遥感探测小麦条锈病严重度的GBRT模型研究

为了提高小样本数据模型的稳定性,构建具有更高精度和鲁棒性的小麦条锈病遥感探测模型。首先基于辐亮度和反射率荧光指数方法提取了冠层日光诱导叶绿素荧光（SIF）数据,然后结合对小麦条锈病病情严重度敏感的反射率光谱指数并基于改进的分类与回归树（CART）——梯度提升回归树（GBRT）算法,构建了融合反射率和冠层SIF数据的小麦条锈病遥感探测的GBRT模型,并将其与CART及多元线性回归（MLR）模型进行比较。结果表明：①反射率导数荧光指数D705/D722、短波红外谷反射率和反射率比值荧光指数R740/R800是影响遥感探测小麦条锈病严重度精度的主控因素,其中SIF数据的重要性值高于反射率光谱数据,冠层SIF能够比反射率光谱更加敏感地反映小麦条锈病害信息;②GBRT模型病情指数（DI）预测值和实测值间的均方根误差（RMSE）比CART和MLR模型分别减小了15.50%和13.49%,决定系数（R²）分别提高了6.16%和11.57%,GBRT模型估测DI值更接近于实测值,且估测结果波动小,鲁棒性高;CART模型在小样本数据中易将不同特征的数据集划分为同一特征的子集,预测结果波动较大;MLR模型的预测结果相对比较稳定,但其预测精度较低。     

基于719 nm水汽吸收波段的日光诱导叶绿素荧光反演研究

日光诱导叶绿素荧光(SIF)是一种植物光合作用直接探测新方法。目前O_2-A和O_2-B吸收线波段的叶绿素荧光填充效应被广泛应用于探测近红外(760 nm)和红光波段(687 nm)的植被冠层SIF信号。SIF光谱范围为650～800 nm,虽然水吸收波段(719 nm)介于叶绿素荧光发射峰值690 nm和740 nm之间,且具备较强的光谱吸收特征,但该水汽吸收光谱特征尚未应用于冠层SIF探测,因此,基于模型模拟和野外实验观测数据,使用夫琅禾费暗线SIF反演法,评价了基于719 nm波段水吸收波段的SIF反演潜力,其中野外光谱数据采用ASD FieldSpec Pro便携式地物光谱仪(3 nm分辨率)测量。首先,利用FLD、3FLD、iFLD等3种经典的SIF反演方法,检验和对比分析了719水汽吸收波段的SIF反演性能,结果表明使用水吸收线比使用O_2-B吸收线表现更优,反演RMSE为0.154 W/m~2/μm/sr。其次,定量计算了水汽和氧气吸收波段SIF反演的敏感度和不确定性,结果表明,719水汽吸收波段与O_2-B吸收线相比,其吸收线内外的反射率和荧光比值估算误差对SIF反演误差的贡献更小,但是显大于比02-A波段。最后,利用野外多角度和日变化观测实验数据,检验和分析了三个大气吸收波段的SIF反演结果,发现719 nm水吸收波段的冠层SIF与O_2-A和O_2-B氧气吸收波段具有相似的角度变化和日变化特征,表现为后视和热点方向的SIF高、前视和暗点方向的SIF低,以及中午SIF高、早晚SIF低。研究表明利用719 nm波段的水汽吸收波段的光谱信息,可以准确反演近地面冠层SIF信号,研究结果为近地面冠层SIF观测提供了一个新的波段。     

基于荧光光谱的空间高等植物叶绿素含量测量技术

开展高等植物光合作用过程参数的实时检测技术研究,对于深入开展空间生物学效应具有重要意义。作为光合作用重要参数的高等植物叶绿素含量与其荧光光谱具有较好的相关性,为此,可以通过探测分析植物荧光光谱,建立其与叶绿素的相关性模型,间接表征其中的叶绿素含量。介绍一种新的建模方法即支持向量机（SVM）,通过实验验证,方法预测叶绿素含量是可行的,相对于一般采用的线性回归法具有更好的预测效果和更高的测量精度。     

