低覆蓋草地葉面積指數(shù)遙感估算方法

張云峰，任鴻瑞

（太原理工大學(xué)測繪科學(xué)與技術(shù)系, 山西 太原 030024）

草地是全球分布最廣泛的植被類型之一，約占全球植被覆蓋的42%，為社會的發(fā)展提供多種經(jīng)濟(jì)和生態(tài)效益[1]。草地生態(tài)系統(tǒng)是內(nèi)蒙古的主要生態(tài)系統(tǒng)之一，植被種類和植物群落眾多，不僅為野生動物提供了多種棲息地，還在有效保持水土、調(diào)節(jié)陸地碳循環(huán)和氣候等方面發(fā)揮至關(guān)重要作用[2]。除此之外，草地也是發(fā)展畜牧業(yè)最基本的生產(chǎn)資料和基地。草地葉面積指數(shù)(leaf area index, LAI)定義為單位草地面積上植物總?cè)~片面積的一半[3]。已有研究表明，LAI 與草地的生長過程息息相關(guān)，是衡量草地光合能力、初級生產(chǎn)力的一個重要指標(biāo)[4-5]。根據(jù)劉紀(jì)遠(yuǎn)等[6]建立的土地利用/覆蓋分類系統(tǒng)，將覆蓋度在5%～20%的天然草地定義為低覆蓋草地。由于植被信號在低覆蓋區(qū)域較弱，光譜信號以土壤背景為主，葉面積指數(shù)估算受土壤背景影響較大，且估算精度較低。因此過去葉面積指數(shù)估算研究中，針對低覆蓋草地的研究相對較少。對低覆蓋草地LAI 進(jìn)行精確估算，對監(jiān)測低覆蓋草地生長狀況變化、研究草地質(zhì)量變化及優(yōu)化草地管理具有重要意義。

測量葉面積指數(shù)的方法通常包括直接測量法和間接測量法[7]。直接測量法通過采集樣地中全部的葉片，利用方格紙計算采集到的葉片面積，進(jìn)而計算樣地的葉面積指數(shù)。雖然該方法具有較高的精度，但操作繁瑣、費(fèi)時費(fèi)力，且會對地表植被造成一定破壞。間接測量可使用LAI 2000 等光學(xué)葉面積指數(shù)儀器，利用植被冠層間隙率來測定植被葉面積指數(shù)，該方法克服了效率及地表植被破壞等問題，但其測量精度卻有待提高。上述2 種方法均只適合進(jìn)行少量樣地或小范圍的葉面積指數(shù)測量，無法覆蓋大范圍。遙感技術(shù)的飛速發(fā)展使各類遙感數(shù)據(jù)層出不窮(如Landsat、Sentinel、Gaofen 等)，遙感數(shù)據(jù)具有覆蓋范圍廣、數(shù)據(jù)信息量大、數(shù)據(jù)獲取周期短等特點(diǎn)，為大范圍、高效率、高精度估算葉面積指數(shù)提供了幫助。葉面積指數(shù)的遙感估算方法可以分為物理模型法和統(tǒng)計模型法。物理模型法中最常用的為PROSAIL 模型，該模型為PROSPECT 模型與冠層植被SAIL 模型的耦合，具有較強(qiáng)的物理機(jī)理性，但該模型所需參數(shù)多，參數(shù)獲取繁瑣，且結(jié)果對設(shè)置的參數(shù)敏感性較強(qiáng)[8-10]。統(tǒng)計模型法利用各類統(tǒng)計方法尋求葉面積指數(shù)與波段反射率或植被指數(shù)間的關(guān)系，以此建立估算模型，該方法所需參數(shù)少，簡潔清晰，易于使用，已常用于葉面積指數(shù)反演[11-12]。但研究發(fā)現(xiàn)，常用的統(tǒng)計模型法估算低覆蓋草地葉面積指數(shù)表現(xiàn)不佳，存在高估現(xiàn)象[12]。機(jī)器學(xué)習(xí)模型相較于統(tǒng)計模型具有更強(qiáng)的數(shù)據(jù)挖掘能力，近年來已有研究者將其用于葉面積指數(shù)估算[13-15]，利用機(jī)器學(xué)習(xí)的強(qiáng)大算法可提升葉面積指數(shù)的反演精度。沈貝貝等[16]利用隨機(jī)森林模型對內(nèi)蒙古草地葉面積指數(shù)進(jìn)行估算時，由于其未考慮土壤背景影響，模型在低覆蓋區(qū)域整體出現(xiàn)低估的現(xiàn)象。大多研究在使用機(jī)器學(xué)習(xí)模型進(jìn)行估算時缺乏使用合理方法對特征變量進(jìn)行優(yōu)選，而這一步驟在提高模型效率和精度方面具有不可替代的作用。

