基于BP神经网络的夏玉米多生育期叶面积指数反演研究

叶面积指数（Leaf Area Index,LAI）是生物地球化学循环中重要的植被结构参数。针对目前基于我国GF-1 WFV卫星影像的夏玉米多生育期LAI反演研究较少的问题,基于不同隐含层构建BP神经网络模型（BP1模型和BP2模型）,对比分析BP1模型、BP2模型和6种统计模型（NDVI、RVI、DVI、EVI、SAVI、ARVI）反演之间的精度差异,并根据实测数据绘制BP1模型和BP2模型的夏玉米多生育期LAI动态变化图。结果表明:LAI与6种常用的统计模型均有良好相关性,其中NDVI指数方程式回归模型拟合度最优;BP神经网络模型整体R ²略小于统计模型,而RMSE则小于统计模型,取得了与实测值差异更小的结果,统计模型与BP神经网络模型各有优劣之处;BP2模型在R ²和RMSE均优于BP1模型,能获得更为精确的反演值,BP2整体预测精度更高;基于BP神经网络模拟夏玉米生育期反演,LAI值呈现缓慢升高—快速增长—逐渐减小的S型变化过程,基本符合作物生长规律。该研究结合不同隐含层建立的BP神经网络模型,为GF-1卫星在作物叶面积指数多生育期反演的应用推广提供了方法支撑。     

基于ENVISAT/ASAR的神经网络反演人工林叶面积指数研究

对我国西北黑河地区的人工林,进行了基于ENVISAT/ASAR数据构造神经网络的反演杨树林叶面积指数研究。首先,分析了白杨树林、沙枣树林的叶面积指数(LAI)与ENVISAT/ASAR不同极化后向散射系数的相关关系,研究表明人工林的空间分布均一性是影响雷达后向散射和LAI关系的首要因素,其次,不同的入射角对后向散射也具有明显的差异。基于上述分析,通过神经网络算法,利用不同时相、不同入射角的ENVISAT/ASAR雷达影像对白杨树林LAI进行了反演研究,对验证样本、训练样本、所有样本实测值与预测值进行了比较验证,其决定系数R²分别为0.61\,0.91和0.82,表明基于ENVISAT/ASAR雷达数据利用神经网络算法反演人工林叶面积指数的可行性。     

基于模拟退火算法的BP神经网络模型估算高分辨率叶面积指数

卫星遥感技术的快速发展使得获取全球大范围叶面积指数成为可能,但基于现有的算法和数据估算高分辨率LAI的精度还需要提高。针对农作物、草地和林地等3种典型地表类型,选取地面观测数据较多的4个研究区,包括3个各地类用于建模验证的研究区与一个用于适用性验证的独立研究区,针对4个研究区,分别获取地面测量数据以及对应的30 m空间分辨率地表反射率数据。在3个主要研究区建立并比较了NDVI植被指数经验模型、BP神经网络模型和基于模拟退火算法的BP神经网络模型,利用地面实测数据对模型进行验证。结果表明：在研究所选的3个主要研究区,基于模拟退火算法的BP神经网络模型的估算精度比BP神经网络模型和NDVI经验模型的估算精度高,农田、草地和林地站点估算结果的决定系数分别为0.899、0.858和0.863,BP神经网络模型的估算结果决定系数分别为：0.763、0.710和0.742,NDVI经验模型的精度最差,其估算结果的决定系数分别为0.622、0.536和0.637。为了验证SA-BP神经网络的适用性,选取独立研究区进行验证,结果显示验证精度较高,R²为0.842,RMSE为0.689 5,说明该模型外推能力较好。研究证明了基于模拟退火算法的BP神经网络模型提高了模型泛化能力,有效防止了BP神经网络模型滑入局部最小值,是提高高空间分辨率LAI估算精度的有效手段。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数（Vegetation Index,VI）,利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58;RMSE为0.16~0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58,RMSE=0.16）;6种植被指数与LAI高度相关,相关性系数R ²为0.85~0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R2为0.66~0.72,RMSE为0.12~0.14;其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72,RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段，以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象，利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段，并以此计算6种植被指数（Vegetation Index,VI），利用6种回归模型分别对单一特征波段和VI进行反演建模，以实测LAI评定模型精度。研究表明，光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感，以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58；RMSE为0.16~0.18，其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58，RMSE=0.16）；6种植被指数与LAI高度相关，相关性系数R ²为0.85~0.86，以此建立的反演模型相比单一特征波段反演模型精度有所提高，R2为0.66~0.72，RMSE为0.12~0.14；其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72，RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段，为指导精细化尺度作物管理提供依据。     

