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ACRM模型与敏感波段的农作物LAI与LCC反演
《中国农业信息 》 2020
摘要：[目的]面向现代农业生产和管理的数据需求,基于ACRM冠层反射率模型,探索适于冬小麦叶面积指数(LAI)和叶片叶绿素含量(LCC)反演的波段选择方案.[方法]文章考虑高光谱数据降维和CR模型模拟误差,选出覆盖蓝、绿、红与近红外的5个波段(波段选择方案B1),开展LAI与LCC同步反演.然后分别选择LAI和LCC的敏感波段,开展对应参数的反演试验.[结果](1)基于B1,能够在多数田块实现较为准确的LAI与LCC同步反演(LAI反演值与实测值间决定系数(R2)为0.8604,均方根误差(RMSE)为0.963;LCC反演的R2为0.8141,RMSE为0.069).(2)仅利用LAI或LCC敏感波段反演结果的R2与RMSE同时略有升高,但与基于B1的反演结果相比,无明显差异.[结论]通过该研究与利用相同数据的前期研究对比发现,旨在高光谱数据降维与限制CR模型模拟误差的波段选择,对LAI反演精度改进作用较为显著.相较而言,仅选用单一目标参数(LAI或LCC)的敏感波段,对反演精度改进并不明显.由此,一方面证实了常规反演方法与面向对象反演法不强调选用单一目标参数敏感波段的合理性;另一方面,并不否定多阶段目标决策(MSDT)反演法以及一些相关研究提出的,仅采用单一目标参数敏感波段来开展反演的合理性.
关键词： 叶面积指数 叶片叶绿素含量 冠层反射率模型 遥感反演 波段选择
全文链接
请求原文
首页上一页1下一页尾页