基于反射光谱的PCA及BP神经网络法预测甘蔗叶片叶绿素含量

叶绿素是植物进行光合作用的重要色素,叶绿素含量可以作为评价植物生长状况的重要参数。本研究基于甘蔗叶片的反射光谱,利用PCA及BP神经网络算法,建立了甘蔗叶片的叶绿素含量预测模型。PCA算法可以在尽可能少地丢失有用光谱信息的前提下,降低输入光谱矩阵的维数,最大限度地减少冗余信息。BP神经网络算法因其良好的非线性逼近能力可大大提高该模型的预测精度。研究发现：基于PCA和BP算法建立的叶绿素含量预测模型,其预测值与实测值之间的R2达0.8929,表明该模型具有较高的预测能力。     

支持向量机用于酚类化合物毒性的QSAR研究

从分子结构出发,计算25个酚类化合物的分子连接性指数及分子的价连接性指数,用线性逐步回归方法建立4参数的最佳方程,以此4参数作为输入参数,将留一法(L00)应用到BP网络、径向基函数(RBF)神经网络,及新颖的机器学习方法支持向量机,建立酚类化合物预测黑呆头鱼毒性的QSAR模型.应用非线性SVM法建立的预测模型结果,优于BP网络和RBF网络,SVM、BP、RBF模型预测的相关系数分别为0.959,0.940和0.945,令人满意.     

基于迭代误差补偿的核极端学习机模型在短期电力负荷预测中的应用

针对BP神经网络方法制约短期电力负荷预测精度的问题,提出一种基于迭代误差补偿的核极端学习机(KELM-IEC)预测模型。首先,建立短期电力负荷预测模型的输入指标体系,选择月份、日期、星期、周数、是否为节假日、日平均气温、前一日的最大负荷量等影响电力负荷的7个因素作为预测模型的输入;其次,基于新型神经网络模型--核极端学习机(KELM),建立负荷预测模型,引入支持向量机(SVM)的核函数映射作为极端学习机(ELM)的隐含层节点映射,有效结合ELM结构简单、训练简便与SVM泛化能力强的优势,提高负荷预测精度;最后,基于时间序列预测中迭代误差补偿(IEC)技术,建立IEC模型,再次利用KELM对负荷预测模型的预测误差进行学习,从而对预测结果进行补偿和修正,进一步减小模型预测误差,提高预测性能。采用两组实际电力负荷数据进行仿真实验,其中,KELM-IEC模型与BP神经网络模型相比,平均绝对百分误差(MAPE)分别降低了74.39%和34.73%,最大绝对误差(ME)分别降低了58.34%和39.58%;同时与KELM模型相比,平均绝对百分误差分别降低了18.60%和4.29%,最大绝对误差分别降低了0.08%和11.21%,说明误差补偿策略的必要性。实验结果表明,KELM-IEC预测模型能够有效地提高短期电力负荷预测的精度,有利于改善电力系统的计划、运营和管理,保障生产和生活用电,提高经济效益和社会效益。     

基于SVM的加工番茄细菌性斑点病氮素含量反演

氮素是作物需要最大量的营养元素,严重影响作物的生长发育和产量品质。高光谱遥感对氮素含量进行反演,具有快速、低耗及非损伤性等优势。提出了一种多光谱指数和SVM模型相结合的方法,选取不同生育期和不同病害严重度的加工番茄细菌性斑点病的病叶,同时测定病叶的氮素含量。通过相关分析、线性回归的绝对系数R2和F值,优选了光谱指数PSSRb、ND705、GMI-2和PTBSc,作为SVM模型的输入变量,反演氮素含量和不确定性分析。结果表明:SVM模型反演氮素含量的真实值与预测值的相关系数为0.849,均方误差MSE为0.012,平均相对误差为0.007。与单光谱指数PSSRb和GMI-2构建的指数模型比较,SVM模型的预测能力更强,真实值与预测值拟合方程的绝对系数R2最大(R2=0.720)。说明多光谱指数的SVM模型,提高了加工番茄细菌性斑点病氮素含量的反演精度,同时为多波段协同反演氮素含量提供了新的思路。     

