基于增强植被指数的草地覆盖度估算方法及其精度分析

þ地球科学中的人工智能2（2021）26基于增强型植被指数的胶囊网络草地覆盖度估算方法孙雅琪，刘海龙*，郭正强电子科技大学资源与环境学院，成都611731A R T I C L E I N F O关键词：分类深度学习草原覆盖率A B S T R A C T随着畜牧业的兴起，对草原的需求不断增加，草原退化和荒漠化对中国干旱和半干旱地区构成了严峻的挑战近年来，利用大数据监测草原已成为一个热门的研究领域由于草地退化是一个缓慢而渐进的过程，准确识别草地覆盖是监测草地退化的关键。目前，植被覆盖监测主要通过基于反演的方法与实地调查相结合，这需要大量的人力和其他资源，因此不适合大规模使用我们建议使用时间序列的增强植被指数（EVI）在胶囊网络为基础的方法来识别草地。该过程根据2019年的Landsat图像将草原覆盖率分为四个级别，高，中，低和其他。各等级草地分类准确率均在90%以上，总体准确率为96.32%，kappa系数为0.9508。所提出的方法在分类精度方面优于SVM，RF和LSTM算法1. 介绍草原是中国最大的陆地生态系统，面积占国土面积的40%以上 大约78%的草原位于干旱和半干旱地区（Ren等人， 2016年），并且在促进畜牧业和环境保护方面发挥着关键作用（Akiyama和Kawamura，2007年）。近几十年来，草地退化已成为一个全球性问题，中国约90%的可用草地已不同程度地退化（Nan，2005）。从1982年到2010年，中国退化面积占草地总面积的22.7%（Zhou et al.， 2017年）。为了快速准确地监测草地退化，人们使用植被覆盖度的临界近似值来通过遥感估计生态系统的基本参数和功能（Lehnert等人，2015年）的报告。两种方法广泛用于卫星遥感数据集：光谱混合分析（SMA）和经验模型（Ge等人， 2018年）。 前者将图像中的每个像素分解成参考光谱的线性分量，称为衰减器（Jiapaer等人， 2011年）。 pix el二分法模型是一种简化的线性SMA，可以快速模拟植被覆盖。经验模型代表遥感数据和实地调查数据之间的关系。一个波段或组合的遥感数据乐队已经使用。Van等人（2008年）使用陆地卫星ETM数据估算城市植被覆盖。他们获得了植被覆盖率以及遥感图像波段2、3、5和7回归的准确值 遥感数据也可以转换成植被指数（Patel等人， 2007; North，2002; Rundquist，2002）。 Kergoat等人（2015）表明，地面辐射计获取的1.6 μ m和2.1 μ m波段的比例非常适合用于反演农田、休耕地和草地的植被覆盖率。与经验模型相比，SMA的输出可能不太准确（Liu等人，2014年）。因此，Duan et al. （2019）综合了植被指数（VI）和SMA的大量信息，以提高水稻产量的估计精度。结果表明，该方法比单独的VI更能预测产率。然而，为了进一步提高准确性，经验模型需要从实地调查中获得许多样本，因此不适合大规模使用。 基于机器学习的方法（Lehnert等人， 2015;Goetz等人，2003）和人工神经网络（Xie等人， 2009年，可以选择。机器学习可以比传统的回归模型更准确然而，它们的准确性受到确定所需参数的模式和训练样本的选择的影响（Huang等人， 2008年）。Ge等人（2019年）使用期间获取的高光谱图像数据开发了梯度回归提升树算法* 通讯作者。电子邮件地址：liuhl@uestc.edu.cn（H. Liu）.https://doi.org/10.1016/j.aiig.2021.08.001接收日期：2021年4月14日;接收日期：2021年8月2日;接受日期：2021年8月4日2021年9月8日网上发售2666-5441/©2021作者。出版社：Elsevier B.V.代表科爱通信有限公司公司这是CC BY-NC-ND下的开放获取文章许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表地球科学中的人工智能杂志主页：www.keaipublishing.com/en/journals/artificial-intelligence-in-geosciencesY. Sun等人地球科学中的人工智能2（2021）2627Fig. 1. 