排序方式: 共有1条查询结果,搜索用时 15 毫秒
1
1.
红树林是世界上生产力最高、价值最高的湿地生态系统之一。冠层叶绿素含量CCC(Canopy Chlorophyll Content)作为红树林重要的生物物理参量,是估算其生产力和评价其健康状况的重要指标。本文利用珠海一号高光谱卫星(OHS)影像与Sentinel-2A多光谱数据计算传统植被指数与组合植被指数并构建了高维数据集,综合利用正态分布检验、最大相关系数法与变量重要性评价进行数据降维和变量优选;分别基于单一线性回归算法、机器学习回归算法和堆栈集成学习回归算法构建了红树林CCC遥感反演模型,探明北部湾红树林CCC的最佳遥感反演模型,验证OHS高光谱影像与Sentinel-2A数据反演红树林CCC的精度差异,评估SNAP-SL2P算法反演红树林CCC的适用性。研究结果表明:(1)通过数据降维和变量选择处理,从高维度OHS数据集选取了8个特征变量,其中RSI(12,17)、DSI(12,18)和NDSI(6,12)组合植被指数对红树林CCC反演精度的贡献率较高;(2)联合OHS数据和最优堆栈GBRT集成学习回归模型(Score=0.999,RMSE=0.963 μg/cm2)的训练精度优于最优RF机器学习回归模型(RMSE降低了7.531 μg/cm2),明显优于最优Lasso线性回归模型(RMSE降低了19.383 μg/cm2);(3)在最优堆栈集成学习回归模型下,OHS数据反演红树林CCC的精度(R2=0.761,RMSE=16.738 μg/cm2)高于Sentinel-2A影像(R2=0.615,RMSE=20.701 μg/cm2);(4)联合OHS和Sentinel-2A数据的最优堆栈集成学习回归模型反演红树林CCC的精度都明显优于SNAP-SL2P算法(R2=0.356,RMSE=49.419 μg/cm2)。研究结果论证了正态分布检验、最大相关系数法和基于XGBoost的特征选择方法有效降低了高维数据集的维度,并得到了最优特征变量;OHS数据的最优堆栈GBRT集成学习回归模型训练精度最高,是估算红树林CCC的最优反演模型;OHS和Sentinel-2A数据都能有效反演红树林CCC(R2均大于0.61),而OHS数据的估算精度更高(R2大于0.75);SNAP-SL2P算法不能有效反演红树林CCC(R2小于0.4),且对红树林CCC数值存在系统性低估。 相似文献
1