CN111126511B - 一种基于植被指数融合的lai定量模型建立的方法 - Google Patents
一种基于植被指数融合的lai定量模型建立的方法 Download PDFInfo
- Publication number
- CN111126511B CN111126511B CN202010001400.XA CN202010001400A CN111126511B CN 111126511 B CN111126511 B CN 111126511B CN 202010001400 A CN202010001400 A CN 202010001400A CN 111126511 B CN111126511 B CN 111126511B
- Authority
- CN
- China
- Prior art keywords
- lai
- model
- vegetation index
- wave band
- research area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 238000011160 research Methods 0.000 claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000012417 linear regression Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000011272 standard treatment Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于植被指数融合的LAI定量模型建立的方法,属于机器学习和农业定量遥感领域,S1:研究区域影像预处理;S2:样区选取;S3:地面实测数据获取;S4:提取波段和多个植被指数;S5:显著性分析;S6:逐步多元线性回归建模并评定精度;S7:利机器学习回归建模并评定精度;S8:比较模型精度,筛选较优LAI定量模型,对研究区遥感影像进行LAI可视化填图。通过对极显著相关的多个植被指数采用逐步式多元线性回归以及通过对粒子群优化,寻找最优的惩罚系数C和gamma,实现对机器学习模型算法的改进优化,使得其在LAI定量模型反演中具有较高精度,更适于卫星影像反演作物LAI领域。
Description
技术领域
本发明属于机器学习和农业定量遥感领域,涉及一种基于植被指数融合的LAI定量模型建立的方法。
背景技术
叶面积指数(leaf area index,以下简称LAI)是反映作物群体大小的较好的动态指标。一般作物LAI定量模型的构建主要基于单一类型的波段或植被指数及建立固定自变量个数的多元线性或者非线性模型,无论以上哪种建模技术,本质是建立的经验模型,不可避免有区域性、模型鲁棒性、作物品种和样本量等等因素制约。针对于农业定量化而言,如何做到高精度高效,有效提高模型鲁棒性是目前LAI定量模型构建的一个重点,传统方法上建立固定自变量个数的多元线性或者非线性模型,虽然可以适当提高作物LAI定量模型的精度,但参与建模的自变量往往很多,从而大大增加模型复杂度,不利于推广使用。同时,随着卫星数据源和数据量的增多,植被指数的丰富性极大的扩充,针对于具体作物敏感性筛选,提取较为适用的植被指数融合构建高精度LAI定量模型提出新要求。
当下,传统的建立LAI定量模型主要有以下几种方法:1.单类型变量线性或非线性模型;2.简单多元线性模型;3.简单机器学习模型。上述传统方法针对作物模型较低精度要求是可以满足实际需求的,但是,随着卫星数据源和数据量的增加、农作物种类越发复杂、样区和样本量的扩大,传统方法模型的精度需提高。
发明内容
本发明的目的在于:提供了一种基于植被指数融合的LAI定量模型建立的方法,解决了上述背景技术提到的问题。
本发明采用的技术方案如下:
一种基于植被指数融合的LAI定量模型建立的方法,包括以下步骤:
S1:研究区域影像预处理:获取研究区域的哨兵2号数据和研究区域的矢量文件,进行预处理,得到研究区域的精校正的影像数据;预处理包括进行辐射定标和大气校正等预处理操作。获取研究区域的哨兵2号数据和对应矢量SHP文件,利用Sen2cor插件对哨兵2号完成辐射定标与大气校正,校正后,空间分辨率10m有4个波段,同时运用Arcgis对空间分辨率20m的其余6个波段进行重采样,最终运用ENVI的多波段图层叠加(layer stacking)功能对波段进行合并,完成哨兵2号空间分辨率10m的10波段的精校正。
S2:样区选取:依据步骤S1得到的研究区域影像数据,选取一定数量的作物样区作为样本点,样本划分为2/3样本集的训练样本和1/3样本集的测试样本;
S3:地面实测数据获取:使用手持LAI叶面积仪采集步骤S2中选取的每个作物样区的平均LAI值,作为实验的实测LAI值,并按2:1的比例进行数据划分;
