共查询到17条相似文献，搜索用时 153 毫秒
1.
基于WorldView-2影像的土壤含盐量反演模型 总被引：1，自引：0，他引：1
针对WorldView-2影像高空间分辨率评价其定量反演土壤含盐量的能力,以盐渍化现象较为明显的新疆克里雅河流域为研究对象,基于WorldView-2影像和实测高光谱数据,利用偏最小二乘回归(partial least squares regression,PLSR)和BP人工神经网络(back propagation artificial neural networks,BP ANN)方法建立定量反演该流域土壤含盐量模型并做出研究区高空间分辨率土壤含盐量分布图。结果表明:1)利用实测高光谱数据和影像数据分别建立的2种模型中BP神经网络模型预测精度都高于PLSR模型,其中基于影像数据建立的6:8:1结构的3层BP神经网络模型决定系数R2、均方根误差RMSE、相对分析误差RPD分别为0.851、0.979、2.337,模型的稳定性和预测能力都优于PLSR模型(R2、RMSE、RPD分别为0.814、1.139、2.007)。2)利用WorldView-2影像提高了土壤含盐量制图的空间分辨率,归一化植被指数NDVI和比例植被指数RVI较有效降低了植被覆盖与土壤水分对预测精度的影响。该文建立的考虑植被覆盖与土壤水分定量反演土壤含盐量的模型不需要复杂的参数,一定程度上满足了干旱、半干旱地区的盐渍化监测需求,可以促进WorldView-2等高空间分辨率卫星在盐渍化监测中的进一步应用。 相似文献
2.
基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较 总被引：3，自引：6，他引：3
近年来,中国遥感事业已取得长足进步,高分一号(GF-1)卫星首次实现了中国自主研发的高分辨率对地观测。为探讨国产GF-1卫星影像在农业遥感长势监测中的适应性,以许昌地区为研究对象,选取同期Landsat-8卫星影像,结合地面采样数据LAI,从传感器光谱响应特征、经验回归模型监测精度以及LAI空间一致性等3方面进行2类遥感数据的对比评价。结果表明,GF-1影像近红外、红、蓝波段光谱响应与Landsat-8有差异,与绿波段光谱响应非常吻合,各波段光谱反射率与Landsat-8影像同类光谱间均存在显著线性关系。通过各波段组合多种归一化植被指数,采用经验回归模型反演LAI发现,GF-1影像反演的最优模型为NDVI的指数模型,R2为0.848,Landsat-8影像反演的最优模型为蓝红组合的归一化植被指数(blue-red NDVI,BRNDVI)的指数模型,R2为0.687,2类影像反演LAI与地面实测值均呈现较为一致的线性关系。由许昌地区玉米LAI值空间分布可见,GF-1影像反演的玉米LAI值与Landsat-8影像反演值过渡趋势一致,在许昌西部种植结构复杂地区,GF-1影像以其空间分辨率优势更能凸显LAI分布差异。通过该文研究表明,GF-1卫星的高时间分辨率以及高空间分辨率特征能够代替传统中分辨率数据成为农业遥感长势监测中的重要数据源,该数据在农业遥感其他领域的应用是今后研究的重点。 相似文献
3.
基于随机森林算法的冬小麦生物量遥感估算模型对比 总被引：13，自引：8，他引：5
为了寻求高效的冬小麦生物量估算方法,该研究获取了2014年陕西省杨凌区拔节期、抽穗期和灌浆期的冬小麦生物量和对应的RADARSAT-2全极化雷达、GF1-WFV多光谱数据,并利用随机森林算法（random forest,RF）将光谱、雷达后向散射、光学植被指数和雷达植被指数结合进行冬小麦生物量回归建模。将相关系数分析（correlation coefficient, r）、袋外数据（out-of-bag data,OOB）重要性和灰色关联分析(grey relational analysis, GRA)与随机森林算法（RF）进行整合,构建了3种冬小麦生物量估算模型：r-RF、OOB-RF和GRA-RF,并分别利用3种估算模型对冬小麦生物量进行了估算。结果表明：r-RF、OOB-RF和GRA-RF3种模型分别采用3、4、10组数据时,验证决定系数分别为0.70、0.70和0.65,平均绝对误差分别为0.162、0.164和0.172 kg/m2,均方根误差分别为0.218、0.221和0.236 kg/m2,r-RF和OOB-RF比GRA-RF对冬小麦生物量有更好而的预测能力。研究结果证实了随机森林算法对冬小麦生物量进行遥感估算的潜力。 相似文献
4.
