科研产出
基于高光谱植被指数的水稻LAI遥感估算
《西南农业学报 》 2022 北大核心 CSCD
摘要：【目的】探索植被指数（VI）及其波段选择、回归建模方法、训练样本选取三方面因素对基于统计模型的水稻叶面积指数（LAI）高光谱遥感估算的影响，构建县域水稻LAI估算模型，并在四川省凉山彝族自治州昭觉县开展实证应用。【方法】本文基于不同样本量的3套训练数据，分别对增强型植被指数（EVI）、修正三角植被指数2（MTVI2）、归一化差值植被指数（NDVI）和修正比值植被指数（MSR）开展波段选择。在此基础上，以1种VI作为LAI的特征参量，试用指数回归（ER）和人工神经网络（ANN）,构建县域水稻LAI估算模型。计算LAI估算值和实测值之间的决定系数（R~2）和均方根误差（RMSE）,开展估算精度验证。【结果】（1）基于EVI或MTVI2的LAI估算精度优于NDVI和MSR。以ANN模型为例，基于优选波段的EVI和MTVI2得到的R~2分别为0.638和0.681,RMSE分别为0.554和0.519;而NDVI和MSR得到的R~2分别为0.567和0.560,RMSE分别为0.606和0.611。（2）基于各VI优选波段组合的LAI估算精度（平均R~2为0.574,平均RMSE为0.598）优于默认波段组合（平均R~2为0.424,平均RMSE为0.694）。（3）ANN模型的表现优于ER模型。在基于默认波段、优选波段的LAI估算试验中，ANN模型得到的平均R~2比ER模型分别提高40.27%和14.03%;平均RMSE分别降低11.32%和8.11%。（4）就本项目试验而言，训练样本量对基于ANN模型的LAI估测精度的影响不显著。例如，当训练样本量低至24时，基于EVI构建的ANN模型的测试精度（R~2=0.660, RMSE=0.537）,仍然优于ER模型（R~2=0.597, RMSE=0.585）。【结论】VI及其波段选择与回归建模方法对县域水稻LAI高光谱遥感估算均有明显影响。针对特定区域的目标作物，尝试利用任意可能的波段组合来计算多种VI,遴选与实测LAI相关系数最大的VI及其波段组合，有益于提高基于VI的LAI高光谱遥感估算精度。同时，即使基于小样本训练数据，机器学习算法仍有可能得出优于参数回归的结果。
关键词： 叶面积指数 遥感反演 植被指数 波段选择 机器学习 样本量
全文链接
请求原文
基于Softmax分类器的小春作物种植空间信息提取
《西南农业学报 》 2019 北大核心 CSCD
摘要：[目的]使用浅层机器学习分类方法和多光谱遥感影像快速准确提取研究区小春作物(油菜、小麦)种植空间信息.[方法]选择研究区小春作物识别最佳时期的Sentinel 2A MSI多光谱影像,融合得到10 m分辨率影像,然后降尺度生成15、20、30 m分辨率影像,结合地面调查数据,建立油莱、小麦、林地、居民地、水体等典型地物感兴趣区,训练Softmax分类器,基于不同空间分辨率影像提取油菜、小麦种植空间信息.[结果]①基于Softmax分类器和10 m分辨率融合影像的小春作物分类总体精度为90.02%,Kappa系数为0.8344,其中油莱生产者精度和用户精度分别为93.14%、91.42%,小麦的分别为87.93%,98.09%;②Soft-max法的小春作物分类精度随影像空间分辨率下降而降低,15、20、30 m分辨率影像的分类精度较10m的分别下降9.80%、12.04%和13.04%,Kappa系数依次减少0.1538,0.1873和0.2088;③15、20、30 m分辨率影像的油菜分类精度较小麦的低,影响因素为油菜花期和种植地块破碎分散.[结论]Softmax分类器在10 ~30 m中高分辨率影像小春作物分类中具备较高的精度,可作为常规方法应用于业务化的作物监测工作.
关键词： 小春作物 Sofimax 机器学习 空间分辨率 分类精度
全文链接
请求原文
首页上一页1下一页尾页
