為構(gòu)建一種對不同草地類型與時(shí)期的天然草場高精度產(chǎn)草量估測模型,快速獲取環(huán)青海湖區(qū)域月際產(chǎn)草量數(shù)據(jù)、減少數(shù)據(jù)處理和反復(fù)建模過程中的工作量,本試驗(yàn)基于高分衛(wèi)星影像數(shù)據(jù),以草地類型、植被指數(shù)及實(shí)測草場產(chǎn)草量為訓(xùn)練樣本,構(gòu)建了環(huán)青海湖地區(qū)天然牧草產(chǎn)草量神經(jīng)網(wǎng)絡(luò)預(yù)估模型。結(jié)果顯示:以2-6-1為構(gòu)架的人工神經(jīng)網(wǎng)絡(luò)模型,目標(biāo)誤差、學(xué)習(xí)次數(shù)設(shè)定為0.003,800時(shí),產(chǎn)草量模型預(yù)測值與實(shí)測值呈高度相關(guān)(R²=0.743,RMSE=58.531 g·m^-2),達(dá)到實(shí)際估產(chǎn)需求,證明本文人工神經(jīng)網(wǎng)絡(luò)模型對環(huán)青海湖區(qū)域天然牧草產(chǎn)草量估測的可行性與適用性。 

【文章來源】：草地學(xué)報(bào). 2020,28(05)北大核心

【文章頁數(shù)】：9 頁

【圖文】：

環(huán)青海湖區(qū)域樣地分布圖

挑取無云影、積水及積雪覆蓋的圖像,共獲取遙感影像97景。本研究利用ENVI5.3中,Apply Gain和Offset工具,進(jìn)行輻射定標(biāo);利用FLAASH Atmospheric Correction工具,進(jìn)行大氣校正;利用內(nèi)置的DEM,通過Geometric Correction/Orthorectification/RPC Orthorectification工具,重采樣選擇三次卷積法(Cubic Covolution),進(jìn)行正射校正[22];利用Geometric Correction/Registration/Image Registration Workflow,結(jié)合14處野外實(shí)驗(yàn)中的特殊點(diǎn),作為控制點(diǎn)進(jìn)行圖像配準(zhǔn);利用Gram-Schmidt(GS)法進(jìn)行圖像融合[23],在Gram-Schmidt Pan Sharpening工具中,重采樣仍為Cubic Covolution,Method for Low Resolution Pan挑選Create By Sensor Type,Resampling挑選Nearesi Neighbor,均方根誤差低于1個(gè)像元;利用Basic/Subset/Data via ROIs,進(jìn)行圖像的鑲嵌與剪裁。經(jīng)預(yù)處理,環(huán)青海湖區(qū)域8月份中下旬高分影像預(yù)處理成果如圖2。天然草地信息提取選擇支持向量機(jī)分類法(Support Vector Machine Classification,SVM)[24],利用ENVI5.3中Classification工具,對照環(huán)湖區(qū)域草地類型圖,參考Google Earth 1 m分辨率影像,利用屏幕交互式訓(xùn)練區(qū)劃分方法[25],確定天然草地典型光譜特征。結(jié)合外業(yè)抽樣調(diào)查數(shù)據(jù)和人工目視解譯結(jié)果[26],提取天然草地影像信息,海晏縣8月份天然草地提取成果如圖3。

天然草地信息提取選擇支持向量機(jī)分類法(Support Vector Machine Classification,SVM)[24],利用ENVI5.3中Classification工具,對照環(huán)湖區(qū)域草地類型圖,參考Google Earth 1 m分辨率影像,利用屏幕交互式訓(xùn)練區(qū)劃分方法[25],確定天然草地典型光譜特征。結(jié)合外業(yè)抽樣調(diào)查數(shù)據(jù)和人工目視解譯結(jié)果[26],提取天然草地影像信息,海晏縣8月份天然草地提取成果如圖3。1.2.3 植被指數(shù)計(jì)算

