郭 晗，陸 洲，徐飛飛，羅 明，張 序

(1.蘇州科技大學(xué) 環(huán)境科學(xué)與工程學(xué)院，江蘇 蘇州 215009； 2.中國科學(xué)院 地理科學(xué)與資源研究所，北京 100101)

葉面積指數(shù)(leaf area index，LAI)是冬小麥生長指標(biāo)監(jiān)測過程中重要的冠層結(jié)構(gòu)參數(shù)，也是冬小麥估產(chǎn)模型中重要的輸入?yún)?shù)。憑借著衛(wèi)星遙感覆蓋面積大、數(shù)據(jù)獲取及時(shí)的特點(diǎn)， 基于遙感影像的LAI反演已成為獲取LAI的重要途徑。隨著對地觀測技術(shù)的發(fā)展，富含豐富光譜信息的區(qū)域乃至全球尺度的影像獲取已經(jīng)成為可能，為大范圍冬小麥LAI的估算提供了影像基礎(chǔ)。

眾多衛(wèi)星平臺如Landsat 8衛(wèi)星、MODIS衛(wèi)星、Worldview-2衛(wèi)星、RapidEye衛(wèi)星已經(jīng)搭載多光譜譜段的傳感器，提供可用于提取植被的長勢信息的可見光-近紅外波段。如Landsat 8衛(wèi)星、MODIS衛(wèi)星、Worldview-2衛(wèi)星、RapidEye衛(wèi)星等包含可見光-近紅外波段或短波紅外波段的影像。此外，相關(guān)研究表明，紅邊信息在植被衛(wèi)星遙感監(jiān)測過程中具有較大優(yōu)勢。如Worldview-2與RapidEye等商業(yè)衛(wèi)星，紅邊波段的加入，在植被生長監(jiān)測方面具有較好的效果。近幾年歐空局發(fā)射的Sentinel-2衛(wèi)星因兼具較高空間分辨率和較高時(shí)間分辨率，且含有3個(gè)紅邊波段，為大范圍的植被生長指標(biāo)監(jiān)測提供了諸多可能。

在利用遙感影像估算植被LAI的過程中，常見的方法有經(jīng)驗(yàn)或半經(jīng)驗(yàn)?zāi)Ｐ?、機(jī)器學(xué)習(xí)算法等。其中，經(jīng)驗(yàn)或半經(jīng)驗(yàn)?zāi)Ｐ褪峭ㄟ^對植被指數(shù)進(jìn)行統(tǒng)計(jì)回歸分析構(gòu)建LAI的估算模型，實(shí)現(xiàn)LAI的預(yù)測；機(jī)器學(xué)習(xí)算法則是基于不同的模型框架，根據(jù)訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí)，構(gòu)建LAI估算模型，常見的有偏最小二乘法回歸(partial least square regression，PLSR)、高斯過程回歸(Gaussian process regression，GPR)、支持向量回歸(support vector machine， SVM)、隨機(jī)森林回歸(random forest，RF)等?；谥脖恢笖?shù)的經(jīng)驗(yàn)或半經(jīng)驗(yàn)?zāi)Ｐ屯ǔ＞哂休^好的機(jī)理性，可操作性強(qiáng)，但易出現(xiàn)病態(tài)反演的問題。機(jī)器學(xué)習(xí)算法較強(qiáng)的數(shù)據(jù)解析能力，能夠避免病態(tài)反演的問題且具有較高的精度，但模型的機(jī)理解釋性尚待加強(qiáng)?；谥脖恢笖?shù)的經(jīng)驗(yàn)或半經(jīng)驗(yàn)?zāi)Ｐ团c機(jī)器學(xué)習(xí)算法各有優(yōu)勢，互相補(bǔ)充，已被廣泛應(yīng)用于植被LAI的估算研究。已有研究通過融合兩類算法，在波段反射率的基礎(chǔ)上，將多個(gè)植被指數(shù)作為機(jī)器學(xué)習(xí)算法的輸入變量，改善植被長勢參數(shù)的估算模型。但是過多輸入變量的引入會(huì)增加計(jì)算負(fù)荷，降低大范圍LAI估算效率，同時(shí)數(shù)據(jù)冗余的風(fēng)險(xiǎn)加大。因此，輸入變量的篩選是必要且重要的。雖然部分機(jī)器學(xué)習(xí)算法自帶變量篩選的功能，如PLSR、RF，但是該篩選功能僅聚焦于輸入變量與目標(biāo)變量之間的相關(guān)性。然而，在植被LAI的遙感估算方面，植被的光譜表現(xiàn)是一項(xiàng)綜合指標(biāo)，不僅僅受到LAI的影響，同時(shí)也會(huì)受到葉綠素、葉傾角、干物質(zhì)等其他參數(shù)的影響。所以需要具有同時(shí)評估多個(gè)參數(shù)對光譜影響大小的方法來彌補(bǔ)機(jī)器學(xué)習(xí)的不足。