研究区位于新疆喀什河中游。好的他们用它建立了一个模型，根据地理加权回归估计土壤水分该模型具有较高的反演精度。由于其令人印象深刻的特征提取和表达能力，深度学习算法通常用于基于遥感图像监测植被的变化（Dinh等人，2018年）。Marc等人（2017）使用长短期记忆（LSTM）网络对作物进行分类，并结合卫星图像的时间序 列结 果表 明， 该算 法比 卷积 神经 网络 （CNN ）和 超向 量机（SVM）算法对农作物的分类精度更高Han等人（2015）提出了一个框架，通过将弱监督学习（WSL）方法与高级特征学习相结合来检测地理空间对象。在基准测试中使用三个光学数据集的实验结果验证了其与几种最先进的目标检测方法相比的有效性。 Pan等人（2018）提出了一种多粒度扫描方法，利用不同波段之间的光谱关系和相邻像素之间的空间相关性。在样本数量有限的情况下，他们使用半监督方法来生成卷积核。 该技术在小数据集上优于一些最先进的色调，饱和度和强度（HSI）分类方法。虽然深度学习方法通常具有更高的变化评估准确性，但它需要许多样本进行训练。 胶囊网络方法是由Geoffrey Hinton（Sabour S. 例如，2017），起源于神经网络中位置信息丢失的背景下（Lecun et al.， 1998年）。它克服了CNN算法的缺点，即通过调整它们的结构，它们人眼接收和识别视觉信息的机制形成了胶囊网络的原型 大脑解析视觉场景的分层表示，并将学习到的模式与其存储的关系进行匹配（Sara G等人，2019年）。与其他深度学习方法相比，它在使用少量数据准确识别目标方面具有显著优势。我们使用了胶囊网络方法与一维（1-D）卷积作为特征提取层，充分提取时间序列数据的特征。通过遥感监测草原覆盖率的困难之一是云层覆盖和与人类有关的因素。 利用增强型植被指数（EVI）的时间序列消除遥感图像中的云效应。EVI反映了植被生长，并减少了土壤作为背景的干扰（Huete等人，2002年）。 它解决了归一化植被指数（NDVI）在高植被覆盖度下很快饱和，在低植被覆盖度下容易受土壤影响的问题（Wang et al.， 2006年）。此外，EVI可以补偿残留气溶胶对红光的吸收（Rocha等人， 2009年）。使用2005年至2016年增强的月度EVI时间序列进行季节趋势分析（STA），该时间序列是从用于检测墨西哥西北部锡那罗亚州红树林覆盖变化的MOD 13Q1产品（MODISTerra，https：//ladsweb.modaps.eosdis.nasa.gov ） 编 辑 的 （ Berlanga-Robles 和Ruiz-Luna，2020）。 尽管分辨率较低，但中分辨率成像分光仪的脆弱性指数产品有助于区分红树林覆盖的短期和长期变化，特别是在大型生态系统中。2. 材料和方法2.1. 研究区研究区（北纬43 °340- 43° 530，东经82 ° 500 - 83° 550）位于新疆尼勒克县境内，喀什河中游。 新疆拥有中国第三大草原面积和五大牧区之一（Zhanget al.，2013年）。草原是畜牧业的保障，也是该地区防止荒漠化的最后一道防线选择的网站（图） 1）具有温带和半干旱大陆性气候，年平均气温为5.6摄氏度（Yi等人， 2006年）。降水量丰富，但在该地区分布不均匀，Y. Sun等人地球科学中的人工智能2（2021）2628þ表1Landsat和GF-1数据集的主要参数。研究区土地利用以草地为主，占全县总面积的87.51%，其次是其他地类占11.01%，经济发达地区仅占1.47%。研究区是一个以草地和林地为主的牧区8GF-1PMS1、PMS2hexplorer.usgs.gov/5 2，8 4http：//www.cresda.com/CN/2.2. 数据研究区草地生长时间为4月下旬至9月下旬我们从2019年5月至9月底下载了14个Landsat数据集，包括Landsat-8 OLI和Landsat-7 ETM数据集（表1）。用于分类的样本数据来自Landsat-8 OLI，2019年8月对陆地卫星数据进行了校准，东部多于西部，山区多于平原。每年积雪20降雪约占降水量的三分之一年平均蒸发量为1471.6毫米，自西向东递增。温和的气候和充足的水流创造了丰富的草原。使用超立方体的快速视线大气分析（FLAASH）算法的大气校正（Cooley等人，2002年）。