科研之友
微信
新浪微博
Facebook
分享链接
摘要
氮是影响植物生长发育最重要的生化参量之一。当前遥感氮素反演方法大多利用多光谱或高光谱反射率数据，忽略了地表反射中偏振信息的影响，且反演模型对于复杂场景精度较差。本文通过机器学习与植被指数相结合的方法实现氮素反演，该方法利用广义回归神经网络的模拟双向偏振反射模型，将偏振信息引入植被生化参量反演模型，作为模型的输入数据补充反演先验知识，结合机器学习算法和植被指数构建反演模型，以此提升对氮素反演建模的预测精度，并在我国东南沿海地区测试该模型。精度评估结果表明：在加入偏振信息作为反演模型的先验补充后，4种地物分类目标在与使用光谱反射率预测结果相比，RMSE(均方根误差)提升分别为4.13%、6.91%、4.62%和6.12%,证明了考虑偏振反射及引入机器学习方法对氮素浓度反演的有效性。
- 单位