常見的評估多個(gè)參數(shù)對光譜影響大小的敏感性分析方法有兩類，包括全局敏感性分析(global sensitivity analysis， GSA)和局部敏感性分析(local sensitivity analysis，LSA)：前者是對所有輸入?yún)?shù)評估及分析對最終結(jié)果的貢獻(xiàn)程度，常見的有擴(kuò)展傅里葉振幅靈敏度試驗(yàn)(extended fourier amplitude sensitivity test，EFAST)、Sobol法等；后者則在保持其他輸入變量不變的情況下，逐個(gè)分析每個(gè)輸入變量對輸出結(jié)果影響的大小。相較于局部敏感性分析，全局敏感性分析能夠完成模型所有輸入?yún)?shù)之間的交互影響評價(jià)，優(yōu)勢明顯。當(dāng)前，已有學(xué)者嘗試結(jié)合全局敏感性分析與植被輻射傳輸模型(PROSAIL模型等)開展植被長勢參數(shù)對光譜變量影響大小的評估，尤其是多個(gè)長勢參數(shù)之間的交互作用影響大小的評估，但是應(yīng)用Sentinel-2衛(wèi)星結(jié)合全局敏感性分析與植被輻射傳輸模型，并結(jié)合機(jī)器學(xué)習(xí)進(jìn)一步應(yīng)用于大范圍冬小麥LAI的估算鮮有報(bào)道。

本研究采用Sentinel-2多光譜影像數(shù)據(jù)，提出了全局敏感性分析與機(jī)器學(xué)習(xí)算法相結(jié)合(GSA-ML)估算冬小麥LAI的方法；即利用EFAST與PROSAIL模型評估不同植被長勢參數(shù)對Sentinel-2光譜變量影響大小，然后通過多種變量篩選的策略，基于實(shí)測數(shù)據(jù)評估篩選后的不同變量、不同機(jī)器學(xué)習(xí)算法估算冬小麥LAI的表現(xiàn)，最終得到大范圍冬小麥LAI估算的最優(yōu)變量組合及估算模型。本研究提出的GSA-ML估算冬小麥LAI，以期豐富大田尺度下遙感估算冬小麥LAI方法，提高模型的精度、機(jī)理性及適用性，解決當(dāng)前普遍面臨的數(shù)據(jù)冗余的問題。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于江蘇省高郵與姜堰地區(qū)。該區(qū)域的年均溫度在15 ℃左右，年均降水量在1 032.3 mm左右，土壤類型主要為壤土，研究區(qū)內(nèi)冬小麥為揚(yáng)麥158，在2017年10月下旬播種，于2018年6月成熟收獲。試驗(yàn)于2018年4月19日開展，選擇了46個(gè)冬小麥田樣點(diǎn)作為地面調(diào)查的對象，該田塊為稻麥輪作與秸稈還田(圖1)。

圖1 研究區(qū)及地面調(diào)查樣點(diǎn)分布Fig.1 Location of study area and the distribution of ground samples

