基于长短时记忆神经网络的葡萄叶面积指数高光谱反演

摘要：

针对高光谱数据众多波段间的多重共线性导致的维数灾难问题,为提升葡萄叶面积指数(leaf area index,LAI)的估算精度,提出一种基于敏感波段选择的长短时记忆神经网络(long short term memory,LSTM)估算模型.首先,采用无信息变量消除算法(uninformative variable elimination,UVE)剔除无关信息,以消除光谱波段间的多重共线性,降低光谱维度,提取葡萄LAI敏感波段;其次,采用TensorFlow深度学习框架构建LSTM神经网络模型.应用于陕西泾阳葡萄冠层光谱的LAI估算.结果表明:利用敏感波段构建的LSTM模型各项指标均优于偏最小二乘和支持向量机,其决定系数(R2)、均方根误差(RMSE)和希尔不等系数(TIC)分别为0.9635、0.0745和0.0254;基于原始光谱的LSTM模型的R2、RMSE和TIC分别为0.8810、0.1170和0.0398.UVE波段优选能够提升LSTM神经网络模型估算葡萄LAI的精度,对其他作物理化参量反演具有一定的指导意义.

关键词：长短时记忆神经网络、LAI反演、葡萄、无信息变量消除、高光谱遥感

所属期刊栏目：37

分类号：TP751(遥感技术)

资助基金：中国科学院战略性先导科技专项;国家重点研发计划

在线出版日期：2022-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：38-44