S4:提取波段和多个植被指数:提取研究区域卫星影像的各个波段及植被指数;首先运用ENVI计算步骤S1中得到的研究区域影像数据的不同植被指数数据,如归一化差值植被指数(NVI)、比值植被指数(RVI)、增强型植被指数(EVI)、优化比值植被指数(MSR)等等。同时,依据影像光谱特征使用ENVI软件对研究区影像采取决策树分类,对样区进行提取,进而转换为样区的SHP文件。在Arcgis中,选择部分代表性强的样区要素,再运用“要素转点”和“值提取至点”工具,实现样区波段和植被指数的提取。
S5:显著性分析:分析步骤S4中的波段和植被指数与步骤S3中的实测LAI值的显著性关系,筛选0.01极显著水平的波段和植被指数;
分析步骤S4中提取的波段和植被指数与步骤S3中实测LAI的显著性关系,有效利用卫星数据源数据,依据训练集的自由度,运用多种波段的多种植被指数对作物LAI进行敏感性筛选,进而筛选达到0.01极显著水平的波段和植被指数,最大化的利用数据信息。
S6:利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行逐步多元线性回归建模并评定精度;
利用步骤S5中极显著的波段和植被指数为自变量,和步骤S3中实测LAI值为因变量。以因子达到0.05显著水平为进入或删除的自变量个数,以赤池信息准则(AIC)为标准,筛选模型复杂度最优的LAI模型。使用筛选模型对测试集进行测试,并使用R2、RMSE和NRMSE进行精度评价。
在使用R2、RMSE和NRMSE进行模型精度评价时,一般情况下,R2越高,RMSE越低,表示模型拟合效果越好。
nRMSE在描述模型验证精度时一般会给定界定范围:nRMSE<10%估测值和实测值一致性为极好;10%≤nRMSE<20%估测值和实测值一致性为好;20≤nRMSE<30%估测值和实测值一致性为中等,nRMSE≥30%估测值和实测值一致性较差。
S7:利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行机器学习回归建模并评定精度;
利用步骤S5中极显著的波段和植被指数为自变量,和步骤S3中实测LAI值为因变量。依据粒子群优化算法,寻找最优的惩罚系数C和gamma。惩罚系数C是指对误差的宽容度,gamma决定了数据映射到新的特征空间后的分布。
获得最适合样本区域的最佳惩罚系数C和gamma后,进而以RBF高斯核进行SVM支持向量机回归以及BP神经网络回归分别建模。使用SVM模型和BP神经网络模型对测试样本进行验证并使用R2、RMSE和NRMSE进行精度评价。
S8:比较步骤S6和步骤S7中的模型精度,筛选较优LAI定量模型,并对研究区遥感影像进行LAI可视化填图。
通过ENVI以及Arcgis对研究区进行LAI可视化的分类分级填图。
进一步地,所述步骤S6中逐步多元线性回归建模并评定精度包括以下步骤:
S61:将步骤S5中的0.01极显著的波段和植被指数作为自变量,步骤S3中的实测LAI值作为因变量,使用步骤S2中的训练样本集,以0.05显著水平为进入或删除自变量个数,以赤池信息准则为标准,筛选模型复杂度最优的LAI模型;
S62:基于步骤S2中的测试样本进行验证并评定精度。
使用R2、RMSE和NRMSE进行精度评价。在使用R2、RMSE和NRMSE进行模型精度评价时,一般情况下,R2越高,RMSE越低,表示模型拟合效果越好。
nRMSE在描述模型验证精度时一般会给定界定范围:nRMSE<10%估测值和实测值一致性为极好;10%≤nRMSE<20%估测值和实测值一致性为好;20≤nRMSE<30%估测值和实测值一致性为中等,nRMSE≥30%估测值和实测值一致性较差。
随着卫星数据的发展,多种植被指数被发掘,作物LAI不仅仅局限于一种,单类型模型会忽略其他相关性极强的植被指数或波段不利于提高作物LAI反演精度。传统的简单多元线性模型虽然融合了多种植被指数和波段参与建模,但增加了模型复杂度,且有些变量对于模型的权重占比较低,删除反而对于模型精度影响不大,并能有效优化模型复杂度的变量。本发明突破单类型变量模型,融合高效的植被指数对LAI进行反演。模型复杂度的优化,针对于简单多元线性模型的全部采用敏感因子的方法,采用逐步回归式的多元线性,通过删除或加入不同0.01的极显著因子优化模型,调试模型至简约有效的状态。逐步式多元线性回归的LAI模型精度比单变量EVI-LAI模型提高15%左右。
进一步地,所述步骤S7中机器学习回归建模并评定精度包括以下步骤:
S71:将步骤S5中的0.01极显著的波段和植被指数作为自变量,步骤S3中的实测LAI值作为因变量,使用步骤S2中的训练样本集,依据粒子群优化算法,获得研究区域的最佳惩罚系数C和gamma;
S72:以RBF高斯核进行SVM支持向量机回归以及BP神经网络回归分别建立模型;
S73:基于步骤S2中的测试样本进行验证并评定精度。
惩罚系数C是指对误差的宽容度;gamma决定了数据映射到新的特征空间后的分布,简单机器学习模型筛选出较优波段和植被指数以后,利用固定参数惩罚系数C和gamma的SVM模型或者BP模型建立LAI定量模型并验证精度。使用R2、RMSE和NRMSE进行精度评价。
