一种基于植被指数融合的LAI定量模型建立的方法技术

本发明专利技术公开了一种基于植被指数融合的LAI定量模型建立的方法，属于机器学习和农业定量遥感领域，S1：研究区域影像预处理；S2：样区选取；S3：地面实测数据获取；S4：提取波段和多个植被指数；S5：显著性分析；S6：逐步多元线性回归建模并评定精度；S7：利机器学习回归建模并评定精度；S8：比较模型精度，筛选较优LAI定量模型，对研究区遥感影像进行LAI可视化填图。通过对极显著相关的多个植被指数采用逐步式多元线性回归以及通过对粒子群优化，寻找最优的惩罚系数C和gamma，实现对机器学习模型算法的改进优化，使得其在LAI定量模型反演中具有较高精度，更适于卫星影像反演作物LAI领域。

A quantitative model of Lai based on vegetation index fusion

【技术实现步骤摘要】
一种基于植被指数融合的LAI定量模型建立的方法
本专利技术属于机器学习和农业定量遥感领域，涉及一种基于植被指数融合的LAI定量模型建立的方法。
技术介绍
叶面积指数(leafareaindex，以下简称LAI)是反映作物群体大小的较好的动态指标。一般作物LAI定量模型的构建主要基于单一类型的波段或植被指数及建立固定自变量个数的多元线性或者非线性模型，无论以上哪种建模技术，本质是建立的经验模型，不可避免有区域性、模型鲁棒性、作物品种和样本量等等因素制约。针对于农业定量化而言，如何做到高精度高效，有效提高模型鲁棒性是目前LAI定量模型构建的一个重点，传统方法上建立固定自变量个数的多元线性或者非线性模型，虽然可以适当提高作物LAI定量模型的精度，但参与建模的自变量往往很多，从而大大增加模型复杂度，不利于推广使用。同时，随着卫星数据源和数据量的增多，植被指数的丰富性极大的扩充，针对于具体作物敏感性筛选，提取较为适用的植被指数融合构建高精度LAI定量模型提出新要求。当下，传统的建立LAI定量模型主要有以下几种方法：1.单类型变量线性或非线性模型；2.简单多元线性模型；3.简单机器学习模型。上述传统方法针对作物模型较低精度要求是可以满足实际需求的，但是，随着卫星数据源和数据量的增加、农作物种类越发复杂、样区和样本量的扩大，传统方法模型的精度需提高。
技术实现思路
本专利技术的目的在于：提供了一种基于植被指数融合的LAI定量模型建立的方法，解决了上述
技术介绍
提到的问题。本专利技术采用的技术方案如下：一种基于植被指数融合的LAI定量模型建立的方法，包括以下步骤：S1：研究区域影像预处理：获取研究区域的哨兵2号数据和研究区域的矢量文件，进行预处理，得到研究区域的精校正的影像数据；预处理包括进行辐射定标和大气校正等预处理操作。获取研究区域的哨兵2号数据和对应矢量SHP文件，利用Sen2cor插件对哨兵2号完成辐射定标与大气校正，校正后，空间分辨率10m有4个波段，同时运用Arcgis对空间分辨率20m的其余6个波段进行重采样，最终运用ENVI的多波段图层叠加(layerstacking)功能对波段进行合并，完成哨兵2号空间分辨率10m的10波段的精校正。S2：样区选取：依据步骤S1得到的研究区域影像数据，选取一定数量的作物样区作为样本点，样本划分为2/3样本集的训练样本和1/3样本集的测试样本；S3：地面实测数据获取：使用手持LAI叶面积仪采集步骤S2中选取的每个作物样区的平均LAI值，作为实验的实测LAI值，并按2:1的比例进行数据划分；S4：提取波段和多个植被指数：提取研究区域卫星影像的各个波段及植被指数；首先运用ENVI计算步骤S1中得到的研究区域影像数据的不同植被指数数据，如归一化差值植被指数(NVI)、比值植被指数(RVI)、增强型植被指数(EVI)、优化比值植被指数(MSR)等等。同时，依据影像光谱特征使用ENVI软件对研究区影像采取决策树分类，对样区进行提取，进而转换为样区的SHP文件。在Arcgis中，选择部分代表性强的样区要素，再运用“要素转点”和“值提取至点”工具，实现样区波段和植被指数的提取。S5：显著性分析：分析步骤S4中的波段和植被指数与步骤S3中的实测LAI值的显著性关系，筛选0.01极显著水平的波段和植被指数；分析步骤S4中提取的波段和植被指数与步骤S3中实测LAI的显著性关系，有效利用卫星数据源数据，依据训练集的自由度，运用多种波段的多种植被指数对作物LAI进行敏感性筛选，进而筛选达到0.01极显著水平的波段和植被指数，最大化的利用数据信息。S6：利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行逐步多元线性回归建模并评定精度；利用步骤S5中极显著的波段和植被指数为自变量，和步骤S3中实测LAI值为因变量。以因子达到0.05显著水平为进入或删除的自变量个数，以赤池信息准则(AIC)为标准，筛选模型复杂度最优的LAI模型。使用筛选模型对测试集进行测试，并使用R2、RMSE和NRMSE进行精度评价。在使用R2、RMSE和NRMSE进行模型精度评价时，一般情况下，R2越高，RMSE越低，表示模型拟合效果越好。nRMSE在描述模型验证精度时一般会给定界定范围:nRMSE<10％估测值和实测值一致性为极好；10％≤nRMSE<20％估测值和实测值一致性为好；20≤nRMSE<30％估测值和实测值一致性为中等，nRMSE≥30％估测值和实测值一致性较差。S7：利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行机器学习回归建模并评定精度；利用步骤S5中极显著的波段和植被指数为自变量，和步骤S3中实测LAI值为因变量。依据粒子群优化算法，寻找最优的惩罚系数C和gamma。惩罚系数C是指对误差的宽容度，gamma决定了数据映射到新的特征空间后的分布。获得最适合样本区域的最佳惩罚系数C和gamma后，进而以RBF高斯核进行SVM支持向量机回归以及BP神经网络回归分别建模。使用SVM模型和BP神经网络模型对测试样本进行验证并使用R2、RMSE和NRMSE进行精度评价。S8：比较步骤S6和步骤S7中的模型精度，筛选较优LAI定量模型，并对研究区遥感影像进行LAI可视化填图。通过ENVI以及Arcgis对研究区进行LAI可视化的分类分级填图。进一步地，所述步骤S6中逐步多元线性回归建模并评定精度包括以下步骤：S61:将步骤S5中的0.01极显著的波段和植被指数作为自变量，步骤S3中的实测LAI值作为因变量，使用步骤S2中的训练样本集，以0.05显著水平为进入或删除自变量个数，以赤池信息准则为标准，筛选模型复杂度最优的LAI模型；S62:基于步骤S2中的测试样本进行验证并评定精度。使用R2、RMSE和NRMSE进行精度评价。在使用R2、RMSE和NRMSE进行模型精度评价时，一般情况下，R2越高，RMSE越低，表示模型拟合效果越好。nRMSE在描述模型验证精度时一般会给定界定范围:nRMSE<10％估测值和实测值一致性为极好；10％≤nRMSE<20％估测值和实测值一致性为好；20≤nRMSE<30％估测值和实测值一致性为中等，nRMSE≥30％估测值和实测值一致性较差。随着卫星数据的发展，多种植被指数被发掘，作物LAI不仅仅局限于一种，单类型模型会忽略其他相关性极强的植被指数或波段不利于提高作物LAI反演精度。传统的简单多元线性模型虽然融合了多种植被指数和波段参与建模，但增加了模型复杂度，且有些变量对于模型的权重占比较低，删除反而对于模型精度影响不大，并能有效优化模型复杂度的变量。本专利技术突破单类型变量模型，融合高效的植被指数对LAI进行反演。模型复杂度的优化，针对于简单多元线性模型的全部采用敏感因子的方法，采用逐步回归式的多元线性，通过删除或加入不同0.01的极显著因子优化模型，本文档来自技高网...

