共查询到17条相似文献,搜索用时 781 毫秒
1.
基于随机森林算法的冬小麦叶面积指数遥感反演研究 总被引:10,自引:1,他引:9
【目的】通过利用随机森林算法(random forest,RF)反演冬小麦叶面积指数(leaf area index, LAI),及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析(correlation coefficient,r)和袋外数据(out-of-bag data,OOB)重要性分析与随机森林算法(random forest,RF)相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数(R2)分别为0.805、0.899,均方根误差(RMSE)分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R2为0.761,RMSE为0.320,数值范围(1.02-6.41)与地面实测(1.29-6.81)亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。 相似文献
2.
叶面积指数(LAI)作为表征植被冠层结构的重要参数,一直是气候变化和生态研究中的热点,遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象,以机载LiDAR和Landsat8/OLI为信息源,结合44块样地实测数据,使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上,进一步构建区域尺度的LAI反演模型,实现景洪市橡胶林LAI的反演。结果表明,基于LiDAR的林分水平模型中,SVR模型最优,决定系数(R2)为0.76,相对均方根误差(rRMSE)为17%,估测精度(P)为83%;以SVR模型估测结果作为区域尺度遥感反演模型的先验样本,结合Landsat8/OLI数据的BP神经网络模型反演效果最好,估测精度达76%。 相似文献
3.
【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0.860 4,均方根误差(RMSE)为0.963;
LCC 反演的R2 为0.814 1,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。 相似文献
4.
5.
为了减少单一角度卫星遥感与传统植被指数在LAI反演过程中的误差,提升马尾松林LAI反演精度,以福建省龙岩市长汀县河田镇马尾松林为研究对象,获取多角度无人机影像和马尾松林LAI实测数据。根据研究区不同波段热暗点指数、植被指数与实测LAI的相关关系,优化热暗点植被指数构建马尾松林LAI反演模型。结果表明,基于红光波段反射率计算的热暗点比值指数HDRI-r(R2=0.398)是研究区马尾松林LAI反演的重要辅助参数;将HDRI-r引入表征研究区冠层结构的传统植被指数NDVI、GNDVI、RVI、MSAVI、NRI、SIPI、VARI,构建的热暗点植被指数NHDRI与实测马尾松林LAI相关性最高,R2为0.406 5;引入热暗点信息的植被指数(NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI)与实测LAI的拟合R2均>0.37,相较于对应的传统植被指数,R2分别提高了82%、333%、295%、161%、1 409%、380%、192%,热暗点信息与传统植被指数的结合能够缓解植被冠层光饱和现象,有效提高马尾松林LAI反演精度;研究区马尾松林LAI范围为0.11~4.28 m2/m2,总体水平偏低,与当地马尾松林以枝叶稀疏、矮小的“老头松”为主的实际情况相符。 相似文献
6.
7.
【目的】 研究基于PROSAIL模型监测天然草地的动态变化,掌握草地的质量与数量。【方法】 研究使用地物光谱仪连续3年在天山北坡中段的2个山地草原样区采集光谱数据和配套数据,基于PROSAIL模型进行冠层LAI的高光谱反演,重点研究应用不同代价函数、植被种类变化对反演精度的影响。【结果】 多数代价函数反演LAI的决定系数(R2)在0.54~0.55,均方根误差(RMSE)在0.23~0.25,归一化均方根误差(NRMSE)在17~19。在9个来自不同统计类型的代价函数中,常用的RMSE代价函数的反演精度相对不高。将获取的427个样方数据依据种类数分成组,然后用PROSAIL进行LAI反演。种类数越多,RMSE在增大,R2在减少,反演精度越差。但精度的下降幅度不是均匀的,种类数≤2的组和种类数≤3的组之间精度差异最大。【结论】 在利用物理模型反演天然草地的叶面积指数时,不同代价函数获得的反演精度差别比较大;随着植被种类数量的增多,反演的精度是下降的。 相似文献
8.
针对遥感影像的神经网络模型对林地叶面积指数(LAI)反演容易陷入局部最优、收敛效率低等问题,提出基于GF-1遥感影像和PROSAIL模型反演数据建立鬣狗算法神经网络模型,并与BP神经网络模型进行对比.结果表明,BP神经网络训练集的均方根误差(RMSE)值为0.140,验证集RMSE值为0.137,测试集决定系数(R2)为0.525;鬣狗神经网络训练集的RMSE值为0.131,验证集RMSE值为0.132,测试集决定系数(R2)为0.703.本研究提出的鬣狗算法,可提升神经网络模型的反演性能,为GF-1卫星在大范围林地LAI反演的应用推广提供了方法思路. 相似文献
9.
10.
11.
12.
