李丹娜，郭云開，朱善寬，劉 寧，劉 磊，蔣 明

(1. 長(zhǎng)沙理工大學(xué)交通運(yùn)輸工程學(xué)院，湖南 長(zhǎng)沙 410076；2. 長(zhǎng)沙理工大學(xué)測(cè)繪遙感應(yīng)用技術(shù)研究所，湖南 長(zhǎng)沙 410076)

利用PRO4SAIL與支持向量機(jī)回歸的組合模型反演植被等效水厚度

李丹娜1，郭云開1，朱善寬1，劉 寧2，劉 磊2，蔣 明2

(1. 長(zhǎng)沙理工大學(xué)交通運(yùn)輸工程學(xué)院，湖南 長(zhǎng)沙 410076；2. 長(zhǎng)沙理工大學(xué)測(cè)繪遙感應(yīng)用技術(shù)研究所，湖南 長(zhǎng)沙 410076)

為監(jiān)測(cè)路域植被生態(tài)環(huán)境，利用遙感影像和輻射傳輸模型物理基礎(chǔ)實(shí)現(xiàn)了對(duì)植被冠層等效水厚度(EWT)的估測(cè)。提出了利用PRO4SAIL與支持向量機(jī)回歸的組合模型對(duì)等效水厚度進(jìn)行反演的方法。選取Landsat7 ETM+影像，結(jié)合實(shí)測(cè)數(shù)據(jù)探索驗(yàn)證了PRO4SAIL與支持向量機(jī)回歸的組合模型的植被參數(shù)反演的實(shí)用性和準(zhǔn)確性。研究表明，該組合模型具有較好的預(yù)測(cè)能力，反演得到的等效水厚度含量精度較高，為支持向量機(jī)模型應(yīng)用于遙感影像反演植被參數(shù)提高了有力支撐。

等效水厚度；PRO4SAIL；支持向量機(jī)回歸；植被參數(shù)反演

水分是植被的重要組分之一，水分盈缺直接影響植被的生理生化過程，葉片缺水會(huì)引起葉片在空間的伸展姿態(tài)、形態(tài)結(jié)構(gòu)、顏色、厚度等發(fā)生一系列的變化，從而引起葉片及冠層光譜反射率特性的變化[1]。等效水厚度(equivalent water thickness，EWT)作為一種監(jiān)測(cè)植被含水量的表達(dá)方式，可以表征植被水分脅迫生理狀況，因此反演不同時(shí)期植被等效水厚度可以監(jiān)測(cè)植被生長(zhǎng)健康狀況。

傳統(tǒng)的等效水厚度量測(cè)是采用實(shí)地采集植被樣本于實(shí)驗(yàn)室干重法測(cè)量獲取，此方法雖擁有準(zhǔn)確性高的優(yōu)勢(shì)，但野外取樣有損耗性，且費(fèi)時(shí)費(fèi)力，難以滿足大面積快速獲取植被水分的需求。而遙感技術(shù)反演植被參數(shù)具有快速、低耗及弱損傷性等優(yōu)勢(shì)[2]，不斷有學(xué)者采用遙感的手段來估算植被等效水厚度，主要有經(jīng)驗(yàn)?zāi)Ｐ头ê臀锢砟Ｐ头ā＝?jīng)驗(yàn)?zāi)Ｐ头囱莸刃穸?，利用遙感波段建立的光譜指數(shù)在一定程度上減弱了短波段的散射效應(yīng)，建模簡(jiǎn)單，但需大量的先驗(yàn)知識(shí)。物理模型應(yīng)用最為廣泛的是輻射傳輸模型，它不依賴于特定的植被類型或背景，通過模擬輻射傳輸?shù)倪^程來獲取植被的冠層光譜，利用查找表、構(gòu)建代價(jià)函數(shù)、神經(jīng)網(wǎng)絡(luò)等方法建立反向運(yùn)行模型，進(jìn)而反演出植被某種植被參數(shù)。

本文提出一種基于輻射傳輸模型的組合模型，是一種修正PROSAIL輻射傳輸模型(葉片輻射傳輸模型PROSPECT與冠層輻射傳輸模型SAIL的耦合模型)和SVR(支持向量機(jī)回歸)的組合模型。以滬昆(上?！ッ?高速的醴潭高速路域植被為研究對(duì)象，利用Landsat 7對(duì)應(yīng)的試驗(yàn)區(qū)影像反射率數(shù)據(jù)和地面實(shí)測(cè)數(shù)據(jù)，用該組合模型預(yù)測(cè)試驗(yàn)區(qū)的路域植被等效水厚度。

