基于SARIMA-BP神经网络组合方法的MODIS叶面积指数时间序列建模与预测

植被叶面积指数(LAI)时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。MODIS数据产品MOD15A2是目前应用最为广泛的LAI数据源之一,然而MODIS LAI时间序列产品包含了一些低质量的数据,例如由于云层、气溶胶等的影响,该产品在时间和空间上缺乏连续性。MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分,单一的线性方法或非线性方法都不能对其精确建模和预测。首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列,然后采用季节自回归积分滑动平均(SARIMA)方法、BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。在SARIMA-BP神经网络组合方法中,各自在线性与非线性建模的优势得以充分发挥,其中SARIMA方法用于建模及预测LAI时间序列中的线性部分,BP神经网络方法用于对非线性残差部分进行建模及预测。实验结果显示：SG滤波和线性插值后的LAI时间序列比原LAI时间序列更平滑;SARIMA-BP神经网络组合方法的决定系数为0.981,比SARIMA和BP神经网络的0.941和0.884更接近于1;SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991,高于SARIMA(0.971)和BP神经网络(0.942)的相关系数。由此得出结论：SARIMA-BP神经网络组合方法对MODIS LAI时间序列具有更好的适应性,其建模和预测准确性高于SARIMA方法或BP神经网络方法。     

小麦叶面积指数的高光谱反演

以高光谱遥感技术实现了小麦叶面积指数(leaf area index,LAI)的反演.对18种高光谱指数进行了比较分析,筛选出了可敏感反映小麦LAI的高光谱指数OSAVI,并以地面光谱数据为样本建立了小麦LAI的反演模型.分析表明,指数OSAVI所建立的反演模型校正集与预测集R2分别达0.823与0.818,在各指数中反演精度最高.利用反演模型逐象元对OMIS影像进行解算,实现小麦LAI的空间量化表达,并将反演结果与地面实测值进行回归拟合,发现两组数据的拟合模型R2达0.756,RMSE为0.500,具有较高的相似度.结果表明:以高光谱指数进行小麦LAI的反演是可行的,且OSAVI为优选指数.     

利用地表温度与LAI的新型土壤湿度监测方法

地表温度（T_s）是土壤湿度和植被生长状态等因素的综合反映,利用植被指数和T_s能够监测土壤湿度的时空分布特征。利用农田气候模型CUPID的T_s模拟结果,发展了利用温度与叶面积指数（LAI）的新型土壤水分反演方法（advanced temperature vegetation dryness index, ATVDI）。前人研究表明归一化植被指数（NDVI）容易达到饱和状态,因此利用LAI代替NDVI开展土壤水分反演。利用CUPID模型模拟结果构建LAI-T_s散点图,分析T_s随LAI与土壤湿度的变化特征,利用对数关系式改进了温度植被干旱指数（TVDI）中相同土壤湿度时T_s与植被指数之间的线性关系,建立了ATVDI方法。在实际应用中,首先利用LAI与T_s的散点图确定对数曲线的上边界与下边界,然后采用查找表的方法将每个像元对应的T_s变换为研究区最小叶面积指数对应的T_s。以陕西省关中作为研究区,利用MODIS的LAI和T_s产品（MOD11A2和MOD15A2）以及野外观测土壤湿度数据对ATVDI模型进行验证,结果表明该方法具有较高的监测精度,R2达到0.62。此外,ATVDI的计算结果具有一定的物理意义,使得不同时期的监测结果具有一致性,因而可更好地满足不同空间尺度土壤湿度的动态监测。     

基于实测光谱的植被指数对水稻叶面积指数的响应特征分析

叶面积指数(LAI)是目前最常用的农业生态监测指标,可以为农作物的病虫害监测、作物长势监测、碳循环、生物量估算及作物估产提供依据。植被指数(VI)是卫星LAI产品生产的重要数据源,但不同VIs对植被LAI的响应特征具有一定的差异性。以江西省水稻为例,基于实测光谱提取了水稻实测VIs,结合实测LAI,讨论了归一化植被指数(NDVI)、增强型植被指数(EVI)、土壤调节植被指数(SAVI)和修正的土壤调节植被指数(MSAVI)四种常见VIs对LAI的响应特征,并与MODIS LAI备用算法的计算结果进行了对比分析,研究了不同VIs用于LAI产品反演的可行性及存在的问题。通过对不同实测VIs-LAI模型精度的评估,分析其应用于LAI反演的适应性,结果显示EVI,SAVI和MSAVI比NDVI有更好的适应性,其中EVI效果最优。此外,通过对比MODIS LAI备用算法查找表,发现针对MODIS LAI备用算法中草地与谷物作物这一地表覆盖大类,在LAI>4时,NDVI出现饱和;而实测水稻作物的NDVI在LAI>2时开始出现饱和;且当NDVI相同时,查找表LAI远大于实测LAI,MODIS备用算法中使用的地表覆盖产品分类过粗可能是造成这一结果的主要原因。因此MODIS LAI备用算法在该区域水稻LAI监测中可能产生较大误差,有必要改用其他VIs优化该备用算法。通过对比分析四种VIs模型对LAI的预测误差,发现EVI,SAVI和MSAVI精度明显优于NDVI,基于EVI的模型平均预测误差仅为MODIS LAI备用算法的1/6,基于实测NDVI反演算法的1/2,因此设计基于EVI的LAI算法对LAI的反演精度有一定的提升空间。     

