文献类型： 中文期刊

作者： 张敏 ¹ ; 郭涛 ¹ ; 刘轲 ¹ ; 黄平 ¹ ; 喻君 ² ; 刘仕川 ¹ ; 刘泳伶 ¹ ; 李源洪 ¹ ;

作者机构： 1.四川省农业科学院遥感应用研究所/农业农村部遥感应用中心成都分中心

2.凉山彝族自治州昭觉县农业局

关键词： 叶面积指数;遥感反演;植被指数;波段选择;机器学习;样本量

期刊名称： 西南农业学报

ISSN： 1001-4829

年卷期： 2022 年 011 期

页码： 2651-2658

收录情况： 北大核心 ; CSCD

摘要： 【目的】探索植被指数（VI）及其波段选择、回归建模方法、训练样本选取三方面因素对基于统计模型的水稻叶面积指数（LAI）高光谱遥感估算的影响，构建县域水稻LAI估算模型，并在四川省凉山彝族自治州昭觉县开展实证应用。【方法】本文基于不同样本量的3套训练数据，分别对增强型植被指数（EVI）、修正三角植被指数2（MTVI2）、归一化差值植被指数（NDVI）和修正比值植被指数（MSR）开展波段选择。在此基础上，以1种VI作为LAI的特征参量，试用指数回归（ER）和人工神经网络（ANN）,构建县域水稻LAI估算模型。计算LAI估算值和实测值之间的决定系数（R~2）和均方根误差（RMSE）,开展估算精度验证。【结果】（1）基于EVI或MTVI2的LAI估算精度优于NDVI和MSR。以ANN模型为例，基于优选波段的EVI和MTVI2得到的R~2分别为0.638和0.681,RMSE分别为0.554和0.519;而NDVI和MSR得到的R~2分别为0.567和0.560,RMSE分别为0.606和0.611。（2）基于各VI优选波段组合的LAI估算精度（平均R~2为0.574,平均RMSE为0.598）优于默认波段组合（平均R~2为0.424,平均RMSE为0.694）。（3）ANN模型的表现优于ER模型。在基于默认波段、优选波段的LAI估算试验中，ANN模型得到的平均R~2比ER模型分别提高40.27%和14.03%;平均RMSE分别降低11.32%和8.11%。（4）就本项目试验而言，训练样本量对基于ANN模型的LAI估测精度的影响不显著。例如，当训练样本量低至24时，基于EVI构建的ANN模型的测试精度（R~2=0.660, RMSE=0.537）,仍然优于ER模型（R~2=0.597, RMSE=0.585）。【结论】VI及其波段选择与回归建模方法对县域水稻LAI高光谱遥感估算均有明显影响。针对特定区域的目标作物，尝试利用任意可能的波段组合来计算多种VI,遴选与实测LAI相关系数最大的VI及其波段组合，有益于提高基于VI的LAI高光谱遥感估算精度。同时，即使基于小样本训练数据，机器学习算法仍有可能得出优于参数回归的结果。