Inversion of the PROSAIL model to estimate Leaf Area Index of maize, potato, and sunflower fields from unmanned aerial vehicle hyperspectral data
1
2014
... 叶面积指数(Leaf Area Index, LAI)被定义为单位地表面积上所有叶片面积总和的一半[1],作为植被冠层重要的结构参数之一,对于描述和分析植被光合、蒸腾、呼吸、碳循环和降雨截留等生物和物理过程具有重要的作用[2].在农业遥感方面,LAI作为表征植被个体和群体特征的关键参数[3],被广泛的应用于长势监测、病害监测和产量估算等方面[4].因此,有效、准确的获取LAI对于农田的科学管理具有重要的意义. ...
基于无人机高光谱数据的玉米叶面积指数估算
1
2019
... 叶面积指数(Leaf Area Index, LAI)被定义为单位地表面积上所有叶片面积总和的一半[1],作为植被冠层重要的结构参数之一,对于描述和分析植被光合、蒸腾、呼吸、碳循环和降雨截留等生物和物理过程具有重要的作用[2].在农业遥感方面,LAI作为表征植被个体和群体特征的关键参数[3],被广泛的应用于长势监测、病害监测和产量估算等方面[4].因此,有效、准确的获取LAI对于农田的科学管理具有重要的意义. ...
基于无人机高光谱数据的玉米叶面积指数估算
1
2019
... 叶面积指数(Leaf Area Index, LAI)被定义为单位地表面积上所有叶片面积总和的一半[1],作为植被冠层重要的结构参数之一,对于描述和分析植被光合、蒸腾、呼吸、碳循环和降雨截留等生物和物理过程具有重要的作用[2].在农业遥感方面,LAI作为表征植被个体和群体特征的关键参数[3],被广泛的应用于长势监测、病害监测和产量估算等方面[4].因此,有效、准确的获取LAI对于农田的科学管理具有重要的意义. ...
农作物长势的定义与遥感监测
1
1999
... 叶面积指数(Leaf Area Index, LAI)被定义为单位地表面积上所有叶片面积总和的一半[1],作为植被冠层重要的结构参数之一,对于描述和分析植被光合、蒸腾、呼吸、碳循环和降雨截留等生物和物理过程具有重要的作用[2].在农业遥感方面,LAI作为表征植被个体和群体特征的关键参数[3],被广泛的应用于长势监测、病害监测和产量估算等方面[4].因此,有效、准确的获取LAI对于农田的科学管理具有重要的意义. ...
农作物长势的定义与遥感监测
1
1999
... 叶面积指数(Leaf Area Index, LAI)被定义为单位地表面积上所有叶片面积总和的一半[1],作为植被冠层重要的结构参数之一,对于描述和分析植被光合、蒸腾、呼吸、碳循环和降雨截留等生物和物理过程具有重要的作用[2].在农业遥感方面,LAI作为表征植被个体和群体特征的关键参数[3],被广泛的应用于长势监测、病害监测和产量估算等方面[4].因此,有效、准确的获取LAI对于农田的科学管理具有重要的意义. ...
基于GF-1/2卫星数据的冬小麦叶面积指数反演
1
2020
... 叶面积指数(Leaf Area Index, LAI)被定义为单位地表面积上所有叶片面积总和的一半[1],作为植被冠层重要的结构参数之一,对于描述和分析植被光合、蒸腾、呼吸、碳循环和降雨截留等生物和物理过程具有重要的作用[2].在农业遥感方面,LAI作为表征植被个体和群体特征的关键参数[3],被广泛的应用于长势监测、病害监测和产量估算等方面[4].因此,有效、准确的获取LAI对于农田的科学管理具有重要的意义. ...
基于GF-1/2卫星数据的冬小麦叶面积指数反演
1
2020
... 叶面积指数(Leaf Area Index, LAI)被定义为单位地表面积上所有叶片面积总和的一半[1],作为植被冠层重要的结构参数之一,对于描述和分析植被光合、蒸腾、呼吸、碳循环和降雨截留等生物和物理过程具有重要的作用[2].在农业遥感方面,LAI作为表征植被个体和群体特征的关键参数[3],被广泛的应用于长势监测、病害监测和产量估算等方面[4].因此,有效、准确的获取LAI对于农田的科学管理具有重要的意义. ...
