基于隨機森林算法的冬小麥葉面積指數遙感反演研究

張春蘭，楊貴軍，李賀麗，湯伏全，劉暢，張麗妍

?

基于隨機森林算法的冬小麥葉面積指數遙感反演研究

張春蘭1,2,3,4，楊貴軍2,3,4，李賀麗2,3,4，湯伏全1，劉暢1,2,3,4，張麗妍2,3,4

（1西安科技大學測繪科學與技術學院，西安 710054；2國家農業信息化工程技術研究中心，北京 100097；3農業部農業信息技術重點實驗室， 北京 100097；4北京市農業物聯網工程技術研究中心，北京 100097）

【目的】通過利用隨機森林算法（random forest，RF）反演冬小麥葉面積指數（leaf area index， LAI），及時、準確地監測冬小麥長勢狀況，為作物田間管理和產量估測等提供科學依據。【方法】本研究依據冬小麥拔節期、挑旗期、開花期及灌漿期地面觀測數據，將相關系數分析（correlation coefficient，）和袋外數據（out-of-bag data，OOB）重要性分析與隨機森林算法（random forest，RF）相結合，在優選光譜指數和確定最佳自變量個數的基礎上，構建了兩種冬小麥LAI反演模型||-RF和OOB-RF，并利用獨立數據集對兩種模型進行驗證；然后，將所建LAI反演模型用于無人機高光譜影像，進一步檢驗所建模型對無人機低空遙感平臺的適用性和可靠性。【結果】||-RF和OOB-RF反演模型分別采用相關性前5強、重要性前2強的光譜指數作為輸入因子時精度最優，驗證決定系數（2）分別為0.805、0.899，均方根誤差（）分別為0.431、0.307，表明這兩個模型均能對作物LAI進行精確反演，其中OOB-RF模型的反演效果更好。利用無人機高光譜影像數據結合OOB-RF估算模型反演得到冬小麥LAI與地面實測值的擬合方程的決定系數2為0.761，為0.320，數值范圍（1.02—6.41）與地面實測（1.29—6.81）亦比較吻合。【結論】本文基于地面數據構建的OOB-RF模型不僅具有較高的反演精度，而且適用性強，可用于無人機高光譜遙感平臺提取高精度的冬小麥LAI信息。

無人機；高光譜；葉面積指數；隨機森林；冬小麥

0 引言

【研究意義】葉面積指數（leaf area index，LAI）可綜合表述為單位土地面積上作物葉片的葉面積總和[1-2]，是地表植被生態系統中重要的理化參數之一，不僅與作物蒸騰作用、光合作用、呼吸作用、地表凈初級生產力等密切相關，且常被用作評價作物長勢、指導田間管理及預測產量的重要依據[3-5]。因此，及時、準確監測作物LAI具有重要的研究意義。【前人研究進展】近年來，遙感技術的快速發展使快速、無損地獲取大面積作物LAI成為可能，對于其模型方法國內外已有大量探索。宋開山等[6]基于植被指數建立大豆LAI估算模型時，發現歸一化差值植被指數（normalized difference vegetation index，NDVI）在LAI大于3.5時，出現了飽和現象。GITELSON等[7]則通過對植被指數NDVI進行改進，提出了寬動態植被指數（wide dynamic range vegetation index，WDRVI），可以解決飽和性問題。李鑫川等[8]提出分段選擇敏感植被指數OSAVI（LAI≤3）+TGDVI（LAI＞3），在解決飽和性問題的同時能夠提高LAI預測精度。LIANG等[9]認為優化土壤調節植被指數（OSAVI）能夠降低土壤背景影響，進而提高LAI估算精度。Liu等[10]指出利用增強型植被指數（EVI）反演LAI具有較高的估算精度。隨著作物LAI遙感反演研究的深入，一些研究者嘗試利用機器學習算法提高LAI估算精度。如利用神經網絡法、支持向量機法可提高冬小麥LAI反演精度[11-13]。【本研究切入點】盡管這些機器學習算法能夠提高反演精度，但是在反演時需要大量的訓練樣本，且極易出現過擬合問題。隨機森林算法是一種基于統計學的機器學習算法，能高效處理大數據集，具有極強的擬合能力且不會產生過擬合現象，具有很好的抗噪性能[14]，適合解決作物LAI的反演問題。但是，大多研究者利用隨機森林算法進行作物參數反演時，直接將各種植被指數作為輸入因子，缺乏對輸入因子的預先優選[14-15]。鑒于不同植被指數在抗飽和能力、降低或消除土壤背景影響等方面各有特點，有必要對RF模型的輸入因子進行優選，以提高RF模型的估算精度。【擬解決的關鍵問題】本研究基于冬小麥4個關鍵生育期（拔節期、挑旗期、開花期及灌漿期）的地面高光譜和LAI實測數據，將相關系數分析（correlation coefficient，）和袋外數據（out-of-bag data，OOB）重要性分析與隨機森林算法（random forest，RF）相結合，構建了||-RF和OOB-RF兩種LAI估算模型，并進行了驗證和對比分析，然后將所建LAI反演模型用于低空無人機獲取的高光譜影像，進一步檢驗所建模型的適用性和可靠性。

