共查询到17条相似文献，搜索用时 281 毫秒
1.
针对物理模型抗噪能力差且容易过拟合的问题,提出一种PROSAIL模型结合VMG(VARI（Visible atmospherically resistant index）、MGRVI （Modified green red vegetation index）、GRRI （Green red ratio index）)多元回归模型反演冬小麦叶面积指数（Leaf area index, LAI）方法。实验基于无人机影像（Unmanned aerial vehicles, UAV）,选择河南省焦作市东南部的山阳区为实验区,结合实测2个生育期冬小麦LAI数据。首先,构建RGB植被指数模型,选取其中最优VMG模型反演冬小麦LAI;然后,对PROSAIL参数敏感性进行分析,得到参数最优值,反演冬小麦LAI;最后,采用快速模拟退火（Very fast simulated annealing, VFSA）算法将两种模型结合,获得最优冬小麦LAI。结果表明：VFSA可以有效将PROSAIL模型和VMG模型结合,提高了反演精度,且优于VMG模型和PROSAIL模型,决定系数R2高于0... 相似文献
2.
为精准、高效、实时地实现区域冬小麦产量估算,以河南省鹤壁市淇县桥盟乡石桥村为研究区,基于分辨率10 m的Sentinel-2多时相光学遥感影像,利用集合卡尔曼滤波(Ensemble Kalman filter, EnKF)算法同化PROSAIL辐射传输模型反演的多期叶面积指数(Leaf area index, LAI)到PyWOFOST作物生长模型中实现一定数量不同长势单点产量的估测,最后利用建立的机器学习模型和面域数据反演区域冬小麦产量,实现作物生长模型与机器学习算法的应用耦合及一种新的区域冬小麦估产模式。研究基于Sobol参数敏感性分析法量化对贮藏器官总干重质量(Total dry weight of storage organs, TWSO)与LAImax的敏感性参数,并基于反演的多期LAI和粒子群优化(Particle swarm optimization, PSO)算法优化与LAImax相关的TDWI、TBASE、CVS、CVL敏感性参数,将其输入到PyWOFOST模型中,利用EnKF算法和时序LAI数据调整对TWSO相关的AMAX... 相似文献
3.
基于优化PROSAIL叶倾角分布函数的玉米LAI反演方法 总被引：2，自引：0，他引：2
叶面积指数(LAI)是描述玉米冠层结构的重要参数之一,PROSAIL模型是常用于反演LAI的机理模型,能较为真实地反演植被冠层真实情况,但PROSAIL模型中使用的叶倾角分布函数假定区域内所有作物叶倾角分布是相同的,不能反映玉米植株真实的叶倾角分布情况。本研究以高分一号遥感影像和地基激光雷达点云数据作为数据源,充分利用地基激光雷达(TLS)在获取植被结构参数上的优势,通过体素化的方法对玉米叶片回波点云进行分割,获取每个拟合叶片单元的叶倾角,进而得到玉米植株真实的叶倾角分布,结合椭球分布函数得到玉米精确的叶倾角分布函数,实现对PROSAIL模型中叶倾角分布函数的优化。研究过程中分别基于未改进的PROSAIL模型和经过TLS优化后的PROSAIL模型反演黑龙江825农场主要玉米种植区的LAI。LAI反演结果表明:2种反演方法得到的LAI与实测LAI都具有较好的相关性,决定系数R2分别为0.557 6和0.858 3,模型可信度较高;但基于PROSAIL模型反演所得LAI结果偏低,在利用TLS数据提取叶倾角对模型进行优化后,反演LAI的估算精度由26.53%提高到96.23%。由此可知,通过引入TLS点云数据改进农作物叶倾角分布函数能大幅度提高LAI反演的准确性。 相似文献
4.
