基于CWT-CARS-CNN综合方法的矿区土壤煤源碳质量分数高光谱估测

目的目前,尚无可靠方法定量识别土壤中煤源碳,为此,方法采集焦作矿区耕地土壤,配制249个不同质量分数的煤源碳土壤样品,利用ASD FieldSpec4获取样品光谱数据,采用连续小波变换(continuous wavelet transform,CWT)-竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)-卷积神经网络(convolutional neural networks,CNN)方法估测土壤中煤源碳质量分数,并对比CWT-CARS-CNN方法与传统光谱指数法构建的煤源碳估测模型估测效果,检验CWT-CARS-CNN估测模型的适用性。结果结果表明:350~2500 nm波段内,煤与土壤光谱特征截然不同,含煤土壤样品光谱反射率随煤源碳质量分数增加而降低;CWT方法提高了光谱对土壤煤源碳的敏感性,CARS方法提取的煤源碳敏感波段数量明显增加,基于CWT-CARS-CNN方法的煤源碳质量分数估测模型精度明显高于传统光谱指数法的;以L8分解尺度构建的CWT-CARS-CNN模型精度最高,验证集R2=0.9993,RPD=40.3081。结论基于CWT-CARS-CNN的高光谱估测方法能较准确地估测矿区不同土地利用类型下土壤中的煤源碳质量分数,可为“双碳”背景下矿区土壤碳固存与肥力评估提供参考。

基于遥感多参数和IPSO-WNN的冬小麦单产估测

冬小麦是我国的主要粮食作物之一。为进一步准确地估测冬小麦产量,以陕西省关中平原为研究区域,选取冬小麦主要生育期与水分胁迫和光合作用等密切相关的条件植被温度指数(VTCI)、叶面积指数(LAI)和光合有效辐射吸收比率(FPAR)作为遥感特征参数,采用改进的粒子群算法优化小波神经网络(IPSO-WNN)以改善梯度下降方法易陷入局部最优的缺陷,并构建冬小麦产量估测模型。结果表明,IPSO-WNN模型的决定系数R2为0.66,平均绝对百分比误差(MAPE)为7.59%,相比于BPNN(R2=0.46,MAPE为11.80%)与WNN(R2=0.52,MAPE为9.80%),IPSO-WNN能够进一步提高模型的精度、增强模型的鲁棒性。采用灵敏度分析的方法探究对冬小麦产量影响较大的输入参数,结果发现,抽穗-灌浆期的FPAR对冬小麦产量影响最大,其次拔节期的VTCI、抽穗-灌浆期和乳熟期的LAI以及返青期和拔节期的FPAR对冬小麦产量的影响较大。通过IPSO-WNN输出获取冬小麦综合监测指数I,构建I与统计单产之间的估产模型以估测关中平原冬小麦单产,结果显示,估测单产与统计单产之间的R2为0.63,均方根误差(RMSE)为505.50 kg/hm^(2),相比于前人的研究较好地解决了估产模型存在的“低产高估”的问题,因此,本文基于IPSO-WNN构建的估产模型能够较准确地估测关中平原冬小麦产量。

基于无人机影像的冬小麦株高提取与LAI估测模型构建

株高和叶面积指数(Leaf Area Index,LAI)反映着作物的生长发育状况。为了探究基于无人机可见光遥感提取冬小麦株高的可靠性,以及利用株高和可见光植被指数估算LAI的精度,本文获取了拔节期、抽穗期、灌浆期的无人机影像,提取了冬小麦株高与可见光植被指数,使用逐步回归、偏最小二乘、随机森林、人工神经网络四种方法建立LAI估测模型,并对株高提取及LAI估测情况进行精度评价。结果显示:(1)株高提取值Hc与实测值Hd高度拟合(R^(2)=0.894,RMSE=6.695,NRMSE=9.63%),株高提取效果好;(2)与仅用可见光植被指数相比,基于株高与可见光植被指数构建的LAI估测模型精度更高,且随机森林为最优建模方法,当其决策树个数为50时模型估测效果最好(R^(2)=0.809,RMSE=0.497,NRMSE=13.85%,RPD=2.336)。利用无人机可见光遥感方法,高效、准确、无损地实现冬小麦株高及LAI提取估测可行性较高,该研究结果可为农情遥感监测提供参考。

