一种基于高光谱遥感数据的植被LAI反演算法

针对高光谱遥感数据反演叶面积指数(LAI)的问题,提出了基于主成分变换(PCA)的综合反演算法。研究表明,利用变换后的高光谱数据建立的神经网络反演模型具有更好的泛化性,提高了实测数据的反演稳定性和精度,同时加快了反演速度。     

基于GF-2卫星数据的孕穗期小麦叶面积指数反演——以河北省廊坊市为例

叶面积指数(leaf area index,LAI)是评价植被长势和预测产量的重要农业生理生态参数。高分2号(GF-2)卫星数据具有高空间分辨率特点,能反映更多细节信息,针对该数据特点的LAI反演方法具有较高的研究价值。以河北省廊坊市万庄镇为研究区,对孕穗期小麦采用了回归模型和神经网络算法反演LAI;采用4种植被指数与实测LAI值构建回归模型,同时重点探讨了PROSAIL模型结合神经网络方法进行LAI反演。研究结果表明,在回归模型中,归一化植被指数(normalized difference vegetation index,NDVI)的二项式模型估算LAI可以获得最高精度,采用实测数据验证的决定系数(R2)和均方根误差(root mean square error,RMSE)分别为0.719 3和0.393 6;与回归模型相比,神经网络反演LAI方法更显著提高了精度,R2和RMSE分别达到0.900 8和0.273 2。基于GF-2卫星数据,在研究区小麦孕穗期,神经网络反演LAI具有较强可行性和适用性,可为高空间分辨率卫星影像的LAI反演提供参考。     

基于高光谱的鲜桃叶片叶绿素含量检测

为实现鲜桃叶片叶绿素含量的快速无损检测,使用鲜桃四个生长时期的叶片光谱数据及其叶绿素含量数据,利用原始光谱及其变换形式,采用主成分分析和小波去噪预处理数据作为输入矢量,采用支持向量回归机和偏最小二乘法分别构建基于主成分分析-支持向量回归和小波去噪-偏最小二乘回归两种方法的预测模型,并与传统方法建立的模型结果进行比较。通过实验发现,整体建模结果最优的全生长期数据校正集和验证集模型的R2为0.872 7和0.871 4,RMSE分别为0.156 3和0.154 4;采用传统建模方法时,效果最优的是主成分回归模型,全生长期验证集模型R2为0.825 9,RMSE为0.174。结果表明:采用主成分分析-支持向量回归和小波去噪-偏最小二乘回归建模方法的建模效果均优于传统方法,能够应用于基于高光谱的鲜桃树叶绿素含量检测。     

塞罕坝地区高空间分辨率叶面积指数时序估算与变化检测

叶面积指数LAI (Leaf Area Index)是调节植被冠层生理过程的最重要的生物物理变量之一,高空间分辨率时间序列LAI对于植被生长检测、地表过程模拟与区域和全球变化研究至关重要,但是由于数据缺失和反演方法限制,目前还没有时空连续的高分辨率LAI数据产品。本研究提出了一种生成时间连续的高空间分辨率LAI数据的算法,首先对MODIS LAI产品滤波平滑,生成时间序列LAI的上包络曲线,根据上包络曲线提供的变化信息构建LAI动态模型。然后利用地面实测的LAI数据与Landsat反射率数据构建LAI反演的BP (Back Propagation)神经网络模型。将反演得到的高分辨率LAI数据作为LAI观测数据,利用集合卡尔曼滤波EnKF (Ensemble Kalman Filter)方法实时更新动态模型,生成时间连续的30 m空间分辨率LAI数据集。基于该算法生成了塞罕坝地区2000年—2018年长时间序列LAI数据集,利用Prophet深度学习模型进行模拟和预测,根据预测和原始LAI差异,利用支持向量机SVM (Support Vector Machine)方法检测植被干扰状况。结果表明:EnKF算法能够生成时空连续的高空间分辨率LAI数据,估算结果与地面测量值一致性较高,R~2为0.9498,RMSE为0.1577,在区域尺度上与Landsat LAI参考值较为吻合,R~2高于0.87,RMSE低于0.61。Prophet与SVM模型检测到研究区2009年,2010年,2013年,2014年,2015年植被受干扰较为严重,主要由于年降水量偏少和林区作业砍伐造成,检测结果与当地降水量与砍伐数据吻合。本文提出的算法可用于大范围高时空LAI数据反演和植被变化检测,对塞罕坝乃至全国林区规划管理具有重要的参考价值。     

