基于多光谱影像和机器学习算法的红树林树种LAI估算

针对红树林叶面积指数(Leaf Area Index,LAI)实地测量难度大、无法快速大范围LAI估算的问题。该研究以广西北部湾红树林为研究对象,以无人机(Unmanned Aerial Vehicle,UAV)和哨兵二号(Sentinel-2A,S2)多光谱影像为数据源,整合原始光谱波段、植被指数和组合植被指数构建高维数据集,并进行数据降维和特征优选。定量评估6种机器学习算法(XGBoost、前馈反向传播神经网络(Back Propagation,BP)、支持向量机(SVM)、岭回归(Ridge)、Lasso和弹性网络(ElasticNet))对不同红树林树种LAI的估算能力;探究UAV和Sentinel-2A影像对红树林树种LAI估算的精度差异。研究结果表明:1)基于XGBoost算法构建的模型实现了红树林LAI高精度估算,R^(2)均高于0.70,RMSE均低于0.349;2)在UAV和Sentinel-2A影像下,XGBoost模型对不同红树林树种LAI的估算精度(R^(2))比其他5种模型分别提高了0.105~0.365和0.283~0.540,RMSE降低了0.100~0.392和0.102~0.518;3)UAV影像数据与XGBoost算法构建的模型对海榄雌LAI的估算精度优于其他组合(R^(2)=0.821、RMSE=0.288),Sentinel-2A影像数据与XGBoost算法构建的模型对秋茄和桐花树LAI的估算精度优于其他组合(R^(2)=0.940~0.979、RMSE=0.142~0.104),不同红树林树种LAI的估算精度依次为桐花树>秋茄>海榄雌;4)SNAP-SL2P算法整体性低估红树林LAI值,UAV影像红树林树种LAI的平均估算精度(R^(2)=0.677~0.713)均优于Sentinel-2A影像,实现了不同红树林树种LAI的高精度估算。