下载文档原格式
基于神经网络的LAI遥感反演影响因素分析陈士城; 王宝水【期刊名称】《《地理空间信息》》【年(卷),期】2019(017)012【总页数】3页(P72-74)【关键词】BP神经网络; PROSAIL; 叶面积指数 LAI; 遥感反演【作者】陈士城; 王宝水【作者单位】苏州中科天启遥感科技有限公司江苏苏州 215000; 江阴市城市规划信息咨询中心江苏江阴 214400【正文语种】中文【中图分类】P237目叶面积指数（leaf area index，LAI）是描述植被冠层结构的重要参数之一，其定义为单位面积上方植被叶片表面积的总和（即全部表面LAI），或者可定义为单位面积上总叶片表面积的一半[1]。
作为反映农作物长势和农作物估产的重要参量，如何快速、有效、准确地获取LAI信息已成为当前的重要工作[2]。
其中，遥感观测技术具有速度快、观测范围大、周期性短等优点，为动态估测和快速监测提供了强有力的工具。
叶面积指数LAI的反演一直是遥感应用领域的热点、难点问题。
目前，主要有经验模型法、物理模型法和综合反演法等[3]。
经验模型法通常是在光谱和相关生化参量之间建立回归经验模型，是目前较为成熟的一种方法。
但该方法受限于饱和效应、场景和遥感传感器等方面的影响。
物理模型法是指以物理方法为依据的模型参数反演，该方法理论基础完善，具有明确的物理意义。
但该方法在反演过程存在迭代不收敛、结果不确定等缺陷，且对于大区域的图像数据来说反演非常耗时。
综合反演法包括神经网络、投影追踪和回归树方法等。
该类方法具有反演速度快、无需参数初始值和能有效考虑关键变量的变化等优点。
在综合反演方法中，基于BP神经网络和PROSAIL模型相结合的叶面积指数LAI 反演方法已被广泛采用[3]。
杨贵军等利用该反演方法成功反演了多种农作物的LAI，取得了较好的结果[4-6]。
但是，在反演过程中仍存在某些问题需要进一步分析，包括训练数据的模拟、网络结构的设计、参数估计及网络性能评价等。
植被物理遥感是使用遥感手段对地球表面植被进行观测和研究的一门科学。
而植被的生长状态对于环境和气候变化有着重要的影响，因此研究植被的生长状态是遥感科学的重要内容之一。
而植被叶面积指数（L本人）作为一个重要的生长状态指标，在植被生长研究中有着重要的作用。
本文将从植被物理遥感的基本原理出发，结合L本人的意义和遥感技术的方法，对植被叶面积指数的反演进行详细介绍。
一、植被物理遥感的基本原理植被物理遥感是利用电磁波在地球大气和植被上的相互作用特性，通过遥感手段来获得植被信息的一种研究方法。
它主要基于以下几个基本原理：1. 光谱特征：植被反射和吸收不同波长的电磁波具有不同的特征，通过对这些特征的分析可以获取植被的信息。
2. 辐射传输：植被对不同波段的光有着不同的透过、反射和散射特性，通过对辐射传输的研究可以了解植被在不同波段下的特性。
3. 植被生理过程：植物的生长状况和生理过程与其在不同波段上的反射、吸收等特性存在相关性，通过对植被生理过程的研究可以推断植被在遥感数据中的表现。
以上基本原理为植被物理遥感的开展提供了理论基础，并为植被信息的提取和解释奠定了基础。
二、叶面积指数（L本人）的意义叶面积指数（Leaf Area Index，简称L本人）是指植被表面单位面积上叶片的总表面积与该单位面积的比值。
L本人的大小反映了植被的生物量、生长状态和生态功能，同时也是评价植被覆盖度和光能利用效率的重要参数。
1. 生物量：L本人与植被的生物量密切相关，L本人较高表示植被的叶面积较大，通常意味着植被覆盖度较高，生物量也较高。
2. 生态功能：L本人反映了植被的光合作用能力和蒸腾作用强弱，对于了解植被的生态功能和生态系统的健康状况有着重要的指导意义。
3. 环境变化：L本人的变化对于环境变化和气候变化有着一定的响应，通过监测L本人的变化可以了解植被对环境变化的响应和适应能力。
由于L本人在植被研究和生态环境监测中的重要作用，因此通过遥感手段反演L本人成为了研究的重要课题之一。
利用交叉验证的小麦LAI反演模型研究任哲;陈怀亮;王连喜;李颖;李琪【摘要】叶面积指数( leave area index,LAI)是表征植被冠层结构和生长状况的关键参数,采用遥感技术进行LAI反演是遥感反演领域的热点和难点之一。
利用小麦关键生育期的高光谱数据,计算其一阶和二阶导数,并构建植被指数( RVI,NDVI,EVI,DVI和MSAVI)及三边变量参数等高光谱变量；将上述参数与小麦LAI数据进行相关性分析,并利用交叉验证法进行多种回归分析,确定反演小麦LAI 的敏感参数,选择反演模型；最后使用敏感参数构建所有样本的小麦LAI反演模型,并比较其拟合效果。
研究结果表明：经过交叉验证的反演建模,其拟合结果的均方根误差( RMSE)整体上较未经交叉验证反演建模结果的RMSE小；在用敏感参数构建的回归模型中,RVI立方回归模型是用遥感数据反演小麦LAI的最优模型。