基于偏最小二乘法的高光谱水面油膜厚度估算

油膜厚度是水面溢油量估算的一个关键参数。为了确定高光谱数据探测水面油膜厚度的可行性,在实验室内,以原油作为实验油品,以石英卤素灯模拟太阳光源,以ASD Field Spec3作为光谱探测仪器,开展了不同厚度油膜模拟及其反射率光谱测量实验,获取油膜厚度-反射率光谱数据27组。为了充分利用光谱信息,选择偏最小二乘法(partial least squares,PLS)进行油膜厚度-光谱反射率建模,样本数据中21组用于建模,6组用于验证。研究结果表明,当主成分分量个数为5时,PLS模型具有最佳效果,5个主成分分量累积解释了74%的自变量信息和99. 8%的因变量信息,模型的预测能力达到92. 8%,建模样本和验证样本的均方根误差(root mean squared error,RMSE)分别为0. 01和0. 04,说明所建立的PLS模型具有较好的预测能力和稳定性。通过与传统曲线拟合模型的对比,PLS模型在误差方面无论是建模样本还是验证样本均优于传统的经验模型,因而认为基于PLS模型可以实现高光谱数据水面油膜厚度估算。     

基于主成分分析的GA-BP神经网络地表下沉系数预测

为提高条带开采地表下沉系数预测准确率,基于地表下沉系数影响因素具有一定相关性、不确定性以及非线性的复杂现象,建立基于主成分分析的遗传算法(Genetic Algorithm,GA)优化的神经网络GA-BP智能预测模型.利用遗传算法对BP神经网络(Back Propagation Neural Network)的初始权值和阈值进行优化处理,通过SPSS20(Statistical Product and Service Solutions 20)软件对地表下沉系数影响因素进行主成分分析,降低数据维度,消除变量间的冗余信息,找出主成分并作为模型的输入样本,利用MATLAB(Matrix Laboratory)软件进行仿真与分析.结果表明:与传统BP神经网络模型和主成分分析(Principal Component Analysis,PCA)的PCA-BP神经网络模型相比,基于主成分分析的GA-BP模型的相对误差不超过5％,与实测值更为接近,预测精度进一步提高,基本满足矿区实际工程需要,为条带开采地表下沉系数预测提供了又一种准确可行的方法.     

基于高光谱数据的苔草营养成分反演方法研究

研究基于高光谱数据的苔草营养成分(侧重粗蛋白质、总氮、总磷)反演方法。结果显示,粗蛋白质的最佳反演模型是通过原始光谱反射率(偏最小二乘回归的方法)获得,R2=0.814、RMSE=0.450;总氮的最佳反演模型是通过一阶光谱反射率(偏最小二乘回归的方法)获得,R~2=0.850、RMSE=0.175;总磷的最佳反演模型是通过原始光谱反射率(偏最小二乘回归)获得,R~2=0.882、RMSE=0.025。最佳模型检验结果显示估算值和实测值之间的强相关性:粗蛋白质R2=0.801、RMSE=1.029,总氮R2=0.777、RMSE=0.234,总磷R2=0.756、RMSE=0.043。     

