留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

最小二乘支持向量机用于时间序列叶面积指数预测

梁栋 谢巧云 黄文江 彭代亮 杨晓华 黄林生 胡勇

梁栋, 谢巧云, 黄文江, 彭代亮, 杨晓华, 黄林生, 胡勇. 最小二乘支持向量机用于时间序列叶面积指数预测[J]. 红外与激光工程, 2014, 43(1): 243-248.
引用本文: 梁栋, 谢巧云, 黄文江, 彭代亮, 杨晓华, 黄林生, 胡勇. 最小二乘支持向量机用于时间序列叶面积指数预测[J]. 红外与激光工程, 2014, 43(1): 243-248.
Liang Dong, Xie Qiaoyun, Huang Wenjiang, Peng Dailiang, Yang Xiaohua, Huang Linsheng, Hu Yong. Using least squares support vector machines to estimate time series leaf area index[J]. Infrared and Laser Engineering, 2014, 43(1): 243-248.
Citation: Liang Dong, Xie Qiaoyun, Huang Wenjiang, Peng Dailiang, Yang Xiaohua, Huang Linsheng, Hu Yong. Using least squares support vector machines to estimate time series leaf area index[J]. Infrared and Laser Engineering, 2014, 43(1): 243-248.

最小二乘支持向量机用于时间序列叶面积指数预测

基金项目: 

国家自然科学基金(61172127,41201354);国家863 项目(2012AA12A307);高等学校博士学科点科研基金(20113401110006)

详细信息
    作者简介:

    梁栋(1963-),男,教授,主要从事信号与信息处理方面的研究工作。Email:dliang@ahu.edu.cn

  • 中图分类号: TP79

Using least squares support vector machines to estimate time series leaf area index