玉米叶片花青素相对含量高光谱遥感反演

针对传统植物叶片色素测量存在的问题,提出了一种采用高光谱遥感技术反演玉米叶片花青素相对含量的方法。以含花青素的玉米叶片为对象,获取玉米叶片的花青素相对含量及高光谱反射率,分析350～1 000nm波段范围内玉米叶片的反射光谱特征,建立基于敏感波段、已有光谱指数、新光谱指数的玉米叶片花青素相对含量反演模型,并进行分析、比较。结果表明,玉米叶片花青素相对含量的敏感波段为548nm;新光谱指数为521和698nm组成的比值指数(RI(521,698))、554和704nm组成的差值指数(DI(554,704))、557和701nm组成的归一化指数(NI(557,701))。基于RI(521,698)建立的一元线性和一元二次模型及DI(554,704)建立的一元二次模型的拟合R2均大于0.78,预测R2均大于或等于0.73,RMSE小于0.12,是进行玉米叶片花青素相对含量高光谱遥感反演的最优模型,说明在一定的精度范围内,新光谱指数具有无损反演玉米叶片花青素相对含量的潜力。     

玉米叶片花青素相对含量高光谱遥感反演

针对传统植物叶片色素测量存在的问题|提出了一种采用高光谱遥感技术反演玉米叶片花青素相对含量的方法。以含花青素的玉米叶片为对象|获取玉米叶片的花青素相对含量及高光谱反射率|分析350～1 000 nm波段范围内玉米叶片的反射光谱特征|建立基于敏感波段、已有光谱指数、新光谱指数的玉米叶片花青素相对含量反演模型|并进行分析、比较。结果表明|玉米叶片花青素相对含量的敏感波段为548 nm；新光谱指数为521和698 nm组成的比值指数（RI(521,698)）、554和704 nm组成的差值指数（DI(554,704)）、557和701 nm组成的归一化指数（NI(557,701)）。基于RI(521,698)建立的一元线性和一元二次模型及DI(554,704)建立的一元二次模型的拟合R2均大于0.78|预测R2均大于或等于0.73|RMSE小于0.12|是进行玉米叶片花青素相对含量高光谱遥感反演的最优模型|说明在一定的精度范围内|新光谱指数具有无损反演玉米叶片花青素相对含量的潜力。     

多源数据小麦条锈病预测研究

小麦条锈病是导致小麦大规模减产的气传性病害,其传播扩散过程受多种因素影响,常用的作物病害气象预测模型难以准确模拟。为实现小麦条锈病发病率的精准预测,提出一种基于气象和遥感数据建立的SEIR-StripeRust动态预测模型。以甘肃省陇南地区为研究区,首先基于气象数据和MODIS遥感数据分别构建气象因子和植被指数,然后与发病率进行相关性分析筛选敏感因子并耦合基本感染率,进而建立SEIR-StripeRust模型,最后采用后向传播神经网络（BPNN）、支持向量回归（SVR）和多元线性回归（MLR）模型对比验证SEIR-StripeRust模型的有效性。结果表明：平均气温、相对湿度和归一化植被指数与小麦条锈病发病率显著相关,其建立的SEIR-StripeRust模型预测精度最高,决定系数R² 达到0.79,均方根误差RMSE为0.10,平均绝对误差MAE为0.09,均优于相同特征变量下的BPNN、SVR和MLR模型。研究结果表明SEIR-StripeRust模型能够有效预测小麦条锈病发病率,并为县域尺度的小麦条锈病预测和精确防控提供技术支持。     

基于模拟退火算法的植被参数遥感反演

提出了基于模拟退火( SA, Simulated Annealing ) 算法的植被参数( 叶面积指数和叶绿素含量) 反演方案。该方案以冠层反射率模型( SAIL, Scat tering by Arbit rarily Inclined Leav es) 作为正向模型, 分别以Bo ltzman 模拟退火( BSA , Bolt zman Simulated Annealing) 、快速模拟退火( FSA,Fast Simulated Annealing ) 、极快速模拟再退火( VFSA, Very Fast Simulated Anneal ing ) 算法为优化方法, 并采用模型输出的光谱反射率和观测的光谱反射率的残差平方和作为目标函数。模拟反演结果表明: ①模拟退火算法能够跳出局部最优, 得到全局最优解; ②极快速模拟再退火算法在时间效率和反演精度上都优于Bo ltzman 模拟退火和快速模拟退火;③ 在给定的光谱数据没有误差的情况下, 利用模拟退火算法反演SAIL 模型, 能够得到高精度的叶面积指数和叶绿素含量。     