黑河中游农作物MODIS叶面积指数产品时间序列精度验证与变化特征分析

叶面积指数LAI (Leaf Area Index)是表征植被生长状态的一个重要的冠层结构参数。MODIS LAI产品是全球常用的遥感LAI产品之一。然而,由于地表异质性、数据质量、模型精度等多方面的差异,MODIS LAI产品质量各有不同。基于无线传感器网络的LAINet仪器可以自动获取时间频率更密集的LAI实测数据,为验证卫星遥感LAI产品质量提供了有力支持。本文基于2018年和2019年黑河中游时间序列地面实测LAI数据与高空间分辨率卫星遥感植被指数数据,建立经验回归模型。将该模型反演高空间分辨率卫星遥感LAI作为参考LAI真值,对MODIS LAI产品进行了精度验证与稳定性评价,分析了MODIS LAI与LAINet地面测量的差异原因。结果表明：与Landsat 8参考真值相比,MODIS LAI生长季的质量（RMSE2018=1.17,RMSE2019=1.14）优于衰落季（RMSE2018=1.39,RMSE2019=1.84）,MODIS LAI总体低估,尤其是生长季后期。时间序列上,MODIS LAI产品能够刻画植被生长和凋落的季节特征,但生长前期波动性要强于后期。与L...     

基于GF-1 WFV数据森林叶面积指数估算

以国产高分一号(GF-1)宽幅数据(wide field of view,WFV)为数据源,采用简单生物圈模型2(simple biosphere model2,Si B2)对黑龙江省漠河县森林植被叶面积指数(leaf area index,LAI)进行估算,并与增强植被指数(enhanced vegetation index,EVI)线性模型的估算结果进行对比,结合地面实测LAI数据分别对这2种模型估算结果进行精度评价。结果表明,采用EVI线性模型估算LAI,决定系数R2为0. 582,均方根误差(root mean square error,RMSE)为0. 701;而采用Si B2模型估算LAI,R2为0. 798,RMSE为0. 358,均比EVI线性模型有所改善。该研究发现,结合中高空间分辨率的GF-1 WFV数据,Si B2模型更适宜于该研究区森林植被的LAI反演。     

基于HJ-1B影像的内蒙古草地叶面积指数反演

针对HJ-1B星CCD数据,以内蒙古草地为研究对象,应用植被指数模型、PROSAIL模型以及热暗点指数模型对研究区草地进行叶面积指数定量估算研究,同时利用LAI-2000获取的实测数据进行反演结果检验。结果显示:复合型植被指数统计模型的R2=0.7,物理模型为0.67;而传统植被指数模型R2仅为0.61。实验表明热暗点植被指数模型比传统植被指数模型更适于进行内蒙古草地LAI定量反演。     

Leaf Area Index Estimation Using Time-Series MODIS Data in Different Types of Vegetation

The aim of this study is to estimate leaf area index (LAI) in different type of plants using vegetation indices (VIs) and neural network algorithms retrieved from MODIS data. Four VI were calculated, and neural networks were built up based on MODIS surface reflectance products. Among the tested VIs, normalized difference vegetation index (NDVI) and chlorophyll index (CI) appeared to be the best candidate indices in estimating LAI across sites with different vegetation types. The models having the highest accuracy were CI for grassland and deciduous broad leaf forest with determination coefficients (R-square above 0.70, and NDVI for crop R-square?=?0.78). Neural network showed better results than VI methods except in grassland sites. The added VI information showed no significant improvement of model accuracy for the neural networks in most sites.     

Principal component inversion technique for the retrieval of leaf area index

A simulation study has been carried out to investigate the Principal Component Inversion (PCI) technique for the retrieval of leaf area index (LAI). The PROSAIL model has been used for the forward analysis, i.e., estimation of reflectance for various combinations of LAI, soil reflectance, leaf angle distribution (ø₁), chlorophyll a+b concentration (C_ab), etc. Independent test on sample with LAI range 0.1-7.0 indicated that the retrieved LAI from PCI has higher accuracy (RMSE=0.137) than the classical NDVI-LAI empirical approach (RMSE=1.139). The study needs to be extended to cover retrieval from different types of soil and simultaneous retrieval of different biophysical parameters viz., LAI, C_ab, ø₁ to test the wider applicability of the PCI technique.     

