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e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Landsat7 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-e)、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e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.
支持向量机回归SVR、人工蜂群算法ABC、参数优化、Landsat7、叶面积指数LAI
26
TP79;S152.7;P237
国家重点研发计划2018YFC1504603
2022-06-21（万方平台首次上网日期，不代表论文的发表时间）
共15页
766-780
