基于人工神经网络的叶面积指数反演开题报告

1. 研究目的与意义

叶面积指数（LAI）作为植物光合作用的重要指标,具有非常重要的生态学意义，也是众多模型的关键参数，通过本研究实现大尺度的叶面积指数反演。

以植物叶面积为研究对象,综合优化其人工神经网络结构,构建最优的叶面积预测模型，进一步确立叶面积指数新指标，建立隐含层为1层和2层的两种神经网络反演模型，对比分析两种模型的反演精度，能够大大提高其计算效率。

2. 国内外研究现状分析

叶面积指数（lai）作为进行植物群体和群落生长分析的一个参数自1947年提出以来，已成为一个重要的植物学参数和评价指标，并在农业、果树业、林业以及生物学、生态学等领域得到广泛应用。

lai的提出首先开始于作物学，1917年作物生理作为一门学科由balls提出时，主要目的是明确作物产量发展的动态学。

植物绿色叶片的大小对光能利用、干物质积累、收获量及经济效益都有显著的影响，20世纪40年代中期英国农业生态学家waston在英格兰rothamsted田间工作基础上提出叶面积指数（leaf area index）的概念并采用lai来反映植物叶面的数量变化。

3. 研究的基本内容与计划

本次研究内容主要包括：

1、遥感影像基本预处理流程：辐射校正、几何配准、大气校正、图形裁剪、反射率提取。

2、叶面积指数等实测数据的野外获取。

4. 研究创新点

叶面积作为植物光合作用的重要指标,是研究作物及林木生产力的基础。

本项研究采用L-M算法和贝叶斯规则相结合的网络训练模式,以植物叶面积为研究对象,综合优化其人工神经网络结构,实现植物生长发育的实时观测，此方法开辟了计算叶面积指数的一个新思路，为替代传统经验反演提供了捷径；可以提高植物叶面积生长曲线模型的估算精度，为生长期预测预报提供更为准确的参数与方法。