Retrieval of boreal forest LAI using a forest reflectance model and empirical regressions

Spectral invariants provide a novel approach for characterizing canopy structure in forest reflectance models and for mapping biophysical variables using satellite images. We applied a photon recollision probability (p) based forest reflectance model (PARAS) to retrieve leaf area index (LAI) from fine resolution SPOT HRVIR and Landsat ETM+ satellite data. First, PARAS was parameterized using an extensive database of LAI-2000 measurements from five conifer-dominated boreal forest sites in Finland, and mixtures of field-measured forest understory spectra. The selected vegetation indices (e.g. reduced simple ratio, RSR), neural networks and kNN method were used to retrieve effective LAI (L_e) based on reflectance model simulations. For comparison, we established empirical vegetation index-LAI regression models for our study sites. The empirical RSR–L_e regression performed best when applied to an independent test site in southern Finland [RMSE 0.57 (24.2%)]. However, the difference to the best reflectance model based retrievals produced by neural networks was only marginal [RMSE 0.59 (25.1%)]. According to this study, the PARAS model provides a simple and flexible modelling tool for calibrating algorithms for LAI retrieval in conifer-dominated boreal forests. The advantage of PARAS is that it directly uses field measurements to parameterize canopy structure (LAI-2000, hemispherical photographs) and optical properties of foliage and understory.     

土壤Cu含量高光谱反演的BP神经网络模型

以高光谱数据为基础,针对传统土壤重金属反演模型拟合度低、预测效果差的缺点,提取光谱预处理后的特征波段数据进行相关性分析,选取860nm一阶微分光谱反射率建立基于Matlab的重金属Cu含量BP神经网络预测模型,模型的拟合优度为0.721,预测精度达82.3%,高于传统单元线性回归模型0.414的拟合优度与76.1%的预测精度。研究表明,BP神经网络模型具有良好的拟合优度与预测能力,能更有效预测土壤中重金属Cu的含量。     

基于主成分分析的植被指数与叶面积指数相关性研究

综合分析了玉米叶面积指数与几种常见光谱植被指数相关性,确定主成分分析方法在反演叶面积指数中的作用。首先,借助MATLAB编程软件,以植被指数与玉米叶面积指数相关性最高为原则,选出遥感影像上各种植被指数,其波段组合为NDVI(752.4/701.5),RVI(752.4/701.5),MSR(752.4/701.5),SAVI(823.7/701.5),MSAVI(823.7/701.5),然后,对这5种植被指数进行主成分分析,建立LAI-VI多元逐步回归模型,并对模型精度进行验证,总体估测精度为96.237%。经实验验证,利用主成分分析方法在反演植被叶面积指数时能够起到较好的效果,具有广泛的应用前景。     

地表覆盖分类数据对区域森林叶面积指数反演的影响

以江西省吉安市为研究区,将5种全球地表覆盖分类数据(包括美国地质调查局(USGS)、马里兰大学(UMD)和波士顿大学(BU)生成的3套数据和欧洲生成的2套数据)以及由TM影像生成的区域地表覆盖分类数据,分别与MODIS1km反射率资料结合,利用基于4尺度几何光学模型的LAI反演方法生成研究区的LAI。在1km和4km两种尺度上将反演的LAI与TM资料生成的LAI进行比较,评价地表覆盖分类数据对LAI反演结果的影响。结果表明,TM和欧洲太空局的GLOBCOVER地表覆盖分类数据用于反演LAI的结果较好,在1km尺度上,反演的LAI与统计模型估算的TMLAI相关的R2分别为0.44和0.40,在4km尺度上的R2分别为0.57和0.54;其次为波士顿大学的MODIS地表覆盖分类数据,据其反演的LAI与TMLAI相关的R2在1km和4km尺度上分别为0.38和0.51;而马里兰大学的UMD和欧洲的GLC2000地表覆盖分类数据会导致反演的LAI存在较大误差,据其反演的LAI与TMLAI之间的一致性较差,在1km和4km两种尺度上平均偏低20%左右;LAI的反演结果对聚集度系数具有强的敏感性。该研究表明,为了提高区域/全球LAI反演精度,需要有高质量的地表覆盖分类数据。     

基于相空间重构和高斯过程回归的对流层延迟预测

天顶对流层延迟(zenith tropospheric delay,ZTD)是影响GPS定位精度的关键因素,为了提高ZTD的预测精度,提出一种基于相空间重构的高斯过程回归预测模型.针对ZTD时间序列的混沌特性,利用国际GNSS服务(International GNSS Service,IGS)站提供的ZTD数据,采用C...     