1 材料與方法

1.1 試驗設計

本研究于北京市昌平區小湯山國家精準農業示范基地（116.44°E，40.18°N）開展冬小麥試驗，2014年10月上旬播種，2015年6月下旬收獲。研究區屬北溫帶半濕潤大陸性季風氣候，平均海拔約為36 m，年平均氣溫13.3—14.1℃。通過考慮作物品種、施氮水平、水分供給水平等因素，共設置16種不同處理，其中，作物品種為中麥175、京9843；氮素處理為N1：0，N2：91.065 kg N·hm-2，N3：182.13 kg N·hm-2，N4：273.195 kg N·hm-2；水分處理為雨養、正常水和兩倍正常水。每種處理重復3次，共48個小區，每個小區的種植面積為48 m2。其他田間管理按照當地正常水平進行。

1.2 數據獲取

本研究于2015年冬小麥拔節期（4月13日）、挑旗期（4月26日）、開花期（5月14日）及灌漿期（5月25日）4個關鍵生育期分別采集了作物冠層高光譜反射率數據和LAI數據。其中，地面觀測的非成像高光譜數據和LAI數據用于冬小麥LAI估算模型的建立與驗證，其中總樣本量70%用于建模（n=128），剩余30%用于驗證（n=64）；無人機遙感獲取的成像高光譜數據用于進一步分析檢驗所建模型對于無人機低空遙感平臺的適用性和可靠性。

1.2.1 冬小麥LAI測定 在每個試驗小區選取具有代表性的20個冬小麥植株作為樣本，立刻裝入密封袋帶回基地實驗室，將樣本莖葉分離后，利用美國生產的CI-203型激光葉面積儀測定樣本葉片葉面積，然后結合田間群體密度調查數據得到冬小麥冠層葉面積指數。4個生育期共獲取192個冬小麥葉面積指數樣本數據（表1）。

1.2.2 冬小麥冠層高光譜數據獲取 冬小麥地面非成像冠層反射光譜采用美國ASD Field SpecFR Pro 2500光譜輻射儀測定，光譜范圍350—2 500 nm，采樣間隔為1 nm。測量時天氣晴朗，北京時間為10：00—14：00。觀測時探頭始終垂直向下且距離地面約1.0 m，探頭視場角25°。在每個試驗小區選定的具有代表性的冬小麥樣方采集10條記錄，取平均值作為該小區的冠層光譜反射率，每次測量前后均立刻進行標準白板校正。

于2015年4月28日（挑旗期）開展了無人機成像高光譜數據觀測。飛行平臺為RICOPTE（Riegl，Hom，Austria）八旋翼無人機，搭載德國公司生產的UHD185成像光譜儀獲取高光譜影像。UHD185成像光譜儀的光譜范圍為450—950 nm，光譜采樣間隔4 nm，光譜分辨率8 nm，包含125個通道，具有可見-近紅外波段全畫幅高光譜成像的優點。50 m航高下，焦距17 mm的UHD185可同時獲取50×50像素的高光譜影像和1 000×1 000像素的全色影像，即21 cm空間分辨率的高光譜像元和1 cm空間分辨率的灰度像元。無人機高光譜影像處理過程如圖1。

圖1 無人機高光譜影像處理過程

1.3 光譜指數

光譜指數是由不同波段的反射率以一定代數形式組合而成的一種參數[9]，它可削弱環境背景對冠層光譜的干擾，比單波段具有更好的靈敏性。基于重采樣的地面非成像光譜數據，根據前人研究結果，選取文獻中常用的14個LAI光譜估算指數進行分析（表2）。

表2 本文采用的光譜指數

R是光譜反射率。i，j是一定波段范圍內任意兩個波段。重采樣ASD數據沒有與原始ASD高光譜數據對應的波段時，采用最鄰近的波段代替。依據參考文獻[28]，WDRVI中a取0.1

R is spectral reflectance. i and j are arbitrary bands in a certain wavelength range. The resample ASD data is replaced by the nearest neighbor band when there is no band corresponding to the original ASD hyperspectral data. According to [28], the a in WDRVI is 0.1

