農(nóng)情信息遙感監(jiān)測(cè)預(yù)報(bào)模型構(gòu)建算法研究進(jìn)展.pdf

《農(nóng)情信息遙感監(jiān)測(cè)預(yù)報(bào)模型構(gòu)建算法研究進(jìn)展.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、江蘇農(nóng)業(yè)科學(xué)2013年第41卷第l1期王麗愛，譚昌偉，馬昌，等．農(nóng)情信息遙感監(jiān)測(cè)預(yù)報(bào)模型構(gòu)建算法研究進(jìn)展[J]．江蘇農(nóng)業(yè)科學(xué)，2013，41(11)：1—5農(nóng)情信息遙感監(jiān)測(cè)預(yù)報(bào)模型構(gòu)建算法研究進(jìn)展王麗愛，譚昌偉，馬昌，童璐，楊昕，崔懷洋，郭文善(揚(yáng)州大學(xué)江蘇省作物遺傳生理重點(diǎn)實(shí)驗(yàn)室／農(nóng)業(yè)部長(zhǎng)江中下游作物生理生態(tài)與栽培重點(diǎn)開放實(shí)驗(yàn)室，江蘇揚(yáng)州225009)摘要：綜合介紹了線性逐步回歸算法、偏最小二乘回歸算法、人工神經(jīng)網(wǎng)絡(luò)算法、支持向量機(jī)回歸算法在農(nóng)作物信息遙感預(yù)測(cè)建模中的應(yīng)用，闡述了這些算法的基本思想，給出了每種算法的求解步驟，歸納了這些算法的優(yōu)點(diǎn)，

2、分析了每種算法的不足之處，并指明了農(nóng)情信息遙感預(yù)測(cè)建模的研究發(fā)展方向。關(guān)鍵詞：遙感；建模；逐步多元回歸；偏最小二乘；神經(jīng)網(wǎng)絡(luò)；支持向量機(jī)中圖分類號(hào)：S127文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1002—1302(2013)11-0001-05農(nóng)業(yè)是國(guó)民經(jīng)濟(jì)的基礎(chǔ)，農(nóng)業(yè)高技術(shù)引領(lǐng)農(nóng)業(yè)的未來(lái)。逐步回歸正是為解決這一問(wèn)題而提出的一種算法。Jin等運(yùn)用ASD光譜儀測(cè)得小麥不同生育時(shí)期的冠層光譜數(shù)據(jù)，運(yùn)用SMR算法建立了基于光譜參數(shù)估計(jì)小麥葉片葉綠素含量的回歸模型。楊曉華等測(cè)定了水稻不同生育期監(jiān)測(cè)；在計(jì)算機(jī)系統(tǒng)的支持下，通過(guò)建模將獲取的農(nóng)業(yè)遙感信的冠層高光譜反射率，分別

3、以高光譜反射率的4種不同變換息與農(nóng)業(yè)目標(biāo)參量聯(lián)系，定量地反演或推算出農(nóng)學(xué)參量(即形式(光譜反射率、反射率一階導(dǎo)數(shù)、反射率二階導(dǎo)數(shù)和反射定量遙感)。定量遙感模型概括起來(lái)分為3類：物理模型、統(tǒng)率對(duì)數(shù)變換)為因變量，以葉面積指數(shù)(LAI)和葉綠素密度計(jì)模型和半經(jīng)驗(yàn)?zāi)Ｐ汀?，其中統(tǒng)計(jì)模型是對(duì)一系列觀測(cè)數(shù)據(jù)(GLCD)為自變量進(jìn)行分析，評(píng)價(jià)了SMR對(duì)LAI和GLCD的作經(jīng)驗(yàn)性的統(tǒng)計(jì)描述或相關(guān)分析，建立遙感參數(shù)與農(nóng)情觀測(cè)估算能力。周冬琴等用SMR算法建立了水稻成熟籽粒蛋數(shù)據(jù)之間的回歸模型。白質(zhì)含量監(jiān)測(cè)模型，模型預(yù)測(cè)值與實(shí)測(cè)值之間符合度較高，對(duì)近年來(lái)，文獻(xiàn)資料運(yùn)用

