基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的水稻遙感信息提取研究.pdf

1、高光譜遙感是20世紀(jì)末對(duì)地觀(guān)測(cè)技術(shù)最重大的突破之一，也是當(dāng)前乃至今后一段時(shí)間的遙感前沿技術(shù)，與合成孔徑雷達(dá)、激光雷達(dá)并列為今后最具發(fā)展前景的遙感信息獲取技術(shù)。高光譜遙感信息具有數(shù)據(jù)量大、波段多、波段相關(guān)性強(qiáng)、信息冗余多、圖譜一體化等特點(diǎn)，蘊(yùn)含信息豐富，處理過(guò)程復(fù)雜，如何對(duì)其進(jìn)行高效處理是遙感領(lǐng)域近年米研究的熱點(diǎn)。隨著人工智能、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、高性能計(jì)算等相關(guān)學(xué)科技術(shù)的發(fā)展，遙感信息智能處理近年來(lái)已成為一個(gè)研究的熱點(diǎn)。智能處理有助于解

2、決當(dāng)前高光譜遙感信息處理中存在的諸如數(shù)據(jù)量人、處理過(guò)程復(fù)雜、速度慢、效率低、過(guò)多依賴(lài)于專(zhuān)家經(jīng)驗(yàn)和人工參與等問(wèn)題。 高光譜遙感數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)是針對(duì)高光譜信息的特點(diǎn)，通過(guò)數(shù)據(jù)處理分析，應(yīng)用數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)方法，從大最高光譜數(shù)據(jù)中發(fā)現(xiàn)和提取對(duì)高光譜遙感信息處理有用的、隱含的模式和知識(shí)。因此，高光譜遙感數(shù)據(jù)挖掘?qū)⒃谥悄苄畔⑻幚砗透咚綉?yīng)用方面發(fā)揮重要作用，能夠有效地應(yīng)用于典型信息提取與識(shí)別、定量遙感與遙感反演、高光譜分類(lèi)與亞象元分

3、解、特征提取與最優(yōu)特征組合選擇等方面。 本研究從高光譜遙感數(shù)據(jù)挖掘的特點(diǎn)出發(fā)，應(yīng)用不同的神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行水稻遙感信息提取研究。 神經(jīng)網(wǎng)絡(luò)是一種植根于許多學(xué)科的技術(shù)，其中涉及神經(jīng)科學(xué)、數(shù)學(xué)、統(tǒng)計(jì)學(xué)、物理學(xué)、計(jì)算機(jī)科學(xué)和工程學(xué)。神經(jīng)網(wǎng)絡(luò)具有一個(gè)重要的性質(zhì)，即在有教師或無(wú)教師的情況下能夠從輸入數(shù)據(jù)中進(jìn)行學(xué)習(xí)的能力，這使得它在不同領(lǐng)域中得到應(yīng)用，如建模、時(shí)間序列分析、模式識(shí)別、信號(hào)處理和控制。目前，神經(jīng)網(wǎng)絡(luò)技術(shù)在數(shù)學(xué)建模

4、及遙感圖像分類(lèi)處理中的應(yīng)用越來(lái)越廣泛和深入，應(yīng)用范圍從土地覆蓋、森林、農(nóng)作物分類(lèi)到臺(tái)風(fēng)云系識(shí)別等等。 支持向量機(jī)是九十年代中期發(fā)展起來(lái)的，以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的新的通用機(jī)器學(xué)習(xí)技術(shù)。它與傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)理論不同，是因?yàn)樗腔诮Y(jié)構(gòu)風(fēng)險(xiǎn)最小化的，而不是傳統(tǒng)統(tǒng)計(jì)學(xué)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化。與傳統(tǒng)的統(tǒng)計(jì)學(xué)理論相比，其性能的優(yōu)越性在于結(jié)構(gòu)簡(jiǎn)單，技術(shù)性能尤其是推廣能力明顯提高，能夠解決好大量現(xiàn)實(shí)中的小樣本學(xué)習(xí)問(wèn)題。雖然支持向量機(jī)方法在理論上具有很突

5、出的優(yōu)勢(shì)，但應(yīng)用研究卻相對(duì)比較滯后，目前只有比較有限的實(shí)驗(yàn)研究報(bào)道，多屬仿真和對(duì)比實(shí)驗(yàn)。尤其在農(nóng)業(yè)遙感方面的應(yīng)用研究報(bào)道甚少。 本研究所選用的模型有后向傳播神經(jīng)網(wǎng)絡(luò)模型(BP)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型(RBF)、支持向量機(jī)網(wǎng)絡(luò)模型(SVM)。RBF模型義包括普通RBF(GRBF)、基于梯度下降的RBF(GDRBF)、廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)和概率神經(jīng)網(wǎng)絡(luò)(PNN)。具有不同核函數(shù)的SVM模型包括：點(diǎn)函數(shù)核(DOT)SVM模型