1 模型原理

1.1 PRO4SAIL模型

PROSAIL模型是目前最為廣泛使用的冠層輻射傳輸模型，是闊葉PROSPECT模型與植被冠層SAIL模型的耦合模型，該模型已得到普遍認(rèn)可和驗(yàn)證，常用作植被參數(shù)反演[3]。

PROSPECT模型是基于Allen的“平板模型”衍生而來，假設(shè)葉片由一層或N層(N為葉片結(jié)構(gòu)參數(shù)，表示葉片分層數(shù))表面粗糙且內(nèi)部光通量是各向同性的平板組成，通過輸入葉片參數(shù)、葉綠素含量(Ca+b)、葉片含水量(Cw)和干物質(zhì)含量(Cm)參數(shù)，得到單個(gè)葉片細(xì)胞的反射率和透射率[4-6]，再由一層葉片細(xì)胞反復(fù)疊加得到多層葉片細(xì)胞的反射率和透射率，從而得到單葉400～2500 nm的反射率和透射率。PROSPECT中單層葉片細(xì)胞的表達(dá)式為

(1)

(2)

式中，Rα(1)為光線以立體角單α射入時(shí)的單層葉片細(xì)胞反射率；Tα(1)為以立體角單α射入時(shí)的單層葉片細(xì)胞透射率；n是葉片折射率；τ1是平板介質(zhì)總透射率；t1n為光線從折射率為1的空氣射入折射率為n的葉片透射率。

進(jìn)行葉片光譜信息模擬，Stokes對(duì)光線穿透有限層平板后的光學(xué)現(xiàn)象進(jìn)行了深入研究，得出了光線穿過N層相同反射率和透射率的平板后的總體反射率和透射率的計(jì)算理論，此時(shí)應(yīng)用其理論可得出葉片光譜信息的模擬公式

(3)

(4)

本文采用修正后加入了類胡蘿卜素含量(Car)和褐色素含量(Cbrown)參數(shù)的PROSPECT5模型，模擬葉片光譜更加精準(zhǔn)。

SAIL模型是一種冠層輻射傳輸模型，基于一維的Suits延伸而來，本質(zhì)是四流九參數(shù)線性微分方程組[6-8]。

(5)

(6)

(7)

(8)

式中，x為高度，是微分方程的自變量，定義冠層頂高度為0，向上為正方向，在冠層內(nèi)部x取負(fù)值；E+為上行散射光通量，E-為下行散射光通量，Es是入射太陽輻射通量，E0為觀測(cè)方向上的輻射通量密度；a為消光系數(shù);σ為背向散射系數(shù)即漫反射E-和E+的后向散射通量；k為入射輻射的削弱系數(shù)；K為鏡面反射后的反射輻射的消光系數(shù)；s為同向直射輻射散射系數(shù)即直射光轉(zhuǎn)化為下行散射光的比例；s′為后向直射輻射散射系數(shù)即直射光轉(zhuǎn)化為上行散射光的比例；w為雙向散射系數(shù)；v為下行光的轉(zhuǎn)化系數(shù)；u為上行光的轉(zhuǎn)化系數(shù)[9-10]。

本文采用修正后的4SAIL模型，增加了熱點(diǎn)效應(yīng)的影響和土壤二向反射特性，可以很好地應(yīng)用于植被覆蓋度高的地區(qū)。PROSPECT5模型輸出葉片的反射率和透射率，可以作為4SAIL模型的輸入?yún)?shù)，再結(jié)合太陽天頂角、太陽方位角、觀測(cè)天頂角、觀測(cè)方位角、LAI、土壤反射率、熱點(diǎn)一系列參數(shù)，耦合成為PRO4SAIL模型可模擬植被冠層400～2500 nm的反射率。