【目的】通过2018年1—2月广西国有高峰林场机载激光雷达数据及地面调查数据,采用参数方法和非参数方法建立回归模型,反演桉Eucalyptus树人工林森林蓄积量。【方法】通过点云提取点云高度参数、点云密度参数、林分郁闭度等点云特征变量,采用参数方法 (逐步回归、偏最小二乘回归)和非参数方法 (随机森林回归、支持向量机回归)进行林分蓄积量构建,通过与样地实测数据对比,进行模型回归预测性能评估,进而选择出表现最优蓄积量反演模型。【结果】采用留一法对以上4种模型进行验证,结果显示:逐步回归模型R2为0.85、均方根误差(RMSE)为23.93 m3·hm-2、平均绝对误差(MAE)为18.18 m3·hm-2;偏最小二乘回归模型R2为0.81、RMSE为26.52 m3·hm-2、MAE为19.94 m3·hm-2;核函数为RBF的支持向量回归模型R2为... 相似文献
13.
Winter wheat yield estimation based on assimilated Sentinel-2 images with the CERES-Wheat model
下载免费PDF全文
![点击此处可从《农业科学学报》网站下载免费的PDF全文](/ch/ext_images/free.gif)
Zheng-chun LIU Chao WANG Ru-tian BI Hong-fen ZHU Peng HE Yao-dong JING Wu-de YANG 《农业科学学报》2021,20(7):1958-1968
Assimilating Sentinel-2 images with the CERES-Wheat model can improve the precision of winter wheat yield estimates at a regional scale. To verify this method, we applied the ensemble Kalman filter(EnKF) to assimilate the leaf area index(LAI) derived from Sentinel-2 data and simulated by the CERES-Wheat model. From this, we obtained the assimilated daily LAI during the growth stage of winter wheat across three counties located in the southeast of the Loess Plateau in China: Xiangfen, Xinjiang, and Wenxi. We assigned LAI weights at different growth stages by comparing the improved analytic hierarchy method, the entropy method, and the normalized combination weighting method, and constructed a yield estimation model with the measurements to accurately estimate the yield of winter wheat. We found that the changes of assimilated LAI during the growth stage of winter wheat strongly agreed with the simulated LAI. With the correction of the derived LAI from the Sentinel-2 images, the LAI from the green-up stage to the heading–filling stage was enhanced, while the LAI decrease from the milking stage was slowed down, which was more in line with the actual changes of LAI for winter wheat. We also compared the simulated and derived LAI and found the assimilated LAI had reduced the root mean square error(RMSE) by 0.43 and 0.29 m2 m–2, respectively, based on the measured LAI. The assimilation improved the estimation accuracy of the LAI time series. The highest determination coefficient(R2) was 0.8627 and the lowest RMSE was 472.92 kg ha–1 in the regression of the yields estimated by the normalized weighted assimilated LAI method and measurements. The relative error of the estimated yield of winter wheat in the study counties was less than 1%, suggesting that Sentinel-2 data with high spatial-temporal resolution can be assimilated with the CERES-Wheat model to obtain more accurate regional yield estimates. 相似文献
14.
针对区域尺度森林地上生物量的分布情况,以大兴安岭生态观测站为例,提出了一种融合光学影像纹理和机载LiDAR点云特征的森林地上生物量遥感估测方法。该方法首先提取Landsat 8 OLI不同波段在不同运算窗口下的纹理特征;然后对机载LiDAR点云进行滤波提取地面点,并利用地面点对点云数据进行高度归一化处理,提取点云特征因子;最后结合提取的遥感特征因子,利用支持向量回归的方法对研究区森林地上生物量进行估测,并对结果进行精度验证。结果表明:不同波段和窗口尺寸的建模精度差异较大,蓝光波段在7×7运算窗口下模型精度最高(R~2=0.73,R_(MSE)=22.32 t/hm~2);点云高度分位数变量的建模精度呈正态分布,变量H_(50)的建模精度最高(R~2=0.75,R_(MSE)=19.24 t/hm~2);与单一的遥感特征变量相比,融合光学影像纹理和机载LiDAR点云特征的模型精度有了一定提高,且针叶林和混交林的估测R_(MSE)分别为19.63和20.40 t/hm~2。因此,该方法可以为区域性的森林地上生物量估测提供有效参考。 相似文献
15.
枫香(Liquidambar formosana)是我国闽北林区重要的乡土树种,生长迅速、适应性强,在观赏、药用、用材等方面都有着重要作用。单木模型是林分模型的基础,通过建立单木生物量生长模型,在时间维度上分析林木生物量生长的动态变化,以期为全面评价森林的固碳能力提供科学依据。采用典型抽样的方法,从广东省9个地区的一类样地附近抽取枫香样木40株(天然起源25株,人工起源15株),破坏性实测各组分的生物量并进行树干解析得到样木的生物量生长数据。基于逻辑斯蒂(Logistic)、坎派兹(Gompertz)和理查德(Richards)3种基础生长方程,利用哑变量的方法,建立分起源和立地等级的枫香干材生物量生长模型,以决定系数R2、均方根误差RMSE、总相对误差TRE和平均预估误差MPE 4个指标来评价各模型,进而分析枫香干材生物量的生长过程。结果表明,Richards方程在基础模型中效果最佳(R2=0.61,RMSE=50 kg);与Richards方程相比,哑变量模型R2提高了11%,RMSE降低了7.95 kg;起源与立地等级对枫香干材生物量均产生了较大影响,在天然起源的高立地等级条件下,枫香干材理论最大连年生长量和平均生长量分别在其生长的第23年和第38年到达。 相似文献
16.