多层离散各向异性辐射传输模型在玉米叶面积指数垂直分布反演中的应用
1
2021
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
多层离散各向异性辐射传输模型在玉米叶面积指数垂直分布反演中的应用
1
2021
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
Monitoring vegetation systems in the Great Plains with ERTS
1
1974
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
Derivation of Leaf‐Area Index from quality of light on the forest floor
1
1969
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
Hyperspectral vegetation indices and Novel Algorithms for Predicting Green LAI of crop canopies:Modeling and Validation in the Context of Precision Agriculture
1
2004
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于Sentinel-2遥感影像的玉米冠层叶面积指数反演
1
2018
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于Sentinel-2遥感影像的玉米冠层叶面积指数反演
1
2018
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于GF-1与Landsat-8的康保县叶面积指数遥感反演研究
1
2018
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于GF-1与Landsat-8的康保县叶面积指数遥感反演研究
1
2018
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
Empirical regression models for estimating multiyear Leaf Area Index of rice from several vegetation indices at the field scale
1
2014
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于PROSAIL模型及HJ-1A-CCD2影像的MODIS/LAI产品精度验证
1
2014
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于PROSAIL模型及HJ-1A-CCD2影像的MODIS/LAI产品精度验证
1
2014
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于PROSAIL模型的玉米冠层叶面积指数及叶片叶绿素含量反演方法研究
1
2019
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于PROSAIL模型的玉米冠层叶面积指数及叶片叶绿素含量反演方法研究
1
2019
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于高分辨率遥感影像的玉米田叶面积指数反演
1
2018
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于高分辨率遥感影像的玉米田叶面积指数反演
1
2018
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于PROBA/CHRIS遥感数据和PROSAIL模型的春小麦LAI反演
1
2011
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于PROBA/CHRIS遥感数据和PROSAIL模型的春小麦LAI反演
1
2011
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于PROSAIL模型和遗传算法优化的BP神经网络模型的不同大豆种群叶面积指数反演比较
1
2021
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于PROSAIL模型和遗传算法优化的BP神经网络模型的不同大豆种群叶面积指数反演比较
1
2021
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
Retrieving Leaf Area Index using a genetic algorithm with a canopy radiative transfer model
1
2003
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于高分一号WFV影像的随机森林算法反演水稻LAI
1
2018
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
基于高分一号WFV影像的随机森林算法反演水稻LAI
1
2018
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
陆表定量遥感反演方法的发展新动态
1
2016
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
陆表定量遥感反演方法的发展新动态
1
2016
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