该算法具有标定精度高、操作简单等优点，在大气校正中得到了广泛的应用两个中国GF-1（表1）光学图像（全色波段）用于目视判读。于二零一九年七月进行实地研究，以验证目视判读的准确性。图二. 研究区域的采样点。低（a）、中（b）和高（c）覆盖度的草地。图三. （a）改进的胶囊网络，以及（b）重构层。卫星传感器带分辨率（m）复诊时间（天）数据源Landsat-7ETM1-5、73016美国地质勘探局地球EX探测器Landsat-OLI1–73016https：//eartY. Sun等人地球科学中的人工智能2（2021）2629×≥≤*BXb¼¼ ¼ ¼¼b<$bbuvij ij ij jj ijþþ¼使用全球定位系统（GPS）装置和卷尺在研究中心周围采集31份样本。在一个选定的样本区域（30米30米），我们记录了草原覆盖范围的视觉估计，这是快速和足够的我们的目的（图）。 2）。总共记录了11个高覆盖率，9个中等覆盖率，4个低覆盖率的草地，4个裸露的土地，和3种类型的其他土地覆盖。2.3. 方法2.3.1. 改进的胶囊网络算法胶囊网络由卷积层、胶囊层和重建层组成。它删除了导致位置信息丢失的CNN的原始池化层 胶囊网络使用卷积层来提取特征，胶囊层负责学习特征。重构层使胶囊网络规则化以防止过度拟合。该网络具有与典型神经网络不同的路由算法 路由算法确定胶囊层之间的数据传输和所有信息的安全性，并消除CNN的缺陷（Sara Ge等人， 2019年）。这里的三个相关参数是相似性度量（b）、耦合系数（c）和权重矩阵（W）。i和j分别是当前和后续封装体层中的封装体，并且与路由算法相关联胶囊i和j之间的耦合系数是cij，Wij是i和j之间的权重矩阵X。i和j之间的相似性度量是bij。在每次迭代中，通过使用softmax函数（公式（1））更新cij，确保胶囊之间的耦合系数之和为1（Sabour S.例如，2017年）：表2每个类的训练和测试样本的数量类培训测试其他64001600低覆盖度草地80002000中等覆盖度草地80002000高覆盖度草地800020002.3.2. 模型设置2.3.2.1. 选择样品。为确保大规模草原监测的准确性和有效性，我们根据中国基于遥感监测数据的土地利用和土地覆盖（LULC）类型分类系统（中华人民共和国国家标准，2017年），提出了一种将草原覆盖度分为四个级别的方法。结果表明，该地区草地植被类型分为高覆盖度草地（50%）、中覆盖度草地（20%~由于其他类型的覆盖，包括贫瘠，水，和发达地区，在研究区域占据了很小的空间我们随机选择了具有代表性的样本，并根据经验以4：1的比例将其分为训练集和测试集（表2）。2.3.2.2. 基于多时相遥感影像的EVI时间序列提取。EVI用于提高高生物量地区植被信号的灵敏度（Huete等人，2002年），cijsoftmaximumbin（1）我们使用Wij和前一层capsulei calculu的输出uiEVIGB NIR-B RB近红外光谱仪C1*BR-C2 *BB近红外光谱仪（六）根据Cij计算加权和Sj。然后给予胶囊j，其中BNIR、BR和BB是大气或部分校正的大气。ujji¼ 我爱你（二）球表面反射率在近红外（NIR），红色和蓝色波段，分别。L是冠层背景调整，用于解决非线性、差分近红外和红色辐射通过（3）第一次见面，我为了确保胶囊的长度在0和1之间并引入非线性因子，我们使用挤压函数来确定j的最终胶囊，其被给出为2树冠C1和C2是气溶胶阻力系数蓝色波段用于校正气溶胶对红色波段的影响将（6）中的系数设置为L1、C16、C27.5和G（增益因子）2.5（Merchant，2000年）。总共使用了14幅大地卫星图像（表1）5幅图像的云覆盖率小于7%，4幅图像的云覆盖率在10%-20%之间，2幅图像的云覆盖率在35%-50%之间v¼ jjs jjj*sj2（四）有两个高于50%Landsat-7 ETM卫星图像显示，1jjsjjjjjsjjj由于扫描线校正器的故障而产生约15%的额外间隙有云地区主要分布在山区bij在应用路由算法之前被初始化为零，并更新为（五）胶囊之间的权重和相似性决定了胶囊层之间的数据传输。 更相似的胶囊可以帮助从较低的胶囊层获得更多的信息，这些信息可以用于鲁棒地识别微小的差异。应当注意，所描述的胶囊网络是针对具有多个维度的数据而设计的。