1.4 數據分析方法

1.4.1 相關系數分析 相關系數是描述兩個具備相關性的數據之間密切程度的指標。本研究中，可以衡量光譜指數與冬小麥LAI之間的相關密切程度，絕對值越接近于1，光譜指數與LAI之間的關系越密切，反之亦然。

1.4.2 袋外數據集重要性分析 隨機森林算法RF是由Breiman[33]于2001年提出，是一個樹型分類器的集合。它通過利用Bootstrap方法，從原始樣本集S中進行k次有放回的簡單隨機抽樣，形成訓練樣本集。在使用Bootstrap對S進行抽樣時，每個樣本未被抽取的概率p為(1-1/n)n。當n足夠大時，p=0.368，表明原始樣本集S中大約37%的樣本不會出現在訓練樣本集中，這些未被抽中的樣本稱為袋外數據（out of bag，OOB）。利用這部分樣本進行模型性能的估計稱為OOB估計，其原理是隨輸入因子的改變會產生估算誤差，RF算法可以給出每個變量的OOB變量的誤差，根據估算誤差計算此輸入因子的重要性，重要性值越大，表明光譜指數對LAI估算越重要。

1.4.3 建模方法 對表2中的14個光譜指數利用隨機森林算法進行LAI回歸分析，將14個光譜指數按照相關性、OOB重要性從大到小進行排序；其次，根據相關性和OOB重要性分析結果，第一次僅用排序第一的光譜指數建模，第二次用排序位于前兩個的光譜指數建模，第n次用排序位于前n個的光譜指數建模(1≤n≤14)；然后，依據調整后的決定系數確定冬小麥LAI估算模型的最佳自變量個數，進而構建兩種冬小麥LAI估算模型||-RF和OOB-RF。本研究基于MATLAB程序代碼進行隨機森林回歸擬合，其中決策樹的數量和分割節點的個數是非常重要的2個參數，本文構建了500棵決策樹，分割變量為3。隨后，利用地面獨立數據集對兩種模型進行驗證；最后，將所建LAI反演模型應用于低空無人機獲取的高光譜影像，開展冬小麥LAI遙感反演和效用檢驗。

1.5 精度驗證

1.5.1 決定系數 決定系數（coefficient of determination，2）被用來表示模擬值與實測值的擬合效果，2越接近于1，表明模型擬合精度越高，其計算公式為：

式中，總離差平方和=，殘差平方和=，y表示測量值，表示測量值的平均值，表示預測值，表示樣本個數。

1.5.2 調整2在多元回歸中，若模型增加一個自變量，即使這個自變量在統計上不顯著，2也會變大。這是因為增加自變量時，會使殘差平方和減少，從而使2變大。因此，在多元回歸中，為避免增加自變量而高估2，通常用調整2(Adj.2)來評價擬合效果，因為調整2同時考慮了樣本量（n）和回歸中自變量的個數（k）的影響，使得調整2的值不會由于回歸中自變量個數的增加而越來越接近于1。其計算公式為：

式中，為自變量的個數。

1.5.3均方根誤差 均方根誤差（root mean square error，）反映了模擬值與實測值的偏離程度，其值越小，表示估算模型的擬合精度越高。其計算公式為：

2 結果

2.1 ASD和UHD 185數據的光譜響應分析

為了將基于地面ASD構建的優選模型應用于無人機高光譜影像上，本研究對ASD光譜數據和無人機搭載的UHD 185數據進行了光譜響應差異分析。對地面ASD光譜數據進行重采樣，對UHD185光譜數據進行標準白板定標，使二者的采樣間隔和光譜分辨率保持一致。由圖2可以看出，兩者呈現高度正相關，2均在0.99以上；由圖3可知，基于兩種光譜計算的兩種植被指數的相關性2均在0.94以上。綜合上述分析，定標后的UHD185和重采樣的ASD在462—830 nm范圍的光譜反射率比較一致，偏差小于1%。

圖2 隨機3個小區的ASD與UHD185在462—830 nm范圍內的光譜反射率相關性分析

圖3 基于ASD與UHD185計算的NDSI和RSI的相關性

2.2 光譜指數與冬小麥LAI相關性分析

利用不同試驗處理下冬小麥拔節期、挑旗期、開花期和灌漿期等多個生育期的光譜指數與LAI數據進行相關性分析，樣本量n=128（表3）。結果表明，本文分析選用的文獻中用于估算LAI的光譜指數均與LAI具有較強的相關性，||均在0.65以上，并且均達到極顯著水平（＜0.01），其中RVI與LAI的相關系數最高，=0.886,相關性最小的是MTVII，相關性為0.666。同時，本文分析了450—950 nm波段范圍內任意兩個波段組合得到的歸一化差值光譜指數NDSI和比值型光譜指數RSI與LAI的相關性（圖4）。結果表明，494 nm與718 nm組合的NDSI（R494，R718）、490 nm與610 nm組合的RSI（R490，R610）與LAI的相關性比較強，相關系數分別為0.854，0.893。

