当作物生物量较大时,现有植被指数由于受饱和问题限制,不能较好的估算作物生物量。针对此问题,尝试将波段深度分析与偏最小二乘回归(partial least square regression,PLSR)结合,提高对大田冬小麦生物量的估算精度,并将两者结合建立的...当作物生物量较大时,现有植被指数由于受饱和问题限制,不能较好的估算作物生物量。针对此问题,尝试将波段深度分析与偏最小二乘回归(partial least square regression,PLSR)结合,提高对大田冬小麦生物量的估算精度,并将两者结合建立的模型与应用代表性植被指数建立的模型进行生物量估算精度比较。波段深度分析主要对冬小麦冠层光谱550～750nm范围进行,采用波段深度、波段深度比(band depth ratio,BDR)、归一化波段深度指数和归一化面积波段深度对波段深度信息进行表征。在建立的模型中,波段深度分析和PLSR结合的估算精度比应用植被指数模型的精度高,其中BDR与PLSR结合的估算精度最高(R2=0.792,RMSE=0.164kg.m-2)。研究结果表明波段深度分析与PLSR结合能较好的克服生物量较大时存在的饱和问题,提高冬小麦生物量的估算精度。展开更多
介绍正交信号修正法的基本思想并详细推导该算法的实现步骤,将一种改进后的正交信号修正法(orthogonal signal correction,OSC)与偏最小二乘法(partial least square method,PLS)相结合,对原始数据通过OSC消除正交分量,利用PLS建立中长...介绍正交信号修正法的基本思想并详细推导该算法的实现步骤,将一种改进后的正交信号修正法(orthogonal signal correction,OSC)与偏最小二乘法(partial least square method,PLS)相结合,对原始数据通过OSC消除正交分量,利用PLS建立中长期负荷预测模型。该方法能有效地去除自变量系统中与因变量无关的正交数据信息,增强自变量、因变量之间的相关性,在有限的成分中提高成分解释能力。通过算例将PLS与OSC-PLS进行比较分析,结果表明,运用OSC-PLS进行中长期负荷预测,尽管预测模型提取的成分个数变少了,但模型成分的解释性却大幅度增强,预测精度明显提高,具有较强的实用性。展开更多
利用中尺度WRF(Weather Research and Forecast Model)模式预报了2009年1,4,7和10月甘肃某风电场区域的风速和风向,并与离风电场最近的两座测风塔对应时段50m和70m高度实测资料进行了对比,客观地评估了该模式对风场预报的准确率。在相...利用中尺度WRF(Weather Research and Forecast Model)模式预报了2009年1,4,7和10月甘肃某风电场区域的风速和风向,并与离风电场最近的两座测风塔对应时段50m和70m高度实测资料进行了对比,客观地评估了该模式对风场预报的准确率。在相对准确的风场预报基础上,利用2008年1月-2009年4月风电场200台风机的实际功率记录数据和同期气象要素场预报资料,采用自适应偏最小二乘回归法和单机预报法建立了每台风机未来48h逐15min输出功率记录数据与同时刻轮毂高度预报的风速、风向、气温、湿度及气压之间的非线性统计预报模型。为了对该模型的稳定性和准确性进行长期的客观评估,独立进行了2008年1-12月的预报试验,分别建立了12组独立的非线性统计预报模型。试验结果表明:(1)WRF模式预报的各月风向分布、风频大小与实测风向有较好的一致性;盛行风向基本一致,风频大小相当,风向分布特征也较为一致。(2)WRF模式预报的50m和70m高度逐时平均风速与实测值的相关系数介于0.6～0.8之间,均方根误差介于1.5～2.6m.s-1之间。(3)2008年1-12月逐15min风电场风电功率预报值与风机输出功率记录值的相关性较显著,可较好地预报出各月风电功率的时间变化趋势。两者相关系数介于0.58～0.90之间,均达到了99.9%置信度。(4)各月逐15min风电功率预报值与风机输出功率记录值的误差较小,相对于总额定装机容量而言,均方根误差介于2.76%～12.89%之间。展开更多