为了提高遥感信息与作物模型同化的估产精度,以山西省晋南地区的3个县为研究区,采用四维变分（Four-dimensional variational, 4DVAR）和集合卡尔曼滤波（Ensemble Kalman filter, EnKF）两种同化算法将高时空分辨率Sentinel多源数据反演的叶面积指数（Leaf area index, LAI）、土壤含水率（θ）和CERES-Wheat模型进行同化,对比两种算法同化LAI和θ的性能,并进行冬小麦产量估测。结果表明：两种同化算法均能结合遥感观测和作物模型模拟的优势,相比模型模拟值,同化精度均有所提高;4DVAR-LAI和4DVAR-θ的均方根误差 (Root mean square error, RMSE)分别比EnKF-LAI和EnKF-θ低0.1490m2/m2、0.0091cm3/cm3,且根据遥感实际监测值4DVAR-LAI更能精确识别冬小麦的物候期,与实际冬小麦生长发育的物候期更相符,因此在Sentinel多源数据与CERES-Wheat模型同化中,4DVAR算法的性能更好;由4DVAR同化后的LAI和θ双变量建立的估产模型,RMSE和平均相对误差（Mean relative error,MRE）小于CERES-Wheat模型模拟估产的RMSE和MRE,说明估产模型的估产误差小,采用4DVAR算法同化Sentinel多源数据与CERES-Wheat模型有效提高了冬小麦区域估产精度。 相似文献
5.
针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20m的红边波段（705、740、783nm）,其空间分辨率与可见光和近红外波段10m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率（Super-resolution for multispectral multiresoltion estimation, SupReMe）算法将空间分辨率20m的6个波段重建为10m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数（LAI）,并以野外实测LAI验证其反演精度。结果表明,采用SupReMe算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用SupReMe算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。 相似文献
6.
为了进行田块尺度的冬小麦单产估测,以陕西省关中平原为研究区域,基于Sentinel-1、Sentinel-2和Sentinel-3卫星数据反演叶面积指数（LAI）,并利用增强的深度卷积神经网络融合模型（EDCSTFN）和增强的时空自适应反射率融合模型（ESTARFM）对Sentinel-1、Sentinel-2和Sentinel-3 LAI进行时空融合,进而重建尺度12d的空间分辨率20m LAI并用于冬小麦单产估测。结果表明,基于Sentinel-1后向散射系数和相干性能够准确地反演关中平原冬小麦种植区的20m空间分辨率LAI,决定系数（R2）在冬小麦主要生育期可达0.70以上;相比于基于Sentinel-2和Sentinel-3的ESTARFM模型和EDCSTFN模型（EDCSTFN_S3）,基于Sentinel-1和Sentinel-2的EDCSTFN模型（EDCSTFN_S1）可以明显提高距离参考影像获取日期较远的日期的LAI时空融合精度,ESTARFM、EDCSTFN_S3和EDCSTFN_S1 3个模型在5月下旬的融合结果对应的R2分别为0.53、0.71和0.76;基于时空融合LAI的冬小麦估产结果与冬小麦单产数据具有良好的相关性（R2=0.52,P<0.01）,估产结果的均方根误差为358.25kg/hm2,归一化均方根误差为19%,平均相对误差为7.34%,并显示了丰富的田块尺度冬小麦单产分布细节特征,展现了进行田块尺度冬小麦精确估产的潜力。 相似文献
7.
基于无人机高光谱遥感的冬小麦株高和叶面积指数估算 总被引：1，自引：0，他引：1
为了快速、准确地估算叶面积指数（LAI）,通过无人机搭载成像高光谱相机,获取了冬小麦3个生育期的影像数据,从中提取出株高（Hcsm）。首先,分析了植被指数、Hcsm与LAI的相关性,挑选出最优植被指数;然后,分别构建了单个参数的LAI线性估算模型;最后,以植被指数、植被指数结合Hcsm为模型输入因子,采用偏最小二乘回归方法构建LAI估算模型。结果表明：通过无人机高光谱遥感影像提取的Hcsm精度较高（R2=0.95）;在不同生育期,大部分植被指数和Hcsm均与LAI呈0.01显著相关水平;基于最优植被指数结合Hcsm估算LAI的精度优于仅基于最优植被指数或Hcsm的估算精度;以植被指数、植被指数结合Hcsm为输入变量,通过偏最小二乘回归构建的LAI估算模型在开花期估算精度达到最高,并且以植被指数结合Hcsm为自变量估算LAI的能力更佳（建模R2=0.73,RMSE为0.64）。本研究方法可以提高LAI估算精度,为农业管理者提供参考。 相似文献
8.
