文献类型： 中文期刊

作者： 李平平 ¹ ; 王夏军 ¹ ; 王来刚 ² ; 杨贵军 ³ ; 马园园 ³ ; 孙贺光 ³ ; 郑淳恺 ³ ; 宋晓宇 ³ ;

作者机构： 1.湖北大学资源环境学院

2.河南省农业科学院农业信息技术研究中心

3.北京市农林科学院信息技术研究中心

关键词： 小麦;高光谱;Spiking-Hybrid方法;PROSAIL;少样本

期刊名称： 中国农业信息

ISSN： 1672-0423

年卷期： 2024 年 36 卷 003 期

页码： 29-44

摘要： [目的]准确地反演叶面积指数(Leaf Area Index,LAI)对小麦生长诊断和管理调控具有重要意义.目前机器学习方法被广泛应用于作物参数反演,但农业领域原始数据获取成本高,机器学习模型在LAI反演中面临训练数据不足、过拟合等问题.[方法]文章基于遥感辐射传输PROSAIL模型模拟数据结合实测数据,采用Spiking-Hybrid方法构建混合样本集,再利用随机森林(Random Forest,RF)和偏最小二乘回归(Partial Least Squares Regres-sion,PLSR)机器学习算法来反演叶面积指数.将Spiking-Hybrid方法与数值优化的PRO-SAIL反演方法、传统混合方法和经验机器学习方法等3种常用的植被性状估计方法进行对比分析.[结果]Spiking-Hybrid方法在不同小麦生育期的LAI反演中展现出优于其他方法的效果,即使选择不同条数、不同生长地域的实测抽样样本,Spiking-Hybrid方法一直表现出更好的准确度和稳健性.当抽取实测样本为40~60条时模型精度最高,在挑旗期使用60份样本时达到了最佳测试精度(R2=0.85,RMSE=0.78).[结论]当实测样本十分有限时,Spik-ing-Hybrid 方法比基于模拟数据的机器学习算法具有更好的反演精度,并且Spiking-Hybrid方法在极少的实测样本量时也能发挥很好的作用.