由于一些研究區(qū)的自然環(huán)境較差，低覆蓋草地在改良土壤、減少地面徑流、防止水土流失等方面具有顯著作用[17]。目前對葉面積指數(shù)估算的研究，通常將農(nóng)作物、森林或中高覆蓋草地作為研究對象，低覆蓋草地葉面積指數(shù)估算還鮮有相關(guān)研究。本文利用Google Earth Engine 平臺，以內(nèi)蒙古草原草地低覆蓋區(qū)作為研究區(qū)域，提取Landsat-8 遙感影像相關(guān)植被指數(shù)，結(jié)合實(shí)地測量數(shù)據(jù)將不同的特征優(yōu)選方法(基于相關(guān)性和重要性)與不同機(jī)器學(xué)習(xí)模型(隨機(jī)森林、梯度提升回歸樹)擬合，探究能有效估算低覆蓋草地葉面積指數(shù)的方法，為制定有效地保護(hù)、管理草地策略提供依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

內(nèi)蒙古草原是中國四大草原之一，地域遼闊，地理范圍(97°12′～126°04′ E，37°34′～53°24′ N)，平均海拔約為1 000 m，面積86.68 萬km2，草原面積占全國草原面積的1/3 以上。內(nèi)蒙古草原地勢平緩，南高北低；年內(nèi)氣溫變化顯著，年平均溫度2～14 ℃，季節(jié)分明，全年無霜期110 d 左右；年內(nèi)降水分布不均，集中分布在夏季，年降水量100～450 mm，自西向東遞增，具有典型的半干濕的中溫帶季風(fēng)氣候特征。受氣溫、降水等多因素影響，內(nèi)蒙古草原類型具有明顯的地帶性，荒漠草原、典型草原和草甸草原等多種地帶性草原類型自西向東依次分布。圖1展示了3 種草地類型在內(nèi)蒙古草原的范圍，數(shù)據(jù)來自唐家奎的中國內(nèi)蒙古區(qū)域草地類型時空變異圖[18]。

圖1 內(nèi)蒙古草原分布及草地葉面積指數(shù)采樣點(diǎn)示意圖Figure 1 Schematic diagram of steppe distribution and leaf area index sample sites in Inner Mongolia

1.2 數(shù)據(jù)來源與處理

1.2.1 實(shí)地數(shù)據(jù)收集

本研究地面實(shí)測LAI 采用直接測量法。實(shí)測地點(diǎn)為內(nèi)蒙古草原，采樣時間為2015 年8 月及2016年8 月，共選取99 個大樣地，大樣地范圍足夠大(樣地邊長大于90 m)以保證能與遙感數(shù)據(jù)分辨率更好地相匹配。大樣地主要分布于內(nèi)蒙古自治區(qū)中部地區(qū)，選擇在植被空間分布較均勻且能代表大尺度區(qū)域的典型地段，與此同時考慮典型草原、荒漠草原、草甸草原3 種群落類型，及放牧、圍封、自然3 種利用方式。在每個大樣地中根據(jù)一致性、同質(zhì)性、代表性原則設(shè)置3 個1 m × 1 m 小樣方，采集小樣方中全部植被，選取一組(20 株)具有代表性的植物，將其葉片放置于方格紙上(方格為1 cm × 1 cm)，統(tǒng)計超出半格的格子數(shù)，作為該組植物的LAI。稱量該組植物的干重，計算出比葉面積，再依據(jù)小樣方中植被的總干重計算出小樣方的LAI。取3 個小樣方LAI 的平均值作為該大樣地的LAI。在測量大樣地LAI 同時，使用GPS 記錄大樣地的海拔及經(jīng)緯度，以便后續(xù)研究匹配遙感影像。

