叶面积指数(leaf area index,LAI)作为衡量作物生长状况的关键参数,对其进行精准高效的反演对于作物监测、产量预测等活动至关重要。然而,传统经验模型在估算LAI时常存在计算负荷重、泛化能力弱等问题。为实现青贮玉米多时序LAI精准、...叶面积指数(leaf area index,LAI)作为衡量作物生长状况的关键参数,对其进行精准高效的反演对于作物监测、产量预测等活动至关重要。然而,传统经验模型在估算LAI时常存在计算负荷重、泛化能力弱等问题。为实现青贮玉米多时序LAI精准、高效估算,该研究以甘肃省民乐县的大田青贮玉米LAI为研究对象,结合Landsat-8多光谱影像与同期实地采集的LAI数据,提出了4种基于EFAST全局敏感性分析方法的机器学习混合反演模型(MLP-PROSAIL、SVR-PROSAIL、RF-PROSAIL和GBM-PROSAIL)。通过对PROSAIL模型的输入参数进行敏感性分析,以便确定参数敏感度并准确模拟输出冠层反射率光谱。进一步对Landsat-8多光谱数据进行预处理和波段变换,并采用地理配准工具结合反距离加权插值的策略减少其尺度差异。同时利用贝叶斯超参数寻优和正则化技术优化模型不同的参数类型和激活函数,得到4种改进模型用于训练LAI与光谱数据,通过5折交叉验证法和留一验证法对4种模型的反演性能进行验证并选出最优模型。优化后的模型性能均有明显提升,其中,GBM-PROSAIL模型反演性能最优,拟合精度R^(2)为0.93、均方根误差(RMSE)为0.42。MLP-PROSAIL、SVR-PROSAIL和RF-PROSAIL模型的拟合精度R^(2)依次为0.85、0.88、0.90,RMSE依次为0.80、0.69、0.51。根据GBM-PROSAIL模型绘制的研究区多时序LAI反演空间分布结果表明:不同生长期青贮玉米LAI值存在明显差异,能较好反映其生长过程。该研究提出的混合反演模型具有较高的性能及较强的鲁棒性,可为多时序、大尺度作物监测、产量预测相关研究提供方法与思路。展开更多
[目的/意义]针对冬小麦叶面积指数(Leaf Area Index,LAI)样本量有限导致反演模型精度不足及自动生成样本物理合理性难以保障的问题,提出一种基于物理约束的PROSAIL与条件生成对抗网络(Conditional Gen⁃erative Adversarial Network,cGAN...[目的/意义]针对冬小麦叶面积指数(Leaf Area Index,LAI)样本量有限导致反演模型精度不足及自动生成样本物理合理性难以保障的问题,提出一种基于物理约束的PROSAIL与条件生成对抗网络(Conditional Gen⁃erative Adversarial Network,cGAN)联合的光谱样本增强方法,旨在提升遥感LAI反演的准确性和稳定性,为冬小麦生长监测提供高质量数据支持。[方法]首先,利用PROSAIL模型生成冬小麦冠层光谱与对应物理参数,训练多层感知机代理模型以模拟PROSAIL模型光谱生成的过程,在此基础上设计结合物理参数条件的cGAN生成网络,构建PROSAIL-cGAN模型生成满足预设物理约束的高质量光谱样本;其次,基于增强样本构建机器学习LAI反演模型,验证样本增强的效果。以山东省邹平市为实验区,进行样本增强并进行LAI反演验证。[结果和讨论]物理约束下的PROSAIL-cGAN生成样本与真实样本在物理参数空间重叠度达到82.7%,基于增强样本训练的随机森林模型的决定系数(R2)可达到0.8488,均方根误差(Root Mean Square Error,RMSE)可达到0.5409,分析表明,物理约束有效提升了生成样本的合理性与反演模型的泛化能力,其中当样本量达到79个以上时,模型精度已接近较高水平。[结论]本研究提出的物理约束的PROSAIL-cGAN样本增强方法有效缓解了小样本限制对LAI反演的影响,提升了模型精度和稳定性,为农业遥感监测与作物生长动态评估提供了坚实的数据基础和技术保障。展开更多
