基于變換域的植被高光譜遙感綜合反演研究.pdf

1、葉面積指數(shù)(LAI)是植被的重要結(jié)構(gòu)參數(shù)之一,高光譜遙感使得大面積估測LAI成為可能。但是,高光譜數(shù)據(jù)波段多、波段間的強(qiáng)相關(guān)性等特點(diǎn)帶來的數(shù)據(jù)冗余,不僅消耗反演時(shí)間,也大大降低了數(shù)據(jù)利用效率。本文基于PROSAIL物理輻射傳輸模型與神經(jīng)網(wǎng)絡(luò)相結(jié)合的綜合反演方法,從變換域的角度出發(fā),應(yīng)用主成分變換和偏最小二乘變換方法對(duì)高光譜遙感數(shù)據(jù)進(jìn)行降維,然后,利用特征信息反演LAI,與高光譜全波段數(shù)據(jù)、特征波段數(shù)據(jù)反演作對(duì)比,并綜合分析植被高光譜遙感

2、反演的影響因素。主要研究內(nèi)容和結(jié)論如下:
　　(1)訓(xùn)練數(shù)據(jù)的空間維數(shù)會(huì)影響LAI的反演結(jié)果。本文提出對(duì)原始數(shù)據(jù)進(jìn)行主成分變換和偏最小二乘變換,利用變換得到的特征信息反演LAI,與全波段數(shù)據(jù)、特征波段數(shù)據(jù)反演結(jié)果做比較,分析得出:
　　●PCA變換和PLS變換可以實(shí)現(xiàn)數(shù)據(jù)降維,變換后的反演精度高于全波段反演和特征波段反演,降低了反演誤差方程的相關(guān)性,提高了反演算法的收斂性和有效性;
　　●土壤未知時(shí),基于變換域的反演,

3、可以改善基于特征波段反演中實(shí)測LAI<0.5時(shí)反演LAI出現(xiàn)負(fù)值的現(xiàn)象,提高反演質(zhì)量。
　　●偏最小二乘回歸分析在提取能代替自變量和因變量的主要信息時(shí),同時(shí)考慮自變量和因變量之間的相關(guān)性。對(duì)全波段數(shù)據(jù)作偏最小二乘變換后,結(jié)合神經(jīng)網(wǎng)絡(luò)建立反算模型反演LAI,反演精度高于偏最小二乘回歸分析建立的多元回歸模型。
　　(2)噪聲使得模擬光譜更接近真實(shí)值,在基于PCA變換的反演中,用有噪聲的模擬數(shù)據(jù)建立的反算模型反演LAI。土壤未知時(shí)