根据胶囊网络的上述特点，提出了一种面向piXel的分类方法，对一维EVI数据进行拟合，从时间序列数据中提取特征我们将特征提取层改为一维卷积层，最终模型由两个卷积层，两个胶囊层和两个重建层组成。 图在图3（a）中，m是指卷积核的数量，n是指第二卷积核的数量，p是指数字胶囊的长度。 图图3（b）示出了胶囊网络的重构部分。 它仍然是一个通用的神经网络，输入数据由粉红色矩形表示，它具有最高的模块长度。字母g和h表示隐藏单元的数量影响了低覆盖度草地和裸地的识别为了消除它们在EVI时间序列中的影响，我们使用遥感图像的质量波段来识别代表云量的像素使用时间步长之前或之后的最接近的有效值对这些像素和间隙像素进行线性内插（Zhong等人，2019年）。结果见图四、Landsat-7的数据间隔为1、3、.和13，而Landsat-8的数据间隔EVI时间序列提取自Landsat 7 ETM和Landsat 8 OLI ing图像。考虑到每个Landsat 7 ETM遥感图像的差距高达15%，我们构建了两个EVI时间序列进行比较。我们使用上一节中提到的方法进行处理，以获得第一个EVI时间序列。第二个时间序列仅保留了第一个时间序列中相应Landsat 8图像的EVI。在Landsat 8遥感图像中，我们能够消除一些云的干扰然而，第二个经济脆弱性指数时间序列的缺点是，它的间隔很长，长达16天，而第一个经济脆弱性指数时间序列的间隔是8天。我们使用相同的参数设置训练了50轮以上的胶囊网络的两个分类器（表3）。JY. Sun等人地球科学中的人工智能2（2021）2630见图4。 处理时间序列的结果示例。表3capsule网络的参数2011年）。该模型已被应用于莫洛波地区的分数木材覆盖率的空间预测训练随机森林算法与前向特征变量选择。空间2.3.3. 用于比较的SVM算法可以使用结构风险最小化找到最优超平面 它确保平面两侧的数据样本与超平面之间的距离最大化（Hoteling H等人， 1993年）。Burai等人（2015）利用该算法识别了20种碱性草原植被，分类的总体准确率为82.60%。他们发现，该算法对训练样本的数量不敏感，并且适合在训练样本数量有限时进行分类。随机森林（RF）模型由决策树组成每棵树都是一个分类器，RF模型集成了多个决策树。多个分类器的集成提高了准确性（Verikas等人，不必要的信息，保留有价值的信息进行预测，从而处理长期依赖。LSTMNN被广泛用于时间序列处理，因为其独特的结构有助于识别时间序列样本的特征。3. 结果3.1. 基于胶囊网络的草地覆盖度分类我们使用改进的胶囊网络对喀什河流域2019年的草地覆盖率进行分类（图1）。 5）。草地覆盖率低、中、高的区域以浅绿、灰绿色和森林绿色显示其他土地覆被类型为黑色。低覆盖度草地图五. 2019年喀什河流域草原覆盖率分类图参数MnpGH交叉验证揭示了12%的预测误差（Ludwig等人，2019年）。设置1020162040长短期记忆（LSTM）神经网络是一种特殊的递归神经网络（RNN）（Zazo等人，2016年）。它可以消除Y. Sun等人地球科学中的人工智能2（2021）2631表4胶囊网络方法的Kappa系数（%）类胶囊网络其他96.31低覆盖度草地92.20中覆盖度草地98.30高覆盖度草地98.45整体96.32Kappa95.08主要分布在研究区西部、山区和北部的中等覆盖度草地大部分高覆盖率的草原，都分布在河流的两岸。表4表明，该方法对4种草地覆盖度类型的提取精度较高每个类别的准确率都在90%以上，总体准确率为96.32%。Kappa系数为识别其他类型的覆盖范围。高覆盖度草地的划分准确率最高，为98.45%。为了比较所提出的方法与样本观测的分类准确性，我们将植被覆盖率图与采样点的植被覆盖率图相结合，获得了90.32%的总体准确性（图1）。（六）。在31个样本中，只有3个样本的植被覆盖度与胶囊网络的分类结果不一致3.2. EVI时间序列对分类胶囊网络使用边际损失作为训练效果的指标我们在这项研究中使用了相同的损失函数两种分类器的损失函数曲线（图7）表明，训练产生了最好的结果。如表五所示，就所有土地类别而言，第一类土地的分类效果普遍较第二类土地为佳，但特别是0.9508. EX cept 因为它在低覆盖率草地上的表现其他土地覆盖类型。