  • 摘要: 遥感反演的叶面积指数(LAI)时间序列被广泛应用于气候模拟、作物长势监测等研究。但遥感数据受天气等因素影响,时间序列的LAI 数据存在缺失。支持向量机(SVM)是一种有效的数据分类和回归预测工具,而最小二乘支持向量机(LS-SVM)是对SVM 的有效改进。以西藏那曲县为例,使用2003-2011 年MODIS LAI 产品,分别用LS-SVM 和SVM 两种方法对研究区域2011 年LAI 时间序列进行预测,并用MODIS 原始LAI 以及部分地面实验样点值进行验证。结果表明,基于LS-SVM 的LAI 时间序列预测算法的精度比基于SVM 的算法高,从而证明LS-SVM 方法能够弥补遥感反演时间序列LAI 数据的缺失问题,对提高时间序列的LAI 遥感产品质量具有重要意义。
  • [1]
    [2] My neni R B, Hoffman S, Knyazikhin Y, et al. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data [J]. Remote Sensing of Environment, 2002, 83(1-2): 214-231.
    [3] Peng D L, Zhang B, Liu L L, et al. Characteristics and drivers of global NDVI-based FPAR from 1982 to 2006[S]. Global Biogeochemical Cycles, 2012, 26,GB3015.
    [4]
    [5] Httich C, Herold M, Schmullius C, et al. Indicator of Northern Eurasia's land -cover change trends from SPOT-Vegetation time-series analysis 1998-2005 [J]. International Journal of Remote Sensing, 2007, 28(18): 4199-4206.
    [6]
    [7]
    [8] R觟der A, Hill J, Duguy B, et al. Using long time series of Landsat data to monitor fire events and post -fire dynamics and identify driving factors. A case study in the Ayora region (eastern Spain)[J]. Remote Sensing of Environment, 2008, 112(1): 259-273.
    [9]
    [10] Kuusk A. A two -layer canopy reflectance model [J]. Journal of Quantitative Spectroscopy Radiative Transfer, 2001, 71: 1-9.
    [11] Alhamad M N, Stuth J, Vannucci M. Biophysical modeling and NDVI time series to project near -term forage supply: spectral analysis aided by wavelet denoising and ARIMA modelling [J]. International Journal of Remote Sensing, 2007, 28: 2513-2548.
    [12]
    [13]
    [14] Xin Zhiyun, Gu Ming. Complicated financial data time series forecasting analysis based on least square support vector machine [J]. Journal of Tsinghua University (Science Technology), 2008, 48(7): 1147-1149. (in Chinese) 辛治运, 顾明. 基于最小二乘支持向量机的复杂金融时间序 列预测[J]. 清华大学学报(自然科学版)), 2008, 48(7): 1147- 1149.
    [15] Hou Qingjian, Wang Hongli. Random error coefficient prediction of laser gyro based on LSSVM [J]. Infrared and Laser Engineering, 2008, 37(5): 802-805. (in Chinese) 侯青剑,王宏力. 基于LSSVM 的激光陀螺随机误差系数预 测[J]. 红外与激光工程, 2008, 37(5): 802-805.
    [16]
    [17]
    [18] Ling Xufeng, Yang Jie, Ye Chenzhou. Support vector machinebased human face recognition method[J]. Infrared and Laser Engineering, 2001, 30(5): 318-327. (in Chinese) 凌旭峰, 杨杰, 叶晨洲. 基于支撑向量机的人脸识别技术[J].红外与激光工程, 2001, 30(5): 318-327.
    [19]
    [20] Wang Qunming, Wang Liguo, Liu Danfeng, et al. Sub -pixel mapping for land class with linear feat least square support vector machine [J]. Infrared and Laser Engineering, 2012, 41(6): 1669-1675.
    [21]
    [22] Wang Peng, Wang Zhicheng, Zhang Jun, et al. Infrared weak small target detection based on multi -scale wavelet kernel LS-SVM [J]. Infrared and Laser Engineering, 2006, 35(S): 251-257. (in Chinese) 王鹏, 王志成, 张钧, 等. 基于多尺度小波核LS-SVM 的红外 弱小目标检测[J]. 红外与激光工程, 2006, 35(S):251-257.
    [23] Peng D L, Alfredo R. Huete, Huang J F, et al. Detection and estimation of mixed paddy rice cropping patterns with MODIS data [J]. International Journal of Applied Earth Observation and Geoinformation, 2001, 13(1): 13-23.
  • [1] 李芳丽.  监控视频中采用深度支持向量数据描述的异常检测 . 红外与激光工程, 2021, 50(9): 20210094-1-20210094-7. doi: 10.3788/IRLA20210094
    [2] 张东彦, 戴震, 徐新刚, 杨贵军, 孟炀, 冯海宽, 洪琪, 姜飞.  基于时序Sentinel-2影像的现代农业园区作物分类研究 . 红外与激光工程, 2021, 50(5): 20200318-1-20200318-11. doi: 10.3788/IRLA20200318
    [3] 刘浩, 刘栋, 毛宏霞, 肖志河.  卫星观测火箭尾喷焰红外动态场景生成研究 . 红外与激光工程, 2021, 50(7): 20200519-1-20200519-10. doi: 10.3788/IRLA20200519
    [4] 王毅, 何明元, 葛晶晶, 项杰.  基于正交匹配追踪的云检测算法研究 . 红外与激光工程, 2019, 48(12): 1203003-1203003(6). doi: 10.3788/IRLA201948.1203003
    [5] 吴军伟, 缪玲娟, 李福胜, 沈军.  改进支持向量机的光纤陀螺温度漂移补偿方法 . 红外与激光工程, 2018, 47(5): 522003-0522003(6). doi: 10.3788/IRLA201847.0522003
    [6] 张东阁, 傅雨田.  基于一类支持向量机的盲元检测方法 . 红外与激光工程, 2018, 47(4): 404001-0404001(7). doi: 10.3788/IRLA201847.0404001
    [7] 戴聪明, 赵凤美, 刘栋, 唐超礼, 魏合理.  强吸收带卷云大气红外辐射特性研究 . 红外与激光工程, 2018, 47(12): 1204003-1204003(7). doi: 10.3788/IRLA201847.1204003
    [8] 赵凤美, 戴聪明, 魏合理, 朱希娟, 马静.  基于MODIS云参数的卷云反射率计算研究 . 红外与激光工程, 2018, 47(9): 917006-0917006(7). doi: 10.3788/IRLA201847.0917006
    [9] 梁栋, 刘娜, 张东彦, 赵晋陵, 林芬芳, 黄林生, 张庆, 丁玉婉.  利用成像高光谱区分冬小麦白粉病与条锈病 . 红外与激光工程, 2017, 46(1): 136004-0136004(9). doi: 10.3788/IRLA201746.0138004
    [10] 张东阁, 傅雨田.  基于在线最小二乘支持向量机的变形镜建模与控制 . 红外与激光工程, 2016, 45(11): 1118007-1118007(7). doi: 10.3788/IRLA201645.1118007
    [11] 牟福生, 李昂, 谢品华, 王杨, 徐晋, 陈浩, 张杰, 吴丰成.  利用CE318太阳光度计资料反演合肥气溶胶光学特性 . 红外与激光工程, 2016, 45(2): 211003-0211003(6). doi: 10.3788/IRLA201645.0211003
    [12] 杨红艳, 李家国, 朱利, 殷亚秋, 张永红, 雷秋良, 陈宜金.  基于历史数据的HJ-1B/IRS热红外通道定标与分析 . 红外与激光工程, 2016, 45(3): 304004-0304004(5). doi: 10.3788/IRLA201645.0304004
    [13] 杨磊, 傅俏燕, 潘志强, 张学文, 韩启金, 刘李.  高分一号卫星相机的辐射交叉定标研究 . 红外与激光工程, 2015, 44(8): 2456-2460.
    [14] 梁栋, 杨勤英, 黄文江, 彭代亮, 赵晋陵, 黄林生, 张东彦, 宋晓宇.  基于小波变换与支持向量机回归的冬小麦叶面积指数估算 . 红外与激光工程, 2015, 44(1): 335-340.
    [15] 王晓飞, 侯传龙, 阎秋静, 张钧萍, 汪爱华.  基于相关向量机的高光谱图像噪声评估算法 . 红外与激光工程, 2014, 43(12): 4159-4163.
    [16] 卞春江, 余翔宇, 侯晴宇, 张伟.  最小化支持向量数分类器的云检测 . 红外与激光工程, 2014, 43(6): 1818-1822.
    [17] 李子扬, 钱永刚, 申庆丰, 王宁, 刘耀开, 马灵玲, 孔祥生.  基于高光谱数据的叶面积指数遥感反演 . 红外与激光工程, 2014, 43(3): 944-949.
    [18] 刘小阳, 孙广通, 宋萍, 刘军, 李峰.  利用MODIS水汽数据进行ASAR干涉测量大气改正研究 . 红外与激光工程, 2014, 43(12): 4111-4116.
    [19] 胡强, 宋申民.  基于LS-SVM方法的视线角速率在线预测 . 红外与激光工程, 2013, 42(11): 3019-3023.
    [20] 王荣彬, 曾超, 姜湾, 李平湘.  Terra MODIS第5波段红外遥感影像条带噪声的探测与校正 . 红外与激光工程, 2013, 42(1): 273-277.
  • 加载中
计量
  • 文章访问数:  260
  • HTML全文浏览量:  35
  • PDF下载量:  157
  • 被引次数: 0
出版历程
  • 收稿日期:  2013-05-10
  • 修回日期:  2013-06-25
  • 刊出日期:  2014-01-25

