造价通
更新时间:2026.11.14
基于热点植被指数的冬小麦叶面积指数估算

格式:pdf

大小:1.1MB

页数: 6页

针对传统植被指数方法中利用单一方向的光谱特性估测LAI容易出现饱和现象和冠层结构信息不足的缺陷,以二向反射特性的归一化植被指数(NHVI)为基础,将表征叶片空间分布模式的热暗点指数(HDS)引入土壤调整型植被指数(SAVI),增强型植被指数(EVI)中,构建具有二向反射特性的土壤调整型热点植被指数(SAHVI)和增强型热点植被指数(EHVI)。同时使用红光,近红外,蓝光和绿光波段计算HDS,选择对LAI敏感性较高的HDS参与构建新型植被指数,并利用试验测量的小麦冠层二向反射率数据和叶面积指数,研究新型植被指数与LAI的线性关系。结果表明:基于蓝光和红光波段计算的HDS参与构建的EHVI、SAHVI与LAI的线性相关程度要优于EVI、SAVI,且较NHVI有进一步提高,能有效缓解LAI估算中植被指数饱和现象。

基于地面高光谱数据的油茶炭疽病病情指数反演

格式:pdf

大小:385KB

页数:

使用FieldSpec HandHeldTM地物光谱仪采集不同发病程度的油茶冠层光谱数据,并实地调查油茶炭疽病病情指数,将光谱数据进行一阶微分与滑动平均滤波相结合的预处理,提取与病情指数相关性较高的敏感波段,并采用主成分分析法(principal component analysis,PCA)对敏感波段的光谱数据进行降维,分别以敏感波段和PCA降维处理后的敏感波段作为输入变量建立了病情指数的BP神经网络反演模型。两种建模方法建立的BP神经网络模型计算出的预测值与观测值之间的决定系数(R2)均达99%以上。精度检验证明,以PCA降维所得到的前10个主成分作为输入变量建立的10-7-1三层BP神经网络模型预测精度更高,模型计算出的预测值与观测值之间的决定系数(R2)和均方根误差(RMSE)分别为0.998 6和0.814 8。该研究表明,利用地面高光谱数据结合主成分分析和BP神经网络算法反演油茶炭疽病病情指数是一种有效的方法。

精华知识

高光谱植被指数

最新知识

高光谱植被指数
点击加载更多>>
专题概述
高光谱植被指数相关专题

分类检索: