公共文化服务平台

共 13 条记录，以下是 1-5

全选清除导出

排序方式：

基于高光谱植被指数的水稻LAI遥感估算被引量：7: 2022年; 【目的】探索植被指数(VI)及其波段选择、回归建模方法、训练样本选取三方面因素对基于统计模型的水稻叶面积指数(LAI)高光谱遥感估算的影响,构建县域水稻LAI估算模型,并在四川省凉山彝族自治州昭觉县开展实证应用。【方法】本文基于不同样本量的3套训练数据,分别对增强型植被指数(EVI)、修正三角植被指数2(MTVI2)、归一化差值植被指数(NDVI)和修正比值植被指数(MSR)开展波段选择。在此基础上,以1种VI作为LAI的特征参量,试用指数回归(ER)和人工神经网络(ANN),构建县域水稻LAI估算模型。计算LAI估算值和实测值之间的决定系数(R^(2))和均方根误差(RMSE),开展估算精度验证。【结果】①基于EVI或MTVI2的LAI估算精度优于NDVI和MSR。以ANN模型为例,基于优选波段的EVI和MTVI2得到的R^(2)分别为0.638和0.681,RMSE分别为0.554和0.519;而NDVI和MSR得到的R^(2)分别为0.567和0.560,RMSE分别为0.606和0.611。②基于各VI优选波段组合的LAI估算精度(平均R^(2)为0.574,平均RMSE为0.598)优于默认波段组合(平均R^(2)为0.424,平均RMSE为0.694)。③ANN模型的表现优于ER模型。在基于默认波段、优选波段的LAI估算试验中,ANN模型得到的平均R^(2)比ER模型分别提高40.27%和14.03%;平均RMSE分别降低11.32%和8.11%。④就本项目试验而言,训练样本量对基于ANN模型的LAI估测精度的影响不显著。例如,当训练样本量低至24时,基于EVI构建的ANN模型的测试精度(R^(2)=0.660,RMSE=0.537),仍然优于ER模型(R^(2)=0.597,RMSE=0.585)。【结论】VI及其波段选择与回归建模方法对县域水稻LAI高光谱遥感估算均有明显影响。针对特定区域的目标作物,尝试利用任意可能的波段组合来计算多种VI,遴选与实测LAI相关系数最大的VI及其波段组合,有益于提高基于VI的LAI高光谱遥感估算精度。同时,即使基于小样本训练数据,机器学习算法仍有可能得出优于参数回归的; 张敏郭涛刘轲黄平喻君刘仕川刘泳伶李源洪; 关键词：叶面积指数遥感反演波段选择样本量

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被引量：49: 2016年; 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。; 刘轲周清波吴文斌陈仲新唐华俊; 关键词：植被遥感光谱分析叶面积指数波段选择

基于遥感影像的云南甘蔗种植区优势评估被引量：3: 2020年; 为运用遥感手段掌握云南省甘蔗种植区域空间分布特征,评估甘蔗种植优势度,以云南甘蔗种植区为研究对象,采用Landsat8-OLI为数据源,结合地面调查结果,通过极大似然法提取甘蔗种植区域空间分布及面积,利用比较优势指数法、使用甘蔗遥感面积评估各区甘蔗种植优势度。2014-2016年遥感影像监测显示,云南省甘蔗种植面积约为24.12万hm^2,主要集中分布在该省西南以及南部地区的主要河流沿线地带,临沧、德宏、保山、普洱、文山等区域的甘蔗面积约占全省的88%。比较优势指数法评估结果显示,临沧、德宏、普洱、保山、西双版纳的甘蔗规模优势指数分别为4.76、5.25、2.07、1.53、3.26,为云南甘蔗种植的优势区域;文山、玉溪、红河、大理等地区规模优势指数均小于1,种植优势不明显。研究结果可为云南甘蔗种植空间布局与优化调整提供参考。; 董秀春黄平李宗南刘轲蒋怡王思杜刚; 关键词：甘蔗遥感种植区优势度空间信息

基于MSR-cut的高空间分辨率遥感影像边缘检测分割被引量：8: 2021年; 针对R-cut(Ratio cut)边缘检测分割模型对高分辨率遥感影像分割时存在过分割和模糊边缘敏感性问题,提出了一种多尺度R-cut(Multi-scale ratio cut,MSR-cut)的遥感影像边缘检测分割方法。首先,采用形态重建的分水岭分割算法对影像过分割,形成多个超像素区域;然后计算并提取影像各个区域的纹理特征信息熵值、光谱特征与邻域均值差分归一化值,分别进行同质性和异质性的有效衡量;并构建评价函数获取最优分割尺度,对这些超像素区域进行初步合并,得到影像的粗分割结果;最后结合各地物的边界权重信息,从全局角度用R-cut的方法对粗分割结果进一步合并,完成对影像的精细分割,生成最终的分割结果。实验选取5个不同场景的高分辨率遥感影像,采用定性和定量两种方法对比分析本文方法与传统R-cut边缘检测分割、Spectral-Rcut边缘检测分割和Textured-Rcut边缘检测分割方法。实验结果表明,MSR-cut边缘检测分割方法能够有效提高分割精度,增强噪声鲁棒性,可取得较好的分割视觉效果。; 杨泽楠牛海鹏黄亮黄亮刘轲; 关键词：高空间分辨率遥感影像

基于冠层反射率模型的作物参数多阶段反演方法研究进展被引量：4: 2017年; 利用遥感手段,基于冠层反射率(canopy reflectance,CR)模型反演农作物参数具有经济、高效、普适性好的特点,是智慧农业快速、精确监测区域尺度农情信息的理想方法。然而,CR模型反演过程受"病态反演"问题影响。针对此,前人提出了多阶段目标决策(multi-stage,sample-direction dependent,target-decisions,MSDT)法和面向对象(object-based)反演法。分别依据CR模型参数的敏感性和不确定性,以及作物参数的空间分布特征,将反演过程划分为若干阶段,每阶段只反演部分参数,前阶段反演结果作为后阶段反演的先验知识,以此减少CR模型参数优化的不确定性,改善"病态反演"问题。该文系统总结了MSDT法与面向对象反演法,将其归纳为统一的"多阶段反演"方法,并提出概念模型。基于此,总结、讨论了多阶段反演中如下三方面共性问题,试分析可能的解决途径:1)多阶段反演决策还需要广泛比较、科学论证与改进,以确保其合理性和有效性;未来研究中,应将MSDT法与面向对象反演方法有机结合,在统一的多阶段反演技术框架下,制定更加合理的反演决策方法。2)CR模型的参数化精度可能影响多阶段反演;未来应尝试利用"天空地一体化"遥感技术和尺度转换方法获取先验知识,提高CR模型参数化精度。3)多阶段反演过程中,反演误差逐级传递;未来研究中,一方面应尝试识别并纠正前阶段反演中的误差,另一方面应合理利用前阶段反演结果,避免前阶段反演误差影响后阶段的反演。; 刘轲黄平任国业周清波李源洪王思董秀春; 关键词：遥感作物面向对象

全选清除导出

共1页<1>

刘轲

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

刘轲

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