叶面积指数(leaf area index,LAI)作为衡量作物生长状况的关键参数,对其进行精准高效的反演对于作物监测、产量预测等活动至关重要。然而,传统经验模型在估算LAI时常存在计算负荷重、泛化能力弱等问题。为实现青贮玉米多时序LAI精准、...叶面积指数(leaf area index,LAI)作为衡量作物生长状况的关键参数,对其进行精准高效的反演对于作物监测、产量预测等活动至关重要。然而,传统经验模型在估算LAI时常存在计算负荷重、泛化能力弱等问题。为实现青贮玉米多时序LAI精准、高效估算,该研究以甘肃省民乐县的大田青贮玉米LAI为研究对象,结合Landsat-8多光谱影像与同期实地采集的LAI数据,提出了4种基于EFAST全局敏感性分析方法的机器学习混合反演模型(MLP-PROSAIL、SVR-PROSAIL、RF-PROSAIL和GBM-PROSAIL)。通过对PROSAIL模型的输入参数进行敏感性分析,以便确定参数敏感度并准确模拟输出冠层反射率光谱。进一步对Landsat-8多光谱数据进行预处理和波段变换,并采用地理配准工具结合反距离加权插值的策略减少其尺度差异。同时利用贝叶斯超参数寻优和正则化技术优化模型不同的参数类型和激活函数,得到4种改进模型用于训练LAI与光谱数据,通过5折交叉验证法和留一验证法对4种模型的反演性能进行验证并选出最优模型。优化后的模型性能均有明显提升,其中,GBM-PROSAIL模型反演性能最优,拟合精度R^(2)为0.93、均方根误差(RMSE)为0.42。MLP-PROSAIL、SVR-PROSAIL和RF-PROSAIL模型的拟合精度R^(2)依次为0.85、0.88、0.90,RMSE依次为0.80、0.69、0.51。根据GBM-PROSAIL模型绘制的研究区多时序LAI反演空间分布结果表明:不同生长期青贮玉米LAI值存在明显差异,能较好反映其生长过程。该研究提出的混合反演模型具有较高的性能及较强的鲁棒性,可为多时序、大尺度作物监测、产量预测相关研究提供方法与思路。展开更多
为了探讨Landsat 8 OIL数据在LAI大范围反演方面的应用潜力,使用Landsat 8 OIL影像,通过PROSAIL辐射传输模型,采用3种波段组合(Band2-7,Band2-5,Band3-5)建立了3个模拟冠层反射率-叶面积指数(LAI)查找表,用2种代价函数(Geman and Mc Cl...为了探讨Landsat 8 OIL数据在LAI大范围反演方面的应用潜力,使用Landsat 8 OIL影像,通过PROSAIL辐射传输模型,采用3种波段组合(Band2-7,Band2-5,Band3-5)建立了3个模拟冠层反射率-叶面积指数(LAI)查找表,用2种代价函数(Geman and Mc Clure代价函数,均方根误差代价函数)实现了对玉米、土豆、森林LAI的定量反演,并用LAI-2200测量数据作为相对真值对反演精度进行评价。结果表明:(1)使用Landsat 8数据,通过PROSAIL模型反演叶面积指数的精度是可以接受的,RMSE范围为在[0.892 4,1.205 0],R2范围为[0.721 3,0.873 3]。(2)Band5(近红外),Band4(红)Band3(绿)的波段组合反演效果在3种组合中精度最高,平均RMSE=0.993 1,R2=0.787 3。(3)Geman and Mc Clure代价函数比常用的均方根误差代价函数得到了更高的反演精度,平均RMSE=0.940 5,R2=0.817 5。(4)相对最优的反演策略是Band5,Band4,Band3的波段组合结合GM代价函数,RMSE=0.892 4,R2=0.873 3。(5)存在玉米土豆的反演值普遍低于测量值,而森林的反演值普遍高于测量值的问题。展开更多