1.2 Sentinel-2影像獲取及預(yù)處理

Sentinel-2包含兩顆衛(wèi)星，分別是2015年發(fā)射的Sentinel-2A與2017年發(fā)射的Sentinel-2B，兩者均搭載多光譜傳感器，能夠獲取具有13個(gè)不同空間分辨率波段的多光譜影像，波段信息如表1所示。波段范圍從可見光、近紅外到短波紅外， 是唯一在紅邊范圍含有3個(gè)波段的衛(wèi)星， 最高空間分辨率為10 m， 幅寬為 290 km， 兩星共同工作時(shí)間分辨率可以提高至5 d。

表1 Sentinel-2波段信息

本研究根據(jù)地面采樣時(shí)間獲取2018年4月19日的Sentinel-2衛(wèi)星影像，獲取的Sentinel-2影像數(shù)據(jù)經(jīng)過官方發(fā)布的Sen2Cor 2.5.5進(jìn)行輻射定標(biāo)與大氣校正。隨后利用Sen2Res 1.0 將Sentinel-2影像中20 m空間分辨率的波段降尺度至10 m。本研究尚未涉及用于大氣成分監(jiān)測且分辨率為60 m的3個(gè)波段，包括B1、B9、B10。

1.3 小麥LAI估算方法

本研究在PROSAIL模型的基礎(chǔ)上引入GSA，測試不同光譜變量對不同作物長勢參數(shù)的響應(yīng)情況，而后在GSA所得結(jié)果的基礎(chǔ)上提出了4種變量篩選的策略并將篩選得到的光譜變量應(yīng)用于實(shí)測數(shù)據(jù)，作為機(jī)器學(xué)習(xí)估算小麥LAI過程中的輸入變量，形成了用于小麥LAI估算的新方法，即GSA-ML，具體流程如圖2所示。

圖2 利用GSA-ML估算小麥LAI的方法Fig.2 Wheat LAI estimation by using GSA-MLs

1.3.1 PROSAIL模型模擬數(shù)據(jù)

為了定量不同長勢參數(shù)對同一光譜變量影響大小并篩選出用于LAI估算的敏感變量，本研究利用PROSAIL模型進(jìn)行數(shù)據(jù)模擬。其中，模型輸入?yún)?shù)的設(shè)置參考前人關(guān)于小麥的研究(表2)。PROSAIL模型中的參數(shù)在確定范圍后經(jīng)馬爾科夫鏈-蒙特卡羅方法(MCMC)進(jìn)行采樣，總計(jì)獲取8 000個(gè)樣本，用于EFAST的敏感性計(jì)算。

表2 PROSAIL模型的參數(shù)設(shè)置

1.3.2 植被指數(shù)

本文選擇了一些常見的用于植被LAI估算的植被指數(shù)，具體如表3所示。由于Sentinel-2影具有3個(gè)紅邊波段與2個(gè)短波紅外波段，因此，本文在計(jì)算紅邊植被指數(shù)與短波紅外相關(guān)植被指數(shù)過程中，紅邊植被指數(shù)分別基于Sentinel-2的3個(gè)紅邊波段構(gòu)建了3次，而所有基于短波紅外波段構(gòu)建的植被指數(shù)分別用Sentinel-2的2個(gè)短波紅外波段構(gòu)建2次。

表3 用于估算小麥LAI的植被指數(shù)

1.3.3 全局敏感性分析篩選光譜變量策略

首先基于PROSAIL模型模擬數(shù)據(jù)，利用全局敏感性分析中的EFAST比較不同光譜變量對不同長勢參數(shù)響應(yīng)的敏感性分析。其中，馬爾科夫鏈-蒙特卡羅方法被用于模型輸入樣本的生成，根據(jù)表2中各輸入?yún)?shù)的范圍與模型設(shè)置的采樣參數(shù)N進(jìn)行采樣(本研究設(shè)置N=1 000)，總計(jì)獲取8 000個(gè)樣本用于不同光譜變量對各參數(shù)響應(yīng)的敏感性分析。然后，基于EFAST所得不同光譜變量對各參數(shù)響應(yīng)的一階靈敏度(first order sensitivity)結(jié)果(S)，利用下述4種策略進(jìn)行機(jī)器學(xué)習(xí)輸入變量的排序。

