期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
荒漠草原区土壤水分ELM-ESTARFM遥感反演模型构建与应用
被引量：
1
1
作者
王欢
李瑞平
+3 位作者
王福强
赵建伟
苗存立
籍晓婧
《干旱地区农业研究》
CSCD
北大核心
2024年第3期236-244,共9页
土壤水分的高时空分辨率和高精度评估对干旱监测具有重要意义。为探究我国内蒙古荒漠草原区土壤水分遥感反演最优模型,基于Landsat和MODIS数据进行改进型自适应反射率时空融合(Enhanced Spatial and Temporal Adaptive Reflectance Fusi...
土壤水分的高时空分辨率和高精度评估对干旱监测具有重要意义。为探究我国内蒙古荒漠草原区土壤水分遥感反演最优模型,基于Landsat和MODIS数据进行改进型自适应反射率时空融合(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM),结合下垫面因子、地形因子、气象因子、植被因子等多要素环境因子,通过极限学习机(Extreme learning machine,ELM)和随机森林(Random forest,RF)两种方法构建土壤含水率反演模型,并与Landsat(未进行融合)构建的土壤含水率反演模型进行对比,最终筛选得到最优土壤含水率反演模型,并对研究区不同土地利用类型土壤含水率分布特征进行应用分析。结果表明:归一化植被指数是土壤含水率环境因子相关分析中最重要的预测因子(0~10、10~20、20~30 cm土壤深度处R^(2)=0.85、0.82、0.79),其次为降水量(R^(2)=0.73、0.68、0.71)、高程(R^(2)=0.71、0.70、0.71)、水体指数(R^(2)=0.69、0.69、0.68)、归一化盐分指数(R^(2)=0.68、0.67、0.65)。与未进行时空融合所构建的模型相比,利用ESTARFM时空融合所构建的模型精度均有所提升,考虑ESTARFM时空融合时,ELM模型的R^(2)、RMSE、MAE分别为0.89、6.58%、3.93%,RF模型的R^(2)、RMSE、MAE分别为0.78、7.25%、4.95%;未考虑ESTARFM时空融合时,ELM模型的R^(2)、RMSE、MAE分别为0.75、7.37%、5.24%,RF模型的R^(2)、RMSE、MAE分别为0.71、7.48%、5.30%。表明ELM模型比RF模型的土壤含水率反演效果更好,且ELM-ESTARFM为土壤含水率反演最优模型。在此基础上,运用改进后的ELM-ESTARFM遥感反演模型监测了乌审旗全域土壤含水率,发现研究区北部和西北部的土壤含水率较高,南部地区的土壤含水率较低;对于不同土壤深度,土壤含水率由大到小依次为耕地、林地、草地、沙地,耕地区域0~10、10~20、20~30 cm土层含水率分别为18.92%、19.34%、21.84%,林地为11.80%、11.87%、12.40%,草地为10.97%、11.02%、12.22%,沙地为5.07%、5.35%、5.67%。
展开更多
关键词
土壤水分
环境因子
极限学习机
随机森林
在线阅读
下载PDF
职称材料
考虑时空融合环境因子的土壤含水率机器学习反演模型优化
2
作者
李瑞平
赵建伟
+3 位作者
王福强
王欢
于欣
苗存立
《农业机械学报》
2025年第8期370-379,共10页
植被指数作为构建土壤含水率反演模型的关键要素之一,主要来源于遥感影像的提取。针对高时空分辨率影像难以获取的缺点,采用对象级处理策略的自适应时空融合模型(OL-STARFM)对研究区遥感影像融合,提取融合后的归一化植被指数(NDVI)、地...
