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.     

基于高分一号PMS的新疆落叶松林分郁闭度遥感定量估测

【目的】探索高分一号卫星影像在新疆落叶松林林分郁闭度估测中的应用潜力,为高分一号卫星影像用于林分郁闭度定量估测提供技术方法。【方法】以新疆布尔津林场为研究区,以阿尔泰山西段新疆落叶松林为试验对象,基于高分一号PMS多光谱影像和DEM数据,利用遥感和GIS技术,采用多元逐步回归和BP神经网络2种方法对新疆落叶松林分郁闭度进行估测。【结果】从模型验证结果可以看出,BP神经网络模型(决定系数R~2=0.713,均方根误差RMSE=0.082,相对均方根误差rRMSE=0.175,估测精度EA=82.401%)对新疆落叶松林林分郁闭度的估测要明显优于多元逐步回归模型(R~2=0.692,RMSE=0.085,rRMSE=0.182,EA=81.680%),且BP神经网络模型建模时R~2=0.714,与其精度验证时的R~2=0.713非常接近,说明模型的稳定性良好。【结论】2种模型的估测精度均高于80%,这说明高分一号PMS数据在新疆落叶松林林分郁闭度估测方面具有一定的潜力。     

多层离散各向异性辐射传输模型在玉米叶面积指数垂直分布反演中的应用

为更准确地监测玉米叶面积指数(leaf area index, LAI)垂直分布,以多层离散各向异性辐射传输(discrete anisotropic radiative transfer, DART)模型构建的模拟数据集为基础,提出一种条件约束的LAI垂直分布反演方法。首先,基于3层垂直分布场景,评价DART模型对玉米冠层反射率和光合有效辐射(photosynthetically active radiation, PAR)的模拟效果,并构建相应的模拟数据集。其次,基于模拟数据集构建LAI和PAR单参数反演模型。最后,以单参数反演模型为先验知识,通过求解约束化问题实现基于高光谱植被指数的玉米冠层LAI垂直分布反演。结果表明:相较于单参数反演模型,约束优化条件下的反演模型精度更高。玉米上层LAI反演结果的决定系数(R2)提高0.022,均方根误差(root-mean-square error, RMSE)降低0.016 m~2/m~2,归一化均方根误差(normalized root-mean-square error, NRMSE)降低1.3%;玉米中层LAI反演结果的R2提高0.08,RMSE降低0.219 m~2/m~2,NRMSE降低10.1%;玉米下层LAI反演结果的R2提高0.069,RMSE降低0.041 m~2/m~2,NRMSE降低4.6%。说明利用条件约束优化的方法进行玉米冠层LAI的垂直分布反演,能有效提高反演精度。     

GF-1影像遥感监测指标与冬小麦长势参数的关系

为了分析高分一号卫星(GF-1)影像在冬小麦长势监测中的有效性和适宜性,以建湖县冬小麦为研究对象,选取12个植被指数作为遥感监测指标,运用回归分析法探讨遥感监测指标与地面实测冬小麦长势参数的关系,并以回归模型的决定系数(R~2)作为反演精度的评价指标。研究发现,叶面积指数(LAI)、密度和生物量的反演精度较高,其中LAI的反演精度在拔节期最高[监测指标:红蓝色归一化植被指数(RBNDVI),R~2:0.689 4],密度的反演精度在拔节期最高[监测指标:优化的土壤调节植被指数(OSAVI),R~2:0.543 8],生物量的反演精度在孕穗期最高[监测指标:归一化植被指数(NDVI),R~2:0.448 6],说明GF-1影像适合在拔节期进行冬小麦LAI、密度的监测,在孕穗期进行生物量监测。土壤含水量、株高和叶绿素含量(SPAD值)的反演精度较差,最佳回归模型的R~2皆低于0.360 0,说明所选的12个遥感监测指标不适合反演这3个长势参数。除乳熟期外,其他4个生育期中都是LAI的反演精度最高,可见GF-1影像的遥感监测指标与LAI的相关性最好,反演精度最高。本研究结果说明,在进行冬小麦长势监测时,不同的生育期需要采用不同的监测指标,同时GF-1影像则更适合在拔节期和孕穗期进行冬小麦的长势监测。本研究结果在一定程度上为GF-1影像在农情遥感监测中的应用提供了科学依据。     

