基于無人機多光譜遙感的馬尾松林葉面積指數(shù)估測

姚 雄 余坤勇 劉 健

(1.福建工程學院建筑與城鄉(xiāng)規(guī)劃學院， 福州 350118；2.3S技術(shù)與資源優(yōu)化利用福建省高校重點實驗室， 福州 350002; 3.福建農(nóng)林大學林學院， 福州 350002)

0 引言

葉面積指數(shù)(Leaf area index，LAI)指單位水平地面面積上所有綠葉面積總和的一半[1]，是表征森林冠層結(jié)構(gòu)的重要參數(shù)，也是描述森林植被的光合作用、蒸騰作用、呼吸作用、降水截留作用和碳氮循環(huán)過程的關(guān)鍵參數(shù)，經(jīng)常用于評價森林生產(chǎn)力、森林質(zhì)量和森林健康狀況[2-4]。馬尾松(PinusmassonianaLamb.)是南方紅壤區(qū)典型的造林樹種，具有耐干旱耐貧瘠土壤、適應(yīng)性強、生長迅速等特點，已成為南方水土流失區(qū)域荒山造林的先鋒樹種[5]，其健康狀況和長勢對紅壤區(qū)水土流失監(jiān)測評價與治理具有重要意義。因此，準確估測馬尾松林的LAI，對森林生態(tài)系統(tǒng)完整性以及碳氮循環(huán)過程研究尤為重要。

目前，獲取林分LAI的方法有直接測量法和間接測量法[6]。直接測量法精度較高，但需要對林木進行破壞性采集，不僅費時、費力，而且選取林木不一定具有代表性，因此這種方法很難應(yīng)用于大尺度、長時序的研究。間接測量法主要利用遙感技術(shù)獲取植被光譜信息，進而利用模型對LAI進行估算，具有破壞性小或無破壞性、測量高效等特點。常用的遙感技術(shù)主要包括衛(wèi)星遙感、地面遙感、載人機遙感和無人機遙感[7-8]。其中，無人機遙感因靈活性高、機動性強、操作簡便、成本低等優(yōu)勢而逐漸成為精準農(nóng)業(yè)和精準林業(yè)管理的又一重要技術(shù)，也是獲取植被冠層表型參數(shù)的重要手段[9-11]。現(xiàn)有研究促進了無人機遙感技術(shù)在植被LAI估測中的應(yīng)用，但也存在以下不足：對于無人機影像空間分辨率的選擇缺乏統(tǒng)一標準，具有一定的隨意性，這給植被LAI估測模型推廣帶來一定困難；利用經(jīng)驗統(tǒng)計模型、機器學習模型和物理模型反演植被LAI，并通過一種方法或兩種方法建模，而采用多種方法進行對比分析的相關(guān)研究還比較少。目前，國內(nèi)外利用無人機遙感技術(shù)進行植被LAI的估測研究主要集中在農(nóng)作物上，而針對森林的研究還鮮見報道[11]，尚未見關(guān)于馬尾松林LAI無人機遙感估測的相關(guān)研究。因此，探討不同模型下不同空間分辨率影像對馬尾松林LAI估測精度的影響，對精準林業(yè)管理和森林冠層表型參數(shù)遙感估測技術(shù)規(guī)范的制定具有重要意義。

本文以無人機搭載的多光譜傳感器為平臺，獲取馬尾松林光譜信息，選取相關(guān)性高的植被指數(shù)，運用多種方法分別構(gòu)建不同空間分辨率下的LAI估測模型，比較分析各模型的估測精度，從而得到最佳模型和最佳空間分辨率，為無人機影像空間分辨率的選擇提供理論依據(jù)，以支撐精準林業(yè)中森林冠層表型參數(shù)無人機遙感估測。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于福建省西部的長汀縣河田鎮(zhèn)(25°33′～26°48′N、116°18′～116°31′E)，如圖1所示。該區(qū)屬于典型的中亞熱帶季風氣候，年平均降雨量為1 621 mm，其中一半以上的降雨量集中在4—6月，年平均氣溫為19℃，年平均無霜期為260 d；土地利用現(xiàn)狀以林地為主，森林覆蓋率超過70%，優(yōu)勢樹種是馬尾松，約占森林面積的80%。試驗地為馬尾松純林，林齡35 a，林分密度約1 800株/hm2，平均樹高小于8 m，平均胸徑小于10 cm，較好地代表了南方紅壤水土流失區(qū)馬尾松人工林現(xiàn)狀，適合森林LAI無人機遙感估測試驗的開展。

