张添源
- 作品数：5 被引量：40H指数：4
- 供职机构：北京大学地球与空间科学学院遥感与地理信息系统研究所更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：自动化与计算机技术农业科学更多>>
- 基于BP神经网络的地表温度空间降尺度方法被引量：12
- 2018年
- 基于统计模型的降尺度方法被广泛用于热红外影像的尺度转换中,然而,大多数算法都会受到复杂地表环境的影响,例如地表覆盖、季节等。为了解决地表温度与光谱指数函数关系的不确定性,提出了一种新型的基于BP神经网络的地表温度降尺度方法。首先,在粗分辨率的情况下,训练得到一个以光谱指数为输入,原始温度为输出的BP神经网络。之后,输入高分辨率的光谱指数进而得到高分辨率的温度结果。实验通过设置多种光谱指数组合和BP网络隐藏层节点数而展开。结果评价时,以原始温度影像为参照,在城镇、植被和水体区域内,该方法的RMSE、R2、Bias及相对精度优于传统的分层线性回归降尺度方法。实测验证表明:该算法的RMSE和Bias分别达0.98℃、0.51℃,明显优于分层线性回归的结果(RMSE为2.9℃,Bias为1.7℃),说明该方法具有较高的降尺度精度,这对于城市热环境的研究具有一定的应用价值。
- 汪子豪秦其明孙元亨孙元亨张添源
- 关键词：地表温度降尺度BP神经网络光谱指数LANDSAT
- GF-4/PMS与GF-1/WFV两种传感器地表反射率及NDVI一致性分析被引量：12
- 2017年
- 2015年12月中国成功发射高分系列中首颗地球静止轨道卫星高分四号(GF-4),实现与高分一号(GF-1)近极地轨道卫星的优势互补,构成了具有多种空间和时间分辨率的对地观测体系。该文研究并分析了GF-4/PMS与GF-1/WFV地表反射率与NDVI的一致性,结果表明:一致性研究的最优空间尺度为50 m;GF-4/PMS与GF-1/WFV地表反射率存在较好的线性关系,各波段相关系数R均在0.7以上,传感器之间反射率的系统性偏差可以通过线性回归模型校正,校正后各波段反射率的RMSE明显降低;NDVI能够消除不同波段地表反射率"同增同减"偏差的影响,在GF-4地表反射率校正前后均表现出与GF-1较好的一致性,校正前后相关系数R分别为0.74和0.77。因此,GF-4在农业和植被遥感中具有较好的高分系列数据延续性和应用潜力。
- 孙元亨秦其明任华忠张添源
- 关键词：传感器地表反射率NDVI
- SCE标定结合EnKF同化遥感和WOFOST模型模拟冬小麦时序LAI被引量：6
- 2019年
- WOFOST(world food studies)模型可用于模拟冬小麦全生育期内的时序叶面积指数(leaf area index,LAI),各器官生物量以及最终产量,对冬小麦的长势监测与产量预估有着重要意义。但将WOFOST模型用于中国具体区域的冬小麦生长模拟时,存在着参数定标困难、模拟结果不够准确等严重问题。目前对该模型的定标大多依靠研究者的经验进行,虽已总结出了一套从标定到模拟应用的研究方法,但在区域模拟时仍然存在很多问题。为此,该文以较易获取的LAI为参考指标,结合潜在生长水平模式下的WOFOST模型在衡水地区的应用,提出了一种“区域优化标定,像元同化修正”的研究方法:首先在区域尺度上对WOFOST模型进行优化标定,利用扩展傅里叶幅度灵敏度检验法(extend fourier amplitude sensitivity test,EFAST)分析模型各个参数的敏感性,在此基础上选择了可以迅速找到全局最优解的SCE(shuffled complex evolution)算法对总敏感度最高的5个参数进行优化,并将优化前后的时序LAI曲线进行对比;其次运用第一步确定的模型最优参数,在对区域内每个像元进行模拟时,结合Sentinel-2卫星数据反演所得的各个像元LAI,利用集合卡尔曼滤波(ensemble kalman filter,EnKF)在像元尺度上对LAI进行同化修正,并结合采样点的2次实测LAI数据对同化所得结果进行验证。