基于长短期记忆网络的冬小麦连续时序叶面积指数预测

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0.986 5和0.183 6。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。     

PROSAIL冠层光谱模型遥感反演区域叶面积指数

大面积区域作物叶面积指数遥感反演,对指导作物管理具有非常重要的意义,验证和发展基于物理叶面积指数遥感反演可避免基于经验模型的缺点。以北京地区青云店、魏善庄和高丽营为研究区,采用MODIS和ASTER两类不同空间分辨率遥感数据,探讨PROSAIL物理模型反演冬小麦叶面积指数的可行性,尤其在不同空间分辨率遥感数据上的稳定性,并与经验模型进行了对比分析。 与经验模型相比,物理模型模拟LAI值更具真实性;用线性组分加权的方法,对小尺度物理模型反演LAI进行尺度扩展并与基于大尺度遥感数据的LAI物理反演结果相对比,相差不大,说明LAI物理反演方法在空间尺度上的稳定性。     

利用MODIS近红外数据反演大气水汽含量研究

大气水汽含量(precipitable water vapor, PWV)对遥感定量化及生态环境方面研究具有重要意义。针对传统水汽探测方法存在的问题,提出一种基于多通道表观反射率的ICIBR(improved continuum interpolated band ratio)水汽遥感反演方法。该方法结合MODIS数据第17,18和19三个近红外通道的水汽吸收特点,利用MODTRAN模型模拟大气含水量与三个通道ICIBR之间的关系,构建了适用于MODIS数据的ICIBR大气水汽含量定量反演模型。基于提出的ICIBR水汽反演方法,选择北美洲南部典型干旱、半干旱区德克萨斯州、俄克拉荷马州等地区为研究区,使用不同时间的四期MODIS 1B数据进行水汽反演实验。同时,选择SuomiNet提供的GPS水汽地基观测数据对反演结果进行精度验证以及MODIS大气水汽产品(MOD05)进行对比评价。验证和对比结果表明：该算法水汽反演结果与GPS水汽实测数据具有较高的一致性(r=0.967),均方根误差为0.276 cm,有71.08%的观测点对满足水汽反演误差精度(EE~±0.05+0.15PWV_gps)要求,同时与MOD05大气水汽产品相比,该方法在反演精度和准确估计方面有了较大提高,能够有效降低61%的水汽反演高估现象。该方法较传统算法更为简易、实用,具有较高的整体水汽反演精度。     

利用冰水同心球模型反演冰水混合云

将云看作由众多冰水同心球粒子所构成,建立冰水同心球模型。模拟冰水混合云,计算可见光(0.66μm)和近红外波段(1.64μm和2.14μm)的反射函数和光学厚度,建立查找表。选取MODIS卫星数据中1通道、6通道和7通道数据,用最小方差拟合法反演光学厚度、有效粒子半径,和MOD06数据中的光厚度和有效粒子半径对比结果较一致,实验结果表明提出的冰水混合云的反演方法具有合理性。     

耦合京津冀气溶胶模式的HJ-1卫星CCD数据大气校正

针对目前HJ-1 CCD大气校正没有考虑中国地区气溶胶模式的问题,提出一种耦合中国地区局部气溶胶模式的大气校正方法。以京津冀地区作为研究区域,该方法对地基北京城区和香河站点反演的气溶胶模式参数进行聚类,得到京津冀地区具有代表性的四类气溶胶模式,并根据四类气溶胶模式来建立查找表进行气溶胶光学厚度的反演。HJ-1 CCD数据没有短波红外波段(2.12 μm),无法采用MODIS的气溶胶算法中获得地表反射率的方法来计算蓝红波段的反射率,本文在气溶胶光学厚度的反演中采用HJ-1卫星的蓝色(0.43~0.52 μm)和红色(0.63~0.69 μm)波段的反射率比值作为误差方程的依据,不需要输入地表目标的反射率。基于反演后的光学厚度对HJ-1 CCD数据进行大气校正,并与ASD光谱辐射计测量数据以及MODIS地表产品数据(MOD09)进行对比。结果表明,该方法得到的大气校正结果与ASD测量结果接近,并与MOD09有较强的相关性,红色波段的平均相关系数达到了0.8以上,受气溶胶影响最大的蓝色波段平均的相关系数也达到了0.75左右。     

