基于XGBoost-Shapley的玉米不同生育期LAI遥感估算

摘要：

针对当前快速准确获取叶面积指数(Leaf area index,LAI)时大部分遥感预测方法将光谱信息作为模型主要特征,忽略时序变化特征的问题,利用无人机搭载五通道多光谱相机获取研究区玉米不同生育期的影像数据,基于该数据计算玉米相应生育期植被指数,然后采用植被指数建立各生育期子模型,采用Shapley理论计算子模型均方根误差对全生育期模型均方根误差的贡献度,从而确定各子模型权重,根据权重组合形成具有LAI时序变化特征的估算模型,分别基于支持向量回归(SVR)、多层感知机(MLP)、随机森林(RF)和极限梯度提升树(XGBoost)算法构建组合估算模型.结果表明:采用Shapley理论构建的组合LAI估算模型估算效果优于直接构建的全生育期LAI估算模型.相较于SVR-Shapley、MLP-Shapley以及RF-Shapley模型,XGBoost-Shapley模型的估算效果最佳(R2为0.97,RMSE为0.021,RPD为6.9).将最优模型XGBoost-Shapley应用于研究区LAI预测,预测结果符合不同生育期玉米长势.本研究为大田玉米长势遥感监测提供了新的思路和方法.

关键词：玉米、叶面积指数、极限梯度提升树、Shapley、无人机遥感

所属期刊栏目：53

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家重点研发计划2020YFD1100601

在线出版日期：2022-09-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：208-216,225