基于1D-CNN的植被等效水厚度反演研究

[目的]为实现高等级公路路域植被等效水厚度(EWT)快速、连续、高效监测需求。[方法]以叶片尺度高光谱为数据源,首先对辐射传输模型PROSPECT-D模拟数据和实测光谱数据分别进行标准正态变量变换、归一化等光谱变换。应用相关性分析提取各变换光谱特征波段,基于PROSPECT-D模拟数据特征波段分别构建一维卷积神经网络(1D-CNN)、支持向量机路域植被叶片EWT反演模型,并用实测光谱数据进行模型验证。[结果]植被EWT最优反演路径为对光谱进行归一化预处理后,构建PROSPECT-D与1D-CNN组合模型,测试决定系数(R2c)为0.645、均方根误差(RMSEC)为2.367,精度较高,满足应用需求。[结论]该研究为利用高光谱数据对南方丘陵地区高等级公路植被EWT定量反演奠定了基础。

基于计算机图形和多孔介质的树冠孔隙率反演

树冠孔隙率(GF)决定了光和气流穿过树冠与植被元素相互作用进行光合作用和蒸腾的传输情况,在多孔介质理论启发下,受计算机图形学的启发,将树冠中的植被元素定量为固体矩阵,将树冠中的缝隙作为孔隙来指导GF计算。通过从地面激光扫描数据中提取单个叶片,并采用拟合算法去除噪声和描绘叶片边缘,创新地定义了叶片卷曲和下垂程度的等效厚度,并从拟合点中计算出来。然后,用自适应尺寸分配的六边形棱镜包住每片叶子的扫描点,用圆柱体模型拟合每个枝干,以计算树冠的等效叶子和枝干体积。结果显示,分割的叶片数为紫薇(1193片)、樱花(2540片)以及含笑(379片),估计的GF分别为:紫薇0.990,樱花树0.976,含笑0.978。