%Leaf area index ( LAI ) is the key parameter to signify the growth condition and canopy structure of vegetation. Inversion of LAI using remote sensing technology is always one of the hotspots and difficulties in the field of remote sensing. In this paper, the first and second order derivatives of hyperspectral data of wheat were calculated, and several vegetation indices (RVI, NDVI, EVI, DVI and MSAVI) and trilateral variable parameters were built for the analysis. The correlation analysis between the parameters and wheat LAI data was carried out, and the method of cross -validation was used for multiple regression analysis so as to determine the sensitive parameters for wheat inversion of LAI and choosing model type of inversion. At last, the inversion models of all the samples were built by using these sensitive parameters, and their imitative effects werecomparatively studied. The results show that the majority of root mean square errors( RMSE) of the inverse models using cross-validation are larger than those of the models which do not use cross-validation. In addition, among all the models built by the sensitive parameters, the cubic regression model of RVI is the optimal model for inversion of wheat LAI with remote sensing data.【期刊名称】《国土资源遥感》【年(卷),期】2015(000)004【总页数】7页(P34-40)【关键词】叶面积指数(LAI);遥感反演;交叉验证;小麦【作者】任哲;陈怀亮;王连喜;李颖;李琪【作者单位】南京信息工程大学江苏省大气环境监测与污染控制高技术研究重点实验室，南京 210044; 南京信息工程大学环境科学与工程学院，南京 210044;中国气象局河南省农业气象保障与应用技术重点实验室，郑州 450003;南京信息工程大学江苏省大气环境监测与污染控制高技术研究重点实验室，南京 210044; 南京信息工程大学环境科学与工程学院，南京 210044;中国气象局河南省农业气象保障与应用技术重点实验室，郑州 450003;南京信息工程大学江苏省大气环境监测与污染控制高技术研究重点实验室，南京 210044; 南京信息工程大学环境科学与工程学院，南京 210044【正文语种】中文【中图分类】TP751.10 引言叶面积指数(leaf area index，LAI)是表征植被冠层结构的关键参数，也是植被系统的一个重要参数。
遥感反演FAPAR模型及其尺度效应纠正的开题报告一、研究背景和意义随着遥感技术的发展，利用遥感方法研究植被生态效应已成为当前研究的热点。
FAPAR（Fraction of Absorbed Photosynthetically Active Radiation）是反映植被覆盖度及光能利用效率的重要指标，因此FAPAR模型的研究具有重要的理论和应用价值。
目前，已有许多FAPAR模型被提出，如背景生长模型、经验模型、物理模型等。
但这些模型在不同地区和不同时间尺度上的适用性存在差异。
尤其在全球尺度下对FAPAR进行估算时，需要对尺度效应进行纠正。
因此，本研究旨在开发针对不同尺度下遥感FAPAR反演的模型，并对其尺度效应进行纠正，为植被生态效应研究提供科学依据。
二、研究内容和方法本研究主要包括以下几个方面：1. FAPAR模型的开发本研究将开发基于遥感数据的FAPAR反演模型，考虑遥感数据与FAPAR之间的复杂关系，结合地形、气象、土壤等因素，探讨不同数据源对FAPAR估算的影响。
2. 尺度效应的纠正本研究将针对不同尺度下FAPAR反演结果的差异性进行分析，并开发基于尺度效应的纠正方法，使FAPAR模型在不同尺度下的适用性提高。
