文献类型： 中文期刊

作者： 梁栋 ¹ ; 杨勤英 ¹ ; 黄文江 ¹ ; 彭代亮 ¹ ; 赵晋陵 ¹ ; 黄林生 ¹ ; 张东彦 ¹ ; 宋晓宇 ¹ ;

作者机构： 1.安徽大学计算机智能与信号处理教育部重点实验室;安徽大学电子信息工程学院;中国科学院遥感与数字地球研究所数字地球重点实验室;北京农业信息技术研究中心

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)

期刊名称： 红外与激光工程

ISSN： 1007-2276

年卷期： 2015 年 01 期

页码： 335-340

收录情况： EI ; 北大核心 ; CSCD

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、895 nm,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(R2)明显高于冠层反射率的回归确定系数;利用小波系数与LAI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(R2)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(R2<0.76,RMSE>0.56)。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。