基于隨機森林模型的林地葉面積指數(shù)遙感估算

姚 雄 余坤勇 楊玉潔 曾 琪 陳樟昊 劉 健

(1.福建農(nóng)林大學3S技術(shù)與資源優(yōu)化利用福建省高校重點實驗室， 福州 350002; 2.福建農(nóng)林大學林學院， 福州 350002)

基于隨機森林模型的林地葉面積指數(shù)遙感估算

姚 雄1,2余坤勇1,2楊玉潔2曾 琪2陳樟昊2劉 健1,2

(1.福建農(nóng)林大學3S技術(shù)與資源優(yōu)化利用福建省高校重點實驗室， 福州 350002; 2.福建農(nóng)林大學林學院， 福州 350002)

林地葉面積指數(shù)(Leaf area index，LAI)的準確估測是精準林業(yè)的重要體現(xiàn)。為了快速、準確、無損監(jiān)測林地LAI，利用LAI-2200型植物冠層分析儀獲取福建省西部森林樣地的LAI數(shù)據(jù)，結(jié)合同期Pleiades衛(wèi)星影像計算12種遙感植被指數(shù)，分析了各樣地實測LAI數(shù)據(jù)和相應(yīng)植被指數(shù)的相關(guān)性，進而使用隨機森林(RF)算法構(gòu)建了林地LAI估算模型，以支持向量回歸(SVR)模型和反向傳播神經(jīng)網(wǎng)絡(luò)(BP)模型作為參比模型，以決定系數(shù)(R2)、均方根誤差(RMSE)、平均相對誤差(MAE)和相對分析誤差(RPD)為指標評價并比較了模型預測精度。結(jié)果表明：全樣本數(shù)據(jù)中，各植被指數(shù)與對應(yīng)LAI值均呈極顯著相關(guān)(P<0.01)，且相關(guān)系數(shù)都大于0.4；RF模型在3次不同樣本組中的預測精度均高于同期的SVR模型和BP模型；3個樣本組中RF模型的LAI估測值與實測值的R2分別為0.688、0.796和0.707，RPD分別為1.653、1.984和1.731，均高于同期SVR模型和BP模型，對應(yīng)的RMSE分別為0.509、0.658和0.696，MAE分別為0.417、0.414和0.466，均低于同期其他2種模型。

林地； 葉面積指數(shù)； 遙感反演； 隨機森林模型； 支持向量回歸模型； 反向傳播神經(jīng)網(wǎng)絡(luò)模型

引言

葉面積指數(shù)(Leaf area index，LAI)指單位水平地面面積上所有綠葉面積總和的一半[1]，是表征森林冠層結(jié)構(gòu)的重要參數(shù)，與森林植被的光合、蒸騰、降水截留、碳氮循環(huán)等生態(tài)過程密切相關(guān)，同時LAI也是水文、生態(tài)、氣候等模型的重要輸入?yún)?shù)[2-4]。因此，快速和準確地估測林地LAI，對森林生態(tài)系統(tǒng)乃至全球碳循環(huán)的研究都具有重要意義。

目前，林地LAI的測量方法可以分為直接和間接測量兩大類。直接測量法技術(shù)成熟，結(jié)果最為準確，但由于葉片樣品需破壞性采集，費時費力，而且葉片樣品不一定具有代表性，因此該方法僅適用于小范圍區(qū)域[5]。而耦合遙感數(shù)據(jù)與地面光學儀器實測數(shù)據(jù)的林地LAI間接測量法具有破壞性小或無破壞性、測量迅速簡便、經(jīng)濟高效等特點，是快速估測大范圍林地LAI的唯一途徑[6-7]。遙感估算LAI的方法大致可分為經(jīng)驗統(tǒng)計模型、物理模型、機器學習模型。經(jīng)驗統(tǒng)計模型通過光譜數(shù)據(jù)或表征光譜屬性的光譜指數(shù)與地面實測LAI之間的統(tǒng)計關(guān)系來估算LAI[8-9]，模型計算簡單且易于實現(xiàn)，但模型的普適性較差。物理模型具有很強的物理理論基礎(chǔ)，不因背景環(huán)境或植被類型的變化而變化，因此該類模型具有較好的普適性[10-11]，但模型涉及參數(shù)較多，存在解的不唯一性，而且模型運算時間過長。機器學習模型通過樣本數(shù)據(jù)的不斷訓練以使目標最優(yōu)化，它具有很強的非線性擬合能力[12-13]，是估算林地LAI的重要手段。

