农业遥感 | 基于GF-1 WFV影像和机器学习算法的玉米叶面积指数估算
往期精选
导语
还在试图寻找突破传统经验模型，高效快速的LAI遥感估算方法吗？想要了解机器学习算法在遥感领域的应用现状吗？大数据机器学习算法加高分辨遥感影像为你提供新思路、新视野。
题目：基于GF-1 WFV影像和机器学习算法的玉米叶面积指数估算
作者：贾洁琼,刘万青,孟庆岩,孙云晓,孙震辉
来源：《中国图象图形学报》2018年第5期
DOI：10.11834/jig.170434
原文链接：
本文亮点
机器学习算法通过相关数据拟合一个灵活的模型，具有很好的非线性拟合能力，能够提高模型的稳定性及估测精度，是玉米LAI估算的重要手段。
国内关于随机森林算法估算玉米LAI的研究还鲜有报道。本文分析了随机森林和BP神经网络算法估算玉米LAI的能力，对机器学习算法在玉米LAI遥感估算中的适用性进行了评价。
专家推荐
本文利用两种机器学习算法（RF随机森林算法和BP神经网络算法）进行玉米LAI估算研究，实验结果表明，随机森林算法能够取得更好的估算结果。
机器学习算法相对经验回归方法可以提高玉米LAI遥感估算精度，为农作物LAI遥感监测提供了技术参考。
方法实现
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R2和均方根误差（RMSE）作为模型评价指标。
结果结论
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，实验结果表明，RF模型表现出了较强的预测能力，LAI预测值与实测值R2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）。
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。
作者简介
第一作者
贾洁琼
女，硕士研究生，西北大学，主要从事植被参量遥感反演，农业遥感研究；Email：1025125747@qq.com
通信作者
孟庆岩
男，研究员，博士生导师，中国科学院遥感与数字地球研究所，主要从事陆表环境遥感以及地震红外遥感研究；Email：mengqy@radi.ac.cn
引用格式
Jia J Q, Liu W Q, Meng Q Y, et al.Estimation of maize leaf area index based on GF-1 WFV image and machine learning random algorithm[J].Journal of Image and Graphics,2018,23(5):719-729.
贾洁琼,刘万青,孟庆岩,等.基于GF-1 WFV影像和机器学习算法的玉米叶面积指数估算[J].中国图象图象学报,2018,23(5):719-729.
DOI：10.11834/jig.170434
前沿丨观点丨咨讯丨独家
扫描下方二维码 关注学报公众号
中国图象图形学报 | 订阅号
相关内容
微信扫码咨询专知VIP会员