水稻作为世界范围内的重要粮食作物,其生长状况与产量信息的快速、精确获取,对保障耕地资源安全与粮食安全具有重要意义。本研究探索结合数据融合算法的光能利用率模型反演水稻地上部生物量,将增强型空间和时间自适应反射融合模型(ESTAR...水稻作为世界范围内的重要粮食作物,其生长状况与产量信息的快速、精确获取,对保障耕地资源安全与粮食安全具有重要意义。本研究探索结合数据融合算法的光能利用率模型反演水稻地上部生物量,将增强型空间和时间自适应反射融合模型(ESTARFM)预测的水稻关键生长期数据,驱动EC-LUE(Eddy covariance-light use efficiency)模型反演水稻地上部生物量,分别验证2个模型的精度。结果显示,ESTARFM算法预测值与真实值的Pearson相关系数为0.668(P<0.001),对于中型耕地(11~50个Landsat像元),ESTARFM算法预测精度最为理想。EC-LUE模型反演的水稻地上部生物量预测值与地面实测值Pearson相关系数为0.630(P<0.001)。EC-LUE模型驱动数据的空间分辨率与时间分辨率是制约反演结果精度的关键因素。展开更多
文摘水稻作为世界范围内的重要粮食作物,其生长状况与产量信息的快速、精确获取,对保障耕地资源安全与粮食安全具有重要意义。本研究探索结合数据融合算法的光能利用率模型反演水稻地上部生物量,将增强型空间和时间自适应反射融合模型(ESTARFM)预测的水稻关键生长期数据,驱动EC-LUE(Eddy covariance-light use efficiency)模型反演水稻地上部生物量,分别验证2个模型的精度。结果显示,ESTARFM算法预测值与真实值的Pearson相关系数为0.668(P<0.001),对于中型耕地(11~50个Landsat像元),ESTARFM算法预测精度最为理想。EC-LUE模型反演的水稻地上部生物量预测值与地面实测值Pearson相关系数为0.630(P<0.001)。EC-LUE模型驱动数据的空间分辨率与时间分辨率是制约反演结果精度的关键因素。
