关键词:
叶面积指数
机器学习
无人机
多光谱影像
玉米
摘要:
为实现基于机器学习方法和无人机影像的叶面积指数(leaf area index,LAI)准确估测。本研究对比了人工神经网络法(Artificial Neural Network algorithm,ANN)、高斯过程回归法(Gaussian Process Regression algorithm,GPR)、支持向量回归法(Support Vector Regression algorithm,SVR)和梯度提升决策树法(Gradient Boosting Decision Tree,GBDT)等几种主流的机器学习方法在基于无人机影像的玉米LAI反演中的优劣。为此,开展了不同有机肥、无机肥、秸秆还田以及种植密度处理的玉米田间试验,在不同生育期获取了无人机多光谱影像和LAI数据。基于这些数据,首先通过相关性分析,选择对LAI敏感的光谱指数作为估测变量,然后分别耦合偏最小二乘法(Partial Least Squares Regression,PLSR)和ANN、GPR、SVR、GBDT建立LAI反演模型,并对它们进行对比分析。结果表明,PLSR+GBDT法构建的LAI反演模型精度最高,稳定性最好,建模R_(cal)^(2)和RMSE_(cal)为0.90和0.25,验证R_(val)^(2)和RMSE_(val)为0.90和0.29;与PLSR+GBDT模型结果最接近的是基于PLSR+GPR法建立的模型,其建模R_(cal)^(2)和RMSE_(cal)为0.86和0.30,验证R_(val)^(2)和RMSE_(val)为0.89和0.29,且具有训练速度快,并能给出反演结果不确定度的优势;PLSR+ANN法的建模R_(cal)^(2)和RMSE_(cal)为0.85和0.31,验证R_(val)^(2)和RMSE_(val)为0.89和0.30;PLSR+SVR法的建模R_(cal)^(2)和RMSE_(cal)为0.86和0.32,验证R_(val)^(2)和RMSE_(val)为0.90和0.33。因此,PLSR+GBDT法和PLSR+GPR法被推荐作为玉米LAI反演模型构建的最优方法。