6、(SVM-DOT)、多項(xiàng)式核(POLY)SVM模型(SVM-POLY)、徑向基函數(shù)核(RBF)SVM模型(SVM-RBF)和方差分析核(ANOVA)SVM模型(SVM-ANOVA)。在研究中，根據(jù)不同情況選用不同的神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型，分別進(jìn)行基于植被指數(shù)的水稻葉面積指數(shù)(LAl)和葉綠素密度(GLCD)提?。换诟吖庾V變換的水稻葉面積指數(shù)和葉綠素密度提?。凰竟趯庸庾V模擬研究；水稻種植面積遙感信息提取研究。概述如下：

7、(1)基于植被指數(shù)水稻葉面積指數(shù)和葉綠素密度提取 將所有樣本高光譜反射率按照TM波段寬度轉(zhuǎn)換為25種不同的植被指數(shù)。將所有樣本的不同植被指數(shù)分別與水稻LAI和GLCD進(jìn)行統(tǒng)計(jì)模型的回歸分析，包括線(xiàn)性同歸、指數(shù)回歸、乘冪回歸和對(duì)數(shù)回歸，經(jīng)模型決定系數(shù)(R2)的統(tǒng)計(jì)分析，在R2大于0.6的模型中，為每一個(gè)植被指數(shù)選擇一個(gè)最優(yōu)的統(tǒng)計(jì)模型。然后將樣本數(shù)據(jù)隨機(jī)選取100個(gè)作為訓(xùn)練數(shù)據(jù)建立模型，剩下82個(gè)作為驗(yàn)證數(shù)據(jù)進(jìn)行模型檢驗(yàn)，對(duì)每個(gè)具有

8、最優(yōu)統(tǒng)計(jì)模型的植被指數(shù)分別進(jìn)行最優(yōu)統(tǒng)計(jì)模型、BP模型、RBF模型和SVM模型的應(yīng)用。將不同植被指數(shù)作為網(wǎng)絡(luò)輸入變量，LAl和GLCD分別作為網(wǎng)絡(luò)輸出變量，進(jìn)行不同神經(jīng)網(wǎng)絡(luò)模型和不同SVM模型的估算。結(jié)果表明：①對(duì)于水稻LAI估算，不同的植被指數(shù)有不同的最佳估算模型：基于植被指數(shù)NDVI<,green>的SVM-POLY模型估算精度最高：基于植被指數(shù)TCARI/OSAVI和RVI<,2>的GRBF模型為最好估算模型。在所有估算模型中，基于

9、植被指數(shù)TCARI/OSAVI的GRBF模型精度最高，其RMSE為1.3215，ABSE為1.0728。②對(duì)于水稻GLCD的估算，植被指數(shù)不同，其最佳估算模型也不同：對(duì)于植被指數(shù)．RVI、RVI<,750 700>、RVI<,800/600>、MSR，GRBF模型的RMSE相對(duì)于其統(tǒng)計(jì)模型降低最多，估算效果最好；對(duì)植被指數(shù)MCACI，SVM-RBF模型估算精度最高：對(duì)植被指數(shù)RVI<,2>，GRNN模型RMSE降低19.42％，其估算效

10、果最好；對(duì)于其它植被指數(shù)NDVI、NDVI<,green>、SAVI、OSAVI、MSAVI、TCARI/OSAVI、RDVI、TVI、NLI、RDVI<,1>和TVI<,2>都是BP模型體現(xiàn)出最強(qiáng)估算能力。所有估算模型中，基于植被指數(shù)TCARI/OSAVI的BP模型精度最高，其RMSE為523.9782(mg/m2)，ABSE為417.3014(mg/m2)。可見(jiàn)，植被指數(shù)TCARI/OSAVI對(duì)水稻LAI和GLCD的估算能力較高；與

11、統(tǒng)計(jì)模型相比，神經(jīng)網(wǎng)絡(luò)模型和SVM模型的估算精度都有很大程度提高。 (2)基于高光譜變換的水稻葉面積指數(shù)和葉綠素密度信息提取 將所有樣本高光譜反射率轉(zhuǎn)換為四種不同形式包括光譜原型(SP)、光譜一階導(dǎo)數(shù)(D1)、光譜二階導(dǎo)數(shù)(D2)和光譜的對(duì)數(shù)變換(LOG)。將四種光譜形式的全部樣本分別進(jìn)行逐步多元同歸，經(jīng)過(guò)變量個(gè)數(shù)與模型決定系數(shù)(R2)的統(tǒng)計(jì)分析，四變量的模型效果最佳。然后將樣本數(shù)據(jù)隨機(jī)選取100個(gè)作為訓(xùn)練數(shù)據(jù)建立模型，

12、剩下82個(gè)作為驗(yàn)證數(shù)據(jù)進(jìn)行模型檢驗(yàn)，對(duì)每個(gè)光譜形式分別進(jìn)行逐步多元回歸模型、BP模型、RBF模型和SVM模型的應(yīng)用。將所選擇的四個(gè)波段作為網(wǎng)絡(luò)輸入變量，LAI和GLCD分別作為網(wǎng)絡(luò)輸出變量，進(jìn)行不同神經(jīng)網(wǎng)絡(luò)模型和不同SVM模型的估算。結(jié)果表明：①對(duì)于LAI的估算，基于sP的SVM-POLY模型精度提高最多；對(duì)于D1，GRNN模型的RMSE降低程度為11.76％，其估算效果最佳，體現(xiàn)了其很強(qiáng)的非線(xiàn)性映射能力；對(duì)于D2，則BP模型RMSE降

