结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演

发布时间：2021-07-26 11:46

　　针对PRO-4SAIL辐射传输模型耦合BP神经网络反演叶绿素时存在过拟合、预测精度低的问题,本文以研究区内实测的高光谱数据和模拟光谱数据为数据源,在模拟样本数据构成的训练集中添加部分实测样本数据,构建BP神经网络叶绿素反演模型,然后利用剩余的实测数据进行模型验证与精度评定。结果表明:向训练集中加入少量实测数据,可以解决叶绿素反演模型过拟合的问题,叶绿素含量的预测精度得到提升,实现准确的反演路域植被信息,为路域环境植被环境遥感监测评价提供一定的技术支持。 

【文章来源】：测绘通报. 2020,(03)北大核心CSCD

【文章页数】：4 页

【部分图文】：

试验2

固定PRO-4SAIL模型中其他参数不变，通过改变叶绿素含量(30～60，步长3)进行敏感性分析，最后得到不同叶绿素对应的冠层反射率光谱(如图1所示)。由图1可知，叶绿素并非对各个波段均有影响，只在400～800 nm波段影响较为明显，且随着叶绿素含量的增加反射率降低。其他波段对植被的反射率几乎没有影响。其中550 nm波长附近有一个叶绿素的强反射峰区，由于绿色植物在太阳光射入叶子时会吸收红光和一部分近红外光用于光合作用[13-15]，随着叶绿素浓度的增加，光合作用增强，吸收率增强，反射率减少。叶绿素对红光和近红外波段影响最大，而且研究区域为植被发育中期，因此本文使用归一化植被指数NDVI，表达式为

试验1

【参考文献】：
期刊论文
[1]基于BP神经网络渤海湾表层叶绿素浓度反演方法探讨[J]. 张雪,郑小慎.  海洋技术学报. 2018(06)
[2]一种组合反演叶面积指数的方法[J]. 朱佳明,郭云开,刘海洋,蒋明.  测绘科学. 2019(01)
[3]光谱指数的植物叶片叶绿素含量估算模型[J]. 李哲,张飞,陈丽华,张海威.  光谱学与光谱分析. 2018(05)
[4]利用PRO4SAIL与支持向量机回归的组合模型反演植被等效水厚度[J]. 李丹娜,郭云开,朱善宽,刘宁,刘磊,蒋明.  测绘通报. 2017(08)
[5]水稻高光谱变化特征与叶绿素含量监测研究[J]. 刘芬,屈成,肖楠,陈光辉,唐文帮,王悦.  激光生物学报. 2017(04)
[6]基于神经网络的马尾松叶绿素含量高光谱估算模型[J]. 刘文雅,潘洁.  应用生态学报. 2017(04)
[7]应用高光谱植被指数反演冬小麦叶绿素含量的光谱指标敏感性研究[J]. 田静国,王树东,张立福,马超,张霞.  科学技术与工程. 2016(15)
[8]路域植被叶绿素多光谱遥感定量反演研究[J]. 郭云开,张进会.  测绘通报. 2014(12)
[9]利用PROSPECT+SAIL模型反演植物生化参数的植被指数优化模拟[J]. 吴伶,刘湘南,周博天,刘川浩,李露锋.  应用生态学报. 2012(12)

博士论文
[1]遥感提取植被生化组分信息方法与模型研究[D]. 颜春燕.中国科学院研究生院（遥感应用研究所） 2003

硕士论文
[1]基于几何光谱一体化的植株叶绿素反演研究[D]. 肖洁.武汉大学 2018
[2]基于PROSAIL模型的半干旱区春小麦生理生态参数反演[D]. 葛丽娟.兰州大学 2018



本文编号：3303507