结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演

doi:10.13474/j.cnki.11-2246.2020.0071

测绘通报 ›› 2020, Vol. 0 ›› Issue (3): 21-24.doi: 10.13474/j.cnki.11-2246.2020.0071

结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演

郭云开^1,2, 许敏^1,2, 张晓炯^1,2, 刘雨玲^1,2

1. 长沙理工大学交通运输工程学院, 湖南长沙 410076;
2. 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:2019-06-05 修回日期:2019-09-14 出版日期:2020-03-25 发布日期:2020-04-09
通讯作者: 许敏。E-mail:2877076921@qq.com E-mail:2877076921@qq.com
作者简介:郭云开(1958-),男,博士,教授,主要从事路域植被生态环境遥感研究。E-mail:guoyunkai226@163.com
基金资助:
国家自然科学基金面上项目（41671498）

Chlorophyll hyperspectral inversion with PRO-4SAIL and BP neural networks

GUO Yunkai^1,2, XU Min^1,2, ZHANG Xiaojiong^1,2, LIU Yuling^1,2

1. School of Traffic and Transportation Engineering, Changsha University of Science and Technology, Changsha 410076, China;
2. Institute of Surveying and Mapping Remote Sensing Applied Technology, Changsha University of Science and Technology, Changsha 410076, China

Received:2019-06-05 Revised:2019-09-14 Online:2020-03-25 Published:2020-04-09

摘要/Abstract

摘要： 针对PRO-4SAIL辐射传输模型耦合BP神经网络反演叶绿素时存在过拟合、预测精度低的问题，本文以研究区内实测的高光谱数据和模拟光谱数据为数据源，在模拟样本数据构成的训练集中添加部分实测样本数据，构建BP神经网络叶绿素反演模型，然后利用剩余的实测数据进行模型验证与精度评定。结果表明：向训练集中加入少量实测数据，可以解决叶绿素反演模型过拟合的问题，叶绿素含量的预测精度得到提升，实现准确的反演路域植被信息，为路域环境植被环境遥感监测评价提供一定的技术支持。

关键词: PRO-4SAIL, BP神经网络, 过拟合, 叶绿素, 路域植被

Abstract: In view of the problems of over-fitting and low prediction accuracy of chlorophyll inversion by the PRO-4SAIL radiation transfer model coupled with BP neural network, there are some problems.In this paper, measured hyperspectral data and simulated spectral data in the research area are used as data sources, and some measured sample data are added to the training set composed of simulated sample data to build the BP neural network chlorophyll inversion model, and the model verification and accuracy evaluation are carried out with additional measured data.The results show that the training concentration can solve the over-fitting problem of chlorophyll inversion model by adding a small amount of measured data, improve the accuracy of chlorophyll content prediction, and accurately invert the vegetation information of roadways, which can be applied to the remote sensing monitoring and evaluation of roadways environment.

Key words: PRO-4SAIL, back propagation neural networks, overfitting, chlorophyll, expressway vegetation

中图分类号:

P237

郭云开, 许敏, 张晓炯, 刘雨玲. 结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演[J]. 测绘通报, 2020, 0(3): 21-24.

GUO Yunkai, XU Min, ZHANG Xiaojiong, LIU Yuling. Chlorophyll hyperspectral inversion with PRO-4SAIL and BP neural networks[J]. Bulletin of Surveying and Mapping, 2020, 0(3): 21-24.

