极限学习机辅助下路域植被叶面积指数的反演

doi:10.13474/j.cnki.11-2246.2018.0285

测绘通报 ›› 2018, Vol. 0 ›› Issue (9): 82-86.doi: 10.13474/j.cnki.11-2246.2018.0285

极限学习机辅助下路域植被叶面积指数的反演

雷宇斌¹, 朱善宽^2,3, 郭云开³, 李丹娜³, 刘磊³, 刘宁³

1. 湖南省第二测绘院, 湖南长沙 410000;
2. 中交上海航道勘察设计院有限公司, 上海 200000;
3. 长沙理工大学测绘遥感应用技术研究所, 湖南长沙 410076

收稿日期:2018-05-22 修回日期:2018-07-20 出版日期:2018-09-25 发布日期:2018-09-29
作者简介:雷宇斌(1971-),男,高级工程师,主要研究方向为测绘及遥感理论应用研究。E-mail:2118949836@qq.com
基金资助:
国家自然科学基金面上项目（41471421；41671498）

Inversion of Leaf Area Index Based on Extreme Learning Machine Regression in Road Vegetation

LEI Yubin¹, ZHU Shankuan^2,3, GUO Yunkai³, LI Danna³, LIU Lei³, LIU Ning³

1. The Second Surveying and Mapping Institute of Hunan Province, Changsha 410000, China;
2. Shanghai Waterway Engineering Design and Consulting Company Limited, Shanghai 200000, China;
3. Institute of Surveying and Mapping and Remote Sensing Applied Technology, Changsha University of Science & Technology, Changsha 410076, China

Received:2018-05-22 Revised:2018-07-20 Online:2018-09-25 Published:2018-09-29
Contact: 朱善宽。E-mail:2506272955@qq.com E-mail:2506272955@qq.com

摘要/Abstract

摘要：

路域植被叶面积指数（LAI）的获取对于路域植被长势和健康状况的监测具有重要意义。本文以GF-1影像和地面同步实测数据为基础，利用极限学习机（ELM）对湖南省醴潭高速路域植被LAI进行了建模反演。试验结果表明，与传统经验回归模型、SVM模型相比，ELM反演精度更高，RMSE为0.501，预测精度为86.26%。该研究可为路域植被健康评估提供参考。

关键词: 遥感, 叶面积指数, 反演, GF-1影像, 极限学习机

Abstract:

The acquisition of LAI of road vegetation has an important implication for the monitoring of road vegetation growth and health status.Based on the GF-1 image data and the ground synchronous measured LAI data,the technology of extreme learning machine (ELM) was introduced to inversion modeling in the high-speed road area of Hunan Province.Compared with the traditional empirical regression and support vector machine (SVM) methods,the extreme learning machine is higher,RMSE is 0.501,and the prediction accuracy is 86.26%.The study can provide a reference for road vegetation health assessment.

Key words: remote sensing, leaf area index, inversion, GF-1 imaging, extreme learning machine

中图分类号:

P237

雷宇斌, 朱善宽, 郭云开, 李丹娜, 刘磊, 刘宁. 极限学习机辅助下路域植被叶面积指数的反演[J]. 测绘通报, 2018, 0(9): 82-86.

LEI Yubin, ZHU Shankuan, GUO Yunkai, LI Danna, LIU Lei, LIU Ning. Inversion of Leaf Area Index Based on Extreme Learning Machine Regression in Road Vegetation[J]. 测绘通报, 2018, 0(9): 82-86.

