基于ASO-BP神经网络的生物量反演模型研究

本文选择六盘山森林区为论文研究区域,光学数据选择Landsat 8 OLI,微波雷达数据选择具有L波段的ALOS-2 PALSAR-2,并结合森林资源清查数据作为六盘山森林AGB的反演模型研究数据源,对选择的两种数据源的相关特征变量进行提取、分析、筛选,基于经典及改进算法构建六盘山森林AGB反演模型。利用原子优化算法(ASO)优化BP神经网络模型构建新的森林地上生物量反演模型——基于原子优化算法改进的BP神经网络(ASO-BP)森林AGB反演模型,通过对两种生物量反演模型精度的对比与评价,最终选择精度最高的ASO-BP反演模型比较适用于六盘山森林地上生物量反演,完成六盘山森林地上生物量的估算和分析。

基于优化BP神经网络ESA CCI土壤水分重建方法研究

为了获取空间连续的土壤水分遥感产品,提高微波遥感土壤水分产品精度,以青藏高原那曲地区为研究区域,欧洲航天局气候变化倡议(European Space Agency Climate Change Initiative,ESA CCI)土壤水分产品为基础,利用地表温度(LST)、归一化植被指数(NDVI)、反照率(Albedo)和数字高程(DEM)等数据作为辅助数据构建Back Propagation(BP)神经网络反演土壤水分模型,采用原子搜索优化(Atom Search Optimization,ASO)算法对传统BP神经网络进行优化,建立ASO-BP土壤水分重建模型。研究结果与地面实测数据相比,ASO-BP重建的土壤水分整体相关系数R值(0.80),高于传统BP神经网络模型重建土壤水分的R值(0.72),且RMSE值0.029 cm^(3)·cm^(-3)低于传统BP神经网络模型重建土壤水分的RMSE值0.034 cm^(3)·cm^(-3),结果精度均得到提高。在低植被覆盖度区域,精度提高更为明显,表现出更好的适用性。