基于梯度提升树算法的夏玉米叶面积指数反演

为了快速、准确、大范围获取大田夏玉米的叶面积指数(Leaf area index,LAI),基于实地采集的夏玉米LAI和株高,结合同时期的无人机多光谱影像,选择与夏玉米LAI相关性较强的8种植被指数以及株高作为反演LAI的输入变量,采用梯度提升树(Gradient boosting decision tree,GBDT)算法建立植被指数及株高与叶面积指数之间的预测模型,并与支持向量机(Support vector machine,SVM)和随机森林(Random forest,RF)算法建立的模型进行预测精度对比。结果表明,GBDT算法在3个样本组中的LAI预测值与实测值R^2分别为0. 571 0、0. 755 8、0. 644 1,均高于SVM算法(0. 547 2、0. 679 1、0. 616 8)和RF算法(0. 550 5、0. 697 3、0. 629 5);对应的RMSE分别为0. 002 7、0. 001 5、0. 001 6,均低于SVM算法(0. 211 7、0. 152 3、0. 159 7)和RF算法(0. 244 7、0. 214 7、0. 208 0)。该研究为快速准确的大田夏玉米LAI遥感监测提供了技术和方法。

基于XGBoostShapley的玉米不同生育期LAI遥感估算

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SVRShapley、MLPShapley以及RFShapley模型,XGBoostShapley模型的估算效果最佳(R^(2)为0.97,RMSE为0.021,RPD为6.9)。将最优模型XGBoostShapley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。