传统的简单机器学习模型中固定的惩罚系数C和gamma对于作物LAI进行了同标准处理,容易出现惩罚参数设置过高的问题,虽然过高的惩罚参数能使得模型的准确率提高,但会造成过拟合,甚至惩罚参数C过高会导致最终测试集合的准确率并不是很理想。本发明优化改进后的机器学习模型针对于作物LAI样本寻找最佳的C和gamma,从而建立相应较优的SVM和BP神经网络回归模型,较固定系数模型的精度提高7%左右。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明通过对极显著相关的多个植被指数采用逐步式多元线性回归以及通过对粒子群优化,寻找最优的惩罚系数C和gamma,实现对机器学习模型算法的改进优化,使得其在LAI定量模型反演中具有较高精度,更适于卫星影像反演作物LAI领域。无论从精度或模型鲁棒性方面,均展现出独特优势,为高效定量反演作物LAI提供更优的实施方案。
本发明中逐步式多元回归和机器学习算法在作物模型反演方面优势突出,较传统方法,逐步式多元线性回归和机器学习SVM和BP神经网络算法具有以下优点:
1.训练的较优模型精度既较优于传统方式建模的精度,又很好的对模型复杂度进行了优化。
2.使用训练好的模型对作物LAI进行监测能实现无损高效大区域的迅速监测,对作物给出有效及时的长势监测和营养信息状况,调整施肥策略。
3.使用机器学习算法建模,扩展性强,后续可以运用到叶绿素、氮素、生物量、产量等作物指标的反演中,使得其具有巨大优势。
4.针对区域的作物,建立的最优LAI定量模型是通用的,实现了模型的复用,有效的提高了反演效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图,其中:
图1是本发明一种基于植被指数融合的LAI定量模型建立的方法的流程示意图;
图2是本发明的研究区域精校正图像;
图3是本发明的决策树分类图;
图4是SVM模型训练集预测结果对比图;
图5是SVM模型测试集预测结果对比图;
图6是本发明的BP-神经网络模型精度图;
图7是本发明的逐步多元线性回归分析模型图;
图8是本发明的SVM模型精度验证图;
图9是本发明的BP神经网络模型精度验证图;
图10是本发明的LAI填图分类结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
实施例一
本发明较佳实施例提供的一种基于植被指数融合的LAI定量模型建立的方法,包括以下步骤:
S1:研究区域影像预处理:获取驻马店正阳县的哨兵2号数据和研究区域的矢量文件,进行预处理,得到研究区域的精校正的影像数据,如图2所示;预处理包括进行辐射定标和大气校正等预处理操作。获取研究区域的哨兵2号数据和对应矢量SHP文件,利用Sen2cor插件对哨兵2号完成辐射定标与大气校正,校正后,空间分辨率10m有4个波段,同时运用Arcgis对空间分辨率20m的其余6个波段进行重采样,最终运用ENVI的多波段图层叠加(layer stacking)功能对波段进行合并,完成哨兵2号空间分辨率10m的10波段的精校正。把处理后的10波段影像数据与对应矢量SHP文件进行裁剪,获取研究区域影像数据。
S2:样区选取:依据步骤S1得到的研究区域影像数据,选取一定数量的作物样区作为样本点,样本划分为2/3样本集的训练样本和1/3样本集的测试样本;
S3:地面实测数据获取:使用手持LAI叶面积仪采集步骤S2中选取的每个作物样区的平均LAI值,作为实验的实测LAI值,并按2:1的比例进行数据划分;
S4:提取波段和多个植被指数:提取研究区域卫星影像的各个波段及植被指数;首先运用ENVI计算步骤S1中得到的研究区域影像数据的不同植被指数数据,如归一化差值植被指数(NVI)、比值植被指数(RVI)、增强型植被指数(EVI)、优化比值植被指数(MSR)等等。同时,依据影像光谱特征使用ENVI对研究区影像采取决策树分类,对样区进行提取,进而转换为样区的SHP文件。在Arcgis中,选择部分代表性强的样区要素,再运用“要素转点”和“值提取至点”工具,实现样区波段和植被指数的提取。
S5:显著性分析:分析步骤S4中的波段和植被指数与步骤S3中的实测LAI值的显著性关系,筛选0.01极显著水平的波段和植被指数;
分析步骤S4中提取的波段和植被指数与步骤S3中实测LAI的显著性关系,有效利用卫星数据源数据,依据训练集的自由度,运用多种波段的多种植被指数对作物LAI进行敏感性筛选,进而筛选达到0.01极显著水平的波段和植被指数,最大化的利用数据信息。
S6:利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行逐步多元线性回归建模并评定精度,如表1所示。
随着卫星数据的发展,多种植被指数被发掘,作物LAI不仅仅局限于一种,单类型模型会忽略其他相关性极强的植被指数或波段不利于提高作物LAI反演精度。传统的简单多元线性模型虽然融合了多种植被指数和波段参与建模,但增加了模型复杂度,且有些变量对于模型的权重占比较低,删除反而对于模型精度影响不大,并能有效优化模型复杂度的变量。本发明突破单类型变量模型,融合高效的植被指数对LAI进行反演。模型复杂度的优化,针对于简单多元线性模型的全部采用敏感因子的方法,采用逐步回归式的多元线性,通过删除或加入不同0.01的极显著因子优化模型,调试模型至简约有效的状态。逐步式多元线性回归的LAI模型精度比单变量EVI-LAI模型提高15%左右。