基于雷达估测降雨及WRF-Hydro模型的典型山洪模拟研究

受复杂地形与基础气象水文资料缺乏限制,山区小尺度流域的水文预警预报技术较为薄弱,利用高分辨率雷达观测资料驱动分布式水文模型是提高山区小流域洪水预报性能的有效途径之一。本文以位于重庆中部的山区小流域二河流域为研究区域,开展基于雷达估测降雨数据的WRF-Hydro模型在山区小流域的山洪模拟研究,以评估雷达估测降雨的水文应用效果和WRF-Hydro模型在山区小流域的适用性。选取流域内典型的暴雨洪水过程,利用S波段的多普勒天气雷达的估测降雨数据驱动WRF-Hydro模型,并结合新安江模型进一步对比分析模拟效果。研究结果表明:(1)在二河流域,采用雷达估测降雨数据驱动WRF-Hydro模型,可以较好地模拟洪水过程、洪水流量以及峰现时间,纳什效率系数高于0.65,克林-古普塔效率系数高于0.50,相关系数高于0.85。(2)将WRF-Hydro模型与新安江模型进行比较分析,在二河流域,WRF-Hydro模型的模拟效果优于新安江模型,纳什系数差值0.03,相关系数差值为0.04,进一步表明WRF-Hydro模型在山区小流域较优的洪水模拟性能。总体而言,基于雷达估测降雨数据的WRF-Hydro模型在二河流域表现出了良好的模拟洪水的性能,可进一步在类似小尺度山区流域进行应用研究。

车辆行驶工况轮胎动载荷估测方法

本文建立了车辆行驶工况轮胎动载荷分析模型,通过转向节臂加速度信号得到轮胎变形数据,再结合轮胎的刚度,从而估测出轮胎的垂向力、纵向力与侧向力,并对轮胎进行六向力试验。结果表明,轮胎动载荷的估测值与六向力试验值的吻合度大于85%,这也证明了文中提出的轮胎动载荷估测方法是准确的。研究结果为掌握轮胎动态特性提供了理论基础与参考。

基于无人机多维数据集的森林地上生物量估测模型研究

森林地上生物量(Aboveground biomass,AGB)是评价森林生长情况的重要指标。基于数字航空摄影(Digital aerial photography,DAP)生成的二维和三维数据,分别计算了41个点云高度变量和16个可见光植被指数,利用6种回归算法(随机森林(RF)、袋装树(BT)、支持向量回归(SVR)、Cubist、类别型特征提升(CatBoost)、极端梯度提升(XGBoost))分别构建了单一变量集和综合变量集AGB估测模型,探索了不同变量对于AGB估测模型的贡献。研究结果表明光谱数据集和点云数据集AGB预测模型精度最高分别为Cubist和XGBoost,R^(2)分别为0.5309和0.6395。组合数据集最高精度模型为XGBoost,R^(2)达到0.7601,XGBoost模型具有更高的AGB估测稳定性。研究还表明6种机器学习模型的贡献主要取决于所考虑的回归方法,所选择的特征个数和特征对模型的重要性在不同的模型中并不一致。DOM光谱特征在AGB的估测中具有更高的重要性。总体来说,二维和三维数据的结合能够有效提高森林AGB估测精度,基于无人机倾斜摄影获取的RGB影像能够实现森林AGB的快速无损估计。