13、低程度達(dá)23.64％；對(duì)于LOG，也是BP模型估算能力最強(qiáng)：在所有模型中，基于D2的BP模型RMSE為0.9549，ABSE為0.7679，對(duì)水稻LAI具有最強(qiáng)的估算能力。②對(duì)于GLCD估算，基于sP的BP模型估算效果最佳；基于D1的GRNN模型估算精度最高：對(duì)于D2，BP模型RMSE降低程度達(dá)10.43％：對(duì)于LOG估算結(jié)果，同樣是BP模型估算能力最強(qiáng)；基于D2的BP模型RMSE為511.9701(mg/m2)，ABSE為421.54

14、59(mg/m2)，其對(duì)水稻GLCD具有最高的估算精度?？梢?jiàn)，D2對(duì)水稻LAI和GLCD的估算效果較好，同時(shí)也體現(xiàn)了BP模型強(qiáng)大的非線(xiàn)性映射能力。 (3)水稻冠層光譜模擬 依據(jù)SAIL(SAIL)模型的要求，確定好模型所有輸入?yún)?shù)，通過(guò)SAIL模型計(jì)算，模擬出每一個(gè)實(shí)測(cè)樣本在450nm-950nm的冠層光譜。將所有模擬光譜和實(shí)測(cè)光譜按照TM影像的波段寬度(藍(lán)波段：450-520nm；綠波段：520-600nm；紅波段：6

15、30-690nm：近紅外波段：760-900nm)，計(jì)算出所有樣本寬波段光譜均值。將SAIL模型的模擬寬波段值與實(shí)測(cè)寬波段值進(jìn)行精度檢驗(yàn)。樣本數(shù)據(jù)隨機(jī)選取100個(gè)作為訓(xùn)練數(shù)據(jù)建立模型，剩下82個(gè)作為驗(yàn)證數(shù)據(jù)進(jìn)行模型檢驗(yàn)。將SAIL模型的所有輸入?yún)?shù)作為網(wǎng)絡(luò)輸入變量，將實(shí)測(cè)寬波段值作為網(wǎng)絡(luò)輸出變量，通過(guò)SAIL模型，不同的神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型模擬出所有檢驗(yàn)樣本的寬波段值，并與實(shí)測(cè)寬波段值進(jìn)行精度檢驗(yàn)。結(jié)果表明：神經(jīng)網(wǎng)絡(luò)模型和SVM

16、模型，與傳統(tǒng)的SAIL模型相比，其模擬精度有很大程度的提高，并且對(duì)于不同波段，有不同最佳模擬模型；對(duì)于綠波段和近紅外波段反射率模擬，BP模型可以人大提高模擬精度；對(duì)于藍(lán)波段，GRNN模型提供了最高的模擬精度；SVM-DOT模型對(duì)紅波段反射率模擬具有最高精度，不同的RBF模型對(duì)紅波段反射率模擬精度也相當(dāng)高。對(duì)于四個(gè)波段的光譜模擬結(jié)果，都是SAIL模型的精度最低，因此，神經(jīng)網(wǎng)絡(luò)模型和SVM模型用于水稻冠層光譜模擬是可行的，并且具有較高的估算

17、精度。神經(jīng)網(wǎng)絡(luò)模型和SVM模型在水稻冠層反射率模擬方面是大有潛力的。 (4)水稻種植面積遙感信息提取 通過(guò)對(duì)水稻不同生長(zhǎng)期的多時(shí)相TM影像輻射定標(biāo)、幾何校正、大氣校正和影像裁剪后，進(jìn)行了影像的單波段統(tǒng)計(jì)、主成份分析和影像比值變換等措施，通過(guò)計(jì)算不同波段組合影像的信息熵和最佳指示因子，選出每幅影像最佳組合波段，將兩幅影像最佳組合波段合并后，利用傳統(tǒng)最小距離模型、BP模型、PNN模型和SVM模型進(jìn)行遙感影像分類(lèi)。結(jié)果表明：最

18、小距離法分類(lèi)模型結(jié)果表現(xiàn)中庸；BP模型雖然整體分類(lèi)精度較低，但對(duì)于水稻分類(lèi)精度還是有所提高；PNN模型分類(lèi)精度較高；SVM-RBF模型是本研究中遙感影像分類(lèi)精度最高的方法。從水稻種植面積提取結(jié)果來(lái)看，最小距離法提取精度表現(xiàn)較差；BP模型面積提取精度較高；PNN模型面積提取精度也達(dá)到令人滿(mǎn)意的效果：SVM-RBF模型也是本研究中面積提取精度最高的方法，主要因?yàn)樗哂谐錾膶W(xué)習(xí)性能，并且與人工神經(jīng)網(wǎng)絡(luò)相比，具有更加嚴(yán)格的數(shù)學(xué)理論基礎(chǔ)。SVM