报告详情
基于机器学习的遥感日光诱导叶绿素荧光重构研究
编号：2543
访问权限：仅限参会人
更新：2024-04-12 15:01:16 浏览：1405次
张贴报告
报告开始：2024年05月18日 08:38（Asia/Shanghai）
报告时间：1min
所在会场：[SP] 张贴报告专场 [sp7] 主题7、遥感与地理信息科学
暂无文件
摘要
日光诱导叶绿素荧光（SIF）与陆地碳循环关系密切。近年来，不断发展的星载传感器为区域尺度的SIF观测提供了新的途径。然而，现有的卫星SIF产品的时空分辨率限制它们在陆地生态系统观测中的灵活应用。本研究聚焦于提高遥感SIF的空间精度，探索了以机器学习为基础的关键建模技术，实现了2008-2018年中国无缝的SIF产品重构。主要内容如下：
(1)本研究公平对比了LGBM、Catboost、XGB、RF和EXT等5种机器学习模型在遥感SIF重建任务的效果。5种模型的拟合效果相似（10-CV R2:0.78-0.80），但在不同植被类型中的高估或低估现象不一致。
(2)通过耦合5种机器学习结果，本研究构建了稳定的集成模型。模型的表现优于上述5种基学习器。
(3)重构的SIF产品与TROPOMI卫星的检索较为一致，且具有1km的空间分辨率。
(1)本研究公平对比了LGBM、Catboost、XGB、RF和EXT等5种机器学习模型在遥感SIF重建任务的效果。5种模型的拟合效果相似（10-CV R2:0.78-0.80），但在不同植被类型中的高估或低估现象不一致。
(2)通过耦合5种机器学习结果，本研究构建了稳定的集成模型。模型的表现优于上述5种基学习器。
(3)重构的SIF产品与TROPOMI卫星的检索较为一致，且具有1km的空间分辨率。
关键词
日光诱导叶绿素荧光,降尺度,遥感,机器学习
报告人
何思聪
博士研究生 武汉理工大学稿件作者
全部评论
重要日期
-
会议日期
05月17日
2024
至05月20日
2024
-
03月31日 2024
初稿截稿日期
-
03月31日 2024
报告提交截止日期
-
05月20日 2024
注册截止日期
主办单位
青年地学论坛理事会
承办单位
厦门大学近海海洋环境科学国家重点实验室
中国科学院城市环境研究所
自然资源部第三海洋研究所
中国科学院城市环境研究所
自然资源部第三海洋研究所
联系方式
- 辜克兢（会务总协调、会场安排、学术安排）
- gu******@xmu.edu.cn
- 139********
- 柳欣（会务总协调）
- li******@xmu.edu.cn
- 138********
- 孙佳妮（会务总协调）
- sc******@chytey.com
- 152********
- 窦恒（会场安排、学术安排）
- do******@chytey.com
- 186********
- 李招英（会场技术服务）
- li******@xmu.edu.cn
- 138********
- 刘琳（学术安排）
- ll******@iue.ac.cn
- 133********
- 李虎（学术安排）
- hl******@iue.ac.cn
- 189********
- 柳欣（学术安排）
- li******@xmu.edu.cn
- 138********
- 胡勤梅（会议注册）
- ma******@chytey.com
- 135********
- 孙晓笛（会议注册）
- xi******@xmu.edu.cn
- 188********
- 许心雅（会议财务）
- xu******@xmu.edu.cn
- 180********
- 朱佳（商业赞助）
- zh******@xmu.edu.cn
- 139********
- 张君（海报张贴）
- ju******@xmu.edu.cn
- 138********
- 卢巍（海报张贴）
- lu******@chytey.com
- 189********
- 李璟（酒店预订及咨询）
- li******@chytey.com
- 186********
发表评论