参考文献

[1] 郭云开,张进会.路域植被叶绿素多光谱遥感定量反演研究[J].测绘通报,2014(12):5-8.
[2] 郭琳,裴志远,张松龄,等.基于环境星CCD图像的甘蔗叶面积指数反演方法[J].农业工程学报,2010,26(10):201-205.
[3] 梁栋,管青松,黄文江,等.基于支持向量机回归的冬小麦叶面积指数遥感反演[J].农业工程学报,2013,29(7):117-123.
[4] 马伟波,谭琨,李海东,等.基于超限学习机的矿区土壤重金属高光谱反演[J].生态与农村环境学报,2016,32(2):213-218.
[5] 宋英强,杨联安,冯武焕,等.基于多源辅助变量和极限学习机的蔬菜地土壤有机质预测研究[J].土壤通报,2017,48(1):118-126.
[6] HUANG G B,ZHU Q Y,SIEW C K.Extreme Learning Machine:A New Learning Scheme of Feed Forward Neural Networks[J].Proceedings IEEE International Joint Conference on Neural Networks,2004,2(2):985-990.
[7] HUANG G B,ZHU Q Y,SIEW C K.Extreme Learning Machine:Theory and Applications[J].Neurocomputing,2006,70(1):489-501.
[8] 张连蓬,柳钦火,王德高,等.高光谱遥感植被指数的普适性分析[J].测绘通报,2010(9):1-4.
[9] JORDAN C F.Derivation of Leaf Area Index from Quality of Light on the Forest Floor[J].Ecology,1969,50(4):663-666.
[10] RICHARDSON A J,WEIGAND C L.Distinguishing Vegetation from Soil Background Information[J].Photogrammetric Engineering and Remote Sensing,1977,43(12):1541-1552.
[11] ROUSE J W,HASS R H,SHELL J A,et al.Monitoring Vegetation Systems in the Great Plains with ERTS.[J].Nass Special Publication,1973,351:309.
[12] BROGE N H,LEBLANC E.Comparing Prediction Power and Stability of Broadband and Hyperspectral Vegetation Indices for Estimation of Green Leaf Area Index and Canopy Chlorophyll Density[J].Remote Sensing of Environment,2001,76(2):156-172.
[13] HUETE A R.A Soil-adjusted Vegetation Index (SAVI)[J].Remote Sensing of Environment,1988,25(3):295-309.
[14] QI J,CHEHBOUNI A,HUETE A R,et al.A Modified Soil Adjusted Vegetation Index[J].Remote Sensing of Environment,2015,48(2):119-126.

[1]	董迪, 魏征, 曾纪胜. 1995—2019年北莉岛人工水产养殖遥感监测[J]. 测绘通报, 2022, 0(7): 1-6.
[2]	胡义强, 杨骥, 荆文龙, 彭小燕, 蓝文陆, 彭梦微, 张雨萌. 茅尾海入海河口池塘养殖污染状况遥感调查[J]. 测绘通报, 2022, 0(7): 12-17,53.
[3]	孔瑞瑶, 谢涛, 马明, 孔瑞林. CatBoost模型在水深反演中的应用[J]. 测绘通报, 2022, 0(7): 33-37.
[4]	温雨笑, 吕杰, 马庆勋, 张鹏, 徐汝岭. 高光谱和LiDAR联合反演森林生物量研究[J]. 测绘通报, 2022, 0(7): 38-42.
[5]	江泽霖, 邓健, 栾海军, 李兰晖. 基于逐日夜间灯光遥感的新冠肺炎疫情变化信息快速提取——以北京市为例[J]. 测绘通报, 2022, 0(7): 43-48.
[6]	贾秀丽. 高斯过程回归辅助下的GPS干涉反射积雪深度估测[J]. 测绘通报, 2022, 0(7): 78-82.
[7]	刘立, 董先敏, 刘娟, 文学虎. 人机融合智能的遥感解译生产新方法[J]. 测绘通报, 2022, 0(7): 118-123,137.
[8]	艾敏, 景慧, 田禹东, 郭兰勤, 裴渊杰. 近20年哈尔滨市呼兰区土地利用覆盖变化及驱动分析[J]. 测绘通报, 2022, 0(7): 124-128.
[9]	胡义强, 杨骥, 荆文龙, 杨传训, 舒思京, 李勇. 基于无人机遥感的海岸带生态环境监测研究综述[J]. 测绘通报, 2022, 0(6): 18-24.
[10]	李茂林, 闫庆武, 仲晓雅. 一种复合型校正植被信息的方法[J]. 测绘通报, 2022, 0(6): 49-54142.
[11]	刘耀辉, 于祥惠, 范洁洁, 周洁, 程昊, 姚国标, 孟飞, 靳奉祥. 基于无人机影像和面向对象的中国西部地区农村宅基地面积快速估算[J]. 测绘通报, 2022, 0(6): 125-129.
[12]	任超, 邓诗琴, 高懋芳. 一种提取北部湾沿海地区水体信息的动态阈值方法[J]. 测绘通报, 2022, 0(5): 14-19,37.
[13]	赵传武, 吴子若, 张玉环, 郭伟. 基于多时相遥感的鄂尔多斯市不透水面变化分析[J]. 测绘通报, 2022, 0(5): 56-61.
[14]	张龚泉, 岳建平, 刘胜男, 王海龙, 杨智翔, 周航宇. 基于遥感影像的鄱阳湖地形提取方法[J]. 测绘通报, 2022, 0(5): 62-66,73.
[15]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.

极限学习机辅助下路域植被叶面积指数的反演

Inversion of Leaf Area Index Based on Extreme Learning Machine Regression in Road Vegetation

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价