1.2 葉面積指數(shù)采集

2018年4月在試驗地布設(shè)了72個10 m×10 m樣方，在每個樣方中心點附近測量LAI。借助LAI-2200型植物冠層分析儀(Li-COR Inc., Lincoln, NE,美國)采用1A4B方式測定LAI，即選用90°遮蓋帽在離地1.5 m處順序測量1次樣方外空曠處A值和4次樣方B值，測量結(jié)束后，儀器自動根據(jù)朗伯-比爾定律計算并記錄LAI；測量同時，利用集思寶手持式GPS定位儀記錄該中心點的坐標。為了減少誤差，每個樣方中心點重復(fù)測量3次，取其平均值作為該點的LAI，共獲取72組LAI數(shù)據(jù)。

1.3 無人機影像數(shù)據(jù)獲取及預(yù)處理

采用云上晴空公司生產(chǎn)的WG-18型無人機平臺搭載美國MicaSense公司生產(chǎn)的RedEdge多光譜傳感器進行試驗地遙感影像的獲取，獲取時間為2018年4月。該傳感器包含5個通道：藍光通道(中心波長475 nm)、綠光通道(中心波長560 nm)、紅光通道(中心波長668 nm)、紅邊通道(中心波長717 nm)、近紅外通道(中心波長840 nm)。飛行前，利用傳感器配套的白板進行校正。飛行時，航高設(shè)置為120 m，航向和旁向重疊率均設(shè)置為80%，航行速度設(shè)置5 m/s。為降低影像數(shù)據(jù)受陽光直射效應(yīng)的影響，選擇無風且陽光充足的時間段(11:00—14:00)進行影像數(shù)據(jù)采集。采用Pix4D Mapper和ERDAS軟件對無人機獲取的數(shù)據(jù)進行影像拼接和波段融合，首先將無人機采集的各波段影像數(shù)據(jù)和標準定標板數(shù)據(jù)導(dǎo)入Pix4D Mapper軟件中進行輻射校準并生成單波段拼接影像，然后利用ERDAS對拼接后的單波段影像進行波段融合，融合后的影像空間分辨率為0.08 m。

1.4 植被指數(shù)選擇與提取

植被指數(shù)是由遙感數(shù)據(jù)多種波段經(jīng)線性和非線性組合而成的遙感產(chǎn)品，相比于單波段數(shù)據(jù)，植被指數(shù)可以更有效地度量地表植被長勢、生物量和覆蓋度等指標。目前常用的植被指數(shù)中，歸一化植被指數(shù)是應(yīng)用最廣泛、最簡單的植被指數(shù)，可用于區(qū)域植被覆蓋度和植被生理參數(shù)的檢測，比值植被指數(shù)可用于生物量估算，修正型土壤調(diào)整植被指數(shù)降低了土壤背景對植被的影響。此外，不少研究者利用植被指數(shù)進行森林LAI估算，如傅銀貞等[12]分析了馬尾松林LAI與7種植被指數(shù)的相關(guān)性，并進行回歸分析，結(jié)果表明，轉(zhuǎn)換型歸一化差值植被指數(shù)和歸一化植被指數(shù)對馬尾松林LAI具有較好的預(yù)測性；董立新[13]基于7種常用植被指數(shù)和5種自定義植被指數(shù)對三峽庫區(qū)闊葉林、針葉林和混交林的LAI進行估算，3種森林類型的LAI估算模型的決定系數(shù)R2均達到0.77以上。因此，本文借鑒相關(guān)研究者的研究結(jié)果，選擇8種對LAI變化敏感的植被指數(shù)：綠色歸一化植被指數(shù)(GNDVI)[14]、綠色比值植被指數(shù)(GRVI)[15]、修正型土壤調(diào)整植被指數(shù)(MSAVI)[16]、歸一化植被指數(shù)(NDVI)[17]、再歸一化植被指數(shù)(RDVI)[18]、比值植被指數(shù)(RVI)[19]、冠層結(jié)構(gòu)不敏感植被指數(shù)(SIPI)[20]、可見光大氣修正植被指數(shù)(VARI)[21]。

