基于深度学习的森林可燃物含水率反演技术?

[目的]探究基于卫星遥感数据的森林可燃物含水率反演,比较深度学习模型与传统机器学习模型的精度,并探索一种解决冠层遮挡问题的方案,为全国建立森林可燃物含水率数据库提供理论依据.[方法]以河北省张家口市崇礼区为研究区,基于实地测量数据,针对传统机器学习模型误差较大的问题,建立深度学习中的多层感知机(MLP)模型,研究光谱反射率与森林冠层植被和地表枯落物含水率之间的关系,并与传统机器学习中的支持向量回归(SVR)模型进行精度对比.选取与实地考察时间同季度的哨兵遥感数据,以光谱反射率、光谱水分指数等遥感估测法中常用变量作为反演森林冠层植被和地表枯落物含水率的影响因子,结合实地考察数据进行模型训练.针对以往采用遥感估测法反演地表枯落物含水率遇到的冠层遮挡问题,使用双向反射分布函数处理遥感数据获得不同观测角度的遥感数据,结合辐射传输模型,将冠层反射率映射到地表反射率后再训练模型.[结果]以红光、绿光、近红外和短波红外波段为输入变量的MLP模型在森林冠层植被含水率反演中的拟合度为0.843,优于SVR中最优模型的拟合度0.807,精度提高4.5％;MLP模型在地表枯落物含水率反演中拟合度为0.448,优于SVR中最优模型的拟合度0.408,精度提高9.8％.利用最优拟合模型反演崇礼区森林可燃物含水率灰度图和分布图,西部区域冠层植被含水率较高,东南地区地表枯落物含水率较高.[结论]本研究探索出一种解决光学遥感在冠层到地表间穿透性较差问题的优化方案,也为使用遥感估测法大尺度测定地区冠层植被以及地表枯落物含水率提供理论依据.