Global data sets of vegetation Leaf Area Index (LAI)3g and Fraction of Photosynthetically Active Radiation (FPAR)3g derived from Global Inventory Modeling and Mapping Studies (GIMMS) Normalized Difference Vegetation Index (NDVI3g) for the Period 1981 to 2011
1
2013
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
Use of general regression neural networks for generating the GLASS Leaf Area Index product From Time-Series MODIS Surface Reflectance
1
2014
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
Development of the GLASS 250m Leaf Area Index product (version 6) from MODIS data using the bidirectional LSTM deep learning model
1
2022
... 目前,利用遥感数据反演植被LAI的方法大致分为3种:基于植被指数的经验模型法、基于植被辐射传输特性的物理模型法[5]和机器学习法.其中,经验模型法通常利用与植被参数相关性较强的敏感波段所构建的植被指数,如归一化植被指数(Normalized Difference Vegetation Index, NDVI)[6],比值植被指数(ratio vegetation index, RVI)[7],叶绿素吸收比指数(Modified Chlorophyll Absorption Ratio Index, MCARI)[8]等,建立回归统计关系模型,从而对LAI进行反演.苏伟等[9]基于Sentinel-2影像构建了单变量和多变量玉米冠层叶面积指数反演模型,发现基于归一化差异光谱指数(NDSI)构建的单变量模型为最优反演模型.徐晓雨等[10]基于GF-1和Landsat 8影像,运用3种回归方法对叶面积指数进行了反演,结果表明基于地理加权回归的方法效果最好.Masayasu等[11]基于植物结构时间序列指数(TIPS)构建了水稻LAI反演模型,结果表明TIPS可以提高水稻LAI的估算精度.经验模型法由于其简单、快速、易于操作的特点,得到了广泛使用,但拟合系数严重依赖实测数据,且受限于环境、场景和传感器等方面的影响,使其不具有普适性[12].而物理模型法则是改进发展于辐射传输模型,通过输入植被理化参数、卫星传感器角度参数、土壤湿度参数等,模拟不同情况下植被冠层反射率,然后和遥感影像的反射率进行匹配,通过构建的代价函数,获取LAI值[13-14].杨贵军等[15]基于PROBA/CHRIS数据,利用PROSAIL模型对春小麦LAI进行了反演,结果表明实测值与误差值较小.赫晓慧等[16]利用PROSAIL模型对2个大豆种群LAI进行了反演,结果表明反演结果总体精度较高,与实测值相关性较好.Fang等[17]基于Landsat ETM+数据,利用辐射传输模型使用不同波段组合估算LAI,结果表明与实测数据较为吻合.物理模型法由于物理意义明确,不受环境、作物种类的限制,因而具有较强的普适性,通常作为高精度反演植被LAI的首选方法[18].机器学习法是根据遥感数据和LAI的测量数据,建立输入输出数据对,通过训练得到最优的模型,从而对植被LAI进行反演[19].Zhu等[20]基于前馈神经网络(FFNN),使用1981年7月至2011年12月的NDVI3g数据,生成了相应的LAI3g数据集,结果显示了满意的一致性(p < 0.001;RMEE = 0.68).Xiao等[21]以CYCLOPES LAI和MODIS LAI产品融合后的LAI为训练数据,基于广义回归神经网络(GRNNs),使用MODIS反射率产品进行LAI的反演,结果表明LAI的准确性有很大的提高.Ma等[22]基于3种广泛使用的LAI产品(MODIS C6,GLASS V5,PROBA-V V1),使用K-Means聚类分析法和最小差异准则生成的LAI训练样本,基于4种机器学习模型对LAI进行了反演,结果表明,双向长短期记忆网络(Bi-LSTM)为最佳反演模型.相较于经验模型法和物理模型法,机器学习法由于其解析数据能力较强,训练模型较为灵活,较高的计算效率,被广泛应用于农业遥感监测中. ...
PROSPECT:A model of leaf optical properties spectra
1
1990
... PROSAIL模型是由PROSPECT[23]和SAILH[24]模型共同耦合而成的植被辐射传输模型,其中PROSPECT模型是基于Allen平板模型发展而来的叶片光学模型,通过输入叶片结构参数(Ns)、叶绿素ab含量(Cab)、等效水厚度(Cw)等参数,模拟叶片在400~2 500 nm处的上下行辐射通量,从而得到叶片的反射率和透射率;SAILH模型发展于SAIL[25]模型,是一个冠层二向反射率模型,通过引入热点参数(Hotspot)从而更好的对模型进行了改进,结合PROSPECT模型反演得到的叶片反射率和透射率,输入叶面积指数(LAI)、平均叶倾角(ALA)、土壤亮度(Psoil)等参数,最终得到植被冠层反射率,PROSAIL模型输入参数如表2所示. ...
The Hot Spot Effect in Plant Canopy Reflectance
1
1991
... PROSAIL模型是由PROSPECT[23]和SAILH[24]模型共同耦合而成的植被辐射传输模型,其中PROSPECT模型是基于Allen平板模型发展而来的叶片光学模型,通过输入叶片结构参数(Ns)、叶绿素ab含量(Cab)、等效水厚度(Cw)等参数,模拟叶片在400~2 500 nm处的上下行辐射通量,从而得到叶片的反射率和透射率;SAILH模型发展于SAIL[25]模型,是一个冠层二向反射率模型,通过引入热点参数(Hotspot)从而更好的对模型进行了改进,结合PROSPECT模型反演得到的叶片反射率和透射率,输入叶面积指数(LAI)、平均叶倾角(ALA)、土壤亮度(Psoil)等参数,最终得到植被冠层反射率,PROSAIL模型输入参数如表2所示. ...