為了分析無人機影像空間分辨率對馬尾松林LAI估算結(jié)果的影響，本文將原始無人機影像數(shù)據(jù)進行重采樣。考慮到試驗地的馬尾松平均冠幅小于5 m，因此設(shè)置原始影像重采樣為空間分辨率分別為0.1、0.2、0.5、1、2、5 m，并借助ERDAS軟件中的建模工具，根據(jù)植被指數(shù)的計算公式分別提取不同空間分辨率下的植被指數(shù)。

1.5 模型構(gòu)建方法

研究采用經(jīng)驗統(tǒng)計模型(一元回歸模型和多元逐步回歸模型)和機器學習模型(神經(jīng)網(wǎng)絡(luò)模型、支持向量機模型和隨機森林模型)建立不同空間分辨率的馬尾松林LAI無人機估測模型。

一元回歸模型用于表示預(yù)測項目(LAI)與單個預(yù)測因子(植被指數(shù))之間的關(guān)系。本文利用Matlab R2014b建立LAI的線性回歸(Linear regression，LR)、對數(shù)、指數(shù)和乘冪模型。

多元逐步回歸分析(Multiple stepwise regression，MSR)的基本思路是：將所有植被指數(shù)按照其對LAI影響的顯著程度，從小到大依次排序，每一步選一個最顯著的植被指數(shù)進入回歸方程。首先，將最顯著的植被指數(shù)引入回歸方程組成一元回歸方程。其次，從剩下的植被指數(shù)中選擇最顯著的植被指數(shù)引入回歸方程中，并對回歸方程中的所有植被指數(shù)進行顯著性檢驗。如果植被指數(shù)顯著，則留在回歸方程中；反之則移除，直至回歸方程中的植被指數(shù)均對LAI的作用顯著。如此反復(fù)選取，直至最后再無顯著的植被指數(shù)可以引入，同時回歸方程中也沒有作用不顯著的植被指數(shù)需要移除[22]。采用Matlab R2014b構(gòu)建MSR模型。

反向傳播(Back propagation，BP)神經(jīng)網(wǎng)絡(luò)模型是RUMELHART和MCCELLAND[23]提出的一種基于誤差反向傳播算法的多層前向型神經(jīng)網(wǎng)絡(luò)算法，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型。本文BP模型結(jié)構(gòu)采用輸入層、單層隱藏層和輸出層3層網(wǎng)絡(luò)結(jié)構(gòu)，通過交叉驗證優(yōu)化得到輸入層到隱藏層的傳遞函數(shù)為tansig、隱藏層到輸出層的傳遞函數(shù)為purelin、訓練方法為LM算法、學習率為0.01、迭代次數(shù)為200的誤差反向傳播模型。本文采用Matlab R2014b構(gòu)建BP模型。

支持向量機模型(Support vector machine, SVM)是VAPNIK[24]基于統(tǒng)計學習理論，依據(jù)Vapnik-Chervonenkis理論和結(jié)構(gòu)風險最小化理論提出的解決最優(yōu)解問題的機器學習算法。SVM的基本思想是把訓練樣本通過非線性變換映射到高維特征空間，然后通過多種算法訓練解算高維特征空間中的最優(yōu)超平面。目前，SVM已被廣泛應(yīng)用于LAI反演研究[25-26]。SVM預(yù)測的核心問題是確定核函數(shù)和模型相關(guān)參數(shù)。研究利用R軟件中的e1071軟件包進行參數(shù)優(yōu)化并構(gòu)建SVM，最終選擇核函數(shù)為高斯核函數(shù)，懲罰因子C為7.2，核函數(shù)參數(shù)γ為0.042 1。

隨機森林(Random forest，RF)模型是BREIMAN[27]于2001年提出的一種基于分類回歸樹的集成學習方法。它可以用來處理分類和回歸問題。RF回歸的主要思想是從n個原始訓練集中應(yīng)用自助法有放回的隨機抽取k個樣本，并由此生成k個決策樹建模結(jié)果，根據(jù)所有決策樹的建模結(jié)果，取其平均值得到最終預(yù)測結(jié)果。RF預(yù)測精度依賴于森林中決策樹的數(shù)量ntree和分割節(jié)點的隨機變量數(shù)mtry。本文通過誤差分析及反復(fù)試驗，選擇模型參數(shù)ntree為500、mtry為3構(gòu)建RF模型。本文采用R軟件中的randomForest軟件包構(gòu)建RF模型。

