基于HJ-CCD數據和隨機森林算法的小麥葉面積指數反演

王麗愛，周旭東，朱新開，郭文善※（.揚州大學江蘇省作物遺傳生理重點實驗室，揚州 5009；　. 揚州大學信息工程學院，揚州 57）

?

基于HJ-CCD數據和隨機森林算法的小麥葉面積指數反演

王麗愛1，周旭東2，朱新開1，郭文善1※
（1.揚州大學江蘇省作物遺傳生理重點實驗室，揚州 225009；2. 揚州大學信息工程學院，揚州 225127）

摘要：為給小麥長勢的遙感監測提供技術支持，該文運用隨機森林回歸（RF，random forest）算法建立小麥葉面積指數（LAI）遙感反演模型。首先基于2010－2013年江蘇地區小麥環境減災衛星HJ-CCD的影像數據，提取拔節、孕穗和開花3個生育期的衛星植被指數，進而根據各生育期植被指數和相應實測LAI數據，利用RF算法構建各期小麥LAI反演模型，并以人工神經網絡（ANN，artificial neural network）模型為參比模型進行預測精度的比較。結果表明：RF算法模型在3個生育期的預測結果均好于同期的ANN模型。拔節、孕穗和開花3個生育期RF模型預測值與地面實測值的R2分別為0.79，0.67和0.59，對應的RMSE分別為0.57，0.90和0.78；ANN模型的R2分別為0.67，0.31和0.30，對應的RMSE分別為0.82，1.94和1.43。該研究結果為提高大田尺度下的小麥LAI遙感預測精度提供了技術和方法。

關鍵詞：植被；神經網絡；算法；隨機森林；機器學習；葉面積指數；小麥

王麗愛，周旭東，朱新開，郭文善. 基于HJ-CCD數據和隨機森林算法的小麥葉面積指數反演[J]. 農業工程學報，2016，32（3）：149－154.doi：10.11975/j.issn.1002-6819.2016.03.021http://www.tcsae.org

Wang Liai, Zhou Xudong, Zhu Xinkai, Guo Wenshan. Inverting wheat leaf area index based on HJ-CCD remote sensing data and random forest algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 149－154. (in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2016.03.021http://www.tcsae.org

0　引　言

葉面積指數（LAI，leaf area index）能夠反映植被長勢個體特征和群體特征，是農作物長勢監測的一個關鍵生態參數[1]。近年來，隨著遙感技術在農業領域的應用，眾多學者已對遙感反演農作物LAI展開深入研究[2-5]。其中基于植被指數反演LAI是非常重要的研究方向[5-10]。Tavakoli等[5]研究表明基于RGB的一些指數與小麥LAI有很好的相關性，可以使用數碼相機估測作物LAI。趙娟等[6]研究表明由ASD光譜儀數據所提取的RVI（ratio vegetation index）適于反演所研究地區冬小麥生長中期（拔節到抽穗前）的LAI，NDVI（normalized difference vegetation index）適于反演生長后期（抽穗到成熟期）的LAI。植被指數可基于不同的遙感數據源提取，前人對基于衛星數據的植被指數遙感反演LAI也進行了研究：何亞娟等[7]利用SPOT數據，構建了基于NDVI的二次函數模型反演甘蔗全生育期的LAI；Liu等[8]分別提取小麥、玉米和大豆的4種Landsat5/7衛星植被指數，對比研究這些指數反演各作物LAI的精度，指出反演能力最好的指數是EVI（enhanced vegetation index）；郭琳等[9]基于中國自主研發的環境減災衛星HJ-CCD數據，通過支持向量機方法建立NDVI指數與LAI的關系反演甘蔗LAI值；陳雪洋等[10]比較了4種HJ-CCD植被指數與冬小麥LAI的關系，確定反演LAI的最優指數為RVI。已有研究多基于單個植被指數反演作物LAI，而單一植被指數存在不同程度的飽和性，且每種指數只能包含部分波段的信息。為此，鑒于人工神經網絡（ANN，artificial neural network）算法能同時利用多個植被指數，并能很好地擬合非線性問題，近年來，該算法已被廣泛應用于構建農學參數遙感反演模型[11-13]。雖然ANN模型有一定的預測精度，但其模型參數過多，構建模型復雜。

