叶面积指数(LAI)是作物长势诊断及产量预测的重要参数。通过对冬小麦采样点的高光谱曲线进行连续小波变换(CWT)，然后利用小波系数与LAI建立支持向量机回归(SVR)模型，实现冬小麦不同生育时期的叶面积指数估算。通过对所研究方法与选取的植被指数、偏最小二乘(PLS)回归等5种方法的反演结果进行统计分析。结果表明：利用连续小波变换确定的LAI的敏感波段为680、739、802、895 nm，对应尺度分别为8、4、9和8，对应小波系数的LAI回归确定系数(R²)明显高于冠层反射率的回归确定系数；利用小波系数与LAI建立的SVR模型的反演精度最高，模型实测值与预测值的检验精度(R²)为0.86，均方根误差(RMSE)为0.43；而常用植被指数(归一化植被指数，NDVI；比值植被指数，RVI)建立的估测模型对冬小麦多个生育时期LAI反演精度最低(R²<0.76，RMSE>0.56)。因此利用连续小波变换进行数据预处理，能更好地筛选出对叶面积指数敏感的信息，LAI回归方法比较结果表明，SVR比PLS更适合于LAI的估测，通过将CWT与SVR结合(CWT-SVR)能实现不同生育时期冬小麦叶面积指数的遥感估算。

针对小麦株型对LAI反演精度的制约, 利用地面实测的多角度数据, 提出采用热点指数反演高精度的不同株型小麦LAI。 通过分析京411紧凑型和中优9507披散型两种株型小麦在红光（670 nm）和近红外波段（800和860 nm）的二向反射光谱特征, 借鉴热暗点指数HDS和归一化热暗点信息指数NDHD, 构建了改进的归一化热暗点指数MNDHD和热暗点比值指数HDRI两个新热点指数。 将HDS, NDHD, MNDHD和HDRI与NDVI, SR和EVI相乘得到的热点组合指数用于不同株型小麦LAI的反演。 分析得出对紧凑型小麦京411, 由860 nm近红外波段的NDVI与MNDHD和HDRI的组合指数反演的LAI精度分别为0.943 1和0.909 2； 对披散型小麦中优9507, 由800 nm近红外波段的SR与HDRI和MNDHD的组合指数获得的LAI反演精度分别为0.964 8和0.895 6。 表明基于冠层的热点效应反演不同株型小麦LAI的方法可行, 多角度遥感数据在作物结构参数提取方面比常规观测数据更具优势。

冬小麦叶面积指数（leaf area index, LAI）是进行作物长势判断和产量估测的重要农学指标之一， 高光谱遥感技术为大面积、 快速监测植被LAI提供了有效途径。 在探讨利用最小二乘支持向量机（least squares support vector machines, LS-SVM）方法和高光谱数据对不同条件下冬小麦LAI的估算能力。 在用主成分分析法（principal component analysis, PCA）对PHI航空数据降维的基础上， 利用实测LAI数据和高光谱反射率数据， 构建LS-SVM模型， 采用独立变量法， 分别估算不同株型品种、 不同生育时期、 不同氮素和水分处理条件下的冬小麦LAI， 并与传统NDVI模型反演结果对比。 结果显示， 每种条件下的LS-SVM 模型都具有比NDVI模型更高的决定系数和更低的均方根误差值, 即反演精度高于相应的NDVI模型。 NDVI模型对不同株型品种、 不同氮素和水分条件下冬小麦LAI估算精度不稳定，　LS-SVM则表现出较好的稳定性。 表明LS-SVM 方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。

叶面积指数（leaf area index, LAI）是反映作物生长状况和进行产量预测预报的主要指标之一, 对诊断作物生长状况具有重要意义。 遥感技术为大面积、 快速监测植被LAI提供了有效途径。 利用高光谱遥感影像, 结合田间同步实验数据, 探讨不同方法对冬小麦叶面积指数遥感反演的能力。 介绍了支持向量机、 离散小波变换、 连续小波变换和主成分分析四种LAI反演方法。 分别利用上述四种方法构建冬小麦LAI反演模型, 并对不同算法反演的LAI模型进行了真实性检验。 结果显示, 支持向量机非线性回归模型精度最高, 对冬小麦LAI估算能力最强, 反演值与实测值拟合的决定系数为0.823 4、 均方根误差为0.419 5。 离散小波变换法和主成分分析法都是基于特征提取和数据降维, 其多元变量回归分析对LAI估算能力相近, 决定系数分别为0.697 1和0.692 4, 均方根误差分别为0.605 8和0.554 1。 连续小波变换法回归模型精度最低, 不适宜直接用其小波系数来反演LAI。 结果表明, 非线性支持向量机模型最适宜用于研究区域的冬小麦LAI反演。