1.6 模型精度評價

為了檢驗?zāi)Ｐ偷木龋捎帽Ａ魳颖窘徊鏅z驗方式將72個樣本數(shù)據(jù)按照2∶1的比例隨機劃分為建模集(48個)和檢驗集(24個)。建模集用來構(gòu)建LAI估測模型，檢驗集用來評價估測模型的精度。采用決定系數(shù)(R2)、均方根誤差(Root mean square error，RMSE)、相對分析誤差(Residual predictive deviation，RPD)、總體精度(Total accuracy，TA)對LAI預(yù)測模型的精度進行評價[1]。R2、RPD和TA越大，RMSE越小，說明模型的預(yù)測精度越高。

2 結(jié)果與分析

2.1 葉面積指數(shù)與植被指數(shù)的相關(guān)性分析

利用48個建模集實測的LAI，分別與7個不同空間分辨率下計算的遙感植被指數(shù)進行相關(guān)性分析，結(jié)果見表1。由表1可知，不同空間分辨率下LAI與8種植被指數(shù)均呈極顯著相關(guān)(p<0.01)，且它們的相關(guān)系數(shù)均大于0.4。從植被指數(shù)來看，RVI與LAI的相關(guān)系數(shù)在不同空間分辨率中均最大，相關(guān)系數(shù)均大于0.6，且最大達到0.819。從影像分辨率來看，LAI與植被指數(shù)的相關(guān)系數(shù)整體上呈現(xiàn)先增大后減小的趨勢，并在空間分辨率為5 m時，相關(guān)系數(shù)大幅降低；在0.08 m和0.1 m空間分辨率的尺度下，各植被指數(shù)的相關(guān)系數(shù)由大到小依次為RVI、NDVI、VARI、SIPI、GNDVI、MSAVI、RDVI、GRVI。本文所選8種植被指數(shù)均能較好地反映馬尾松林LAI的變化情況，可用來建立馬尾松林LAI遙感反演模型。

表1 不同空間分辨率影像植被指數(shù)與LAI的相關(guān)系數(shù)

2.2 葉面積指數(shù)單變量模型分析

基于48組建模集數(shù)據(jù)，共建立了不同空間分辨率尺度下的224種單變量模型，各模型的R2見表2。從表2中可知，在空間分辨率為0.5 m時，基于RVI構(gòu)建的LAI線性模型的R2最高(0.671)；在空間分辨率為5 m時，基于VARI構(gòu)建的LAI乘冪模型的R2最低(0.157)。從模型類型來看，LAI單變量模型的R2平均值由大到小依次為線性(0.487)、對數(shù)(0.457)、指數(shù)(0.455)、乘冪(0.432)。從植被指數(shù)來看，LAI單變量模型的R2平均值由大到小依次為RVI(0.587)、NDVI(0.540)、VARI(0.507)、SIPI(0.463)、GNDVI(0.397)、RDVI(0.384)、GRVI(0.382)。從空間分辨率尺度來看，LAI單變量模型的R2平均值由大到小依次為0.5 m(0.501)、0.1 m(0.500)、1 m(0.499)、0.2 m(0.498)、0.08 m(0.497)、2 m(0.437)、5 m(0.270)。此外，在同一空間分辨率尺度下，基于RVI構(gòu)建的LAI線性估測模型均比其他模型的R2高。

表2 不同空間分辨率下單變量LAI估測模型的R2

2.3 葉面積指數(shù)多變量模型分析

表3為不同空間分辨率尺度下LAI多變量估測模型的調(diào)整R2。由表3可知，在空間分辨率為0.5 m時，基于RF算法建立的LAI估測模型的調(diào)整R2最高(0.766)，比單變量R2最高值(0.671)提高了14%；在空間分辨率為5 m時，基于MSR模型構(gòu)建的LAI估測模型的調(diào)整R2最低(0.401)，但比單變量R2最低值(0.157)增加了0.244。從模型類型看，LAI多變量模型的調(diào)整R2平均值由大到小依次為RF(0.695)、SVM(0.683)、BP(0.670)、MSR(0.668)。從空間分辨率尺度來看，LAI多變量模型的調(diào)整R2平均值均比單變量模型高，說明LAI多變量模型比單變量模型的建模精度高，對應(yīng)的調(diào)整R2平均值由大到小依次為0.5 m(0.744)、0.08 m(0.739)、0.2 m(0.729)、1 m(0.726)、0.1 m(0.725)、2 m(0.631)、5 m(0.459)。