類似于ANN，新興的隨機森林（RF，random forest）也是一種多因子機器學習算法，可以利用多個植被指數。作為目前最精確預測方法之一，RF已廣泛應用于遙感領域的分類問題[14-16]，取得了優于ANN的性能，并且模型構建過程比ANN簡單。但迄今為止，僅有少量文獻報道該算法在遙感監測預報方面的應用[17-18]，尤其據我們所知，尚無基于RF算法遙感反演小麥LAI的相關研究。鑒于上述，本文首次使用RF算法并結合多個植被指數構建小麥LAI遙感反演多因子模型，旨在為提高大田尺度下遙感定量反演小麥LAI的精度提供新技術。

結合長江中下游地區小麥栽培實際，本文基于2010 －2013年際間田間試驗數據和HJ-CCD影像數據，提取拔節、孕穗和開花3生育期的小麥實測LAI和相應時期的15個遙感植被指數；進而以小麥LAI值為因變量，以植被指數為自變量，利用RF構建3個生育期各自的LAI值遙感反演模型。在試驗中，將各期模型反演的LAI值與地面實測LAI值進行擬合，采用決定系數（R2）和均方根誤差（RMSE）進行精度檢驗，并與ANN模型進行精度比較。

1　研究區及數據采集

1.1研究區

本研究2010－2013年試驗在江蘇省開展，表1所示為每年選擇的試驗區，其均為江蘇省冬小麥主產區。

表1　本研究試驗區Table 1　Test regions in this study

1.2LAI數據獲取

試驗區栽培的小麥品種為揚麥13號、揚麥15號、揚麥16號和揚輻麥2號。取樣時期分別為小麥拔節、孕穗和開花期。在每縣設置有代表性的樣點15～20個，每個樣點設定取樣面積為50 cm×4行（行距15～20 cm），于小麥的各生育期取長勢均勻的植株15株密封帶回實驗室用比葉重法測定LAI。同時采用美國Trimble公司生產的Juno ST 手持式GPS進行定位，獲取每個采樣點的經度值和緯度值。從中國資源衛星應用中心網站下載分別與小麥拔節、孕穗和開花期準同步的HJ-CCD 影像數據。

將各生育期4 a的數據集合起來，隨機分成2部分（75%和25%），75%部分作為訓練樣本建立模型，25%部分作為測試樣本評價模型。拔節、孕穗和開花期訓練樣本數分別為174、174和147個；3期的測試樣本數則分別為58、58和49個。

1.3影像數據及預處理

本文使用的遙感數據來自于中國自主研制的環境和災害監測預報小衛星系統，它包括HJ-A和HJ-B 2顆衛星，每顆星都裝載了空間分辨率為30 m的CCD （charge-coupled device）相機，包括4個波段：藍光B1（430～520 nm），綠光B2（520～600 nm），紅光B3（630～690 nm）和近紅外光B4（760～900 nm）。

所有影像都經過輻射定標、大氣校正和幾何校正。輻射定標是將所有影像通過利用HJ星CCD相機的輻射定標參數從DN值轉化為輻亮度圖像；大氣校正是運用ENVI4.7軟件的FLAASH模塊進行；幾何校正是先參照江蘇地區1∶100 000地形圖進行影像粗校正，再進一步利用地面實測的GPS控制點精校正，使影像的精度能夠小于1個像元。

2　研究方法

2.1植被指數

農作物LAI值與植被光譜的可見/近紅外波段存在很強的相關性[19]。在敏感反映LAI的同時，為了削弱環境因素的干擾，可利用這些特征波段構建的植被指數估測LAI。本研究基于HJ-CCD相機的4個波段構建了15個已得到廣泛認可且能較好地反演LAI[3, 20-21]的遙感植被指數（表2）。