1.2 支持向量機(jī)回歸模型

支持向量機(jī)(support vector machine，SVM)于1990年由Vapnik等提出，是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化的模式識(shí)別方法，它可以在高維的空間中構(gòu)建較好的分類算法，根據(jù)有限的樣點(diǎn)來獲取較好的統(tǒng)計(jì)模型，現(xiàn)成為廣受青睞的機(jī)器學(xué)習(xí)方法，已經(jīng)成功應(yīng)用于許多領(lǐng)域。當(dāng)支持向量機(jī)用于解決回歸問題即為支持向量回歸(support vector regression，SVR)，可在有限的噪聲樣本上對(duì)未知的連續(xù)函數(shù)進(jìn)行預(yù)測(cè)。SVR預(yù)測(cè)的原理為：對(duì)樣本集的回歸預(yù)測(cè)問題，首先尋找一個(gè)輸入空間到輸出空間的非線性映射Φ，把樣本數(shù)據(jù)映射到一個(gè)高維空間，并在特征空間中用下述線性函數(shù)在該空間中進(jìn)行線性回歸[11-14]。

本文將基于PRO4SAIL模型正演所得數(shù)據(jù)利用支持向量機(jī)回歸模型反演植被EWT。

2 研究方法

2.1 研究區(qū)概況

本文選取滬昆高速湖南省境內(nèi)的醴陵—湘潭的一段高速作為研究區(qū)，試驗(yàn)區(qū)地處南方丘陵地帶，氣候類型為典型的亞熱帶季風(fēng)氣候，光照充足，降雨充沛，道路兩側(cè)植被以常綠闊葉林為主，生長(zhǎng)茂盛，種類繁多。

本試驗(yàn)對(duì)醴潭高速研究區(qū)進(jìn)行實(shí)地調(diào)查，實(shí)地?cái)?shù)據(jù)采集時(shí)間為2015年6月28日，正值南方地區(qū)植被生長(zhǎng)旺盛的夏季，當(dāng)天晴朗無云無風(fēng)，外業(yè)試驗(yàn)有25個(gè)樣區(qū)(15 m×15 m)，樣區(qū)選擇具有很強(qiáng)的針對(duì)性，包括原始植被和人工植被，健康植被和非健康植被。每個(gè)樣區(qū)以1個(gè)中心點(diǎn)和4個(gè)頂點(diǎn)作為測(cè)點(diǎn)，每個(gè)測(cè)點(diǎn)均采集大地坐標(biāo)、葉面積指數(shù)、葉綠素值、葉片鮮重、葉面積以及冠層光譜，并采集了典型植被葉片帶回實(shí)驗(yàn)室。對(duì)每個(gè)樣區(qū)進(jìn)行植被類型、試驗(yàn)區(qū)地形、地貌等參數(shù)記錄。圖1為試驗(yàn)區(qū)衛(wèi)星影像平面示意圖。

圖1 試驗(yàn)區(qū)衛(wèi)星影像平面示意圖

2.2 實(shí)測(cè)光譜數(shù)據(jù)采集與處理

植被冠層高光譜測(cè)定采用荷蘭Ava spec公司生產(chǎn)的Ava Field-3野外便攜式地物光譜儀，采集光譜范圍為400～2500 nm，每個(gè)樣點(diǎn)光譜采集10組光譜，剔除異常光譜，平均和最小二乘多項(xiàng)式平滑處理后，處理后的光譜為采樣的有效冠層高光譜。

2.3 數(shù)據(jù)源選取和預(yù)處理

本試驗(yàn)采用美國(guó)陸地衛(wèi)星Landsat7 ETM+影像，成像日期為2015年7月29日，影像云覆蓋較少，成像清晰。Landsat7 ETM+影像波段信息見表1。應(yīng)用ENVI 5.3對(duì)影像進(jìn)行預(yù)處理，主要處理過程包括輻射定標(biāo)、大氣校正、去條帶、幾何精校正、影像融合和矢量裁剪。最終得到25個(gè)樣點(diǎn)7個(gè)波段的反射率數(shù)據(jù)。

2.4 模型建立

2.4.1 PRO4SAIL模型模擬冠層光譜

在PRO4SAIL模型中對(duì)等效水厚度的模型建立基于PROSPECT5+4SAIL模型，參考國(guó)外LOPEX′93數(shù)據(jù)庫和實(shí)測(cè)數(shù)據(jù)，在PRO4SAIL模型中改變等效水厚度的含量，模擬在一定步長(zhǎng)下的等效水厚度含量和葉面積指數(shù)的冠層光譜。由于等效水反演在短波紅外區(qū)間等效水厚度和葉面積指數(shù)敏感性較高，因此參數(shù)設(shè)置中等效水厚度和葉面積指數(shù)含量均按相應(yīng)步長(zhǎng)改變。PRO4SAIL模型中主要參數(shù)設(shè)置見表2。

