基于GF-1 WFV影像和机器学习算法的玉米叶面积指数估算
目的 叶面积指数(LAI)是重要的植被生物理化参数,对农作物长势和产量预测具有重要研究意义.基于物理模型和经验模型的LAI估算方法被认为是当前最常用的方法,但两种方法的估算效率和精度有限.近年来,机器学习算法在遥感监测领域广泛应用,算法具有描述非线性数据拟合、融合更多辅助信息的能力,为了评价机器学习算法在玉米LAI遥感估算中的适用性,本文分析比较了随机森林和BP神经网络算法估算玉米LAI的能力,并与传统经验模型进行了比较.方法 以河北省怀来县东花园镇为研究区,基于野外实测玉米LAI数据,结合同时期国产高分卫星(GF1-WFV影像),首先分析了8种植被指数与LAI的相关性,进而采用保留交叉验证的方式将所有样本数据分为两部分,65%的数据作为模型训练集,35%作为验证集,重复随机分为3组,构建以8种植被指数为自变量,对应LAI值为因变量的RF模型、BP神经网络模型及传统经验模型.采用决定系数R2和均方根误差(RMSE)作为模型评价指标.结果 8种植被指数与LAI的相关性分析表明所有样本数据中,实测LAI值与各植被指数均在(P<0.01)水平下极显著相关,且相关系数均高于0.5;将3组不同样本数据在随机森林、BP神经网络算法中多次训练,并基于验证数据集进行估算精度检验,经验模型采用训练数据集建模,验证数据集检验,结果表明,RF模型表现出了较强的预测能力,LAI预测值与实测值R2分别为0.681、0.757、0.701,均高于BP模型(0.504、0.589、0.605)和经验模型(0.492、0.557、0.531),对应RMSE分别为0.264、0.292、0.259;均低于BP模型(0.284、0.410、0.283)和经验模型(0.541、0.398、0.306).结论 研究表明,RF算法能更好地进行玉米LAI遥感估算,为快速准确进行农作物LAI遥感监测提供了技术参考.
随机森林、BP神经网络、叶面积指数、机器学习、植被指数、农业遥感监测
23
TP79;S513(遥感技术)
高分辨率对地观测系统国家重大科技专项基金项目11-Y20A05-9001-15/16,03-Y20A11-9001-15/16;广东省省级科技计划基金项目2014A050503060.China National Key S & T Project of High Resolution Earth Observation System11-Y20A05-9001-15/16,03-Y20A11-9001-15/16
2018-06-15(万方平台首次上网日期,不代表论文的发表时间)
共11页
719-729