为了探讨Landsat 8 OIL数据在LAI大范围反演方面的应用潜力,使用Landsat 8 OIL影像,通过PROSAIL辐射传输模型,采用3种波段组合(Band2-7,Band2-5,Band3-5)建立了3个模拟冠层反射率-叶面积指数(LAI)查找表,用2种代价函数(Geman and Mc Cl...为了探讨Landsat 8 OIL数据在LAI大范围反演方面的应用潜力,使用Landsat 8 OIL影像,通过PROSAIL辐射传输模型,采用3种波段组合(Band2-7,Band2-5,Band3-5)建立了3个模拟冠层反射率-叶面积指数(LAI)查找表,用2种代价函数(Geman and Mc Clure代价函数,均方根误差代价函数)实现了对玉米、土豆、森林LAI的定量反演,并用LAI-2200测量数据作为相对真值对反演精度进行评价。结果表明:(1)使用Landsat 8数据,通过PROSAIL模型反演叶面积指数的精度是可以接受的,RMSE范围为在[0.892 4,1.205 0],R2范围为[0.721 3,0.873 3]。(2)Band5(近红外),Band4(红)Band3(绿)的波段组合反演效果在3种组合中精度最高,平均RMSE=0.993 1,R2=0.787 3。(3)Geman and Mc Clure代价函数比常用的均方根误差代价函数得到了更高的反演精度,平均RMSE=0.940 5,R2=0.817 5。(4)相对最优的反演策略是Band5,Band4,Band3的波段组合结合GM代价函数,RMSE=0.892 4,R2=0.873 3。(5)存在玉米土豆的反演值普遍低于测量值,而森林的反演值普遍高于测量值的问题。展开更多
以大豆叶面积指数(Leaf area index,LAI)反演为研究目标,利用PROSAIL模型和遗传算法优化后的BP神经网络模型,分别对重组自交系(Recombinant Inbred Lines,RIL)和自然野生大豆种群的LAI进行反演。结果表明,在对人工定向培育的RIL大豆种...以大豆叶面积指数(Leaf area index,LAI)反演为研究目标,利用PROSAIL模型和遗传算法优化后的BP神经网络模型,分别对重组自交系(Recombinant Inbred Lines,RIL)和自然野生大豆种群的LAI进行反演。结果表明,在对人工定向培育的RIL大豆种群冠层叶片LAI反演中,PROSAIL模型表现出了更优异的反演能力,而对品种繁多的自然野生大豆种群LAI反演中,遗传算法优化后的BP神经网络模型表现出了更好的适用性,并且上述2种模型在始粒期(R5)时性能最佳,PROSAIL模型和遗传算法优化后的BP神经网络模型R2分别为0.89和0.85,RMSE分别为0.11和0.13,EA均为97%,典型生育期内的反演性能均优于全生育期综合反演性能。因此,针对同一农作物不同种群的表型特征反演,需要根据研究对象的特征来选择合适的模型,以便于精确的估测大豆长势情况,为农作物的规模化育种监测提供数据支持。展开更多
