BP神经网络在环青海湖地区天然草地估产研究中的应用
发布时间：2021-01-16 15:02
为构建一种对不同草地类型与时期的天然草场高精度产草量估测模型,快速获取环青海湖区域月际产草量数据、减少数据处理和反复建模过程中的工作量,本试验基于高分卫星影像数据,以草地类型、植被指数及实测草场产草量为训练样本,构建了环青海湖地区天然牧草产草量神经网络预估模型。结果显示:以2-6-1为构架的人工神经网络模型,目标误差、学习次数设定为0.003,800时,产草量模型预测值与实测值呈高度相关(R2=0.743,RMSE=58.531 g·m-2),达到实际估产需求,证明本文人工神经网络模型对环青海湖区域天然牧草产草量估测的可行性与适用性。
【文章来源】：草地学报. 2020,28(05)北大核心
【文章页数】：9 页
【图文】：
环青海湖区域样地分布图
挑取无云影、积水及积雪覆盖的图像,共获取遥感影像97景。本研究利用ENVI5.3中,Apply Gain和Offset工具,进行辐射定标;利用FLAASH Atmospheric Correction工具,进行大气校正;利用内置的DEM,通过Geometric Correction/Orthorectification/RPC Orthorectification工具,重采样选择三次卷积法(Cubic Covolution),进行正射校正[22];利用Geometric Correction/Registration/Image Registration Workflow,结合14处野外实验中的特殊点,作为控制点进行图像配准;利用Gram-Schmidt(GS)法进行图像融合[23],在Gram-Schmidt Pan Sharpening工具中,重采样仍为Cubic Covolution,Method for Low Resolution Pan挑选Create By Sensor Type,Resampling挑选Nearesi Neighbor,均方根误差低于1个像元;利用Basic/Subset/Data via ROIs,进行图像的镶嵌与剪裁。经预处理,环青海湖区域8月份中下旬高分影像预处理成果如图2。天然草地信息提取选择支持向量机分类法(Support Vector Machine Classification,SVM)[24],利用ENVI5.3中Classification工具,对照环湖区域草地类型图,参考Google Earth 1 m分辨率影像,利用屏幕交互式训练区划分方法[25],确定天然草地典型光谱特征。结合外业抽样调查数据和人工目视解译结果[26],提取天然草地影像信息,海晏县8月份天然草地提取成果如图3。
天然草地信息提取选择支持向量机分类法(Support Vector Machine Classification,SVM)[24],利用ENVI5.3中Classification工具,对照环湖区域草地类型图,参考Google Earth 1 m分辨率影像,利用屏幕交互式训练区划分方法[25],确定天然草地典型光谱特征。结合外业抽样调查数据和人工目视解译结果[26],提取天然草地影像信息,海晏县8月份天然草地提取成果如图3。1.2.3 植被指数计算
【参考文献】：
期刊论文
[1]基于人工神经网络模型优化的研究及应用[J]. 何坚强. 电子质量. 2020(02)
[2]神经网络规则优化建模与应用[J]. 陈丽芳,冯力静,刘保相. 计算机工程与科学. 2019(12)
[3]合作市山地草甸草场植被盖度、产草量及养分含量动态研究[J]. 俞联平,李昀,李新媛,陈兴荣,俞慧云,才让吉,王学良,吴昌顺,杜笑村,王银花. 中国草食动物科学. 2019(05)
[4]基于改进最大值法合成NDVI的夏玉米物候期遥感监测[J]. 李艳,张成才,罗蔚然,郜文江. 农业工程学报. 2019(14)
[5]高分遥感在自然资源调查中的应用综述[J]. 陈玲,贾佳,王海庆. 国土资源遥感. 2019(01)