基于机器学习算法的森林生物量多源遥感估测

为进一步探索不同空间分辨率影像在10 m×10 m样地尺度下森林生物量估测性能及协同机器学习算法(RF、SVM、DT、GBM、k-NN、Stacking)的估测效果,利用光学遥感GF2(高分二号卫星)、sentinel 2A、Landsat 8 OLI、SUM(整合3种遥感数据源)影像及辅助变量DEM高程数据、环境因子、林分因子(森林类型、优势树种),在Boruta算法变量选择下用机器学习算法对元谋地区乔木林森林生物量(地上+地下)进行遥感估测,并比较4种影像下的估测精度。研究表明:(1)基于Boruta算法分别对3种影像及整合3种影像条件下进行变量选择,单一影像中sentinel 2A的植被指数PEIP、Landsat 8 OLI的纹理因子b2_ME_9×9、GF2的GNDVI分别为3种影像下的最高得分变量,多源融合估测森林生物量中GF2的GNDVI为最佳得分变量;(2)基于Boruta算法选择的变量构建RF、SVM、DT、GBM、k-NN算法以及对5个模型的Stacking集成算法,SUM的Stacking集成算法的估测效果最优,模型决定系数(R2)为0.73,均方根误差(RMSE)为28.46 t·hm^(-2),集成算法下的SUM的估测性能优于sentinel 2A、Landsat 8 OLI,GF2优于sentinel 2A,sentinel 2A的估测性能优于Landsat 8 OLI。研究结果说明在生物量遥感估测中高分辨率影像具有较好的估测效果,同时多源遥感协同估测、集成算法均可提高森林生物量遥感估测精度,可为森林生物量遥感估测提供参考和借鉴。

基于SPA-BPNN的成都市天府新区东部土壤As含量高光谱估测建模

为明确成都平原城市边缘带土壤中重金属As含量,以四川省成都市天府新区东部为研究区,对土壤原始高光谱数据进行一阶微分(FD)、二阶微分(SD)、去包络线(CR)和标准正态变换(SNV)处理,利用皮尔逊相关系数(PCC)和连续投影算法(SPA)筛选出最佳变换光谱的特征波段,分别建立偏最小二乘(PLSR)、极限学习机(ELM)、随机森林(RF)和BP神经网络(BPNN)4种回归模型,利用高光谱数据进行土壤重金属As含量估测并进行精度验证。结果表明,经去包络线一阶微分(CR-FD)变换的光谱与土壤重金属As含量相关性显著提升,由0.473提高到0.848;无论是基于PCC还是SPA算法筛选出的特征波段,非线性模型的拟合度以及预测精度均高于线性模型;相对于PCC算法,利用SPA算法筛选的特征波段建立的模型预测精度明显提升,PLSR、ELM、RF、BPNN模型验证集的决定系数(R2)分别为0.786、0.847、0.856、0.942。因此,以SPA算法筛选出的光谱波段作为自变量构建的BPNN模型(SPA-BPNN)是研究区内As含量的最优估测模型。

基于无人机高光谱遥感与机器学习的小麦品系产量估测研究

为快速、准确地估测小麦产量,有效提高育种工作效率,本文以小麦品系为研究对象,收集小麦灌浆期无人机高光谱数据和产量数据。首先基于递归特征消除法筛选出特征波长作为模型输入变量,然后利用岭回归(Ridge regression,RR)、偏最小二乘回归(Partial least squares regression,PLS)、多元线性回归(Multiple linear regression,MLR)3种线性算法和随机森林(Random forest,RF)、梯度提升回归(Gradient boosting regression,GBR)、极限梯度提升(eXtreme gradient boosting,XGB)、高斯过程回归(Gaussian process regression,GPR)、支持向量回归(Support vector regression,SVR)、K最邻近算法(K-nearest neighbor,KNN)6种非线性算法构建单一算法产量估测模型并进行精度比较,最后基于Stacking算法构建多模型集成组合,筛选最佳集成模型。结果表明,基于不同算法的产量估测模型精度差异显著,非线性模型优于线性模型,基于GBR的产量估测模型在单一模型中表现最优,训练集R^(2)为0.72,RMSE为534.49 kg/hm^(2),NRMSE为11.10%,测试集R^(2)为0.60,RMSE为628.73 kg/hm^(2),NRMSE为13.88%。基于Stacking算法构建的集成模型性能与初级模型和次级模型的选择密切相关,以KNN、RR、SVR为初级模型组合,GBR为次级模型的集成模型有效提高了估测精度,相比单一模型GBR,训练集R^(2)提高1.39%,测试集R^(2)提高3.33%。本研究可为基于高光谱技术的小麦品系产量估测提供应用参考。