4、逐步多元回歸算法、偏最／j~--乘回水稻成熟籽粒蛋白質(zhì)含量具有較好的預(yù)測(cè)性。宋開山等歸算法、人工神經(jīng)網(wǎng)絡(luò)回歸算法、支持向量機(jī)回歸算法，在計(jì)利用不同生長(zhǎng)季大田玉米的冠層高光譜反射率，采用SMR算算機(jī)系統(tǒng)支持下，建立多種農(nóng)情信息遙感預(yù)測(cè)統(tǒng)計(jì)模型。計(jì)法，建立了玉米地上鮮生物量高光譜遙感估算模型，模型預(yù)測(cè)算機(jī)系統(tǒng)操作的目的是對(duì)數(shù)據(jù)進(jìn)行加工處理，以得到期望的效果較理想；利用不同生長(zhǎng)季的大田玉米、大豆的冠層高結(jié)果，其中算法是靈魂，算法是為解決一個(gè)問(wèn)題而采取的方法光譜反射率，采用SMR算法，建立了玉米、大豆LAI高光譜遙和步驟。因此，本文介紹這些算法應(yīng)用于遙感建

5、模預(yù)測(cè)多種感估算模型，結(jié)果表明以多波段逐步回歸構(gòu)造的模型預(yù)測(cè)效農(nóng)作物的多種農(nóng)學(xué)參量情況的同時(shí)，重點(diǎn)闡述了這些算法的果很好。牛錚等利用小麥及11種植被的葉片樣本光譜測(cè)基本思想，給出了每種算法的求解步驟，總結(jié)了這些算法的優(yōu)量數(shù)據(jù)，采用SMR算法，分析了鮮葉片中7種化學(xué)組分含量點(diǎn)。每種算法都有不足之處，針對(duì)每種算法的缺陷加以改進(jìn)與其光譜特性的統(tǒng)計(jì)關(guān)系，并分別建立了葉片反射率及其變或多種算法結(jié)合使用，可以有針對(duì)性地避免原算法的缺陷，達(dá)換形式與鮮葉片中化學(xué)組分含量的SMR模型。到取長(zhǎng)補(bǔ)短的優(yōu)勢(shì)互補(bǔ)效果。因此，傳統(tǒng)算法的改進(jìn)算法、多SMR算法的主要思想是雙向篩

6、選進(jìn)入模型的解釋變量：種算法的組合算法成為了農(nóng)情信息遙感預(yù)測(cè)建模算法的研究在所考慮的全部解釋變量中按照對(duì)被解釋變量的貢獻(xiàn)大小逐趨勢(shì)，最后指明了農(nóng)情信息遙感預(yù)測(cè)建模的研究發(fā)展方向。個(gè)引入回歸方程，已被引入回歸方程的變量在引入新變量后也可能失去重要性，而需要從回歸方程中剔除出去。引入一1逐步多元回歸算法(stepwisemultipleregression。SlVIR)個(gè)變量或者從回歸方程中剔除一個(gè)變量都要進(jìn)行F檢驗(yàn)，以在解釋變量個(gè)數(shù)較多的情況下建立多元線性回歸預(yù)測(cè)模保證在引入新變量前回歸方程中只含有對(duì)被解釋變量影響顯型，需要選擇解釋變量，以使在回歸方

7、程中包含所有對(duì)被解釋著的變量，而不顯著的變量已被剔除。變量影響顯著的解釋變量而不包含影響不顯著的解釋變量。SMR算法步驟如下：(1)求被解釋變量Y與每一個(gè)自變量的一元線性回歸方程。(2)通過(guò)F檢驗(yàn)，選擇F最高者作為第1個(gè)進(jìn)入模型的自變量。(3)對(duì)模型外的變量分別進(jìn)收稿Et期：2013—04—23行偏，檢驗(yàn)，在若干通過(guò)偏F檢驗(yàn)的變量中，選擇F最大者基金項(xiàng)目：國(guó)家自然科學(xué)基金(編號(hào)：41271415、40801122、進(jìn)入模型。(4)對(duì)模型中的自變量分別進(jìn)行偏F檢驗(yàn)，如果61003180)；江蘇省高校自然科學(xué)基金(編號(hào)：12KJB520018)；江蘇所

8、有自變量都通過(guò)偏F檢驗(yàn)，轉(zhuǎn)入步驟(3)；如果有若干自變省自然科學(xué)基金(編號(hào)：BK201031)。作者簡(jiǎn)介：王麗愛(1975