[6]基于MODIS波段的蒙东地区春季植被枯落层盖度研究[J]. 乐涛,张慧,李广宇,仇洁,裴文明,燕守广. 科技通报. 2018(10)
[7]枯黄期草原火灾精细化风险预测[J]. 哈斯塔木嘎. 中国农学通报. 2018(25)
[8]面向对象方法的复杂地形区地表覆盖信息提取[J]. 贾伟,高小红,杨灵玉,史飞飞,何林华. 兰州大学学报(自然科学版). 2018(04)
[9]三江源地区高寒草地地上生物量时空动态变化[J]. 杨淑霞,冯琦胜,孟宝平,高金龙,葛静,梁天刚. 草业科学. 2018(05)
[10]3种模型在GF-2影像的生物量估测中的比较[J]. 徐梦伶,林辉,孙华,严恩萍,周普良. 中南林业科技大学学报. 2018(01)
博士论文
[1]内蒙古草地生产力时空分析及产草量遥感估算和预测[D]. 刘海新.山东科技大学 2019
[2]牧区“水-土-草-畜”平衡调控模式与方法研究[D]. 鹿海员.中国水利水电科学研究院 2017
[3]内蒙古草原火灾监测预警及评价研究[D]. 都瓦拉.中国农业科学院 2012
硕士论文
[1]基于高分二号遥感数据的树种精细分类技术研究[D]. 刘金丽.北京林业大学 2019
[2]青藏高原草地生长季地表反照率时空变化及其驱动力分析[D]. 陈超男.河南大学 2019
[3]基于高分一号卫星影像的冬小麦种植面积提取方法研究[D]. 韩林果.河南大学 2019
[4]基于高光谱和高分一号卫星影像的冬小麦叶绿素遥感反演[D]. 王婷婷.西北农林科技大学 2019
[5]基于多源遥感数据中国东北地区积雪覆盖度监测研究[D]. 吴桐.吉林大学 2019
[6]基于WOFOST模型与无人机图像同化的小麦产量估测[D]. 周彤.扬州大学 2019
[7]基于神经网络的牧户尺度草地产草量监测研究[D]. 伊博力.内蒙古师范大学 2018
[8]基于GF-1遥感影像的农作物面积提取方法研究[D]. 李杰.昆明理工大学 2018
[9]基于LM-BP神经网络的煤炭地下气化选址决策探讨[D]. 傅振斌.中国矿业大学 2017
[10]基于BP人工神经网络的烟熏香肠多元品质预测研究[D]. 陈炎.合肥工业大学 2017
本文编号：2981035
【文章来源】：草地学报. 2020,28(05)北大核心
【文章页数】：9 页
【图文】：
环青海湖区域样地分布图
挑取无云影、积水及积雪覆盖的图像,共获取遥感影像97景。本研究利用ENVI5.3中,Apply Gain和Offset工具,进行辐射定标;利用FLAASH Atmospheric Correction工具,进行大气校正;利用内置的DEM,通过Geometric Correction/Orthorectification/RPC Orthorectification工具,重采样选择三次卷积法(Cubic Covolution),进行正射校正[22];利用Geometric Correction/Registration/Image Registration Workflow,结合14处野外实验中的特殊点,作为控制点进行图像配准;利用Gram-Schmidt(GS)法进行图像融合[23],在Gram-Schmidt Pan Sharpening工具中,重采样仍为Cubic Covolution,Method for Low Resolution Pan挑选Create By Sensor Type,Resampling挑选Nearesi Neighbor,均方根误差低于1个像元;利用Basic/Subset/Data via ROIs,进行图像的镶嵌与剪裁。经预处理,环青海湖区域8月份中下旬高分影像预处理成果如图2。天然草地信息提取选择支持向量机分类法(Support Vector Machine Classification,SVM)[24],利用ENVI5.3中Classification工具,对照环湖区域草地类型图,参考Google Earth 1 m分辨率影像,利用屏幕交互式训练区划分方法[25],确定天然草地典型光谱特征。结合外业抽样调查数据和人工目视解译结果[26],提取天然草地影像信息,海晏县8月份天然草地提取成果如图3。