已有眾多學者采用機器學習模型進行LAI的遙感估算：王麗愛等[14]基于中國自主研制的環(huán)境與災(zāi)害監(jiān)測預報衛(wèi)星HJ-CCD數(shù)據(jù)，采用多核支持向量回歸算法建立了小麥不同生育期LAI的遙感估算模型；王修信等[15]使用Landsat數(shù)據(jù)，構(gòu)建了基于最優(yōu)多植被指數(shù)組合的神經(jīng)網(wǎng)絡(luò)模型反演復雜地形水源林LAI的空間變化；韓兆迎等[16]分別采用隨機森林算法和支持向量機算法構(gòu)建了蘋果樹冠層反射率與實測LAI之間關(guān)系，通過模型比對檢驗，指出隨機森林回歸模型的預測精度高于支持向量機。盡管這些學者利用機器學習模型估測LAI的研究都取得了相應(yīng)的成果，但迄今為止，國內(nèi)外關(guān)于隨機森林模型在LAI遙感監(jiān)測預報方面的應(yīng)用還鮮有報道[16]，尚無該模型在林地LAI遙感估測中的相關(guān)研究。為此，本研究選擇福建省長汀縣河田鎮(zhèn)為研究區(qū)域，使用隨機森林模型構(gòu)建基于遙感植被指數(shù)的林地LAI遙感估算模型，并與支持向量機模型和神經(jīng)網(wǎng)絡(luò)模型進行反演精度比較，判斷隨機森林模型在林地LAI遙感估測中的適用性。

1 材料與方法

1.1 研究區(qū)概況

福建省長汀縣河田鎮(zhèn)位于福建西部，地處武夷山脈南段(25°33′～25°48′N、116°18′～116°31′E)，屬中亞熱帶季風氣候。境內(nèi)氣候溫和，水熱資源豐富，年平均氣溫17.5～18.8℃，極端最高氣溫39.8℃，極端最低氣溫-4.9℃。全年光照充足，雨量充沛，降雨集中在夏季，年平均降雨量1 700 mm，無霜期265 d。全鎮(zhèn)低山高丘環(huán)繞四周，中部開闊，土壤類型以紅壤為主，是南方典型的紅壤丘陵區(qū)。鎮(zhèn)域面積296 km2，其中山地面積213 km2，山地植被主要包括馬尾松(PinusmassonianaLamb.)、黃瑞木(Adinandramillettii)、胡枝子(LespedezabicolorTurcz.)和芒萁(DicranopterisdichotomaBernh.)。由于歷史原因，研究區(qū)山地天然植被遭到嚴重毀壞，水土流失連年加劇，成為南方典型的紅壤水土流失嚴重區(qū)(圖1)。

圖1 研究區(qū)地理位置圖Fig.1 Geographic location of study area

1.2 地面數(shù)據(jù)采集

2015年1月份在研究區(qū)開展地面數(shù)據(jù)采集工作，以優(yōu)劣兼顧為原則，在河田鎮(zhèn)布設(shè)59個25.82 m×25.82 m的標準樣地(包括32個馬尾松林地、17個杉木林地和10個闊葉林地)，樣地面積為667 m2，樣地間距離大于500 m，為了避免居民點、道路等地物對調(diào)查數(shù)據(jù)造成干擾，各樣地均位于此類地物50 m之外(圖1)。樣地坐標通過兩部麥哲倫海王星400手持GPS獲取，當兩部GPS定位結(jié)果基本一致時記錄坐標數(shù)據(jù)。

LAI采用LAI-2200型植物冠層分析儀(Li-COR Inc,Lincoln,NE,USA)進行測量。測量時，首先在樣地外空曠處測量冠上A值，再進入樣地內(nèi)測量4次冠下B值，即采用ABBBB測量方式；測量結(jié)束后，儀器自動記錄LAI值。每個樣地重復測量3次，取其平均值作為該樣地的LAI值，共獲取59組LAI數(shù)據(jù)。LAI采樣數(shù)據(jù)的描述統(tǒng)計見表1。

表1 采樣點LAI的描述統(tǒng)計Tab.1 Results of LAI for descriptive statistics

1.3 遙感數(shù)據(jù)獲取及預處理

本研究使用的遙感數(shù)據(jù)在河田鎮(zhèn)的過境時間為2014年12月10日，景號分別為0719-04222、0519-03996的法國Pleiades遙感數(shù)據(jù)，其多光譜波段空間分辨率為2 m，包括4個波段：藍光波段(430～550 nm)、綠光波段(490～610 nm)、紅光波段(600～720 nm)和近紅外波段(750～950 nm)。

遙感數(shù)據(jù)預處理包括大氣校正和幾何校正，首先使用ENVI 5.1軟件中的FLAASH大氣校正模塊進行影像大氣校正，然后采用三階多項式變換模型對大氣校正后的圖像進行幾何校正，即以河田鎮(zhèn)1∶10 000地形圖為校正基準圖，以Pleiades遙感數(shù)據(jù)為匹配圖，采用匹配圖對基準圖采點的方法進行幾何校正，校正采用Krasovsky橢球體坐標和Gauss Kruger投影。

