针对高光谱数据众多波段间的多重共线性导致的维数灾难问题,为提升葡萄叶面积指数(leaf area index,LAI)的估算精度,提出一种基于敏感波段选择的长短时记忆神经网络(long short term memory,LSTM)估算模型。首先,采用无信息变量消除算法...针对高光谱数据众多波段间的多重共线性导致的维数灾难问题,为提升葡萄叶面积指数(leaf area index,LAI)的估算精度,提出一种基于敏感波段选择的长短时记忆神经网络(long short term memory,LSTM)估算模型。首先,采用无信息变量消除算法(uninformative variable elimination,UVE)剔除无关信息,以消除光谱波段间的多重共线性,降低光谱维度,提取葡萄LAI敏感波段;其次,采用TensorFlow深度学习框架构建LSTM神经网络模型。应用于陕西泾阳葡萄冠层光谱的LAI估算。结果表明:利用敏感波段构建的LSTM模型各项指标均优于偏最小二乘和支持向量机,其决定系数(R~2)、均方根误差(RMSE)和希尔不等系数(TIC)分别为0.963 5、0.074 5和0.025 4;基于原始光谱的LSTM模型的R~2、RMSE和TIC分别为0.881 0、0.117 0和0.039 8。UVE波段优选能够提升LSTM神经网络模型估算葡萄LAI的精度,对其他作物理化参量反演具有一定的指导意义。展开更多
采用傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy,FT-IR)仪结合衰减全反射(Attenuated Total Reflection,ATR)附件采集石斛茎部(近根部)横断面的中红外光谱,原始光谱经标准正态变换(Standard Normal Variate,SNV)和均...采用傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy,FT-IR)仪结合衰减全反射(Attenuated Total Reflection,ATR)附件采集石斛茎部(近根部)横断面的中红外光谱,原始光谱经标准正态变换(Standard Normal Variate,SNV)和均值中心化(Mean Center,MNCN)预处理后,采用偏最小二乘法判别分析法(Partial Least Squares Discriminant Analysis,PLSDA)建立两种石斛的鉴别模型。结果显示,全谱PLSDA方法所建模型校正集、校正集交叉验证和预测识别率分别为96.25%、92.69%和91.82%。采用无信息变量消除法(Uninformative Variable Elimination,UVE)优选敏感波长后,建立PLSDA模型的准确性更高,校正集、校正集交叉验证和预测集识别正确率分别达到了99.28%、95.72%和95.02%。展开更多
文摘针对高光谱数据众多波段间的多重共线性导致的维数灾难问题,为提升葡萄叶面积指数(leaf area index,LAI)的估算精度,提出一种基于敏感波段选择的长短时记忆神经网络(long short term memory,LSTM)估算模型。首先,采用无信息变量消除算法(uninformative variable elimination,UVE)剔除无关信息,以消除光谱波段间的多重共线性,降低光谱维度,提取葡萄LAI敏感波段;其次,采用TensorFlow深度学习框架构建LSTM神经网络模型。应用于陕西泾阳葡萄冠层光谱的LAI估算。结果表明:利用敏感波段构建的LSTM模型各项指标均优于偏最小二乘和支持向量机,其决定系数(R~2)、均方根误差(RMSE)和希尔不等系数(TIC)分别为0.963 5、0.074 5和0.025 4;基于原始光谱的LSTM模型的R~2、RMSE和TIC分别为0.881 0、0.117 0和0.039 8。UVE波段优选能够提升LSTM神经网络模型估算葡萄LAI的精度,对其他作物理化参量反演具有一定的指导意义。
基金National Nature Science Foundation of China(61127015,61605176)The Key Program for International S&T Cooperation Projects of China(2012DFA10680,2013DFR10150)The Youth S&T Research Fund of Shanxi Province of China(2013021028-1)
文摘采用傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy,FT-IR)仪结合衰减全反射(Attenuated Total Reflection,ATR)附件采集石斛茎部(近根部)横断面的中红外光谱,原始光谱经标准正态变换(Standard Normal Variate,SNV)和均值中心化(Mean Center,MNCN)预处理后,采用偏最小二乘法判别分析法(Partial Least Squares Discriminant Analysis,PLSDA)建立两种石斛的鉴别模型。结果显示,全谱PLSDA方法所建模型校正集、校正集交叉验证和预测识别率分别为96.25%、92.69%和91.82%。采用无信息变量消除法(Uninformative Variable Elimination,UVE)优选敏感波长后,建立PLSDA模型的准确性更高,校正集、校正集交叉验证和预测集识别正确率分别达到了99.28%、95.72%和95.02%。