表3 光譜指數與冬小麥LAI相關性分析及排序（n=128）

**表示0.01水平下顯著相關

** represent significant at 0.01 level of probability

2.3 光譜指數與冬小麥LAI的OOB重要性分析

本文利用冬小麥拔節期、挑旗期、開花期和灌漿期數據，對光譜指數和LAI進行OOB重要性分析,重要性越大說明光譜指數在RF建模中發揮的作用越大。由表4可知，重要性大于10的光譜指數有10個，小于10的光譜指數有4個，其中重要性最大的是NDSI（R494，R718），其值為58.683，重要性最小的是MTVII，其值為2.993。與表3結果相比，GRVI、RVI和NDVI的排序發生了較大變化，GRVI從第四變成了第九，RVI從第二變成了第五，NDVI從第九變成了第四，這是由于相關系數主要從每個光譜指數與冬小麥LAI之間是否相關以及相關程度大小的角度考慮，而袋外數據重要性分析則側重輸入每個光譜指數自變量對冬小麥LAI因變量所造成的估算誤差，根據估算誤差計算此光譜指數的重要性。

a：LAI與NDSI（Ri，Rj）的決定系數；b：LAI與RSI（Ri，Rj）的決定系數

表4 光譜指數與冬小麥LAI的OOB重要性分析及排序（n=128）

2.4 冬小麥LAI光譜估算模型|r|-RF和OOB-RF的構建

在上述分析的基礎上，按照||、OOB大小排序依次增加光譜指數的個數作為輸入因子進行RF回歸建模分析，其調整2見圖5。結果表明，||-RF和OOB-RF估算模型的調整2的總體變化趨勢均為先增加后減少。基于||-RF建模，輸入因子為RSI（R490，R610）、RVI、NDSI（R494，R718）、GRVI、WDRVI 5個光譜指數時，建模的調整2最高（圖5-a）。基于OOB-RF建模，輸入因子為RSI（R490，R610）、NDSI（R494，R718）2個光譜指數時，建模的調整2最高（圖5-b）。這表明||-RF模型和OOB-RF模型分別以相關性||前5強、OOB重要性前2強的光譜指數作為自變量時所建模型效果最佳，其建模結果如圖6所示。

2.5 冬小麥LAI光譜估算模型|r|-RF、OOB-RF的驗證

利用不同試驗處理下冬小麥拔節期、挑旗期、開花期和灌漿期等多個生育期的光譜指數與LAI數據（n=64），分別對所建||-RF和OOB-RF估算模型進行驗證，結果如圖7所示。總體上來看，兩種模型的估算精度2均達到0.8以上，相比較而言，OOB-RF模型的估算精度更高，且OOB-RF模型僅需要兩個自變量輸入，比||-RF模型的輸入自變量個數（即5個）要少，更適于應用。

為了對OOB-RF模型進一步評價，本文還采用支持向量機（support vector machine，SVM）與之對比分析，發現||-SVM模型以相關性從大到小排序前7的光譜指數作為自變量建模時效果最佳，OOB-SVM模型采用重要性從大到小排序前6的光譜指數作為自變量建模時效果最佳，并且二者的驗證精度分別為2=0.746、=0.744（圖8-a）和2=0.821、=0.585（圖8-b）。綜合上述分析，OOB-RF模型的估算精度更高，且需要的自變量最少。

a：|r|-RF模型 |r|-RF model；b：OOB-RF模型 OOB-RF model

a：|r|-RF模型 |r|-RF model；b：OOB-RF模型 OOB-RF model

a：|r|-RF模型 |r|-RF model；b：OOB-RF模型 OOB-RF model

2.6 基于OOB-RF模型和無人機高光譜影像的冬小麥LAI反演

在上述研究的基礎上，本文進而利用OOB-RF模型和挑旗期無人機高光譜影像開展了冬小麥LAI遙感監測（圖9）。同時利用地面同步采集的實測數據進行了精度檢驗，每個小區LAI地面實測值與無人機高光譜遙感估算值的擬合關系如圖10。無人機遙感監測的冬小麥LAI值（1.02—6.41）與地面實測值（1.29—6.81）比較一致，決定系數2為0.761為0.320，精度較高，表明利用OOB-RF模型可用于低空無人機高光譜遙感影像提取冬小麥LAI信息。