虽然Landsat 7数据占据了(92.2%），该方法的准确性高于95%，比例相对较大时，短间隔的EVI时间序列产生的效果较好。见图6。 所提出的方法的准确性评价。见图7。 分类器I（左）和分类器II（右）的损失函数曲线。Y. Sun等人地球科学中的人工智能2（2021）2632表5两个EVI时间序列的胶囊网络方法的Kappa系数（%）类I级II级其他96.3177.75低覆盖度草地92.2093.55中覆盖度草地98.3097.05高覆盖度草地98.4598.50整体96.3292.45Kappa95.0889.87表6不同云覆盖率的草原类型分类不正确的结果。当影响更多相位时，错误率在1%至5%之间因此，较少的云层覆盖的遥感图像更适合于识别植被覆盖。4. 讨论为了验证所提出的胶囊网络在估计草原覆盖率方面的准确性，我们进行了一项涉及SVM，RF和LSTM算法的比较实验（表7）与其他3种方法相比，该方法提高了4种不同覆盖度草地的提取精度。草地覆盖率监测准确率、总体准确率和Kappa系数分别达到96.32%和95.08%。虽然支持向量机算法对裸地的提取精度高于受影响的经济脆弱性指数数据8 9 10 11分类错误59 24 4 0共计1552 973 227 6比率（%）3.80 2.47 1.76 0表7四种方法的Kappa系数（%）。类胶囊网络SVMRFLSTM其他96.3188.3190.4378.06低覆盖度草地92.2078.6589.9590.35中覆盖度草地98.3096.797.0596.95高覆盖度草地98.4597.998.4098.75整体96.3290.5094.1491.71Kappa95.0887.3292.1788.89EVI时间序列中云量的最小值、最大值、平均值和标准差分别为0.09%、100%、30.58%和34.7%。为了了解云量在EVI时间序列中的比例对分类的影响，我们分析了云量与错误分类率的响应关系（表6）。结果显示，Landsat 7对分类结果没有重大影响然而，受影响的时间序列数据的所有11个阶段都是零星的，并且SIXpixels不代表研究区域。当EVI时间序列中的三个阶段的数据受到影响时，错误率接近于零。低覆盖度草地的识别率低于90%。虽然LSTM NN被广泛用于时间序列处理，但它的分类准确率低于80%。仅在高覆盖度草地上表现良好，准确率为98.75%。其整体分类准确度仅略高于SVM算法。为了分析胶囊网络在提取草覆盖空间信息方面的准确性，我们将其结果与SVM，RF和LSTM算法的结果进行了比较，如图所示。 八、 这四种方法在其他类别中没有显著差异，但主要反映在草地覆盖度的分类中。 为了比较胶囊网络方法和这三种算法，我们从后者的每个算法中减去前者的结果图。 胶囊网络法与各方法分类精度的一致性见表8。胶囊网络的分类结果分别与SVM、RF和LSTM算法的分类结果相匹配，分别为84.66%、85.03%和84.49%。结果不一致的情况很少在大多数情况下，胶囊网络将给定区域识别为高覆盖，而其他网络将其归类为中等覆盖，反之亦然。这是因为高覆盖率和中等覆盖率的草地很难区分。 由于所考虑的样本的复杂性和胶囊网络中使用的深度学习的固有优势，所提出的方法在所有四种覆盖类型上都比其他方法更准确，因此具有更高的整体准确性。是的图八、2019 年喀什河流域草原覆盖率分类图，采用SVM（a）、RF（b）、LSTM（c）和胶囊网络（d）算法。受影响的EVI数据34567LSTM神经网络，其识别低覆盖率草原的准确性分类错误113257480只有78.65%。它的整体分类准确性低于那些总15537578016101922LSTM和RF方法。RF算法具有最高的classi-比例（%）0.6453.473.214.604.16三种比较方法的定位精度，但其精度Y. Sun等人地球科学中的人工智能2（2021）2633表8相互比较分类输出。SVM高覆盖率中等覆盖覆盖率低其他一致结果胶囊网络高覆盖率16.48086.45552.38120中等覆盖3.355129.79920.72770覆盖率低1.6980.72582.92010其他一致结果00035.456684.6567RF高覆盖率中等覆盖覆盖率低其他一致结果胶囊网络高覆盖率17.07785.77272.4670中等覆盖3.490729.54430.84690覆盖率低1.6990.69532.94970其他一致结果00035.456685.0284LSTM高覆盖率中等覆盖覆盖率低其他一致结果胶囊网络高覆盖率15.67377.31412.32980中等覆盖2.957530.19490.72950覆盖率低1.51470.66773.16150其他一致结果00035.456684.48675. 