Towards red-edge positions less sensitive to canopy biophysical parameters for leaf Chlorophyll estimation using properties optique spectrales des feuilles (PROSPECT) and scattering by arbitrarily inclined leaves (SAILH) simulated data
1
2008
... PROSAIL模型是由PROSPECT[23]和SAILH[24]模型共同耦合而成的植被辐射传输模型,其中PROSPECT模型是基于Allen平板模型发展而来的叶片光学模型,通过输入叶片结构参数(Ns)、叶绿素ab含量(Cab)、等效水厚度(Cw)等参数,模拟叶片在400~2 500 nm处的上下行辐射通量,从而得到叶片的反射率和透射率;SAILH模型发展于SAIL[25]模型,是一个冠层二向反射率模型,通过引入热点参数(Hotspot)从而更好的对模型进行了改进,结合PROSPECT模型反演得到的叶片反射率和透射率,输入叶面积指数(LAI)、平均叶倾角(ALA)、土壤亮度(Psoil)等参数,最终得到植被冠层反射率,PROSAIL模型输入参数如表2所示. ...
叶面积指数遥感反演研究进展与展望
1
2013
... PROSAIL模型通过输入一定取值间隔的参数,可以获得与LAI相对应的植被冠层反射率曲线库.使用遥感影像获得的植被冠层反射率曲线,通过代价函数遍历迭代对库进行查找,可以获得与之唯一对应的LAI值,此种方法称之为查找表法(LUT)[26].查找表(LUT)法可以简化复杂的反演过程,大幅提高反演效率[27],本文使用查找表法对研究区内植被LAI进行反演. ...
叶面积指数遥感反演研究进展与展望
1
2013
... PROSAIL模型通过输入一定取值间隔的参数,可以获得与LAI相对应的植被冠层反射率曲线库.使用遥感影像获得的植被冠层反射率曲线,通过代价函数遍历迭代对库进行查找,可以获得与之唯一对应的LAI值,此种方法称之为查找表法(LUT)[26].查找表(LUT)法可以简化复杂的反演过程,大幅提高反演效率[27],本文使用查找表法对研究区内植被LAI进行反演. ...
叶面积指数遥感反演方法进展
1
2009
... PROSAIL模型通过输入一定取值间隔的参数,可以获得与LAI相对应的植被冠层反射率曲线库.使用遥感影像获得的植被冠层反射率曲线,通过代价函数遍历迭代对库进行查找,可以获得与之唯一对应的LAI值,此种方法称之为查找表法(LUT)[26].查找表(LUT)法可以简化复杂的反演过程,大幅提高反演效率[27],本文使用查找表法对研究区内植被LAI进行反演. ...
叶面积指数遥感反演方法进展
1
2009
... PROSAIL模型通过输入一定取值间隔的参数,可以获得与LAI相对应的植被冠层反射率曲线库.使用遥感影像获得的植被冠层反射率曲线,通过代价函数遍历迭代对库进行查找,可以获得与之唯一对应的LAI值,此种方法称之为查找表法(LUT)[26].查找表(LUT)法可以简化复杂的反演过程,大幅提高反演效率[27],本文使用查找表法对研究区内植被LAI进行反演. ...