3 討論

傳統的統計分析方法大多基于單一植被指數構建作物LAI估算模型，但單一植被指數所包含的信息易存在飽和現象[6]，而選用過多的植被指數則有可能產生過擬合現象[34]。隨機森林算法是一種統計學習方法，對數據集的適應能力強，相對其他算法有著很大的優勢，它具有很好的抗噪性能和極強的擬合能力但不會產生過擬合現象[33]。但是，大多研究者利用隨機森林算法進行作物參數反演時，直接將各種植被指數作為輸入因子，缺乏對輸入因子進行預先優選[14-15]。鑒于不同植被指數在抗飽和能力、降低或消除土壤背景影響等方面各有特點，因此，將相關系數分析和袋外數據重要性分析與隨機森林算法相結合，優選模型輸入光譜指數并確定最佳自變量個數顯得尤為重要。本文||-RF模型以相關性從大到小排序前5強的光譜指數作為自變量建模時效果最佳，OOB-RF模型采用重要性從大到小排序前2強的光譜指數作為自變量建模時效果最佳，并且OOB-RF模型精度高于||-RF模型。通過與支持向量機（SVM）對比分析，發現OOB-RF模型的估算精度更高，且需要的自變量較少，這得益于RF算法引入了兩個隨機性（一個隨機性是指每棵樹的每個節點是隨機產生的，另一個隨機性是指每個節點的分割變量是由隨機選取的少數變量產生的），使其具有較強的容噪能力，也不易產生過度擬合現象；而SVR算法的核心問題是確定核函數和相關參數，由于存在核函數和懲罰因子等參數選擇的問題，其應用受到了一定限制[12, 35]。本研究構建的LAI估算模型精度高于傳統回歸模型法[8-10]的精度，原因可能在于隨機森林算法是基于統計學的機器學習算法，具有容噪能力強、處理大數據集效率高、不易過度擬合、對結果具有可解釋性等優點，適合解決LAI反演問題。對于BP神經網絡方法而言，該方法較傳統回歸模型法在進行冬小麥LAI反演時，雖然模型的反演精度有了大幅提高，但還存在一些不足。比如反演時需要大樣本訓練集（一般認為樣本數n＞50即為大樣本訓練集），且極易出現過度擬合問題；另外，計算量很大，導致其應用能力受限[11, 36]。本文構建的LAI估算模型精度較高，這是由于不同植被指數各有特點，預先進行RF模型輸入因子的優選，有助于提高RF模型的估算精度，這與岳繼博等[37]的研究結果一致。

a：|r|-SVM模型 |r|-SVM model；b：OOB-SVM模型 OOB-SVM model

圖9 基于無人機影像的冬小麥挑旗期LAI分布圖

圖10 基于無人機影像的冬小麥LAI預測值與實測值關系

本文進一步將所構建的OOB-RF模型應用于無人機遙感平臺。與地面驗證結果（圖7-b）相比，無人機平臺估算精度（圖10）稍有降低，原因可能有以下幾個方面。首先，OOB-RF模型是基于地面ASD光譜數據建立的，盡管本文和前人[38-39]研究均表明無人機搭載UHD185與地面ASD所測的光譜反射率比較一致，且已有文獻把基于地面ASD構建的模型應用于無人機影像上[40]，但二者之間差異還可能會對無人機平臺驗證精度產生影響；其次，地面ASD觀測范圍較小（1 m×1 m代表性樣方內），且與LAI采樣數據匹配性較強，而無人機遙感監測的LAI值是整個試驗小區的均值，鑒于同一小區作物不那么絕對均勻一致，也會影響無人機遙感平臺的驗證精度；另外，無人機飛行試驗(4月28日)與地面測量（4月26日）存在時間差，也會對模型驗證精度產生影響。不過，整體來講，基于無人機遙感平臺估算的冬小麥LAI精度較高，這表明本文所構建的OOB-RF模型精度和適用性較強，可基于低空無人機高光譜影像提取高精度的冬小麥LAI信息。

4 結論

本研究基于不同試驗處理（品種、氮肥、水分供給等）、不同生育期（拔節期、挑旗期、開花期、灌漿期等）的冬小麥冠層光譜和LAI數據，將隨機森林算法與相關性分析、袋外數據重要性分析相結合，構建了冬小麥LAI遙感估算模型。結果表明，||-RF、OOB-RF模型分別采用按照相關性和重要性優選的5個和2個光譜指數作為自變量時模型效果最佳。利用獨立數據集對兩種LAI估算模型進行了驗證，||-RF、OOB-RF模型驗證決定系數（2）分別為0.805、0.899，均方根誤差（）分別為0.431、0.307，表明OOB-RF模型的估算精度更高一些；與文獻已有模型方法相比，亦具有較好的精度。在此基礎上，本文進而基于無人機高光譜影像數據，利用OOB-RF模型提取了試驗區冬小麥挑旗期的LAI，估算值與地面實測值比較一致，二者擬合方程的決定系數2為0.761，為0.320，估算值范圍（1.02—6.41）與地面實際情況（1.29—6.81）亦比較相符，表明本文所建的OOB-RF冬小麥LAI估算模型的精度和適用性較強，可用于低空無人機高光譜遙感平臺獲取高精度的作物LAI信息。

[1] 賀佳, 劉冰鋒, 李軍. 不同生育時期冬小麥葉面積指數高光譜遙感監測模型. 農業工程學報, 2014, 30(24): 141-150.

