高光谱数据探讨水稻叶片叶绿素含量对叶片及冠层光谱反射特性的影响

为了考察叶绿素含量变化对叶片及冠层反射率的影响,利用PROSPECT模型和FCR模型,模拟叶片叶绿素含量变化(20μg/cm2、22μg/cm2、24μg/cm2、26μg/cm2、28μg/cm2、30μg/cm2)时的叶片反射率和叶面积指数变化(1、3、5)时的冠层反射率。叶片及冠层反射率的变化大小,用同一波段上反射率的标准差来衡量,研究的波段范围为400～940nm,波段间隔为5nm。研究发现叶绿素对叶片反射率的影响,在710nm波长处最大,标准差变化曲线在550nm、710nm、795nm和830nm处形成4个峰值,对冠层反射率的影响,与叶面积指数大小有关,叶面积指数为1、3、5时,叶绿素对冠层反射率影响最大的波长分别为715nm、720nm和725nm,标准差变化曲线分别在550nm和715nm、550nm和720nm、550nm和725nm形成了两个峰值。

水稻冠层垂直反射率模拟

利用 1999年和 2 0 0 0年实测的晚稻冠层结构参数 (叶面积指数、叶倾角、叶长、叶宽等 )和叶片生物化学组分含量 (叶绿素、蛋白质、纤维素、水等 )实测数据 ,结合椭圆分布函数模型、PROSPECT模型和 FCR模型 ,模拟水稻冠层垂直反射率 ,模拟值与实测值的相关系数大于 0 .98,均方根差 RMSE小于 0 .0 5 ,从而建立了冠层结构参数、叶片生物化学组成等农学参数与冠层垂直反射率的直接联系 ,为利用物理模型反演冠层叶面积指数、叶片叶绿素含量等奠定了基础。

基于神经网络方法的芦苇叶面积指数遥感反演

提出了一种从TM图像上获取芦苇冠层叶面积指数的方法:首先对芦苇的生长背景进行分类;然后,对不同的背景光谱利用冠层反射率(FCR)模型计算得到查找表;最后,利用实测数据和查找表中的数据作为参数进行BP神经网络模型训练,从而得到芦苇冠层LAI。结果表明,人工神经网络方法有很强的非线性拟合能力,能够消除背景对反演结果的影响,有效提高LAI反演的精度。

基于鲁棒模糊C-均值回归的TS建模方法及其在热工过程中的应用

热工过程往往具有强耦合、大惯性和非线性等特点,且在运行过程中易受到诸种不确定性因素的干扰,导致常规建模方法难以获得令人满意的效果。针对非线性热工对象特性建模问题,文中改进了模糊C均值回归算法（FCR）的误差函数,提出一种鲁棒模糊C均值回归算法（RFCR）,并将其用于热工对象的TS建模前件辨识过程中。一方面,相比于FCM聚类算法,RFCR作为一种超平面型聚类算法,更加符合TS建模局部线性化的特点,能够更加精确地辨识TS模型的前件参数;另一方面,RFCR算法能够克服离群点和噪音点的影响,增强了TS模糊辨识的鲁棒性,从而更加适宜于热工过程建模。仿真实例表明,应用文中新算法所建立的煤气炉及机炉协调系统的TS模型具有精确性高、鲁棒性强的特点,证明了算法的有效性和实用性。