基于高分辨率遥感影像的玉米田叶面积指数反演

根据玉米田样地生物物理参量的野外实测数据,对PROSAIL模型输入参数的取值范围进行率定。通过PROSAIL模型参数敏感性分析,确定不同的输入参数设置方案,模拟不同的叶面积指数、叶倾角、叶绿素含量对应的玉米冠层反射率,建立叶面积指数的缨帽三角分布模式,从而获得玉米田红光-近红外波段反射率-LAI查找表,选取宁夏中卫市WV-3高分辨率遥感影像对玉米种植区域LAI进行反演。通过与实测数据比较,分析了PROSAIL模型在高分辨率遥感影像农作物LAI反演方面的适用性,为高分辨率遥感影像反演农作物LAI提供了方法参考。结果表明,PROSAIL模型输入参数的范围率定与不同设置方案的确定是有必要的,并且运用该查找表从WV-3影像反演的LAI与实测数据较一致,查找表均方根误差为0.47,LAI反演均方根误差为0.24。研究表明,该方法在利用WV-3遥感影像进行玉米田LAI反演中具有较强的适用性,能够进行准确有效的大面积叶面积指数遥感反演。     

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%。     

水稻叶面积指数遥感反演方法对比分析

利用环境星HJ-CCD影像与同步获取的LAI实测数据生成江苏省江淮之间西部和里下河地区水稻的30 m HJ/LAI,对MODIS/LAI数据产品和利用MODIS数据与4尺度几何光学模型反演的LAI数据集进行质量评价,结果表明,不同植被指数与研究区水稻LAI的相关性差别很大,其中GNDVI与水稻LAI的相关性最好,R2为0.72,估算精度达70.89%,而RMSE仅为1.38,适于该区水稻LAI的遥感估算;研究区MODIS/LAI和基于4尺度几何光学模型反演的LAI与HJ/LAI的变化趋势较为一致,均呈现出西南和东北部LAI值较低、北部和中部LAI值较高的特征,但MODIS/LAI和基于4尺度几何光学模型反演的LAI不仅变化范围较小,而且偏低明显,MODIS/LAI的低估现象更为严重;在1 km尺度上,MODIS/LAI和基于4尺度几何光学模型反演的LAI的精度分别为60.21%和66.56%,与HJ/LAI比较的R2分别为0.09和0.28(N=2 585),在0.01水平上显著相关。     

基于优化BP神经网络的香格里拉高山松蓄积量模型研究

以香格里拉县高山松为研究对象,以Landsat TM 8影像和DEM（30M）数据为信息源,结合森林资源二类调查数据和地面样地实测数据,借助MATLAB平台,在前期进行基于遗传算法（GA）和粒子群算法（PSO）优化BP神经网络模型基础上,采用决定系数（R²）、均方根误差（RMSE）及预测精度（P）3个指标对优化后的BP神经网络模型及进行评价,并建立了研究区高山松蓄积量估测模型。结果表明,遗传算法效率（耗时1.9 h）低于粒子群算法（耗时1.4 h）;采用遗传算法优化后的BP神经网络模型R²、RMSE及P分别为0.636、4.216 m³、81.748%,均优于粒子群算法。通过遗传算法优化后的BP神经网络模型估测香格里拉高山松蓄积量总量为13 317 879.7 m³。     

基于PROSAIL模型和遗传算法优化的BP神经网络模型的不同大豆种群叶面积指数反演比较

以大豆叶面积指数(Leaf area index, LAI)反演为研究目标,利用PROSAIL模型和遗传算法优化后的BP神经网络模型,分别对重组自交系(Recombinant Inbred Lines, RIL)和自然野生大豆种群的LAI进行反演。结果表明,在对人工定向培育的RIL大豆种群冠层叶片LAI反演中,PROSAIL模型表现出了更优异的反演能力,而对品种繁多的自然野生大豆种群LAI反演中,遗传算法优化后的BP神经网络模型表现出了更好的适用性,并且上述2种模型在始粒期(R5)时性能最佳,PROSAIL模型和遗传算法优化后的BP神经网络模型R~2分别为0.89和0.85,RMSE分别为0.11和0.13,EA均为97%,典型生育期内的反演性能均优于全生育期综合反演性能。因此,针对同一农作物不同种群的表型特征反演,需要根据研究对象的特征来选择合适的模型,以便于精确的估测大豆长势情况,为农作物的规模化育种监测提供数据支持。     