He J, Liu B F, Li J. Monitoring model of leaf area index of winter wheat based on hyperspectral reflectance at different growth stages., 2014, 30(24): 141-150. (in Chinese)

[2] Jin X L, Yang G J, Xu X G, Yang H, Feng H K, Li Z H, Shen J X, Lan Y B, Zhao C C. Combined multi-temporal optical and radar parameters for estimating LAI and biomass in winter wheat using HJ and RADARSAR-2 data., 2015, 7(10): 13251-13272.

[3] Vina A, Gitelson A A, Nguyrobertson A L, Peng Y. Comparison of different vegetation indices for the remote assessment of green leaf area index of crops., 2011, 115(12): 468-3478.

[4] 趙春江. 精準農業研究與實踐. 北京: 科學出版社, 2009.

ZHAO C J.. Beijing: Science Press, 2009. (in Chinese)

[5] 王紀華, 趙春江, 黃文江. 農業定量遙感基礎與應用. 北京: 科學出版社, 2008.

WANG J H, ZHAO C J, HUANG W J.. Beijing: Science Press, 2008. (in Chinese )

[6] 宋開山, 張柏, 王宗明, 張淵智, 劉煥軍. 基于人工神經網絡的大豆葉面積高光譜反演研究. 中國農業科學, 2006, 39(6): 1138-1145.

SONG K S, ZHANG B, WANG Z M, ZHANG Y Z, LIU H J. Soybean LAI estimation with in-situ collected hyperspectral data based on BP-neural networks., 2006, 39(6): 1138-1145. (in Chinese)

[7] GITELSON A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation., 2004, 161(2): 165-173.

[8] 李鑫川, 徐新剛, 鮑艷松, 黃文江, 羅菊花, 董瑩瑩, 宋曉宇, 王紀華. 基于分段方式選擇敏感植被指數的冬小麥葉面積指數遙感反演. 中國農業科學, 2012, 45(17): 3486-3496.

LI X C, XU X G, BAO Y S, HUANG W J, LUO J H, DONG Y Y, SONG X Y, WANG J H. Retrieving LAI of winter wheat based on sensitive vegetation index by the segmentation method., 2012, 45(17): 3486-3496. (in Chinese )

[9] LIANG L, DI L P, ZHANG L P, DENG M X, QIN Z H, ZHAO S H, LIN H. Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method., 2015, 165: 123-134.

[10] LIU J G, PATTEY E, JEGO G. Assessment of vegetation indices for regional crop green LAI estimation from Landsat images over multiple growing seasons., 2012, 123(3): 347-358.

[11] 夏天, 吳文斌, 周清波, 周勇.冬小麥葉面積指數高光譜遙感反演方法對比. 農業工程學報, 2013, 29(3): 139-147.

XIA T, WU W B, ZHOU Q B, ZHOU Y. Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing., 2013, 29(3): 139-147. (in Chinese)

[12] 謝巧云, 黃文江, 梁棟, 彭代亮, 黃林生, 宋曉宇, 張東彥, 楊貴軍. 最小二乘支持向量機方法對冬小麥葉面積指數反演的普適性研究.光譜學與光譜分析, 2014, 34(2): 489-493.

XIE Q Y, HUANG W J, LIANG D, PENG D L, HUANG L S, SONG X Y, ZHANG D Y, YANG G J. Research on universality of least squares support vector machine method for estimating leaf area index of winter wheat., 2014, 34(2): 489-493. (in Chinese)

[13] 梁棟, 管青松, 黃文江, 黃林生, 楊貴軍. 基于支持向量機回歸的冬小麥葉面積指數遙感反演. 農業工程學報, 2013, 29(7): 117-123.

LIANG D, GUAN Q S, HUANG W J, HUANG L S, YANG G J. Remote sensing inversion of leaf area index based on support vector machine regression in winter wheat., 2013, 29(7): 117-123. (in Chinese)

[14] 韓兆迎, 朱西存, 房賢一, 王卓遠, 王凌, 趙庚星, 姜遠茂. 基于SVM與RF的蘋果樹冠LAI高光譜估測. 光譜學與光譜分析, 2016, 36(3): 800-805.

