基于随机森林算法的冬小麦叶面积指数遥感反演研究

【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。     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

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%。     

基于ACRM模型与敏感波段的农作物LAI与LCC反演

【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。     

基于粒子群神经网络模型反演玉米、小麦叶面积指数

基于高分1号遥感影像,分别采用粒子群神经网络模型、神经网络模型和植被指数回归模型3种方法,反演廊坊市玉米、小麦叶面积指数(LAI)。结果表明,粒子群神经网络模型反演玉米、小麦LAI的精度要高于其他方法,其模型的决定系数R²均高于0.9,均方根误差均低于0.196,可满足反演精度的要求。本研究提出的基于高分1号影像的粒子群神经网络模型反演玉米和小麦LAI的方法具有一定的普适性。     

基于热暗点植被指数的马尾松林叶面积指数反演分析

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。     

倾斜摄影测量技术提取落叶松人工林地形信息

目的林下地形是提取单木树高、冠幅等森林参数的必备条件,但由于林区地形起伏较大,传统的测量手段难以获取大范围高精度的森林地区数字地形模型（DTM）。近年来,倾斜摄影测量克服了传统测量技术的缺点,成为获取三维地理信息的新型手段。本文使用无人机倾斜摄影测量技术提取落叶松林下地形,并评测精度与适用性,为后续基于倾斜摄影测量技术提取单木参数的研究提供参考。方法选择内蒙古旺业甸林场内山区典型落叶松幼龄林、中龄林和成熟林林分在落叶季进行无人机飞行,采用Context Capture软件对获取的落叶季倾斜像片进行三维重建,生成林区点云。使用布料模拟滤波、加权线性最小二乘、渐进不规则三角网加密法、渐进形态学滤波算法从点云中提取地面点,并采用3种插值方法插值地面点生成测区完整地形。使用激光雷达DTM作为验证数据评价精度。结果不同算法的地形提取精度与郁闭度相关。在幼龄林区域和中龄林区域,布料模拟滤波提取地面点的精度最高,决定系数（R2）均达到0.999,均方根误差（RMSE）分别为1.61 m和0.47 m;在成熟林区域,渐进三角网滤波效果最好,R2为0.999,RMSE为0.39 m。在不同郁闭度林分选择最优滤波算法基础上,比较不同插值方法生成的数字地形模型（DTM）精度,结果表明:在幼龄林和中龄林,布料模拟滤波点云后经不规则三角网（TIN）插值得到的DTM精度最高,RMSE分别为1.58 m和0.44 m;成熟林分渐进不规则三角网加密滤波后地面点经克里金（Kriging）法插值得到的DTM精度最高,RMSE为0.31 m。结论实验证明,倾斜摄影测量技术可用于落叶松林分地形提取。      

基于PROSAIL模型的山地草原叶面积指数高光谱反演

【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。     

基于鬣狗算法神经网络反演林地叶面积指数

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.     

2019-3ml目录

目的地表温度是区域与全球尺度地表过程分析与模拟的重要参数,在地表与大气能量交换的过程中扮演着重要的角色。本文使用3种算法对北京地区Landsat-8影像进行地表温度反演,并使用MODIS 地表温度产品对反演结果进行交叉验证,评估Landsat-8用于地表温度反演的精度与适用性,为后续使用Landsat-8反演地表温度的研究提供参考。方法对反演地表温度所需的3个重要参数（大气平均作用温度、地表比辐射率、水汽含量）进行获取,得到3个算法的反演结果后,对各个算法的结果进行敏感性和差值分析,并将结果与同期MOD11A1地表温度产品进行对比分析。主要分析手段包括北京市不同行政区之间算法结果与温度产品的平均温度结果比较、不同地类之间算法结果与温度产品的平均温度结果比较,以及选取尺度效应较低、温度随时间变化较小的密云水库中心区域比较两者的温差。结果3个算法的反演结果总体平均温差不超过1 K,其中Cristóbal等提出的改进后单通道算法与其他两个算法的温差最小,Wang等提出的改进后单窗算法与其他两个算法的温差最大。Landsat-8地表温度反演结果普遍高于MODIS温度产品。通过选取密云水库中心区域对本研究反演结果和温度产品进行对比可以得出,3种算法结果与MODIS温度产品的总平均差值为1.373 K。结论反演结果总体上具有较理想的反演精度。Jiménez-Mu?oz提出的劈窗算法具有最好的敏感性分析结果,且与MODIS温度产品的结果最接近。Landsat-8反演结果与MODIS温度产品在总体地温分布规律上保持一致,但Landsat-8因具有更高的分辨率而能更好地分辨小地块不同地类的地温差异,在精确反演地表温度领域拥有更大的优势。      