策略一：僅根據(jù)LAI的敏感性分析結(jié)果S的大小進(jìn)行光譜變量篩選；

策略二：同時(shí)考慮LAI與Cab兩者敏感性的總和，根據(jù)S+S的大小進(jìn)行光譜變量篩選；

策略三：同時(shí)考慮高LAI敏感性與低交叉互作影響，根據(jù)S-S進(jìn)行光譜變量；

策略四：為避免參數(shù)之間的交叉互作影響，同時(shí)考慮高LAI敏感性、高Cab敏感性與低交叉互作影響，根據(jù)S+S-S進(jìn)行光譜變量的排序。

根據(jù)以上4種變量篩選策略，分別篩選前10、20、30個(gè)變量用于機(jī)器學(xué)習(xí)估算小麥LAI。本研究基于Python3.7環(huán)境下的Sklearn構(gòu)建機(jī)器學(xué)習(xí)算法，計(jì)算機(jī)型號為聯(lián)想ThinkStation P520，操作系統(tǒng)為Windows10，其GPU為 NVIDIA Quadro P6000 (32 Gb)，CPU為Inter(R)Xeon(R) W-2125 CPU (32 Gb)。

1.3.4 機(jī)器學(xué)習(xí)

偏最小二乘法(PLSR)綜合了多元回歸分析、典型相關(guān)分析和主成分分析的思想，能夠在自變量存在嚴(yán)重多重相關(guān)性、樣本點(diǎn)個(gè)數(shù)少于變量個(gè)數(shù)的條件下進(jìn)行回歸建模。與傳統(tǒng)的最小二乘回歸方法相比，PLSR的變量共線性強(qiáng)度壓縮通過對信息綜合及篩選提取，獲取對響應(yīng)變量最優(yōu)解釋能力的新成分。基于PLSR建立的LAI光譜預(yù)測模型能有效地減少光譜維數(shù)，揭示最大LAI變化的主控因子，建立模型有更好的穩(wěn)定性。

支持向量機(jī)(SVM)是一種以非線性映射為理論基礎(chǔ)的小樣本機(jī)器學(xué)習(xí)方法。徑向基核函數(shù)被認(rèn)為是具有良好分類功能，是最常用的核函數(shù)。本文選用SVR_Epsilon模型、高斯徑向基核函數(shù)(RBF)，通過調(diào)節(jié)拉格朗日乘上界，不敏感損失函數(shù)的參數(shù)、相對誤差參數(shù)，實(shí)現(xiàn)模型最優(yōu)解。SVR中的參數(shù)用交叉驗(yàn)證法獲得，同時(shí)為防止“過學(xué)習(xí)”，對參數(shù)C進(jìn)行適當(dāng)調(diào)整。

隨機(jī)森林算法(RF)模型是建立在決策樹基礎(chǔ)上的一種集成學(xué)習(xí)方法，通過多次bootstrap抽樣獲得多個(gè)隨機(jī)樣本，并通過這些樣本分別建立相對應(yīng)的決策樹，從而構(gòu)成隨機(jī)森林。本研究應(yīng)用 Python中Scikitlearn 庫建立隨機(jī)森林模型，回歸樹數(shù)量ntree為600，每棵樹隨機(jī)抽取特征變量mtry為6，其余參數(shù)選擇默認(rèn)設(shè)置。

1.4 模型精度評估

在LAI估算方面，本研究利用2017—2018年地面實(shí)測數(shù)據(jù)進(jìn)行模型的構(gòu)建，通過計(jì)算決定系數(shù)(R)和均方根誤差(RMSE)來衡量不同光譜變量、不同機(jī)器學(xué)習(xí)法估算小麥LAI的模型構(gòu)建精度，具體公式如下：

(1)

(2)

式(2)中：表示RMSE的值；表示樣本數(shù)；、分別表示LAI的預(yù)測值和實(shí)測值。

2 結(jié)果與分析

2.1 不同光譜變量估算小麥LAI的表現(xiàn)

