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 |
| |
引用本文: | 谢巧云,黄文江,梁栋,彭代亮,黄林生,宋晓宇,张东彦,杨贵军.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[J].光谱学与光谱分析,2014,34(2):489. |
| |
作者姓名: | 谢巧云 黄文江 梁栋 彭代亮 黄林生 宋晓宇 张东彦 杨贵军 |
| |
作者单位: | 谢巧云:中国科学院遥感与数字地球研究所, 数字地球重点实验室, 北京100094安徽大学, 计算机智能与信号处理教育部重点实验室, 安徽 合肥230039安徽大学电子信息工程学院, 安徽 合肥230039 黄文江:中国科学院遥感与数字地球研究所, 数字地球重点实验室, 北京100094 梁栋:安徽大学, 计算机智能与信号处理教育部重点实验室, 安徽 合肥230039安徽大学电子信息工程学院, 安徽 合肥230039 彭代亮:中国科学院遥感与数字地球研究所, 数字地球重点实验室, 北京100094 黄林生:安徽大学, 计算机智能与信号处理教育部重点实验室, 安徽 合肥230039安徽大学电子信息工程学院, 安徽 合肥230039 宋晓宇:北京农业信息技术研究中心, 北京100097 张东彦:安徽大学, 计算机智能与信号处理教育部重点实验室, 安徽 合肥230039安徽大学电子信息工程学院, 安徽 合肥230039 杨贵军:北京农业信息技术研究中心, 北京100097
|
| |
基金项目: | 国家自然科学基金项目(41271412, 41071276), 中国科学院百人计划项目和安徽省高等学校省级自然科学研究项目(KJ2013A026)资助 |
| |
摘 要: | 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。
|
关 键 词: | 最小二乘支持向量机 叶面积指数 高光谱 普适性 冬小麦 |
收稿时间: | 2013/5/9 |
Research on Universality of Least Squares Support Vector Machine Method for Estimating Leaf Area Index of Winter Wheat |
| |
Abstract: | |
| |
Keywords: | Least squares support vector machine Leaf area index Hyperspectral Universality Winter wheat |
本文献已被 CNKI 等数据库收录! |
|