长速度和生物量的累积情况。
农作物长势的好坏直接反映了农作物的健康状况和产量潜力，是农业生产中重要的监测指标。
农作物长势的评估通常包括株高、叶面积、叶绿素含量、生物量等多个方面。
株高是农作物长势的直观表现，反映了作物地上部分的生长情况。
叶面积则反映了作物叶片的数量和大小，是评估作物光合能力和光能利用效率的重要指标。
叶绿素含量是评估作物叶片绿色程度和光合能力的关键参数，叶绿素含量越高，说明作物叶片的光合作用能力越强。
生物量则是指作物地上部分和地下部分的总重量，是评估作物生长速度和产量的重要依据。
农作物长势的监测对于农业生产具有重要意义。
通过对农作物长势的监测，可以及时发现作物生长过程中的问题，采取相应的管理措施，促进作物健康生长，提高产量和品质。
长势监测还可以为农业生产的决策提供支持，如调整种植密度、施肥量、灌溉量等，实现科学种植和精准管理。
随着遥感技术的发展，遥感监测已成为农作物长势监测的重要手段。
遥感技术具有覆盖范围广、监测效率高、数据连续性强等优点，可以实现对农作物长势的快速、准确监测。
通过遥感技术，可以获取作物生长过程中的多源遥感数据，结合地面观测数据，对作物长势进行综合评价和分析，为农业生产提供更加全面、准确的信息支持。
作物长势遥感监测指标的改进与比较分析_赵虎
第27卷第1期农业工程学报V ol.27 No.1 243 2011年1月Transactions of the CSAE Jan. 2011作物长势遥感监测指标的改进与比较分析赵虎1，杨正伟2，李霖3，狄黎平4（1. 农业部规划设计研究院农业资源监测站，北京 100125； 2. National Agricultural Statistics Service, USDA, V A 22030；3. 武汉大学资源与环境科学学院，武汉 430079；4. Center for Spatial Information Science and Systems, GMU, MD 20770）摘要：为改善归一化植被指数（NDVI）作为遥感监测作物长势指标的性能，该文分析了归一化植被指数的内在设计缺陷，在不增加额外波段的情况下，以近红外波段和红色波段为基础引入一种新的作物长势遥感监测指标——GRNDVI。
通过在像素和区域层次上同其他4种指数进行比较发现：GRNDVI能够改善归一化植被指数在低植被覆盖度时期/地区容易受到作物冠层土壤背景的影响，而在高植被覆盖度时期/地区又容易发生饱和现象的设计缺陷，可以作为遥感监测作物长势过程中替代归一化植被指数的指标。
关键词：作物，遥感，监测，指标，NDVI，GRNDVIdoi：10.3969/j.issn.1002-6819.2011.01.039中图分类号：S127 文献标志码：A 文章编号：1002-6819(2011)-01-0243-07赵 虎，杨正伟，李 霖，等. 作物长势遥感监测指标的改进与比较分析[J]. 农业工程学报，2011，27(1)：243－249.Zhao Hu, Yang Zhengwei, Li Lin, et al. Improvement and comparative analysis of indices of crop growth condition monitoring by remote sensing [J]. Transactions of the CSAE, 2011, 27(1): 243－249. (in Chinese with English abstract)0 引 言作物长势即作物生长的状况与趋势[1]，长势监测可以为田间管理、早期产量估算提供快速、宏观的信息，具有十分重要意义[2]。
农业遥感技术如何监测作物生长状况
农业遥感技术如何监测作物生长状况在当今的农业领域，遥感技术正逐渐成为监测作物生长状况的重要手段。
它就像一双“千里眼”，能够让我们从高空俯瞰大片农田，获取大量有关作物生长的信息，从而为农业生产提供科学、精准的指导。
遥感技术是什么呢？简单来说，它是一种不直接接触目标物，通过传感器接收来自目标物的电磁波信息，并对这些信息进行处理和分析，以获取目标物的特征和状况的技术。
在农业中，常用的遥感平台包括卫星、飞机和无人机等。
那么，农业遥感技术是如何监测作物生长状况的呢？这主要通过以下几个方面来实现。
