[发明专利]一种融合因子分析和蚁群小波神经网络模型的夏玉米LAI反演方法

权利要求书

1.一种融合因子分析和蚁群小波神经网络模型的夏玉米LAI反演方法，该方法主要通过以下技术步骤实现：

步骤1)数据获取：以国产高分辨率遥感影像GF-2卫星数据为遥感数据源，依据实验方案使用LAI-2200植物冠层分析仪获取LAI数据，测量时采用ABBBB测量模式；

步骤2)植被指数选取：选择20种广泛使用的植被指数(RVI、DVI、GNDVI、NDVI、WDVI、OSAVI、ARVI、EVI、EVI₂、MTVI、SAVI、SIPI、PSRI、NRI、CRI、IPVI、MSR、RDVI、NLI、MNLI)作为因子分析-蚁群小波神经网络模型输入变量；

步骤3)因子分析-蚁群小波神经网络模型构建：计算20种植被指数并提取GF2影像对应实测LAI的植被指数，分析植被指数与LAI之间的相关性。利用SPSS分别对20种植被指数进行因子分析，将得到的公共因子作为蚁群小波神经网络输入变量，对应LAI作为模型输出变量，进行LAI估算模型构建；

步骤4)模型精度验证：使用步骤3)构建的因子分析-蚁群小波神经网络模型，验证模型的反演精度。

2.如权利要求1所述的方法，其特征在于，所述步骤3)的具体方法为：

a)基于GF-2影像计算出20种不同类型并得到广泛应用的植被指数，利用因子分析得到20种原始植被指数的公共因子作为因子分析-蚁群小波神经网络的输入变量；

b)利用蚁群算法寻找最优初始参数，网格搜索(GridSearchCV)技术寻找最优隐含层节点数、学习速率、动量等超参数。蚁群算法训练小波神经网络的基本思想是：将小波神经网络的权值和阈值、平移和缩放系数各自生成随机非零集合。释放蚂蚁按照轮盘法则进行搜索，不同的蚂蚁搜索是相互独立的过程，当蚂蚁对所有参数完成一遍选择后，蚂蚁就到了食物源，然后根据信息素挥发系数和权重调节集合中各参数点的信息素。重复以上过程，直至所有的蚂蚁都收敛到同一路径或达到给定的最大迭代次数，搜索结束，得到较好的权值和阈值、缩放和平移系数；

c)将蚁群算法得到的最优初始参数作为小波神经网络的初始参数训练小波神经网络。小波神经网络模型采用输入层-隐含层-输出层，隐含层激活函数采用小波函数来提高函数逼近能力，输出层采用线性激活函数。