典型文献
基于卫星光谱数据与机器学习的东南沿海地区植被氮素遥感反演
文献摘要：
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.
文献关键词：
遥感氮素反演;偏振信息;机器学习;生化指数
中图分类号：
作者姓名：
何鹏;贺宇豪;汪建武;杨彬
作者机构：
南华大学机械工程学院,湖南衡阳 421000;湖南大学电气与信息工程学院,湖南长沙 410082;湖南大学湖南发展研究院,湖南长沙 410082
文献出处：
引用格式：
[1]何鹏;贺宇豪;汪建武;杨彬-.基于卫星光谱数据与机器学习的东南沿海地区植被氮素遥感反演)[J].测绘与空间地理信息,2022(08):29-32
A类：
遥感氮素反演
B类：
星光,光谱数据,东南沿海地区,遥感反演,植物生长发育,参量,反演方法,多利,多光谱,高光谱,光谱反射率,射中,偏振信息,反演模型,复杂场景,植被指数,法利,广义回归神经网络,偏振反射,输入数据,先验知识,机器学习算法,指数构建,精度评估,种地,地物分类,类目,RMSE,机器学习方法,氮素浓度,生化指数
AB值：
0.302777
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