首先是光谱特征分析。
不同的作物在不同的生长阶段，其叶片的颜色、形状、含水量等都会有所变化，这些变化会导致作物反射和吸收电磁波的能力发生改变。
遥感传感器可以捕捉到这些电磁波的变化，并将其转化为光谱信息。
例如，健康的绿色叶片在可见光波段反射绿光，而在近红外波段则有很强的反射。
当作物受到病虫害、干旱等胁迫时，叶片的光谱特征就会发生改变。
通过对这些光谱特征的分析，我们可以判断作物的生长状况，比如是否缺氮、是否缺水等。
其次是植被指数的计算。
植被指数是基于作物光谱特征构建的数学指标，用于反映作物的生长状况和生物量。
常见的植被指数有归一化植被指数（NDVI）、比值植被指数（RVI）等。
NDVI 是通过近红外波段和红光波段的反射率计算得到的，它的值在－1 到 1 之间。
当NDVI 值较高时，通常表示作物生长茂盛；而当 NDVI 值较低时，则可能意味着作物生长不良。
通过定期获取 NDVI 数据，并对其进行时间序列分析，我们可以了解作物的生长趋势，及时发现问题并采取相应的措施。
再者是多时相监测。
作物的生长是一个动态的过程，不同时期的生长状况会有所不同。
通过对同一地区进行多次遥感观测，获取不同时间的遥感图像，我们可以对比分析作物在不同生长阶段的变化。
比如，在播种初期，我们可以通过遥感图像查看作物的出苗情况；在生长中期，监测作物的生长速度和覆盖度；在收获前，预估作物的产量。
中国农作物长势遥感监测研究综述
基本内容
中国农作物长势遥感监测技术主要基于卫星遥感数据，结合地物光谱特征、 农学知识和计算机技术等多学科知识进行综合分析。其中，常用的技术方法包括 遥感图像处理、模式识别、地物光谱分析、机器学习等。遥感图像处理主要包括 图像预处理、图像增强和图像分类等步骤，目的是提取出与农作物长势相关的信 息。模式识别和地物光谱分析等技术则主要用于识别和区分不同农作物类型，以 及分析农作物的生长状况和产量预测等。
未来展望
未来展望
随着科技的不断进步和发展，农作物长势综合遥感监测方法将进一步完善和 提高。未来，可以加强以下方面的研究和发展：
未来展望
1、提高遥感数据的分辨率和覆盖范围，以满足更加精细的农业管理和决策需 求。
2、加强遥感技术的智能化和自动化水平，减少对人工的依赖，提高监测效率 和精度。
未来展望
基本内容
2、技术手段日益丰富：农作物长势遥感监测技术不断推陈出新，包括高光谱 遥感、多角度遥感、时间序列遥感等多种技术手段的应用，使得监测结果更加准 确和精细。
基本内容
3、智能化和自动化水平提高：随着人工智能和机器学习等技术的不断发展， 农作物长势遥感监测的智能化和自动化水平也在不断提高。通过数据挖掘和模式 识别等技术手段，能够实现农作物的自动分类和长势预测等功能。
基本内容
3、作物生长周期监测：利用遥感监测技术，可以监测作物的生长周期，从而 掌握作物的生长动态，为农业生产提供指导。
基本内容
总之，遥感监测在农作物长势评价中具有重要的作用。它不仅可以实现大范 围、高效的监测，而且可以提高监测的准确性和精度。通过遥感监测技术，我们 可以更好地了解作物的生长状况，为农业生产提供更为精确的指导，有助于提高 农作物的产量和品质，为保障粮食安全和农业可持续发展做出贡献。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
四、已经开展的一些研究工作
生化参数遥感监测
含水量 叶绿素 -0.11 -0.04 0.13 0.16 -0.27 0.17 0.31 全糖 -0.20 0.07 0.23 -0.11 0.28 0.31 -0.17 类胡萝卜 素 0.14 -0.01 -0.06 0.27 -0.12 -0.12 0.03 淀粉 -0.08 0.12 0.03 -0.44 0.22 0.07 -0.35 木质素 0.09 -0.25 -0.03 -0.15 -0.30 -0.08 -0.10 粗纤维 0.12 -0.33 0.03 -0.04 -0.21 -0.03 0.16 全氮 -0.20 -0.51 -0.29 0.54 -0.48 -0.16 0.73 全磷 0.08 -0.24 -0.15 0.67 -0.30 -0.17 0.54 全钾 0.07 0.13 -0.08 -0.24 0.22 -0.11 -0.35
