基于GF-1 WFV影像和机器学习算法的玉米叶面积指数估算

目的 叶面积指数（LAI）是重要的植被生物理化参数,对农作物长势和产量预测具有重要研究意义。基于物理模型和经验模型的LAI估算方法被认为是当前最常用的方法,但两种方法的估算效率和精度有限。近年来,机器学习算法在遥感监测领域广泛应用,算法具有描述非线性数据拟合、融合更多辅助信息的能力,为了评价机器学习算法在玉米LAI遥感估算中的适用性,本文分析比较了随机森林和BP神经网络算法估算玉米LAI的能力,并与传统经验模型进行了比较。方法 以河北省怀来县东花园镇为研究区,基于野外实测玉米LAI数据,结合同时期国产高分卫星（GF1-WFV影像）,首先分析了8种植被指数与LAI的相关性,进而采用保留交叉验证的方式将所有样本数据分为两部分,65%的数据作为模型训练集,35%作为验证集,重复随机分为3组,构建以8种植被指数为自变量,对应LAI值为因变量的RF模型、BP神经网络模型及传统经验模型。采用决定系数R²和均方根误差（RMSE）作为模型评价指标。结果 8种植被指数与LAI的相关性分析表明所有样本数据中,实测LAI值与各植被指数均在（P<0.01）水平下极显著相关,且相关系数均高于0.5;将3组不同样本数据在随机森林、BP神经网络算法中多次训练,并基于验证数据集进行估算精度检验,经验模型采用训练数据集建模,验证数据集检验,结果表明,RF模型表现出了较强的预测能力,LAI预测值与实测值R²分别为0.681、0.757、0.701,均高于BP模型（0.504、0.589、0.605）和经验模型（0.492、0.557、0.531）,对应RMSE分别为0.264、0.292、0.259;均低于BP模型（0.284、0.410、0.283）和经验模型（0.541、0.398、0.306）。结论 研究表明,RF算法能更好地进行玉米LAI遥感估算,为快速准确进行农作物LAI遥感监测提供了技术参考。     

基于多源遥感的建筑区绿化垂直分布特征与空间配置分析——以匈牙利塞克什白堡市为例

为定量描述城市绿化垂直分布特征及其与建筑空间的数量配置关系,以匈牙利塞克什白堡市为例,基于多源遥感数据提取城市绿地和建筑物三维信息,采取垂直空间高度抽样方法,量化不同高度层上绿色空间和建筑空间的分布数量,并依据二者配置的数量关系,将高度空间划分为"相对匮乏层"和"相对饱和层",对比分析了不同功能区的垂直空间配置特征,及其与建筑群结构的相关性。研究结果表明:(1)住宅区和商业区的绿色空间垂直配置结构相似,但住宅区在配置数量上占优;(2)因配置数量不足、垂直配置结构单一等因素,导致商业区三层及以下建筑位置在绿化配置数量上处于较低水平;住宅区因高空绿化配置数量远少于高层建筑数量,存在"高空绿色匮乏"现象;(3)高密度的低建筑群是造成商业区"低空绿色匮乏"的主要建筑结构来源;而忽视高建筑物低密度区的"高空绿化"则是造成住宅区绿色空间匮乏的首要原因。