论文部分内容阅读
叶面积指数(Leaf Area Index,LAI)定义为单位地表面积上植被单面叶片的总面积,它是植被冠层结构的一个关键参数,决定着作物的许多生物物理过程,诸如植被光合、呼吸、蒸腾和碳循环等生态过程。作物生长的动态信息、生物量和产量与LAI密切相关,LAI也是作物生长模型、生物地球化学模型和陆面过程模型中的关键输入参数。遥感技术具有监测范围广、低成本和无损监测的优势,被广泛应用于作物理化参量反演。葡萄LAI的遥感监测能够增强葡萄长势定量评价的客观性和准确性,为掌握葡萄生长动态信息、及时采取科学的管理措施(如水肥管理)提供科学依据。LAI遥感反演是定量遥感研究的热点,高光谱遥感的出现极大提升了植被理化参量定量反演精度。高光谱遥感能在非常窄的光谱波段内获取信息,其丰富的光谱信息使得大尺度、无损的估测农作物LAI成为可能。高光谱数据虽然能够提供大量的有效信息,但在LAI定量反演过程中仍存在诸多挑战。高光谱数据LAI定量反演主要存在以下问题:第一,传统的机器学习算法被广泛应用于LAI反演,然而传统机器学习算法为浅层结构算法,对复杂的回归问题处理具有一定的局限性,其泛化能力受到一定制约。第二,作物LAI的反演目前主要是利用单一指标,仅利用了高光谱数据的有限信息,并未综合利用多指标的复合信息。第三,高光谱数据存在数据的冗余,会耗费大量计算时间,破坏反演的稳定性并降低LAI反演精度。针对高光谱数据LAI反演过程中存在的问题,本文基于PROSAIL模型模拟葡萄冠层光谱数据、陕西泾阳野外实测光谱数据和模拟GF-5数据开展研究工作。首先利用光谱反射率、植被指数和光谱特征位置参量多类指标构建多属性特征空间,其次GA、RF、UVE和CARS特征选择算法被用于筛选构建多属性特征空间子集,最后利用深度学习长短期记忆神经网络(LSTM)实现LAI的定量估算。论文的主要研究成果和结论如下:1)本研究提出基于特征选择的LSTM神经网络方法用于葡萄LAI反演。LSTM神经网络能够模拟复杂非线性特征的相互作用,提取更高层次的抽象特征。基于特征选择的LSTM算法在模拟数据和野外实测数据中精度均优于经典的遗传算法和偏最小二乘相结合的方法(GA-PLSR)机器学习算法,对于PROSAIL模型模拟数据、野外实测数据和模拟GF-5数据,GA-PLSR算法的LAI反演精度R~2分别为0.9898、0.7279和0.7961,基于特征选择的LSTM算法反演精度R~2分别为0.9994、0.9803和0.9808。2)利用光谱反射率、植被指数和光谱特征位置参量构建多属性特征空间进行LAI反演,精度优于单一指标诸如植被指数LAI反演的精度。特征空间的构建对LAI的反演至关重要,多属性特征空间能够综合考虑多类指标的复合信息。综合PROSAIL模型模拟数据、野外实测数据和模拟GF-5数据特征选择的公共区间,近红外波段反射率、植被指数RDVI和MTVI1以及红边面积对LAI反演的贡献度最优。3)对高光谱数据进行特征选择能够提升深度学习LSTM神经网络的LAI反演精度。特征选择能够去除高维数据中的冗余信息,有效降低数据的维度,提升模型LAI估算精度。RF特征选择算法与LSTM神经网络相结合在PROSAIL模型模拟数据、野外实测数据和模拟GF-5数据中均取得最优的结果,在未进行特征选择时,LSTM神经网络的LAI反演精度R~2分别为0.9502、0.8357和0.8662,经过RF选择后的LSTM反演精度R~2分别为0.9994、0.9803和0.9808,RF特征选择算法对光谱特征的优选具有一定的指导意义。