基于全局敏感性分析与机器学习的冬小麦叶面积指数估算

作者：郭晗; 陆洲^*; 徐飞飞; 罗明; 张序^*

来源：浙江农业学报, 2022, 34(09): 2020-2031.

• 全局敏感性分析
• 机器学习
• 小麦
• 叶面积指数

在小麦叶面积指数(leaf area index, LAI)的估算过程中，光谱变量与机器学习算法(MLs)相结合的方法具有较好的性能，但由于输入参数过多会导致数据冗余，使得计算效率降低。为了提高LAI估算的精度和MLs的计算效率，本研究提出了全局敏感性分析(global sensitivity analysis, GSA)与MLs相结合的方法(简称GSA-MLs)。首先，基于PROSAIL模拟数据集，利用GSA量化植被生长参数对Sentinel-2光谱变量的影响；此外利用4种变量筛选策略对所有光谱变量进行排序，并选择最优变量作为MLs的输入参数。然后，通过偏最小二乘回归(partial least square regression, PLSR)、支持向量机(support vector machine, SVM)和随机森林(random forest, RF)3种MLs对小麦叶面积指数(LAI)进行估算。结果表明：红边植被指数主要受叶绿素含量的影响，而短波红外相关的植被指数主要受等效水厚度的影响，所有光谱变量均会受到参数之间的交互作用。SLAI-SInteraction筛选得到的30个光谱变量在估算小麦LAI表现最佳(R2=0.94,RMSE=0.38)。并且在模型反演过程中运行时间缩短了54.13%。本研究提出了全局敏感性分析与机器学习相结合的方法，该方法提高了机器学习法估算LAI精度以及应用过程中的计算效率和机理性，该方法有较好的适用性。

• 单位
  环境科学与工程学院; 苏州科技大学; 中国科学院地理科学与资源研究所