基于遥感多参数和VMD-GRU的冬小麦单产估测

为充分挖掘时间序列遥感参数的时序信息和趋势信息,并进一步提升冬小麦估产精度,以陕西省关中平原为研究区域,选取与冬小麦长势密切相关的生育时期尺度的条件植被温度指数(VTCI)、叶面积指数(LAI)和光合有效辐射吸收比率(FPAR)作为遥感参数,构建耦合变分模态分解(VMD)与门控循环单元(GRU)神经网络的估产模型。应用VMD算法将各个时间序列遥感参数分解为多组平稳的本征模态函数(IMF)分量,选取与原始时间序列遥感参数高度相关的IMF分量进行特征重构,并将重构特征作为GRU网络的输入,以构建冬小麦组合估产模型。结果表明,VMD-GRU组合估产模型决定系数为0.63,均方根误差为448.80 kg/hm^(2),平均相对误差为8.14%,相关性达到极显著水平(P<0.01),其精度优于单一估产模型精度,表明该组合估产模型能够提取非平稳时间序列数据的多尺度、多层次特征,并充分挖掘冬小麦各生育时期遥感参数间的内在联系,获得准确单产估测结果的同时提升了估产模型的可解释性。

MODIS NDVI饱和性对高寒草甸草地生物量遥感估测的影响——以青藏高原东缘为例

自20世纪70年代开始,归一化植被指数(NDVI)在天然草地地上生物量估测研究中得到了广泛应用。然而,NDVI对高密度植被生物量遥感估测存在饱和现象,使草地生物量遥感估测有较大的不确定性。以青藏高原东缘高寒草甸为例,基于比值植被指数(RVI)探讨了NDVI的饱和性,并评估了NDVI饱和性对高寒草甸地上生物量时空动态变化分析的影响。结果表明:(1)虽然基于中分辨率成像光谱仪(MODIS)NDVI构建的草地地上生物量估测模型精度较基于RVI构建的估测模型高,但模型对高寒草地地上生物量(生物量大于2314.627 kg/hm^(2))灵敏度较RVI估测模型低,即NDVI阈值大于0.73时,估测模型呈现饱和现象(低估了草地地上生物量);(2)结合RVI和NDVI的相关关系,对饱和部分NDVI遥感植被指数进行校正,校正后最优地上生物量遥感估测模型为线性模型(y=5908.5x-2198.9,R=0.6190,RMSE=902.41 kg/hm^(2)),较调整前RMSE降低了11.72 kg/hm^(2);(3)就NDVI饱和性空间分布而言,从全年6月—9月初(全年第161—257天)饱和性呈现先自东南向西北延伸,后自西北向东南消退的变化趋势,平均低估值介于158.45—293.92 kg/hm^(2)之间,最大低估值出现在8月初(全年第225天),超过600 kg/hm^(2);(4)此外,NDVI饱和性对草地地上生物量年际动态变化趋势分析具有较大的影响,去除饱和性影响后草地地上生物量基本不变的区域减小了21.44%,而年际变化小于-10 kg/hm^(2)和大于30 kg/hm^(2)的区域分别增加了8.48%和16.19%。研究探讨了NDVI饱和性对草地地上生物量遥感估测的影响,以期为精确评估高寒草地地上生物量提供理论依据,同时也为高寒草地资源可持续发展提供科学依据。