HAN Z Y, ZHU X C, FANG X Y, WANG Z Y, WANG L, ZHAO G X, JIANG Y M. Hyperspectral estimation of apple tree canopy LAI based on SVM and RF regression., 2016, 36(3): 800-805. (in Chinese)

[15] 李粉玲, 王力, 劉京, 常慶瑞.基于高分一號衛星數據的冬小麥葉片SPAD值遙感估算. 農業機械學報, 2015, 46(9): 273-281.

LI F L, WANG L, LIU J, CHANG Q R. Remote sensing estimation of SPAD value for wheat leaf based on GF-1 data., 2015, 46(9): 273-281. (in Chinese)

[16] PENUELAS J, ISLA R, FILELLA I, ARAUS J L. Visible and near-infrared reflectance assessment of salinity effects on barley., 1997, 37(1): 198-202.

[17] HATFIELD J L, KANEMASU E T, ASRAR G, JACKSON R D, PINTER P J, REGINATO R J, IDSO S B. Leaf area estimates from spectral measurements over various planting dates of wheat., 1985, 6(1): 167-175.

[18] SHIBAYAMA M T, AKIYAMA T. Seasonal visible, near-infrared and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry phytomass., 1989, 27(2): 119-127.

[19] RONDEAUX G, STEVEN M, BARET F. Optimization of soil- adjusted vegetation indices., 1996, 55(2): 95-107.

[20] BARET F, GUVOT G. Potentials and limits of vegetation indices for LAI and APAR assessment., 1991, 35(2): 161-173.

[21] GITELSON A A, KAUFMAN Y, MERZLYAK M N. Use of green channel in remote of sensing global vegetation from EOS-MODIS., 1996, 58(3): 289-298.

[22] QI J, CHEHBOUNI A, HUETE A R, KERR Y H, SOROOSHIAN S. A modified soil adjusted vegetation index., 1994, 48(2): 119-126.

[23] GITELSON A A, MERZLYAK M N. Spectral reflectance changes associated with autumn senescence ofL. andL. leaves. Spectral features and relation to chlorophyll estimation., 1994, 143(3): 286-292.

[24] HABOUDANE D, MILLER J R, PATTEY E, ZARCOTEJADA P J, STRACHAN L B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture., 2004, 90(3): 337-352.

[25] BROGE N H, LEBLANC E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density., 2001, 76(2): 156-172.

[26] HUETE A R, JUSTICE C, LIU H. Development of vegetation and soil indices for MODIS-EOS., 1994, 49(3): 224-234.

[27] LI F, MISTELE B, HU Y, CHEN X, SCHMIDHALTER U. Comparing hyperspectral index optimization algorithms to estimate aerial N uptake using multi-temporal winter wheat datasets from contrasting climatic and geographic zones in China and Germany., 2013, 180(8): 44-57.

[28] TANAKA S, KAWAMURA K, MAKI M, MURAMOTO Y, YOSHIDA K, AKIYAMA T. Spectral index for quantifying leaf area index of winter wheat by field hyperspectral measurements: A case study in Gifu prefecture, Central Japan., 2015, 7(5): 5329-5346.

[29] 任哲, 陳懷亮, 王連喜, 李穎, 李琪.利用交叉驗證的小麥LAI反演模型研究. 國土資源遙感, 2015, 27(4): 34-40.

REN Z, CHEN H L, WANG L X, LI Y, LI Q. Research on inversion model of wheat LAI using cross-validation., 2015, 27(4): 34-40. (in Chinese)

[30] LELONG C, BURGER P, JUBELIN G, ROUX B, LABBE S, BARET F. Assessment of unmanned aerial vehicles imagery for quantitative monitoring of wheat crop in small plots., 2008, 8(5): 3557-3585.

[31] POTITHEP S, NAGAI S, NASAHARA K, SUZUKI R. Two separate periods of the LAI-VIs relationships using in situ measurements in a deciduous broadleaf forest., 2013, 169(5): 148-155.

[32] INOUE Y, GUERIF M, BARET F, SKIDMORE A K, GITELSON A A, SCHLERF M, DARVISHZADEH R, OLIOSO A. Simple and robust methods for remote sensing of canopy chlorophyll content: A comparative analysis of hyperspectral data for different types of vegetation., 2016, 39(3): 2609-2623.

[33] BREIMAN L. Random forests., 2001, 45(1): 5-32.

[34] 楊福芹, 馮海寬, 李振海, 高林, 楊貴軍, 戴華陽. 基于赤池信息量準則的冬小麥葉面積指數高光譜估測. 農業工程學報, 2016, 32(3): 163-168.