最小二乘支持向量机用于时间序列叶面积指数预测

    作者简介:

    梁栋(1963-),男,教授,主要从事信号与信息处理方面的研究工作。Email:dliang@ahu.edu.cn

基金项目:

国家自然科学基金(61172127,41201354);国家863 项目(2012AA12A307);高等学校博士学科点科研基金(20113401110006)

  • 中图分类号: TP79

摘要: 遥感反演的叶面积指数(LAI)时间序列被广泛应用于气候模拟、作物长势监测等研究。但遥感数据受天气等因素影响,时间序列的LAI 数据存在缺失。支持向量机(SVM)是一种有效的数据分类和回归预测工具,而最小二乘支持向量机(LS-SVM)是对SVM 的有效改进。以西藏那曲县为例,使用2003-2011 年MODIS LAI 产品,分别用LS-SVM 和SVM 两种方法对研究区域2011 年LAI 时间序列进行预测,并用MODIS 原始LAI 以及部分地面实验样点值进行验证。结果表明,基于LS-SVM 的LAI 时间序列预测算法的精度比基于SVM 的算法高,从而证明LS-SVM 方法能够弥补遥感反演时间序列LAI 数据的缺失问题,对提高时间序列的LAI 遥感产品质量具有重要意义。

English Abstract

参考文献 (23)

目录

    /

    返回文章
    返回