1、高光譜遙感是20世紀末對地觀測技術最重大的突破之一，也是當前乃至今后一段時間的遙感前沿技術，與合成孔徑雷達、激光雷達并列為今后最具發(fā)展前景的遙感信息獲取技術。高光譜遙感信息具有數(shù)據(jù)量大、波段多、波段相關性強、信息冗余多、圖譜一體化等特點，蘊含信息豐富，處理過程復雜，如何對其進行高效處理是遙感領域近年米研究的熱點。隨著人工智能、機器學習、數(shù)據(jù)挖掘、高性能計算等相關學科技術的發(fā)展，遙感信息智能處理近年來已成為一個研究的熱點。智能處理有助于解

2、決當前高光譜遙感信息處理中存在的諸如數(shù)據(jù)量人、處理過程復雜、速度慢、效率低、過多依賴于專家經驗和人工參與等問題。 高光譜遙感數(shù)據(jù)挖掘與知識發(fā)現(xiàn)是針對高光譜信息的特點，通過數(shù)據(jù)處理分析，應用數(shù)據(jù)挖掘與知識發(fā)現(xiàn)方法，從大最高光譜數(shù)據(jù)中發(fā)現(xiàn)和提取對高光譜遙感信息處理有用的、隱含的模式和知識。因此，高光譜遙感數(shù)據(jù)挖掘將在智能信息處理和高水平應用方面發(fā)揮重要作用，能夠有效地應用于典型信息提取與識別、定量遙感與遙感反演、高光譜分類與亞象元分

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)挖掘的特點出發(fā)，應用不同的神經網絡和支持向量機進行水稻遙感信息提取研究。 神經網絡是一種植根于許多學科的技術，其中涉及神經科學、數(shù)學、統(tǒng)計學、物理學、計算機科學和工程學。神經網絡具有一個重要的性質，即在有教師或無教師的情況下能夠從輸入數(shù)據(jù)中進行學習的能力，這使得它在不同領域中得到應用，如建模、時間序列分析、模式識別、信號處理和控制。目前，神經網絡技術在數(shù)學建模

4、及遙感圖像分類處理中的應用越來越廣泛和深入，應用范圍從土地覆蓋、森林、農作物分類到臺風云系識別等等。 支持向量機是九十年代中期發(fā)展起來的，以統(tǒng)計學習理論為基礎的新的通用機器學習技術。它與傳統(tǒng)的統(tǒng)計學習理論不同，是因為它是基于結構風險最小化的，而不是傳統(tǒng)統(tǒng)計學的經驗風險最小化。與傳統(tǒng)的統(tǒng)計學理論相比，其性能的優(yōu)越性在于結構簡單，技術性能尤其是推廣能力明顯提高，能夠解決好大量現(xiàn)實中的小樣本學習問題。雖然支持向量機方法在理論上具有很突

5、出的優(yōu)勢，但應用研究卻相對比較滯后，目前只有比較有限的實驗研究報道，多屬仿真和對比實驗。尤其在農業(yè)遙感方面的應用研究報道甚少。 本研究所選用的模型有后向傳播神經網絡模型(BP)、徑向基函數(shù)神經網絡模型(RBF)、支持向量機網絡模型(SVM)。RBF模型義包括普通RBF(GRBF)、基于梯度下降的RBF(GDRBF)、廣義回歸神經網絡(GRNN)和概率神經網絡(PNN)。具有不同核函數(shù)的SVM模型包括：點函數(shù)核(DOT)SVM模型

6、(SVM-DOT)、多項式核(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網絡模型和支持向量機模型，分別進行基于植被指數(shù)的水稻葉面積指數(shù)(LAl)和葉綠素密度(GLCD)提??；基于高光譜變換的水稻葉面積指數(shù)和葉綠素密度提取；水稻冠層光譜模擬研究；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進行統(tǒng)計模型的回歸分析，包括線性同歸、指數(shù)回歸、乘冪回歸和對數(shù)回歸，經模型決定系數(shù)(R2)的統(tǒng)計分析，在R2大于0.6的模型中，為每一個植被指數(shù)選擇一個最優(yōu)的統(tǒng)計模型。然后將樣本數(shù)據(jù)隨機選取100個作為訓練數(shù)據(jù)建立模型，剩下82個作為驗證數(shù)據(jù)進行模型檢驗，對每個具有