化学成分对干白酒糟肉鸡代谢能的影响及其估测模型的研究

本研究旨在研究白羽肉鸡对不同来源干白酒糟的代谢能并建立其估测模型。采用2×11完全随机设计,其中肉鸡饲养阶段设2个阶段,分别为11~14日龄和25~28日龄;试验饲粮设11个饲粮处理,分别为基础饲粮和10个干白酒糟饲粮。在肉鸡11~14日龄,每个试验饲粮处理6个重复,每个重复8只鸡;在肉鸡25~28日龄,每个试验饲粮处理6个重复,每个重复6只鸡。采用全收粪法,以重复为试验单元收集全部排泄物,测定试验饲粮的代谢能,并计算干白酒糟的代谢能。分析干白酒糟的化学成分与代谢能的相关性,并采用逐步回归法建立干白酒糟表观代谢能(AME)和氮校正表观代谢能(AME n)的预测模型。结果表明:1)干白酒糟的粗纤维(CF)含量高(≥20.10%),代谢能低(AME为2.96~6.70 MJ/kg DM),且肉鸡在11~14日龄和25~28日龄对同一个白酒糟样品的代谢能无显著差异(P>0.05)。2)肉鸡在11~14日龄对干白酒糟的AME(r=-0.689,P<0.05)和AME_(n)(r=-0.688,P<0.05)与CF含量呈负相关。肉鸡在25~28日龄对干白酒糟的AME与CF含量呈负相关(r=-0.726,P<0.05);AME_(n)与粗蛋白质(CP)含量呈正相关(r=0.640,P<0.05),与CF(r=-0.776,P<0.05)和酸性洗涤纤维(ADF)含量(r=-0.655,P<0.05)呈负相关。3)肉鸡在11~14日龄对干白酒糟代谢能的估测模型为:AME(MJ/kg DM)=9.52-0.158×CF(%DM)(R^(2)=0.474,RSD=0.84 MJ/kg DM,P=0.028);AME n(MJ/kg DM)=9.12-0.155×CF(%DM)(R^(2)=0.474,RSD=0.82 MJ/kg DM,P=0.028);肉鸡在25~28日龄对干白酒糟代谢能的估测模型为:AME(MJ/kg DM)=-4.43+0.758×总能(GE)(MJ/kg DM)-0.179×CF(%DM)(R^(2)=0.773,RSD=0.62 MJ/kg DM,P=0.006);AME_(n)(MJ/kg DM)=-2.81+0.652×GE(MJ/kg DM)-0.176×CF(%DM)(R^(2)=0.819,RSD=0.51 MJ/kg DM,P=0.008)。由此可见,干白酒糟CF含量是估测肉鸡在11~14日龄时对代谢能最重要的估测因子,CF含量和GE是估测肉鸡在25~28日龄时代谢能的主要估测因子。

基于CINRAD-SA双偏振雷达新型定量降水估测方法研究

杭州下沙S波段天气雷达在双偏振升级的基础上增加了精细化探测技术,为了进一步提高雷达定量降水估测精度,本文参考小时雨量计订正雷达估测降水算法模型,建立了一种基于分钟级雨量计数据的实时定量降雨估测雨强订正方法(简称QPE-ADJUST法),利用雨量计资料对雷达的QPE数据逐体扫实时订正,累计完成1 h、3 h降水估测产品,提高了雷达降水估测精度。通过对雷达产品及自动站数据资料的评估,分别从降水估测算法、雷达分辨率影响及体扫周期速度影响3方面对QPE-ADJUST法的估测降水效果进行了统计分析。结果表明:QPE-ADJUST法在雷达高分辨率、快体扫周期的情况下均比其他算法更好地表现出降水时空分布特征,并将雷达小时定量降水估测的误差从50%降低至20%左右,有很高的估测精度和稳定性,具有业务应用价值。