表1 Landsat7 ETM+影響波段信息

根據(jù)表2參數(shù)設(shè)置，可得到表3所示的900組冠層植被光譜模擬數(shù)據(jù)。

表2 PRO4SAIL模型的參數(shù)設(shè)置

2.4.2 篩選等效水厚度的敏感波段和水分指數(shù)

通過改變PRO4SAIL模型中輸入的等效水厚度含量來進(jìn)行等效水厚度敏感波段分析，按照一定步長(zhǎng)連續(xù)改變EWT值，其他參數(shù)根據(jù)LOPEX′93數(shù)據(jù)庫和實(shí)測(cè)數(shù)據(jù)輸入，得到隨EWT變化的植被冠層反射率，如圖2所示。

圖2 等效水厚度敏感性波段分析

LAIEWTBand4Band5Band7NDWISRWIGVMI0.20.0010.21900.20950.18790.07641.16550.16320.20.0020.21900.20820.18590.08171.17810.1659????????0.20.030.21860.18400.16030.15391.36370.21930.40.0010.23730.21890.17830.14201.33090.17080.40.0020.23730.21640.17470.15191.35830.1759????????0.40.030.23660.17120.12980.29151.82280.2755????????60.0280.43190.12850.03530.848912.23510.563560.0290.43160.12560.03400.854012.69410.570060.030.43140.12280.03280.858713.15240.5764

由圖2可知，在可見光及近紅外前端區(qū)域，植被冠層反射率變化微弱，波長(zhǎng)在800 nm及以后的紅外區(qū)域，反射率隨等效水厚度的增加而降低。將模擬植被冠層反射率基于Landsat7 ETM+的光譜響應(yīng)函數(shù)模擬Landsat7 ETM+遙感影像的多光譜，完成窄波高光譜向影像多光譜的轉(zhuǎn)換[15-16]。將模擬光譜的敏感波段所在波段位置對(duì)應(yīng)到Landsat7 ETM+的波段位置上，得到ETM+影像中等效水厚度敏感波段為Band4、Band5、Band7。實(shí)際上，960～1120 nm波段處有一個(gè)水體強(qiáng)吸收谷點(diǎn)，對(duì)應(yīng)于Landsat7 ETM+的Band4；1400～1900 nm波段位于水的吸收帶，可探測(cè)植被含水量，對(duì)應(yīng)于Band5；2080～2350 nm波段具有波峰的形態(tài)且反射率大部分處于10%～30%之間的特征，這種特征與植被含水量相關(guān)，對(duì)應(yīng)于Band7。

除了利用單波段反映植被等效水厚度，利用波段間不同組合方式構(gòu)建的水分指數(shù)也可以有效估算植被等效水厚度。常用的水分指數(shù)包括：歸一化差值水分指數(shù)、歸一化差值紅外指數(shù)、全球植被水分指數(shù)、水應(yīng)力指數(shù)、簡(jiǎn)單比水指數(shù)、歸一化多波段干旱指數(shù)等[17-18]。以上水分指數(shù)是基于高光譜窄波光譜建立的高光譜指數(shù)，現(xiàn)利用Landsat7 ETM+光譜響應(yīng)函數(shù)將預(yù)處理后的實(shí)測(cè)高光譜模擬成遙感衛(wèi)星影像多光譜反射率，可得到高光譜波段對(duì)應(yīng)的影像波段。具體水分指數(shù)高光譜計(jì)算公式及基于ETM+影像波段計(jì)算公式見表4。

對(duì)以上6個(gè)水分指數(shù)分別與實(shí)測(cè)等效水厚度進(jìn)行相關(guān)性分析，采用相關(guān)性相對(duì)高的NDWI、GVMI、SRWI的3個(gè)水分指數(shù)作為等效水厚度的敏感水分指數(shù)。

2.4.3 基于支持向量機(jī)回歸的EWT反演

本文將PRO4SAIL模擬的Band4、Band5、Band7、NDWI、SRWI、GVMI數(shù)據(jù)和EWT含量作為訓(xùn)練樣本構(gòu)建支持向量機(jī)回歸模型。輻射傳輸模型模擬的900組數(shù)據(jù)根據(jù)一定權(quán)重比例隨機(jī)抽選50組數(shù)據(jù)作為訓(xùn)練樣本，實(shí)測(cè)的25個(gè)樣本點(diǎn)數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)及可預(yù)測(cè)等效水厚度含量。支持向量機(jī)回歸的樣本構(gòu)建見表5。