Retrieval Rice Leaf Area Index Using Random Forest Algorithm based on GF-1 WFV Remote Sensing Data

Leaf Area Index(LAI) is an important indicator of vegetation growth and reflects the productivity of farmland ecosystems.In this study,rice LAI was mapping using LAI retrieved model based on rice vegetation indexes from multi\|temporal GF\|1 WFV and situ LAI measurements data obtained in different rice growing periods over rice fields taking Dongtai county,Jiangsu province as a case study.The LAI retrieval model was constructed using random forest algorithm(RF).Results showed that the RF model achieved high accuracy that the RMSE was 1.03 and the coefficients of determination(R²) between retrieved LAI and measured LAI reached 0.88.The mean relative error between retrieved LAI and measured LAI in different growing periods was 15%.The trend of rice LAI could be reflected by the retrieved value and GF\|1 WFV data has high ability to distinguish the waters and road network in study area.     

联合无人机激光雷达和高光谱数据反演玉米叶面积指数

叶面积指数（Leaf Area Index,LAI）是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detection and Ranging,LiDAR）和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归（Partial Least Square Regression,PLSR）和随机森林（Random Forest,RF）回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m2,研究发现最高的点密度（420 points/m2）并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获...     

Reprocessing the MODIS Leaf Area Index products for land surface and climate modelling

Land surface and climate modelling requires continuous and consistent Leaf Area Index (LAI). High spatiotemporal resolution and long-time record data are more in demand nowadays and will continue to be in the future. MODIS LAI products meet these requirements to some degree. However, due to the presence of cloud and seasonal snow cover, the instrument problems and the uncertainties of retrieval algorithm, the current MODIS LAI products are spatially and temporally discontinuous and inconsistent, which limits their application in land surface and climate modelling. To improve the MODIS LAI products on a global scale, we considered the characteristics of the MODIS LAI data and made the best use of quality control (QC) information, and developed an integrated two-step method to derive the improved MODIS LAI products effectively and efficiently on a global scale. First, we used the modified temporal spatial filter (mTSF) method taking advantage of background values and QC information at each pixel to do a simple data assimilation for relatively low quality data. Then we applied the post processing-TIMESAT (A software package to analyze time-series of satellite sensor data) Savitzky-Golay (SG) filter to get the final result. We implemented the method to 10 years of the MODIS Collection 5 LAI data. In comparison with the LAI reference maps and the MODIS LAI data, our results showed that the improved MODIS LAI data are closer to the LAI reference maps in magnitude and also more continuous and consistent in both time-series and spatial domains. In addition, simple statistics were used to evaluate the differences between the MODIS LAI and the improved MODIS LAI.     

西南地区不同山地环境梯度叶面积指数遥感反演

叶面积指数(LAI)遥感估算是植被定量遥感研究的热点之一,监测植被LAI时空变化对于研究陆地生态系统碳循环及全球变化等具有非常重要的意义。在我国西南山区设置10个50km×50km的观测样区作为研究区,其中包括5个森林生态系统样区、3个农田生态系统样区和2个草地生态系统样区。分别获取不同优势植被类型LAI地面实测数据,结合同期获取的遥感数据,考虑地形因素影响,基于偏最小二乘原理分别构建各样区LAI遥感估算模型,并采用交叉验证的方式对模型精度进行评价。结果表明:考虑了海拔、坡度和坡向等地形因子的森林LAI遥感反演模型与未考虑地形变量的模型相比,其验证精度有所提高,R2由0.30~0.75提高至0.50~0.80,RMSE由0.52~0.93m2/m2降低至0.48~0.89m2/m2;所有样区优势植被类型LAI反演模型验证R2在0.40~0.80之间,RMSE在0.22~0.89m2/m2之间。发展的LAI遥感估算方法有助于认知山地植被LAI反演的地形效应问题,可为进一步的山地植被长势监测提供科学依据。     