黑河流域中游盆地玉米作物遥感估产研究

选取黑河流域中游的甘州、临泽县(区)为研究区,以反映区域内主要作物(玉米和春小麦)关键生长期的HJ-1-A/B卫星影像为数据源,反演归一化植被指数(NDVI)等表征植被长势的多种植被指数,并利用时序NDVI数据结合主要作物的物候特征提取出玉米分布信息.在此基础上,利用回归模型建立实测LAI与各植被指数及植被覆盖度的经验关系,获得LAI分布信息;通过建立气温与太阳辐射同纬度、经度及高程之间的统计回归模型,分别模拟得到其空间分布;利用水体指数反演得到对应玉米各生长期的水分条件指数(WI).最后,利用最佳时相的LAI数据结合累积气温、累积太阳辐射与水分条件构建出LAI环境估产模型,估算得到2012年研究区玉米产量及其分布.结果表明,基于LAI环境模型估算的玉米产量,单产水平主要集中在6 500 ～7 500 kg/hm2,平均为6 793.65 kg/hm2,略大于张掖市种子管理局提供的玉米产量均值水平6 750 kg/hm2.     

GF-1/WFV在玉米叶面积指数估算中的应用研究

叶面积指数(leaf area index,LAI)是植被冠层重要的结构参数之一,与冠层生理过程密切相关,也是植被遥感领域关注的重要参数之一.本研究对已在轨运行7年的高分一号卫星WFV传感器的植被监测性能进行评测,以吉林省农安县典型玉米分布区作为研究区域,结合地面同步观测的叶面积指数和冠层光谱等实测数据,借助归一化植被...     

地下水位粒子群优化神经网络组合预测模型

【目的】将粒子群优化神经网络组合预测方法引入地下水位预测中,以提高地下水位预测的精度。【方法】以回归分析法、指数平滑法、灰色GM（1,1）模型的地下水位预测结果及预测结果平均值作为网络的输入,以实际地下水位值作为输出,对3个单一模型进行非线性组合,建立地下水位的粒子群优化神经网络组合预测模型,应用实例对模型的预测结果进行了验证,并与3个单一模型及等权平均组合模型的预测结果进行比较。【结果】实例运用结果表明,粒子群优化神经网络组合预测模型的均方误差为0.740 9,平均绝对误差为0.657 6,均小于单一模型及等权平均组合模型的相应值。【结论】粒子群优化神经网络组合预测方法适用于地下水位的预测。     

基于改进型神经网络的植物病虫害预警模型的构建

通过对植物病虫害预警模型相关原理和方法的研究,并结合粒子群算法对后向传播神经网络进行参数优选,构建了基于粒子群和神经网络混合算法的植物病虫害纽合预警模型。测试结果表明预警模型的构建有效且可行,为构建有效的预警平台应用提供了可行的模型结构。     

基于改进型神经网络的植物病虫害预警模型的构建

通过对植物病虫害预警模型的相关原理和方法的研究,并结合粒子群算法对后向传播神经网络进行参数优选,构建了基于粒子群和神经网络混合算法的植物病虫害组合预警模型。模型参数：①PSO参数设定：准粒子群算法模型参数的设定主要是对惯性、收敛（约束）、＂认知＂、＂社会＂进行变化与调节。C_1是粒子跟踪自己历史最优值的权重系数,它表示粒子自身的认识,设置为2。C_2是粒子跟踪群体最优值的权重系数,它表示粒子对整个群体知识的认识,设置为2。ξ,η设置为[0,1]区间内均匀分布的随机数。r是对位置更新的时候,在速度前面加的1个系数,设置为1;②BP神经网络输入层节点的确定：预测模型输入层节点为7个,分别代表7个特征指标,即发病面积、稻瘟病发病率、雨量、雨日数、平均温度、平均湿度、光照;③隐含层节点及隐层数的确定：该研究采用3层BP网络,隐层数为1层。将1980～2000年云南省盈江稻瘟病历史数据作为学习样本输入到预警模型,进行训练。隐节点为7时误差最小（1.046）;④输出层节点的确定：预测模型输出层节点为1个,即稻瘟病病情指数（Y）。稻瘟病发生程度分为5个等级：〈10,为等级1;10.1～20.0,为等级2;20.1～30.0,为等级3;30.1～50.0,为等级4;〉50.0,为等级5。预警模型：在构建预测模型时,包括2个过程,即学习过程和预测过程。在学习过程阶段主要在PSO算法对连接权和阈值优化的基础上,通过对样本数据的学习,找到其内在规律性,从而确定各节点间的连接权和阈值。由于选取影响植物病情发病的因子有7个,因此,第i年的输入层就为1个7维向量x_i,即输入层为7个神经元。隐含层确定为1层,输出层为第i＋1年的植物病理病情指数,故为一维向量y_j,因此,输出层的神经元个数为1。预测过程则是根据学习过程已经确定下来的连接权值和阈值,把需预测样本输入训练好的BP网络,通过网络学习后,输出相应的预测值。如需预测第i年植物病情等级,就把第i-1年决定植物病理发生的相应因素输入到该网络模型。即输出就为第i年植物病情发生程度的预测值。测试结果表明预警模型的构建有效且可行,为构建有效的预警平台应用提供了可行的模型结构。     