为进一步提升无人机遥感快速监测覆膜条件下冬小麦叶面积指数(Leaf area index, LAI)的能力,以垄沟覆膜冬小麦为研究对象,利用无人机搭载五通道多光谱传感器获取2021—2022年冬小麦出苗期、越冬期、返青期、拔节期、抽穗期和灌浆期的遥感影像数据,使用监督分类剔除背景并计算50种可见光和近红外植被指数,采用主成分分析、相关系数法、决策树排序和遗传算法进行特征降维,结合偏最小二乘、岭回归、支持向量机、随机森林、梯度上升和人工神经网络6种机器学习算法建立不同输入特征变量下的覆膜冬小麦LAI反演模型,并进行精度评价。结果表明,剔除覆膜背景使冬小麦冠层反射率更接近真实值,提高反演精度。采用适宜的特征降维方法结合机器学习算法能够提高覆膜冬小麦LAI的反演精度和稳定性,对比特征降维前的反演精度,主成分分析和相关系数法无法优化反演效果,决策树排序只适用于基于树模型的随机森林和梯度上升算法,遗传算法优化效果明显,遗传算法-人工神经网络模型反演效果达到最优(决定系数为0.80,均方根误差为1.10,平均绝对值误差为0.69,偏差为1.25%)。研究结果可为无人机遥感监测覆膜冬小麦生长状况提供... 相似文献
9.
为提高干旱区冬小麦叶面积指数（Leaf area index, LAI）遥感估算精度,以拔节期冬小麦LAI为研究对象,在对冠层高光谱数据进行一阶（First derivative, FD）、二阶（Second derivative, SD）微分预处理的基础上,计算了任意波段组合的二维植被指数（Two-dimensional vegetation index, 2DVI）和三维植被指数（Three-dimensional vegetation index, 3DVI）,通过进行与LAI之间相关性分析,寻求最佳波段组合的植被指数;利用人工神经网络（Artificial neural network, ANN）、K近邻（K-nearest neighbors, KNN）和支持向量回归（Support vector regression, SVR）算法分别建立LAI估算模型,并进行精度验证。结果表明：任意波段组合的植被指数与LAI相关性均显著提高,尤其是基于一阶微分预处理光谱的FD-3DVI-4（714 nm, 400 nm, 1 001 nm）相关系数达到0.93（P<0.01）,且最... 相似文献
10.
夏玉米叶面积指数遥感反演研究 总被引：4，自引：0，他引：4
利用LAI-2000的观测数据与基于HJ卫星遥感数据生成的植被指数,结合3种常用的回归模型,构造了夏玉米分别按全生育期、不同生育阶段和阈值分段的叶面积指数(Leaf area index,LAI)反演模型;获取了3种模式下LAI的最优反演模型;在验证和评价各模型可靠性之后,生成了夏玉米在营养生长期、抽雄期和生殖生长期的LAI分布图;并将基于HJ影像反演得到的LAIHJ与MODIS LAI产品(MOD15A2)LAIM进行了对比。研究发现,与各种通用植被指数相比,针对HJ CCD数据构造的环境植被指数HJVI与LAI的相关性在3种反演模式中均为最佳。HJVI与全生育期LAI的相关性达到0.875,在不同生育阶段与LAI的相关性也高于其他植被指数(营养生长期线性模型最佳,决定系数为0.769;抽雄期对数模型最佳,决定系数为0.783;生殖生长期指数模型最佳,决定系数为0.703)。普适性植被指数中,OSAVI适用于夏玉米生长前中期的LAI反演,NDVI适用于夏玉米生长后期的LAI反演。在夏玉米全生育期内,各植被指数与LAI的相关性整体较高,但最优回归模型出现在按不同生育阶段反演的模式中。LAI小于3时EVI为精度最佳指数(决定系数为0.358),LAI不小于3时OSAVI为精度最佳指数(决定系数为0.515)。在夏玉米3个生育阶段,LAIM与LAIHJ的相关性分别达到0.732、0.761、0.661。HJ遥感数据具有较强的LAI反演能力,其高时间和高空间分辨率的特征可以使其代替传统的中分辨率遥感数据而成为农业遥感研究的重要数据源。 相似文献
11.