1.4 植被指數(shù)選取

遙感影像數(shù)據(jù)上的植被信息主要通過綠色植被葉片和冠層光譜信息的差異來體現(xiàn)。植被在不同波段范圍所體現(xiàn)的信息與植被的某種特征狀態(tài)密切關(guān)聯(lián)，但是植被的一些信息(如生物量、植被長勢等)，難以用單波段或多個單波段數(shù)據(jù)直接提取，往往需選用多個光譜波段經(jīng)簡單地分析運算，產(chǎn)生可以表征或指示植被長勢、生物量等的數(shù)值，用一種簡單有效的形式(即植被指數(shù))來實現(xiàn)對植被不同狀態(tài)信息的表達，因而植被指數(shù)是估算植被LAI的重要工具[17]。本研究基于Pleiades遙感數(shù)據(jù)，借鑒前人研究，在眾多植被指數(shù)中選取12個對LAI敏感且能較好估算LAI的寬波段植被指數(shù)[9,18-19]，各植被指數(shù)表達式見表2。B1、B2、B3、B4分別為藍光、綠光、紅光、近紅外波段光譜反射率。

1.5 模型構(gòu)建方法

在眾多神經(jīng)網(wǎng)絡(luò)模型中，反向傳播(Back propagation，BP)神經(jīng)網(wǎng)絡(luò)是應(yīng)用最廣泛的非線性映

表2 植被指數(shù)及其表達式Tab.2 Vegetation indexes and their formulas

射學習算法，它的中心思想是調(diào)整神經(jīng)元節(jié)點權(quán)值使輸出總誤差最小[20]。本研究中，BP算法結(jié)構(gòu)采用典型的三層網(wǎng)絡(luò)標準結(jié)構(gòu)，由輸入層、隱含層和輸出層組成，通過交叉驗證優(yōu)化得到各個參數(shù)。研究采用Matlab R2014b編程實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型。

支持向量機(Support vector machine，SVM)是基于統(tǒng)計學習理論的機器學習方法，根據(jù)結(jié)構(gòu)風險最小化準則，采用二次規(guī)劃的方式得到問題最優(yōu)解。SVM最初用于解決分類問題，即支持向量分類(Support vector classification，SVC)，現(xiàn)已發(fā)展至可解決回歸問題，即支持向量回歸(Support vector regression，SVR)。目前，SVR已經(jīng)被廣泛應(yīng)用于農(nóng)作物LAI反演研究[14,21-22]。SVR回歸預測精度很大程度上由核函數(shù)類型和相關(guān)參數(shù)決定，因此，核函數(shù)和相關(guān)參數(shù)的確定是SVR建模的核心問題。該研究是利用R語言中的kernlab軟件包實現(xiàn)SVR模型。

隨機森林(Random forest，RF)模型是Breiman等提出的一種基于分類回歸樹的機器學習方法[23]。它通過自助法(bootstrap)抽樣從原始訓練集中抽取k個樣本，且每個樣本的樣本容量均和原始訓練集的大小一致；然后對每個樣本分別進行決策樹建模，得到k個建模結(jié)果；最后，利用所有決策樹的建模結(jié)果，通過投票得到最終預測結(jié)果[24]。RF建模的核心問題是確定森林中決策樹的數(shù)量和分割節(jié)點的隨機變量數(shù)。該研究是利用R語言中的random Forest軟件包實現(xiàn)RF模型。

1.6 模型評價

對RF模型、BP神經(jīng)網(wǎng)絡(luò)模型和SVR模型的驗證集進行評價，常用的評價指標有決定系數(shù)(R2)、均方根誤差(RMSE)、平均相對誤差(MAE)和相對分析誤差(RPD)[16]。R2和RPD越大，RMSE和MAE越小，表明模型估測精度越高。

為了檢驗?zāi)Ｐ偷姆€(wěn)定性，采用保留樣本交叉檢驗方式[25]將LAI原始數(shù)據(jù)按3∶2 的比例隨機劃分為2部分，60%(35個)作為建模集用以建立模型，40%(24個)作為檢驗集用以評價模型，并重復進行3次隨機分組，記為樣本組1、樣本組2、樣本組3。

