-
题名基于高光谱遥感的叶片总初级生产力GPP反演
被引量：2
- 1
-
-
作者
邵佩佩
柴如珲
林志恒
方圣辉
-
机构
武汉大学遥感信息工程学院
-
出处
《中国农业大学学报》
CAS
CSCD
北大核心
2018年第8期109-117,共9页
-
基金
国家863项目(2013AA102401)
-
文摘
为探究利用高光谱植被指数反演叶片总初级生产力(GPP)的模型,以湖北省武汉大学试验田油菜和小麦叶片高光谱反射率和光照强度(PARin)为数据源,利用7种植被指数与PARin的乘积分别反演2种植被叶片GPP,构建线性及非线性回归模型,并对模型进行验证。结果表明:1)从油菜生理特点出发,需要分生育期建模。在选择的7种植被指数中,花期SR构建的一次模型效果最优,建模和验模R2分别为0.80和0.82,RMSE不超过2.85g/(m^2·d);荚果期选择CIred edge和MTCI为优选模型,建模和验模R2为0.84和0.72,RMSE<3.91g/(m^2·d);全时期基于红边波段的CIred edge、MTCI为优选模型,建模集R2达到0.80,RMSE<3.67g/(m^2·d),验模R2达到0.65,RMSE<3.92g/(m^2·d);2)小麦中NDVI模型效果最优,建模集R2=0.59,RMSE=2.80g/(m^2·d),验模R2=0.67,RMSE=3.39g/(m^2·d)。将油菜与小麦做对比,基于红边波段的植被指数CIred edge和MTCI对2种植被差异不敏感,R2为0.72~0.73,表明CIred edge和MTCI模型可以用于小麦和油菜叶片GPP的统一反演。
-
关键词
高光谱
植被指数
总初级生产力
油菜
小麦
回归模型
-
Keywords
hyper-spectrum
vegetation index
gross primary productivity
rape
wheat
regression model
-
分类号
S51
[农业科学—作物学]
-
-
题名训练样本数量对高光谱影像分类精度影响研究
被引量：1
- 2
-
-
作者
柴如珲
-
机构
武汉大学
-
出处
《科学技术创新》
2017年第19期6-8,共3页
-
文摘
高光谱影像的分类中存在Hughes现象,随着维数的提高,所需要的样本数量也越来越多,因此训练样本数量的增加会使分类精度得到一定提高。本文利用AVIRIS高光谱影像数据,在标准训练样本集的基础上选取5%、10%和30%三种样本数量,分别在主成分分析、等距特征映射和拉普拉斯特征映射3种降维方法,及最大似然、人工神经元网络和支持向量机3种典型的分类方法的组合下进行了监督分类实验,分析了训练样本数量对高光谱影像总体分类精度的影响。结果表明:训练样本数量的增加在一定程度上能够提高高光谱影像的分类精度,但在不同的降维方法和分类方法上表现有一定差异,相对而言主成分分析法和支持向量机法的分类精度对样本量的增加更加敏感,且在相同的降维方法下支持向量机法的分类精度最高。
-
关键词
训练样本
高光谱影像
监督分类
总体精度
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