无人机多光谱遥感反演冬小麦SPAD值 总被引：4，自引：4，他引：0
为研究无人机多光谱遥感5个波段光谱反射率反演冬小麦SPAD（Soil and Plant Analyzer Development）值的可行性，该研究采用六旋翼无人机搭载五波段多光谱相机，采集冬小麦拔节期、孕穗期、抽穗期、开花期的冠层光谱影像并提取反射率特征参数，建立SPAD值的反演模型。结果表明，当波长范围在蓝光、绿光和红光波段，冬小麦拔节期、孕穗期和开花期的无人机多光谱影像反射率参数与SPAD值呈负相关关系，而在抽穗期，二者呈正相关；当波长范围为红边及近红外波段，在整个生长期，二者均呈现正相关关系。该研究构建冬小麦SPAD值反演模型采用了主成分回归、逐步回归和岭回归法，经对比发现基于逐步回归法构建的模型效果最优，该模型的校正决定系数为0.77，主成分回归法次之，岭回归法较差。此外，冬小麦抽穗期多光谱反射率反演SPAD值效果最显著，3种回归模型的校正决定系数分别为0.72、0.74和0.77。该研究可为无人机多光谱遥感监测作物长势、实现精准农业生产管理提供技术依据。 相似文献
5.
基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较 总被引：3，自引：6，他引：3
近年来,高光谱遥感数据广泛应用于农作物叶面积指数(LAI)反演。与常用的多光谱遥感数据相比,高光谱数据能否提高农作物LAI反演的精度和稳定性还存在争议。针对这一问题,该研究利用实测冬小麦冠层高光谱反射率数据,构造了不同光谱分辨率和波段组合的5种光谱数据。基于ACRM(a two-layer canopy reflectance model)模型、2套参数化方案及上述5种光谱数据,对冬小麦LAI进行反演,分析光谱分辨率、高光谱数据波段选择、模型参数不确定性3方面因素对LAI反演精度与稳定性的影响。研究结果表明:当波段选择适宜、模型参数不确定性较小且光谱数据分辨率较高时,LAI反演精度与稳定性更高,提高光谱分辨率对LAI反演精度的改进作用随光谱分辨率的升高而降低;反之,当高光谱数据波段选择不当或者模型参数不确定性较大时,提高光谱数据的分辨率并未提高LAI反演精度。该研究解释了"高光谱遥感数据能否提高植被参数反演精度"问题,为进一步发挥高光谱数据在农作物LAI反演中的潜力提供了科学参考。 相似文献
6.
冬小麦叶面积指数高光谱遥感反演方法对比 总被引：26，自引：13，他引：13
冬小麦叶面积指数(LAI,leafarea index)是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数(R2)为0.990、均方根误差(RMSE)为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。 相似文献
7.
采用SPOT VGT S10产品数据,通过S G滤波处理,重构NDVI时间序列,分析陕西关中地区冬小麦返青期和抽穗期在遥感影像上NDVI时序曲线变化特征,对冬小麦的返青期和抽穗期进行遥感识别。通过与站点观测的生育期数据比较,遥感识别的均方根误差大部分在±20d之内,返青期均方根误差（RMSE）为14.29d,抽穗期RMSE为9.16d,表明基于SPOT VGT数据对关中地区冬小麦返青期和抽穗期进行遥感识别是可行的。采用差值模型基于环境减灾小卫星（HJ星）数据进行渭南市2012年冬小麦抽穗期长势监测研究,结果显示大部分地区2012年冬小麦长势稍好于2011年,经与实地调查资料比较,监测结果与实际情况基本一致。采用HJ星数据进行冬小麦长势监测,结果纹理清晰,且以同源数据提取的冬小麦种植面积作为掩膜剔除非麦区域,降低了重采样带来的误差,用其进行长势监测研究具有明显优势。 相似文献
8.
