冬小麦叶面积指数遥感反演方法比较研究.pdf

冬小麦叶面积指数遥感反演方法比较研究.pdf

ID:54017593

大小:988.64 KB

页数:6页

时间:2020-04-28

冬小麦叶面积指数遥感反演方法比较研究.pdf_第1页
冬小麦叶面积指数遥感反演方法比较研究.pdf_第2页
冬小麦叶面积指数遥感反演方法比较研究.pdf_第3页
冬小麦叶面积指数遥感反演方法比较研究.pdf_第4页
冬小麦叶面积指数遥感反演方法比较研究.pdf_第5页
资源描述:

《冬小麦叶面积指数遥感反演方法比较研究.pdf》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库

1、第34卷,第5期光谱学与光谱分析Vol畅34,No畅5,pp1352‐13562014年5月SpectroscopyandSpectralAnalysisMay,2014冬小麦叶面积指数遥感反演方法比较研究1,21倡321谢巧云,黄文江,蔡淑红,梁栋,彭代亮,1242张清,黄林生,杨贵军,张东彦1畅中国科学院遥感与数字地球研究所,数字地球重点实验室,北京1000942畅安徽大学,计算机智能与信号处理教育部重点实验室,安徽合肥2300393畅河北省农业技术推广总站,河北石家庄0500114畅北京农业信息技术研究中心,北京10009

2、7摘要叶面积指数(leafareaindex,LAI)是反映作物生长状况和进行产量预测预报的主要指标之一,对诊断作物生长状况具有重要意义。遥感技术为大面积、快速监测植被LAI提供了有效途径。利用高光谱遥感影像,结合田间同步实验数据,探讨不同方法对冬小麦叶面积指数遥感反演的能力。介绍了支持向量机、离散小波变换、连续小波变换和主成分分析四种LAI反演方法。分别利用上述四种方法构建冬小麦LAI反演模型,并对不同算法反演的LAI模型进行了真实性检验。结果显示,支持向量机非线性回归模型精度最高,对冬小麦LAI估算能力最强,反演值与实测值拟

3、合的决定系数为0畅8234、均方根误差为0畅4195。离散小波变换法和主成分分析法都是基于特征提取和数据降维,其多元变量回归分析对LAI估算能力相近,决定系数分别为0畅6971和0畅6924,均方根误差分别为0畅6058和0畅5541。连续小波变换法回归模型精度最低,不适宜直接用其小波系数来反演LAI。结果表明,非线性支持向量机模型最适宜用于研究区域的冬小麦LAI反演。关键词叶面积指数;高光谱;支持向量机;小波变换;主成分分析中图分类号:TP79文献标识码:ADOI:10畅3964/j畅issn畅1000‐0593(2014)0

4、5‐1352‐05复杂,利用植被植被指数建立的线性模型往往缺乏普适性,引言反演误差较大。支持向量机(supportvectormachines,SVM)[9]由于其优越的学习能力,在国内外学术界受到广泛重视。叶面积指数是指单位地表面积上方植物叶单面面积的总高光谱遥感信息可以弥补基于宽波段估算LAI对某些细微和,是众多生态、陆面过程模型的重要输入参数。精确估算技术问题忽略的不足,利用高光谱开展LAI估算研究成为农植被LAI的空间变化及其对物候的响应对植被长势与光合业定量遥感和精准农业的研究热点问题之一。但是高光谱存作用、病虫害监测

5、、生物量估算以及碳循环都有重要意在信息量大、信息相关性强以及信息冗余等问题,为数据分[1,2][10]义。LAI可通过传统地面测量法和遥感估算方法得到。析和处理带来了很多不便。小波变换(wavelettransform)但传统方法仅能获得地面有限点的LAI值,遥感技术为大面和主成分分析(principlecomponentanalysis,PCA)具有强大[3]积、快速监测植被LAI提供了有效途径。遥感估算LAI的的信号处理与分析能力,被广泛应用于数据压缩、特征提取[4]方法主要有两类。一类是经验反演法,如Darvishzade

6、h、等方面。[5][6]Zhao、陈鹏飞等通过建立植被指数与叶面积指数的统计在获取冬小麦高光谱反射率与田间实测LAI数据的基关系来反演叶面积指数。另一类是模型反演法,如李小础上,运用支持向量机、小波变换以及主成分分析方法分别[7][8]文、李鑫川等致力于辐射传输模型的构建来提高LAI的进行估算,通过对比研究这些模型方法的可行性来提高LAI反演精度。植被的生理生化参数与光谱反射率之间的关系较的计算效率与估算精度,为LAI遥感反演提供科学依据。收稿日期:2013‐07‐10,修订日期:2013‐11‐15基金项目:中国科学院百人计划

7、项目(黄文江),国家自然科学基金项目(41271412)项目和安徽省高等学校省级自然科学研究项目(KJ2013A026)资助作者简介:谢巧云,女,1989年生,中国科学院遥感与数字地球研究所硕士研究生e‐mail:xieqiaoyun2011@gmail畅com倡通讯联系人e‐mail:huangwenjiang@gmail畅com第5期光谱学与光谱分析1353个波段)降到9维。1实验部分1畅2畅3主成分分析主成分分析法是图像处理中常用的特征提取降维算法,1畅1仪器及数据它用累计贡献率大于某一值(如99%)的前N个主成分代替试验

8、于2002年在北京市小汤山国家精准农业研究示范原来的信号,达到压缩数据的目的,以减小计算量。本研究基地进行。基地于2002年利用(pushbroomhyperspectralim‐中样本光谱反射率经过主成分变换,前9个主成分分量的累ager,PHI)仪器开展了3

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。