遥感模型多参数反演相互影响机理的研究

遥感数据具有覆盖范围广、时间与空间分辨率高的特点,被广泛应用于提取区域范围内的一些重要的生物物理参数.为提高参数的提取精度,需要制定正确的反演策略.了解影响参数提取精度的因素、反演过程中各反演参数之间如何相互作用是制定合理反演策略的关键.本文通过数学推导与物理机理的分析,证明了影响参数反演精度的因素不但有冠层反射率数据的质量,还有反演过程中参与反演的未知参数的个数、参与反演的每个参数的敏感性及各个参数敏感性之间的相关性.最后通过对反演不同参数个数、不同数据质量进行了叶面积指数反演的精度分析,验证影响参数反演精度的各个因素.     

Estimation of leaf area index using PROSAIL based LUT inversion,MLRA-GPR and empirical models: Case study of tropical deciduous forest plantation,North India

Forests play a vital role in biological cycles and environmental regulation. To understand the key processes of forest canopies (e.g., photosynthesis, respiration and transpiration), reliable and accurate information on spatial variability of Leaf Area Index (LAI), and its seasonal dynamics is essential. In the present study, we assessed the performance of biophysical parameter (LAI) retrieval methods viz. Look-Up Table (LUT)-inversion, MLRA-GPR (Machine Learning Regression Algorithm- Gaussian Processes Regression) and empirical models, for estimating the LAI of tropical deciduous plantation using ARTMO (Automated Radiative Transfer Models Operator) tool and Sentinel-2 satellite images. The study was conducted in Central Tarai Forest Division, Haldwani, located in the Uttarakhand state, India. A total of 49 ESUs (Elementary Sampling Unit) of 30 m × 30 m size were established based on variability in composition and age of plantation stands. In-situ LAI was recorded using plant canopy imager during the leaf growing, peak and senescence seasons. The PROSAIL model was calibrated with site-specific biophysical and biochemical parameters before used to the predicted LAI. The plantation LAI was also predicted by an empirical approach using optimally chosen Sentinel-2 vegetation indices. In addition, Sentinel-2 and MODIS LAI products were evaluated with respect to LAI measurements. MLRA-GPR offered best results for predicting LAI of leaf growing (R² = 0.9, RMSE = 0.14), peak (R² = 0.87, RMSE = 0.21) and senescence (R² = 0.86, RMSE = 0.31) seasons while LUT inverted model outperformed VI’s based parametric regression model. Vegetation indices (VIs) derived from 740 nm, 783 nm and 2190 nm band combinations of Sentinel-2 offered the best prediction of LAI.     

基于改进麻雀搜索算法优化BP神经网络的PM_(2.5)浓度预测北大核心CSCD

针对传统BP神经网络模型收敛速度慢、易陷入局部极值等问题,本文采用分段线性混沌映射(PWLCM)和萤火虫算法(FA)改进麻雀搜索算法(SSA),并优化BP神经网络模型初始权值和阈值,对西安市PM_(2.5)浓度进行预测。通过比较不同模型预测结果的评价指标,并与性能较优的SSA-BP模型对比,ISSA-BP模型预测结果的RMSE、MAPE、MAE分别下降了3.70、3.73、3.34。试验结果表明,改进后的麻雀搜索算法具有高效的全局最优搜索能力,优化后的ISSA-BP神经网络预测稳定性高,精度优于BP、SSA-BP神经网络模型,可用于预测PM_(2.5)浓度。