1.2.2 Landsat-8 遙感數(shù)據(jù)

Landsat-8 衛(wèi)星是美國航空航天局于2013 年成功發(fā)射的遙感衛(wèi)星，其攜帶了陸地成像儀(operational land imager, OLI)和 熱 紅 外 傳 感 器(thermal infrared sensor, TIRS)兩顆傳感器，重訪周期為16 d。本研究使用了Landsat-8 衛(wèi)星OLI 傳感器提供的7 個多光譜波段，空間分辨率為30 m。

本研究利用GEE 平臺對Landsat-8 數(shù)據(jù)進(jìn)行預(yù)處理，并計算相關(guān)植被指數(shù)。由于實(shí)地測量數(shù)據(jù)采集時間為2015 年和2016 年的8 月，考慮影像時間覆蓋不全以及部分點(diǎn)位對應(yīng)影像有云覆蓋，為最大限度兼顧所有樣本點(diǎn)，故選取2015 年和2016 年7 月到9 月的影像，以均值合成的方式生成最終使用影像。

1.2.3 模型特征變量構(gòu)建

本研究共選取22 個特征用于構(gòu)建模型，包含6 個Landsat-8 影像的單波段反射率以及16 個常用植被指數(shù)(表1)。植被指數(shù)由不同波段反射率計算得到，相比于單波段，植被指數(shù)能更好地對植被特征進(jìn)行表達(dá)，有效降低環(huán)境背景產(chǎn)生的影響，增加植被信息提取過程中的確定性[19]。

表1 模型特征變量Table 1 Vegetation index calculation formulae and sources

1.3 建模方法

1.3.1 機(jī)器學(xué)習(xí)模型

隨機(jī)森林模型(random forest, RF)是當(dāng)下研究最多、使用率最高的機(jī)器學(xué)習(xí)模型[4]，其對樣本數(shù)據(jù)集和特征集進(jìn)行多次隨機(jī)抽樣，每一次抽樣結(jié)果都將構(gòu)建一棵有適合自身屬性規(guī)則和判斷值的決策樹，最后由多棵決策樹共同投票進(jìn)行預(yù)測[35]。隨機(jī)森林模型訓(xùn)練效率高，泛化能力強(qiáng)，能很好抵消噪聲影響，且不容易出現(xiàn)過擬合現(xiàn)象。

梯度提升回歸樹模型(gradient boosting regression tree, GBRT)是一種基于Booting 算法的改進(jìn)模型[36]，它依次訓(xùn)練一組CART 回歸樹，對每一棵回歸樹的預(yù)測結(jié)果進(jìn)行加和，并且每一棵回歸樹均對當(dāng)前損失函數(shù)負(fù)梯度方向進(jìn)行擬合，最終輸出這一組回歸樹的加和作為回歸結(jié)果。梯度提升回歸樹模型可解釋性和魯棒性好，有較強(qiáng)的回歸預(yù)測能力。

1.3.2 特征優(yōu)選方法

過多的特征變量會導(dǎo)致信息冗余，產(chǎn)生過擬合，降低模型效率，因此對用于構(gòu)建模型的特征變量進(jìn)行優(yōu)選是建模過程中重要一環(huán)。梯度提升回歸樹模型和隨機(jī)森林模型可以計算出每個輸入模型的特征變量對模型的重要性，重要性值越大，說明該特征變量對模型估算LAI 越重要。將6 個單波段反射率和16 個植被指數(shù)(表1)分別按相關(guān)性、重要性從大到小排序，基于貪婪算法思想來尋求最佳特征個數(shù)，即依次選取排序前X 個特征(2 ≤ X ≤ 23)構(gòu)建模型，以模型決定系數(shù)(R2)來確定最佳特征變量及個數(shù)。

本研究分別使用隨機(jī)森林模型和梯度提升回歸樹模型結(jié)合兩種特征優(yōu)選方法進(jìn)行建模回歸分析，尋求適合估算低覆蓋草地LAI 的模型。

1.4 精度評定

本研究將全部實(shí)測數(shù)據(jù)的80%用于訓(xùn)練模型，剩下20%用于評價模型泛化能力。訓(xùn)練模型采用五折交叉驗(yàn)證，將訓(xùn)練數(shù)據(jù)集盡可能均勻且不重復(fù)地分成5 份，其中4 份用作訓(xùn)練模型，1 份用于模型驗(yàn)證，不重復(fù)地進(jìn)行5 次。用R2、均方根誤差(root mean square error, RMSE)驗(yàn)證模型的精度。