叶面积指数(leaf area index,LAI)是反映植物冠层结构和光能利用的重要指标.随着遥感技术的不断发展,利用遥感数据获取大面积LAI已经成为监测作物生长和估产的重要手段.基于物理模型的LAI遥感反演方法经常假设作物冠层结构是均匀分布,然...叶面积指数(leaf area index,LAI)是反映植物冠层结构和光能利用的重要指标.随着遥感技术的不断发展,利用遥感数据获取大面积LAI已经成为监测作物生长和估产的重要手段.基于物理模型的LAI遥感反演方法经常假设作物冠层结构是均匀分布,然而,作为典型的垄行结构,作物冠层被公认为是介于连续植被与离散植被之间的一种过渡形式,而简单的均匀假设必然会给反演带来偏差.本文以农作物玉米为研究对象,首先重建了玉米三维冠层结构,并定量对比分析了一维辐射传输模型PROSAIL和三维辐射传输模型LESS在玉米冠层不同生长期的反射率差异,确定了玉米冠层的非均匀分布特征是引起PROSAIL模型模拟和反演误差的主要因素;然后,考虑到玉米冠层生长过程中聚集指数的变化特征,利用LESS模型定量计算了不同生育期玉米冠层结构对应的聚集指数,建立了聚集指数和有效叶面积指数(LAI_(e))之间的关系;进而,利用该关系对基于PROSAIL模型反演得到的LAI进行修正.结果表明,修正后的LAI精度有明显提高,R^(2)从0.27提高到了0.55.该方法有望提高中高分辨率遥感数据在农作物LAI反演精度.展开更多
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...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R2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。展开更多
获取作物叶面积指数(leaf area index, LAI)及其动态变化信息对作物长势监测和产量估测等具有重要意义。基于辐射传输模型的物理模型反演是LAI遥感反演最常用的方法,但该方法存在反演值不唯一的问题。此外,现有研究通常只针对单一作物类...获取作物叶面积指数(leaf area index, LAI)及其动态变化信息对作物长势监测和产量估测等具有重要意义。基于辐射传输模型的物理模型反演是LAI遥感反演最常用的方法,但该方法存在反演值不唯一的问题。此外,现有研究通常只针对单一作物类型,缺乏针对多类型作物的精度较高的LAI反演算法。该研究以玉米和水稻为主要作物的农田为例,基于PROSAIL模型模拟数据集,通过分析不同类型作物的缨帽三角-植被等值线分布模式,将植被覆盖度作为先验知识,构建用于反演多类型作物的LAI反演查找表,将其用于多时相GF-1 WFV(wide-field view)影像,反演获得整个生长季不同生长时期的LAI,并利用地面实测数据进行验证。研究结果显示:将植被覆盖度作为先验知识构建的查找表反演的LAI和实测值相关性较显著(R^(2)=0.60),均方根误差(RMSE)为0.75,反演的整个生长期LAI的变化趋势与实测LAI的变化趋势一致。而由未加入先验知识的查找表反演的LAI值和实测值的R^(2)为0.47,RMSE为0.85。该研究表明,基于缨帽三角-植被等值线分布模式,在构建涉及多类型作物的农田LAI反演的查找表中引入先验知识,能够显著提高LAI反演的精度,有效获得作物的LAI信息。展开更多
为及时准确高效监测小麦叶面积指数(leaf area index,LAI),获取了冬小麦挑旗期和开花期地面实测光谱与无人机高光谱遥感影像数据,并基于查找表建立PROSAIL辐射传输模型得到冬小麦冠层模拟光谱数据,利用数学统计回归模型与偏最小二乘回...为及时准确高效监测小麦叶面积指数(leaf area index,LAI),获取了冬小麦挑旗期和开花期地面实测光谱与无人机高光谱遥感影像数据,并基于查找表建立PROSAIL辐射传输模型得到冬小麦冠层模拟光谱数据,利用数学统计回归模型与偏最小二乘回归法分别构建冬小麦LAI单变量、多变量预测模型,以实测LAI数据对预测结果进行精度评价,将最佳预测模型应用于无人机高光谱影像以分析LAI空间分布情况。结果表明,冬小麦各生育时期的预测模型均具有较高的预测精度,单变量预测模型和多变量预测模型的决定系数分别为0.598~0.717和0.577~0.755,其中以基于植被指数的多变量预测模型表现最优,其在开花期的验证精度最高,RMSE和MAPE分别为0.405和12.90%。在LAI空间分布图中,开花期预测效果优于挑旗期,各试验小区的LAI分布较为均匀。展开更多