反射率
观测样区MERIS廓线 0.45 0.40 0.35 0.30
反射率
禹城1_0424 禹城2_0424 禹城3_0424 禹城4_0424 禹城5_0424 封丘1_0423 封丘2_0423 封丘3_0423 封丘4_0423 封丘5_0423 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 波段
大尺度的农作物长势监测可以为农业政策的制订和粮 食贸易提供决策依据 田块尺度的作物长势可以为提高农业生产管理水平及 实现我国数字化农业战略具有重大意义
小尺度：
二、国内外发展综述--提出问题
目前的长势监测方法:
直接监测法 同期对比法 作物生长过程监测法 作物生长模型法 诊断模型法 定性或半定量的监测 方法在推广上存在问题，一个区域的模型无法在 其他地区适用
含水量 叶绿素 全糖 类胡萝卜素 淀粉 木质素 粗纤维 全氮 全磷 全钾
0.2 0.1 0 反射率-350
0.6 0.4 0.2
反射率-850 反射率-1350 反射率-1850 反射率-2350
0.0 反射率- 反射率- 反射率- 反射率- 反射率- 反射率- 反射率- 反射率- 反射率- 反射率350 550 750 950 1150 1350 1550 1750 1950 2150 -0.2 -0.4 -0.6
农作物长势遥感监测新方法
内容
长势监测的意义及重要性 国内外发展综述--提出问题 新方法的提出--解决问题 已经开展的一些研究工作 作物长势遥感监测展望
一、长势监测的意义及重要性
意义:
精确、及时的作物长势监测可以为生产形势预测 提供科学依据，在农作物生长期内尽早掌握作物 生长形势有的时候要比精确估计作物种植面积和 总产量本身还重要 大尺度：
作物生长期
耕地6重构效果图
0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 1 28 55 82 109 136 163 190 217 244 271 298 325 天 原始数据 重构数据
F 151.34 108.59 158.67 142.93 165.10 153.82 136.00 121.73 135.74 139.47 131.09 141.70
显著性 概率 0 0 0 0 0 0 0 0 0 0 0 0
RMSE 0.4237 0.4853 0.4142 0.4340 0.4083 0.4205 0.4431 0.4632 0.4429 0.4385 0.4488 0.4353
Lower 95% Upper 95% 2.096184123 3.462178 0.115861998 0.273671
四、已经开展的一些研究工作
生化参数遥感监测
反高斯模型曲线模拟 0.5 0.45 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0
600 650 700 750 800 850 900 950 1000 1050 1100 1150 1200 1250
四、已经开展的一些研究工作
1.0 含水量 0.8 叶绿素 0.6 全糖 0.4 类胡萝卜素 0.2 0.0 导数-350 -0.2 -0.4 -0.6 -0.8 -1.0
氮浓度与导数光谱的相关系数 0.800 0.600 0.400 0.200 0.000 导数-350 -0.200 -0.400 -0.600 -0.800
生化参数遥感监测
淀粉 导数-550 导数-750 导数-950 导数-1150 导数-1350 导数-1550 导数-1750 导数-1950 导数-2150 木质素 粗纤维 全氮 全磷 全钾
导数-550
导数-750
导数-950
导数-1150
导数-1350
导数-1550
导数-1750
导数-1950
导数-2150
麦苗微黄、较稀
麦苗发黄、较稀、矮
三、新方法的提出--解决问题
三、新方法的提出--解决问题
通过冬小麦生理、生化参数的遥感监测，从 作物群体特征及个体特征两个方面出发，考 虑区域内作物物候差异给长势监测带来了影 响，建立冬小麦长势遥感定量监测新方法。
