一种遥感监测小麦叶面积指数的方法
【专利摘要】本发明属于农业【技术领域】，涉及一种遥感监测小麦叶面积指数的方法。该方法包括：(1)获取训练样本数据：以试验样点小麦生育期实测LAI数据为基础，同步获取该区域的遥感数据，分析植被指数与LAI的相关性,筛选出极显著相关的植被指数作为训练模型的输入参数；(2)以极显著相关的植被指数为输入参数，LAI值为目标值，利用训练样本训练基于径向基与多项式核混合的MK-SVR，得到每个生育期的MK-SVR-LAI模型；(3)选定检验样本，利用步骤(2)建立的模型反演小麦LAI，实现遥感监测小麦叶面积指数。本发明为提高遥感反演小麦LAI精度提供了一种新方法，近而为小麦不同长势参数遥感监测提供理论和技术上的支持。
【专利说明】一种遥感监测小麦叶面积指数的方法
【技术领域】
[0001]本发明专利属于农业【技术领域】，涉及作物栽培，遥感技术，计算机算法分析与设计等相关技术和方法。
【背景技术】
[0002]小麦叶面积指数(LAI, leaf area index)是评价其长势的重要农学参数,传统地面测量法获取大范围小麦LAI效率低、成本高。遥感能够实现快速无损地监测小麦LAI，其中一种实现方法是基于机器学习算法，建立LAI和各种遥感植被指数之间的遥感反演算法模型来估算小麦LAI。到目前为止，应用于小麦LAI遥感反演的支持向量回归(SVR，supportvector regression)机器学习算法仅使用了单核 SVR(SK-SVR, single kernel SVR),难以在特征空间充分表示数据的信息，导致算法性能在实际应用中不一定达到最好，降低了模型预测精度。
【发明内容】
[0003]1、要解决的技术问题
[0004]本发明的目的在于为遥感监测小麦LAI提供一种新的机器学习方法一多核SVR算法(MK-SVR，multiple kernel SVR)，以提高遥感技术在小麦LAI监测应用中的精度和准确性。
[0005]2、技术方案
[0006]本发明所述的使用MK-SVR算法构建小麦LAI遥感监测模型的方法，包括如下步骤:
[0007]一种遥感监测小麦叶面积指数的方法，包括如下步骤:
[0008](I)获取训练样本数据
[0009]以试验样点小麦生育期实测LAI数据为基础，同步获取该区域的遥感数据，利用这些数据构建植被指数，分析植被指数与LAI的相关性，筛选出极显著相关的植被指数作为训练模型的输入参数；
[0010](2)以极显著相关的植被指数为输入参数，LAI值为目标值，利用训练样本训练基于径向基与多项式核混合的MK-SVR，得到每个生育期的MK-SVR-LAI模型；
[0011](3)选定检验样本，利用步骤(2)建立的模型反演小麦LAI，实现遥感监测小麦叶面积指数。
[0012]所述的步骤⑵具体如下:
[0013]用MATLAB编程实现如下MK-SVR算法建立小麦LAI反演模型:
[0014]I)给定训练集 T = { (x1； Y1) ,...(x1； Y1) } e (RnXy)1,其中:Xi e X e Rn，yi e Y e R，i = 1，...1，X是遥感植被指数，Y是LAI值，I是训练样本个数；
[0015]2)令K(x，X’)为核函数，将局部核与全局核共M个核函数线性组合，构造多核函数[001 6]
【权利要求】
1.一种遥感监测小麦叶面积指数的方法，包括如下步骤: (1)获取训练样本数据 以试验样点小麦生育期实测LAI数据为基础，同步获取该区域的遥感数据，利用这些数据构建植被指数，分析植被指数与LAI的相关性，筛选出极显著相关的植被指数作为训练模型的输入参数； (2)以极显著相关的植被指数为输入参数，LAI值为目标值，利用训练样本训练基于径向基与多项式核混合的MK-SVR，得到每个生育期的MK-SVR-LAI模型； (3)选定检验样本，利用步骤(2)建立的模型反演小麦LAI，实现遥感监测小麦叶面积指数。
2.根据权利要求1所述的方法，其特征在于，步骤(2)具体是: 用MATLAB编程实现如下MK-SVR算法建立小麦LAI反演模型:
1)给定训练集T= ((X11Y1),...(X1J1M e (RnXy)1，其中:Xi e X e RnJi e Y e R，i=1，...1，X是遥感植被指数，Y是LAI值，I是训练样本个数； 2)令Κ(χ,χ’)为核函数，将局部核与全局核共M个核函数线性组合，构造多核函数
【文档编号】G01N21/84GK103942459SQ201410201645
【公开日】2014年7月23日 申请日期:2014年5月13日 优先权日:2014年5月13日
【发明者】王丽爱, 谭昌伟, 朱新开, 郭文善, 李斌 申请人:扬州大学