高光谱技术提取不同作物叶片类胡萝卜素信息

以棉花、玉米、大豆、甘薯四种作物为材料，各采集叶片30张(处于不同部位、不同功能期)，分别测定其反射光谱和叶绿素、类胡萝卜素含量。目的在于探讨利用高光谱技术提取类胡萝卜素信息的可行性方法。结果表明，由于叶绿素与类胡萝卜素间存在显的相关性，在叶片水平，利用高光谱反射率估测叶片类胡萝卜素绝对量是可行的。与类胡萝卜素／叶绿素比值或类胡萝卜素含量相比，类胡萝卜素密度(单位叶片面积类胡萝卜素总量，Cardens)与光谱反射率间的相关性更为稳定。类胡萝卜素光谱吸收峰(470nm)附近的反射光谱与Cardens间的相关性较差，基于类胡萝卜素吸收峰附近反射光谱的光谱指数(如PSSRc、PSNDc)与Cardens间也表现出较弱的相关性。叶绿素光谱指数(如SR705、ND705)与Cardens间存在良好的相关性，红边光谱区的微分光谱、包络线归一化吸收深度等高光谱指数与Cardens间也表现出了良好的相关性。     

基于粒子群优化的Wv-SVM燃气负荷预测

针对传统预测模型精度不高的问题,提出基于小波核支持向量机的复合预测模型。采用小波分析提取燃气负荷相关的特征值,通过粒子群优化算法确定小波核支持向量机的参数,利用支持向量机(SVM)解决非线性回归和时间序列问题。实验结果证明,该预测模型的预测精度比BP神经网络和传统高斯核SVM高。     

全球日光诱导叶绿素荧光卫星遥感产品研究进展与展望

卫星反演的日光诱导叶绿素荧光（Solar-Induced chlorophyll Fluorescence, SIF）是全球植被生产力遥感监测的理想工具。现有的诸多大气成分探测卫星的高光谱载荷可以满足卫星平台SIF遥感探测的需求,中国和欧洲也计划发射专门的SIF卫星探测器。国内外学者生产了一系列全球SIF卫星遥感产品,并开展了SIF产品时空尺度扩展研究,为SIF应用研究提供了丰富的数据源,但现有的全球SIF产品仍然存在诸多局限性。系统梳理了现有和计划发射的SIF卫星载荷、目前公开发布的SIF卫星遥感产品、以及SIF时空尺度扩展产品,并从应用需求的角度出发,总结了现有全球SIF产品存在的问题和后续SIF卫星探测计划的发展方向,为现有SIF卫星产品的应用以及未来SIF探测卫星载荷方案的设计提供参考。     

多源日光诱导叶绿素荧光产品在中国地区的一致性研究

日光诱导叶绿素荧光(Sun-Induced Chlorophyll Fluorescence,SIF)是表征植被光合的有效探针.基于不同卫星遥感衍生的各种SIF产品已被广泛应用,然而,不同产品在中国区域表现及一致性仍不明晰.以中国生态系统光谱观测网络(ChinaSpec)农田站SIF观测数据为参考评估CSIF、GOSI...     

陆地生态系统碳监测卫星远红波段叶绿素荧光反演算法设计

太阳诱导叶绿素荧光(Solar-Induced Chlorophyll Fluorescence,SIF)是陆表植被在自然光照条件下进行光合作用时释放的一种光信号。SIF携带有重要的光合作用信息,通过卫星遥感的方法探测区域—全球SIF信号为大尺度植被光合作用监测打开了新世界的大门。我国预计于2020年前后发射的陆地生态系统碳卫星(陆碳卫星)将搭载超光谱分辨率载荷,有望成为全球范围内第一个针对陆表植被SIF进行专门观测的卫星传感器。数据驱动算法是陆碳卫星远红波段SIF反演的主算法,作为一种半经验算法,需结合传感器指标进行参数优化。依据陆碳卫星超光谱载荷的设计指标,基于仿真数据进行了端对端反演模拟,讨论了不同潜在反演窗口下SIF反演的精度(精密度与准确度),确定了不同反演窗口所需的主成分个数(n_v),分析了不同反演窗口内反演精度对荧光波形函数(h_F)的敏感性。结果表明:随着反演窗口的拓宽,SIF反演的精密度(鲁棒性)提升,但准确度下降,且对n_v及h_F的敏感性增强。综合考虑各因素,确定了735～758 nm作为陆碳卫星远红波段SIF反演的主窗口,同时n_v取6,h_F设置为单峰高斯函数(μ=740 nm,σ=30 nm)。基于近地表和航空遥感数据的SIF反演结果验证了所设计算法的可行性和合理性。研究结果将为陆碳卫星升空后SIF的反演及产品发布提供重要参考。     