R2可以表示模型預(yù)測值與實(shí)測值之間的擬合效果，R2越接近1，說明預(yù)測值與實(shí)測值越接近，模型回歸擬合效果越好。RMSE 可以衡量實(shí)測值與預(yù)測值之間的偏差。當(dāng)實(shí)測值與預(yù)測值完全吻合時，RMSE 為0，預(yù)測模型為完美模型；誤差越大，該值越大。R2及RMSE 的計算公式分別為：

2 結(jié)果與分析

2.1 實(shí)測葉面積指數(shù)的統(tǒng)計分析

對2015 年和2016 年8 月草地實(shí)測數(shù)據(jù)進(jìn)行統(tǒng)計分析(表2)。圖2a 為不同類型草地葉面積實(shí)測數(shù)據(jù)的半箱型圖，圖2b 為不同范圍LAI 值的實(shí)測點(diǎn)個數(shù)?？傮w上，LAI 在0.003～1.271，平均值為0.312，其中大部分樣點(diǎn)的LAI 值為0.1～0.2，僅有4 個樣本點(diǎn)的LAI 大于0.8。3 種草地類型中，實(shí)測值方差最大的為典型草原，方差最小的為荒漠草原；3 種草地類型的LAI 變異系數(shù)均較大，其中變異系數(shù)最大的數(shù)據(jù)在荒漠草原上采集得到，變異系數(shù)最小的為草甸草原上采集的數(shù)據(jù)。

表2 2015 年和2016 年內(nèi)蒙古低覆蓋草地葉面積指數(shù)統(tǒng)計分析Table 2 Statistical analysis of low-cover grassland leaf area index in Inner Mongolia in 2015 and 2016

圖2 2015 年和2016 年草原實(shí)測葉面積指數(shù)值統(tǒng)計圖Figure 2 Statistical chart of measured leaf area index values in grasslands in 2015 and 2016

2.2 葉面積指數(shù)與各個特征變量之間的相關(guān)性

將從Landsat-8 影像中提取出的特征變量與對應(yīng)實(shí)測點(diǎn)LAI 進(jìn)行相關(guān)性分析(圖3)。結(jié)果表明，在低植被覆蓋的情況下，LAI 與單波段反射率及常見植被指數(shù)相關(guān)性均較差，相關(guān)系數(shù)均低于0.65；植被指數(shù)均與LAI 呈正相關(guān)關(guān)系，而單波段反射率則相反，均呈負(fù)相關(guān)關(guān)系；與LAI 相關(guān)性較大的特征變量均為植被指數(shù)，而單波段反射率相關(guān)性較低，其中，相關(guān)性最高的特征為GCC 和GLI，相關(guān)系數(shù)均為0.628；相關(guān)性最低的特征為SR-B5，相關(guān)系數(shù)僅為-0.30。綜上結(jié)果表明，植被指數(shù)相較于單波段反射率具有與低覆蓋情況下的草地LAI 更好的相關(guān)性。

圖3 各變量相關(guān)性熱力圖Figure 3 Correlation heat map of variables

2.3 機(jī)器學(xué)習(xí)模型構(gòu)建

2.3.1 無特征優(yōu)選隨機(jī)森林模型和梯度提升樹模型

將全部特征變量輸入隨機(jī)森林模型和梯度提升樹模型，在無特征優(yōu)選的情況下進(jìn)行模型構(gòu)建。結(jié)果表明，2 種模型盡管在訓(xùn)練集上取得較高精度(R2分別為0.618 和0.624，RMSE 分別為0.144 和0.142)，但其在測試集上精度有待提高(R2分別為0.579 和0.550，RMSE 分別為0.117 和0.121)。