参考文献

[1] 赵英时. 遥感应用分析原理与方法[M]. 北京:科学出版社, 2003.
[2] 肖洁. 基于几何光谱一体化的植株叶绿素反演研究[D].武汉:武汉大学,2018.
[3] 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.
[4] 葛丽娟. 基于PROSAIL模型的半干旱区春小麦生理生态参数反演[D].兰州:兰州大学,2018.
[5] 吴伶,刘湘南,周博天,等.利用PROSPECT+SAIL模型反演植物生化参数的植被指数优化模拟[J].应用生态学报,2012,23(12):3250-3256.
[6] VOHLAND M, JARMER T. Estimating structural and bioche-mical parameters for grassland from spectroradiometer data by radiative transfer modelling (PROSPECT+SAIL)[J]. International Journal of Remote Sensing,2008,29(1):191-209.
[7] JACQUEMOUD S,VERHOEF W,BARET F, et al.PROSPECT+SAIL models: a review of use for vegetation characterization [J].Remote Sensing of Environment,2009,113(S1):56-66.
[8] 颜春燕.遥感提取植被生化组分信息方法与模型研究[D].北京:中国科学院研究生院(遥感应用研所)2003.
[9] 李丹娜,郭云开,朱善宽,等.利用PRO4SAIL与支持向量机回归的组合模型反演植被等效水厚度[J].测绘通报,2017(8):50-55.
[10] 朱佳明,郭云开,刘海洋,等. 一种组合反演叶面积指数的方法[J].测绘科学,2019,44(1):60-65.
[11] 张雪,郑小慎.基于BP神经网络渤海湾表层叶绿素浓度反演方法探讨[J].海洋技术学报,2018,37(6):79-87.
[12] 刘文雅,潘洁.基于神经网络的马尾松叶绿素含量高光谱估算模型[J].应用生态学报,2017,28(4):1128-1136.
[13] 刘芬,屈成,肖楠,等. 水稻高光谱变化特征与叶绿素含量监测研究[J].激光生物学报,2017,26(4):326-333.
[14] 田静国,王树东,张立福,等.应用高光谱植被指数反演冬小麦叶绿素含量的光谱指标敏感性研究[J].科学技术与工程,2016,16(15):1-8.
[15] 李哲,张飞,陈丽华,等.光谱指数的植物叶片叶绿素含量估算模型[J].光谱学与光谱分析,2018,38(5):1533-1539.

结合PRO-4SAIL和BP神经网络的叶绿素含量高光谱反演

Chlorophyll hyperspectral inversion with PRO-4SAIL and BP neural networks

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

[1]	刘璐, 罗年学, 赵前胜. 基于历史数据的黄海浒苔爆发规模预测[J]. 测绘通报, 2022, 0(7): 7-11.
[2]	冯俊俊, 周立, 欧阳犬平, 周珍. 优化短期余水位组合预测模型[J]. 测绘通报, 2022, 0(3): 96-100.
[3]	丁仁军, 王友昆, 张君华, 刘晨. 基于BP神经网络的昆明天顶湿延迟模型[J]. 测绘通报, 2022, 0(3): 107-110.
[4]	毛斌, 韩文泉, 谢宏全, 吕海扬. 基于北京二号影像辅助nDSM的建筑物自动提取[J]. 测绘通报, 2022, 0(3): 132-137.
[5]	李紫微, 马庆勋, 吕杰. BP神经网络的近地面臭氧估算及时空特征分析[J]. 测绘通报, 2021, 0(6): 28-32,126.
[6]	宋宝, 柯福阳, 赵兴旺. 面向LiDAR/Radar松组合的迭代加权IEKF-BP组合算法精度分析[J]. 测绘通报, 2021, 0(2): 44-48.
[7]	江杉, 王益澄, 马仁锋. 中国东海叶绿素浓度变化分析及其海水温度响应[J]. 测绘通报, 2020, 0(6): 39-44.
[8]	鲁小红. 最优权组合预测法在采煤沉陷变形预测中的应用[J]. 测绘通报, 2020, 0(4): 111-115.
[9]	孟庆祥, 吴玄. 基于深度卷积神经网络的高分辨率遥感影像场景分类[J]. 测绘通报, 2019, 0(7): 17-22.
[10]	冯绍权, 花向红, 陶武勇, 宣伟, 吴伟, 续东. 一种基于GA-BP-MC神经网络的高铁桥墩沉降预测模型[J]. 测绘通报, 2019, 0(7): 50-53,82.
[11]	肖祥红, 刘海洋, 郭云开. 基于混合像元分解理论的路域植被等量水厚度遥感反演[J]. 测绘通报, 2019, 0(12): 83-86,95.
[12]	周访滨, 邹联华, 张晓炯, 孟凡一. 栅格DEM微地形分类的BP神经网络法[J]. 测绘通报, 2019, 0(10): 101-104,132.
[13]	韩红超. 量子粒子群BP神经网络在GNSS高程转换中的应用分析[J]. 测绘通报, 2019, 0(1): 85-88.
[14]	杨丁亮, 刘志平, 仲崇武. 百度地图坐标解密方法精度分析[J]. 测绘通报, 2018, 0(7): 43-47.
[15]	丰秋林, 郑南山. 机器学习算法辅助的GPS信噪比观测值土壤湿度反演[J]. 测绘通报, 2018, 0(7): 106-111.