Spiking-Hybrid方法与机器学习结合的冬小麦LAI反演

【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 Regression,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PROSAIL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,Spiking-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。