2.3.2 各特征變量在隨機(jī)森林模型及梯度增強(qiáng)樹模型中的重要性

基于上文構(gòu)建的隨機(jī)森林模型和梯度提升回歸樹模型，得出各特征變量在2 個模型中各自的重要性。22 種特征變量在隨機(jī)森林模型和梯度增強(qiáng)樹模型中的重要性百分比(圖4)表明，輸入的特征變量均對模型做出了貢獻(xiàn)，其中重要性最高的特征變量為GLI，最低的為EVI。對比各特征變量的相關(guān)性排序(圖3)，部分特征變量不僅跟LAI 具有較高的相關(guān)性，在隨機(jī)森林模型中也具有較高的重要性，如GLI；部分特征變量的排名發(fā)生了較大變化，如GARI、NDVI 和SR-B5。在梯度增強(qiáng)樹模型中，重要性最高的特征變量為DVI，其余特征變量相較于DVI，重要性呈現(xiàn)斷崖式下降；重要性值為0 的特征變量有3 個，分別為GLI、SR 和WDRVI，表明這4 個特征變量均未對構(gòu)建梯度提升回歸樹模型做出貢獻(xiàn)。相比相關(guān)性排序及隨機(jī)森林模型重要性排序，多數(shù)特征變量的排名在梯度提升回歸樹模型中發(fā)生了很大的變化，如相關(guān)性較低的DVI，在梯度增強(qiáng)樹模型中重要性最高；隨機(jī)森林模型中重要性較高的GLI，在梯度增強(qiáng)樹模型中卻未做出貢獻(xiàn)。

圖4 特征變量在隨機(jī)森林模型和梯度提升回歸樹模型中的重要性排序Figure 4 The importance sequence of feature variables in random forest and gradient boosting regression tree models

2.3.3 估算葉面積指數(shù)模型的構(gòu)建與驗(yàn)證

特征優(yōu)選過程中，隨著輸入模型特征數(shù)量的變化，模型的性能也會發(fā)生變化?；?.2 及2.3.2 中對特征變量的排序進(jìn)行特征優(yōu)選，構(gòu)建基于重要性、相關(guān)性特征優(yōu)選的隨機(jī)森林模型(I-RF 和r-RF)和基于重要性、相關(guān)性特征優(yōu)選的梯度提升回歸樹模型(I-GBRT 和r-GBRT)，確定各個模型所需特征變量后，使用交叉驗(yàn)證的方法對各個模型進(jìn)行訓(xùn)練。圖5為基于不同特征變量排序，不同數(shù)量的特征變量下，兩類機(jī)器學(xué)習(xí)模型性能變化。兩種隨機(jī)森林模型(r-RF 和I-RF)分別選取20 個和4 個特征變量構(gòu)建模型；兩種梯度提升回歸樹模型(r-GBRT 和I-GBRT)分別選取5 個和8 個特征變量構(gòu)建模型。表3 為各個模型最終選擇的特征變量。

表3 不同模型所選擇的特征變量Table 3 The selected feature variables of different models

圖5 不同數(shù)量特征變量下隨機(jī)森林模型和梯度提升回歸樹模型的變化Figure 5 Variation of random forest and gradient boosting regression tree models with different numbers of feature variables

表4 為4 種模型應(yīng)用在訓(xùn)練集和測試集上的結(jié)果，圖6 為4 種模型在測試集上的預(yù)測值與LAI 實(shí)測值的散點(diǎn)圖。總體而言，4 種模型在測試集上的R2相較于訓(xùn)練集均有所下降。隨機(jī)森林模型中，效果最好的模型為r-RF 模型，其訓(xùn)練集R2為0.687，RMSE為0.130，測試集R2相較于訓(xùn)練集R2下降0.103，僅為0.584，RMSE為0.116；梯度提升回歸樹模型中效果最好的為r-GBRT 模型，訓(xùn)練集R2為0.702，測試集R2為0.686，散點(diǎn)圖中各點(diǎn)相較于其他模型更加靠近擬合線，RMSE為4 個模型中最低，為0.101。I-RF 模型在訓(xùn)練集上效果不明顯，訓(xùn)練集R2僅為0.643；I-GBRT 模型盡管在訓(xùn)練集上效果尚可，但其在測試集上效果不佳，R2僅為0.600，預(yù)測值與實(shí)測值相差較大，表明該模型泛化能力較低。對比特征優(yōu)選前后模型結(jié)果顯示，特征優(yōu)選能有效提升機(jī)器學(xué)習(xí)模型性能；表4 結(jié)果也表明，基于相關(guān)性特征優(yōu)選的模型在精度和泛化能力方面均優(yōu)于重要性。

表4 4 種不同模型在訓(xùn)練集和測試集上的結(jié)果Table 4 The results of four different models in the training and testing datasets

圖6 LAI 實(shí)測值和模型預(yù)測值的散點(diǎn)圖Figure 6 Scatter plot of the measured values of the leaf area index and the values predicted by the model