文摘叶面积指数(leaf area index,LAI)作为衡量作物生长状况的关键参数,对其进行精准高效的反演对于作物监测、产量预测等活动至关重要。然而,传统经验模型在估算LAI时常存在计算负荷重、泛化能力弱等问题。为实现青贮玉米多时序LAI精准、高效估算,该研究以甘肃省民乐县的大田青贮玉米LAI为研究对象,结合Landsat-8多光谱影像与同期实地采集的LAI数据,提出了4种基于EFAST全局敏感性分析方法的机器学习混合反演模型(MLP-PROSAIL、SVR-PROSAIL、RF-PROSAIL和GBM-PROSAIL)。通过对PROSAIL模型的输入参数进行敏感性分析,以便确定参数敏感度并准确模拟输出冠层反射率光谱。进一步对Landsat-8多光谱数据进行预处理和波段变换,并采用地理配准工具结合反距离加权插值的策略减少其尺度差异。同时利用贝叶斯超参数寻优和正则化技术优化模型不同的参数类型和激活函数,得到4种改进模型用于训练LAI与光谱数据,通过5折交叉验证法和留一验证法对4种模型的反演性能进行验证并选出最优模型。优化后的模型性能均有明显提升,其中,GBM-PROSAIL模型反演性能最优,拟合精度R^(2)为0.93、均方根误差(RMSE)为0.42。MLP-PROSAIL、SVR-PROSAIL和RF-PROSAIL模型的拟合精度R^(2)依次为0.85、0.88、0.90,RMSE依次为0.80、0.69、0.51。根据GBM-PROSAIL模型绘制的研究区多时序LAI反演空间分布结果表明:不同生长期青贮玉米LAI值存在明显差异,能较好反映其生长过程。该研究提出的混合反演模型具有较高的性能及较强的鲁棒性,可为多时序、大尺度作物监测、产量预测相关研究提供方法与思路。
文摘[目的/意义]针对冬小麦叶面积指数(Leaf Area Index,LAI)样本量有限导致反演模型精度不足及自动生成样本物理合理性难以保障的问题,提出一种基于物理约束的PROSAIL与条件生成对抗网络(Conditional Gen⁃erative Adversarial Network,cGAN)联合的光谱样本增强方法,旨在提升遥感LAI反演的准确性和稳定性,为冬小麦生长监测提供高质量数据支持。[方法]首先,利用PROSAIL模型生成冬小麦冠层光谱与对应物理参数,训练多层感知机代理模型以模拟PROSAIL模型光谱生成的过程,在此基础上设计结合物理参数条件的cGAN生成网络,构建PROSAIL-cGAN模型生成满足预设物理约束的高质量光谱样本;其次,基于增强样本构建机器学习LAI反演模型,验证样本增强的效果。以山东省邹平市为实验区,进行样本增强并进行LAI反演验证。[结果和讨论]物理约束下的PROSAIL-cGAN生成样本与真实样本在物理参数空间重叠度达到82.7%,基于增强样本训练的随机森林模型的决定系数(R2)可达到0.8488,均方根误差(Root Mean Square Error,RMSE)可达到0.5409,分析表明,物理约束有效提升了生成样本的合理性与反演模型的泛化能力,其中当样本量达到79个以上时,模型精度已接近较高水平。[结论]本研究提出的物理约束的PROSAIL-cGAN样本增强方法有效缓解了小样本限制对LAI反演的影响,提升了模型精度和稳定性,为农业遥感监测与作物生长动态评估提供了坚实的数据基础和技术保障。
文摘以大豆叶面积指数(Leaf area index,LAI)反演为研究目标,利用PROSAIL模型和遗传算法优化后的BP神经网络模型,分别对重组自交系(Recombinant Inbred Lines,RIL)和自然野生大豆种群的LAI进行反演。结果表明,在对人工定向培育的RIL大豆种群冠层叶片LAI反演中,PROSAIL模型表现出了更优异的反演能力,而对品种繁多的自然野生大豆种群LAI反演中,遗传算法优化后的BP神经网络模型表现出了更好的适用性,并且上述2种模型在始粒期(R5)时性能最佳,PROSAIL模型和遗传算法优化后的BP神经网络模型R2分别为0.89和0.85,RMSE分别为0.11和0.13,EA均为97%,典型生育期内的反演性能均优于全生育期综合反演性能。因此,针对同一农作物不同种群的表型特征反演,需要根据研究对象的特征来选择合适的模型,以便于精确的估测大豆长势情况,为农作物的规模化育种监测提供数据支持。