基于HJ-1A-HSI数据及PROSAIL模型的苹果冠层参数定量反演
1
2019
... PROSAIL模型输入参数众多,包含叶片结构参数(Ns)、叶面积指数(LAI)、平均叶倾角(ALA)等13个参数,受客观条件制约,无法获得所有地块植被参数的具体值,因此,需要确定每个参数的覆盖范围,通过设置一定步长,来尽可能对不同情况下的植被冠层反射率进行全面模拟.依据相关研究[28],叶片结构参数(Ns)与叶肉内部的细胞排列有关,在1~3之间,叶片结构参数值大于2.5,代表内部结构混乱的衰老叶片,研究区内的玉米和水稻均处于生长期,因此叶片结构参数(Ns)范围设置为1~2.5;褐色素含量(Cbrown)依据经验,取值为0.2;根据王锦地等[29]的研究,包括玉米、水稻等作物全生育周期LAI均值最大值为6.04,考虑到LAI最大值会大于均值,因此LAI范围设置为0~7.25;土壤亮度参数(Psoil)是表示土壤干燥程度的参数,其范围为0~1,分别表示了水分饱和的湿土和干土,针对地块种植的不同作物,玉米和水稻分别取经验值0.4和0.1;平均叶倾角(ALA)和热点参数(Hotspot)在实测LAI时已同步获取,其中热点参数(Hotspot)为叶尺度与冠层高之比;太阳天顶角(tts)、观测天顶角(tto)、相对方位角(psi)可通过影像头文件获取. ...
基于HJ-1A-HSI数据及PROSAIL模型的苹果冠层参数定量反演
1
2019
... PROSAIL模型输入参数众多,包含叶片结构参数(Ns)、叶面积指数(LAI)、平均叶倾角(ALA)等13个参数,受客观条件制约,无法获得所有地块植被参数的具体值,因此,需要确定每个参数的覆盖范围,通过设置一定步长,来尽可能对不同情况下的植被冠层反射率进行全面模拟.依据相关研究[28],叶片结构参数(Ns)与叶肉内部的细胞排列有关,在1~3之间,叶片结构参数值大于2.5,代表内部结构混乱的衰老叶片,研究区内的玉米和水稻均处于生长期,因此叶片结构参数(Ns)范围设置为1~2.5;褐色素含量(Cbrown)依据经验,取值为0.2;根据王锦地等[29]的研究,包括玉米、水稻等作物全生育周期LAI均值最大值为6.04,考虑到LAI最大值会大于均值,因此LAI范围设置为0~7.25;土壤亮度参数(Psoil)是表示土壤干燥程度的参数,其范围为0~1,分别表示了水分饱和的湿土和干土,针对地块种植的不同作物,玉米和水稻分别取经验值0.4和0.1;平均叶倾角(ALA)和热点参数(Hotspot)在实测LAI时已同步获取,其中热点参数(Hotspot)为叶尺度与冠层高之比;太阳天顶角(tts)、观测天顶角(tto)、相对方位角(psi)可通过影像头文件获取. ...
基于地物波谱库构造农作物生长参数的时空分布先验知识
1
2007
... PROSAIL模型输入参数众多,包含叶片结构参数(Ns)、叶面积指数(LAI)、平均叶倾角(ALA)等13个参数,受客观条件制约,无法获得所有地块植被参数的具体值,因此,需要确定每个参数的覆盖范围,通过设置一定步长,来尽可能对不同情况下的植被冠层反射率进行全面模拟.依据相关研究[28],叶片结构参数(Ns)与叶肉内部的细胞排列有关,在1~3之间,叶片结构参数值大于2.5,代表内部结构混乱的衰老叶片,研究区内的玉米和水稻均处于生长期,因此叶片结构参数(Ns)范围设置为1~2.5;褐色素含量(Cbrown)依据经验,取值为0.2;根据王锦地等[29]的研究,包括玉米、水稻等作物全生育周期LAI均值最大值为6.04,考虑到LAI最大值会大于均值,因此LAI范围设置为0~7.25;土壤亮度参数(Psoil)是表示土壤干燥程度的参数,其范围为0~1,分别表示了水分饱和的湿土和干土,针对地块种植的不同作物,玉米和水稻分别取经验值0.4和0.1;平均叶倾角(ALA)和热点参数(Hotspot)在实测LAI时已同步获取,其中热点参数(Hotspot)为叶尺度与冠层高之比;太阳天顶角(tts)、观测天顶角(tto)、相对方位角(psi)可通过影像头文件获取. ...