3 討論

由于在低覆蓋區(qū)域，植被信號較弱，光譜信號以土壤背景為主，相關(guān)性結(jié)果中藍(lán)光(Blue)、綠光(Green)、紅光(Red)波段正常響應(yīng)，但近紅外(NIR)和短波紅外(SWIR)波段與LAI 負(fù)相關(guān)，且NIR 與LAI 的相關(guān)系數(shù)較低。GCC 和GLI 未包含NIR 和SWIR 這兩個波段的信息，故取得了較高的相關(guān)性。為降低土壤背景影響，本研究在確定構(gòu)建模型的特征變量時，優(yōu)先考慮了僅由藍(lán)、綠、紅波段組成的植被指數(shù)(VARI、GCC 等)，還考慮了各類土壤調(diào)節(jié)植被指數(shù)(SAVI、OSAVI 等)。在I-RF 模型所篩選出的4 個特征變量中僅包含GLI，且選出了兩個短波紅外波段，導(dǎo)致模型精度相較于其他3 種模型有所降低。

本研究分別得出了各特征變量在兩個機(jī)器學(xué)習(xí)模型中的重要性排序，相較于相關(guān)性排序，部分特征變量的位次發(fā)生了變化，這是因?yàn)橄嚓P(guān)性僅考慮各個特征變量與LAI 之間是否出現(xiàn)相關(guān)現(xiàn)象以及相關(guān)程度的大小，并未考慮特征變量之間的影響，而重要性則更加側(cè)重表現(xiàn)各個特征在構(gòu)建模型過程中的貢獻(xiàn)程度的大小。由于特征變量的輸入順序?qū)δＰ吞卣髯兞康闹匾援a(chǎn)生了影響，2 種機(jī)器學(xué)習(xí)模型的特征變量重要性排序之間也存在較大差異。隨機(jī)森林模型綜合評判了各個特征變量在隨機(jī)森林每棵樹上做出的貢獻(xiàn)；而在梯度提升回歸樹模型中，各個特征變量的重要性受到第1 個輸入模型的特征變量的影響較大，若后續(xù)特征變量與前面輸入的特征變量具有相關(guān)性，則該特征變量的重要性將出現(xiàn)較大下降，這解釋了在梯度增強(qiáng)樹模型中，第1 個特征變量的重要性遠(yuǎn)大于后續(xù)特征變量的原因。因此在本研究中，為消除特征變量輸入順序帶來的影響，兩種模型計算重要性時，均將采用相同順序輸入各個特征變量。

本研究使用的r-GBRT 模型估算內(nèi)蒙古低覆蓋草地LAI 精度(R2= 0.686)相比于冷欣等估算[13]內(nèi)蒙古草地LAI 精度(R2= 0.55)更高，提升約24.73%。

本研究中所使用的特征變量均是基于地面實(shí)測日期附近的遙感影像提取，但同時期影像有少部分缺失，無法完全覆蓋，因此使用了少部分鄰近日期的影像，這在一定程度上影響了模型精度；特征優(yōu)選部分未來可尋找更優(yōu)秀的特征篩選算法，進(jìn)一步深入研究特征優(yōu)選對模型精度的影響。

4 結(jié)論

以內(nèi)蒙古草原中低覆蓋草地為研究對象，使用光學(xué)影像數(shù)據(jù)提取相關(guān)植被指數(shù)作為特征變量，分析各個特征變量與草地LAI 的相關(guān)性及其在隨機(jī)森林模型和梯度提升回歸樹模型中的重要性進(jìn)行特征優(yōu)選，基于優(yōu)選特征變量構(gòu)建隨機(jī)森林回歸模型和梯度提升樹回歸模型，并對模型精度進(jìn)行驗(yàn)證。構(gòu)建模型的特征變量中，GLI 和GCC 與低覆蓋草地LAI 相關(guān)性較高；機(jī)器學(xué)習(xí)模型作為多變量模型在獲取植被信息方面優(yōu)于單變量模型(線性模型)；借助先驗(yàn)知識選擇特征變量能有效提升模型精度；基于相關(guān)性特征優(yōu)選的梯度提升回歸樹模型(r-GBRT)相較于其他幾種模型，使用特征變量少，估算精度最高，且泛化能力強(qiáng)；對比他人研究及相關(guān)LAI 產(chǎn)品，精度也有較大提升，說明該模型在估算低覆蓋草地LAI 有一定應(yīng)用價值。