2 結(jié)果與分析

2.1 LAI與植被指數(shù)的相關(guān)性分析

表3為不同劃分方式實測樣點LAI值與遙感植被指數(shù)間的相關(guān)性分析結(jié)果。從中可知，除PSRI與LAI值呈顯著相關(guān)(P<0.05)外，樣本組1中的樣點LAI值與其余11個植被指數(shù)均呈極顯著相關(guān)(P<0.01)，其中建模集中LAI值和植被指數(shù)的相關(guān)系數(shù)均大于0.6，檢驗組中LAI值和植被指數(shù)的相關(guān)系數(shù)在0.7之上；樣本組2和樣本組3中除建模集中的PSRI與LAI值無顯著相關(guān)(P>0.05)外，樣點LAI值與其余植被指數(shù)均呈極顯著相關(guān)(P<0.01)，且它們的相關(guān)系數(shù)均高于0.5；從全樣本來看，各植被指數(shù)與LAI值均呈極顯著相關(guān)(P<0.01)，相關(guān)系數(shù)由大到小依次為：RVI、WDRVI、NDVI(SAVI)、MSAVI、GRVI、RDVI、TVI、GNDVI、DVI、SIPI、PSRI。所有植被指數(shù)中，除PSRI外，其余植被指數(shù)與各樣本組及全樣本中樣點LAI值均在P<0.01水平上顯著相關(guān)。因此這些植被指數(shù)可以較好地反映研究區(qū)LAI值的變化情況，可以用來構(gòu)建LAI估算模型。

表3 不同樣本組LAI值與植被指數(shù)間的相關(guān)性分析結(jié)果Tab.3 Correlation of LAI and vegetation indices for different sample groups

注：*、** 表示在P<0.05水平(雙側(cè))和P<0.01水平(雙側(cè))上顯著相關(guān)。

2.2 林地LAI反演模型比較分析

分別利用不同樣本組中的建模集，以植被指數(shù)為自變量，對應(yīng)樣點的LAI值為因變量，使用BP算法、SVR算法和 RF回歸算法構(gòu)建3個不同樣本組的LAI值遙感估算模型。本文中BP算法結(jié)構(gòu)采用三層網(wǎng)絡(luò)標準結(jié)構(gòu)，通過交叉驗證優(yōu)化得到輸入層到隱含層傳遞函數(shù)為tansig、隱含層到輸出層傳遞函數(shù)為logsig、訓練方式為Levenberg-Marquardt算法、迭代次數(shù)為3000的誤差反向傳播模型。SVR算法的建立包括核函數(shù)和相關(guān)參數(shù)的選取，本研究中，SVR算法中核函數(shù)選用高斯核函數(shù)，懲罰因子C取10，核函數(shù)參數(shù)σ取0.1。RF回歸算法的核心是確定森林中決策樹的數(shù)量和分割節(jié)點的分割變量數(shù)，根據(jù)經(jīng)驗及反復試驗，本研究中森林決策樹的數(shù)量為500，節(jié)點的分割變量為3。

基于不同樣本組中獨立于建模集的檢驗集，得到3個模型的LAI預測數(shù)據(jù)，通過與對應(yīng)的LAI實測數(shù)據(jù)比較，評價不同模型的預測能力，同時對LAI實測數(shù)據(jù)和預測數(shù)據(jù)進行回歸分析，并繪制3種模型LAI實測值和預測值的1∶1關(guān)系線，結(jié)果如表4和圖2所示。

由表4可以看出，3個樣本組中RF模型的R2均在0.688以上，比BP模型至少提高了16.4%，比SVR模型至少提高了7.9%，相應(yīng)的RMSE和MAE均最小。其中，RF模型的RMSE與SVR模型大致相當，與BP模型相差較大，其值比BP模型依次低0.548、0.976、0.545；RF模型的MAE最大值為0.466，低于其他2種模型的最小值；3個樣本組中RPD由大到小順序均為RF、SVR、BP。以上分析表明，3個樣本組中的RF模型預測結(jié)果與同組的BP模型和SVR模型相比，均表現(xiàn)出最強的預測能力。

表4 LAI估算模型比較Tab.4 Comparison of LAI estimation models

圖2 不同模型LAI實測值與預測值回歸分析Fig.2 Regression analysis of measured and predicted LAI for different models

圖2中虛線表示1∶1關(guān)系線，LAI實測值與預測值線性回歸線越接近1∶1關(guān)系線，則說明模型的預測效果越好。從圖2可以看出，各模型均不同程度上高估了LAI地面實測值，不同樣本組中RF模型和SVR模型的回歸線與1∶1關(guān)系線的吻合度較好，預測精度較高；BP模型的回歸線遠離1∶1關(guān)系線，預測精度較低。

綜上，與BP模型和SVR模型相比，RF模型得到的反演結(jié)果較為理想。因此，可以用RF模型進行林地LAI遙感估算。

2.3 林地LAI空間分布

通過R語言中的random Forest軟件包，利用估測精度最高的樣本組2數(shù)據(jù)對研究區(qū)林地LAI進行預測，采用ArcGIS 9.3制作基于RF模型的林地LAI的空間分布圖如圖3所示。

