區(qū)域葉面積指數(shù)(Leaf Area Index,LAI)定量反演是開展大尺度農(nóng)作物長勢監(jiān)測和產(chǎn)量估算的重要基礎(chǔ)。針對當(dāng)前區(qū)域LAI遙感定量反演存在的反演精度不理想和模型穩(wěn)定性弱等問題,提出了一種基于少量訓(xùn)練樣本進行LAI高精度反演的深度神經(jīng)網(wǎng)絡(luò)(Small Simple Learning LAI-Net,SSLLAI-Net)。該網(wǎng)絡(luò)由2個卷積層、1個池化層和3個全連接層構(gòu)成,將光譜反射率數(shù)據(jù)作為網(wǎng)絡(luò)輸入端、輸出端得到LAI反演值,且該網(wǎng)絡(luò)模型可支持小樣本數(shù)據(jù)量的訓(xùn)練。以德國阿爾卑斯山麓高光譜遙感衛(wèi)星影像Environmental Mapping and Analysis Program(EnMAP)為數(shù)據(jù)源,以該區(qū)域的谷物、玉米、油菜、其他作物為研究對象,數(shù)值實驗結(jié)果表明當(dāng)各作物類別的訓(xùn)練樣本量均為50時,基于SSLLAI-Net的LAI反演精度分別為0. 95、0. 99、0. 98、0. 90;且在添加噪聲的情況下,各作物類別的LAI反演精度分別為0. 95、0. 98、0. 96、0. 89。綜上,提出的基于深度神經(jīng)網(wǎng)絡(luò)的區(qū)域LAI遙感定量反演方法 SSLLAI-Net是魯棒可...

【文章頁數(shù)】：9 頁

【文章目錄】：
引言
1 材料與方法
    1.1 研究區(qū)與數(shù)據(jù)
    1.2 基于小樣本深度學(xué)習(xí)網(wǎng)絡(luò)SSLLAI-Net的葉面積指數(shù)反演方法
        1.2.1 深度神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        1.2.2 小樣本深度學(xué)習(xí)網(wǎng)絡(luò)SSLLAI-Net的結(jié)構(gòu)及LAI反演流程
        1.2.3 網(wǎng)絡(luò)驗證
2 數(shù)值實驗結(jié)果與分析
    2.1 基于EnMAP衛(wèi)星高光譜數(shù)據(jù)的葉面積指數(shù)定量反演
    2.2 結(jié)果分析與對比
    2.3 深度神經(jīng)網(wǎng)絡(luò)的抗噪性分析
3 總結(jié)



本文編號：3814031