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Landsat8 OLI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。