基于GF-1 WFV影像和机器学习算法的玉米叶面积指数估算

目的叶面积指数（LAI）是重要的植被生物理化参数，对农作物长势和产量预测具有重要研究意义。基于物理模型和经验模型的LAI估算方法被认为是当前最常用的方法，但两种方法的估算效率和精度有限。近年来，机器学习算法在遥感监测领域广泛应用，算法具有描述非线性数据拟合、融合更多辅助信息的能力，为了评价机器学习算法在玉米LAI遥感估算中的适用性，本文分析比较了随机森林和BP神经网络算法估算玉米LAI的能力，并与传统经验模型进行了比较。 方法以河北省怀来县东花园镇为研究区，基于野外实测玉米LAI数据，结合同时期国产高分卫星（GF1-WFV影像），首先分析了8种植被指数与LAI的相关性，进而采用保留交叉验证的方式将所有样本数据分为两部分，65%的数据作为模型训练集，35%作为验证集，重复随机分为3组，构建以8种植被指数为自变量，对应LAI值为因变量的RF模型、BP神经网络模型及传统经验模型。采用决定系数 $ R^2$ 和均方根误差（RMSE）作为模型评价指标。 结果8种植被指数与LAI的相关性分析表明所有样本数据中，实测LAI值与各植被指数均在（ $ P$ ＜0.01）水平下极显著相关，且相关系数均高于0.5；将3组不同样本数据在随机森林、BP神经网络算法中多次训练，并基于验证数据集进行估算精度检验，经验模型采用训练数据集建模，验证数据集检验，结果表明，RF模型表现出了较强的预测能力，LAI预测值与实测值 $ R^2$ 分别为0.681、0.757、0.701，均高于BP模型（0.504、0.589、0.605）和经验模型（0.492、0.557、0.531），对应RMSE分别为0.264、0.292、0.259；均低于BP模型（0.284、0.410、0.283）和经验模型（0.541、0.398、0.306）。 结论研究表明，RF算法能更好地进行玉米LAI遥感估算，为快速准确进行农作物LAI遥感监测提供了技术参考。