CN103942459A - 一种遥感监测小麦叶面积指数的方法 - Google Patents

Abstract

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。

Description

一种遥感监测小麦叶面积指数的方法

技术领域

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

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,support vectorregression)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

1、要解决的技术问题

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—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。

2、技术方案

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：

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。

所述的步骤(2)具体如下：

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＝{(x₁,y₁),...(x_l,y_l)}∈(Rⁿ×y)^l，其中:x_i∈X∈Rⁿ,y_i∈Y∈R,i＝1,...l，X是遥感植被指数，Y是LAI值，l是训练样本个数；

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

$K(x,x^{\′})\mathrm{mix}=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_m{K}_m(x,x^{\′})---\left(1\right)$

其中μ_m为第m个核函数的权系数，μ_m∈[0,1]且

3)选取适当的精度ε>0和惩罚参数C>0；

4)求解凸二次规划问题：

$\begin{array}{c}\underset{{\mathrm{\α}}^{(*)}\∈R^{2l}}{\min }\frac{1}{2}\underset{i,j=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j)\mathrm{Kmix}(x_i,x_j)\\ +\mathrm{\ϵ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)\end{array}---\left(2\right)$

$\begin{array}{c}s\·t\·\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0,i=1...1,\\ 0\≤{\mathrm{\α}}_i^{(*)}\≤C,\end{array}---\left(3\right)$

得解 ${\stackrel{\‾}{\mathrm{\α}}}^{(*)}={({\stackrel{\‾}{\mathrm{\α}}}_1,{\stackrel{\‾}{\mathrm{\α}}}_1^{*},...{\stackrel{\‾}{\mathrm{\α}}}_l,{\stackrel{\‾}{\mathrm{\α}}}_l^{*})}^T;$

5)计算选取位于开区间(0,C)的分量或若选则

$\stackrel{\‾}{b}=y_j-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\stackrel{\‾}{\mathrm{\α}}}_i^{*}-{\stackrel{\‾}{\mathrm{\α}}}_i)\mathrm{Kmix}(x_i,x_j)+\mathrm{\ϵ}---\left(4\right)$

若选则

$\stackrel{\‾}{b}=y_k-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\stackrel{\‾}{\mathrm{\α}}}_i^{*}-{\stackrel{\‾}{\mathrm{\α}}}_i)\mathrm{Kmix}(x_i,x_k)-\mathrm{\ϵ}---\left(5\right)$

6)构造反演模型：

$y=g\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\stackrel{\‾}{\mathrm{\α}}}_i^{*}-{\stackrel{\‾}{\mathrm{\α}}}_i)\mathrm{Kmix}-(x_i,x)+\stackrel{\‾}{b}---\left(6\right).$

3、有益效果

SVR是一种基于核的机器学习算法。核函数分为局部核与全局核。SVR算法仅使用局部核，其学习能力强而推广能力弱(见图1.a)，仅使用全局核，其推广能力强而学习能力弱(见图1.b)，降低了基于SK-SVR算法模型的小麦LAI遥感反演精度。线性组合局部核与全局核为多核函数，可弥补单一核的不足(见图1.c)。

选定检验样本，利用本发明建立的模型反演小麦LAI，并将反演结果与实测LAI值比较，对模型精度做出评价。按照本发明提出的MK-SVR构建小麦LAI遥感反演模型，实测值和反演值之间决定系数R2及均方根误差RMSE较基于SK-SVR算法构建的模型反演结果都有所提高(图2—图4)。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。

附图说明

图1.典型的核函数及其组合核；a.径向基核，b.多项式核，c.径向基与多项式的组合核。

图2.拔节期小麦LAI模型反演值与实测值1:1关系图。

图3.孕穗期小麦LAI模型反演值与实测值1:1关系图。

图4.开花期小麦LAI模型反演值与实测值1:1关系图。

具体实施方式

以下实施内容是对本发明专利的进一步解释与说明，不是对本发明的限制。

(1).获取训练样本。以长江中下游地区小麦为研究对象，利用2010-2012年小麦拔节期、孕穗期和开花期3个时期的LAI指数和同步获取的我国自主研发的环境减灾卫星HJ-CCD对该研究区域的影像数据，构建8种常用的认可度高的植被指数NDVI(归一化植被指数)、NRI(作物氮反应指数)、GNDVI(绿色归一化指数)、SIPI(冠层结构不敏感指数)、PSRI(光谱结构不敏感指数)、RVI(比值植被指数)、SAVI(土壤调整指数)和OSAVI(调整的土壤调整指数)，分析这些植被指数与LAI的相关性(表1),筛选监测小麦LAI的敏感植被指数。