基于地物波谱库构造农作物生长参数的时空分布先验知识
1
2007
... PROSAIL模型输入参数众多,包含叶片结构参数(Ns)、叶面积指数(LAI)、平均叶倾角(ALA)等13个参数,受客观条件制约,无法获得所有地块植被参数的具体值,因此,需要确定每个参数的覆盖范围,通过设置一定步长,来尽可能对不同情况下的植被冠层反射率进行全面模拟.依据相关研究[28],叶片结构参数(Ns)与叶肉内部的细胞排列有关,在1~3之间,叶片结构参数值大于2.5,代表内部结构混乱的衰老叶片,研究区内的玉米和水稻均处于生长期,因此叶片结构参数(Ns)范围设置为1~2.5;褐色素含量(Cbrown)依据经验,取值为0.2;根据王锦地等[29]的研究,包括玉米、水稻等作物全生育周期LAI均值最大值为6.04,考虑到LAI最大值会大于均值,因此LAI范围设置为0~7.25;土壤亮度参数(Psoil)是表示土壤干燥程度的参数,其范围为0~1,分别表示了水分饱和的湿土和干土,针对地块种植的不同作物,玉米和水稻分别取经验值0.4和0.1;平均叶倾角(ALA)和热点参数(Hotspot)在实测LAI时已同步获取,其中热点参数(Hotspot)为叶尺度与冠层高之比;太阳天顶角(tts)、观测天顶角(tto)、相对方位角(psi)可通过影像头文件获取. ...
PROSAIL模型的参数敏感性研究
1
2014
... 在参数范围确定的情况下,参数步长的大小决定了查找表的精细程度和容量大小,因此对各个参数进行敏感性分析来确定适宜的参数步长.敏感性分析是通过定性或定量的分析参数变化对结果产生的影响程度,来评价结果对参数变化的敏感程度,对于模型的参数优化、构建优化、结构优化等方面具有重要的研究意义[30].敏感性分析一般分为局部敏感性分析和全局敏感性分析[31],其中,局部敏感性分析是分析单个参数变化对于结果的影响程度,具有方便、快捷、易操作的特点,因此本文使用局部敏感性分析来确定各个参数步长的大小,分析结果如图4所示. ...
PROSAIL模型的参数敏感性研究
1
2014
... 在参数范围确定的情况下,参数步长的大小决定了查找表的精细程度和容量大小,因此对各个参数进行敏感性分析来确定适宜的参数步长.敏感性分析是通过定性或定量的分析参数变化对结果产生的影响程度,来评价结果对参数变化的敏感程度,对于模型的参数优化、构建优化、结构优化等方面具有重要的研究意义[30].敏感性分析一般分为局部敏感性分析和全局敏感性分析[31],其中,局部敏感性分析是分析单个参数变化对于结果的影响程度,具有方便、快捷、易操作的特点,因此本文使用局部敏感性分析来确定各个参数步长的大小,分析结果如图4所示. ...
参数敏感性分析在遥感及生态水文模型中的研究进展
1
2022
... 在参数范围确定的情况下,参数步长的大小决定了查找表的精细程度和容量大小,因此对各个参数进行敏感性分析来确定适宜的参数步长.敏感性分析是通过定性或定量的分析参数变化对结果产生的影响程度,来评价结果对参数变化的敏感程度,对于模型的参数优化、构建优化、结构优化等方面具有重要的研究意义[30].敏感性分析一般分为局部敏感性分析和全局敏感性分析[31],其中,局部敏感性分析是分析单个参数变化对于结果的影响程度,具有方便、快捷、易操作的特点,因此本文使用局部敏感性分析来确定各个参数步长的大小,分析结果如图4所示. ...
参数敏感性分析在遥感及生态水文模型中的研究进展
1
2022
... 在参数范围确定的情况下,参数步长的大小决定了查找表的精细程度和容量大小,因此对各个参数进行敏感性分析来确定适宜的参数步长.敏感性分析是通过定性或定量的分析参数变化对结果产生的影响程度,来评价结果对参数变化的敏感程度,对于模型的参数优化、构建优化、结构优化等方面具有重要的研究意义[30].敏感性分析一般分为局部敏感性分析和全局敏感性分析[31],其中,局部敏感性分析是分析单个参数变化对于结果的影响程度,具有方便、快捷、易操作的特点,因此本文使用局部敏感性分析来确定各个参数步长的大小,分析结果如图4所示. ...