YANG F Q, FENG H K, LI Z H, GAO L, YANG G J, DAI H Y. Hyperspectral estimation of leaf area index for winter wheat based on Akaike’s information criterion., 2016, 32(3): 163-168. (in Chinese)

[35] 王麗愛, 馬昌, 周旭東, 訾妍, 朱新開, 郭文善.基于隨機森林回歸算法的小麥葉片SPAD值遙感估算. 農業機械學報, 2015, 46(1): 259-265.

WANG L A, MA C, ZHOU X D, ZI Y, ZHU X K, GUO W S. Estimation of wheat leaf SPAD value using RF algorithmic model and remote sensing data., 2015, 46(1): 259-265. (in Chinese)

[36] GONG P, WANG D X, LIANG S. Inverting a canopy reflectance model using a neural network., 1999, 20(1): 111-122.

[37] 岳繼博, 楊貴軍, 馮海寬. 基于隨機森林算法的冬小麥生物量遙感估算模型對比. 農業工程學報, 2016, 32(18): 175-182.

YUE J B, YANG G J, FENG H K. Comparative of remote sensing estimation models of winter wheat biomass based on random forest algorithm., 2016, 32(18): 175-182. (in Chinese)

[38] AASEN H, BURKART A, BOLTEN A. Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance., 2015, 108(5): 245-259.

[39] YUE J B, YANG G J, LI C C, LI Z H, WANG Y J, FENG H K, XU B. Estimation of winter wheat above-ground biomass using unmanned aerial vehicle-based snapshot hyperspectral sensor and crop height improved models., 2017, 9(7): 708-727.

[40] 秦占飛, 常慶瑞, 謝寶妮, 申健. 基于無人機高光譜影像的引黃灌區水稻葉片全氮含量估測. 農業工程學報, 2016, 32(23): 77-85.

QIN Z F, CHANG Q R, XIE B N, SHEN J. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district., 2016, 32(23): 77-85. (in Chinese)

（責任編輯 楊鑫浩）

Remote Sensing Inversion of Leaf Area Index of Winter Wheat Based on Random Forest Algorithm

Zhang ChunLan1,2,3,4, Yang GuiJun2,3,4, Li HeLi2,3,4, Tang FuQuan1, Liu Chang1,2,3,4, Zhang LiYan2,3,4

(1College of Geomatics, Xi'an University of Science and Technology, Xi'an 710054;2National Engineering Research Center for Information Technology in Agriculture, Beijing 100097;3Key Laboratory of Agri-informatics, Ministry of Agriculture, Beijing 100097;4Beijing Engineering Research Center of Agricultural Internet of Things, Beijing 100097)

【Objective】The objective of this study is to quickly and precisely monitor the growth of winter wheat by inversion of leaf area index (LAI) using random forest algorithm. Thus it could provide a guideline in crop management and mitigation, high and stable yield, agricultural insurance claims, etc.【Method】In this study, field data of canopy reflectance and LAI of winter wheat of four critical growth stages (i.e., jointing period, flag leaf period, flowering period and filling period), were collected under different treatments. The correlation coefficient () analysis and the importance analysis of out-of-bag data (OOB) were combined with the random forest algorithm (RF) to determine the more suitable spectral indices and the optimal number of variables for inputs, and then two LAI inversion models (|| -RF, OOB-RF) were constructed and validated with independent data-sets. Further, the proposed LAI inversion model was applied to the (unmanned aerial vehicle) UAV remote sensing platform to evaluate its performance and reliability for monitoring LAI of winter wheat.【Result】The results showed that the best accuracy of ||-RF and OOB-RF inversion models was achieved when the top five spectral indices in the correlation and the top two spectral indices in the importance were used as input variables, respectively. The coefficients of determination (2) of ||-RF and OOB-RF models during LAI validation were 0.805 and 0.899, and theroot mean square errors () were 0.431 and 0.307, respectively, which indicated that both ||-RF and OOB-RF models could well estimate LAI of winter wheat, while the accuracy of the latter was much higher. The retrieved LAI from the UAV hyperspectral images using the OOB-RF model was in well agreement with the ground measured values, with2=0.761,=0.320, and the range of estimated values (i.e., 1.02-6.41) also consistent with that actually measured (i.e., 1.29-6.81).【Conclusion】The OOB-RF model constructed in this study not only has high retrieval accuracy, but also can be used to extract high-precision winter wheat LAI information from UAV hyperspectral remote sensing platform.

unmanned aerial vehicle (UAV); hyperspectral; leaf area index (LAI); random forest algorithm; winter wheat

2017-07-20；

2017-11-24

國家重點研發計劃（2016YFD0200600，2016YFD0200603）、國家自然科學基金（41671411，41471351）

張春蘭，E-mail：1964362790@qq.com。

李賀麗，E-mail：lhl237666@126.com