表1.小麦LAI值与植被指数间的相关性

*和**分别表示差异达显著(P＜0.05)和极显著(P＜0.01)水平，n代表总样本数量。

(2).以极显著相关的植被指数为输入参数，LAI值为目标值，利用训练样本分别训练基于径向基核(图1.a)的SK-SVR和基于径向基与多项式核混合(图1.c)的MK-SVR，得到每个生育期的SK-SVR-LAI模型与MK-SVR-LAI模型。

(3).获取检验样本。以长江中下游地区小麦为研究对象，利用2013年小麦拔节期、孕穗期和开花期3个时期的LAI指数与同步获取的HJ-CCD数据为检验样本。

(4).验证模型。利用2013年数据，将每个时期的2个模型反演的LAI数据与相应时期的实测数据比较，从实测值和反演值之间决定系数R²及均方根误差RMSE对模型性能作比较(表2),同时构建了每期2个模型实测值与模型预测值之间的1:1关系图(图2-图4)。

表2.LAI反演模型评价

由表2可知，基于MK-SVR构建的LAI反演模型性能均高于SK-SVR的性能。

Claims (2)

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＝{(x₁,y₁),...(x_l,y_l)}∈(Rⁿ×y)^l，其中:x_i∈X∈Rⁿ,y_i∈Y∈R,i＝1,...l，X是遥感植被指数，Y是LAI值，l是训练样本个数；

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

$K(x,x^{\′})\mathrm{mix}=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\μ}}_m{K}_m(x,x^{\′})---\left(1\right)$

其中μ_m为第m个核函数的权系数，μ_m∈[0,1]且

3)选取适当的精度ε>0和惩罚参数C>0；

4)求解凸二次规划问题：

$\begin{array}{c}\underset{{\mathrm{\α}}^{(*)}\∈R^{2l}}{\min }\frac{1}{2}\underset{i,j=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j)\mathrm{Kmix}(x_i,x_j)\\ +\mathrm{\ϵ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)\end{array}---\left(2\right)$

$\begin{array}{c}s\·t\·\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0,i=1...1,\\ 0\≤{\mathrm{\α}}_i^{(*)}\≤C,\end{array}---\left(3\right)$

得解 ${\stackrel{\‾}{\mathrm{\α}}}^{(*)}={({\stackrel{\‾}{\mathrm{\α}}}_1,{\stackrel{\‾}{\mathrm{\α}}}_1^{*},...{\stackrel{\‾}{\mathrm{\α}}}_l,{\stackrel{\‾}{\mathrm{\α}}}_l^{*})}^T;$

5)计算选取位于开区间(0,C)的分量或若选则

$\stackrel{\‾}{b}=y_j-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\stackrel{\‾}{\mathrm{\α}}}_i^{*}-{\stackrel{\‾}{\mathrm{\α}}}_i)\mathrm{Kmix}(x_i,x_j)+\mathrm{\ϵ}---\left(4\right)$

若选则

$\stackrel{\‾}{b}=y_k-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\stackrel{\‾}{\mathrm{\α}}}_i^{*}-{\stackrel{\‾}{\mathrm{\α}}}_i)\mathrm{Kmix}(x_i,x_k)-\mathrm{\ϵ}---\left(5\right)$

6)构造反演模型：

$y=g\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\stackrel{\‾}{\mathrm{\α}}}_i^{*}-{\stackrel{\‾}{\mathrm{\α}}}_i)\mathrm{Kmix}-(x_i,x)+\stackrel{\‾}{b}---\left(6\right).$