植被指数作为构建土壤含水率反演模型的关键要素之一,主要来源于遥感影像的提取。针对高时空分辨率影像难以获取的缺点,采用对象级处理策略的自适应时空融合模型(OL-STARFM)对研究区遥感影像融合,提取融合后的归一化植被指数(NDVI)、地表温度(LST)和植被干旱指数(TVDI)作为环境变量,结合土地利用类型、土壤质地、蒸散量、高程、坡向、坡度、原始影像植被干旱指数(TVDI)、归一化植被指数(NDVI)、地表温度(LST),以及气温、降水量和风速作为建模因子,构建基于多元线性逐步回归(MLSR)、随机森林(RF)和梯度提升机(GBM)3种方法的土壤含水率反演模型,并进行优化分析。研究结果表明:地表温度是影响土壤含水率空间变异性的关键影响因素(R为-0.46),其次为蒸散量(-0.43)、气温(-0.39)、融合后归一化植被指数(0.38)、原始归一化植被指数(0.36)、土地利用类型(0.31)、融合后干旱植被指数(-0.3)、原始干旱植被指数(-0.28)、降水量(0.27)、土壤质地(0.27)、坡向(-0.25)、高程(0.26)、坡度(-0.20)及风速(-0.20);MLSR表现出较强的模型线性处理能力。非线性处理中RF回归模型最稳定,GBM模型则具有最高的精确度,R^(2)为0.910,MAE、MSE及RMSE分别为2.12%、6.89%和2.62%;多元逐步回归方法在土壤含水率反演过程中预测准确率较低,显示出线性模型在处理复杂关系处理时的局限性;OL-STARFM融合方法提取的TVDI和NDVI与土壤含水率的相关系数分别为-0.41和0.38,均高于单一影像提取的植被指数与土壤含水率的相关性,并且有效提高了土壤含水率反演模型的精度,表明该方法在土壤含水率反演模型构建中的可行性,为获取连续的高时空分辨率影像进而有效连续监测土壤含水率提供了理论依据。
展开更多
关键词
土壤含水率
遥感反演模型
时空融合
环境因子
OL-STARFM
机器学习算法
在线阅读
下载PDF
职称材料
题名
荒漠草原区土壤水分ELM-ESTARFM遥感反演模型构建与应用
被引量：
1
1
作者
王欢
李瑞平
王福强
赵建伟
苗存立
籍晓婧
机构
内蒙古农业大学水利与土木建筑工程学院
赤峰市克什克腾旗自然资源局
内蒙古自治区测绘地理信息中心
出处
《干旱地区农业研究》
CSCD
北大核心
2024年第3期236-244,共9页
基金
内蒙古自治区自然科学基金项目(2022MS05044)
国家自然科学基金项目(52269004)。
文摘
土壤水分的高时空分辨率和高精度评估对干旱监测具有重要意义。为探究我国内蒙古荒漠草原区土壤水分遥感反演最优模型,基于Landsat和MODIS数据进行改进型自适应反射率时空融合(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM),结合下垫面因子、地形因子、气象因子、植被因子等多要素环境因子,通过极限学习机(Extreme learning machine,ELM)和随机森林(Random forest,RF)两种方法构建土壤含水率反演模型,并与Landsat(未进行融合)构建的土壤含水率反演模型进行对比,最终筛选得到最优土壤含水率反演模型,并对研究区不同土地利用类型土壤含水率分布特征进行应用分析。结果表明:归一化植被指数是土壤含水率环境因子相关分析中最重要的预测因子(0~10、10~20、20~30 cm土壤深度处R^(2)=0.85、0.82、0.79),其次为降水量(R^(2)=0.73、0.68、0.71)、高程(R^(2)=0.71、0.70、0.71)、水体指数(R^(2)=0.69、0.69、0.68)、归一化盐分指数(R^(2)=0.68、0.67、0.65)。与未进行时空融合所构建的模型相比,利用ESTARFM时空融合所构建的模型精度均有所提升,考虑ESTARFM时空融合时,ELM模型的R^(2)、RMSE、MAE分别为0.89、6.58%、3.93%,RF模型的R^(2)、RMSE、MAE分别为0.78、7.25%、4.95%;未考虑ESTARFM时空融合时,ELM模型的R^(2)、RMSE、MAE分别为0.75、7.37%、5.24%,RF模型的R^(2)、RMSE、MAE分别为0.71、7.48%、5.30%。表明ELM模型比RF模型的土壤含水率反演效果更好,且ELM-ESTARFM为土壤含水率反演最优模型。在此基础上,运用改进后的ELM-ESTARFM遥感反演模型监测了乌审旗全域土壤含水率,发现研究区北部和西北部的土壤含水率较高,南部地区的土壤含水率较低;对于不同土壤深度,土壤含水率由大到小依次为耕地、林地、草地、沙地,耕地区域0~10、10~20、20~30 cm土层含水率分别为18.92%、19.34%、21.84%,林地为11.80%、11.87%、12.40%,草地为10.97%、11.02%、12.22%,沙地为5.07%、5.35%、5.67%。