表4 基于實(shí)測(cè)光譜和ETM+影響波段的植被水分指數(shù)計(jì)算公式

表5 建模樣本和驗(yàn)證樣本的信息統(tǒng)計(jì)

建模平臺(tái)是基于Matlab的libsvm工具箱，其中支持向量機(jī)回歸模型中的核函數(shù)類型、懲罰系數(shù)C與核函數(shù)g的選取對(duì)模型反演精度影響較大，其中常用的核函數(shù)有：線性函數(shù)、多項(xiàng)式函數(shù)、徑向基函數(shù)、感知器函數(shù)等。由于徑向基核函數(shù)(radial basic function，RBF)擁有參數(shù)選擇不需要先驗(yàn)知識(shí)和預(yù)測(cè)精度的優(yōu)勢(shì)，因此選取基于徑向基核函數(shù)的支持向量機(jī)進(jìn)行回歸，支持向量機(jī)回歸模型參數(shù)設(shè)置見表6。

表6 支持向量機(jī)回歸模型參數(shù)設(shè)置

3 結(jié)果與分析

分別將訓(xùn)練集和預(yù)測(cè)集的EWT估測(cè)結(jié)果與EWT實(shí)測(cè)結(jié)果進(jìn)行回歸分析。如圖3所示，支持向量機(jī)模型建模樣本的斜率為0.705 6，決定系數(shù)R2達(dá)0.979 3，均方根誤差為0.001 838，表明該模型有較好的預(yù)測(cè)能力。

圖3 PRO4SAIL與支持向量機(jī)回歸組合模型對(duì)EWT值的估測(cè)結(jié)果

將50個(gè)訓(xùn)練樣本建立的回歸模型應(yīng)用到25個(gè)實(shí)地實(shí)測(cè)樣本上進(jìn)行估測(cè)，并將估測(cè)結(jié)果和實(shí)測(cè)結(jié)果進(jìn)行擬合分析。預(yù)測(cè)集的斜率為1.006 7，決定系數(shù)R2達(dá)0.653 4，均方根誤差為0.001 551。分析可知，PRO4SAIL與支持向量機(jī)回歸組合模型反演的EWT與實(shí)測(cè)值具有較好的相關(guān)性與適應(yīng)性。

4 結(jié) 語

等效水厚度是植被生長(zhǎng)狀況和健康狀況評(píng)估的重要指標(biāo)。本文以輻射傳輸模型為基礎(chǔ)，結(jié)合泛化能力強(qiáng)和學(xué)習(xí)效率高的支持向量機(jī)回歸模型，建立了PRO4SAIL與支持向量機(jī)回歸的組合模型，從定性和定量的角度確定了植被等效水厚度的敏感波段和水分指數(shù)，最終選取Band4、Band5、Band7、NDWI、SRWI、GVMI作為支持向量回歸EWT預(yù)測(cè)的反演因子，其中訓(xùn)練集決定系數(shù)C-R2與預(yù)測(cè)集決定系數(shù)P-R2分別為0.979 3與0.653 4時(shí)，植被等效水厚度估算結(jié)果較好。

建模算法對(duì)植被參數(shù)反演結(jié)果和應(yīng)用效率影響較大，傳統(tǒng)的PROSAIL結(jié)合搜索表方法反演植被參數(shù)反演精度較高，但數(shù)據(jù)量較龐大，本文提出的組合模型較之對(duì)植被等效水厚度反演速度快，且可應(yīng)用于其他植被參數(shù)的綜合批量反演。由于該組合模型的建模數(shù)據(jù)是來源于PRO4SAIL模型的模擬數(shù)據(jù)，較僅用支持向量機(jī)回歸模型反演參數(shù)而言，節(jié)省了實(shí)測(cè)數(shù)據(jù)作為建模數(shù)據(jù)，達(dá)到反演所有取樣點(diǎn)等效水厚度含量的效果。PRO4SAIL與支持向量機(jī)回歸的組合模型為植被信息的反演建立了物理基礎(chǔ)，為多光譜技術(shù)定量反演植被信息提供了技術(shù)支撐，為監(jiān)測(cè)路域植被生態(tài)環(huán)境提供基礎(chǔ)支持。

[1] 劉良云，王紀(jì)華，張永江，等.葉片輻射等效水厚度計(jì)算與葉片水分定量反演研究[J].遙感學(xué)報(bào), 2007, 11(3):289-295.

