冬小麥葉面積指數(shù)遙感反演方法比較研究.pdf

《冬小麥葉面積指數(shù)遙感反演方法比較研究.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫(kù)。

1、第３４卷，第５期光譜學(xué)與光譜分析Vol暢３４，No暢５，pp１３５２‐１３５６２０１４年５月SpectroscopyandSpectralAnalysisMay，２０１４冬小麥葉面積指數(shù)遙感反演方法比較研究１，２１倡３２１謝巧云，黃文江，蔡淑紅，梁棟，彭代亮，１２４２張清，黃林生，楊貴軍，張東彥１暢中國(guó)科學(xué)院遙感與數(shù)字地球研究所，數(shù)字地球重點(diǎn)實(shí)驗(yàn)室，北京１０００９４２暢安徽大學(xué)，計(jì)算機(jī)智能與信號(hào)處理教育部重點(diǎn)實(shí)驗(yàn)室，安徽合肥２３００３９３暢河北省農(nóng)業(yè)技術(shù)推廣總站，河北石家莊０５００１１４暢北京農(nóng)業(yè)信息技術(shù)研究中心，北京１０００９

2、７摘要葉面積指數(shù)（leafareaindex，LAI）是反映作物生長(zhǎng)狀況和進(jìn)行產(chǎn)量預(yù)測(cè)預(yù)報(bào)的主要指標(biāo)之一，對(duì)診斷作物生長(zhǎng)狀況具有重要意義。遙感技術(shù)為大面積、快速監(jiān)測(cè)植被LAI提供了有效途徑。利用高光譜遙感影像，結(jié)合田間同步實(shí)驗(yàn)數(shù)據(jù)，探討不同方法對(duì)冬小麥葉面積指數(shù)遙感反演的能力。介紹了支持向量機(jī)、離散小波變換、連續(xù)小波變換和主成分分析四種LAI反演方法。分別利用上述四種方法構(gòu)建冬小麥LAI反演模型，并對(duì)不同算法反演的LAI模型進(jìn)行了真實(shí)性檢驗(yàn)。結(jié)果顯示，支持向量機(jī)非線性回歸模型精度最高，對(duì)冬小麥LAI估算能力最強(qiáng)，反演值與實(shí)測(cè)值擬

3、合的決定系數(shù)為０暢８２３４、均方根誤差為０暢４１９５。離散小波變換法和主成分分析法都是基于特征提取和數(shù)據(jù)降維，其多元變量回歸分析對(duì)LAI估算能力相近，決定系數(shù)分別為０暢６９７１和０暢６９２４，均方根誤差分別為０暢６０５８和０暢５５４１。連續(xù)小波變換法回歸模型精度最低，不適宜直接用其小波系數(shù)來(lái)反演LAI。結(jié)果表明，非線性支持向量機(jī)模型最適宜用于研究區(qū)域的冬小麥LAI反演。關(guān)鍵詞葉面積指數(shù)；高光譜；支持向量機(jī)；小波變換；主成分分析中圖分類號(hào)：TP７９文獻(xiàn)標(biāo)識(shí)碼：ADOI：１０暢３９６４／j暢issn暢１０００‐０５９３（２０１４）０

4、５‐１３５２‐０５復(fù)雜，利用植被植被指數(shù)建立的線性模型往往缺乏普適性，引言反演誤差較大。支持向量機(jī)（supportvectormachines，SVM）［９］由于其優(yōu)越的學(xué)習(xí)能力，在國(guó)內(nèi)外學(xué)術(shù)界受到廣泛重視。葉面積指數(shù)是指單位地表面積上方植物葉單面面積的總高光譜遙感信息可以彌補(bǔ)基于寬波段估算LAI對(duì)某些細(xì)微和，是眾多生態(tài)、陸面過(guò)程模型的重要輸入?yún)?shù)。精確估算技術(shù)問題忽略的不足，利用高光譜開展LAI估算研究成為農(nóng)植被LAI的空間變化及其對(duì)物候的響應(yīng)對(duì)植被長(zhǎng)勢(shì)與光合業(yè)定量遙感和精準(zhǔn)農(nóng)業(yè)的研究熱點(diǎn)問題之一。但是高光譜存作用、病蟲害監(jiān)測(cè)

5、、生物量估算以及碳循環(huán)都有重要意在信息量大、信息相關(guān)性強(qiáng)以及信息冗余等問題，為數(shù)據(jù)分［１，２］［１０］義。LAI可通過(guò)傳統(tǒng)地面測(cè)量法和遙感估算方法得到。析和處理帶來(lái)了很多不便。小波變換（wavelettransform）但傳統(tǒng)方法僅能獲得地面有限點(diǎn)的LAI值，遙感技術(shù)為大面和主成分分析（principlecomponentanalysis，PCA）具有強(qiáng)大［３］積、快速監(jiān)測(cè)植被LAI提供了有效途徑。遙感估算LAI的的信號(hào)處理與分析能力，被廣泛應(yīng)用于數(shù)據(jù)壓縮、特征提取［４］方法主要有兩類。一類是經(jīng)驗(yàn)反演法，如Darvishzade

6、h、等方面。［５］［６］Zhao、陳鵬飛等通過(guò)建立植被指數(shù)與葉面積指數(shù)的統(tǒng)計(jì)在獲取冬小麥高光譜反射率與田間實(shí)測(cè)LAI數(shù)據(jù)的基關(guān)系來(lái)反演葉面積指數(shù)。另一類是模型反演法，如李小礎(chǔ)上，運(yùn)用支持向量機(jī)、小波變換以及主成分分析方法分別［７］［８］文、李鑫川等致力于輻射傳輸模型的構(gòu)建來(lái)提高LAI的進(jìn)行估算，通過(guò)對(duì)比研究這些模型方法的可行性來(lái)提高LAI反演精度。植被的生理生化參數(shù)與光譜反射率之間的關(guān)系較的計(jì)算效率與估算精度，為L(zhǎng)AI遙感反演提供科學(xué)依據(jù)。收稿日期：２０１３‐０７‐１０，修訂日期：２０１３‐１１‐１５基金項(xiàng)目：中國(guó)科學(xué)院百人計(jì)劃

7、項(xiàng)目（黃文江），國(guó)家自然科學(xué)基金項(xiàng)目（４１２７１４１２）項(xiàng)目和安徽省高等學(xué)校省級(jí)自然科學(xué)研究項(xiàng)目（KJ２０１３A０２６）資助作者簡(jiǎn)介：謝巧云，女，１９８９年生，中國(guó)科學(xué)院遙感與數(shù)字地球研究所碩士研究生e‐mail：xieqiaoyun２０１１＠gmail暢com倡通訊聯(lián)系人e‐mail：huangwenjiang＠gmail暢com第５期光譜學(xué)與光譜分析１３５３個(gè)波段）降到９維。１實(shí)驗(yàn)部分１暢２暢３主成分分析主成分分析法是圖像處理中常用的特征提取降維算法，1暢1儀器及數(shù)據(jù)它用累計(jì)貢獻(xiàn)率大于某一值（如９９％）的前N個(gè)主成分代替試驗(yàn)

8、于２００２年在北京市小湯山國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范原來(lái)的信號(hào)，達(dá)到壓縮數(shù)據(jù)的目的，以減小計(jì)算量。本研究基地進(jìn)行?；赜冢玻埃埃材昀茫╬ushbroomhyperspectralim‐中樣本光譜反射率經(jīng)過(guò)主成分變換，前９個(gè)主成分分量的累ager，PHI）儀器開展了３