试验发现,优化标定后的WOFOST模型模拟所得LAI曲线更接近所给的LAI真值,在此基础上结合数据同化模拟得出的衡水地区每个像元LAI的R2达到0.87,RMSE仅为0.62。因此,与原来只能通过经验进行定标的方法相比,该方法有效地解决了WOFOST模型在具体应用中亟待解决的复杂标定问题,并且结合同化修正有效地提高了模型在各个像元的模拟精度,R^2由0.70~0.83提升至了0.87,RMSE由0.89~1.36降低至了0.62。同时该文也提供了从模型标定到具体模拟整个过程中各个环节的思路与方法,有利于
- 许伟秦其明张添源龙泽昊
- 关键词：遥感冬小麦SCE
- 基于Android的农田干旱遥感动态监测系统研制被引量：2
- 2021年
- 为了满足用户对农田干旱等农情观测的实际需求,在Android移动平台上建立了一套农田干旱遥感动态监测系统。该系统针对用户野外传统手工记录农田数据低效的问题,结合移动端设备的轻便和全球定位系统(global positioning system,GPS)定位服务,实现了户外农田数据采集与管理,完成了从作物数据录入、分析至成果导出的处理流程。同时,系统以用户实时干旱动态监测需求为目的,充分利用谷歌地球引擎(Google Earth Engine,GEE)遥感云计算平台的优势,引入了Landsat,MODIS和Sentinel等多源遥感数据,采用Flask框架实现了GEE平台Python接口接入方案,完成了研究区遥感数据源选取、干旱监测模型实时计算和干旱专题图绘制等实用的农田干旱动态监测功能,为用户提供了一种易于携带、方便应用的技术平台。
- 龙泽昊张添源许伟秦其明
- 关键词：动态监测ANDROID云计算平台FLASK
- 基于长短期记忆网络的冬小麦连续时序叶面积指数预测被引量：8
- 2020年
- 连续时序的叶面积指数(LAI)可反映冬小麦长势的变化情况,预测冬小麦未来时段的LAI对指导田间管理决策具有重要作用。以WOFOST(World Food Studies)为代表的作物生长模型可通过模拟冬小麦的生长发育过程对未来LAI曲线进行预测,但其预测过程依赖于未来的气象数据等难以获取的输入参数。由于冬小麦的LAI时序变化具有连续性和规律性的特点,可通过深度学习方法仅以历史LAI为输入参数对未来LAI进行预测,但深度学习方法需要大量样本参与训练,训练样本的稀缺性限制了其在LAI预测方面的实际应用。针对上述问题,通过数据同化方法将遥感数据与WOFOST模型相结合,采用SCE(Shuffled Complex Evolution)算法最小化校正后的MODIS LAI产品与模型模拟LAI之间差值来优化作物模型初始参数,从而构建出京津冀地区15年的逐日冬小麦LAI数据集。在该数据集基础上,利用长短期记忆网络(LSTM)分别建立了不同输入历史LAI天数的多个冬小麦预测模型,探究了不同预测模型表达冬小麦生育期中LAI变化规律的能力。结果表明:基于LSTM网络的预测模型都能较好进行冬小麦LAI未来曲线变化的预测,其中当模型输入LAI长度为20时,预测冬小麦从返青到成熟阶段的LAI精度最高,其决定系数(R^2)、均方根误差(RMSE)值分别为0.9865和0.1836。对于冬小麦生长各个阶段,预测模型对于返青至开花期的预测精度高,开花至成熟期的预测精度稍有降低。总体而言,构建训练数据集的方法对于深度学习方法在相似问题中的应用具有借鉴意义,建立的预测模型验证了LSTM网络对于冬小麦时序LAI曲线具有较好的预测能力,为预测作物未来时序LAI提供了一种有效的方法。
- 龙泽昊秦其明张添源张添源
- 关键词：叶面积指数WOFOST模型数据同化
