<strong id="itby5"><cite id="itby5"></cite></strong>

      1. <source id="itby5"><menu id="itby5"></menu></source><b id="itby5"></b>

        新聞動態

        評估葉面積指數的遙感方法

        發布人:wseen 時間:2023-10-7 8:51:51

        葉面積指數(Leaf Area Index, LAI)是綠葉面積與土壤面積之間的比值,是評估冠層結構的最重要變量之一,是表征地表植被動態變化的重要參數。地面實測可以得出較為準確的LAI,但地面實測僅用于獲取點尺度的數據。林業工作者通常采用遙感方法來獲取大范圍、面尺度的LAI。本次收集的幾篇文章,幫助讀者了解評估LAI的遙感方法。

        1.基于PRISMA光譜反演甘蔗LAI
        意大利航天局于2019年發射的PRISMA衛星提供了新一代高光譜數據來源,該研究基于PRISMA光譜,運用一種全新的人工神經網絡(ANN)技術——貝葉斯正則化人工神經網絡(BRANN)來估算甘蔗葉面積指數(LAI)。研究采用BRANN模型,分析伊朗Khuzestan Amir Kabir甘蔗農業區實地調查期間收集的數據集。并利用主成分分析(PCA)對PRISMA數據集進行處理?;谧灾ǖ木仍u估表明,應用BRANN模型反演LAI的均方根誤差(RMSE)為0.67 m2/m2。該研究證實了BRANN方法的高性能和PRISMA光譜在甘蔗LAI反演中的高潛力。
        ——《RETRIEVAL OF SUGARCANE LEAF AREA INDEX FROM PRISMA HYPERSPECTRAL DATA》S. Hamzeh etc.(DOI:10.5194/isprs-annals-X-4-W1-2022-271-2023)

        2.非線性自回歸神經網絡模型提高了LAI估測精度
        目前廣泛使用的MODIS LAI產品并不能滿足生產及研究的需要,產品的整體精度有待提高。在這種情況下,該研究提出了一種基于非線性自回歸神經網絡( NARXNN )模型和高質量時間序列LAI反演結果的改進方案。用改進后的方案估算三個研究區LAI時,R2值分別為0.54、0.41、0.51,而RMSE分別下降了0.07、0.1、0.03,偏差也有一定程度的減小。實測LAI表明,NARXNN模型的LAI數據比MCD15A2H模型的更準確,偏差更小,且比原先的MODIS產品更符合植被實際生長情況。該研究提出的改進方案進一步提高了MODIS產品估算LAI的精度。
        ——《Improving the MODIS leaf area index product for a cropland with the nonlinear autoregressive neural network with eXogenous input model》Li Shangzhi etc.(DOI:10.3389/FEART.2022.962498)

        3.該研究比較了幾種遙感方法評估LAI的精度
        該研究基于均方根誤差( RMSE )、平均絕對誤差( MAE )和決定系數( R2 )三種評價指標,對幾種LAI遙感評估方法的評估結果進行了比較分析。研究表明:排名前五的方法RMSE(MAE)在玉米LAI估算上小于1.3(0.95),在大豆上小于1.0(0.8)??傮w來說,參數方法優于其他方法,但不絕對。例如SR_CA_cross方法在玉米LAI估算中排名第1,但在大豆中排名第15。非參數方法準確性排名中等,部分原因是數據量較少。該研究的比較結果對遙感監測農業植被具有重要意義。
        ——《Evaluating Optical Remote Sensing Methods for Estimating Leaf Area Index for Corn and Soybean》Nandan Rohit etc.(DOI:10.3390/RS14215301)

        4.塞罕壩地區宜用混合效應模型估算LAI
        葉面積指數(LAI)用于評價植物群落的生長狀況,在生產和研究上通常需要較快而又精確地得到LAI。該研究基于LAI-2200C植物冠層分析儀得到的LAI數據,并結合同期Sentinel-2遙感影像,從而構建了LAI估算混合效應模型和線性模型。結果發現:相比于傳統線性模型,混合效應模型能更準確地估算LAI,其均方根誤差(RMSE)、調整確定系數(R2adj)、平均相對誤差(MRE)和殘差平方和(RSS)的值分別為0.50、0.7456、0.42和36.25。此外,研究還發現加入樹種變量后,LAI反演模型的擬合效果顯著提升了。
        ——《塞罕壩地區主要樹種LAI遙感估測》臧賀喜(DOI: 10.19754/j.nyyjs.20230215011)

        5.鬣狗算法神經網絡模型能更好地反演LAI
        該研究提出結合PROSAIL模型反演數據和GF-1遙感影像建立鬣狗算法神經網絡模型,從而解決以往神經網絡模型反演林地葉面積指數(LAI)時存在的弊端。研究發現:鬣狗神經網絡訓練集的均方根誤差值為0.131(BP神經網絡的為0.140),驗證集均方根誤差值為0.132(BP神經網絡的為0.137),測試集決定系數為0.703(BP神經網絡的為0.525)。研究認為鬣狗算法神經網絡預測結果略大于期望值,且該模型提高了神經網絡模型的反演性能,為遙感估測LAI提供一種新的方法。
        ——《基于鬣狗算法神經網絡反演林地葉面積指數》冷欣 等(DOI:10.13718/j.cnki.xdzk.2022.12.018)

        在線客服

        • 產品咨詢 點擊這里給我發消息
        • 產品咨詢 點擊這里給我發消息
        • 技術支持 點擊這里給我發消息
        • 技術支持 點擊這里給我發消息

        聯系我們

        • 杭州萬深檢測科技有限公司
        • 地址:杭州市西湖區文二西路11號418室 310012
        • 電話:0571-89714590 81387570
        • 傳真:0571-89714590
        • E-mail:hzwseen@163.com
        • 更多...
        日韩精品人妻_国产精品无码AV_苏州一级 片Aⅴ_少妇被躁爽到高潮无码人狍大战
        <strong id="itby5"><cite id="itby5"></cite></strong>

          1. <source id="itby5"><menu id="itby5"></menu></source><b id="itby5"></b>