表2　遙感植被指數計算公式Table 2　Formulas of remote sensing vegetation index

2.2隨機森林算法

RF是由Breiman于2001年[22]提出的一種集成學習方法，該算法組合多棵決策樹以提高單棵分類樹或回歸樹的性能。在RF回歸中，一棵決策樹代表一組約束條件，這些條件被分層組織并先后從樹根應用到樹葉。RF算法的主要思想是：通過自助法（bootstrap）從原始樣本集采樣得到構建ntree棵樹所需的ntree個子集；生成每棵樹時，從規模為p的自變量集合中隨機選擇mtry個變量(mtry

2.3人工神經網絡算法

在各種機器學習算法中，ANN是最常用的開發非線性回歸模型的算法[23]。訓練一個ANN，需要選擇網絡結構（隱含層數和每層節點的數目）、權重、學習率和訓練算法。在本研究中，使用交叉驗證法優化得到基于Levenberg-Marquardt算法、隱層為tan-sigmoid函數、輸出層為log-sigmoid函數的兩層反向傳播神經網絡，信號在該網絡上的傳播過程包括正向和反向兩部分。算法基本思想是：首先正向地將信號從輸入層傳播至隱含層進行處理得到中間信號，再將此中間信號傳播至輸出層得到實際輸出結果；若該結果與期望輸出不符，則將其與期望輸出之間的誤差由輸出層沿原來的連接通路向輸入層反向地傳播并做相應處理；交替執行正向和反向傳播，直到實際輸出達到期望輸出，或這種學習過程達到預先設定的次數為止。

3　結果與分析

3.1小麥LAI反演模型構建

分別利用小麥拔節、孕穗和開花期的訓練集，使用RF和ANN算法構建小麥LAI遙感反演模型。在各生育期的每個模型中，表2中的15個植被指數作為自變量，小麥LAI作為因變量。在RF模型構建中，首先將此算法編制成計算機程序，然后分別確定回歸樹數目ntree及分割節點所需變量數目mtry的取值，最后運行該程序進行建模，得到的模型本身沒有明確的數學公式。根據經驗及多次試驗，確定3個生育期RF算法的ntree均為2000，mtry均為3。RF模型基于袋外數據集（OOB，out-of-bag data），顯示了模型中15個植被指數的重要性（圖1），有助于幫助理解每個指數對模型的影響力，植被指數對應的RMSE數值越大表明此指數越重要。由圖1所示，拔節期除EVI的其他14個指數對應的RMSE均在0.4左右，表明這14個指數對LAI具有相似的影響力；孕穗期NRI 和MTVI2指數對應的RMSE明顯高于其他13個指數的RMSE，表明它們對LAI均具有較強的影響力；開花期NRI 和NLI指數較其他13個指數對LAI的影響力較弱。

圖1　RF模型中估計LAI的植被指數重要性Fig.1　Importance of vegetation indices in RF models for estimating LAI

3.2模型評價

基于各生育期獨立于訓練集的測試集，將每個時期2個模型反演的LAI數據與相應時期的實測數據比較，分析不同模型的預測精度。本文將模型預測值與實測值進行回歸分析，采用R2和RMSE作為模型的評價指標，并繪制了模型預測值與實測值的1:1關系圖，結果見圖2。3個生育期的RF算法模型預測結果與同期的ANN模型相比較均表現為最佳：R2比ANN模型依次高出0.12、0.36和0.29，相應的RMSE比ANN模型依次低0.25、1.04和0.65。上述比較結果表明RF算法構建小麥LAI反演模型，可行且有很高的監測精度。在本研究中，孕穗期的小麥可能由于幼穗在冠層中占有的比例增加，而開花期小麥的麥芒等在冠層中也已占有一定比例，導致這2個生育期的RF模型反演精度均低于拔節期的RF模型精度。