[2] 趙英時(shí)，等.遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2003.

[3] 顏春燕.遙感提取植被生化組分信息方法與模型研究[D].北京：中國(guó)科學(xué)院研究生院，2003.

[4] JACQUEMOUD S，BARET F.PROSPECT:A Model of Leaf Optical Properties Spectra[J].Remote Sensing of Environment, 1990(34)：75-91.

[5] JACQUEMOUD S, VERHOEF W.PROSPECT+SAIL Models:A Review of Use for Vegetation Characterization[J].Remote Sensing of Environment, 2009(113):56-66.

[6] 郭云開，王楊.路域植被覆蓋度時(shí)空變化遙感定量反演[J].測(cè)繪通報(bào), 2013(5):23-27.

[7] 陸成，陳圣波，劉萬崧，等.葉片輻射傳輸模型 理論研究[J].世界地質(zhì), 2013, 32(1):177-188.

[8] 展昕.基于 SAIL 模型的光譜解混研究[D].武漢：華中科技大學(xué)，2009.

[9] 郭云開，茍葉培.路域植被葉面積指數(shù)變化遙感監(jiān)測(cè)[J].遙感信息, 2013,28(6):92-95.

[10] 郭云開，張進(jìn)會(huì).路域植被葉綠素多光譜遙感定量反演研究[J].測(cè)繪通報(bào), 2014(12):5-8.

[11] 胡艷國(guó).支持向量機(jī)的研究與應(yīng)用[D].南昌：南昌大學(xué)，2007.

[12] 梁棟，管青松，黃文江，等.基于支持向量機(jī)回歸的冬小麥葉面積指數(shù)遙感反演[J].農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(7):117-123.

[13] 林卉，梁亮，張連蓬，等.基于支持向量機(jī)回歸算法的小麥葉面積指數(shù)高光譜遙感反演[J].農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(11):139-146.

[14] VAPNIK V N.Statistical Learning Theory[M]. New York: Wiley, 1998: 1-50.

[15] 張婷，丁建麗，王飛.基于實(shí)測(cè)端元光譜的多光譜圖像光譜模擬研究[J].光譜學(xué)與光譜分析, 2010, 30(11):2889-2893.

[16] 孫家炳，等.遙感原理與應(yīng)用[M].武漢：武漢大學(xué)出版社，2009.

[17] 王潔，徐瑞松，馬躍良，等.植被含水量的遙感反演方法及研究進(jìn)展[J].遙感信息, 2008,23(1):100-105.

[18] 谷成燕.基于PROSAIL輻射傳輸模型的毛竹林冠層參數(shù)遙感定量反演[D].杭州：浙江農(nóng)林大學(xué)，2013.

Quantitative Inversion Vegetation Equivalent Water Thickness by Combined Model of PRO4SAIL and the Support Vector Regression

LI Danna1，GUO Yunkai1，ZHU Shankuan1，LIU Ning2，LIU Lei2，JIANG Ming2

(1. School of Traffic and Transportation Engineering, Changsha University of Science & Technology,Changsha 410076, China; 2. Institute of Surveying and Mapping Remote Sensing Application Technology,Changsha University of Science & Technology,Changsha 410076, China)

To monitor the ecological environment of the road vegetation, remote sensing image and the radioactive transfer model are used to estimate vegetation equivalent water thickness. In this paper, a combined model of PRO4SAIL and support vector regression is presented to estimate vegetation equivalent water thickness. We explore the feasibility and accuracy of inversion vegetation parameters of the combined model of PRO4SAIL and support vector regression by the Landsat7 ETM+image and measured data. Research shows that the combined model has good prediction ability, and the accuracy of the equivalent water thickness is high. It also can improve the strong support for support vector machine model applied to remote sensing image inversion of vegetation parameters.

equivalent water thickness;PRO4SAIL;support vector regression; inversion vegetation parameters

李丹娜，郭云開，朱善寬,等.利用PRO4SAIL與支持向量機(jī)回歸的組合模型反演植被等效水厚度[J].測(cè)繪通報(bào)，2017(8)：50-55.

10.13474/j.cnki.11-2246.2017.0253.

2017-06-12

國(guó)家自然科學(xué)基金(41471421；41671498)

李丹娜(1994—)，女，碩士生，主要從事高等級(jí)路域環(huán)境遙感研究。E-mail:493998347@qq.com

P237

A

0494-0911(2017)08-0050-06