关键词
土壤水分
环境因子
极限学习机
随机森林
Keywords
soil moisture
environmental factors
extreme learning machine
random forest
分类号
S161.3 [农业科学—农业气象学]
在线阅读
下载PDF
职称材料
题名
考虑时空融合环境因子的土壤含水率机器学习反演模型优化
2
作者
李瑞平
赵建伟
王福强
王欢
于欣
苗存立
机构
内蒙古农业大学水利与土木建筑工程学院
出处
《农业机械学报》
2025年第8期370-379,共10页
基金
国家自然科学基金项目(52269004)
内蒙古自治区自然科学基金项目(2022MS05044)
+1 种基金
内蒙古自治区教育厅一流学科科研专项(YLXKZX-NND-010)
内蒙古自然科学青年基金项目(2023QN05003)。
文摘
植被指数作为构建土壤含水率反演模型的关键要素之一,主要来源于遥感影像的提取。针对高时空分辨率影像难以获取的缺点,采用对象级处理策略的自适应时空融合模型(OL-STARFM)对研究区遥感影像融合,提取融合后的归一化植被指数(NDVI)、地表温度(LST)和植被干旱指数(TVDI)作为环境变量,结合土地利用类型、土壤质地、蒸散量、高程、坡向、坡度、原始影像植被干旱指数(TVDI)、归一化植被指数(NDVI)、地表温度(LST),以及气温、降水量和风速作为建模因子,构建基于多元线性逐步回归(MLSR)、随机森林(RF)和梯度提升机(GBM)3种方法的土壤含水率反演模型,并进行优化分析。研究结果表明:地表温度是影响土壤含水率空间变异性的关键影响因素(R为-0.46),其次为蒸散量(-0.43)、气温(-0.39)、融合后归一化植被指数(0.38)、原始归一化植被指数(0.36)、土地利用类型(0.31)、融合后干旱植被指数(-0.3)、原始干旱植被指数(-0.28)、降水量(0.27)、土壤质地(0.27)、坡向(-0.25)、高程(0.26)、坡度(-0.20)及风速(-0.20);MLSR表现出较强的模型线性处理能力。非线性处理中RF回归模型最稳定,GBM模型则具有最高的精确度,R^(2)为0.910,MAE、MSE及RMSE分别为2.12%、6.89%和2.62%;多元逐步回归方法在土壤含水率反演过程中预测准确率较低,显示出线性模型在处理复杂关系处理时的局限性;OL-STARFM融合方法提取的TVDI和NDVI与土壤含水率的相关系数分别为-0.41和0.38,均高于单一影像提取的植被指数与土壤含水率的相关性,并且有效提高了土壤含水率反演模型的精度,表明该方法在土壤含水率反演模型构建中的可行性,为获取连续的高时空分辨率影像进而有效连续监测土壤含水率提供了理论依据。
关键词
土壤含水率
遥感反演模型
时空融合
环境因子
OL-STARFM
机器学习算法
Keywords
soil moisture
remote sensing inversion model
spatial-temporal fusion
environmental factors
OL-STARFM
machine learning algorithm
分类号
TP79 [自动化与计算机技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
荒漠草原区土壤水分ELM-ESTARFM遥感反演模型构建与应用
王欢
李瑞平
王福强
赵建伟
苗存立
籍晓婧
《干旱地区农业研究》
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
2
考虑时空融合环境因子的土壤含水率机器学习反演模型优化
李瑞平
赵建伟
王福强
王欢
于欣
苗存立
《农业机械学报》
2025
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
