本發(fā)明涉及一種冬小麥lai的sar數(shù)據(jù)遺傳神經(jīng)網(wǎng)絡(luò)模型反演方法。特別是一種應(yīng)用雷達(dá)和多光譜衛(wèi)星數(shù)據(jù)協(xié)同、大面積檢測的葉面積指數(shù)的方法。

背景技術(shù)：

1、葉面積指數(shù)(leaf?area?i?ndex，lai)是生物地球化學(xué)循環(huán)中重要的植被結(jié)構(gòu)參數(shù)之一，與植被的呼吸、光合和蒸騰等生物物理過程及地球生態(tài)系統(tǒng)的氮、鉀和水循環(huán)等密切相關(guān)。本文將葉面積指數(shù)定義為單位地表面積上所有葉片面積之和的一半。葉面積指數(shù)是估算植被覆蓋度、監(jiān)測和預(yù)報(bào)農(nóng)作物長勢、生物量、產(chǎn)量等的重要指標(biāo)，因此，快速準(zhǔn)確反演葉面積指數(shù)對農(nóng)業(yè)監(jiān)測、生物地球化學(xué)循環(huán)等具有重要研究意義。

2、傳統(tǒng)葉面積指數(shù)地面測量雖然能獲得局部特定地表的葉面積指數(shù)值，但難以監(jiān)測大范圍的葉面積指數(shù)，而遙感技術(shù)憑借其覆蓋面積大、高時(shí)效性等優(yōu)點(diǎn)為區(qū)域或全球范圍內(nèi)的作物葉面積指數(shù)監(jiān)測提供了有效途徑?；诠鈱W(xué)遙感影像，葉面積指數(shù)遙感反演的主要手段是光學(xué)植被指數(shù)模型和物理模型，但兩種模型反演精度的高低與光學(xué)遙感影像是否受到云霧遮擋相關(guān)，使得可靠性和普適性較差。

3、然而合成孔徑雷達(dá)(synthet?ic?aperture?radar，sar)具有全天時(shí)、全天候的優(yōu)點(diǎn)，能夠穿云透霧，并且對于密集的植被冠層具有一定的穿透作用，在植被參數(shù)反演與監(jiān)測中具有較大的應(yīng)用潛力?；趕ar遙感影像，葉面積指數(shù)遙感反演的主要手段是經(jīng)驗(yàn)?zāi)Ｐ秃驮扑Ｐ?。?jīng)驗(yàn)?zāi)Ｐ褪抢胔h、hv、vv三種極化方式的后向散射系數(shù)，建立與實(shí)測葉面積指數(shù)的相關(guān)關(guān)系。i?noue等利用ka、ku、x、c和l五個(gè)波段測量了整個(gè)生長期水稻的全極化后向散射系數(shù)，入射角包括25°、35°、45°和55°，測量結(jié)果表明后向散射系數(shù)與水稻葉面積指數(shù)之間存在很好的相關(guān)性，而且在水稻生長的中后期hh極化明顯高于vv極化。

4、云水模型由attema和u?l?aby等在1978年首次提出的一種半經(jīng)驗(yàn)參數(shù)反演模型。由于水云模型的簡易性和實(shí)用性，隨后大量關(guān)于土壤濕度和植被生長參數(shù)反演研究均使用水云模型。u?l?aby等提出了多層植被散射模型，以此考慮來自植被冠層各組分(莖、葉和穗)的散射分量。

5、目前，國內(nèi)外反演冬小麥葉面積指數(shù)多采用單一影像數(shù)據(jù)源，單一生育期、單一模型進(jìn)行研究，利用多源數(shù)據(jù)、多生育期、多模型融合的方法，反演葉面積指數(shù)，至今較少。

6、考慮到以上問題，本發(fā)明基于gf-3sar影像和gf-1wfv影像，將光學(xué)與微波極化分解植被指數(shù)模型、改進(jìn)云水模型(mwcm)提取的后向散射系數(shù)、及改進(jìn)云水模型反演得到的葉面積指數(shù)作為輸入因子，提出了一種遺傳神經(jīng)網(wǎng)絡(luò)模型反演5個(gè)生育期冬小麥葉面積指數(shù)方法，該方法將光學(xué)和雷達(dá)遙感結(jié)合起來，充分利用各自的優(yōu)勢來反演地表參數(shù)非常有意義，能夠提高反演精度。

技術(shù)實(shí)現(xiàn)思路

1、針對數(shù)據(jù)源單一、生育期單一、模型單一冬小麥葉面積指數(shù)反演方法研究不足、精度偏低等問題，本發(fā)明結(jié)合多數(shù)據(jù)源、多生育期、多模型，建立了一種基于sar數(shù)據(jù)的遺傳神經(jīng)網(wǎng)絡(luò)模型冬小麥葉面積指數(shù)反演方法。

2、本發(fā)明的目的通過以下技術(shù)步驟實(shí)現(xiàn)：

3、步驟1)基于gf-1wfv和gf-3sar遙感影像數(shù)據(jù)，構(gòu)建光學(xué)與微波極化分解植被指數(shù)模型，獲得模型與實(shí)測葉面積指數(shù)的擬合精度圖；