3. 模型测试与验证为验证模型的有效性和适用范围，本研究将选取中国大陆的不同地区进行模型测试，对模型的精度和稳定性进行评估。
4. 结果分析本研究将通过对模型获得的FAPAR反演结果进行统计分析和空间分布分析，研究FAPAR在不同地区和不同生态系统中的变化规律和影响因素，为植被生态效应研究提供数据支撑和理论指导。
三、研究进度计划1. 6月中旬-7月中旬：文献调研和研究方案设计2. 7月中旬-8月底：数据获取和处理3. 9月初-10月中旬：FAPAR模型开发和尺度效应分析4. 10月中旬-11月中旬：模型测试和结果分析5. 11月下旬-12月底：论文写作和答辩准备四、研究预期结果1. 开发适用于不同尺度下的遥感反演FAPAR模型，提高FAPAR估算的精度和适用性。
分类号：密级：公开学号：2015201120 单位代码：10759石河子大学硕士学位论文基于机载LiDAR和多光谱遥感的作物LAI反演方法研究学位申请人陈洪指导教师赵庆展教授申请学位门类级别工学硕士学科、专业名称农业信息化技术及应用研究方向空间信息技术及应用所在学院信息科学与技术学院中国·新疆·石河子2018年6月LAI Inversion Method For Crop Based On LiDAR And MultispectralRemote SensingA Dissertation Submitted toShihezi UniversityIn Partial Fulfillment of the Requirementsfor the Degree ofMaster of EngineeringByChen hong(Agricultural Information Technology and Application)Dissertation Supervisor:Prof. Zhao QingzhanJune，2018摘要大田种植是新疆农作物的主要种植方式，作物长势监测是对作物生长全周期状况及其变化的监测,是反映农情信息、指导生产和宏观管理决策的重要依据。
叶面积指数是描述植被冠层结构的众多参数之一，是冠层结构和作物长势的重要参数，又是表征生物量和作物产量的关键因素。
在农业精细遥感监测中，如何快速获取农作物叶面积指数，对农作物长势进行评判非常重要。
目前，利用遥感技术对农作物进行大面积的资源调查和遥感监测从技术角度上已较为成熟，但利用新型传感器如高精度激光雷达来反演叶面积指数的研究还较少。
本文的研究工作是利用无人机机载LIDAR技术，结合多光谱遥感技术实现对农作物LAI的反演。
主要内容、成果和结论为：1、基于不同飞行平台的飞行规划及数据获取方案。
利用无人机快速高效的特点，选择合适的研究区，获取激光雷达和多光谱数据。
基于半经验半机理建模的冬小麦LAI反演及长势评估刘昕哲;武璐;陈李金;马宇帆;李涛;吴婷婷【期刊名称】《农业工程学报》【年(卷),期】2024(40)1【摘要】为了提高无人机遥感对冬小麦叶面积指数(leaf area index,LAI)反演模型的精度与泛化能力,该研究利用无人机搭载多光谱相机获取不同氮素处理和不同复种方式的冬小麦生长实测数据,结合PROSAIL辐射传输模型生成包含机理信息的模拟数据,基于不同组合方式建立了5种LAI反演混合数据集,结合多种机器学习方法,以期构建经验与机理相结合的LAI高精度反演模型。
由于LAI反演受近红外波段(near infrared,NIR)反射率影响大,该研究筛选7种与NIR波段相关的植被指数提取冬小麦光谱特征,构建与混合数据集LAI的相关系数矩阵,进一步探究不同光谱特征对冬小麦LAI的影响程度。
在此基础上,采用具有代表性和普适性的4种机器学习方法,即贝叶斯岭回归模型、线性回归模型、弹性网络模型和支持向量回归模型,构建不同冬小麦LAI反演模型,用以评估基于半经验半机理数据反演冬小麦LAI的可行性,进一步探索其对不同氮素水平和复种方式的冬小麦长势评估能力。
结果表明:1)筛选的与NIR波段相关的植被指数与冬小麦LAI之间存在较强的相关性,其中归一化差异植被指数、增强植被指数、归一化差异红边指数、比值植被指数、红边叶绿素植被指数、土壤调节植被指数与LAI呈正相关,结构不敏感色素植被指数与LAI呈负相关;2)辐射传输模型中体现了冬小麦LAI影响太阳光线传播的机理,结果表明,与实测数据混合建立的模型,具有较强的鲁棒性和泛化能力。
相比于其他3种模型,支持向量回归模型在各种数据组合下均取得了较好的LAI预测性能,在C1、C2、C3、C4这4种训练-测试组合的训练集中R^(2)依次为0.86、0.87、0.88、0.91,RMSE依次为0.47、0.45、0.45、0.41;在测试集的R^(2)依次为0.85、0.19、0.89、0.87,RMSE依次为0.45、1.31、0.49、0.50;3)使用支持向量机生成试验区LAI反演图,对4种氮素水平和2种复种方式的冬小麦长势评估,结果表明,适当的施加氮素处理能提高冬小麦LAI值,麦-豆复种方式下的冬小麦LAI值普遍高于麦-玉复种的LAI值。
