基于随机森林算法的冬小麦生物量遥感估算模型对比

为了寻求高效的冬小麦生物量估算方法,该研究获取了2014年陕西省杨凌区拔节期、抽穗期和灌浆期的冬小麦生物量和对应的RADARSAT-2全极化雷达、GF1-WFV多光谱数据,并利用随机森林算法（random forest,RF）将光谱、雷达后向散射、光学植被指数和雷达植被指数结合进行冬小麦生物量回归建模。将相关系数分析（correlation coefficient, r）、袋外数据（out-of-bag data,OOB）重要性和灰色关联分析(grey relational analysis, GRA)与随机森林算法（RF）进行整合,构建了3种冬小麦生物量估算模型：r-RF、OOB-RF和GRA-RF,并分别利用3种估算模型对冬小麦生物量进行了估算。结果表明：r-RF、OOB-RF和GRA-RF3种模型分别采用3、4、10组数据时,验证决定系数分别为0.70、0.70和0.65,平均绝对误差分别为0.162、0.164和0.172 kg/m2,均方根误差分别为0.218、0.221和0.236 kg/m2,r-RF和OOB-RF比GRA-RF对冬小麦生物量有更好而的预测能力。研究结果证实了随机森林算法对冬小麦生物量进行遥感估算的潜力。     

基于改进水云模型和Radarsat-2数据的农田土壤含水量估算

为了直接将雷达遥感中"水云模型"进行反演应用,该研究将"水云模型"中植被参数改为雷达植被指数,利用全极化数据直接支持遥感反演土壤含水量,无需遥感反演植被参数输入。改进模型为利用雷达遥感结合"水云模型"进行土壤含水量监测提供了一种高效便捷方法。基于Radarsat-2全极化数据对冬小麦覆盖的农田土壤含水量进行估算,利用2014年在陕西杨凌区获取的4个生育期内Radarsat-2卫星数据及同步田间测量108组冬小麦农田土壤含水量地面测量数据进行模型参数校正和精度验证。验证结果精度为:改进的雷达植被指数模型原叶面积指数模型(实测叶面积指数验证)原叶面积指数模型(光学遥感反演叶面积指数验证),且改进的雷达植被指数模型可以在多个生育期内对农田土壤含水量进行监测。     

基于地形校正的山区积雪深度反演算法

积雪深度是天气和水文模型运行的必要参数。利用微波遥感可以反演不同尺度的地表积雪深度参数,为全球或区域尺度气候模型与水循环提供有效积雪参数。现有积雪深度微波遥感反演算法未综合考虑地形因子对反演结果的影响。微波辐射计观测的地表信号会受到地形的影响,导致能量在地表重新得到分配,这不仅引起传感器本身的观测误差,而且改变了地表的微波散射和辐射,使得水热能量在地表重新分配,从而也影响着地表关键参数的反演精度。为了提高山区积雪深度的反演精度,分析了坡度、坡向等地形因子对积雪深度反演的影响,在利用微波遥感反演积雪深度时加入地形坡度和坡向校正,构建基于地形效应的微波辐射模型,提出基于地形校正的山区积雪深度反演算法。实验结果显示,地形校正前,积雪深度反演的RMSE=10.41,地形校正后,积雪深度反演的RMSE=7.22,积雪深度反演精度得到了一定的提高。