4、步驟2)基于gf-3sar遙感影像數(shù)據(jù)，采用改進(jìn)云水模型得到后向散射系數(shù)hv、vv和vv，獲得3種后向散射系數(shù)與實(shí)測葉面積指數(shù)的擬合精度圖；

5、步驟3)基于gf-3sar遙感影像數(shù)據(jù)，采用改進(jìn)云水模型預(yù)測葉面積指數(shù),獲得預(yù)測葉面積指數(shù)與實(shí)測葉面積指數(shù)的擬合精度圖；

6、步驟4)基于gf-3sar遙感影像數(shù)據(jù)，將改進(jìn)云水模型得到的后向散射系數(shù)、改進(jìn)云水模型反演得到的葉面積指數(shù)和光學(xué)與微波極化分解植被指數(shù)模型作為神經(jīng)網(wǎng)絡(luò)模型的輸入因子，采用bp神經(jīng)網(wǎng)絡(luò)模型預(yù)測葉面積指數(shù)，獲得預(yù)測葉面積指數(shù)與實(shí)測葉面積指數(shù)的擬合精度圖；

7、步驟5)基于gf-3sar遙感影像數(shù)據(jù)，將改進(jìn)云水模型得到的后向散射系數(shù)、改進(jìn)云水模型反演得到的葉面積指數(shù)和光學(xué)與微波極化分解植被指數(shù)模型作為神經(jīng)網(wǎng)絡(luò)模型的輸入因子，采用bp神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性和遺傳算法的適應(yīng)度比例、實(shí)數(shù)交叉和變異三種方法增強(qiáng)訓(xùn)練和優(yōu)化搜素能力，構(gòu)建遺傳神經(jīng)網(wǎng)絡(luò)模型，獲得預(yù)測葉面積指數(shù)與實(shí)測葉面積指數(shù)的擬合精度圖和葉面積指數(shù)反演結(jié)果圖。

技術(shù)特征：

1.一種冬小麥lai的sar數(shù)據(jù)遺傳神經(jīng)網(wǎng)絡(luò)模型反演方法，該度量方法包括如下步驟：

2.如權(quán)利要求書1所述的方法，其特征在于，所述步驟1)：提出基于光學(xué)與微波極化分解植被指數(shù)模型與葉面積指數(shù)之間的經(jīng)驗(yàn)?zāi)Ｐ汀?/p>

3.如權(quán)利要求書1所述的方法，其特征在于，所述步驟2)：提出基于改進(jìn)云水模型得到后向散射系數(shù)模型hv、vv和vv與葉面積指數(shù)之間的經(jīng)驗(yàn)?zāi)Ｐ汀?/p>

4.如權(quán)利要求書1所述的方法，其特征在于，所述步驟3)：提出基于傳統(tǒng)云水模型理論的改進(jìn)云水模型。

5.如權(quán)利要求書1所述的方法，其特征在于，所述步驟4)：將改進(jìn)云水模型得到的后向散射系數(shù)、改進(jìn)云水模型反演得到的葉面積指數(shù)、及光學(xué)與微波極化分解植被指數(shù)模型作為bp神經(jīng)網(wǎng)絡(luò)模型的輸入因子，提出基于bp神經(jīng)網(wǎng)絡(luò)的葉面積指數(shù)反演模型。

6.如權(quán)利要求書1所述的方法，其特征在于，所述步驟5)：將改進(jìn)云水模型得到的后向散射系數(shù)、改進(jìn)云水模型反演得到的葉面積指數(shù)和光學(xué)與微波極化分解植被指數(shù)模型作為遺傳神經(jīng)網(wǎng)絡(luò)模型的輸入因子，提出基于遺傳神經(jīng)網(wǎng)絡(luò)的葉面積指數(shù)反演模型。

技術(shù)總結(jié)
本發(fā)明公開了一種冬小麥LAI的SAR數(shù)據(jù)遺傳神經(jīng)網(wǎng)絡(luò)模型反演方法。該方法包括如下步驟：步驟1)基于GF?1WFV和GF?3SAR數(shù)據(jù)，分析光學(xué)與微波極化分解植被指數(shù)模型與葉面積指數(shù)的相關(guān)性；步驟2)基于GF?3SAR數(shù)據(jù)，分析改進(jìn)云水模型得到的σ<subgt;mod</subgt;后向散射系數(shù)和實(shí)測葉面積指數(shù)相關(guān)性；步驟3)改進(jìn)云水模型得到的后向散射系數(shù)、改進(jìn)云水模型反演得到的葉面積指數(shù)、及光學(xué)與微波極化分解植被指數(shù)模型作為遺傳神經(jīng)網(wǎng)絡(luò)模型的輸入因子，利用BP神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性和遺傳算法的適應(yīng)度比例、實(shí)數(shù)交叉和變異三種方法增強(qiáng)訓(xùn)練和優(yōu)化搜素能力，構(gòu)建遺傳神經(jīng)網(wǎng)絡(luò)模型，以獲得更好的葉面積指數(shù)反演精度。

技術(shù)研發(fā)人員：班孝章,王凱倫,牛明昂,袁銘翔,張冬雪,王林芳,郭俊花,張利爭,賈培培,邵妍妍
受保護(hù)的技術(shù)使用者：河南智聯(lián)時(shí)空信息科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23