圖3 河田鎮(zhèn)林地LAI空間分布圖Fig.3 Spatial distribution of forest LAI in Hetian County

從圖3可以看出，研究區(qū)LAI值范圍在0～6.37之間，整體上呈“北高中低”的分布格局；北部地區(qū)林地LAI值相對較高，大部分區(qū)域的LAI值高于3，主要原因在于該區(qū)是闊葉樹的主要分布區(qū)，林分結(jié)構(gòu)較好；研究區(qū)中部地區(qū)林地LAI值相對較低，原因在于該區(qū)植被稀疏，且林分多為單一馬尾松純林，林下水土流失嚴重。因而，基于RF模型預測的LAI值較好地還原了研究區(qū)LAI值的空間分布趨勢。

3 討論

遙感是快速獲取大面積森林植被冠層光譜反射率的重要手段，但易受大氣環(huán)境、植被冠層結(jié)構(gòu)、土壤背景、太陽天頂角等因素的影響。有研究表明，LAI與冠層光譜反射率之間存在較強的相關(guān)關(guān)系[24]，因而，有學者選取特征波段構(gòu)建植被指數(shù)用來定量反演林地LAI。以往遙感估算林地LAI的研究中，多采用單一植被指數(shù)進行遙感反演且選取的植被指數(shù)數(shù)量較少[19,26]，由于單個植被指數(shù)只包含單波段的信息且每種植被指數(shù)均存在不同程度的飽和性，因此，基于單一植被指數(shù)得到的LAI遙感反演模型推廣能力較差。

除自變量(植被指數(shù))選取外，建模算法是影響林地LAI遙感監(jiān)測的重要因素，選擇一種合適的模型，有助于提高植被理化參數(shù)的遙感預測精度。本研究首次將機器學習算法中的隨機森林(RF)模型引入林地LAI遙感估算中，針對樣本組1、樣本組2和樣本組3，分別構(gòu)建了以12個植被指數(shù)為自變量的RF模型，并將模型預測性能與支持向量回歸(SVR)模型和反向傳播神經(jīng)網(wǎng)絡(luò)(BP)模型性能進行了比較，結(jié)果表明RF模型的預測精度最高，這與王麗愛等[27]關(guān)于農(nóng)作物LAI的遙感估算結(jié)果相一致。后期工作將進一步研究RF模型能否適用林地生物量、土壤養(yǎng)分等林地質(zhì)量參數(shù)的遙感估算，以提升其在精準林業(yè)遙感監(jiān)測中的應(yīng)用價值。

本研究的RF模型表現(xiàn)出比其他兩種模型更好的預測效果，其原因在于RF模型不需要檢查變量的交互作用是否顯著，加上它進行了兩次隨機抽樣，使得模型在異常值和噪聲方面具有較高的容忍度，而且不容易出現(xiàn)過擬合現(xiàn)象，因此該模型具有較高的反演性能[28]；SVR模型的性能取決于核函數(shù)及其參數(shù)的選取，目前對核函數(shù)及其參數(shù)的選取均為人為經(jīng)驗選擇，帶有一定隨意性和盲目性，本研究也如此，這在一定程度上制約了模型的反演性能；BP模型的預測效果最差，原因可能在于模型在訓練過程中陷入了局部最優(yōu)狀態(tài)或模型的學習能力過強，導致學習出的模型已表現(xiàn)不出訓練樣本所包含的規(guī)律，最終弱化了模型的泛化能力。此外，這3種機器學習模型均要設(shè)置參數(shù)，SVR模型需要設(shè)置多個參數(shù)(核函數(shù)類型、核參數(shù)、懲罰因子等)，BP模型需要的參數(shù)也較多(網(wǎng)絡(luò)層數(shù)、節(jié)點數(shù)、神經(jīng)元個數(shù)、傳遞函數(shù)、學習率等)，而RF模型僅需2個參數(shù)(森林決策樹數(shù)量和節(jié)點分割變量)，這大大提升了RF模型的應(yīng)用性。另外，本研究采用的12個植被指數(shù)多為紅光波段和近紅外波段的組合，存在嚴重的多重共線性，但RF模型對多元共線性不敏感。因此，RF模型可以作為林地LAI遙感估算的優(yōu)選方法。

值得注意的是，本研究中不同樣本組的建模集和檢驗集均基于同一個年份(2015年)的數(shù)據(jù)，模型在時間維方面的普適性，尚需要進一步驗證。另外，王正興等[29]的研究表明，植被指數(shù)存在光譜“飽和”現(xiàn)象，僅利用多植被指數(shù)組合作為自變量，可能會影響模型的預測精度，并減弱其泛化能力。后續(xù)工作將耦合林地遙感紋理指數(shù)和植被指數(shù)，引入地形環(huán)境因子作為校正參數(shù)，以提高林地LAI遙感估算的精度。

4 結(jié)束語

基于高分辨率Pleiades遙感數(shù)據(jù)，構(gòu)建了3種林地LAI遙感估算模型，通過與地面實測的LAI數(shù)據(jù)進行比較，結(jié)果表明基于RF算法構(gòu)建的林地LAI遙感估算模型具有較高的預測精度和泛化能力，該模型可為林地LAI的快速、準確、無損遙感監(jiān)測提供一種新的機器學習方法。

1 CHEN J M, BLACK T A. Defining leaf area index for non-flat leaves [J]. Plant Cell and Environment, 1992, 15(4): 421-429.

