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。     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R²)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性。结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳。     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R2)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性.结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳.     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R2)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性.结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳.     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R2)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性.结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳.     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R2)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性.结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳.     

基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法

以花粒期玉米为研究对象,利用美国PL高分辨率卫星遥感数据,对比6种常用植被指数与叶面积指数(LAI)的相关性,最终选取EVI、SAVI这两种植被指数,采用线性和非线性共6种回归模型,分别与实测玉米花粒期叶面积指数建立估算模型;通过判定系数(R2)筛选出最佳模型,并以均方根误差(RMSE)和相对误差(RE)作为验证指标判断所建模型的适用性.结果表明:利用SAVI植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳.     

基于MISR数据大兴安岭地区叶面积指数反演及尺度转换验证研究

叶面积指数(LAI)是气候研究和生态研究中重要的植被冠层结构参数,遥感技术为快速获取大面积叶面积指数提供了有效途径。大兴安岭地区是我国重要的生态功能区,本文以大兴安岭为研究区域,根据森林林分特征,采用基于物理过程的4-Scale几何光学模型,利用多角度MISR遥感数据反演该区域叶面积指数数据。几何光学模型特点在于参数具有物理意义,考虑地面反射的热点效应,模型反演过程不依赖于样本数据适用于大区域反演研究,MISR数据提供同一区域多角度遥感数据,有效解决了单一观测角度植被指数和叶面积指数函数关系饱和点低的问题。由于地面验证数据空间尺度无法满足MISR数据的空间分辨率,本文采用TM数据对样地实测叶面积指数数据进行尺度转换,针对不用坡向叶面积指数空间异质性进行分析,讨论不同空间分辨率验证数据的合理性,研究表明大兴安岭区域使用600m空间分辨率验证数据对MISR数据反演结果检验最优,该分辨率下叶面积指数变化随空间尺度变化趋于稳定,并较好地避免了2种遥感数据几何配准带来的误差。结果表明:4-Scale几何光学模型适用于我国大兴安岭地区森林叶面积指数反演,实验中MISR数据反演叶面积指数的平均绝对误差为25.6%、均方根误差为0.622。本研究为大兴安岭地区叶面积指数大区域快速定量反演提供了研究基础。      

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。     

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。     

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...     

基于高光谱的油菜叶面积指数估计

以冬油菜为研究对象,2014-2015年度设计了不同施氮水平直播油菜小区试验,在不同生育时期测量冠层光谱、土壤背景光谱以及叶面积指数(leaf area index,LAI),通过相关分析选取了12个光谱特征参数和11个植被指数,建立6叶期至角果期LAI的5种线性和非线性定量反演模型。结果表明:二次多项式反演模型比较适合估算油菜LAI苗期时以红边参数为代表的光谱特征参数,可准确估算出LAI;6叶期时红边幅值预测模型R~2为0.81,RMSEP为0.39,RPD为1.62;8叶期时红蓝边面积比归一化预测模型R~2为0.79,RMSEP为0.60,RPD为2.30;10叶期时红边幅值预测模型R~2为0.92,RMSEP为0.47,RPD为2.36;盛花期时蓝边面积预测模型R~2为0.87,RMSEP为0.34,RPD为2.57;角果期时以RDVI为代表的植被指数也可准确估算出LAI,预测模型R~2为0.74,RMSEP为0.57,RPD为1.36。油菜全生育期采用相同光谱特征参数、植被指数建模估计LAI精度明显降低,预测R~2远小于0.75,RMSEP大于0.65,RPD值均小于1.40,表明难以采用统一参数建模准确估计油菜全生育期LAI,不同生长时期需选择合适的光谱参数、植被指数分段建模估计LAI。     

基于优化的ICNet高分遥感影像城市建成区分类

城市建成区是一类具有大面积的组合型目标群体,该区域地物丰富,光谱特征复杂多变,且具有大量的同物异谱与地物像素单元交错等现象,影像分类难度显著增加。针对图像级联网络（image cascade network,ICNet）计算复杂、分类精度低的问题,采用优化的ICNet对高分辨率遥感影像城市建城区地物分类进行研究,通过添加高效通道注意力机制（efficient channel attention,ECA）和联合金字塔上采样模块（joint pyramid upsampling,JPU）替换空洞卷积来获得ICNet改进网络,采用总体分类精度（overallaccuracy,OA）、Kappa系数与F13个指标对分类结果进行精度评估,并与随机森林（random forest,RF）、ENet和ICNet3种方法进行对比分析。结果表明,优化的ICNet网络模型能够更准确的进行地物分类,总体分类精度为75.12%,相较于其他分类方法分别提高16.56%、10.48%和4.81%。后用开源数据集进一步验证了优化模型的有效性,说明优化的ICNet网络可用于城市建成区的分类研究。     

小蓬竹的叶面积指数测定

竹叶是竹子进行光合作用的器官,合理的叶面积是充分利用光能,保证竹林高产优质的主要条件。因此,叶面积指数大小直接关系到竹林同化光能的数量,从而关系到竹林的笋、竹产量。有关竹类叶面积指数测定研究的报道不少,但就小蓬竹Drepanostachyum ludianense（Yi et R．S．Wang）Kengf叶面积指数测定的研究目前还未见报道。     

新疆喀纳斯国家自然保护区植被叶面积指数观测与遥感估算

叶面积指数(Leaf Area Index,LAI)是重要的植被结构参数,调控着植被与大气之间的物质与能量交换,在生态环境脆弱的我国西北部开展植被LAI的研究对阐明该地区植被对气候变化和人类活动的响应特征具有重要的科学意义。利用LAI-2200和TRAC仪器观测了新疆喀纳斯国家级自然保护区森林和草地的有效叶面积指数(LAI_e)和真实LAI,构建了其遥感估算模型,生成了研究区LAI_e和LAI的空间分布图。在此基础上,分析了LAI随地形因子(海拔、坡度、坡向)的变化特征,探讨了将其应用于估算研究区森林生物量密度的可行性,并评估了研究区MODIS LAI产品的精度。结果表明:研究区阔叶林、针阔混交林、针叶林、草地LAI_e的平均值分别为4.40、3.18、2.57、1.76,LAI的平均值分别为4.76、3.93、3.27、2.30。LAI_e和LAI的高值主要集中分布在湖泊和河流附近;植被LAI随海拔、坡度和坡向的变化表现出明显的垂直地带性的特点。LAI随海拔和坡度的增加呈现先增加后减小的变化趋势,坡向对针叶林和草地LAI的影响明显,但对阔叶林和针阔混交林LAI的影响较弱;森林生物量密度(BD)随LAI增加而线性增加(BD=44.396LAI-25.946,R²=0.83),研究区森林生物量密度平均值为120.3 t/hm²,估算的总生物量为5.0×10⁶t;MODIS LAI产品与利用TM数据生成的LAI之间具有一定的相似性(森林R²=0.42,草地R²=0.53),但森林和草地的MODIS LAI产品分别比利用TM数据生成的LAI偏低16.5%和24.4%。     

基于CASI高光谱遥感数据的森林叶面积指数反演

高光谱遥感技术能够快捷、准确、无损坏地估测森林LAI,从而有效地监测森林长势,估测森林生物量,评价森林病虫害等。以黑龙江凉水自然保护区为例,利用高光谱遥感技术和GPS测量技术,结合地面实测LAI数据,采用从CASI图像提取的NDVI、SR、MSAVI 3种植被指数,与地面实测的LAI建立统计回归模型,然后再从众多的统计模型中根据相关系数,筛选出由CASI反演LAI的最佳植被指数和回归模型。     

基于PROSAIL模型的水稻叶片生物量反演

为解决水稻叶片生物量反演模型普遍存在的泛用性与机理性较差的问题,利用无人机高光谱遥感平台获取水稻冠层400～1 000 nm的高光谱反射率信息,对PROSAIL模型进行参数敏感性分析,根据分析结果利用连续投影法提取敏感波段,在此基础上,结合PROSAIL作物辐射传输模型与水稻高光谱数据,运用秃鹰算法（BES）对PROSAIl模型的生物量参数进行数值优化,从而快速、精准实现水稻关键生育期的叶片生物量反演。结果显示：运用改进Sobol方法对水稻叶片生物量进行全局敏感性分析,敏感区间为700～1 000 nm。对敏感区间内光谱利用连续投影法提取了750、788、898、940、962、999 nm等6个水稻叶片生物量特征波长。结合PROSAIL模型与BES优化算法,构建了PROSAIL-BES数值优化方法。以水稻特征波段光谱反射率为模型输入,通过PROSAIL-BES数值优化方法对PROSAIL模型参数进行校正,叶片生物量反演结果 R2为0.694,RMSE为0.002。结果表明,与传统机器学习模型的反演结果对比,PROSAIL-BES数值优化方法具有更好的反演精度,在水稻生物量反演领域具有...