基于随机森林算法的冬小麦叶面积指数遥感反演研究

• 作者: 刘畅 张丽妍 张春兰 李贺丽 杨贵军 汤伏全
• 来源期刊: 中国农业科学
• 关键词: 无人机 高光谱 叶面积指数 随机森林 冬小麦
• 年，卷（期）: 2018,（5）
• 所属期刊栏目: 耕作栽培·生理生化·农业信息技术
• 页码范围: 855-867
• 页数: 13页
• 语种: 中文
• DOI: 10.3864/j.issn.0578-1752.2018.05.005

摘要

[目的]通过利用随机森林算法(random forest,RF)反演冬小麦叶面积指数(leaf area index,LAI),及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据.[方法]本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析(correlation coefficient,r)和袋外数据(out-of-bag data,OOB)重要性分析与随机森林算法(random forest,RF)相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性.[结果]| r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数(R2)分别为0.805、0.899,均方根误差(RMSE)分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好.利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R2为0.761,RMSE为0.320,数值范围(1.02-6.41)与地面实测(1.29-6.81)亦比较吻合.[结论]本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息.