利用Stacking集成学习估算柑橘叶片氮含量

准确估算柑橘叶片氮含量对于科学合理的施肥具有重要的指导作用,该研究利用Landsat8OLI卫星遥感影像和地面采样实测数据,以K-近邻(K-Nearest Neighbors,KNN),随机森林(Random Forest,RF)和自适应增强(Adaptive boosting,Adaboost)模型为基础,构建Stacking集成学习框架,实现对柑橘叶片氮含量(Leaf Nitrogen Content,LNC)的估算。首先分析不同氮含量下的光谱反射特征,构建植被指数(Vegetation Indices,VIs)并计算其与柑橘LNC的相关系数;接着利用格网搜索、交叉验证训练模型,最后将Stacking模型与包括Bagging(Bootstrap Aggregating,Bagging)、人工神经网络(Artificial Neural Network,ANN)在内的多个经典机器学习模型试验结果进行对比分析,并生成柑橘果园的氮含量分布图。结果表明:1)构建的光谱指数与LNC具有较好的相关性,大部分指数相关系数在0.55以上;2)相比KNN、RF、Adaboost等多个单一模型,Stacking模型的估算效果最佳,决定系数达到0.761,均方根误差为1.366 g/kg,平均绝对百分比误差为3.494%;同时,Stacking模型的赤池信息准则(Akaike Information Criterion,AIC)值最低,是观测期内LNC估算的最优模型;3)研究区内LNC值整体上处于30.5～31.5 g/kg左右,接近柑橘种植的理想区间,模型估算与实测值趋于一致。总体上,该研究采用的光谱特征能够有效表征柑橘冠层叶片氮含量,并证明Stacking集成学习能综合多个基模型的优点,提高模型的准确性,为利用卫星遥感展开作物参数估算提供新的思路。     

水体强反光环境中无人机多光谱影像的辐射一致性校正

为了提高水体强反光干扰的遥感影像信息提取准确度,该研究以柑橘树冠营养元素水平检测而采集的无人机多光谱影像为对象,对水体强反光造成的相同地物在不同影像上辐射信息不一致现象进行校正,从而提高营养元素水平检测的精度。首先对影像进行暗角校正,然后利用直方图对比度拉伸辅助SIFT（Scale invariant feature transform,SIFT）算法匹配出同名点,根据同名点的DN（Digital number,DN）值,利用RANSAC（Random sample consensus,RANSAC）构建校正模型对影像做相对辐射校正,并进行双边滤波去除噪声,最后经过辐射定标将影像DN值转化为反射率完成辐射一致性校正。为验证校正精度,选择蓝、绿、红、红边和近红外波段反射率以及GNDVI（Green normalized difference vegetation Index,GNDVI）的平均绝对误差（Mean absolute error,MAE）作为评价指标。试验结果表明,和直方图匹配相比,采用本文方法蓝、绿、红、红边和近红外波段校正后反射率的MAE分别为0.2%、0.5%、0.6%、1.7%和1.2%,GNDVI的MAE为0.3%,有效解决了水体反光造成的光谱失真问题,提高了受水体反光影响的遥感图像利用率,可为后续柑橘树冠营养元素估测提供精确的遥感数据保障。