最小二乘支持向量机用于时间序列叶面积指数预测_梁栋_谢巧云_黄文江_等.pdfVIP

第 卷第 期 年 月 43 1 红外与激光工程 2014 1 Vol.43 No.1 Infrared and Laser Engineering Jan.2014 最小二乘支持向量机用于时间序列叶面积指数预测 1,2 1,2,3 2,3 3 4 1,2 3 梁 栋 ，谢巧云 ，黄文江 ，彭代亮 ，杨晓华 ，黄林生 ，胡 勇 (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遥感科学国 家重点实验室，北京100094 ；4. 气象水文空间天气总站，北京 100094) 摘 要： 遥感反演的叶面积指数(LAI)时间序列被广泛应用于气候模拟、作物长势监测等研究。但遥感 数据受天气等因素影响，时间序列的LAI 数据存在缺失。支持向量机(SVM)是一种有效的数据分类和回 归预测工具，而最小二乘支持向量机(LS-SVM)是对SVM 的有效改进。以西藏那曲县为例，使用2003- 2011 年MODIS LAI 产品，分别用LS-SVM 和SVM 两种方法对研究区域2011 年LAI 时间序列进行预 测，并用MODIS 原始LAI 以及部分地面实验样点值进行验证。结果表明，基于LS-SVM 的LAI 时间序 列预测算法的精度比基于SVM 的算法高，从而证明LS-SVM 方法能够弥补遥感反演时间序列LAI 数 据的缺失问题，对提高时间序列的LAI 遥感产品质量具有重要意义。 关键词： 最小二乘支持向量机(LS-SVM) ； 支持向量机(SVM) ； 叶面积指数； 时间序列； MODIS 中图分类号： TP79 文献标志码： A 文章编号： 1007-2276(2014)01-0243-06 Using least squares support vector machines to estimate time series leaf area index 1,2 1,2,3 2,3 3 4 Liang Dong , Xie Qiaoyun , Huang Wenjiang , Peng Dailiang , Yang Xiaohua , Huang Linsheng1,2, Hu Yong3 (1. Key Laboratory of Intelligent Computer Signal Processing, Ministry of Education, Anhui University, Hefei 230039, China; 2. School of Electronic and Information Engineering, Anhui University, Hefei 230039, China ; 3. The State Key Laboratory of Remote Sensing Science, Laboratory of Digital Earth Sciences,