LAI是作物生长状况的关键参数，提供了植被冠层结构以及相关物质和能量交换过程的信息。目前，现有研究大多是基于冠层特征对LAI进行估算，但玉米雄穗的光谱特征与冠层叶片的光谱特征显著不同，这对使用作物冠层特征构建植被指数来估算LAI的准确性造成影响。因此，有必要系统研究雄穗对冠层光谱的贡献并量化雄穗对LAI估算的影响。

在田间环境中准确估计叶面积指数（LAI）对于精确监测作物生长状况至关重要。目前，作物冠层信息被广泛用于遥感估算LAI等参数。然而，现有研究大多将冠层的叶片和雄穗视为一个整体，但雄穗光谱信息明显区别于冠层叶片，尚未有系统的研究探讨雄穗如何影响LAI估计的准确性。此外，对所选植被指数的数量的估计精度和泛化能力的评估甚少。因此，本研究采用深度学习分割方法，对玉米冠层中雄穗的影响进行了量化，并评估了模型输入变量数量对LAI估算的影响。研究结果表明，在使用VGG编码的U-Net模型时，多光谱数据集对雄穗的分割精度最高（CPA=89.53%；MIoU=85.97%）。通过定量分析冠层雄穗对植被指数的贡献，我们发现雄穗对基于冠层光谱信息构建的修正非线性植被指数（MNLI）影响最大。此外，采用梯度提升决策树方法（GBDT）发现移除图像中的雄穗可以显著提高LAI估算的准确性。基于9个植被指数对LAI估算时准确度最高（R2=0.816，RMSE=0.399，rRMSE=7.4%）。综上所述，本研究的方法在提高LAI估算准确性方面取得了显著成果，为玉米LAI监测提供了重要的技术支持。

图 研究区与试验设计

图 数据采集

图 不同生育期雄穗图像

图 雄穗反射率

图 雄穗对不同植被指数的贡献

图 LAI的估算结果

图 随VI数量GBDT模型精度的变化结果。