基于小波变换与支持向量机回归的冬小麦叶面积指数估算.pdfVIP

第 44卷第 1期 红外与激光工程 2015年 1月 Vo1．44No．1 InfraredandLaserEngineering Jan．2015 基于小波变换与支持向量机回归的冬小麦叶面积指数估算 梁 栋 1,2，杨勤英 1,2,3，黄文江2,3，彭代亮 。，赵晋陵 1,2，黄林生 1,2，张东彦 1,2，宋晓宇 (1．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； 2．安徽大学 电子信息工程学院，安徽 合肥 230039； 3．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； 4．北京农业信息技术研究中心 ，北京 100097) 摘 要：叶面积指数(LAI)是作物长势诊断及产量预测的重要参数。通过对冬小麦采样点的高光谱曲 线进行连续小波变换 (CWT)，然后利用小波系数与LAI建立支持向量机回归(SVR)模型，实现冬小麦 不同生育时期的叶面积指数估算。通过对所研究方法与选取的植被指数、偏最小二乘(PLS)回归等 5 种方法的反演结果进行统计分析。结果表明：利用连续小波变换确定的LAI的敏感波段为680、 739、802、895am，对应尺度分别为8、4、9和 8，对应小波系数的LAI回归确定系数 (R)明显高于冠层 反射率的回归确定系数；利用小波系数与L 建立的SVR模型的反演精度最高 ，模型实测值与预测 值的检验精度()为 0．86，均方根误差(RMSE)为0．43；而常用植被指数(归一化植被指数，NDVI；比值 植被指数 ，RVI)建立的估测模型对冬小麦多个生育时期 LAI反演精度最低 (R0．76，RMSEO．56)。因 此利用连续小波变换进行数据预处理 ，能更好地筛选 出对叶面积指数敏感的信息 ，LAI回归方法比较 结果表明，SVR比PLS更适合于LAI的估测，通过将 CWT与SvR结合(CWT—SVR)能实现不同生育时 期冬小麦叶面积指数的遥感估算。 关键词 ：叶面积指数(LAI)； 高光谱 ； 连续小波变换(CWT)； 支持向量机 回归(SVR)； 偏最小二乘(PLS) 中图分类号 ：TP391 文献标志码 ：A 文章编号 ：1007—2276(2015)01—0335—06 Estimation ofleafareaindexbasedonwavelettransform and supportvectormachineregression inwinterwheat LiangDong ，YnagQinying·，HuangWenjiang ，PengDailiang。，ZhaoJinling ，HunagLinsheng ， Zhang Dongyan，．．SongXiaoyu (1．KeyLaboratoryofIntelligentComputer SignalProcessing，MinistryofEducation，AnhuiUniversity，Hefei230039，China； 2．SchoolofElectronicand InformationEngineering，AnhuiUniversity，Hefei230039，China； 3．KeyLaboratory ofDigital Earth Sciences，InstituteofRemoteSensingna dDigitalEarth，ChineseAcademy ofSciences， Beijing100094，China；4．BeijingAgricultureInfomrationTechnologyResearchCenter，Beijing100097，China) Abstract：Leafareaindex (LAI)isanimportantpraameterofcrop diagnosisnadyieldpredicti