基于GF-6/WFV卫星遥感的大田冬小麦叶片氮素含量估测

为对大田冬小麦叶片氮素含量(LNC)进行快速、准确及无损监测,通过在江苏省泰州泰兴市、盐城大丰区和南通如皋市布设冬小麦遥感监测大田试验,在获取试验样点冬小麦冠层红光波段反射率(REDref)、近红外波段反射率(NIRref)和计算的十个光谱指数(RVI、NDVI、DVI、SAVI、OSAVI、MSR、RDVI、EVI2、NLI和SVI)基础上,将12个遥感光谱指标与冬小麦LNC进行相关分析,选出与LNC相关性较好的作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型,并利用GF-6/WFV卫星遥感影像对县域冬小麦LNC的空间分布开展监测。结果表明,12个遥感光谱指标与冬小麦LNC之间存在不同程度的相关性,其中NDVI、RVI、MSR、OSAVI和NLI与冬小麦LNC的相关性较好(相关系数不低于0.65)。将优选的5个遥感光谱指标作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型(LNC-BPEM),模型的估测精度r^(2)=0.866,RMSE=0.246%,ARE=12.9%。将冬小麦LNC-BPEM估测模型和GF-6/WFV影像结合对县域冬小麦LNC的空间信息监测,获得了如皋县域冬小麦LNC的空间分布特征,该区域冬小麦LNC范围在0.9%~2.0%(长势正常)的种植面积为29 693.3 hm^(2),占冬小麦总种植面积的74%。这说明利用GF-6/WFV卫星的多个遥感光谱指标与神经网络结合建模可有效估测县域大田冬小麦叶片氮素含量。

基于无人机可见光遥感的马铃薯植株氮素累积估测与验证

为探究无人机可见光遥感技术快速、无损监测马铃薯氮素营养的可能性,于2020—2022年在贵州省威宁县开展马铃薯不同氮肥梯度大田试验,设置7个氮素水平(0、60、120、180、240、300和360 kg·hm^(-2)),利用无人机搭载可见光传感器获取不同年份马铃薯块茎形成期冠层RGB高清影像,并同步测定马铃薯地上部氮素含量、生物量和氮素累积量等氮素营养指标,以2020—2021年数据作为建模数据,以2022年数据作为验证数据,建立氮素营养指标估测方程模型并绘制实测值和预测值的1∶1线性关系图。结果表明,与其他冠层光谱参数相比,红光和蓝光比值(R/B)能更好地表征马铃薯氮素营养指标,其与地上部氮素含量、生物量、氮素累积量的相关性均达到极显著水平(P<0.01),其中二次函数模型相关性均优于其他函数模型。利用2022年相同独立试验验证该模型准确性,地上部氮素含量、生物量、氮素累积量实测值与预测值的决定系数(R2)分别为0.949、0.977、0.977,均方根误差(RMSE)和相对误差(MRE)分别为0.368、0.149、0.073和10.42%、6.05%、8.85%,表明模型预测精度较好。综上,无人机可见光遥感可用于马铃薯氮素营养的评估预测,块茎形成期最佳预测参数为R/B,二次函数模型为最佳预测模型。本研究为马铃薯氮素营养无损评估预测提供了理论与实践依据。

