首页 > 论文 > 光谱学与光谱分析 > 34卷 > 2期(pp:489-493)

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

Research on Universality of Least Squares Support Vector Machine Method for Estimating Leaf Area Index of Winter Wheat

  • 摘要
  • 论文信息
  • 参考文献
  • 被引情况
  • PDF全文
分享:

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。

Abstract

Leaf area index (LAI) is one of the most important parameters for evaluating winter wheat growth status and forecasting its yield. Hyperspectral remote sensing is a new technical approach that can be used to acquire the instant information of vegetation LAI at large scale. This study aims to explore the capability of least squares support vector machines (LS-SVM) method to winter wheat LAI estimation with hyperspectral data. After the compression of PHI airborne data with principal component analysis (PCA), the sample set based on the measured LAI data and hyperspectral reflectance data was established. Then the method of LS-SVM was developed respectively to estimate winter wheat LAI under four different conditions, to be specific, different plant type cultivars, different periods, different nitrogenous fertilizer and water conditions. Compared with traditional NDVI model estimation results, each experiment of LS-SVM model yielded higher determination coefficient as well as lower RMSE value, which meant that the LS-SVM method performed better than the NDVI method. In addition, NDVI model was unstable for winter wheat under the condition of different plant type cultivars, different nitrogenous fertilizer and different water, while the LS-SVM model showed good stability. Therefore, LS-SVM has high accuracy for learning and considerable universality for estimation of LAI of winter wheat under different conditions using hyperspectral data.

Newport宣传-MKS新实验室计划
补充资料

中图分类号:O657.3

DOI:10.3964/j.issn.1000-0593(2014)02-0489-05

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

收稿日期:2013-05-09

修改稿日期:2013-07-16

网络出版日期:--

作者单位    点击查看

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

联系人作者:谢巧云(xieqiaoyun2011@gmail.com)

备注: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

【1】Myneni R B, Hoffman S, Knyazikhin Y, et al. Remote Sensing of Environment, 2002, 83(1-2): 214.

【2】Broge N H, Mortensen J V. Remote Sensing of Environment, 2002, 81: 45.

【3】Darvishzadeh R, Atzberger C, Skidmore A K. International Journal of Remote Sensing, 2009, 30(23): 6199.

【4】Haboudanea D, Millera J R, Pattey E. Remote Sensing of Environment, 2004, 90(3): 337.

【5】Kuusk A. Journal of Quantitative Spectroscopy & Radiative Transfer, 2001, 71: 1.

【6】Alhamad M N, Stuth J, Vannucci M. International Journal of Remote Sensing, 2007, 28: 2513.

【7】ZHANG Jia-hua, DU Yu-zhang, LIU Xue-feng, et al(张佳华, 杜育璋, 刘学锋, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2012, 32(12): 3319.

【8】Jolliffe I T. Principal Component Analysis, Springer, 2002.

【9】Giorgos Mountrakis, Jungho Im, Caesar Ogole. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66 (3): 247.

【10】Corinna Cortes, Vladimir Vapnik. Machine Learning, 1995, 20(3): 273.

【11】Stephen A Sweet, Karen Grace-Martin. Data Analysis with SPSS: A First Course in Applied Statistics, Pearson, 2011.

引用该论文

XIE Qiao-yun,HUANG Wen-jiang,LIANG Dong,PENG Dai-liang,HUANG Lin-sheng,SONG Xiao-yu,ZHANG Dong-yan,YANG Gui-jun. Research on Universality of Least Squares Support Vector Machine Method for Estimating Leaf Area Index of Winter Wheat[J]. Spectroscopy and Spectral Analysis, 2014, 34(2): 489-493

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): 489-493

您的浏览器不支持PDF插件,请使用最新的(Chrome/Fire Fox等)浏览器.或者您还可以点击此处下载该论文PDF