圖2　小麥LAI實測值與模型預測值關系圖Fig.2　Relational graph of measured and predicted wheat LAI

3.3討論

遙感獲得的作物冠層光譜反射率可提供作物生長狀況信息，但易受背景土壤、作物冠層結構、大氣條件等因素影響，因此前人提出使用植被指數估測作物農學參數。以往基于植被指數的作物LAI遙感監測：一方面，較少考慮不同物候期對作物的影響[8-9]；另一方面，很少綜合不同年際間的數據進行建模及驗證；再者，多數研究基于單個植被指數進行遙感監測[24-25]，僅利用單一植被指數，存在不同程度的飽和性且每種指數只能包含部分波段的信息，可能會影響模型外推能力[26-27]。本研究同時涉及到2010－2013年際間小麥的3個生育期，包括拔節、孕穗和開花期，針對每個生育期，結合RF算法分別構建了以15個植被指數為自變量的多因子模型。每個RF模型顯示了對反演LAI呈現明顯重要性的植被指數（圖1）：拔節期為EVI、孕穗期為MTVI2、開花期為MSR。該結論表明，在估計作物生理參數時，不同生長階段會影響植被指數的性能，這與前人研究結果一致[28-29]。另外，文獻[10]也基于HJ-CCD影像所提取的植被指數遙感反演了小麥LAI，但是該研究僅基于一個植被指數（RVI）反演了冬小麥一個生育期（抽穗期）的LAI，且建模與驗證集均基于一個年度（2009年）的數據，模型在時間維的普適性有待進一步驗證。

本研究的RF模型顯示出比ANN模型更好的反演結果，原因在于RF算法是集成學習算法，有助于將弱學習器組合起來形成強學習器，且2個隨機性的引入（采用bootstrap法隨機生成多個子樣本集；從整個自變量集合中隨機選取部分自變量用于分割樹的節點）使得RF具有很好的抗噪聲能力，也不容易陷入過度擬合；而在訓練ANN網絡時，可能會因為學習能力過強，使得到的模型已反映不出樣本所隱含的規律，最終減弱了模型的泛化能力。

事實上，本文使用的15個植被指數中大部分存在多重共線性，但RF對共線性不敏感[30]，這一點對構建模型很有價值，特別是針對復雜和非線性系統，當兩個或多個變量之間存在共線性時，通常很難確定舍去哪個變量。

這2種機器學習算法本身都有自身的參數，ANN需要設定多個參數（網絡結構、結點個數、訓練函數、學習函數、學習率等），RF算法只需要設定2個參數（ntree 和mtry），顯然增加了應用RF的便利性。

建模算法的選擇對遙感定量反演的精度有很大影響。基于前期RF反演小麥葉綠素的工作基礎[31]，本研究利用RF遙感反演了小麥LAI值，結果表明該算法顯示出較好的預測性能。后續工作將進一步研究RF可否適用到小麥或其他作物的生物量和氮含量等作物苗情診斷關鍵農學參數的遙感反演，以提升RF算法在農作物長勢遙感監測中的應用價值。

4　結　論

本研究基于環境HJ-CCD數據和RF算法遙感反演小麥的LAI，并與ANN的預測性能進行比較，得出如下結論：

1）可以利用RF算法反演小麥LAI值，而且模型的預測精度要高于前人已使用的ANN模型：拔節、孕穗和開花期的RF模型預測值與地面實測值的R2依次為0.79，0.67和0.59，相應的RMSE依次為0.57，0.90和0.78。

2）相對于建立ANN模型的過程，基于RF算法構建模型更為簡單，通常只需要優化算法本身的2個參數（ntree和mtry）。這一優勢有助于該回歸算法被廣泛應用于作物長勢遙感監測預報；作為一種集成學習算法，RF將多個弱學習器組合起來構成強學習器，從而確保模型顯示出好的預測性能。

環境HJ-CCD數據可免費提供給用戶使用，且數據的時效性強，可以通過不同時期的HJ-CCD數據分析小麥LAI的差異和變化。

[參考文獻]

[1] 王紀華，趙春江，黃文江. 農業定量遙感基礎與應用[M].北京：科學出版社，2010.

