基于EnMAP卫星和深度神经网络的LAI遥感反演方法

P237; 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.