從相關(guān)性分析結(jié)果表4來看，在各波段與LAI相關(guān)性中，紅波段R、紅邊波段RE1、RE2，以及近紅外NIR、NNIR波段光譜反射率與LAI具有顯著相關(guān)性，且5個(gè)波段的相關(guān)系數(shù)大都高于0.450，說明紅邊波段及近紅外波段在冬小麥長勢監(jiān)測中具有很好的有效性。同時(shí)相關(guān)性最高的為近紅外NIR波段，相關(guān)系數(shù)()為0.463，RMSE為0.979。由于RE-2相對于其他兩個(gè)紅邊波段(包括RE-1、RE-3)位于紅邊區(qū)域的中心，大多數(shù)由RE-2構(gòu)建的紅邊植被指數(shù)具有對LAI更高的敏感性。另外，NDRE相較于NDVI來說，可以克服在高LAI值下的飽和問題，同時(shí)對作物葉片水分和葉綠素含量表現(xiàn)出較弱的敏感性?？傮w來看，加入紅邊波段的植被指數(shù)與傳統(tǒng)近紅外植被指數(shù)相比，相關(guān)性提升。

2.2 不同光譜變量全局敏感性分析的結(jié)果

本研究利用EFAST測試了PROSAIL模型中不同作物長勢參數(shù)對Sentinel-2多光譜信息的影響情況，包括原始的波段反射率及其衍生出的多個(gè)植被指數(shù)，如圖3所示。結(jié)果顯示，大多數(shù)光譜變量都敏感于LAI，但是受到其他參數(shù)不同程度的影響，影響較大的有葉綠素含量、平均葉傾角以及參數(shù)之間的耦合作用影響。其中，平均葉傾角(Lidfa)雖然對紅邊波段(包括RE-1、RE-2、RE-3)及NIR具有明顯的影響，但是通過植被指數(shù)的構(gòu)建能夠較大程度地降低這類影響；葉綠素含量(Cab)雖然對RE-2影響較小，但是植被指數(shù)的構(gòu)建會(huì)放大其影響，包括2.1部分所得最佳表現(xiàn)的NDRE2與SARE2；而由SWIR波段及其構(gòu)建的植被指數(shù)雖然不受平均葉傾角與葉綠素含量的影響，但是會(huì)遭受等效水厚度(Cw)的影響。綜合以上情況，大部分植被指數(shù)在估算小麥LAI時(shí)會(huì)遭受其他參數(shù)影響，需要機(jī)器學(xué)習(xí)法整合多個(gè)變量的LAI敏感性來提高小麥LAI的估算精度(表4)。

表4 單波段反射率及植被指數(shù)與LAI相關(guān)性

2.3 光譜變量排序結(jié)果

本研究基于各長勢參數(shù)對不同光譜變量影響大小的結(jié)果，即全局敏感性分析所得一階靈敏度結(jié)果，利用4種變量排序的策略，包括S、S+S、S-S和S+S-S，進(jìn)行光譜變量的排序(表5)，并分別篩選前10、20與30個(gè)光譜變量作為不同機(jī)器學(xué)習(xí)法(PLSR、SVM、RF)的輸入變量，對比LAI估算的精度與機(jī)器學(xué)習(xí)法運(yùn)算的效率。

圖3 不同光譜變量全局敏感性分析結(jié)果Fig.3 Sensitivity of different vegetation growth parameters to different spectral variables

結(jié)果顯示，在不考慮Cab的(Strategy 1和Strategy 3)情況下，由于G、RE-1、RE-2波段構(gòu)建的植被指數(shù)遭受Cab的影響具有較低的LAI敏感性未排列在前列，而大部分非紅邊植被指數(shù)由于遭受到的Cab影響較小排在前列(圖3)；在同時(shí)考慮Cab與LAI敏感性(Strategy 2和Strategy 4)的情況下，部分由RE-2構(gòu)建紅邊植被指數(shù)排在前列。值得注意的是，這兩個(gè)策略排列與篩選得到的光譜變量組合在通過機(jī)器學(xué)習(xí)估算LAI過程中存在受植被葉綠素影響造成模型精度或普適性低的風(fēng)險(xiǎn)；除了參數(shù)各自敏感性影響外，參數(shù)之間的交互影響也是降低LAI估算模型精度低的一大原因。因此，本研究進(jìn)一步考慮低參數(shù)互作影響(Strategy 3和Strategy 4)的情況。另外，在4種篩選策略中，由G波段構(gòu)建的MTVI2表現(xiàn)較為穩(wěn)定，這是因?yàn)樗軌蛴行У亟档虲ab的影響并保留LAI的敏感性，然而在LAI估算過程中存在估算精度不如紅邊植被指數(shù)的表現(xiàn)(表5)。