通过人为控制灌溉水平,在冬小麦3个发育期(孕穗、开花、乳熟)测定了冠层光谱和叶片含水量(leaf water content,LWC)。针对每期数据,结合偏最小二乘回归和迭代特征去除,建立了基于诊断波段的LWC回归模型。结果表明,叶片水分的光谱响应及...通过人为控制灌溉水平,在冬小麦3个发育期(孕穗、开花、乳熟)测定了冠层光谱和叶片含水量(leaf water content,LWC)。针对每期数据,结合偏最小二乘回归和迭代特征去除,建立了基于诊断波段的LWC回归模型。结果表明,叶片水分的光谱响应及反演精度受小麦生长状态的影响。在孕穗、开花和乳熟3个发育阶段,回归模型中光谱数据的最佳利用形式分别为对数光谱、导数光谱和反射率光谱;重要光谱区间为SWIR,NIR和SWIR;模型交叉验证决定系数(R2CV)为0.750,0.889和0.696。研究结论对今后监测冬小麦旱情和开发作物水分遥感产品具有重要的指导作用。展开更多
文摘介绍正交信号修正法的基本思想并详细推导该算法的实现步骤,将一种改进后的正交信号修正法(orthogonal signal correction,OSC)与偏最小二乘法(partial least square method,PLS)相结合,对原始数据通过OSC消除正交分量,利用PLS建立中长期负荷预测模型。该方法能有效地去除自变量系统中与因变量无关的正交数据信息,增强自变量、因变量之间的相关性,在有限的成分中提高成分解释能力。通过算例将PLS与OSC-PLS进行比较分析,结果表明,运用OSC-PLS进行中长期负荷预测,尽管预测模型提取的成分个数变少了,但模型成分的解释性却大幅度增强,预测精度明显提高,具有较强的实用性。
文摘利用中尺度WRF(Weather Research and Forecast Model)模式预报了2009年1,4,7和10月甘肃某风电场区域的风速和风向,并与离风电场最近的两座测风塔对应时段50m和70m高度实测资料进行了对比,客观地评估了该模式对风场预报的准确率。在相对准确的风场预报基础上,利用2008年1月-2009年4月风电场200台风机的实际功率记录数据和同期气象要素场预报资料,采用自适应偏最小二乘回归法和单机预报法建立了每台风机未来48h逐15min输出功率记录数据与同时刻轮毂高度预报的风速、风向、气温、湿度及气压之间的非线性统计预报模型。为了对该模型的稳定性和准确性进行长期的客观评估,独立进行了2008年1-12月的预报试验,分别建立了12组独立的非线性统计预报模型。试验结果表明:(1)WRF模式预报的各月风向分布、风频大小与实测风向有较好的一致性;盛行风向基本一致,风频大小相当,风向分布特征也较为一致。(2)WRF模式预报的50m和70m高度逐时平均风速与实测值的相关系数介于0.6～0.8之间,均方根误差介于1.5～2.6m.s-1之间。(3)2008年1-12月逐15min风电场风电功率预报值与风机输出功率记录值的相关性较显著,可较好地预报出各月风电功率的时间变化趋势。两者相关系数介于0.58～0.90之间,均达到了99.9%置信度。(4)各月逐15min风电功率预报值与风机输出功率记录值的误差较小,相对于总额定装机容量而言,均方根误差介于2.76%～12.89%之间。
文摘通过人为控制灌溉水平,在冬小麦3个发育期(孕穗、开花、乳熟)测定了冠层光谱和叶片含水量(leaf water content,LWC)。针对每期数据,结合偏最小二乘回归和迭代特征去除,建立了基于诊断波段的LWC回归模型。结果表明,叶片水分的光谱响应及反演精度受小麦生长状态的影响。在孕穗、开花和乳熟3个发育阶段,回归模型中光谱数据的最佳利用形式分别为对数光谱、导数光谱和反射率光谱;重要光谱区间为SWIR,NIR和SWIR;模型交叉验证决定系数(R2CV)为0.750,0.889和0.696。研究结论对今后监测冬小麦旱情和开发作物水分遥感产品具有重要的指导作用。
