1 School of Mathematical Sciences, Capital Normal University, Beijing00048, China
2 Key laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing100094, China
3 Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing100094, China
区域叶面积指数（Leaf Area Index, LAI）定量反演是开展大尺度农作物长势监测和产量估算的重要基础。针对当前区域LAI遥感定量反演存在的反演精度不理想和模型稳定性弱等问题，提出了一种基于少量训练样本进行LAI高精度反演的深度神经网络（Small Simple Learning LAI-Net, SSLLAI-Net）。该网络由2个卷积层、1个池化层和3个全连接层构成，将光谱反射率数据作为网络输入端、输出端得到LAI反演值，且该网络模型可支持小样本数据量的训练。以德国阿尔卑斯山麓高光谱遥感卫星影像Environmental Mapping and Analysis Program （EnMAP）为数据源，以该区域的谷物、玉米、油菜、其他作物为研究对象，数值实验结果表明当各作物类别的训练样本量均为50时，基于SSLLAI-Net的LAI反演精度分别为0.95、0.99、0.98、0.90；且在添加噪声的情况下，各作物类别的LAI反演精度分别为0.95、0.98、0.96、0.89。综上，提出的基于深度神经网络的区域LAI遥感定量反演方法SSLLAI-Net是鲁棒可靠的，且该模型能够支持稳定的小样本建模。
叶面积指数 高光谱遥感 深度神经网络 leaf area index （LAI） hyperspectral remote sensing EnMAP EnMAP deep neural network SSLLAI-Net SSLLAI-Net
1 西安科技大学测绘科学与技术学院, 陕西 西安 710054
2 国家农业信息化工程技术研究中心, 北京 100089
3 中国科学院遥感与数字地球研究所数字地球重点实验室, 北京 100094
小麦条锈病是影响我国小麦产量的主要病害之一, 在小麦受到条锈病菌侵染初期探测到病害信息, 对小麦条锈病的防控以及产量和品质的提高具有更为重要的意义。 反射率光谱主要反映植被生化组分的浓度信息, 而日光诱导叶绿素荧光则对植物光合生理变化响应灵敏。 为了更好地实现小麦条锈病病情严重度的遥感探测, 尤其是条锈病的早期探测, 对日光诱导叶绿素荧光和反射率光谱数据监测小麦条锈病病情严重度的敏感性进行了对比分析。 首先利用地物光谱仪测定了不同病情严重度的小麦冠层光谱数据, 基于夫琅和费暗线原理利用3FLD(three-band Fraunhofer Line Discrimination)方法提取了小麦条锈病不同病情严重度下的日光诱导叶绿素荧光数据, 然后分别利用反射率光谱数据和日光诱导叶绿素荧光数据构建小麦条锈病不同发病状态下的遥感探测模型, 并通过保留样本交叉检验方式对预测模型精度进行了评价。 结果表明: （1）当小麦条锈病病情指数低于20%时, 日光诱导叶绿素荧光对小麦条锈病病害信息的响应比反射率光谱数据更为敏感, 以日光诱导叶绿素荧光为自变量构建的小麦条锈病病情严重度预测模型达到了极显著性水平, 能够在植被叶绿素含量或叶面积指数发生变化之前探测到植物的胁迫状态, 实现作物病害的早期诊断, 而反射率光谱数据则难以探测到条锈病病害信息; （2）在小麦条锈病病情严重度处于中度发病(20%＜DI≤45%)状态时, 虽然日光诱导叶绿素荧光和反射率光谱数据均能实现小麦条锈病病情严重度的遥感探测, 但利用日光诱导叶绿素荧光数据构建的预测模型优于反射率光谱数据; （3）当小麦条锈病病情严重度达到重度水平(DI＞45%)时, 利用反射率光谱数据和日光诱导叶绿素荧光数据构建的小麦条锈病病情严重度预测模型均达到了极显著性水平, 两种数据均能够较好地实现小麦条锈病病情严重度的遥感探测。 该研究结果对提高小麦条锈病的遥感探测精度具有重要的意义, 为利用TanSat等卫星的荧光数据进行小麦条锈病的早期探测提供了参考依据。
小麦条锈病 日光诱导叶绿素荧光 植被指数 微分光谱 病情严重度 Wheat stripe rust 3FLD Three-band fraunhofer line discrimination Sun-induced chlorophyll fluorescence Vegetation index Differential spectrum Severity 光谱学与光谱分析
2019, 39(9): 2739
1 中国气象科学研究院, 北京100081
2 北京农业信息技术研究中心, 北京市农林科学院, 北京100097
对冬小麦冻害严重度的精确反演是及时采取补救措施降低损失的关键, 同时及时预测产量损失对政府职能部门也具有积极意义。 针对冬小麦冻害群体严重度评估方法在经典统计反演模型存在估算效果不理想的情况下, 以冬小麦为试验对象, 首先对冬小麦冠层光谱反射率数据进行重采样平滑处理, 再用主成分分析（PCA）技术对高光谱数据进行分析, 进一步实现综合原始光谱主成分信息作为自变量参与冬小麦冻害严重度反演过程, 最后采用决定系数R2、 均方根误差RMSE、 准确度Accuracy三种模型精度验证方法对模型进行评价。 结果显示, 基于主成分分析法建立冬小麦冻害严重度模型精度分别达0.697 5, 0.184 2和0.697 5; 同时对反演模型进行验证, 其精度也分别达到0.630 9, 0.350 3和1.339 6。 因此, 该方法能有效地对冬小麦冻害严重度进行快速、 精确的反演。
冬小麦冻害 高光谱 主成分分析（PCA） Winter wheat freeze injury stress Hyperspectral Principal component analysis (PCA) 光谱学与光谱分析
2014, 34(5): 1357
1 浙江大学 农业遥感与信息技术应用研究所, 浙江 杭州 310029
2 国家农业信息化工程技术研究中心, 北京 100097
针对叶面积指数(LAI)经典统计反演模型存在估算效果不理想以及反演效率低等问题, 提出了一种基于农学物候的数据分割与主成分分析结合的遥感估算方法.综合了原始光谱和微分(或差分)光谱主成分信息作为自变量, 融入了以农学物候为先验的数据分割思想, 并引入了多尺度建模方式参与反演过程.以冬小麦为实验对象, 进行数值模拟和比较分析.结果显示, 该方法既能有效地提高整体估算精度, 又能显著地改善数据饱和问题, 且在全样本遍历时体现了稳定鲁棒性.
主成分分析(PCA) 农学物候 数据分割 多尺度建模 叶面积指数(LAI) principal component analysis(PCA) phenology data segmentation multi-scale modeling leaf area index(LAI)