2 PU R, CHENG J. Mapping forest leaf area index using reflectance and textural information derived from WorldView-2 imagery in a mixed natural forest area in Florida, US [J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 42: 11-23.

3 DONG T, LIU J, QIAN B, et al. Estimating winter wheat biomass by assimilating leaf area index derived from fusion of Landsat-8 and MODIS data [J]. International Journal of Applied Earth Observation and Geoinformation, 2016, 49: 63-74.

4 NEINAVAZ E, SKIDMORE A K, DARVISHZADEH R, et al. Retrieval of leaf area index in different plant species using thermal hyperspectral data [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 119: 390-401.

5 任海, 彭少麟.鼎湖山森林群落的幾種葉面積指數(shù)測定方法的比較[J].生態(tài)學報, 1997, 17(2): 220-223. REN Hai, PENG Shaolin. Comparison of methods of estimation leaf area index in Dinghushan forests [J]. Acta Ecologica Sinica, 1997, 17(2): 220-223. (in Chinese)

6 STENBERG P, RAUTIAINEN M, MANNINEN T, et al. Boreal forest leaf area index from optical satellite imagines: model simulations and empirical analyses using data from central Finland [J]. Boreal Environment Research, 2008,13: 433-443.

7 劉婧怡, 湯旭光, 常守志, 等.森林葉面積指數(shù)遙感反演模型構(gòu)建及區(qū)域估算[J].遙感技術(shù)與應(yīng)用, 2014, 29(1): 18-25. LIU Jingyi, TANG Xuguang, CHANG Shouzhi, et al. Application of remote sensing to inverse the forest leaf area index and regional estimation [J]. Remote Sensing Technology and Application, 2014, 29(1): 18-25. (in Chinese)

8 朱緒超, 袁國富, 易小波, 等. 基于Landsat 8 OLI 影像的塔里木河下游河岸林葉面積指數(shù)反演[J].干旱區(qū)地理, 2014, 37(6): 1248-1256. ZHU Xuchao, YUAN Guofu, YI Xiaobo, et al. Leaf area index inversion of riparian forest in the lower basin of Tarim River based on Landsat 8 OLI imagines [J]. Arid Land Geography, 2014, 37(6): 1248-1256. (in Chinese)

9 李粉玲, 王力, 劉京, 等.基于高分一號衛(wèi)星數(shù)據(jù)的冬小麥葉片SPAD值遙感估算[J/OL].農(nóng)業(yè)機械學報, 2015, 46(9): 273-281. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150940&flag=1.DOI:10.6041/j.issn.1000-1298.2015.09.040. LI Fenling, WANG Li, LIU Jing, et al. Remote sensing estimation of SPAD value for wheat leaf based on GF-1 data [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(9): 273-281. (in Chinese)

10 DENG F, CHEN J M, PLUMMER S, et al. Algorithm for global leaf area index retrieval using satellite imagery [J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8): 2219-2229.

11 谷成燕, 杜華強, 周國模, 等.基于PROSAIL輻射傳輸模型的毛竹林葉面積指數(shù)遙感反演[J].應(yīng)用生態(tài)學報, 2013, 24(8): 2248-2256. GU Chengyan, DU Huaqiang, ZHOU Guomo, et al. Retrieval of leaf area index of Moso bamboo forest with Landsat Thematic Mapper imagine based on PROSAIL canopy radiative transfer model [J]. Chinese Journal of Applied Ecology, 2013, 24(8): 2248-2256. (in Chinese)

12 林卉, 梁亮, 張連蓬, 等.基于支持向量機回歸算法的小麥葉面積指數(shù)高光譜遙感反演[J].農(nóng)業(yè)工程學報, 2013, 29(11): 139-146. LIN Hui, LIANG Liang, ZHANG Lianpeng, et al. Wheat leaf area index inversion with hyperspectral remote sensing based on support vector regression algorithm [J]. Transactions of the CSAE, 2013, 29(11): 139-146. (in Chinese)

13 王麗愛, 周旭東, 朱新開, 等.基于HJ-CCD數(shù)據(jù)和隨機森林算法的小麥葉面積指數(shù)反演[J].農(nóng)業(yè)工程學報, 2016, 32(3): 149-154. WANG Liai, ZHOU Xudong, ZHU Xinkai, et al. Inverting wheat leaf area index based on HJ-CCD remote sensing data and random forest algorithm [J]. Transactions of the CSAE, 2016, 32(3): 149-154. (in Chinese)