为确定江苏地区水稻田块信息提取的适宜尺度,选取拔节期30m×30m空间分辨率HJ1A/CCD2影像和16m×16m空间分辨率GF1/WFV4近红外波段影像,采用高通滤波（HPF）算法构建4种空间尺度融合影像。利用定量指标评价和植被指数反演评价分析4种融合影像筛选适宜尺度,最后通过多类光谱指标构建决策树提取水稻面积与PROSAIL冠层光谱模型反演叶面积指数（LAI）,验证融合影像适宜尺度相较原始影像尺度的优越性。结果表明：（1）综合定量指标评价和植被指数反演评价,20m×20m尺度和15m×15m尺度均可保证光谱继承性,反演水稻田块信息,而结合尺度优势,适宜尺度筛选为15m×15m;（2）与原始影像尺度相比,15m×15m尺度空间分辨率提高,同时水稻面积提取精度增大,面积精度93.33%,样方精度94.71%,标准误差0.25hm2,且能理想反演LAI,精度达94.69%,标准误差0.893。结论表明,研究区水稻田块信息反演的适宜尺度为15m×15m。 相似文献
9.
冬小麦叶面积指数（LAI, leaf area index）是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数（R2）为0.990、均方根误差（RMSE）为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。 相似文献
10.
多光谱遥感结合随机森林算法反演耕作土壤有机质含量 总被引：4，自引：6，他引：4
土壤有机质(Soil Organic Matter,SOM)遥感反演一般以单期影像作为输入量,为研究多时相影像遥感结合随机森林提高SOM遥感反演精度的可能性,该研究以黑龙江省农垦总局胜利农场耕地范围为研究区,以Sentinel-2A和Landsat 8影像作为数据源,获取两期裸土遥感影像,构建光谱指数,以随机森林算法筛选波段和光谱指数作为输入量,构建SOM反演模型。结果表明:1)两期影像的SOM反射光谱响应波段包括二者共有的中心波长:约560、660、850 nm,以及Sentinel-2A特有的中心波长740 nm 4个波段;2)基于单期影像最佳波段和光谱指数,Sentinel-2A影像SOM最优反演模型R2为0.913,均方根误差为0.860 g/kg,精度高于Landsat 8影像反演模型;3)单期影像最佳波段引入光谱指数,相比以最佳波段作为输入量,使SOM最优反演模型的均方根误差分别提高了28.867%和8.722%;4)引入时相信息,基于单期和两期影像波段和光谱指数,SOM最优反演模型精度由高到低为两期影像(R2为0.938,均方根误差1.329 g/kg)、Sentinel-2A影像(R2为0.935,均方根误差为1.944 g/kg)、Landsat 8影像(R2为0.922,均方根误差2.022 g/kg),两期影像SOM最优反演模型的稳定性和精度略高于单期影像。研究结果证明了Sentinel-2A影像数据以及多时相裸土影像反演SOM的优势。 相似文献
11.
基于环境减灾卫星时序归一化植被指数的冬小麦产量估测 总被引：8，自引：5，他引：3
依托国产环境减灾卫星构建作物归一化植被指数(NDVI)时序曲线,不但能提供与MODIS-NDVI、AVHRR-NDVI几乎相当的作物生长动态变化信息,还能提供更高分辨率的空间信息,将其应用于作物估产应更有优势。该研究以地处鲁西北平原的山东省禹城市为研究区,探讨基于环境减灾卫星影像构建冬小麦NDVI时序曲线,基于曲线特征参数,开展遥感估产的可行性。结果表明,可依赖环境减灾卫星遥感影像,重建冬小麦NDVI时序曲线,求算其生长季最大NDVI、返青期NDVI、生长季累积NDVI、营养生长期NDVI的变化速率、生殖生长期NDVI的变化速率等特征参数,建立可靠的估产模型。所建模型的建模决定系数为0.87,相对误差为5.02%;交叉检验决定系数为0.78,相对误差为6.87%。该研究可为基于遥感的作物估产提供参考。 相似文献
12.
