.png){kind=icon}
返回
A Physics-Informed Spatiotemporal Deep Learning Algorithm for High-Resolution Leaf Area Index Retrieval
.png){kind=icon}
PRE
AI
DOI：10.1109/JSTARS.2026.3668316.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高分辨率叶面积指数（LAI）反演对生态和农业应用至关重要，但由于高分辨率影像的空间异质性和有限的时间观测，其仍具挑战性。尽管结合物理模型与深度学习算法是可行方法，但现有方法受限于物理模型的应用范围受限以及缺乏能同时捕捉空间和时间信息的深度学习网络。本研究开发了一种图像到图像的算法，称为UM-RCA（统一双向反射分布函数模型指导的ResNet-ConvLSTM-注意力），该算法整合物理模型与新时空深度学习网络，利用Landsat影像生成30米LAI产品。该方法首先应用适用于连续和离散冠层的统一双向反射分布函数模型，生成高保真训练数据集。随后在数据集上训练ResNet-ConvLSTM-Attention（RCA）网络，以学习Landsat反射率与LAI斑块时间序列之间的关系。RCA网络的三个组件通过提取-聚合-精炼结构结合空间、时间和光谱信息。结果显示，UM-RCA算法在不同生物群系类型下的LAI实地测量中达到高精度（总体MAE = 0.510，RMSE = 0.685），其生成的LAI地图在时空一致性上优于三种主流算法或产品：随机森林模型、Sentinel应用平台生物物理处理器以及高分辨率全球陆地表面卫星LAI产品。UM-RCA算法为精准农业和生态监测提供了显著实用价值。
Keyword:
Landsat
Vegetation mapping
Biological system modeling
Spatiotemporal phenomena
Soil
Clouds
Remote sensing
Earth
Accuracy
Land surface
Hybrid model
leaf area index (LAI)
ResNet-ConvLSTM-Attention
spatiotemporal deep learning network
unified bidirectional reflectance distribution function (BRDF) model
期刊
IF:
5.3
论文数:
1.9K
被引数:
3.0W
机构
引用论文
Semiarid grasslands and extreme precipitation events: do experimental results scale to the landscape?.png)
Ecology
OAAI
EcologyIF0
OAAI分享收藏分享收藏Fractional evergreen forest cover mapping by MODIS time-series FEVC-CV methods at sub-pixel scales通过MODIS时间序列fevc-cv方法在亚像素尺度上绘制常绿森林覆盖率
PREAI
分享收藏分享收藏HiQ-LAI: a high-quality reprocessed MODIS leaf area index dataset with better spatiotemporal consistency from 2000 to 2022Hiq-lai: 一个在2022年2000年具有更好时空一致性的高质量重处理MODIS叶面积指数数据集
OAAI
OAAI分享收藏
查看更多内容