生理 参数: LAI 长势监测 方法 群体 特征 个体 特征 生化 参数: 氮素 浓度
红边起始 红边结束1 红边结束2 红边位置 红边宽度1 红边宽度2 红边斜率
0.00 0.07 0.23 0.20 0.11 0.20 0.16
四、已经开展的一些研究工作
5.5
生化参数遥感监测
叶片氮浓度与红边斜率的关系
y = 0.1948x + 2.7792 R = 0.5313
2
红边斜率 10.765 10.765 9.208 8.118 8.524 8.237 9.495 8.795 6.687 8.313 7.900 7.373 7.410 7.226 9.007 8.349 8.420 9.449 9.233 10.928 7.744 8.050 6.936 9.063 8.618
全氮 4.904 4.761 4.914 4.539 4.577 4.340 4.835 4.539 3.910 4.256 4.409 4.232 4.550 3.919 4.507 4.631 4.425 4.315 4.249 4.960 4.328 3.891 4.204 4.371 4.713
0.25 0.20 0.15 0.10 0.05 0.00
波段 band1 band2 band3 band4 band5 band6 band7 band8 band9 band10 band11 band12 band13 band14 band15
波长 412.50 442.50 490.00 510.00 560.00 620.00 665.00 681.25 708.75 753.00 760.63 778.75 865.00 885.00 900.00
波长
四、已经开展的一些研究工作
生化参数遥感监测
四、已经开展的一些研究工作
作物物候遥感精准监测
耕地4重构效果图
0.8 0.7 0.6
NDVI
0.5 0.4 0.3 0.2 0.1 0 1 28 55 82 109 136 163 190 217 244 271 298 325 天 原始数据 重构数据
四、已经开展的一些研究工作
生理参数遥感监测-生物量
卫星遥感 PAR FPAR 时间序列 NDVI、 LAI、„ 植被覆盖 类型 GPP 水分胁迫 信息 土壤水分 温度、降 水、„
NPP
R
小 麦
玉 米
四、已经开展的一些研究工作
0.6 0.5 0.4 0.3
0.8
生化参数遥感监测
F11 F13 F15 F22 F24 F31 F33 F35 F42 F44 F51 F53 F55 F12 F14 F21 F23 F25 F32 F34 F41 F43 F45 F52 F54
0.4
相对误差:(观测值-预测值)/观测值
0.3 0.2 0.1 0 -0.1 -0.2 -0.3 -0.4 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
通过对26组数据的比较： 最大的相对误差为37%，最小的为3% 相对误差大于30%的仅有3组 平均相对误差为19% 模型达到了较高的精度。
回归统计 Multiple R 0.728915 R Square 0.531317 Adjusted R 0.51094 Square 标准误差 0.211706 观测值 25
Coefficients 标准误差 t Stat P-value Intercept 2.779181 0.330164 8.417569 1.77E-08 红边斜率 0.194766 0.038143 5.106243 3.59E-05
问题：
二、国内外发展综述--提出问题
需求:
解决目前长势监测中存在的问题 提出新的作物长势监测技术体系 新方法与区域无关，可以在大范围进行推广，也 可以在多个尺度进行应用
麦苗发黄、但苗不壮
麦苗微黄、较健壮
作物长势差异及其 影像物征
麦苗浓绿、健壮、高
麦苗发绿、较健壮
麦苗发黄、较稀、矮
RVI
SAVI
EVI
结论： （1）所有的模型的回归显著性 概率值均小于0.01，置信度达到 99.9%以上，四种植被指数均包含 了可用于估测LAI的显著信息。 （2）RVI对数模型的相关系数 （0.9247）最高,而RMSE （0.4083）最低，拟合结果最好。