改进的QGA-ELM算法水稻叶面积指数反演模型

为了通过植被指数（VI）准确、可靠的获取不同施肥梯度、不同品种的水稻叶面积指数（LAI）,提出了一种基于改进的QGA-ELM算法应用于水稻LAI反演。首先通过8折交叉验证确定极限学习机(ELM)最佳的隐含层神经元个数与隐含层激活函数类型,再通过引入组合动态旋转角策略、单点混沌交叉操作、混沌变异操作、确定性选择策略、量子灾变操作对量子遗传算法（QGA）进行改进,最后使用改进后的QGA算法优化ELM神经网络输入层到隐含层的连接权值和隐含层的阈值。为了验证该模型普适性和有效性,依次建立多元线性回归、BP、ELM、QGA-ELM、改进的QGA-ELM算法5种模型,并在不同数据集上进行反演效果比较,结果表明：（1）对比QGA-ELM算法和改进的QGA-ELM算法进化过程,改进的算法能有效提升模型寻优能力,避免算法早熟,且能寻得更优结果。（2）对比五种算法在不同数据集上的反演效果,验证了NDVI,RVI与LAI之间主要为非线性关系,且ELM神经网络模型反演效果要优于BP神经网络模型和多元线性回归模型。（3）对比五种算法在不同数据集上的反演效果,改进的QGA-ELM算法绝大部分情况下拥有最高的反演精度和最低的误差,改进后的算法反演精度得到了明显提升,泛化性能也得到了增强。（4）改进的QGA-ELM算法在各种施肥梯度上均具有最高反演精度和最低误差,且精度较高,能为不同生长状况水稻LAI反演提供依据。（5）五种模型对庆和香LAI反演精度均要高于龙稻18,而改进的QGA-ELM算法在不同水稻品种上依然具有较高的反演精度,且在不同水稻品种上反演精度相差极小,远低于其他四种模型,能很好适应不同水稻品种LAI反演要求,极大提升模型的稳定性性,为不同水稻品种反演提供参考意义。     

Tracking noisy limit cycle oscillation with nonlinear filters

For engineering systems, the dynamic state estimates provide valuable information for the detection and prediction of failure due to noise and vibration. From this perspective, nonlinear filtering techniques are applied to the problem of state estimation of dynamical systems undergoing noisy limit cycle oscillation. Specifically, the extended Kalman filter, ensemble Kalman filter and particle filter are used to track the limit cycle oscillations of a Duffing oscillator using noisy observational data. The noisy limit cycle oscillations feature highly non-Gaussian trends. The efficiency and limitations of the extended Kalman filter, ensemble Kalman filter and particle filter in tracking limit cycle oscillations are examined with respect to the model and measurement noise and sparsity of measurement data. For the limit cycle oscillations considered here, it is demonstrated that the ensemble Kalman filter and particle filter outperform the extended Kalman filter in the presence of sparse observational data or strong measurement noise. For moderate measurement noise and frequent measurement data, the ensemble Kalman filter and particle filter perform equally well in comparison to the extended Kalman filter.     

基于SVM与RF的苹果树冠LAI高光谱估测

叶面积指数(leaf area index,LAI)是反映作物群体大小的较好的动态指标。运用高光谱技术快速、无损地估测苹果树冠叶面积指数,为监测苹果树长势和估产提供参考。以盛果期红富士苹果树为研究对象,采用ASD地物光谱仪和LAI-2200冠层分析仪,在山东省烟台栖霞研究区,连续2年测量了30个果园90棵苹果树冠层光谱反射率及LAI值;通过相关性分析方法构建并筛选出了最优的植被指数;利用支持向量机(support vector machine, SVM)与随机森林(random forests, RF)多元回归分析方法构建了LAI估测模型。新建的GNDVI₅₂₇,NDVI₆₇₆,RVI₆₈₂,FD-NVI₆₅₆和GRVI₅₁₇五个植被指数及前人建立的两个植被指数NDVI₆₇₀和NDVI₇₀₅与LAI的相关性都达到了极显著水平;建立的RF回归模型中,校正集决定系数C-R2和验证集决定系数V-R2为0.920,0.889,分别比SVM回归模型提高了0.045和0.033,校正集均方根误差C-RMSE、验证集均方根误差V-RMSE为0.249,0.236,分别比SVM回归模型降低了0.054和0.058, 校正集相对分析误C-RPD、验证集相对分析误V-RPD达到了3.363和2.520,分别比SVM回归模型提高了0.598和0.262,校正集及验证集的实测值与预测值散点图趋势线的斜率C-S和V-S都接近于1,RF回归模型的估测效果优于SVM。RF多元回归模型适合盛果期红富士苹果树LAI的估测。     

