基于EnMAP卫星和深度神经网络的LAI遥感反演方法

• 作者: 朱溢佞 李雪玲 董莹莹 黄文江
• 来源期刊: 红外与毫米波学报
• 学科: 地球科学
• 关键词: 叶面积指数 高光谱遥感 EnMAP 深度神经网络 SSLLAI-Net
• 年，卷（期）: 2020,（1）
• 页码范围: 111-119
• 页数: 9页
• 分类号: P237
• 字数: 5005字
• 语种: 中文
• DOI: 10.11972/j.issn.1001-9014.2020.01.015

摘要

区域叶面积指数(Leaf Area Index,LAI)定量反演是开展大尺度农作物长势监测和产量估算的重要基础.针对当前区域LAI遥感定量反演存在的反演精度不理想和模型稳定性弱等问题,提出了一种基于少量训练样本进行LAI高精度反演的深度神经网络(Small Simple Learning LAI-Net,SSLLAI-Net).该网络由2个卷积层、1个池化层和3个全连接层构成,将光谱反射率数据作为网络输入端、输出端得到LAI反演值,且该网络模型可支持小样本数据量的训练.以德国阿尔卑斯山麓高光谱遥感卫星影像Environmental Mapping and Analysis Program(EnMAP)为数据源,以该区域的谷物、玉米、油菜、其他作物为研究对象,数值实验结果表明当各作物类别的训练样本量均为50时,基于SSLLAI-Net的LAI反演精度分别为0.95、0.99、0.98、0.90;且在添加噪声的情况下,各作物类别的LAI反演精度分别为0.95、0.98、0.96、0.89.综上,提出的基于深度神经网络的区域LAI遥感定量反演方法SSLLAI-Net是鲁棒可靠的,且该模型能够支持稳定的小样本建模.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黄文江	中国科学院空天信息创新研究院数字地球重点实验室	26	302	10.0	16.0
5	朱溢佞	首都师范大学数学科学学院	3	6	1.0	2.0
6	董莹莹	中国科学院空天信息创新研究院数字地球重点实验室	9	34	4.0	5.0
10	李雪玲	首都师范大学数学科学学院	1	0	0.0	0.0