| 人工蜂群算法优化SVR的叶面积指数反演 |
| |
| 引用本文： | 周晓雪,李楠,潘耀忠,孙莉昕.人工蜂群算法优化SVR的叶面积指数反演[J].遥感学报,2022,26(4):766-780. |
| |
| 作者姓名： | 周晓雪 李楠 潘耀忠 孙莉昕 |
| |
| 作者单位： | 1.遥感科学国家重点实验室 北京师范大学地理科学学部, 北京 100875;2.青海师范大学 地理科学学院, 西宁 810016;3.北京师范大学 地理科学学部 遥感科学与工程研究院, 北京 100875 |
| |
| 基金项目： | 国家重点研发计划（编号：2018YFC1504603） |
| |
| 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 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。
|
| 关 键 词： | 支持向量机回归SVR 人工蜂群算法ABC 参数优化 Landsat 7 叶面积指数LAI |
| 收稿时间： | 2019/8/20 0:00:00 |
Optimized SVR based on artificial bee colony algorithm for leaf area index inversion |
| |
| ZHOU Xiaoxue,LI Nan,PAN Yaozhong,SUN Lixin.Optimized SVR based on artificial bee colony algorithm for leaf area index inversion[J].Journal of Remote Sensing,2022,26(4):766-780. |
| |
| Authors: | ZHOU Xiaoxue LI Nan PAN Yaozhong SUN Lixin |
| |
| Institution: | 1.State Key Laboratory of Remote Sensing Science, Jointly Sponsored by Beijing Normal University and Institute of Remote Sensing and Digital Earth of Chinese Academy of Sciences, Beijing 100875, China;2.School of Geographical Sciences, Qinghai Normal University, Xining 810016, China;3.Institute of Remote Sensing Science and Engineering, Faculty of Geographical Sciences, Beijing Normal University, Beijing 100875, China |
| |
| Abstract: | |
| |
| Keywords: | Support Vector Regression (SVR) Artificial Bee Colony (ABC) algorithm parameter optimization Landsat 7 Leaf Area Index (LAI) |
|
| 点击此处可从《遥感学报》浏览原始摘要信息 |
| 点击此处可从《遥感学报》下载免费的PDF全文 |
|