Virtual sensors for active noise control in acoustic-structural coupled enclosures using structural sensing: robust virtual sensor design

The work was aimed to develop a robust virtual sensing design methodology for sensing and active control applications of vibro-acoustic systems. The proposed virtual sensor was designed to estimate a broadband acoustic interior sound pressure using structural sensors, with robustness against certain dynamic uncertainties occurring in an acoustic-structural coupled enclosure. A convex combination of Kalman sub-filters was used during the design, accommodating different sets of perturbed dynamic model of the vibro-acoustic enclosure. A minimax optimization problem was set up to determine an optimal convex combination of Kalman sub-filters, ensuring an optimal worst-case virtual sensing performance. The virtual sensing and active noise control performance was numerically investigated on a rectangular panel-cavity system. It was demonstrated that the proposed virtual sensor could accurately estimate the interior sound pressure, particularly the one dominated by cavity-controlled modes, by using a structural sensor. With such a virtual sensing technique, effective active noise control performance was also obtained even for the worst-case dynamics.     

最小二乘支持向量机方法对冬小麦叶面积指数反演的普适性研究

冬小麦叶面积指数(leaf area index, LAI)是进行作物长势判断和产量估测的重要农学指标之一,高光谱遥感技术为大面积、快速监测植被LAI提供了有效途径。在探讨利用最小二乘支持向量机(least squares support vector machines, LS-SVM)方法和高光谱数据对不同条件下冬小麦LAI的估算能力。在用主成分分析法(principal component analysis, PCA)对PHI航空数据降维的基础上,利用实测LAI数据和高光谱反射率数据,构建LS-SVM模型,采用独立变量法,分别估算不同株型品种、不同生育时期、不同氮素和水分处理条件下的冬小麦LAI,并与传统NDVI模型反演结果对比。结果显示,每种条件下的LS-SVM 模型都具有比NDVI模型更高的决定系数和更低的均方根误差值, 即反演精度高于相应的NDVI模型。NDVI模型对不同株型品种、不同氮素和水分条件下冬小麦LAI估算精度不稳定,LS-SVM则表现出较好的稳定性。表明LS-SVM 方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。     

Reparameterization for statistical state estimation applied to differential equations

The ensemble Kalman filter is a widely applied data assimilation technique useful for improving the forecast of computational models. The main computational cost of the ensemble Kalman filter comes from the numerical integration of each ensemble member forward in time. When the computational model involves a partial differential equation, the degrees of freedom of the solution in the discretization of the spatial domain are oftentimes used for the representation of the state of the system, and the filter is applied to this state vector. We propose a method of approximating the state of a partial differential equation in a representation space developed separately from the numerical method. This representation space represents a reparameterization of the state vector and can be chosen to retain desirable physical features of the solutions. We apply the ensemble Kalman filter to this representation of the state, and numerically demonstrate that acceptable results are obtained with substantially smaller ensemble sizes.     

Sequential estimation of velocity fields using episodic proper orthogonal decomposition

In this paper, the problem of approximating velocity fields at future and past times based on information available at the current time is addressed. A novel method called “episodic POD” is described and developed that enables us to achieve our objective. Application of episodic POD to an ensemble of flow data results in a set of spatio-temporal eigenfunctions and a set of coefficients associated with the eigenfunctions. From these eigenfunctions, we develop two models called the “forward model” and “inverse model” that enable us to approximate the velocity fields at future and past times, based on information provided at the current time. A second set of models, the forward and inverse sequential models are also developed that enable the dynamic update of approximated velocity fields when new information is made available, making these models more adept at on-line estimation. The various properties associated with these models are described in detail, and four different examples are used to validate the models and show the different properties associated with episodic POD. It is shown through numerical validation, that the episodic POD model has a form that is dynamically consistent with the original system. It is also shown that episodic POD outperforms linear Kalman filters in the presence of noise.     

Comment on “Ensemble Kalman filter with the unscented transform”

The results of numerical experiments with the ensemble unscented Kalman filter and 40-dimensional model of Lorentz and Emanuel in Luo and Moroz (2009) [2] are inconclusive.