基于VSURF-CA的小麦条锈病高光谱病情指数估测模型

【目的】条锈病对小麦生长和产量造成严重威胁,为确保有效防控,精准监测尤为关键。利用遥感技术构建小麦条锈病估测模型,能快速、准确地估测病情指数(DI),为精准防控提供技术支持。【方法】利用ASD光谱仪获取小麦不同生育期(抽穗期、灌浆期和成熟期)高光谱数据,采用随机森林变量选择(VSURF)方法结合相关性分析(CA)对原始光谱(OR)和一阶微分光谱(FD)进行特征波段筛选。使用随机森林(RF)对比不同数据集的特征波段建模结果,确定模型效果最佳的特征集。随后借助偏最小二乘回归(PLSR)、极致梯度提升(XGBoost)以及反向传播神经网络(BPNN),对比特征集在不同算法中的建模效果。通过对比建模效果,确定针对全生育期小麦条锈病病情指数的最佳估测模型。为了验证特征集在不同生育期中的效果,利用特征集在3个生育期重新构建模型,并对比模型效果。【结果】对不同数据集进行特征筛选,并使用RF构建条锈病DI估测模型,通过比较模型效果,确定VSURF-CA-FD特征集(绿光范围的537 nm以及近红外范围的821和846nm)在RF模型中的估测效果最好。采用RF算法构建的模型表现出优异的精度,R^(2)为0.89,RMSE为12.34。这些特征波段在其他算法构建的模型中也展现出良好的精度:XGBoost模型的R^(2)为0.87,RMSE为13.15;BPNN模型的R^(2)为0.84,RMSE为15.19;PLSR模型的R^(2)为0.69,RMSE为20.92。使用不同生育期的冠层微分高光谱数据进行验证,利用VSURF-CA-FD特征集构建RF模型,对比模型发现在小麦生长的早期(抽穗期)R^(2)为0.54,RMSE为1.29,NRMSE为0.21,能满足估测病害的要求;小麦生长的中期(灌浆期),模型的R^(2)表现较好,R^(2)为0.66,RMSE为12.24,NRMSE为0.21;小麦生长晚期(成熟期),模型效果好于前两个时期,R^(2)为0.75,RMSE为10.77,NRMSE为0.15。【结论】使用VSURF-CA方法筛选出的特征波段,能构建出对小麦条锈病病情指数具有出色估测效果的RF模型。研究结果可为预测早期和中期条锈病病情指数提供有价值的思路和方法。

基于特征波段选择的冬小麦叶面积指数高光谱遥感估测模型研究

为提高冬小麦叶面积指数(LAI)的遥感估测精度,以实现其无损快速测定目标,在田块尺度设置多年定点不同冬小麦品种氮梯度试验,测定其不同生育时期冠层高光谱数据和LAI,通过原始冠层光谱数据与一阶导数预处理(first-derivative, FD)组合竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)、无信息变量消除(uninformative variable elimination, UVE)和随机蛙跳(random frog, RF)三种特征波段选择方法进行偏最小二乘回归(partial least squares regression, PLSR)高光谱估测模型构建。结果表明,一阶导数预处理在简化波段数量和提升模型精度上具有较好作用。经过与全波段数据及六种组合内部建模预测精度对比,RF在简化波段方面效果最好,FD-RF组合筛选波段数量为6个,建模的R^(2)和RMSE分别达到0.850和0.730,预测的R^(2)和RMSE分别为0.704和1.005;FD-CARS组合达到了最佳建模精度,R^(2)和RMSE分别为0.876和0.641;FD-UVE组合达到了最佳预测精度,R^(2)和RMSE分别为0.755和0.672。这说明基于特征波段选择可以进行冬小麦叶面积指数高光谱遥感模型建立与有效估测。

