小程序
微信小程序
人工客服
回顶部

大豆叶面积指数的高光谱估算方法比较

赵燕 | -> | 935| 1| 0.373049MB |大豆,LAI,NDVI,RVI,主成分分析,神经网络

赵燕 赵燕 | 文档量 |浏览量4331

摘 要 叶面积指数(leaf area index , LAI) 是重要的生物物理参数, 亦是各种生态模型、生产力模型以及碳循环研究等的重要生物物理参量, 因此具有重要的研究意义。通过分析大量实测数据, 选用归一化植被指数(normalized difference vegetation index , NDVI) 和比值植被指数( ratio vegetation index , RVI) 、主成分分析(principcal component analysis , PCA) 、神经网络(neural network NN) 三种方法对大豆使LAI 进行了估算,比较分析了三种方法的估算结果。研究结果表明, 植被指数法(NDVI , RVI) , 主成分分析, 神经网络方法LAI 都取得了较为理想的结果, 验证模型的确定性系数分别达01758 和01753 , 01954 , 01899 , 其中主成分分析方法和神经网络方法精度较高, 主成分分析方法验证模型的稳定性更好, 其验证模型的RMSE 为01267 , 明显低于两个植被指数(NDVI 和RVI 的RMSE 分别为01594 和01616) 和神经网络( RMSE =01413) 。当叶面积指数较小时, 植被指数能够较好地去除土壤、大气等条件影响, 并精确估算LAI ; 当叶面积指数较大时, 主成分分析能够弥补植被指数饱和的缺陷, 得到很好的LAI 估算效果。神经网络受LAI 大小的影响效果居中, 其对叶面积指数较小和较大时具有一致的估算效果, 具有较好的应用潜力。
    叶面积指数可为植物冠层表面最初能量交换描述提供结构化定量信息, 是生态系统研究中最重要的结构参数之一[1 ] 。叶面积指数也是重要的植物生理参数, 是生态系统功能、净初级生产力等模型重要的陆地特征参量[2-4 ] 。
    采用各种植被指数是早期LAI 遥感估算研究的常用方法[5-7 ] , 植被指数法的准确性和普适性难以保证。物理模型被证明能得到较好的LAI 反演结果和具有广阔的应用前景,如以三维辐射传输模型为基础的MODIS LAI 产品已成为研究、应用等重要且方便的数据源[8 , 9 ] 。但物理模型要输入较
多的参数, 算法复杂, 运算较慢, 限制了其广泛应用。
    随着高光谱技术的发展, 较多研究者开始利用高光谱遥感方法来反演叶面积指数、叶绿素等生理参数[10-15 ] 。高光谱数据可以提供丰富的精细光谱信息, 同时也对数据处理提出了挑战。为充分利用光谱信息, 一些新的技术手段, 如用神经元网络技术[12 , 16-18 ] 等逐步得到应用。主成分分析方法具有较好的压缩数据量和降低数据维数功能, 在地学中的应用多集中在粗略地识别光谱差异显著的矿物和岩性识别等方面[19 ] , 目前国内外还鲜见其在高光谱数据处理来估算LAI等生理参数方面研究。本文引入主成分分析方法, 利用高光谱数据对LAI 进行了估算, 并与植被指数法和神经网络法估算LAI 的效果进行了比较。
赵燕发布的其他共享资料
    0 色谱币 下载

大豆叶面积指数的高光谱估算方法比较

(373.049K)

所需色谱币: 0

您持有: $userGold色谱币,完成任务赚取色谱币

立即下载

友情链接(联系QQ:47140047)
关于我们  经营理念  业务合作  联系我们  法律声明  网站建议  网站导航  帮助中心
Copyright © 色谱世界 版权所有 陇ICP备2024006362号-2