[2] Wu Mingquan, Wu Chaoyang, Huang Wenjiang, et al. High-resolution leaf area index estimation from synthetic Landsat data generated by a spatial and temporal data fusion model[J]. Computers and Electronics in Agriculture, 2015, 115: 1－11.

[3] Kross A, McNairn H, Lapen D, et al. Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34: 235－248.

[4] Fontanelli G, Paloscia S, Zribi M, et al. Sensitivity analysis of X-band SAR to wheat and barley leaf area index in the Merguellil Basin[J]. Remote Sensing Letters, 2013, 4(11): 1107－1116.

[5] Tavakoli H, Mohtasebi S S, Alimardani R, et al. Evaluation of different sensing approaches concerning to nondestructive estimation of leaf area index for winter wheat[J]. International Journal on Smart Sensing and Intelligent Systems, 2014, 7(1): 337－359.

[6] 趙娟，黃文江，張耀鴻，等. 冬小麥不同生育時期葉面積指數反演方法[J]. 光譜學與光譜分析，2013，33(9)：2546－2552. Zhao Juan, Huang Wenjiang, Zhang Yaohong, et al. Inversion of leaf area index during different growth stages in winter wheat[J]. Spectroscopy and Spectral Analysis, 2013, 33(9): 2546－2552. (in Chinese with English abstract)

[7] 何亞娟，潘學標，裴志遠，等. 基于SPOT遙感數據的甘蔗葉面積指數反演和產量估算[J]. 農業機械學報，2013，44(5)：226－231. He Yajuan, Pan Xuebiao, Pei Zhiyuan, et al. Estimation of LAI and yield of sugarcane based on SPOT remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(5): 226－231. (in Chinese with English abstract)

[8] Liu Jiangui, Pattey E, Jégo G. Assessment of vegetation indices for regional crop green LAI estimation from Landsat images over multiple growing seasons[J]. Remote Sensing of Environment, 2012, 123: 347－358.

[9] 郭琳，裴志遠，張松齡，等. 基于環境星CCD 圖像的甘蔗葉面積指數反演方法[J]. 農業工程學報，2010，26(10)：201－205. Guo Lin, Pei Zhiyuan, Zhang Songling, et al. Estimationmethod of sugarcane leaf area index using HJ CCD images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(10): 201－205. (in Chinese with English abstract)

[10] 陳雪洋，蒙繼華，杜鑫，等. 基于環境星CCD數據的冬小麥葉面積指數遙感監測模型研究[J]. 國土資源遙感，2010，22(2)：55－62. Chen Xueyang, Meng Jihua, Du Xin, et al. The monitoring of the winter wheat leaf area index based on HJ-1 CCD data[J]. Remote Sensing for Land and Resources, 2010, 22(2): 55－62. (in Chinese with English abstract)

[11] Chen Bangqian, Wu Zhixiang, Wang Jikun, et al. Spatio-temporal prediction of leaf area index of rubber plantation using HJ-1A/1B CCD images and recurrent neural network[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 102: 148－160.

[12] Verrelst J, Munoz J, Alonso L, et al. Machine learning regression algorithms for biophysical parameter retrieval: Opportunities for Sentinel-2 and -3[J]. Remote Sensing of Environment, 2012, 118(4): 127－139.

[13] 夏天，吳文斌，周清波，等. 冬小麥葉面積指數高光譜遙感反演方法對比[J]. 農業工程學報，2013，29(3)：139－147. Xia Tian, Wu Wenbin, Zhou Qingbo, et al. Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(3): 139－147. (in Chinese with English abstract)

[14] Jhonnerie R, Siregar V P, Nababan B, et al. Random forest classification for mangrove land cover mapping using Landsat5 TM and Alos Palsar imageries[J]. Procedia Environmental Sciences, 2015, 24: 215－221.

[15] Nitze I, Barrett B, Cawkwell F. Temporal optimization of image acquisition for land cover classification with Random forest and MODIS time-series[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 34: 136－146.

[16] Gislason P O, Benediktsson J A, Sveinsson J R. Random Forests for land cover classification[J]. Pattern Recognition Letters, 2006, 27(4): 294－300.

