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
草地生物量是草地生态系统的重要参数,草原冠层植被光谱的复杂性使得长期评估草场生长状况成为一种挑战。目前少有研究对内蒙典型草原原始光谱信息进行深度探索,探讨地物光谱信息对地上生物量估算的影响。本研究于2017年7月至2018年8月...草地生物量是草地生态系统的重要参数,草原冠层植被光谱的复杂性使得长期评估草场生长状况成为一种挑战。目前少有研究对内蒙典型草原原始光谱信息进行深度探索,探讨地物光谱信息对地上生物量估算的影响。本研究于2017年7月至2018年8月使用ASD Field Spec3野外便携式高光谱仪采集内蒙古锡林郭勒毛登牧场的草地冠层高光谱数据,分析草地的反射光谱曲线来表征植被变化的趋势。同时采用光谱预处理方法结合多种高光谱模型选出最优预测模型。结果表明:(1)从对比不同的广义线性拟合模型(Generalize linear model,GLM)的预测精度来看,最佳的高光谱建模方法为,选取SD_(r)/SD_(b)为变量的最佳模型为y=-3.7953x 2+60.065x-78.455(x为SD_(r)/ SD_(b),y是估算的地上生物量鲜重),拟合R^(2)=0.662,预测R^(2)=0.302。(2)高光谱变量与地上生物量干重之间分析中,选择SD_(r)-SD_(y)/ SD_(r)+SD_(y)作为变量的最佳模型为y=7.744 e 3.4349x(x为SD_(r)-SD_(b)/SD_(r)+SD_(b),y是估算的地上生物量干重),拟合R^(2)=0.559;预测R^(2)=0.304。该研究结果对草地生物量高光谱预测建模具有科学价值。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。
文摘土壤重金属污染高光谱反演的特征波段提取方法和反演模型的选择是影响反演精度的关键;二者如何优化组合,提高反演精度是目前亟需解决的难题。在华南典型铬(Cr)污染区,采集了92组土壤样品,使用电感耦合等离子体质谱(inductively coupled plasma mass spectrometry,ICP-MS)检测Cr含量,并使用ASD Field Spec4地物光谱仪在实验室收集其高光谱信息。光谱信息预处理采用平滑滤波(SG)+标准正态化(SNV)+二阶微分(SD)变换组合,减弱土壤散射和噪声的影响。选择竞争性自适应重加权采样(CARS)、逐步投影算法(SPA)、无信息变量消除(UVE)、遗传算法(GA)四种算法提取特征波段。选择多元线性回归(MLR)、偏最小二乘法(PLSR)、支持向量回归(SVR)和人工神经网络(ANN)四种反演模型建立特征波段与Cr含量之间的关系。通过对比不同特征波段提取方法和反演模型组合对土壤Cr含量反演的结果发现:采用CARS和UVE特征波段提取方法可以显著提高PLSR、MLR和SVR模型的预测效果;SPA方法能够提高ANN模型的预测效果;通过SG+SNV+SD+CARS+PLSR组合方式,提取位于800~1000、1400~1700以及2100~2450 nm之间的98个特征波段,建模后模型验证,决定系数R2为0.97,均方根误差RMSE为5.25 mg·kg^(-1),平均绝对误差MAE为4.35 mg·kg^(-1),相对分析误差RPD为3.94,表明该模型在预测土壤Cr含量具有优异的性能。以土壤Cr污染高光谱反演为例,通过比较不同特征波段提取方法与反演模型组合的反演精度,确定最优模型,为小样本土壤重金属污染反演的建模提供了思路。
文摘草地生物量是草地生态系统的重要参数,草原冠层植被光谱的复杂性使得长期评估草场生长状况成为一种挑战。目前少有研究对内蒙典型草原原始光谱信息进行深度探索,探讨地物光谱信息对地上生物量估算的影响。本研究于2017年7月至2018年8月使用ASD Field Spec3野外便携式高光谱仪采集内蒙古锡林郭勒毛登牧场的草地冠层高光谱数据,分析草地的反射光谱曲线来表征植被变化的趋势。同时采用光谱预处理方法结合多种高光谱模型选出最优预测模型。结果表明:(1)从对比不同的广义线性拟合模型(Generalize linear model,GLM)的预测精度来看,最佳的高光谱建模方法为,选取SD_(r)/SD_(b)为变量的最佳模型为y=-3.7953x 2+60.065x-78.455(x为SD_(r)/ SD_(b),y是估算的地上生物量鲜重),拟合R^(2)=0.662,预测R^(2)=0.302。(2)高光谱变量与地上生物量干重之间分析中,选择SD_(r)-SD_(y)/ SD_(r)+SD_(y)作为变量的最佳模型为y=7.744 e 3.4349x(x为SD_(r)-SD_(b)/SD_(r)+SD_(b),y是估算的地上生物量干重),拟合R^(2)=0.559;预测R^(2)=0.304。该研究结果对草地生物量高光谱预测建模具有科学价值。
