植被叶面积指数kNN优化方法反演研究
发布时间：2021-04-27 09:29
叶面积指数（Leaf Area Index,LAI）是评价植物生长发育和健康状况的重要指标。快速、准确地获取植被叶面积指数是评估荒漠化区域植被生长状况和固碳能力的重要前提。荒漠化区域植被稀疏、地域广袤,传统人工调查获取叶面积指数的方式费时耗力;遥感影像结合地面调查样地构建叶面积指数反演模型可以弥补传统调查方式的不足。变量筛选方法和反演模型的选择是叶面积指数遥感反演的关键。因此,选择合适的特征变量筛选方法,对现有遥感反演模型进行改进,提高模型的估计精度和工作效率,对荒漠化区域叶面积指数遥感反演具有重要意义。研究以张掖市甘州区为研究区,利用分层随机抽样得到455个大小为30m×30m的样地,利用叶面积指数地面实测数据,结合Landsat 8 OLI遥感影像提取影像特征变量,采用线性逐步回归法和随机森林法进行特征变量筛选。研究提出随机森林优化kNN模型对传统的叶面积指数反演方法进行改进,利用两种特征变量筛选方法得到的变量组合分别构建反演模型对叶面积指数进行估测和空间分布制图。为了验证优化方法的有效性,同时构建多元线性逐步回归（Multiple linear stepwise regressi...
【文章来源】：中南林业科技大学湖南省
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景
1.2 研究目的与意义
1.3 国内外研究现状
1.3.1 传统叶面积指数估测研究进展
1.3.2 叶面积指数遥感估测研究进展
1.3.3 存在的问题
1.4 课题来源
1.5 研究方案与技术路线
1.5.1 研究内容
1.5.2 技术路线
2 研究区概况
3 数据获取与处理
3.1 遥感影像获取与影像预处理
3.1.1 Landsat 8影像获取
3.1.2 Landsat 8影像预处理
3.2 抽样设计与样地数据采集
3.2.1 抽样设计
3.2.2 样地数据采集
3.2.3 样地数据处理
4 叶面积指数建模变量提取及筛选
4.1 特征变量提取
4.2 相关性分析
4.3 特征变量选择
4.3.1 线性逐步回归法
4.3.2 随机森林法
4.4 模型精度评价指标
4.5 小结
5 荒漠化区域植被叶面积指数非参数反演模型
5.1 非参数反演模型
5.1.1 支持向量机模型
5.1.2 随机森林模型
5.1.3 普通kNN模型
5.2 非参数反演模型结果比较
5.2.1 模型精度比较
5.2.2 空间分布评价
5.3 小结
6 荒漠化区域植被叶面积指数非参数优化反演模型
6.1 非参数反演优化模型
6.1.1 距离加权kNN模型
6.1.2 随机森林优化kNN模型
6.2 非参数反演优化模型结果比较
6.2.1 模型精度比较
6.2.2 空间分布评价
6.3 随机森林优化kNN模型适用性评价
6.4 小结
7 结论与讨论
7.1 结论
7.2 创新点
7.3 讨论
参考文献
附录 攻读学位期间的主要学术成果
致谢
【参考文献】：
期刊论文
[1]融合多光谱与SAR影像的地物分类研究[J]. 李雪欣,马保东,张嵩,陈玉腾,吴立新. 测绘与空间地理信息. 2019(12)
[2]干旱区Landsat8全色与多光谱数据融合算法评价[J]. 杨丽萍,马孟,谢巍,潘雪萍. 国土资源遥感. 2019(04)
[3]卫星遥感及图像处理平台发展[J]. 赵忠明,高连如,陈东,岳安志,陈静波,刘东升,杨健,孟瑜. 中国图象图形学报. 2019(12)
[4]2000―2018年黄河源植被叶面积指数时空变化特征[J]. 韩思淇,麻泽龙,庄文化,鲁恒,刘铁刚,申军. 灌溉排水学报. 2019(12)
[5]中国区域MuSyQ叶面积指数产品验证与分析[J]. 马培培,李静,柳钦火,何彬彬,赵静. 遥感学报. 2019(06)
[6]甘肃河西地区荒漠化土地光谱特征研究[J]. 魏怀东,李亚,张勃,李菁菁,丁峰,陈芳. 光谱学与光谱分析. 2019(11)
[7]中国海洋卫星遥感技术进展[J]. 林明森,何贤强,贾永君,白雁,叶小敏,龚芳. 海洋学报. 2019(10)
[8]基于方差优化k最近邻法的森林蓄积量估测[J]. 蒋馥根,孙华,ZHAO Feng,林辉,龙江平. 森林与环境学报. 2019(05)
[9]中高分辨率遥感影像在林业中的应用现状及存在的问题[J]. 陈柏海. 河南农业. 2019(26)
[10]基于Sentinel-2多光谱数据的棉花叶面积指数估算[J]. 易秋香. 农业工程学报. 2019(16)
硕士论文
[1]基于叶面积指数的内蒙古四子王旗荒漠草原植被动态分析[D]. 王雅鑫.内蒙古师范大学 2019
[2]“3S”技术在森林资源二类调查中的应用[D]. 胡卫东.中南林业科技大学 2018
[3]基于机载LiDAR和多光谱遥感的作物LAI反演方法研究[D]. 陈洪.石河子大学 2018
[4]基于无人机多光谱遥感的玉米叶面积指数监测方法研究[D]. 王亚杰.西北农林科技大学 2018
[5]基于机载LiDAR反演森林参数的研究[D]. 霍达.东北林业大学 2015
[6]叶面积指数反演方法的普适性研究[D]. 谢巧云.安徽大学 2014
[7]基于激光雷达和合成孔径雷达资料的森林参数反演研究[D]. 别强.兰州大学 2013
本文编号：3163219
【文章来源】：中南林业科技大学湖南省
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景
1.2 研究目的与意义
1.3 国内外研究现状
1.3.1 传统叶面积指数估测研究进展
1.3.2 叶面积指数遥感估测研究进展
1.3.3 存在的问题
1.4 课题来源
1.5 研究方案与技术路线
1.5.1 研究内容
1.5.2 技术路线
2 研究区概况
3 数据获取与处理
3.1 遥感影像获取与影像预处理
3.1.1 Landsat 8影像获取
3.1.2 Landsat 8影像预处理
3.2 抽样设计与样地数据采集
3.2.1 抽样设计
3.2.2 样地数据采集
3.2.3 样地数据处理
4 叶面积指数建模变量提取及筛选
4.1 特征变量提取
4.2 相关性分析
4.3 特征变量选择
4.3.1 线性逐步回归法
4.3.2 随机森林法
4.4 模型精度评价指标
4.5 小结
5 荒漠化区域植被叶面积指数非参数反演模型
5.1 非参数反演模型
5.1.1 支持向量机模型
5.1.2 随机森林模型
5.1.3 普通kNN模型
5.2 非参数反演模型结果比较
5.2.1 模型精度比较
5.2.2 空间分布评价
5.3 小结
6 荒漠化区域植被叶面积指数非参数优化反演模型
6.1 非参数反演优化模型
6.1.1 距离加权kNN模型
6.1.2 随机森林优化kNN模型
6.2 非参数反演优化模型结果比较
6.2.1 模型精度比较
6.2.2 空间分布评价
6.3 随机森林优化kNN模型适用性评价
6.4 小结
7 结论与讨论
7.1 结论
7.2 创新点
7.3 讨论
参考文献
附录 攻读学位期间的主要学术成果
致谢
【参考文献】：
期刊论文
[1]融合多光谱与SAR影像的地物分类研究[J]. 李雪欣,马保东,张嵩,陈玉腾,吴立新. 测绘与空间地理信息. 2019(12)
[2]干旱区Landsat8全色与多光谱数据融合算法评价[J]. 杨丽萍,马孟,谢巍,潘雪萍. 国土资源遥感. 2019(04)
[3]卫星遥感及图像处理平台发展[J]. 赵忠明,高连如,陈东,岳安志,陈静波,刘东升,杨健,孟瑜. 中国图象图形学报. 2019(12)
[4]2000―2018年黄河源植被叶面积指数时空变化特征[J]. 韩思淇,麻泽龙,庄文化,鲁恒,刘铁刚,申军. 灌溉排水学报. 2019(12)
[5]中国区域MuSyQ叶面积指数产品验证与分析[J]. 马培培,李静,柳钦火,何彬彬,赵静. 遥感学报. 2019(06)
[6]甘肃河西地区荒漠化土地光谱特征研究[J]. 魏怀东,李亚,张勃,李菁菁,丁峰,陈芳. 光谱学与光谱分析. 2019(11)
[7]中国海洋卫星遥感技术进展[J]. 林明森,何贤强,贾永君,白雁,叶小敏,龚芳. 海洋学报. 2019(10)
[8]基于方差优化k最近邻法的森林蓄积量估测[J]. 蒋馥根,孙华,ZHAO Feng,林辉,龙江平. 森林与环境学报. 2019(05)
[9]中高分辨率遥感影像在林业中的应用现状及存在的问题[J]. 陈柏海. 河南农业. 2019(26)
[10]基于Sentinel-2多光谱数据的棉花叶面积指数估算[J]. 易秋香. 农业工程学报. 2019(16)
硕士论文
[1]基于叶面积指数的内蒙古四子王旗荒漠草原植被动态分析[D]. 王雅鑫.内蒙古师范大学 2019
[2]“3S”技术在森林资源二类调查中的应用[D]. 胡卫东.中南林业科技大学 2018
[3]基于机载LiDAR和多光谱遥感的作物LAI反演方法研究[D]. 陈洪.石河子大学 2018
[4]基于无人机多光谱遥感的玉米叶面积指数监测方法研究[D]. 王亚杰.西北农林科技大学 2018
[5]基于机载LiDAR反演森林参数的研究[D]. 霍达.东北林业大学 2015
[6]叶面积指数反演方法的普适性研究[D]. 谢巧云.安徽大学 2014
[7]基于激光雷达和合成孔径雷达资料的森林参数反演研究[D]. 别强.兰州大学 2013
本文编号：3163219
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3163219.html