[17] Liu Meiling, Liu Xiangnan, Liu Da, et al. Multivariable integration method for estimating sea surface salinity in coastal waters from in situ data and remotely sensed data using random forest algorithm[J]. Computers and Geosciences, 2015, 75: 44－56.

[18] Mutanga O, Adam E, Azong Cho M. High density biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 18(1): 399－406.

[19] 延森. 遙感數字影像處理導論[M]. 北京：機械工業出版社，2007：288－296.

[20] Nguy-Robertson A, Gitelson A, Peng Y, et al. Green leaf area index estimation in maize and soybean: Combining vegetation indices to achieve maximal sensitivity[J]. Agronomy Journal, 2012, 104(5): 1336－1347.

[21] Liu Jiangui, Pattey E, Jego G. Assessment of vegetation indices for regional crop green LAI estimation from Landsat images over multiple growing seasons[J]. Remote Sensing of Environment, 2012, 123: 347－358.

[22] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5－32.

[23] Haykin S. Neural Networks: A Comprehensive Foundation[M]. 2nd Ed. Prentice Hall, New Jersey, America, 1999.

[24] 夏天，周清波，陳仲新，等. 基于HJ-1衛星的冬小麥葉片SPAD遙感監測研究[J]. 中國農業資源與區劃，2012，33(6)：38－44. Xia Tian, Zhou Qingbo, Chen Zhongxin, et al. Monitoring winter wheat SPAD based on HJ-1 CCD[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2012, 33(6): 38－44. (in Chinese with English abstract)

[25] 王來剛，王備戰，馮偉，等. SOPT-5與HJ遙感影像用于冬小麥氮素監測的效果對比[J]. 麥類作物學報，2011，31(2)：143－148. Wang Laigang, Wang Beizhan, Feng Wei, et al. Comparative analysis of monitoring winter wheat nitrogen with SPOT 5 and HJ image[J]. Journal of Triticeae Crops, 2011, 31(2): 143－148. (in Chinese with English abstract)

[26] 梁棟，管青松，黃文江，等. 基于支持向量機回歸的冬小麥葉面積指數遙感反演[J]. 農業工程學報，2013，29(7)：117－123. Liang Dong, Guan Qingsong, Huang Wenjiang, et al. Remote sensing inversion of leaf area index based on support vector machine regression in winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(7): 117－123. (in Chinese with English abstract)

[27] 王大成，王紀華，靳寧，等. 用神經網絡和高光譜植被指數估算小麥生物量[J]. 農業工程學報，2008，24(2)：196－201. Wang Dacheng, Wang Jihua, Jin Ning, et al. ANN-based wheat biomass estimation using canopy hyperspectral vegetation indices[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(2): 196－201.(in Chinese with English abstract)

[28] Li Fei, Mistele B, Hu Yuncai, et al. Remotely estimating aerial N status of phenologically differing winter wheat cultivars grown in contrasting climatic and geographic zones in China and Germany[J]. Field Crops Research, 2012, 138(3): 21－32.

[29] Hatfield J L, Prueger J H. Value of using different vegetative indices to quantify agricultural crop characteristics at different growth stages under varying management practices[J]. Remote Sensing, 2010, 2(2): 562－578.

[30] Cutler R D, Edwards T C, Beard K H, et al. Random forests for classification in ecology[J]. Ecology, 2007, 88(11): 2783－2792.

[31] 王麗愛，馬昌，周旭東，等. 基于隨機森林回歸算法的小麥葉片SPAD值遙感估算[J]. 農業機械學報，2015，46(1)：259－265. Wang Liai, Ma Chang, Zhou Xudong, et al. Estimation of wheat leaf SPAD value using RF algorithmic model and remote sensing data[J]. Transactions of the Chineses Society for Agricultural Machinery, 2015, 46(1): 259－265. (in Chinese with English abstract)

Inverting wheat leaf area index based on HJ-CCD remote sensing data and random forest algorithm