14 王麗愛, 譚昌偉, 楊昕, 等.基于MK-SVR模型的小麥葉面積指數(shù)遙感反演[J/OL].農(nóng)業(yè)機械學報, 2015, 46(5): 245-251. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150535&flag=1. DOI:10.6041/j.issn.1000-1298.2015.05.035. WANG Liai, TAN Changwei, YANG Xin, et al. Monitoring wheat leaf area index using MK-SVR algorithmic model and remote sensing data [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(5): 245-251. (in Chinese)

15 王修信, 孫濤, 朱啟疆, 等.林地葉面積指數(shù)遙感估算方法適用分析[J].生態(tài)學報, 2014, 34(16): 4612-4619. WANG Xiuxin, SUN Tao, ZHU Qijiang, et al. Assessment of different methods for estimating forest leaf area index from remote sensing data [J]. Acta Ecologica Sinica, 2014, 34(16): 4612-4619. (in Chinese)

16 韓兆迎, 朱西存, 房賢一, 等.基于SVM與RF的蘋果樹冠LAI高光譜估測[J].光譜學與光譜分析, 2016, 36(3): 800-805. HAN Zhaoying, ZHU Xicun, FANG Xianyi, et al. Hyperspectral estimation of apple tree canopy LAI based on SVM and RF regression [J]. Spectroscopy and Spectral Analysis, 2016, 36(3): 800-805. (in Chinese)

17 劉洋, 劉榮高, 陳鏡明, 等.葉面積指數(shù)遙感反演研究進展與展望[J].地球信息科學學報, 2013, 15(5): 734-743. LIU Yang, LIU Ronggao, CHEN Jingming, et al. Current status and perspectives of leaf area index retrieval from optical remote sensing data [J]. Journal Geo-Information Science, 2013, 15(5): 734-743. (in Chinese)

18 何亞娟, 潘學標, 裴志遠, 等.基于SPOT遙感數(shù)據(jù)的甘蔗葉面積指數(shù)反演和產(chǎn)量估算[J/OL].農(nóng)業(yè)機械學報, 2013, 44(5): 226-231. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130539&flag=1. DOI:10.6041/j.issn.1000-1298.2013.05.039. HE Yajuan, PAN Xuebiao, PEI Zhiyuan, et al. Estimation of LAI and yield of sugarcane based on SPOT remote sensing data [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(5): 226-231. (in Chinese)

19 劉玉琴, 沙晉明, 余濤, 等.基于寬波段和窄波段植被指數(shù)的草地LAI反演對比研究[J].遙感技術(shù)與應(yīng)用, 2014, 29(4): 587-593. LIU Yuqin, SHA Jinming, YU Tao, et al. Comparing the performance of broad-band and narrow-band vegetation indices for estimation of grass LAI [J]. Remote Sensing Technology and Application, 2014, 29(4): 587-593.(in Chinese)

20 郭孝玉, 孫玉軍, 王軼夫, 等.基于改進人工神經(jīng)網(wǎng)絡(luò)的植物葉面積測定[J/OL].農(nóng)業(yè)機械學報, 2013, 44(2): 200-204. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130237&flag=1. DOI:10.6041/j.issn.1000-1298.2013.02.037. GUO Xiaoyu, SUN Yujun, WANG Yifu, et al. Improved artificial neural network for determination of plant leaf area [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(2): 200-204. (in Chinese)

21 梁棟, 管青松, 黃文江, 等.基于支持向量機回歸的冬小麥葉面積指數(shù)遙感反演[J].農(nóng)業(yè)工程學報, 2013, 29(7): 117-123. LIANG Dong, GUAN Qingsong, HUANG Wenjiang, et al. Remote sensing inversion of leaf area index based on support vector machine regression in winter wheat [J]. Transactions of the CSAE, 2013, 29(7): 117-123. (in Chinese)

22 謝巧云, 黃文江, 蔡淑紅, 等.冬小麥葉面積指數(shù)遙感反演方法比較研究[J].光譜學與光譜分析, 2014, 34(5): 1352-1356. XIE Qiaoyun, HUANG Wenjiang, CAI Shuhong, et al. Comparative study on remote sensing invertion methods for estimating winter wheat leaf area index [J]. Spectroscopy and Spectral Analysis, 2014, 34(5): 1352-1356. (in Chinese)

23 BREIMAN L. Random forest[J]. Machine Learning, 2001, 45(1): 5-32.

24 李映雪, 朱艷, 戴廷波, 等.小麥葉面積指數(shù)與冠層反射光譜的定量關(guān)系[J].應(yīng)用生態(tài)學報, 2006, 17(8): 1443-1447. LI Yingxue, ZHU Yan, DAI Tingbo, et al. Quantitative relationships between leaf area index and canopy reflectance spectra of wheat [J]. Chinese Journal of Applied Ecology, 2006, 17(8): 1443-1447. (in Chinese)

25 史舟.土壤地面高光譜遙感原理與方法[M].北京:科學出版社, 2014.