【參考文獻(xiàn)】：
期刊論文
[1]基于人工神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的研究及應(yīng)用[J]. 何堅(jiān)強(qiáng).  電子質(zhì)量. 2020(02)
[2]神經(jīng)網(wǎng)絡(luò)規(guī)則優(yōu)化建模與應(yīng)用[J]. 陳麗芳,馮力靜,劉保相.  計(jì)算機(jī)工程與科學(xué). 2019(12)
[3]合作市山地草甸草場植被蓋度、產(chǎn)草量及養(yǎng)分含量動態(tài)研究[J]. 俞聯(lián)平,李昀,李新媛,陳興榮,俞慧云,才讓吉,王學(xué)良,吳昌順,杜笑村,王銀花.  中國草食動物科學(xué). 2019(05)
[4]基于改進(jìn)最大值法合成NDVI的夏玉米物候期遙感監(jiān)測[J]. 李艷,張成才,羅蔚然,郜文江.  農(nóng)業(yè)工程學(xué)報(bào). 2019(14)
[5]高分遙感在自然資源調(diào)查中的應(yīng)用綜述[J]. 陳玲,賈佳,王海慶.  國土資源遙感. 2019(01)
[6]基于MODIS波段的蒙東地區(qū)春季植被枯落層蓋度研究[J]. 樂濤,張慧,李廣宇,仇潔,裴文明,燕守廣.  科技通報(bào). 2018(10)
[7]枯黃期草原火災(zāi)精細(xì)化風(fēng)險(xiǎn)預(yù)測[J]. 哈斯塔木嘎.  中國農(nóng)學(xué)通報(bào). 2018(25)
[8]面向?qū)ο蠓椒ǖ膹?fù)雜地形區(qū)地表覆蓋信息提取[J]. 賈偉,高小紅,楊靈玉,史飛飛,何林華.  蘭州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(04)
[9]三江源地區(qū)高寒草地地上生物量時(shí)空動態(tài)變化[J]. 楊淑霞,馮琦勝,孟寶平,高金龍,葛靜,梁天剛.  草業(yè)科學(xué). 2018(05)
[10]3種模型在GF-2影像的生物量估測中的比較[J]. 徐夢伶,林輝,孫華,嚴(yán)恩萍,周普良.  中南林業(yè)科技大學(xué)學(xué)報(bào). 2018(01)

博士論文
[1]內(nèi)蒙古草地生產(chǎn)力時(shí)空分析及產(chǎn)草量遙感估算和預(yù)測[D]. 劉海新.山東科技大學(xué) 2019
[2]牧區(qū)“水-土-草-畜”平衡調(diào)控模式與方法研究[D]. 鹿海員.中國水利水電科學(xué)研究院 2017
[3]內(nèi)蒙古草原火災(zāi)監(jiān)測預(yù)警及評價(jià)研究[D]. 都瓦拉.中國農(nóng)業(yè)科學(xué)院 2012

碩士論文
[1]基于高分二號遙感數(shù)據(jù)的樹種精細(xì)分類技術(shù)研究[D]. 劉金麗.北京林業(yè)大學(xué) 2019
[2]青藏高原草地生長季地表反照率時(shí)空變化及其驅(qū)動力分析[D]. 陳超男.河南大學(xué) 2019
[3]基于高分一號衛(wèi)星影像的冬小麥種植面積提取方法研究[D]. 韓林果.河南大學(xué) 2019
[4]基于高光譜和高分一號衛(wèi)星影像的冬小麥葉綠素遙感反演[D]. 王婷婷.西北農(nóng)林科技大學(xué) 2019
[5]基于多源遙感數(shù)據(jù)中國東北地區(qū)積雪覆蓋度監(jiān)測研究[D]. 吳桐.吉林大學(xué) 2019
[6]基于WOFOST模型與無人機(jī)圖像同化的小麥產(chǎn)量估測[D]. 周彤.揚(yáng)州大學(xué) 2019
[7]基于神經(jīng)網(wǎng)絡(luò)的牧戶尺度草地產(chǎn)草量監(jiān)測研究[D]. 伊博力.內(nèi)蒙古師范大學(xué) 2018
[8]基于GF-1遙感影像的農(nóng)作物面積提取方法研究[D]. 李杰.昆明理工大學(xué) 2018
[9]基于LM-BP神經(jīng)網(wǎng)絡(luò)的煤炭地下氣化選址決策探討[D]. 傅振斌.中國礦業(yè)大學(xué) 2017
[10]基于BP人工神經(jīng)網(wǎng)絡(luò)的煙熏香腸多元品質(zhì)預(yù)測研究[D]. 陳炎.合肥工業(yè)大學(xué) 2017



本文編號：2981035