基于支持向量机的水稻叶面积指数高光谱估算模型研究 The Estimation Model of Rice Leaf Area Index Using Hyperspectral Data Based on Support Vector Machine.pdfVIP

第28卷，第8期 光谱学与光谱分析 0 2 0 and 8年8月 Spectroscopy Analysis August，2008 Spectral 基于支持向量机的水稻叶面积指数高光谱估算模型研究 杨晓华1’3，黄敬峰1，王秀珍2，王福民¨ 1．浙江大学遥感与信息技术应用研究所，浙江杭州 310029 2．浙江省气象局，浙江杭州 310004 3．总参气象水文局，北京100081 摘要为了研究支持向量机(SVM)对于作物农学参数高光谱估算的能力，通过大田小区试验，测定了2 500 个品种、3个供氮水平处理的水稻在不同生长期的冠层高光谱反射率(350～2rim)。依据Ladsat-5的TM 传感器波段宽度，将高光谱反射率转换为10种不同的植被指数。利用所有样本的植被指数和水稻叶面积指 数(LAI)，通过不同统计模型的模拟分析，依据模型的R2选取了三种相关性较高的统计关系(包括NDⅥ。。 的指数关系、丁℃ARj／QsAⅥ的乘幂关系和RVIz的乘幂关系)。对这三种关系，通过具有不同核函数的 SVM模型和相应统计模型对LAI进行估算。结果表明：所有的SVM模型都具有较低的均方根误差值，估 相应的统计模型降低近11个百分点。因此，SVM方法用于水稻LAI高光谱估算具有良好的学习能力和鲁 棒性。 关键词支持向量机；高光谱；叶面积指数 中图分类号：TP751文献标识码：A 文章编号：1000-0593(2008)08—1837—05 干领域得到了成功的应用[1‘1。SVM方法在模式识别方面的 引 言 应用研究包括文本识别[15]、参数测定[161和光谱分析‘“8] 等；在函数回归方面，主要尚属原理性研究，包括函数逼近、 作物生长季各种冠层参数的测量，对于作物精确施肥管 时间序列预测[冲]及数据压缩等。但对于水稻LAI高光谱估 理及提高作物产量和品质具有重要意义[12]。为了尽最大可 算的研究鲜见报道。本文介绍了SVM用于函数拟合的原理 能满足作物生长需要，就必须确定这些参数的时空变异。光 和方法，将SVM方法引入水稻LAl的高光谱估算，并与传 谱反射率的遥感应用对于估算作物生物物理等特征是一个潜 统统计模型进行了比较。目的在于研究SVM对作物农学参 在的有力源泉[争“。多种植被指数已被用于估算作物叶面积、 数高光谱估算的能力，进一步扩大SVM方法在高光谱研究 覆盖度和叶绿素等[6一]。为了提高光谱与叶面积指数(LAI) 领域的应用范围。 之间关系，一些学者提出了NDⅥ肿，孔MRJ／OSAVI和 RV／2等植被指数[8’9]。许多研究都致力于利用植被指数估 1回归SVM原理与方法 算作物的LAglo-lzJ。 尽管植被指数与作物冠层参数之间的某些关系可以通过 数学公式转换来完成，但有些关系具有复杂的非线性特征， 已表现出很多优于已有统计方法的性能。s、，M方法将待解 无法通过数学转换完成，在这种情况下，如果利用非线性回 决的模式识别问题转化成为一个二次规划寻优问题，理论上 归，则需要非线性数据的先验知识，这在某种程度上是不可 保证它将得到全局最优解，解决了在诸如神经网络方法中可 能的，并且非线性的复杂计算是难以实现的[1引。支持向量机 能收敛到局部极值的问题。 (SⅥ订)的首次提出就是为了解决分类和非线性回归问题，由 1．1最优超平面 于其出色的学习性