利用步骤S5中极显著的波段和植被指数为自变量,和步骤S3中实测LAI值为因变量。以因子达到0.05显著水平为进入或删除的自变量个数,以赤池信息准则(AIC)为标准,筛选模型复杂度最优的LAI模型。使用筛选模型对测试集进行测试,并使用R2、RMSE和NRMSE进行精度评价。
在使用R2、RMSE和NRMSE进行模型精度评价时,一般情况下,R2越高,RMSE越低,表示模型拟合效果越好。
nRMSE在描述模型验证精度时一般会给定界定范围:nRMSE<10%估测值和实测值一致性为极好;10%≤nRMSE<20%估测值和实测值一致性为好;20≤nRMSE<30%估测值和实测值一致性为中等,nRMSE≥30%估测值和实测值一致性较差。
表1逐步回归分析模型筛选
注:*为达到0.05显著水平;**为达到0.01极显著水平。表中x1~x10分别代表ENVI软件中波段运算的b4参数、归一化植被指数(NDVI)、重归一化植被指数(RDVI)、垂直植被指数(PVI)、修正型土壤调节植被指数(MSAVI)、转换型植被指数(TVI)、增强型植被指数(EVI)、土壤调节植被指数(OSAVI)、调整土壤亮度植被指数(SAVI)、优化比值植被指数(MSR)。
S7:利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行机器学习回归建模并评定精度;
传统的简单机器学习模型中固定的惩罚系数C和gamma对于作物LAI进行了同标准处理,容易出现惩罚参数设置过高的问题,虽然过高的惩罚参数能使得模型的准确率提高,但会造成过拟合,甚至惩罚参数C过高会导致最终测试集合的准确率并不是很理想。本发明优化改进后的机器学习模型针对于作物LAI样本寻找最佳的C和gamma,从而建立相应较优的SVM和BP神经网络回归模型,较固定系数模型的精度提高7%左右。
利用步骤S5中极显著的波段和植被指数为自变量,和步骤S3中实测LAI值为因变量。依据粒子群优化算法,寻找最优的惩罚系数C和gamma。惩罚系数C是指对误差的宽容度,gamma决定了数据映射到新的特征空间后的分布。
获得最适合样本区域的最佳惩罚系数C和gamma后,进而以RBF高斯核进行SVM支持向量机回归以及BP神经网络回归分别建模。使用SVM模型和BP神经网络模型对测试样本进行验证并使用R2、RMSE和NRMSE进行精度评价。SVM模型比较如图4和图5所示。BP神经网络模型精度如图6所示。
S8:如表2所示,比较步骤S6和步骤S7中的模型精度,筛选较优LAI定量模型,并对研究区遥感影像进行LAI可视化填图。
表2三种模型精度比较
注:*为达到0.05显著水平;**为达到0.01极显著水平。
通过表1中的逐步回归分析模型筛选的特征,综合考虑特征的精度和其计算的复杂性,选取NDVI、RDVI、MSAVI、EVI四个特征指数,利用逐步回归模型来建立的LAI模型方程。
LAI=-30.34-24.98NDVI+0.01RDVI+38.12MSAVI+2.40EVI
如图10所示,通过EVI以及Arcgis对研究区进行LAI可视化的分类分级填图。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明的保护范围,任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于植被指数融合的LAI定量模型建立的方法,其特征在于:包括以下步骤:
S1:研究区域影像预处理:获取研究区域的哨兵2号数据和研究区域的矢量文件,进行预处理,得到研究区域的精校正的影像数据;
S2:样区选取:依据步骤S1得到的研究区域影像数据,选取一定数量的作物样区作为样本点,样本划分为2/3样本集的训练样本和1/3样本集的测试样本;
S3:地面实测数据获取:使用手持LAI叶面积仪采集步骤S2中选取的每个作物样区的平均LAI值,作为实验的实测LAI值,并按2:1的比例进行数据划分;
S4:提取波段和多个植被指数:提取研究区域卫星影像的各个波段及植被指数;
S5:显著性分析:分析步骤S4中的波段和植被指数与步骤S3中的实测LAI值的显著性关系,筛选0.01极显著水平的波段和植被指数;
S6:利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行逐步多元线性回归建模并评定精度;
S7:利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行机器学习回归建模并评定精度;
S8:比较步骤S6和步骤S7中的模型精度,筛选较优LAI定量模型,并对研究区遥感影像进行LAI可视化填图。
2.根据权利要求1所述的一种基于植被指数融合的LAI定量模型建立的方法,其特征在于:所述步骤S6中逐步多元线性回归建模并评定精度包括以下步骤:
S61:将步骤S5中的0.01极显著的波段和植被指数作为自变量,步骤S3中的实测LAI值作为因变量,使用步骤S2中的训练样本集,以0.05显著水平为进入或删除自变量个数,以赤池信息准则为标准,筛选模型复杂度最优的LAI模型;
S62:基于步骤S2中的测试样本进行验证并评定精度。
3.根据权利要求1所述的一种基于植被指数融合的LAI定量模型建立的方法,其特征在于:所述步骤S7中机器学习回归建模并评定精度包括以下步骤:
S71:将步骤S5中的0.01极显著的波段和植被指数作为自变量,步骤S3中的实测LAI值作为因变量,使用步骤S2中的训练样本集,依据粒子群优化算法,获得研究区域的最佳惩罚系数C和gamma;
S72:以RBF高斯核进行SVM支持向量机回归以及BP神经网络回归分别建立模型;
S73:基于步骤S2中的测试样本进行验证并评定精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010001400.XA CN111126511B (zh) | 2020-01-02 | 2020-01-02 | 一种基于植被指数融合的lai定量模型建立的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010001400.XA CN111126511B (zh) | 2020-01-02 | 2020-01-02 | 一种基于植被指数融合的lai定量模型建立的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126511A CN111126511A (zh) | 2020-05-08 |
CN111126511B true CN111126511B (zh) | 2023-11-03 |
Family
ID=70507370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010001400.XA Active CN111126511B (zh) | 2020-01-02 | 2020-01-02 | 一种基于植被指数融合的lai定量模型建立的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126511B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898503B (zh) * | 2020-07-20 | 2021-02-26 | 中国农业科学院农业资源与农业区划研究所 | 基于云覆盖遥感影像和深度学习的作物识别方法和系统 |
CN112487879B (zh) * | 2020-08-05 | 2023-01-17 | 中国科学院空天信息创新研究院 | 一种基于数据增广和深度学习的玉米生长参数主被动遥感反演方法 |
CN112380980A (zh) * | 2020-11-12 | 2021-02-19 | 西南林业大学 | 一种人工龙竹林lai遥感估测最佳尺度选择方法 |
CN113340898B (zh) * | 2021-06-30 | 2023-05-30 | 福建师范大学 | 一种叶面积指数时空变化特征研究方法 |
CN116071644B (zh) * | 2022-12-20 | 2023-08-08 | 中化现代农业有限公司 | 逐日叶面积指数数据反演方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
CN109886962A (zh) * | 2019-03-27 | 2019-06-14 | 南京林业大学 | 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10410334B2 (en) * | 2017-05-12 | 2019-09-10 | Harris Lee Cohen | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform with a satellite data model |
-
2020
- 2020-01-02 CN CN202010001400.XA patent/CN111126511B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780079A (zh) * | 2016-11-28 | 2017-05-31 | 山东省农业可持续发展研究所 | 基于遥感数据的冬小麦不同生育期叶面积指数反演方法 |
CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
CN109886962A (zh) * | 2019-03-27 | 2019-06-14 | 南京林业大学 | 基于lai和多角度数据的植被覆盖与管理措施因子的遥感反演方法 |
Non-Patent Citations (1)
Title |
---|
基于植被指数比较的湿地区域LAI遥感估算研究;凌成星等;《中南林业科技大学学报》;20160622(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111126511A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126511B (zh) | 一种基于植被指数融合的lai定量模型建立的方法 | |
