基于赤池信息量准则的冬小麦叶面积指数高光谱估测-ingentaconnect.pdfVIP

第 32 卷 第 3 期 农 业 工 程 学 报 Vol.32 No.3 2016 年 2 月 Transactions of the Chinese Society of Agricultural Engineering Feb. 2016 163 基于赤池信息量准则的冬小麦叶面积指数高光谱估测 杨福芹 1,2,3,4,5 ，冯海宽2,3,4※，李振海2,3,4 ，高 林2,3,4 ，杨贵军2,3,4 ，戴华阳 1 （1.中国矿业大学（北京）地球科学与测绘工程学院，北京 100083 ； 2. 国家农业信息化工程技术研究中心，北京，100097； 3.农业部农业信息技术重点实验室，北京 100097 ； 4.北京市农业物联网工程技术研究中心，北京 100097 ； 5. 河南工程学院土木工程学院，郑州 451191 ） 摘 要：冬小麦叶面积指数（leaf area index，LAI ）是描述冠层结构的重要参数之一，对评价其长势和预测产量具有重要 意义。该文利用灰色关联分析（grey relational analysis，GRA ）对植被指数进行排序，用偏最小二乘法（partial least squares regression ，PLS ）选择不同的植被指数个数作为自变量进行回归建模，通过赤池信息量准则 （Akaike’s information criterion ， AIC ）选择AIC 值最小的模型作为冬小麦 LAI 最优估算模型，即 GRA、PLS 和 AIC 3 种方法整合建立冬小麦 LAI 最优估 算模型。使用 2008 －2009 年在中国北京通州区和顺义区获取的整个生育期冬小麦 LAI 和配套的光谱数据进行建模，利用 2009 －2010 相关数据进行验证。研究表明：采用 GRA 评价标准与冬小麦 LAI 关联度最大的植被指数是 VOG1 ，关联度 最小的植被指数是 SR；通过AIC 建立的以 8 个植被指数作为自变量的冬小麦 LAI 模型效果最优，建模集的决定系数 R2 和标准误 SE 分别为 0.76 和 0.009，验证集的R2 和相对均方根误差 RRMSE 分别为 0.63 和 0.004，预测模型和验证模型均 具有较高的精度和可靠性。结果表明采用 GRA-PLS-AIC 方法进行冬小麦 LAI 反演是可行的，为提高冬小麦 LAI 遥感预 测精度提供了一种有效的方法。 关键词：植被；遥感；模型；叶面积指数；赤池信息量准则；灰色关联分析；偏最小二乘法 doi ：10.11975/j.issn.1002-6819.2016.03.023 中图分类号：S127；TP79 文献标志码：A 文章编号：1002-6819(2016)-03-0163-06 杨福芹，冯海宽，李振海，高 林，杨贵军，戴华阳. 基于赤池信息量准则的冬小麦叶面积指数高光谱估测[J]. 农业工 程学报，2016，32(3)：163－168. doi ：10.11975/j.issn.1002-6819.2016.03.023 Yang Fuqin, Feng Haikuan, Li Zhenhai, Gao Lin, Yang Guijun, Dai Huayang. Hyperspectral estimation of leaf area index for winter wheat based on Akaike’s information criterion[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 163 －168. (in Chinese with English abstract) doi ：10.11975/j.issn.1002-6819.2016.03.023