联合主成分分析与最小二乘支持向量机估测冬小麦叶面积指数

利用单一植被指数估测叶面积指数存在高光谱遥感丰富的波段信息易丢失和外界因素干扰大的缺点,但若将波段信息全部引入模型又会增加建模难度。为解决利用多波段信息估测叶面积指数的问题,利用主成分分析法(PCA)对光谱数据进行降维,之后将提取的主成分与最小二乘支持向量机(LS-SVM)模型相结合,构建冬小麦叶面积指数的高光谱估测模型,并与以4类植被指数作为LS-SVM输入参数建立的模型进行比较。结果表明,以主成分作为LS-SVM模型的输入参数建立的模型精度最高,模型检验集R2为0.71,检验集RMSE为0.56,估测结果较使用植被指数作为输入参数建立的模型精度高,稳定性好。该方法可为利用多波段信息进行大范围冬小麦叶面积指数的无损测定提供参考。     

基于MIMICS模型的麦田地表土壤含水量反演研究

为尝试联合应用光学与微波遥感数据反演小麦覆盖区土壤含水量的可行性,收集了2014年3月28日RADARSAT-2微波数据和2014年3月24日Landsat8光学数据,同时开展了地面同步试验,测量了49个点的地面数据.首先根据地面实测数据优化了光学遥感反演地表小麦含水量模型,然后利用MIMICS 模型和AIEM模型模拟研究区后向散射系数生成训练数据集,再以Matlab为平台建立BP神经网络、SVM(Support Vector Machine)、MEA-BP (Mind Evolutionary Algorithm-Back Propagation)神经网络、LS-SVM(least squares support vector machine)方法模型,构建小麦覆盖区地表土壤含水量反演模型,最后利用地面实测数据对反演模型进行了精度验证.结果表明,以LS-SVM方法构建的小麦覆盖区地表土壤含水量反演模型的精度最好,其RSME为0.010,相对误差为6.57％.说明联合应用光学与微波遥感数据,并结合简化MIMICS模型构建小麦覆盖区地表土壤含水量反演模型,其反演精度较高且具有可行性.