期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于Sentinel-2影像和机器学习算法的冬小麦秸秆覆盖度遥感估算 被引量：2
1
作者 朱奇磊 梁栋 +5 位作者 徐新刚 安晓飞 陈立平 杨贵军 黄林生 许思喆 《麦类作物学报》 CAS CSCD 北大核心 2023年第4期524-535,共12页
为探究大范围小麦秸秆覆盖度(CRC)估测方法,以冬小麦秸秆为研究对象,基于Sentinel-2遥感卫星影像光谱指数、波段和纹理特征及其不同特征组合,利用灰色关联-随机森林(GRA-RF)敏感特征提取方法,结合高斯过程(GPR)、套索(LASSO)、岭回归(RR... 为探究大范围小麦秸秆覆盖度(CRC)估测方法,以冬小麦秸秆为研究对象,基于Sentinel-2遥感卫星影像光谱指数、波段和纹理特征及其不同特征组合,利用灰色关联-随机森林(GRA-RF)敏感特征提取方法,结合高斯过程(GPR)、套索(LASSO)、岭回归(RR)和偏最小二乘(PLSR)等多种机器学习算法,开展小麦CRC估算的最优模型研究。结果表明,基于GRA-RF特征优选后的机器学习模型显著改善了小麦CRC的估算精度,LASSO算法总体对小麦CRC的估测效果最佳,并且针对不同的光谱特征组合表现出差异化的结果。其中,以光谱指数、波段和纹理信息构成的组合特征集构建的CRC遥感估算模型精度最优(r^(2)=0.65,RMSE=9.25%),以波段与纹理两者组合特征估算的CRC精度次之(r^(2)=0.63,RMSE=9.31%),仅利用单一的光谱指数、波段或者纹理特征估算冬小麦CRC的精度均劣于组合特征的结果。这说明应用GRA-RF组合筛选方法能够有效优选秸秆覆盖度的光谱特征;相比于单一特征,光谱指数、波段、纹理信息等构成的组合特征更能有效地监测小麦秸秆覆盖度。 展开更多
关键词 秸秆覆盖度 灰色关联分析-随机森林 机器学习算法 特征变量筛选
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部