Li et al. | Spatio-temporal fusion for remote sensing data: An overview and new benchmark | |
CN108830312B (zh) | 一种基于样本自适应扩充的集成学习方法 | |
CN104820841B (zh) | 基于低阶互信息和光谱上下文波段选择的高光谱分类方法 | |
Zheng et al. | The desaturation method of DMSP/OLS nighttime light data based on vector data: Taking the rapidly urbanized China as an example | |
CN114694036A (zh) | 一种基于高分影像和机器学习的高海拔地区作物分类识别的方法 | |
Kuang et al. | A remote sensing monitoring method for alpine grasslands desertification in the eastern Qinghai-Tibetan Plateau | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
Parida et al. | Crop types discrimination and yield prediction using sentinel-2 data and AquaCrop model in hazaribagh district, Jharkhand | |
Zhao et al. | Cropland abandonment mapping at sub-pixel scales using crop phenological information and MODIS time-series images | |
Mellor et al. | Forest classification using random forests with multisource remote sensing and ancillary GIS data | |
CN113139717A (zh) | 作物苗情分级遥感监测方法及装置 | |
CN116844053A (zh) | 一种小麦种植区域识别方法、系统、电子设备及存储介质 | |
CN116011881A (zh) | 一种基于像元尺度的黑土农田生产力评价方法及系统 | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
Vagh | An investigation into the effect of stochastic annual rainfall on crop yields in South Western Australia | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
Lonare et al. | Village level identification of sugarcane in Sangali, Maharashtra using open source data | |
Mulyono et al. | Genetic algorithm based new sequence of principal component regression (GA-NSPCR) for feature selection and yield prediction using hyperspectral remote sensing data | |
Hu et al. | Estimation of wheat tiller density using remote sensing data and machine learning methods | |
Pluto-Kossakowska et al. | Automatic detection of dominant crop types in Poland based on satellite images | |
Tian et al. | From statistics to grids: A two-level model to simulate crop pattern dynamics | |
CN114220028B (zh) | 基于无人机高光谱影像和机器学习算法模型研发的珍稀树种识别方法 | |
Wang et al. | RETRACTED: Theoretical research on rice and wheat lodging detection based on artificial intelligence technology and a template matching algorithm | |
CN114821344B (zh) | 一种叶面积指数计算方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |