关注公众号

关注公众号

手机扫码查看

手机查看

喜欢作者

打赏方式

微信支付微信支付
支付宝支付支付宝支付
×

PC-ANN模型用于水稻氮素定量遥感诊断精度优于线性模型

2010.6.29

  随着环境问题日益受到重视,如何在保证作物高产优质的同时防止或尽量减少作物生产带来的环境污染是各国政府、专家、环境工作者及生产者所必须解决的问题。因此,采取有效的氮素管理措施,合理施用氮肥,准确、迅速、经济地判断植物的氮素状况、确定作物的氮肥需要量以及提高氮肥的利用效率具有重大的经济和生态意义。

  遥感技术为获得不同尺度生化组分含量提供了一个便捷的多元化工具。定量化提取植被生化组分信息的研究随着高光谱技术的发展而飞快的发展起来,同时现代计算机技术提供了强大的计算和数据处理能力,极大程度地丰富了遥感提取生化组分信息的数据处理方法。数据挖掘技术因此应运而生,成为定量化提取植被生化组分信息研究中的热点问题。

  中国科学院新疆生态与地理研究所易秋香博士围绕遥感信息数据挖掘技术这一前沿课题,主要探讨主成分分析法(PCA)结合神经网络法(ANN)用于冠层尺度水稻氮含量遥感诊断的精度。通过水稻不同施肥梯度的控制试验,获取不同氮素水平水稻主要发育期的氮含量信息以及冠层光谱信息,在主成分分析的基础上,采用传统的多元线性回归法以及神经网络法构建氮含量遥感诊断模型,并对模型的精度采用RMSE以及REP进行对比检验。结果表明,与多元线性模型相比,将主成分得分值作为神经网络模型的输入变量所构建的PC-ANN模型表现更佳,其RMSE值以及REP值分别比线性模型降低17.6%和25.8%。相关研究成果发表在International Journal of Remote Sensing上。

推荐
热点排行
一周推荐
关闭