基于EnMAP卫星和深度神经网络的LAI遥感反演方法

发布时间：2023-05-11 03:05

　　区域叶面积指数(Leaf Area Index,LAI)定量反演是开展大尺度农作物长势监测和产量估算的重要基础。针对当前区域LAI遥感定量反演存在的反演精度不理想和模型稳定性弱等问题,提出了一种基于少量训练样本进行LAI高精度反演的深度神经网络(Small Simple Learning LAI-Net,SSLLAI-Net)。该网络由2个卷积层、1个池化层和3个全连接层构成,将光谱反射率数据作为网络输入端、输出端得到LAI反演值,且该网络模型可支持小样本数据量的训练。以德国阿尔卑斯山麓高光谱遥感卫星影像Environmental Mapping and Analysis Program(EnMAP)为数据源,以该区域的谷物、玉米、油菜、其他作物为研究对象,数值实验结果表明当各作物类别的训练样本量均为50时,基于SSLLAI-Net的LAI反演精度分别为0. 95、0. 99、0. 98、0. 90;且在添加噪声的情况下,各作物类别的LAI反演精度分别为0. 95、0. 98、0. 96、0. 89。综上,提出的基于深度神经网络的区域LAI遥感定量反演方法 SSLLAI-Net是鲁棒可...

【文章页数】：9 页

【文章目录】：
引言
1 材料与方法
    1.1 研究区与数据
    1.2 基于小样本深度学习网络SSLLAI-Net的叶面积指数反演方法
        1.2.1 深度神经网络的基本结构
        1.2.2 小样本深度学习网络SSLLAI-Net的结构及LAI反演流程
        1.2.3 网络验证
2 数值实验结果与分析
    2.1 基于EnMAP卫星高光谱数据的叶面积指数定量反演
    2.2 结果分析与对比
    2.3 深度神经网络的抗噪性分析
3 总结



本文编号：3814031