基于新型植被指数的冬小麦LAI高光谱反演

【目的】本研究旨在分析冠层叶片水分含量对作物冠层光谱的影响,构建新型光谱指数来提高作物叶面积指数高光谱反演的精度。【方法】在冬小麦水肥交叉试验的支持下,分析不同筋性品种、施氮量、灌溉量处理下的冬小麦叶面积指数冠层光谱响应特征,并分析标准化差分红边指数(NDRE)、水分敏感指数(WI)与叶面积指数的相关性,据此构建一个新型的植被指数——红边抗水植被指数(red-edge resistance water vegetable index,RRWVI)。选取常用的植被指数作为参照,分析RRWVI对于冬小麦多个关键生育期叶面积指数的诊断能力,随机选取约2/3的实测样本建立基于各种植被指数的叶面积指数高光谱响应模型,未参与建模的样本用于评价模型精度。【结果】研究结果表明,随着生育期的推进,冬小麦的叶面积指数呈先增加后降低的变化趋势,不同的水肥处理对冬小麦叶面积指数具有较大影响。开花期之后冬小麦LAI显著下降,强筋小麦(藁优2018)在整个生育期叶面积指数均高于中筋小麦(济麦22);不同氮水平下冬小麦冠层光谱反射率在近红外波段(720—1 350 nm)随着施氮量的增加而增大,与氮肥梯度完全一致,其中2倍氮肥处理的近红外反射率达到最高;不同生育期下冬小麦冠层光谱反射率变化波形大体一致;各个关键生育期的NDRE和WI均存在较高的相关性,而NDRE与LAI的相关性明显优于WI,新构建的植被指数RRWVI与LAI的相关性均优于NDRE、WI;虽然8个常用的植被指数均与LAI存在显著相关,但RRWVI与LAI相关性达到最大,其拟合曲线的决定系数R2为0.86。【结论】通过分析各种指数所构建的冬小麦叶面积指数高光谱反演模型,新构建的RRWVI取得了比NDRE、NDVI等常用植被指数更为可靠的反演效果,说明本研究新构建的红边抗水植被指数可有效提高冬小麦叶面积指数的精度。     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性，基于BP神经网络建立烧结配料的预测模型，并采用粒子群算法对预测模型参数进行优化。为了克服粒子群算法的局部收敛性，在迭代过程中，根据迭代次数对惯性权重进行动态非线性调整，从而提高算法的搜索能力。仿真结果表明，所提出的改进粒子群算法与传统的粒子群算法比较，收敛速度快、迭代次数少、具有较强的全局寻优能力。     

基于分段方式选择敏感植被指数的冬小麦叶面积指数遥感反演

【目的】考虑到利用单一植被指数（VI）反演叶面积指数(LAI)时,存在着不同程度的饱和性和易受土壤背景影响的问题,提出通过分段的方式选择敏感植被指数形成最佳VI组合以提高LAI反演的精度。【方法】通过ACRM辐射传输模型模拟数据,结合地面实测光谱数据,选择常用的植被指数进行土壤敏感性分析以及饱和性分析确定LAI的分段点,并在此基础上分段选择最佳植被指数形成组合VI来实现LAI的最终反演,并利Landsat5 TM开展区域条件下冬小麦LAI反演应用。【结果】以LAI=3是较为适宜的分段点,利用植被指数最佳分段组合OSAVI(LAI≤3)+TGDVI(LAI>3)可在一定程度上有效克服土壤影响因素以及饱和性问题,联合反演的结果明确优于单一植被指数反演精度。【结论】通过分段选择最佳植被指数形成联合VI可以有效提高LAI反演精度。     

基于高光谱的冬小麦叶面积指数估算方法

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm,蓝光450 nm波段对叶面积指数变化最为敏感,通过构建植被指数与叶面积指数模型,相关性均较好,决定系数（R2）为0.675-0.757,其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验,NDVI植被指数反演模型的精度较其它模型好,较适合对研究样区的冬小麦进行叶面积指数反演。