天然草地信息提取选择支持向量机分类法(Support Vector Machine Classification,SVM)[24],利用ENVI5.3中Classification工具,对照环湖区域草地类型图,参考Google Earth 1 m分辨率影像,利用屏幕交互式训练区划分方法[25],确定天然草地典型光谱特征。结合外业抽样调查数据和人工目视解译结果[26],提取天然草地影像信息,海晏县8月份天然草地提取成果如图3。1.2.3 植被指数计算
【参考文献】：
期刊论文
[1]基于人工神经网络模型优化的研究及应用[J]. 何坚强. 电子质量. 2020(02)
[2]神经网络规则优化建模与应用[J]. 陈丽芳,冯力静,刘保相. 计算机工程与科学. 2019(12)
[3]合作市山地草甸草场植被盖度、产草量及养分含量动态研究[J]. 俞联平,李昀,李新媛,陈兴荣,俞慧云,才让吉,王学良,吴昌顺,杜笑村,王银花. 中国草食动物科学. 2019(05)
[4]基于改进最大值法合成NDVI的夏玉米物候期遥感监测[J]. 李艳,张成才,罗蔚然,郜文江. 农业工程学报. 2019(14)
[5]高分遥感在自然资源调查中的应用综述[J]. 陈玲,贾佳,王海庆. 国土资源遥感. 2019(01)
[6]基于MODIS波段的蒙东地区春季植被枯落层盖度研究[J]. 乐涛,张慧,李广宇,仇洁,裴文明,燕守广. 科技通报. 2018(10)
[7]枯黄期草原火灾精细化风险预测[J]. 哈斯塔木嘎. 中国农学通报. 2018(25)
[8]面向对象方法的复杂地形区地表覆盖信息提取[J]. 贾伟,高小红,杨灵玉,史飞飞,何林华. 兰州大学学报(自然科学版). 2018(04)
[9]三江源地区高寒草地地上生物量时空动态变化[J]. 杨淑霞,冯琦胜,孟宝平,高金龙,葛静,梁天刚. 草业科学. 2018(05)
[10]3种模型在GF-2影像的生物量估测中的比较[J]. 徐梦伶,林辉,孙华,严恩萍,周普良. 中南林业科技大学学报. 2018(01)
博士论文
[1]内蒙古草地生产力时空分析及产草量遥感估算和预测[D]. 刘海新.山东科技大学 2019
[2]牧区“水-土-草-畜”平衡调控模式与方法研究[D]. 鹿海员.中国水利水电科学研究院 2017
[3]内蒙古草原火灾监测预警及评价研究[D]. 都瓦拉.中国农业科学院 2012
硕士论文
[1]基于高分二号遥感数据的树种精细分类技术研究[D]. 刘金丽.北京林业大学 2019
[2]青藏高原草地生长季地表反照率时空变化及其驱动力分析[D]. 陈超男.河南大学 2019
[3]基于高分一号卫星影像的冬小麦种植面积提取方法研究[D]. 韩林果.河南大学 2019
[4]基于高光谱和高分一号卫星影像的冬小麦叶绿素遥感反演[D]. 王婷婷.西北农林科技大学 2019
[5]基于多源遥感数据中国东北地区积雪覆盖度监测研究[D]. 吴桐.吉林大学 2019
[6]基于WOFOST模型与无人机图像同化的小麦产量估测[D]. 周彤.扬州大学 2019
[7]基于神经网络的牧户尺度草地产草量监测研究[D]. 伊博力.内蒙古师范大学 2018
[8]基于GF-1遥感影像的农作物面积提取方法研究[D]. 李杰.昆明理工大学 2018
[9]基于LM-BP神经网络的煤炭地下气化选址决策探讨[D]. 傅振斌.中国矿业大学 2017
[10]基于BP人工神经网络的烟熏香肠多元品质预测研究[D]. 陈炎.合肥工业大学 2017
本文编号：2981035
本文链接：https://www.wllwen.com/yixuelunwen/dongwuyixue/2981035.html
