一种新颖的样本选择策略,用于估算高光谱图像中的作物叶面积指数
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:A Novel Sample Selection Strategy to Estimate Crop Leaf Area Index for Hyperspectral Images
【字体:
大
中
小
】
时间:2026年04月22日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4
编辑推荐:
摘要:叶面积指数(LAI)是作物监测和精准农业中的一个关键生物物理变量。通过使用光谱统计或土地覆盖分类从中等分辨率的LAI产品中选择均匀样本,可以在不依赖地面观测的情况下实现高分辨率LAI的反演,从而为大面积应用提供实用的解决方案。然而,这种方法通常无法考虑土地覆盖的内部结构,特
摘要:
叶面积指数(LAI)是作物监测和精准农业中的一个关键生物物理变量。通过使用光谱统计或土地覆盖分类从中等分辨率的LAI产品中选择均匀样本,可以在不依赖地面观测的情况下实现高分辨率LAI的反演,从而为大面积应用提供实用的解决方案。然而,这种方法通常无法考虑土地覆盖的内部结构,特别是农田的空间分布。为了解决这一限制,本研究提出了一种基于农田分布指数(CFDI)和多个中等分辨率LAI产品的新样本选择策略。采用了一种基于卷积神经网络(CFDI-LRM)的LAI反演模型,该模型在选定样本上进行了训练,能够从山东齐河地区的ZY-1F高光谱图像生成30米分辨率的LAI图。与基于光谱统计的传统方法相比,CFDI能够选择更具代表性的样本,更好地保留研究区域内不同农田之间LAI的变异性。结果表明,CFDI-LRM不仅在多个空间分辨率下与LAI产品的吻合度最高,而且其空间分布模式也与实际田地边界高度吻合。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号