人工蜂群算法优化SVR的叶面积指数反演

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 7 ETM+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,ABC-SVR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。     

陆表物候监测的遥感指数多维度评估

针对陆表植被物候监测已发展了很多遥感指数,但不同遥感指数表征陆表植被季节性变化的能力存在差异。目前,有关陆表植被物候遥感指数的评估大多在不同标准下开展,导致研究结果间的可比性较差,致使无法根据不同区域选择出最佳的遥感指数,从而影响大尺度（如半球乃至全球）的陆表物候监测精度。本文在北半球中高纬度地区,以75个碳通量塔站点的406条记录和129个物候相机站点的482条记录为参考标准,对10种遥感指数应用于陆表物候监测的能力进行了系统性评估,并从两个精度评估视角（物候提取准确度、物候变化趋势一致性）、4个维度（植被类型、地理环境、物候类型、物候事件）对比分析了各种情况下的最佳遥感指数及其精度。虽然部分遥感指数在多数情况下均表现最佳,但不同植被类型、地理环境、物候类型（功能物候、结构物候）、物候事件（春季、秋季）组合情况下的最佳遥感指数并不聚焦于少数几种,而是散布于各类遥感指数之中;即使是采用了最佳遥感指数,但在某些情况下,其用于陆表物候监测的误差仍较大。从不同的精度评估视角来看,物候提取准确度高的遥感指数并不一定与物候变化趋势一致性高的遥感指数相对应,说明应根据关注视角来选择最佳遥感指数。本...