基于EnMAP卫星和深度神经网络的LAI遥感反演方法

作     者：李雪玲 董莹莹 朱溢佞 黄文江 LI Xue-Ling;DONG Ying-Ying;ZHU Yi-Ning;HUANG Wen-Jiang

作者机构：首都师范大学数学科学学院北京100048 中国科学院空天信息创新研究院数字地球重点实验室北京100094 中国科学院空天信息创新研究院北京100094 

出 版 物：《红外与毫米波学报》 (Journal of Infrared and Millimeter Waves)

年 卷 期：2020年第39卷第1期

页      面：111-119页

核心收录：

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 

基　　金：国家自然科学基金“结合形态和营养指标的小麦长势遥感监测方法”(41601466) 国家重点研发计划项目“粮食作物重大病虫害遥感监测预警与防控技术”(2017YFE0122400) 中国科学院青年创新促进会(2017085) 北京市教委科技计划一般项目(KM201710028002)~~ 

主　　题：叶面积指数 高光谱遥感 EnMAP 深度神经网络 SSLLAI-Net 

摘      要：区域叶面积指数(Leaf Area Index,LAI)定量反演是开展大尺度农作物长势监测和产量估算的重要基础。针对当前区域LAI遥感定量反演存在的反演精度不理想和模型稳定性弱等问题,提出了一种基于少量训练样本进行LAI高精度反演的深度神经网络(Small Simple Learning LAI-Net,SSLLAI-Net)。该网络由2个卷积层、1个池化层和3个全连接层构成,将光谱反射率数据作为网络输入端、输出端得到LAI反演值,且该网络模型可支持小样本数据量的训练。以德国阿尔卑斯山麓高光谱遥感卫星影像Environmental Mapping and Analysis Program(EnMAP)为数据源,以该区域的谷物、玉米、油菜、其他作物为研究对象,数值实验结果表明当各作物类别的训练样本量均为50时,基于SSLLAI-Net的LAI反演精度分别为0. 95、0. 99、0. 98、0. 90;且在添加噪声的情况下,各作物类别的LAI反演精度分别为0. 95、0. 98、0. 96、0. 89。综上,提出的基于深度神经网络的区域LAI遥感定量反演方法 SSLLAI-Net是鲁棒可靠的,且该模型能够支持稳定的小样本建模。