文摘叶面积指数(leaf area index,LAI)作为衡量作物生长状况的关键参数,对其进行精准高效的反演对于作物监测、产量预测等活动至关重要。然而,传统经验模型在估算LAI时常存在计算负荷重、泛化能力弱等问题。为实现青贮玉米多时序LAI精准、高效估算,该研究以甘肃省民乐县的大田青贮玉米LAI为研究对象,结合Landsat-8多光谱影像与同期实地采集的LAI数据,提出了4种基于EFAST全局敏感性分析方法的机器学习混合反演模型(MLP-PROSAIL、SVR-PROSAIL、RF-PROSAIL和GBM-PROSAIL)。通过对PROSAIL模型的输入参数进行敏感性分析,以便确定参数敏感度并准确模拟输出冠层反射率光谱。进一步对Landsat-8多光谱数据进行预处理和波段变换,并采用地理配准工具结合反距离加权插值的策略减少其尺度差异。同时利用贝叶斯超参数寻优和正则化技术优化模型不同的参数类型和激活函数,得到4种改进模型用于训练LAI与光谱数据,通过5折交叉验证法和留一验证法对4种模型的反演性能进行验证并选出最优模型。优化后的模型性能均有明显提升,其中,GBM-PROSAIL模型反演性能最优,拟合精度R^(2)为0.93、均方根误差(RMSE)为0.42。MLP-PROSAIL、SVR-PROSAIL和RF-PROSAIL模型的拟合精度R^(2)依次为0.85、0.88、0.90,RMSE依次为0.80、0.69、0.51。根据GBM-PROSAIL模型绘制的研究区多时序LAI反演空间分布结果表明:不同生长期青贮玉米LAI值存在明显差异,能较好反映其生长过程。该研究提出的混合反演模型具有较高的性能及较强的鲁棒性,可为多时序、大尺度作物监测、产量预测相关研究提供方法与思路。
文摘叶面积指数(leaf area index,LAI)是反映植物冠层结构和光能利用的重要指标.随着遥感技术的不断发展,利用遥感数据获取大面积LAI已经成为监测作物生长和估产的重要手段.基于物理模型的LAI遥感反演方法经常假设作物冠层结构是均匀分布,然而,作为典型的垄行结构,作物冠层被公认为是介于连续植被与离散植被之间的一种过渡形式,而简单的均匀假设必然会给反演带来偏差.本文以农作物玉米为研究对象,首先重建了玉米三维冠层结构,并定量对比分析了一维辐射传输模型PROSAIL和三维辐射传输模型LESS在玉米冠层不同生长期的反射率差异,确定了玉米冠层的非均匀分布特征是引起PROSAIL模型模拟和反演误差的主要因素;然后,考虑到玉米冠层生长过程中聚集指数的变化特征,利用LESS模型定量计算了不同生育期玉米冠层结构对应的聚集指数,建立了聚集指数和有效叶面积指数(LAI_(e))之间的关系;进而,利用该关系对基于PROSAIL模型反演得到的LAI进行修正.结果表明,修正后的LAI精度有明显提高,R^(2)从0.27提高到了0.55.该方法有望提高中高分辨率遥感数据在农作物LAI反演精度.
文摘以大豆叶面积指数(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R2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。
文摘为及时准确高效监测小麦叶面积指数(leaf area index,LAI),获取了冬小麦挑旗期和开花期地面实测光谱与无人机高光谱遥感影像数据,并基于查找表建立PROSAIL辐射传输模型得到冬小麦冠层模拟光谱数据,利用数学统计回归模型与偏最小二乘回归法分别构建冬小麦LAI单变量、多变量预测模型,以实测LAI数据对预测结果进行精度评价,将最佳预测模型应用于无人机高光谱影像以分析LAI空间分布情况。结果表明,冬小麦各生育时期的预测模型均具有较高的预测精度,单变量预测模型和多变量预测模型的决定系数分别为0.598~0.717和0.577~0.755,其中以基于植被指数的多变量预测模型表现最优,其在开花期的验证精度最高,RMSE和MAPE分别为0.405和12.90%。在LAI空间分布图中,开花期预测效果优于挑旗期,各试验小区的LAI分布较为均匀。