结论本研究提出了一种快速有效的草地覆盖度分类方法中、低和其他四种数量类型。利用草地生长周期的EVI时间序列数据预测草地覆盖度。 我们使用胶囊网络对遥感图像进行分类。所提出的方法产生的分类准确率高于90%的每个草地类，与96.32%的总体精度。其Kappa系数为0.9508。在比较分析中，它在准确性评估方面也优于SVM、RF和LSTM算法。申报利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。致谢本工作得到了四川省国际科技合作项目（2020YFH 0067）和中国科学院战略性引领科技专项（XDA 20060303）的支持引用Akiyama，T.，Kawamura，K.，2007.中国草地退化：监测、管理和恢复方法。格拉斯Sci.53（1），1- 17。Berlanga-Robles，CA，Ruiz-Luna，A.，2020.根据增强型植被指数（EVI）数据的时间序列评估墨西哥西北部锡那罗亚州红树林冠层的季节性和长期变化。湿的生态学经理。 28（2），229- 249。Burai，P.， 德阿克湾，Valko′，O.，Tomor，T.，2015年。利用航空高光谱图像对草本植物进行分类。雷姆Sens. 7（2），2046- 2066。Cooley，T.，安德森，GP，Felde等人，2002年。FLAASH，一种基于MODTRAN 4的大气校正算法，它的应用和验证。IEEE国际地球科学与遥感研讨会3，1414- 1418。丁，H.，Gaetano，D.，Lalande，N.，例如，2018年通过多时相SAR sentinel-1进行冬季植被质量映射的深度递归神经网络。吉奥西。雷姆Sens. Lett. IEEE 15（3），464- 468.Duan，B.，Fang，S.，Zhu，R.，（美国）例如，2019.利用无人机数据和光谱混合分析进行水稻遥感估产。前面植物科学 10204盖，J.，孟，B.，Liang，T.，例如，2018.基于MODIS数据和支持向量机回归的黄河源区高寒草地覆盖模拟远程传感器Environ. 218，162- 173。Ge，X.，王杰，王杰，丁，J.，例如，2019.结合基于无人机的高光谱图像和机器学习算法进行土壤水分含量监测。PeerJ，预印本7，e27630v1。Goetz，S.J.，赖特，R.K.，史密斯，A.J.，例如，2003.资源管理用IKONOS图象：大西洋中部地区的树木覆盖、不透水面和河岸缓冲区分析。雷姆Sens. Environ. 88（1），195- 208。休特，A.，Didan，K.，Miura，T.，例如，2002.中分辨率成像分光仪植被指数的辐射和生物物理性能概述。雷姆Sens. Environ. 83（1），195- 213。黄，C.，宋，K.，Kim，S.，例如，2008.使用暗对象概念和支持向量机自动进行森林覆盖变化分析。雷姆环境传感器112（3），970- 985。汉，J.，Zhang，D.，中国农业科学院农业研究所所长，郑，G.，例如，2015.基于弱监督学习和高级特征学习的光学遥感图像目标检测。IEEETrans. 吉奥西。雷姆Sens.53（6），3325- 3337。霍特林，H. 1993.将一组统计变量分析成主成分。J. Educ. Psychol. 24（6），417- 520.Jiapaer，G.，陈旭，陈文，Bao，A.，2011.干旱地区植被覆盖度估算方法的比较。农业For. 陨石。 151（12），1698- 1710。Kergoat湖，HiernauX，P.，Dardel等人，2015.来自SWIR1.6和SWIR2.1波段比的旱季植被质量和覆盖率：萨赫勒地区地面辐射计和中分辨率成像光谱仪数据。 ITC Journal 39（10），56- 64.Lehnert，L.W.，Meyer，H.，王玉，例如，2015. 