基于地理加权随机森林的黑龙江省森林碳储量遥感估测

【目的】构建地理加权随机森林(Geographically weighted random forest,GWRF)模型估算森林碳储量以解决区域尺度范围内森林碳储量估算精度不高的问题,对科学经营管理森林、推动碳循环和碳汇相关研究、实现我国“双碳”目标有重要指导意义。【方法】以黑龙江省小兴安岭、长白山地区森林植被碳储量为研究对象,基于2015年森林资源连续清查数据和Landsat8-OLI影像,采用普通最小二乘(Ordinary least squares,OLS)、随机森林(Random forest,RF)模型、地理加权回归(Geographically weighted regression,GWR)模型以及地理加权随机森林模型分别构建不同林型及总体(不分林型)的森林碳储量估测模型,比较是否区分林分类型时,不同模型预测精度之间的差异,实现对研究区森林碳储量的精准反演。【结果】1)各个模型在区分林型时的预测精度均高于总体(不分林型)情况,以GWRF模型精度最优,其中针叶林精度最高(R^(2)=0.58,RMSE=15.97 t/hm^(2));阔叶林次之(R^(2)=0.46,RMSE=17.66 t/hm^(2));针阔混交林随后(R^(2)=0.45,RMSE=19.51 t/hm^(2));总体(不分林型)最低(R^(2)=0.40,RMSE=20.22 t/hm^(2))。2)4种模型的检验精度GWRF>RF>GWR>OLS。与OLS相比,GWRF在针叶林、阔叶林、针阔混交林和总体(不分林型)中提升的ΔR^(2)分别为0.15、0.09、0.16和0.04;降低的ΔRMSE分别为2.09、1.35、3.47和0.89 t/hm^(2);与RF相比,GWRF提升的ΔR^(2)分别为针叶林0.14、阔叶林0.06、针阔混交林0.04、总体(不分林型)0.02;降低的ΔRMSE分别为针叶林1.95 t/hm^(2)、阔叶林0.86 t/hm^(2)、针阔混交林0.67 t/hm^(2)、总体(不分林型)0.29 t/hm^(2)。3)研究区森林碳储量密度最高预测值为77.08 t/hm^(2),最低值为5.24 t/hm^(2),平均值为41.07 t/hm^(2),总量为552.04 Tg;从空间上看,森林碳储量高值分布在小兴安岭东南部、张广财岭等地区,呈现斑状不均匀性分布。【结论】相比于其他3种模型,GWRF作为局部模型,考虑到空间异质性,在区域尺度范围内估测森林碳储量有较好的应用前景。区分林分类型能提高预测精度,在今后对森林生物量或碳储量的研究中,应考虑区分林分类型建模。本研究的模型和方法有一定适应性,可为森林资源的快速和精准监测提供方法借鉴。

基于Landsat 8和机器学习的塔城地区草地地上生物量估测模型

以新疆塔城地区为研究区,利用植被指数、气象数据、地形数据作为自变量,结合研究区样地实测生物量数据,分析并比较K近邻回归(KNN)、多元线性回归(MLR)、梯度提升决策树(GBDT)和随机森林回归(RF)和极端梯度提升(XGBoost)5种机器学习模型,进而分析并比较采用投票回归器(Voting regressor)和堆叠(Stacking)方法构建的2种集成学习模型的估测精度。结果表明,基于Stacking集成学习模型性能最优,R^(2)达0.764,RMSE和MAE分别为23.29 g/m^(2)和16.8 g/m^(2),进而利用最优模型进行草地地上生物量(Above ground biomass,AGB)反演制图。

利用卷积神经网络开展偏振雷达定量降水估测研究

利用偏振升级改造后的广州新一代天气雷达(CINRAD/SAD)水平反射率ZH、差分传播相移率KDP、差分反射率因子ZDR和广东佛山219个地面气象自动站雨量数据,形成不同偏振量组合的8个数据集。基于卷积神经网络(CNN),建立雷达定量降水估测网络架构QPEnet,并将该架构用于雷达定量降水估测(QPE),评估结果表明:数据集通道数N的增加可降低QPEnet的定量降雨估测的均方根误差(RMSE),并提高相关系数(CORR);对于由ZH形成的数据集Z、Z_1~3 km和Z_6 min,随着通道数N的增加,数据集Z、Z_1~3 km和Z_6 min的性能逐步得到提高,数据集Z_1~3 km和Z_6 min的均方根误差(RMSE)分别是4.71和3.78,比数值集Z分别降低了1.3%和18.7%;数据集Z_1~3 km和Z_6 min的CORR分别是0.82和0.88,比数据集Z分别提高了2.5%和10.0%;对于ZH、KDP和ZDR偏振量组成的数据集里面,数据集Z_ZDR_KDP的拟合性能最好,RMSE为3.97,比数据集Z的RMSE降低了14.6%,CORR是0.86,比数据集Z提高了7.5%;分别对0.6~5 mm、5~10 mm、10~20 mm、20~30 mm、30~40 mm、40~50 mm和50 mm以上的7个降水量级的均方根误差(RMSE)、平均偏差比(MBR)、平均误差(AE)和相对误差(RE)等的统计结果表明,数据集Z_6 min降雨精度最高。