Wang Liai1, Zhou Xudong2, Zhu Xinkai1, Guo Wenshan1※
(1. Key Laboratory of Crop Genetics and Physiology of Jiangsu Province, Yangzhou University, Yangzhou 225009, China; 2. Information Engineering College of Yangzhou University, Yangzhou 225127, China)

Abstract:The leaf area index (LAI) of crops is an important parameter for crop monitoring. With the remote sensing application in agriculture, inverting LAI of crops from remote sensing data has been studied. Among these studies, vegetation indices are widely used because they can reduce effect background noise on the spectral reflectance of plant canopies. In addition to using vegetation indices, modeling algorithm also plays an important role in improving the remote estimation accuracy of crop LAI. Recently, the emerging Random Forest (RF) machine-learning algorithm is regarded as one of the most precise prediction methods for regression. In this paper, we conducted studies on wheat LAI estimations utilizing RF algorithm and vegetation indices. Firstly based on China’s environmental satellite charge-coupled device (HJ-CCD) image data of wheat (Triticum aestivum) from test sites in Jiangsu province of China during 2010-2013, fifteen vegetation indices from previously reported results and related LAI were respectively calculated at the jointing, booting, and anthesis stages. Then, through utilizing RF algorithm, the LAI inverting model for each stage was respectively established based on its vegetation indices and corresponding in situ wheat LAI measured during the HJ-CCD data acquisition. For each stage, the pooled data from 2010-2013 were randomly divided into a training dataset and an independent model validation dataset (75% and 25% of the pooled data, respectively). For the training dataset, the number of samples was 174 at jointing, 174 at booting, and 147 at anthesis. For the validation dataset, the number of samples was 58 at jointing, 58 at booting, and 49 at anthesis. The training dataset was used to establish models to predict wheat LAI during each growth stage, and the validation dataset was employed to test the quality of each prediction model. The RF model of each stage for estimating wheat LAI was then established in which the 15 vegetation indices were considered to be the independent variables and wheat LAI was the dependent variable. Additionally for each stage, the model based on artificial neural network (ANN) machine-learning algorithm was employed as a reference model, which had been successfully used to invert LAI of crops in previous studies. In order to evaluate each model’s estimation accuracy and to further compare the performances of the two models for each stage, the coefficients of determination (R2) and the corresponding root mean square errors (RMSE) for the estimated-versus-measured LAI were calculated respectively on the basis of the corresponding validation data. The results indicated that RF outperformed ANN at each stage. For RF models, the R2for the estimated-versus-measured LAI values for the three stages were 0.79, 0.67, and 0.59, respectively, in contrast to 0.57, 0.90, and 0.78 from RMSE. For ANN models, the R2for the three stages was 0.67, 0.31, and 0.30, respectively, and the corresponding RMSE was 0.82, 1.94, and 1.43. Furthermore, RF showed the vegetation index of model that noticeably contributed to the LAI estimation for each stage (i.e., EVI at jointing, MTVI2 at booting, and MSR at anthesis). Thus, the RF algorithm provides an effective way to improve the prediction accuracy of LAI in wheat on a large scale.

Keywords:vegetation; neural networks; algorithms; random forest; machine-learning; leaf area index; wheat

通信作者：※郭文善，男，博士生導師，江蘇人，教授，研究方向為作物栽培生理與信息農業。揚州揚州大學江蘇省作物遺傳生理重點實驗室，225009。Email：guows@yzu.edu.cn

作者簡介：王麗愛，女，博士，山西人，研究方向為農業遙感應用研究。揚州揚州大學江蘇省作物遺傳生理重點實驗室，225009。Email：wla001@163.com

基金項目：國家自然科學基金（31271642）；江蘇省高校自然科學基金（12KJB520018）；省屬高校國際科技合作聘專重點項目；"六大人才高峰"高層次人才項目（2011-NY039）；江蘇省高校優秀科技創新團隊項目。

收稿日期：2015-07-28

修訂日期：2015-12-23

中圖分類號：S127；TP79

文獻標志碼：A

文章編號：1002-6819(2016)-03-0149-06

doi：10.11975/j.issn.1002-6819.2016.03.021