基于多尺度、多传感器、多方法的青藏高原草地植被覆盖度反演。 雷姆环境传感器164，197- 207。刘，B.，Shen，W.，林，N.，例如，2014.利用光谱数据反演青藏高原高寒草地植被覆盖度信息。J. Appl. RemoteSens. 8（1），083630。Lecun，Y.，博图湖，加-地本焦，Y.，例如，1998.应用于文档识别的基于一致性的学习。Proc. IEEE 86（11），2278- 2324。Ludwig，M.，Morgenthal，T.，Detsch，F.，例如，2019.南非Molopo地区木本植被的机器学习和多传感器建模。雷姆Sens. Environ. 222，195- 203。Merchant，J.W.，2000.环境遥感：地球资源展望。卡图格尔地理学INF. Sci. 27（4），311。南，Z.，2005.草地耕作制度与中国农业可持续发展。格拉斯Sci. 51（1），15- 19。中华人民共和国国家标准，2017。土地利用现状分类：GB/T 21010-2017[s]。中国标准出版社，北京。新泽西州北部，2002.根据ATSR-2图像估算fAPAR、LAI和植被覆盖率。雷姆Sens.Environ. 80（1），114- 121。Patel，N.K.，Saxena，R.K.，Shiwalkar，A.，2007.利用高光谱分辨率数据研究植被覆盖度。Journal of the Indian Society of Remote Sensing 35（1），73- 79.Pan，B.，施，Z.，徐，X.，2018年MugNet：使用有限样本进行高光谱图像分类的深度学习。ISPRS J.摄影测量遥感。145，108- 119。Ren，Y.，Lü，Y.，Fu，B.，2016.量化中国草地恢复对生物多样性和生态系统服务的影响：荟萃分析。《生态工程》95，542- 550。Y. Sun等人地球科学中的人工智能2（2021）2634Rundquist，B.C. 2002.在天然高草草原上冠层绿色植被部分对光谱测量的影响。雷姆Sens.Environ. 81（1），129- 135。Rocha，A.V.，G.R.的Shaver，2009.利用太阳和光合有效辐射通量计算两波段EVI的优点。农业For. 陨石。 149（9），1560- 1563。Sabour，S.，Frosst，N.，Hinton，G.，2017.胶囊之间的动态路由。第31届神经信息处理系统会议（NIPS 2017）。关闭CT，USA.萨拉，G.，玛丽亚，电视，Marta，S.，例如，2019.用于胶囊内窥镜帧单应性估计的无监督神经网络。Procedia Computer Science164，602- 609.Verikas，A.，Gelzinis，A.，Bacauskiene，M.，2011.使用随机森林挖掘数据：新测试的调查和结果。模式识别 44（2），330- 349。王志，刘，C.，陈伟，2006.东亚地区MODIS-NDVI与MODIS-EVI的初步比较地理信息Sci.武汉大学 31（5），407- 410。Xie，Y.，（1986 - 1990），中国科学院，沙，Z.，余，M.，例如，2009.利用Landsat数据估算内蒙古草地地上生物量的两种模型比较生态模型220（15），1810- 1818。Yi，L.，李杰，2006年。唐布拉国家森林公园植物景观优化设计探讨。 Forestry of Xinjiang（4），35- 37.张，X.，Liao，C.，李杰，例如，2013.利用HJ-1卫星高光谱数据估算干旱和半干旱环境中的植被覆盖度。国际应用地球观测地球信息杂志21，506- 512。Zhong，L.，胡，L.，周，H.，2019.基于深度学习的多时相作物分类。雷姆环境传感器221，430- 443。周文，杨，H.，黄湖，加-地例如，2017. 1982- 2010年中国草地退化遥感监测及驱动因子定量评价。Ecol. Indicat. 83，303- 313。扎 索 河 ， Lozano-diez ， A. ， Gonzalez-Dominguez ， J. ， 例 如 ， 2016. 使 用 长 短 期 记 忆（LSTM）递归神经网络在短话语中进行语言识别。PloS One 11（1），1- 17.