表3 不同空間分辨率下多變量LAI估測模型的調(diào)整R2

2.4 馬尾松林葉面積指數(shù)遙感反演模型比較分析

基于24組檢驗集數(shù)據(jù)，利用單變量最優(yōu)模型(即線性模型)和4個多變量模型，得到不同空間分辨率尺度下5個模型的LAI估測數(shù)據(jù)，通過與野外實測LAI數(shù)據(jù)比較分析，評價不同空間分辨率尺度下不同模型的預(yù)測性能，結(jié)果見圖2。由圖2可知，除BP算法外，其余模型整體上在空間分辨率尺度為0.08～0.5 m內(nèi)變化幅度不大，而在空間分辨率尺度為1～5 m范圍內(nèi)整體上呈急劇下降的趨勢；當空間分辨率尺度為0.5 m時，RF算法的R2最高，達到0.554。均方根誤差RMSE的變化趨勢與R2相反，即模型RMSE在空間分辨率尺度為0.08～0.5 m內(nèi)隨著分辨率的增大其值變化幅度較小，隨著空間分辨率尺度的進一步增大，其值整體上呈增加的趨勢；當空間分辨率尺度為0.5 m時，RF算法的RMSE最低，僅為0.421。模型相對分析誤差和總體精度的變化規(guī)律與R2較為一致，即在空間分辨率尺度為0.5 m時，RF算法的模型相對分析誤差最高(1.523)，總體精度達到最大，最大值為81.95%。由此可知，空間分辨率尺度為0.5 m時RF模型得到的反演結(jié)果較為理想。

研究表明，利用無人機影像數(shù)據(jù)進行林地LAI遙感反演時，影像空間分辨率尺度并非越高越好，在選擇合適的預(yù)測因子和模型前提下，空間分辨率尺度的選擇對保證LAI的反演精度至關(guān)重要，因而在進行林地LAI無人機遙感反演時，需根據(jù)樹種類型以及葉片和冠幅大小選擇合適的空間分辨率影像。

2.5 馬尾松林葉面積指數(shù)空間分布

根據(jù)前文分析結(jié)果，研究采用0.5 m空間分辨率尺度下的RF模型進行馬尾松林LAI的空間反演(圖3)。從圖3中可以看出，試驗地LAI在0～4.35之間，平均值為1.46，且大部分區(qū)域的LAI在0～2之間；中部區(qū)域的LAI普遍低于西南部區(qū)域的LAI，可能原因是2017年7月課題組在中部區(qū)域進行了一次馬尾松目標樹采伐作業(yè)，加上多次的外業(yè)工作，破壞了林下植被覆蓋狀況，導(dǎo)致植被較為稀疏，從而使該區(qū)域的LAI低于西南部的LAI。由此可知，基于0.5 m空間分辨率下的RF模型能夠較好地還原馬尾松林LAI的分布格局。

3 討論

目前，利用無人機多光譜成像儀進行植被參數(shù)的反演研究，主要通過提取植被指數(shù)建立經(jīng)驗統(tǒng)計模型或機器學習模型進行植被參數(shù)的估測，不同研究區(qū)、植被類型和估算方法得到的研究結(jié)果基本一致[28-31]，但精度有一定差異。本文利用LR、MSR、RF、SVM、BP共5種方法構(gòu)建了馬尾松林LAI無人機估測模型，通過對比分析發(fā)現(xiàn)，基于多變量模型(MSR、RF、SVM、BP)的LAI估測精度普遍優(yōu)于單變量(LR)模型，這與多變量模型中多種自變量比單變量模型能更全面挖掘遙感數(shù)據(jù)信息有關(guān)。這與文獻[32]利用單變量模型和多變量模型進行闊葉林、針葉林、針闊混交林等林地LAI的研究結(jié)果一致。除BP模型外，其他4種模型的決定系數(shù)R2均在空間分辨率為0.5 m時達到最高，且隨著空間分辨率的變化，對應(yīng)的R2均降低，并在空間分辨率為5 m時降至0.4以下。其原因主要是LAI反映了單位水平面積上綠葉總?cè)~面積的一半，在影像空間分辨率較高(0.08～0.2 m)的情況下，可能會出現(xiàn)馬尾松葉簇完全包含整個像元的現(xiàn)象，此時基于間隙率計算的LAI較易失真，從而降低模型的R2；而在空間分辨率越來越低(1～5 m)的情況下，可能由于像元中存在的混合信息越來越復(fù)雜，導(dǎo)致模型的估測性能下降。這與文獻[33]利用無人機影像進行玉米冠層的LAI、葉綠素含量的研究結(jié)果基本一致。

