本文主要研究内容
作者张宏鸣,刘雯,韩文霆,刘全中,宋荣杰,侯贵河（2019）在《基于梯度提升树算法的夏玉米叶面积指数反演》一文中研究指出：为了快速、准确、大范围获取大田夏玉米的叶面积指数(Leaf area index,LAI),基于实地采集的夏玉米LAI和株高,结合同时期的无人机多光谱影像,选择与夏玉米LAI相关性较强的8种植被指数以及株高作为反演LAI的输入变量,采用梯度提升树(Gradient boosting decision tree,GBDT)算法建立植被指数及株高与叶面积指数之间的预测模型,并与支持向量机(Support vector machine,SVM)和随机森林(Random forest,RF)算法建立的模型进行预测精度对比。结果表明,GBDT算法在3个样本组中的LAI预测值与实测值R~2分别为0. 571 0、0. 755 8、0. 644 1,均高于SVM算法(0. 547 2、0. 679 1、0. 616 8)和RF算法(0. 550 5、0. 697 3、0. 629 5);对应的RMSE分别为0. 002 7、0. 001 5、0. 001 6,均低于SVM算法(0. 211 7、0. 152 3、0. 159 7)和RF算法(0. 244 7、0. 214 7、0. 208 0)。该研究为快速准确的大田夏玉米LAI遥感监测提供了技术和方法。
Abstract
wei le kuai su 、zhun que 、da fan wei huo qu da tian xia yu mi de xie mian ji zhi shu (Leaf area index,LAI),ji yu shi de cai ji de xia yu mi LAIhe zhu gao ,jie ge tong shi ji de mo ren ji duo guang pu ying xiang ,shua ze yu xia yu mi LAIxiang guan xing jiao jiang de 8chong zhi bei zhi shu yi ji zhu gao zuo wei fan yan LAIde shu ru bian liang ,cai yong ti du di sheng shu (Gradient boosting decision tree,GBDT)suan fa jian li zhi bei zhi shu ji zhu gao yu xie mian ji zhi shu zhi jian de yu ce mo xing ,bing yu zhi chi xiang liang ji (Support vector machine,SVM)he sui ji sen lin (Random forest,RF)suan fa jian li de mo xing jin hang yu ce jing du dui bi 。jie guo biao ming ,GBDTsuan fa zai 3ge yang ben zu zhong de LAIyu ce zhi yu shi ce zhi R~2fen bie wei 0. 571 0、0. 755 8、0. 644 1,jun gao yu SVMsuan fa (0. 547 2、0. 679 1、0. 616 8)he RFsuan fa (0. 550 5、0. 697 3、0. 629 5);dui ying de RMSEfen bie wei 0. 002 7、0. 001 5、0. 001 6,jun di yu SVMsuan fa (0. 211 7、0. 152 3、0. 159 7)he RFsuan fa (0. 244 7、0. 214 7、0. 208 0)。gai yan jiu wei kuai su zhun que de da tian xia yu mi LAIyao gan jian ce di gong le ji shu he fang fa 。
论文参考文献
论文详细介绍
论文作者分别是来自农业机械学报的张宏鸣,刘雯,韩文霆,刘全中,宋荣杰,侯贵河，发表于刊物农业机械学报2019年05期论文，是一篇关于夏玉米论文,叶面积指数论文,多光谱论文,梯度提升树论文,植被指数论文,农业机械学报2019年05期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自农业机械学报2019年05期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：夏玉米论文; 叶面积指数论文; 多光谱论文; 梯度提升树论文; 植被指数论文; 农业机械学报2019年05期论文;