基于无人机多光谱遥感的马尾松林叶面积指数估测 总被引：2，自引：0，他引：2
快速、准确、无损估测马尾松林叶面积指数对精准林业管理具有重要意义。以小型低空无人机为平台,搭载RedEdge多光谱传感器,获取福建省西部马尾松林多光谱影像,运用重采样的方式获取并计算不同空间分辨率（0.08、0.1、0.2、0.5、1、2、5m）下的植被指数,结合地面实测LAI数据,分析其与植被指数的相关性,进而采用线性模型（LR）、多元逐步回归模型（MSR）、随机森林模型（RF）、支持向量机模型（SVM）和人工神经网络模型（BP）构建不同空间分辨率下的马尾松林LAI估测模型,以决定系数（R2）、均方根误差（RMSE）、相对分析误差（RPD）和总体精度（TA）来评价估测模型精度,从而确定最佳空间分辨率和最佳模型。结果表明,不同空间分辨率下LAI与植被指数均呈极显著相关（p<0.01）;多变量模型（MSR、RF、SVM、BP）的调整R2平均值高于LR模型;随着空间分辨率的增加,不同模型的R2整体上呈先增大后减小的趋势;当空间分辨率为0.5m时,利用植被指数建立的RF模型为马尾松林LAI的最佳估测模型,RF模型的调整R2为0.766,模型估测的R2、RMSE、RPD和TA分别为0.554、0.421、1.523和81.95%。本研究可为无人机多光谱遥感反演森林LAI表型参数的空间分辨率和模型选择提供理论参考。 相似文献
12.
基于NDWI和卷积神经网络的冬小麦产量估测方法 总被引：1，自引：0，他引：1
为进一步提高冬小麦单产估测的效率和准确性,利于宏观指导农业生产、制定冬小麦整个生长期的精准管理决策,针对目前已有的县域冬小麦单产估测方法存在时效性差、准确度低、成本高等问题,以中分辨率成像光谱仪（Moderate resolution imaging spectroradiometer, MODIS)为数据源,分别提取不同时段可见光与近红外波段信息,选择归一化差值植被指数（Normalized difference vegetation index, NDVI）、归一化差值水指数（Normalized difference water index, NDWI）、土壤调节植被指数（Soil adjusted vegetation index, SAVI）、调整土壤亮度植被指数（Optimal soil adjusted vegetation index, OSAVI)、绿色归一化植被指数（Green normalized difference vegetation index, GNDVI)、改进型土壤调节植被指数（Modified soil adjusted vegetation index, MSAVI)以及绿红植被指数（Green red vegetation index, GRVI）7个遥感植被指数,以其直方图分布信息作为输入变量,应用卷积神经网络（Convolutional neural network, CNN）回归预测冬小麦产量,对比分析NDWI在冬小麦产量估测上的表现并探究其在霜冻害影响下的精度变化。研究表明,相对于植被指数NDVI、SAVI、OSAVI、GNDVI、MSAVI、GRVI,NDWI对冬小麦生育早期的产量预测表现出更好的预测效果,单产去趋势前后的NDWI对产量的预测精度均高于NDVI、SAVI等植被指数,决定系数最高可达到0.79,且在霜冻害影响下仍能保持较好的预测效果;NDWI在抽穗—灌浆阶段对冬小麦最终产量影响最大,4月23—30日时间段内NDWI对产量的决定系数可达到0.72;空间分布上,研究区域冬小麦具有东部单产最高、中部次之、西部单产最低的空间分布特征,西部和北部山区与东部黄淮海平原交界处误差较大。研究结果可为冬小麦生育早期产量预测提供科学依据。 相似文献
13.
叶绿素是一种反映植物生长水平和健康状况的重要生理生化指标,为快速、无损地大规模获取柑橘冠层的叶绿素含量以精确指导果园管理,利用多旋翼无人机搭载多光谱传感器获取多波段反射率数据,使用多光谱阴影指数对冠层阴影和土壤背景进行剔除,计算得到植被指数与纹理特征,将地面实测的叶绿素含量作为验证,综合对比了全子集回归、偏最小二乘回归和深层神经网络的反演精度以选取最优模型。结果表明,植被指数与叶绿素含量的相关性良好;将仅使用植被指数与仅使用纹理特征的建模结果进行对比,仅使用纹理特征的模型在全子集回归和偏最小二乘回归的反演精度均有明显提升;结合植被指数与纹理特征共同建模后,全子集回归和偏最小二乘回归的反演精度相比仅使用纹理特征的模型均能获得提升;深层神经网络因其良好的非线性拟合能力,获得了最高的反演精度,R2、MAE、RMSE分别为0.665、7.69 mg/m2、9.49 mg/m2,成为本文最优模型。本研究利用无人机多光谱影像反演得到柑橘冠层叶绿素含量,为实现柑橘生长监测提供指导作用。 相似文献
14.