【技术保护点】
1.一种基于植被指数融合的LAI定量模型建立的方法，其特征在于：包括以下步骤：/nS1：研究区域影像预处理：获取研究区域的哨兵2号数据和研究区域的矢量文件，进行预处理，得到研究区域的精校正的影像数据；/nS2：样区选取：依据步骤S1得到的研究区域影像数据，选取一定数量的作物样区作为样本点，样本划分为2/3样本集的训练样本和1/3样本集的测试样本；/nS3：地面实测数据获取：使用手持LAI叶面积仪采集步骤S2中选取的每个作物样区的平均LAI值，作为实验的实测LAI值，并按2:1的比例进行数据划分；/nS4：提取波段和多个植被指数：提取研究区域卫星影像的各个波段及植被指数；/nS5：显著性分析：分析步骤S4中的波段和植被指数与步骤S3中的实测LAI值的显著性关系，筛选0.01极显著水平的波段和植被指数；/nS6：利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行逐步多元线性回归建模并评定精度；/nS7：利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行机器学习回归建模并评定精度；/nS8：比较步骤S6和步骤S7中的模型精度，筛选较优LAI定量模型，并对研究区遥感影像进行LAI可视化填图。/n...

【技术特征摘要】
1.一种基于植被指数融合的LAI定量模型建立的方法，其特征在于：包括以下步骤：
S1：研究区域影像预处理：获取研究区域的哨兵2号数据和研究区域的矢量文件，进行预处理，得到研究区域的精校正的影像数据；
S2：样区选取：依据步骤S1得到的研究区域影像数据，选取一定数量的作物样区作为样本点，样本划分为2/3样本集的训练样本和1/3样本集的测试样本；
S3：地面实测数据获取：使用手持LAI叶面积仪采集步骤S2中选取的每个作物样区的平均LAI值，作为实验的实测LAI值，并按2:1的比例进行数据划分；
S4：提取波段和多个植被指数：提取研究区域卫星影像的各个波段及植被指数；
S5：显著性分析：分析步骤S4中的波段和植被指数与步骤S3中的实测LAI值的显著性关系，筛选0.01极显著水平的波段和植被指数；
S6：利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行逐步多元线性回归建模并评定精度；
S7：利用步骤S5中的0.01极显著的波段和植被指数和步骤S3中的实测LAI值进行机器学习回归建模并评定精度；
S8：比较步骤S6和步骤S7中的模型精度，筛选较...

【专利技术属性】
技术研发人员：陈鹏，谷俊鹏，汪泽民，徐博，冯申申，
申请(专利权)人：国智恒北斗好年景农业科技有限公司，
类型：发明
国别省市：河南;41