基于TM遥感数据的西藏林芝地区叶面积指数反演

叶面积指数(LAI)是分析冠层结构最常用的参数之一,它控制着植被的生物、物理过程,如光合、呼吸、蒸腾、碳循环和降水截获等。但是通过野外实测获取大面积的LAI比较困难,通过对西藏林芝地区的TM遥感数据进行处理获取各种植被指数,然后分别与实测LAI建立相应的回归关系,并对不同的回归模型进行分析找出相关性较好、误差较低的回归模型,最后利用该模型对林芝地区的叶面积指数进行制图。通过植被指数与实测LAI进行回归分析建立LAI估算模型,其决定系数最高为R²=0.653,具有较好的相关性。研究结果表明:TM遥感数据可以实现林芝区域LAI估算,能为生态环境研究提供数据支持。     

生态系统模型模拟中国叶面积指数变化趋势及驱动因子的不确定性

为了厘清中国近30 a来植被生长趋势及其对不同环境变化的响应,使用了3套长时间序列遥感叶面积指数（Leaf area index, LAI）数据集以及8套生态系统模型,对LAI变化趋势从总量、空间分布以及不同植被类型进行了分析与归因。总量上,1982~2015年遥感观测的LAI趋势（9.8×10^-3m²/m²·a）高于生态系统模型模拟的趋势（4.2×10^-3m²/m²·a）,大气二氧化碳浓度上升是主要驱动因素（（3.5×10^-3m²/m²·a）;遥感观测到全国79.5%的区域LAI都呈现显著增长的趋势,而生态系统模型模拟LAI的增长面积占比为33.1%;除草地外,生态系统模型低估了其他植被类型的LAI变化趋势。模型对降雨变化的响应过于敏感以及对人为活动模拟能力不足是模型模拟中国LAI变化趋势不确定性的重要来源。本研究定量分析了近30 a中国各种植被变化情况及其驱动因子,并对模型低估中国植被生长进行了解释,为后续中国地区植被相关研究提供了参考。     

面向遥感叶面积指数产品的地形校正研究

地形校正是提高复杂地形区地表参数遥感定量化反演精度的重要手段。当前广泛应用的遥感叶面积指数产品（Leaf Area Index, LAI）多具有一定的地形误差,减少地形影响、提升其产品精度有着非常重要的意义。以我国江西省千烟洲地区为研究区域,利用地面实测LAI数据、LandsatTM数据和高程数据等,基于高程标准差和GLOBMAP LAI产品值的关系,建立面向叶面积指数产品的地形校正模型,利用这一模型对GLOBMAP LAI产品进行地形校正。结果表明：校正后的LAI与地面实测数据更为接近,LAI产品与地面测量值的RMSE由2.11下降到2.04;校正后LAI产品的标准差由2.08下降至1.69,LAI产品的地形误差得到了较好的改正。该方法较好地完成了LAI产品的地形校正,进一步提高了产品精度,具有一定的实用价值。     

基于BP神经网络的水库优化调度

在阐述神经网络基本原理及其改进的基础上,提出了建立水库优化调度函数的神经网络模型,利用该模型建立了水库优化调度函数。通过实例计算表明,模型计算结果基本能反映水库调度的实际情况,符合水库调度的规律,表明所建立的调度函数是合理可靠的;BP神经网络由于其较强的数据处理和映射功能,能准确地反映水库运行要素之间的复杂的非线性关系,所建立的水库调度函数适合于指导水库的调度运行。     

基于BP神经网络的农村用电量预测的研究

农村用电量预测是县级供电部门的重要工作之一，其受国民生产总值和上年度用电量的影响，具有一定的随机性。利用BP神经网络建立了农村用电量预测模型。通过应用实例分析表明，预测结果和实际结果有很好的一致性。     