基于速度误差校正的林木应力波无损检测断层成像算法

目的应力波断层成像技术已经在林木无损检测领域得到了广泛的应用, 然而木材的各向异性特征以及应力波速度反演计算的误差对断层成像的精度影响较大。因此,进一步提高断层图像的准确性非常关键。方法根据传统的应力波速度反演原理, 提出了一种基于速度误差校正的断层成像算法(ECIA)。该算法利用最小二乘QR分解法(LSQR)计算应力波在林木横截面网格单元内的速度分布, 并使用误差校正机制(ECM)优化断层图像。为了评估算法的性能, 分别选取了若干实验室内的原木试样及扬州市区古树进行无损检测实验, 利用德国PICUS应力波断层成像仪获取的应力波传播数据实现了ECIA算法, 生成了各实验样本的断层图像。结果ECIA算法较为精确地检测出了原木及活树中缺陷区域的位置及大小, 尤其在活树的健康检测中, ECIA算法对于缺陷区域尤其是轻微腐朽区域的检测精度高于PICUS检测仪。结论ECIA算法能够产生较为准确的林木断层图像,适用于林木应力波无损检测。      

基于机器学习的落叶松树皮厚度预测

  目的  研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法。  方法  以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法（神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF）,并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较。采用决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和赤池信息准则（AIC）来评价不同模型和算法。  结果  （1）在6个基础模型中Model5预测效果较好。基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;（2）机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好。（3）RF4的输入变量为胸径（DBH）、树高（H）、相对树高（H_r）。基于训练样本,与Model5相比,随机森林的R2从0.675 2提高到0.723 4,RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R2从0.666 9调高到0.710 5,RMSE从0.616 9降低到0.544 6。  结论  相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测。      

基于机载激光雷达点云的桉树林分蓄积量估算模型构建

【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...     

Winter wheat yield estimation based on assimilated Sentinel-2 images with the CERES-Wheat model

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.     

运用融合纹理和机载LiDAR特征模型估测森林地上生物量

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。     

广东省枫香单木干材生物量生长模型的研建

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。     

森林区域机载LiDAR点云数据的改进八叉树滤波算法研究

目的利用机载LiDAR点云数据能准确获取地物点三维坐标的特点,本文对森林区域LiDAR数据进行滤波分析,旨在提高点云滤波精度。方法基于改进的八叉树模型,将复杂地形分解为大量山坡地形,通过改变节点尺寸,既保留了点云的原始信息,又增强了点云数据分割的准确性。针对森林区域地形起伏不定的实际情况,在滤波算法中引入坡度判断,在一定程度上改善了山坡低矮植被易被错分为地面点的情况。结果对于3组不同地形下的点云数据,滤波总错误率分别为4.57%、4.75%和5.83%。这一结果对森林区域不同地形下的点云滤波具有一定的实用性。结论本文提出的改进八叉树滤波算法可以充分利用数据结构特征实现快速、高精度的滤波,从而节约时间成本和运行成本,也为后续森林参数的提取奠定基础。      

高CO2浓度下冬小麦的高光谱特征及其与叶面积指数和SPAD值的反演

以冬小麦为研究对象,利用开顶式气室试验,开展以环境CO2浓度为对照(CK)和比CK处理的CO2浓度高200μmol·mol-1(T)处理的试验,测定冬小麦主要生育期冠层光谱反射率、叶面积指数(LAI)和SPAD值,分析LAI、SPAD值与原始光谱反射率、光谱特征参数的相关性,并探究最优回归反演模型.结果表明,高CO2浓...