利用不同时期HJ-1 A/B-CCD影像提取湖北省冬小麦和油菜分布信息.计算冬小麦、油菜不同生长期的NDVI曲线,通过野外调查和测量,获取冬小麦、油菜和其它典型地物的光谱特征.确定CCD影像提取冬小麦和油菜信息的最佳时相及不同地物在CCD影像上的色彩特征.采取最大似然分类法,对CCD影像进行分类,提取冬小麦、油菜分布信息.结果表明,HJ-1 A/B-CCD影像提取精度达95.48％,可以用于提取冬小麦、油菜分布信息;对于湖北省而言,3月中、下旬(冬小麦拔节、油菜开花)是HJ卫星提取冬小麦、油菜信息的最佳时相;在最佳时相内,冬小麦和油菜具有不同的光谱特征和CCD影像色彩特点,且样本分布服从近似正态分布,可以用最大似然方法提取其信息. 相似文献
13.
基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取 总被引：8，自引：7，他引：1
作物面积监测具有较强的时效性,应用不断发展的遥感技术能够及时可靠地监测主要作物的种植面积。该文围绕国产高分一号卫星(GF-1)农业应用关键技术,研究县域尺度农作物种植面积快速准确提取的方法。在考虑多光谱遥感影像空间相关性的基础上,利用矩阵分解和距离空间转换等数学工具设计一种改进多元纹理信息(modified multivariate texture,MMT)提取模型,实现基于GF-1遥感影像的改进多元纹理信息提取、纹理与光谱信息融合以及基于融合影像分类的县域尺度冬小麦识别和面积提取。选用冬小麦出苗和越冬2期GF-1宽视场影像,结合地面实测数据和最佳识别时相遥感参考数据,对比分析基于光谱信息、单变量纹理与光谱融合信息、改进多元纹理与光谱融合信息的3种冬小麦识别和面积量算结果,实现对改进多元纹理信息效果以及小区域和较大区域上冬小麦面积提取的精度验证。试验结果表明:1)与基于其他2种传统分类特征信息的结果相比,改进多元纹理信息的加入能够显著提高冬小麦识别精度(出苗期提高4.12%和2.36%,越冬期提高2.59%和0.94%);2)在不考虑影像质量、生育期和地面样方测量精度等客观因素的影响下,基于该文方法的小区域内冬小麦面积提取精度普遍优于90%;3)在冬小麦长势稳定的时相(越冬期),基于该文方法的较大区域冬小麦面积量算结果能够达到接近最佳识别时相(孕穗期)的面积提取精度,二者的一致性程度超过97%。因而,利用GF-1宽视场影像能够有效提取县域尺度冬小麦种植面积,可为农作物监测业务运行提供遥感数据保障。 相似文献
14.
15.
