摘要：[目的]探索不同高光谱模型监测大豆叶面积指数LAI的精度.[方法]实测不同水肥耦合作用下,大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据,对二者进行相关分析;采用敏感波段（801nm,670nm）构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数,建立大豆LAI估算模型;最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算.[结果]大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正;微分光谱在三边处与大豆LAI关系密切,在红边处取得最大回归确定性系数（R2 = 0.86）.植被指数可以较为精确反演大豆LAI,确定性系数R2〉0.84.人工神经网络模型可以大大提高大豆LAI的估算水平,当隐藏层节点数为2时,R2为0.92,随着隐藏层节点数的增加,R2可高达0.96;在没有黄熟期数据干扰的情况下,神经网络可以进一步提高大豆LAI的反演精度,R2可高达0.99.[结论]与基于植被指数建立的模型相比,神经网络模型可以有效避免因LAI过高而出现的过饱和现象,大大提高了LAI的反演精度.

关键词：高光谱 大豆lai 植被指数 bp神经网络 

单位：中国科学院东北地理与农业生态研究所; 长春130012