8、最優(yōu)統(tǒng)計模型的植被指數(shù)分別進行最優(yōu)統(tǒng)計模型、BP模型、RBF模型和SVM模型的應用。將不同植被指數(shù)作為網絡輸入變量，LAl和GLCD分別作為網絡輸出變量，進行不同神經網絡模型和不同SVM模型的估算。結果表明：①對于水稻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：對于植被指數(shù)．RVI、RVI<,750 700>、RVI<,800/600>、MSR，GRBF模型的RMSE相對于其統(tǒng)計模型降低最多，估算效果最好；對植被指數(shù)MCACI，SVM-RBF模型估算精度最高：對植被指數(shù)RVI<,2>，GRNN模型RMSE降低19.42％，其估算效

10、果最好；對于其它植被指數(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)?？梢?，植被指數(shù)TCARI/OSAVI對水稻LAI和GLCD的估算能力較高；與

11、統(tǒng)計模型相比，神經網絡模型和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換為四種不同形式包括光譜原型(SP)、光譜一階導數(shù)(D1)、光譜二階導數(shù)(D2)和光譜的對數(shù)變換(LOG)。將四種光譜形式的全部樣本分別進行逐步多元同歸，經過變量個數(shù)與模型決定系數(shù)(R2)的統(tǒng)計分析，四變量的模型效果最佳。然后將樣本數(shù)據(jù)隨機選取100個作為訓練數(shù)據(jù)建立模型，

12、剩下82個作為驗證數(shù)據(jù)進行模型檢驗，對每個光譜形式分別進行逐步多元回歸模型、BP模型、RBF模型和SVM模型的應用。將所選擇的四個波段作為網絡輸入變量，LAI和GLCD分別作為網絡輸出變量，進行不同神經網絡模型和不同SVM模型的估算。結果表明：①對于LAI的估算，基于sP的SVM-POLY模型精度提高最多；對于D1，GRNN模型的RMSE降低程度為11.76％，其估算效果最佳，體現(xiàn)了其很強的非線性映射能力；對于D2，則BP模型RMSE降

13、低程度達23.64％；對于LOG，也是BP模型估算能力最強：在所有模型中，基于D2的BP模型RMSE為0.9549，ABSE為0.7679，對水稻LAI具有最強的估算能力。②對于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：對于D2，BP模型RMSE降低程度達10.43％：對于LOG估算結果，同樣是BP模型估算能力最強；基于D2的BP模型RMSE為511.9701(mg/m2)，ABSE為421.54

14、59(mg/m2)，其對水稻GLCD具有最高的估算精度。可見，D2對水稻LAI和GLCD的估算效果較好，同時也體現(xiàn)了BP模型強大的非線性映射能力。 (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SAIL模型計算，模擬出每一個實測樣本在450nm-950nm的冠層光譜。將所有模擬光譜和實測光譜按照TM影像的波段寬度(藍波段：450-520nm；綠波段：520-600nm；紅波段：6

15、30-690nm：近紅外波段：760-900nm)，計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測寬波段值進行精度檢驗。樣本數(shù)據(jù)隨機選取100個作為訓練數(shù)據(jù)建立模型，剩下82個作為驗證數(shù)據(jù)進行模型檢驗。將SAIL模型的所有輸入?yún)?shù)作為網絡輸入變量，將實測寬波段值作為網絡輸出變量，通過SAIL模型，不同的神經網絡模型和支持向量機模型模擬出所有檢驗樣本的寬波段值，并與實測寬波段值進行精度檢驗。結果表明：神經網絡模型和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，并且對于不同波段，有不同最佳模擬模型；對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；對于藍波段，GRNN模型提供了最高的模擬精度；SVM-DOT模型對紅波段反射率模擬具有最高精度，不同的RBF模型對紅波段反射率模擬精度也相當高。對于四個波段的光譜模擬結果，都是SAIL模型的精度最低，因此，神經網絡模型和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。神經網絡模型和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 通過對水稻不同生長期的多時相TM影像輻射定標、幾何校正、大氣校正和影像裁剪后，進行了影像的單波段統(tǒng)計、主成份分析和影像比值變換等措施，通過計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模型進行遙感影像分類。結果表明：最

18、小距離法分類模型結果表現(xiàn)中庸；BP模型雖然整體分類精度較低，但對于水稻分類精度還是有所提高；PNN模型分類精度較高；SVM-RBF模型是本研究中遙感影像分類精度最高的方法。從水稻種植面積提取結果來看，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到令人滿意的效果：SVM-RBF模型也是本研究中面積提取精度最高的方法，主要因為它具有出色的學習性能，并且與人工神經網絡相比，具有更加嚴格的數(shù)學理論基礎。SVM