基于无人机影像的沙棘树高提取及叶面积指数反演方法比较

作者：焦亚辉; 颜安^*; 赵英; 聂松伟; 杨利; 郭涛

来源：新疆农业大学学报, 2020, 43(04): 241-251.

• 叶面积指数
• 树高
• 无人机
• 沙棘
• 局部最大值
• BP神经网络
• 支持向量机
• 随机森林

为利用无人机可见光影像获取高精度沙棘树高与叶面积指数(Leaf area index,LAI),实现实时无损动态监测。以新疆乌什县野生沙棘林为研究对象,通过构建冠层高度模型(Canopy Height Model,CHM)利用局部最大值法提取沙棘树高,依据拼接的高清数字正射影像,提取出11种植被指数,采用多元线性回归(Multiple linear regression,MLR)、BP神经网络(Back propagation neural network,BPNN)、支持向量机(Support vector machine,SVM)、随机森林(Random forest,RF)算法与实测叶面积指数构建沙棘LAI反演模型,通过决定系数(R2)和均方根误差(RMSE)评价模型精度,确定最优的反演模型,并探讨主成分分析预处理对各算法构建的模型反演精度的影响。结果表明:(1)局部最大值法提取沙棘树高,估测值与实测值之间决定系数R2为0.9,均方根误差RMSE为0.24m,这说明局部最大值法预测沙棘株高是可行的;(2)以树高和11种植被指数为数据源,各算法构建的沙棘LAI反演模型精度RF>BPNN>SVM>MLR。以树高和11种植被指数主成分分析结果为数据源,各算法构建的模型精度SVM>BPNN>RF>MLR,其中核函数为RBF和Learn的SVM模型主成分分析预处理对模型稳定性和精度提高有明显的促进作用。(3)输入因子为树高和11种植被指数,子树数目为4的RF沙棘LAI反演模型模型最优精度最高。建模集决定系数R2=0.82,均方根误差RMSE=0.15,验证集决定系数R2=0.78,均方根误差RMSE=0.21,这说明运用11种植被指数构建LAI反演模型是可行的。该研究为深入研究沙棘树高提取和叶面积指数反演研究提供方法参考和数据支撑。

• 单位
  新疆农业大学; 新疆林业科学院