科研之友
微信
新浪微博
Facebook
分享链接
摘要
支持向量机回归SVR (Support Vector Regression)方法作为叶面积指数反演的一种新思路，在LAI反演中具有一定的应用价值和前景，但SVR算法中惩罚系数C、核函数宽度参数g、不敏感损失函数参数ε的取值对回归精度有显著的影响。本文提出了一种基于人工蜂群算法ABC (Artificial Bee Colony)优化SVR参数的遥感影像叶面积指数反演方法。研究数据为美国土壤水分实验（SMEX02） 2002年LAI实测数据和同期的Landsat 7ETM+地表反射率数据，为了验证ABC算法优化SVR各个参数对反演精度的影响，建立了未优化参数（SVR）、优化单个参数（ABC-SVR-C,ABC-SVR-g,ABC-SVR-ε）、优化3个参数（ABC-SVR）的3类LAI反演模型，并比较了其回归拟合精度。在此基础上，分析了3个关键参数对LAI反演模型精度的敏感性，并对ABC算法优化SVR模型的精度进行显著性检验。研究表明：（1）相比未优化参数模型，ABC算法优化模型具有更高的反演精度，优化3个参数优于优化单个参数，回归直线斜率k达到0.797、决定系数r2达到0.775。（2） SVR的3个关键参数对模型精度都有影响，相较参数C和g，参数ε引起模型精度的不确定性更高。（3） 95%的置信区间下，ABCSVR模型与SVR模型的回归直线斜率k、r2、RMSE的差异显著性检验P值均小于0.005,ABC算法显著改善了SVR模型的精度。