无人机多光谱遥感用于冬小麦产量预测中捕获的数据准确性不高,为指导田块尺度下冬小麦产量的精准预测,需构建高精度的冬小麦产量估算模型。本研究利用校正后的近地面高光谱数据(Field-Spec 3型野外光谱仪获取)验证低空无人机多光谱遥感数据(大疆精灵4型多光谱相机获取),将通过无人机多光谱影像计算的植被指数与经验统计方法结合,采用一元回归和多元线性回归分别对抽穗期、开花期和灌浆期冬小麦进行基于单一植被指数和多植被指数组合的产量估算,其中多植被指数包括归一化差异植被指数(NDVI)、优化的土壤调节植被指数(OSAVI)、绿色归一化差值植被指数(GNDVI)、叶片叶绿素指数(LCI)和归一化差异红色边缘指数(NDRE)。结果表明,基于单一植被指数的冬小麦估产模型,一元二次回归模型精度最高,而基于5种植被指数的多元线性回归模型在3个生育时期的拟合效果均优于单植被指数模型。一元或多元回归模型在抽穗期的拟合效果最好。冬小麦基于GNDVI指数的一元二次回归估产模型建模集的决定系数(R2)、均方根误差(RMSE)分别为0.69、428.91 kg/hm2,验证... 相似文献
15.
顺序同化不同时空分辨率LAI的冬小麦估产对比研究 总被引：3，自引：0，他引：3
选择PyWOFOST模型为动态模型,以叶面积指数(LAI)为状态变量,遥感LAI为观测值,采用集合卡尔曼滤波(En KF)同化算法,研发了一种遥感LAI与作物模型同化的区域冬小麦产量估测系统。为消除云的污染,采用Savitzky-Golay(S-G)滤波算法重构时间序列MODIS LAI;通过构建地面观测LAI与3个关键物候期Landsat TM植被指数回归统计模型,获得区域TM LAI;通过融合3个关键物候期的TM LAI与时间序列S-G MODIS LAI,生成尺度转换LAI。对比分析3种不同时空分辨率的遥感LAI的同化精度,研究结果表明,同化尺度转换LAI获得了最高的同化精度,与官方县域统计产量相比,在潜在模式下,决定系数由同化前的0.24提高到0.47,均方根误差由602kg/hm2下降到478 kg/hm2。结果表明,遥感观测与作物模型的尺度调整对提高冬小麦同化模型精度具有重要作用,遥感LAI与作物模型的En KF同化方法是一种有效的区域作物产量估测方法。 相似文献
16.
基于无人机高光谱影像的冬小麦全蚀病监测模型研究 总被引：2，自引：0，他引：2
冬小麦全蚀病是导致小麦大幅减产甚至绝收的土传检疫性病害。快速、无损地监测冬小麦全蚀病空间分布对其防治具有重要意义。以无人机搭载成像高光谱仪为遥感平台,利用成像高光谱影像结合地面病害调查数据,在田块尺度对冬小麦全蚀病病情指数分布进行空间填图。利用地物光谱仪(ASD)同步获取的高光谱数据评价UHD185光谱数据质量,综合运用统计分析以及遥感反演填图技术,计算光谱指数(Difference spectral index,DSI)、比值光谱指数(Ratio spectral index,RSI)及归一化差值光谱指数(Normalized difference spectral index,NDSI)与病情指数(DI)构建决定系数等势图,筛选最优光谱指数与DI构建线性回归模型,并利用3个光谱指数构建偏最小二乘回归预测模型,以对比模型预测精度与稳健性。最后用独立数据对模型进行检验。结果表明,冬小麦冠层的ASD光谱数据与UHD185光谱数据相关性显著,决定系数R~2达0.97以上,3类光谱指数与DI构建偏最小二乘回归模型,得到模型验证结果(R~2=0.629 2,R_(MSE)=10.2%,M_(AE)=16.6%),其中DSI(R_(818),R_(534))对模型贡献度最高,利用DSI(R_(818),R_(534))与DI构建线性回归模型为y=-6.490 1x+1.461 3(R~2=0.860 5,R_(MSE)=7.3%,M_(AE)=19.1%),且通过独立样本的模型验证精度(R~2=0.76,R_(MSE)=14.9%,M_(AE)=11.7%,n=20)。最后使用该模型对冬小麦进行病情指数反演,制作了冬小麦全蚀病病害空间分布图,本研究结果为无人机高光谱遥感在冬小麦全蚀病的精准监测方面提供了技术支撑,并对未来卫星遥感探索冬小麦全蚀病大面积监测提供了理论基础。 相似文献