26 賈玉秋, 李冰, 程永政, 等.基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較[J].農(nóng)業(yè)工程學報, 2015, 31(9): 173-179. JIA Yuqiu, LI Bing, CHENG Yongzheng, et al. Comparison between GF-1 imagines and Landsat-8 imagines in monitoring maize LAI [J]. Transactions of the CSAE, 2015, 31(9): 173-179. (in Chinese)

27 王麗愛, 馬昌, 周旭東, 等.基于隨機森林回歸算法的小麥葉片SPAD值遙感估算[J/OL].農(nóng)業(yè)機械學報, 2015, 46(1): 259-265. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150136&flag=1. DOI:10.6041/j.issn.1000-1298.2015.01.036. WANG Liai, MA Chang, ZHOU Xudong, et al. Estimation of wheat leaf SPAD value using RF algorithmic model and remote sensing data [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 259-265.(in Chinese)

28 RODRIGUEZ-GALIANO V, MENDES M P, GARCIA-SOLDADOo M J, et al. Predictive modeling of groundwater nitrate pollution using Random Forest and multisource variables related to intrinsic and specific vulnerability: a case study in an agricultural setting (Southern Spain) [J]. Science of the Total Environment, 2014, 476: 189-206.

29 王正興, 劉闖, HUETE A.植被指數(shù)研究進展：從AVHRR-NDVI到MODIS-EVI[J].生態(tài)學報, 2003, 23(5): 979-987. WANG Zhengxing, LIU Chuang, HUETE A. From VVHRR-NDVI to MODIS-EVI advances in vegetation index researh [J]. Acta Ecologica Sinica, 2003, 23(5): 979-987. (in Chinese)

Estimation of Forest Leaf Area Index Based on Random Forest Model and Remote Sensing Data

YAO Xiong1,2YU Kunyong1,2YANG Yujie2ZENG Qi2CHEN Zhanghao2LIU Jian1,2
(1.UniversityKeyLaboratoryforGeomaticsTechnologyandOptimizeResourcesUtilizationinFujianProvince,FujianAgricultureandForestryUniversity,Fuzhou350002,China2.CollegeofForestry，F(xiàn)ujianAgricultureandForestryUniversity,Fuzhou350002,China)

Accurate estimation of forest leaf area index (LAI), which is defined as half the total area of green leaves per unit ground surface area, is the important embodiment of precision forestry. In order to monitor forest LAI faster, more accurate and non-destructively, LAI-2200 plant canopy analyzer was used to acquire LAI data from the forest plots in western Fujian. Totally 12 kinds of vegetation index based on the Pleiades satellite images in the same period were calculated and the correlation between measured LAI and the vegetation index was analyzed. The purpose was to construct LAI estimation model specifically by using random forest algorithm (RF). Additionally for each sample group, the models based on support vector regression model (SVR) and back-propagation neural network model (BP) were employed as comparison models. The estimation accuracy of the three models for each sample group was compared based on determination coefficients (R2), root mean square errors (RMSE), mean relative errors (MAE) and relative percent deviation (RPD). The results indicated that the vegetation indices and LAI values were significantly correlated (P<0.01), and the correlation coefficients were greater than 0.4 for all sample data. The forecast accuracy of RF model in three different sample groups was higher than those of the SVR and BP models in the same period.R2of LAI estimated and measured values in the three sample groups based on RF model were 0.688, 0.796 and 0.707, respectively. RPD were 1.653, 1.984 and 1.731, respectively. These data were all higher than those of SVR model and BP model, and RF model showed a higher accuracy than the other two models (RMSE of RF model were 0.509, 0.658 and 0.696, respectively; MAE were 0.417, 0.414 and 0.466, respectively). These results would be helpful for improving the forest LAI remote sensing estimation accuracy.

forest; leaf area index; remote sensing inversion; random forest model; support vector regression model; back-propagation neural network model

2016-08-08

2016-10-21

國家自然科學基金項目(41401385)

姚雄(1990—)，男，博士生，主要從事3S技術(shù)應(yīng)用研究，E-mail: 424532024@qq.com

劉健(1963—)，男，教授，博士生導師，主要從事森林經(jīng)營管理與3S技術(shù)應(yīng)用研究，E-mail: fjliujian@126.com

10.6041/j.issn.1000-1298.2017.05.019

TP79； S127

A

1000-1298(2017)05-0159-08