典型文献
人工蜂群算法优化SVR的叶面积指数反演
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
周晓雪;李楠;潘耀忠;孙莉昕
作者机构：
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;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;青海师范大学 地理科学学院,西宁810016
文献出处：
引用格式：
[1]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(04):766-780
A类：
SMEX02
B类：
人工蜂群算法,算法优化,SVR,叶面积指数,支持向量机回归,Support,Vector,Regression,LAI,罚系数,核函数,不敏,损失函数,函数参数,ABC,Artificial,Bee,Colony,遥感影像,反演方法,研究数据,土壤水分,Landsat7,ETM+,地表反射率数据,反演精度,优化参数,反演模型,回归拟合,拟合精度,模型精度,参数模型,直线斜率,决定系数,r2,置信区间,RMSE,差异显著性检验,法显
AB值：
0.279353
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