我国叶面积指数卫星遥感产品生产及验证

利用卫星遥感生产叶面积指数（Leaf area index： LAI）产品并进行真实性检验是植被定量遥感的一项重要研究内容。过去10 a,我国研究人员利用MODIS或AVHRR观测数据生产了GLOBALBNU, GLASS, GLOBMAP,MuSyQ和FSGOM等数套全球和全国LAI产品,受到了国内外的广泛关注和应用。在产品生产的同时,我国学者也广泛开展了LAI产品在全球和区域尺度的真实性检验研究工作。本文总结了我国LAI卫星产品生产和验证研究工作的现状和趋势。近年来,我国在本领域相关的理论、技术和方法研究方面取得了全面进展,LAI产品精度和连续性已与国外先进水平相当,但仍然存在数据源单一且依赖国外、算法不确定性不清、生产不连续以及缺乏充分验证等问题,客观上影响了LAI产品应用的广度及深度。未来应充分利用新的卫星数据特别是国产数据,加强遥感机理模型、反演算法以及应用的创新研究,生产具有特色的高质量LAI产品,满足地球系统科学的研究需求。同时,应加强LAI验证基础设施建设,发掘利用更广泛的验证站点,同时增进国际合作,加强产品的推广使用,在与用户的互动交流反馈中进一步提高产品的市场。随着我国对相关研究投入的增加,可以预期未来20 a将是我国LAI遥感产品及验证研究由“跟跑”国际先进水平向“并跑”乃至“领跑”过渡的机遇期。     

基于多级BP神经网络的无线电罗盘多故障诊断研究

为了快速准确诊断出无线电罗盘多故障模块,针对诊断过程中的过拟合现象提出了基于提前停止法的学习率可变BP算法,并运用多级BP神经网络诊断思想,得出基于多级BP神经网络的多故障诊断方法;文中根据多级BP神经网络的多故障诊断方法,对具体的机载无线电罗盘测向电路建模仿真,将复杂的无线电罗盘电路分解为3个子网络,并对每个子网络建立合适的故障集,按顺序依次诊断得出无线电罗盘电路中的故障模块;此方法可快速准确定位电路中的多处故障模块,准确率较高且缩短了诊断时间.     

基于BP与RBF神经网络经济预测模型的研究

该文结合经济预测理论和BP神经网络算法和RBF神经网络的特点,研究浙江省基于BP神经网络算法和RBF神经网络算法的人工神经网络的经济增长预测.实证研究数据结果表明,人工神经网络具有较好的预测精度,但是各种神经网络进行经济增长预测的数据不一样,有些误差非常大.人工神经网络可以为宏观经济部门决策提供很好的参考依据.     

基于BP神经网络的专家系统体系结构

针对传统专家系统知识获取的“瓶颈问题”,利用BP神经网络于知识获取的长处,将BP神经网络和专家系统有机的结合。阐述了BP神经网络专家系统的基本原理,给出基于BP神经网络的专家系统体系结构。     

基于BP神经网络的BBS上帖子回复数预测

建立BP神经网络模型,以中华网社区上实际数据为原始数据样本,对网络进行训练后,对帖子的回复数进行预测,并计算预测值和实际值的误差。实验结果表明,该模型预测精度高,收敛速度快。     

基于数据机理的植被叶面积指数遥感反演研究

定量获取地表植被高精度时序及空间覆盖的叶面积指数（Leaf Area Index, LAI）是生态监测及农业生产应用的重要研究内容。通过使用Moderate Resolution Imaging Spectroradiometer（MODIS）植被冠层多角度观测MOD09GA数据及叶面积指数MOD15A2数据,发展了一种参数化的叶面积指数遥感反演方法并完成了必要的检验分析。研究使用基于辐射传输理论的RossThick LiSparse Reciprocal（RTLSR）核驱动模型及Scattering by Arbitrarily Inclined Leaves with Hotspot（SAILH）模型进行植被冠层辐射特征的提取,使用Anisotropic Index （ANIX）异质性指数作为指示植被冠层二向反射分布Bidirectional Reflectance Distribution Function（BRDF）的辅助特征信息,发展了基于数据机理（Data-Based Mechanistic, DBM）的植被叶面积指数建模和估算方法。通过必要的林地、农作物、草地植被实验区反演及数值分析可得知：①时间序列多角度遥感观测数据结合数据机理的叶面积指数估算方法,可实现模型参数的时序动态更新,改进叶面积指数估算结果的时序完整性及精度。②异质性指数可以用做指示植被冠层二向反射分布特征信息,可降低因观测数据几何条件差异所导致的反演结果不确定情况,同时能够补充植被时序生长过程表现的植被结构变化等动态特征。经研究实践,可将算法应用于时空尺度的叶面积指数估算,并能够为生态、农业应用提供植被的高精度遥感监测指标。