在空間分辨率較高時，RF模型的檢驗精度均最高，主要原因是RF模型對自變量共線性問題不敏感，且不需要檢驗變量的正態(tài)性和獨立性，加上該模型在回歸分析過程中進行了兩次隨機抽樣，其預(yù)測結(jié)果不是某一個回歸方程的預(yù)測結(jié)果，而是多個預(yù)測值的平均值，可有效提高模型的精度。盡管BP模型在建模集中的調(diào)整R2均高于LR模型，甚至在空間分辨率為0.2 m時的調(diào)整R2高于SVM和RF模型，但BP模型在檢驗集中的預(yù)測精度普遍低于其他4種模型。造成BP模型預(yù)測精度較低的原因可能是該模型在建模集訓練過程中學習能力過強或模型陷入局部最優(yōu)解，導(dǎo)致學習模型未能有效包含建模集的內(nèi)在規(guī)律，從而造成模型在檢驗集中的泛化能力較弱[1]。在空間分辨率較低時，可能由于單個像素中含有的混合信息較復(fù)雜，導(dǎo)致5種模型的估測精度均較低。

需要指出的是，本文建模集和檢驗集中LAI估算模型的R2最高值均低于0.800，精度相對比較低，造成此現(xiàn)象的原因可能是試驗地地形因素的限制，加上地面實測點不足且比較集中，弱化了實測點之間的空間異質(zhì)性。此外，研究采用的是LAI-2200型植物冠層分析儀以自下向上測定LAI，即通過5個天頂角方位(7°、22°、38°、52°、68°)綜合觀測冠層空隙率結(jié)合朗伯-比爾定律獲取LAI，而無人機采樣角度(本次是垂直拍攝)以自上向下觀測方式僅能獲取頂部冠層光譜信息，兩者之間必然存在誤差。再者，基于光譜信息構(gòu)建的植被指數(shù)在反演LAI時容易出現(xiàn)光譜信息“飽和”現(xiàn)象，從而影響模型估測精度。有研究表明，在光譜信息的基礎(chǔ)上引入紋理特征信息可以顯著提高LAI或其他植被參數(shù)的估算精度[8,34]。后期將改進這些問題，引入多角度信息、紋理特征和地形變量等，以獲取更加精確的估算結(jié)果。研究僅對試驗地的馬尾松林進行了LAI估測研究，最佳分辨率為0.5 m，接近于試驗地馬尾松林平均冠幅半徑的一半，因此利用無人機影像反演林分LAI的最佳分辨率可能與林分冠幅大小或葉片大小存在相關(guān)性。后續(xù)工作將進一步確定利用無人機影像估算其他林分植被LAI的合適空間分辨率，以驗證本文研究結(jié)果的普適性程度。

4 結(jié)論

(1)在不同空間分辨率尺度下選取的植被指數(shù)與馬尾松林LAI均呈極顯著相關(guān)，相關(guān)系數(shù)均大于0.4，且7個空間分辨率尺度中RVI與LAI的相關(guān)性最高。

(2)構(gòu)建LAI和植被指數(shù)之間的單變量模型(線性、對數(shù)、乘冪、指數(shù)模型)和多變量模型(MSR、BP、SVM、RF模型)，對建模樣本的R2進行對比分析，結(jié)果表明，4種多變量模型的調(diào)整R2平均值均比單變量模型高，其中基于RF模型建立的LAI估測模型在空間分辨率為0.5 m時調(diào)整R2最高，達0.766。

(3)用LR、MSR、RF、SVM、BP共5種模型估算不同空間分辨率下的馬尾松林LAI，研究無人機影像空間分辨率對LAI估測精度的影響，研究表明，選擇最優(yōu)的估算模型和空間分辨率才能得到高精度的估測結(jié)果，空間分辨率為0.5 m時RF模型的估測效果最佳，可作為水土流失區(qū)域馬尾松林LAI監(jiān)測的主要模型。