利用随机森林法协同SIF和反射率光谱监测小麦条锈病

小麦受到条锈病菌侵染后,作物的光合能力及色素含量等均会发生变化,日光诱导叶绿素荧光(solar-inducedchlorophyll fluorescence,SIF)对作物光合生理的变化比较敏感,而反射率光谱则受作物生化参数的影响较大,为了提高小麦条锈病的遥感探测精度,该文利用随机森林(random forest,RF)等机器学习算法开展了协同冠层 SIF 和反射率微分光谱指数的小麦条锈病病情严重度的遥感探测研究。首先利用 3FLD(three bands fraunhofer line discrimination)算法提取了冠层SIF 数据,然后结合对小麦条锈病病情严重度敏感的 11 种反射率微分光谱指数分别基于 RF 和后向传播(back propagation,BP)神经网络算法构建了反射率微分光谱指数与冠层 SIF 协同的小麦条锈病病情严重度预测模型。研究结果表明:RF 算法构建的小麦条锈病病情严重度预测模型优于 BP 神经网络算法,3 个样本组中 RF 模型病情指数(disease index,DI)估测值与实测值间的决定系数 R2平均为 0.92,比 BP神经网络模型(R2的平均值为 0.83)提高了 11%,均方根误差(root meansquare error,RMSE)平均为 0.08,比同组 BP 神经网络模型(RMSE 的平均值为 0.12)减少了 33%,RF 算法更适合于小麦条锈病病情严重度的遥感探测。在反射率微分光谱指数中加入冠层 SIF 数据后,RF 模型和 BP 神经网络模型精度均有所改善,其中 RF 模型估测值与实测值间的平均 R2提高了 4%,平均 RMSE 减少了 22%,BP 神经网络模型估测值与实测值间的平均 R2提高了 14%,平均 RMSE 减少了 28%,综合利用冠层 SIF 和反射率微分光谱指数能够改善小麦条锈病病情严重度的遥感探测精度。研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供新的思路。