基于CNN-RNN网络的中国冬小麦估产 总被引：1，自引：1，他引：0
在大范围内快速、准确地预估作物产量，对作物管理、粮食安全、粮食贸易和决策有重要意义。遥感为大规模作物估产提供了便利，大多数研究者结合深度学习和遥感影像取得了较好的结果。然而，农作物生长状态随时间变化，其产量具有非线性时空特征，单一的深度学习方法无法充分利用影像信息。因此，该研究提出了一种基于卷积神经网络（Convolutional Neural Networks，CNN）和门控循环单元（Gated Recurrent Unit，GRU）混合神经网络估产模型（CNN-GRU），利用CNN从多光谱遥感影像中提取丰富的空间-光谱特征，在此基础上，结合GRU从多时相遥感影像中自适应学习冬小麦生育期各阶段之间的时间依赖，从多尺度融合冬小麦的生长特征并对其产量进行回归预测。该研究以全国冬小麦主产区为研究区，选取2001-2018年MODIS影像和冬小麦产量数据，构建了冬小麦估产数据集，并验证了CNN-GRU估产模型的性能。结果表明：1）以2016-2018年估产样本作为测试集，CNN-GRU估产模型的均方根误差（Root Mean Square Error，RMSE）年平均值为818.3 kg/hm2，相较于CNN、GRU、支持向量回归（Support Vector Regression，SVR）、随机森林（Random Forest，RF）和决策树（Decision Tree，DT）模型分别降低了20.13%、18.81%、29.51%、34.84%和36.57%；2）将冬小麦整个生育期划分为6个时间窗，CNN-GRU估产模型在灌浆-成熟期时精度最高，RMSE为817 kg/hm2，而抽穗-开花期的RMSE为823 kg/hm2，相较于灌浆-成熟期高0.7%。因此，该估产模型有能力提前2个月预测全国冬小麦主产区产量。 相似文献
16.
基于无人机遥感植被指数优选的田块尺度冬小麦估产 总被引：4，自引：3，他引：1
田块尺度作物快捷精准估产对规模化农业经营管理具有重要意义。因此,急需选取最优植被指数和最佳无人机遥感作业时期,建立冬小麦无人机遥感估产模型,获取及时、快速、低成本的无人机遥感估产方法。该文以山东省滨州市典型规模化农田为研究对象,利用固定翼无人机遥感平台对冬小麦进行多期遥感观测与估产。基于2016年冬小麦返青拔节期、抽穗灌浆期和成熟期的无人机遥感影像数据集,采用最小二乘法,构建了基于不同植被指数与冬小麦实测产量的9种线性模型,并结合作物实测产量进行模型评价。多时相多种类植被指数的优选分析结果显示,抽穗灌浆期估产模型R~2最高,RMSE最低(n=34)。其中,模型R~2达到0.70的植被指数共6个,从高到低依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI;RMSE由低到高依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI。另外,该文进一步评价农田土壤像元对无人机遥感估产的影响,经过阈值滤波法处理后,返青拔节期估产模型的R~2(n=34)从约0.20提升至0.30以上,RMSE和MRE下降;抽穗灌浆期模型的RMSE降低,R~2(n=34)有所提升但不显著。综上所述,最佳无人机飞行作业时期为冬小麦抽穗灌浆期,最优植被指数为EVI2,土壤像元的滤除对抽穗灌浆期无人机遥感估产模型的影响不显著。因此,优化后的基于植被指数的无人机遥感估产模型,可以快速有效诊断和评估作物长势和产量,为规模化农业种植经营提供一种快捷高效的低空管理工具。 相似文献
17.
及时、精确地获取小麦基本苗数在田块内部的空间差异信息，有利于实施精准变量追施氮肥，实现化肥减量增效。传统的无人机农业遥感仅关注植被与土壤2类特征而忽略混合像元的影响，导致小麦基本苗数反演精度差、可靠性低。为解决上述问题，该研究利用大疆Mini 无人机获取麦田图像，基于不变目标法完成图像的相对辐射标定，并利用像元纯净指数提取植被端元与土壤端元。根据端元光谱特性建立混合像元的线性分解模型，求解混合像元中植被组分的丰度，基于像元统计法计算植被覆盖度，进而建立植被覆盖度与小麦基本苗数地面真值的线性回归模型。该研究方法获得的模型，决定系数R2为0.87，均方根误差为1.97株/m2。而基于传统植被指数法分别利用可见光波段差分植被指数、绿红差分指数、绿红比值指数获取的相应植被覆盖度与小麦基本苗数地面真值的线性回归模型决定系数R2及均方根误差分别为0.79、0.56、0.47及6.06、7.04、4.43株/m2。由此可知，基于混合像元分解模型定量反演小麦基本苗数的方法具有较高的精度，研究成果可为小麦精准减量追施氮肥作业提供数据支持。 相似文献