基于光谱分析的长江口湿地互花米草叶片叶绿素含量反演研究

互花米草是我国滨海湿地主要入侵植物之一,对当地生态系统产生深远影响,其叶绿素含量信息是湿地生态系统关键生态功能定量化研究的重要基础数据。以长江口崇明东滩湿地为研究区,以实测互花米草叶片光谱反射率和总叶绿素含量为数据源,在400~1 000nm范围内研究原始光谱反射率和一阶导数光谱反射率的比值形式(RVI)与归一化差值形式(NDVI)组合,与叶绿素含量的相关性分析,并构建叶绿素含量估算模型。结果表明:基于原始光谱反射率的RVI和NDVI植被指数形式所构建的模型的精度最高,均方根误差RMSE分别达到0.24和0.25;一阶导数光谱反射率因噪声影响较大,其估算效果不佳;从模型所入选波段来看,红边波段在互花米草叶绿素含量估算中尤为重要。     

基于GA-BP神经网络的配电网工程造价预测

为了解决前馈(BP)神经网络在配电网工程建设工程造价预测时,容易陷入局部极小而导致预测精度降低的问题,提出了一种GA-BP神经网络的配电网工程造价预测模型。模型试算与分析结果表明:除了个别样本数据外,GA-BP模型预测数据的相对误差小于BP模型预测数据的相对误差。其中,GA-BP模型的预测数据的相对误差整体最小,BP模型的相对误差整体最大,BP整体的相对误差要稍小于GA-BP。GA-BP和BP的模型平均相对误差数值更小,GA-BP模型的平均相对误差最小,说明该模型的预测稳定性最强。此外,GA-BP和BP的模型稳定性和预测的精度上都要优于GA-BP和BP。其中,GA-BP的预测模型最好,BP预测模型最差。该基于GA-BP神经网络的配电网工程造价预测模型为提高配电网工程造价预测精度提供了一定的理论基础。     

基于深度学习的城市轨道交通短时客流量预测

我国城市轨道交通已进入快速发展期,准确预测城轨交通短时客流量,对于城轨运营安全、运营效率及运营成本具有重要意义.城轨交通短时客流量由于具有强随机性、周期性、相关性及非线性的特征,浅层模型的预测精度并不理想.对此,基于深度信念网络(DBN)和支持向量回归机(SVM),提出城轨交通短时客流深层预测模型(DBN-P/GSVM),同时基于遗传算法(GA)和粒子群算法(PSO)实现SVM的参数寻优.最后,对成都地铁火车北站客流量预测进行实例分析.结果表明,DBN-P/GSVM深度预测模型在均方误差、均方根误差、绝对误差均值及绝对百分比误差均值等方面均优于浅层模型——GA-SVM模型、PSO-SVM模型和BP神经网络模型,以及深层模型长短期记忆网络(LSTM)与LSTM-Softmax.     

秋季太湖叶绿素a浓度荧光反演研究

基于2007年11~12月太湖全湖实测水质参数和光谱数据,首先利用高斯方程对遥感反射率进行过滤分解,找出叶绿素a(chl\|a)吸收峰675 nm以后的荧光反射峰(Fluorescence Peak:FP),再以662 nm处的反射率为基准,采用归一化荧光高度法进行叶绿素a浓度(C chl-a)反演,得到chl-a反演模型。基于高斯分解获取的chl-a的荧光反射峰值R(FP)与662 nm处的反射率R (662)比值［R(FP)/R(662)］与C chl-a之间存在显著的相关性,该模型为秋季太湖水体C chl-a的最佳反演模型。在高悬浮泥沙条件下,该模型能够较好地表示出叶绿素荧光高度与叶绿素浓度之间的关系,为C chl-a反演提供新的方法和依据,并为传感器敏感波段的选取和设置提供参考。