文献类型：期刊文章

作　　者：梁栋[1] 管青松[1,2] 黄文江[2] 黄林生[1] 杨贵军[3]

机构地区：[1]安徽大学计算智能与信号处理教育部重点实验室,合肥230039 [2]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 [3]北京农业信息技术研究中心,北京100097

出　　处：《农业工程学报》

基　　金：国家自然科学基金(61172127;41201354);高等学校博士学科点科研基金(20113401110006);中国科学院百人计划项目"植被定量遥感参数反演与真实性检验"项目资助

年　　份：2013

卷　　号：29

期　　号：7

起止页码：117-123

语　　种：中文

收录情况：AJ、BDHX、BDHX2011、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2013_2014、EI(收录号：20132016328291)、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：利用单一植被指数反演叶面积指数(LAI)时,存在不同程度的饱和性且每种指数只能包含部分波段的信息,该文提出利用支持向量机回归的方法进行叶面积指数的反演,可以用更多的波段信息作为输入参数以提高LAI反演精度。选取冬小麦起身期、拔节期和灌浆期的实测光谱和叶面积指数数据,用统计回归的方法分别建立NDVI-LAI和RVI-LAI模型,用支持向量机回归(SVR)方法分别建立以NDVI、RVI以及蓝、绿、红和近红外4个波段数据作为输入参数的回归预测模型,即NDVI-SVR、RVI-SVR和NRGB-SVR模型。上述5个模型分别利用对应时期的环境星HJ-CCD数据进行验证。结果表明:NDVI和RVI与叶面积指数(LAI)的回归模型预测的结果与实测值的RMSE分别为0.98与0.97;预测精度分别为59.2%与59.3%。以NDVI和RVI结合实测叶面积指数(LAI)训练并预测的结果与实测值的均方根误差RMSE分别为0.71与0.83预测精度分别为70.4%与67.1%。以蓝(B)、绿(G)、红(R)以及近红外(NIR)波段作为输入参数回归并预测的RMSE值为0.42,预测精度为81.7%。通过支持向量机回归预测具有更好的拟合效果,可以输入更多波段信息,提高了叶面积遥感反演精度,对冬小麦的多个生育期均具有较好的适用性。

关 键 词：遥感 光谱分析 支持向量机 反演 叶面积指数 植被指数

分 类 号：S127]