表5 不同策略光譜變量排序結(jié)果

2.4 不同機(jī)器學(xué)習(xí)估算小麥LAI的表現(xiàn)

本研究基于排序結(jié)果進(jìn)行不同的篩選策略，包括篩選前10、20、30個(gè)變量用于機(jī)器學(xué)習(xí)估算小麥LAI，并對比不同策略估算小麥LAI的精度以及影像應(yīng)用過程中計(jì)算機(jī)的計(jì)算速度，結(jié)果如表6所示。

表6 冬小麥LAI估算模型對比

在不同GSA-MLs對比方面，相對于GSA-PLSR和GSA-SVM，GSA-RF整體表現(xiàn)效果最佳，在0.90～0.94，RMSE在0.38～0.48；在不同變量篩選策略對比方面，由于同時(shí)考慮了LAI、Cab以及植被長勢參數(shù)之間耦合作用影響，通過S+S-S策略進(jìn)行光譜變量排序與篩選更有利于LAI的估算，其中通過RF估算小麥LAI表現(xiàn)最佳，在利用10、20、30個(gè)變量的表現(xiàn)分別為=0.92、RMSE=0.42，=0.92、RMSE=0.42與=0.94、RMSE=0.38。同MLs(表7)對比，GSA-MLs能過通過更少的輸入變量來得到相似的LAI估算效果，提高機(jī)器學(xué)習(xí)運(yùn)行過程中計(jì)算機(jī)的計(jì)算效率。

表7 MLs法估算小麥LAI的比較

2.5 應(yīng)用案例

基于上述對比結(jié)果，本研究綜合考慮LAI的估算精度與計(jì)算機(jī)運(yùn)算效率，選用了變量數(shù)為10的3種GSA-MLs進(jìn)行進(jìn)一步的對比。利用所有變量和基于全局敏感性分析獲取的策略S+S-S中的變量，分別訓(xùn)練機(jī)器學(xué)習(xí)模型，對保存的模型進(jìn)行預(yù)測時(shí)間評估。本研究選取研究區(qū)內(nèi)一幅大小為2 000 pixel×2 000 pixel像素的影像，分別應(yīng)用不同模型計(jì)算預(yù)測所需要的時(shí)間，如表8所示。未進(jìn)行全局敏感性分析，參與計(jì)算的變量較多，增加了計(jì)算時(shí)間，其中PLSR需要487.772 s，而進(jìn)行敏感性分析篩選后，計(jì)算時(shí)間為226.270 s節(jié)省了53.6%的時(shí)間，同時(shí)GSA-SVM和GSA-RF與此類似。

表8 不同估算模型應(yīng)用過程中的計(jì)算機(jī)運(yùn)行時(shí)間

隨后，本研究進(jìn)一步將LAI估算方面表現(xiàn)最佳的模型(RF)應(yīng)用于姜堰地區(qū)，基于4 748 pixel×4 231 pixel的Sentinel-2影像，繪制LAI的空間分布(圖4)，期間機(jī)器學(xué)習(xí)的計(jì)算時(shí)長為618.920 s。所得LAI的空間分布均處于合理值范圍，且同實(shí)際生產(chǎn)具有一致性，說明本研究所得方法在應(yīng)用過程中具有可行性。

圖4 由GSA-RF反演的葉面積指數(shù)分布圖Fig.4 LAI map generated by GSA-RF

3 討論

3.1 GSA-MLs估算小麥LAI的優(yōu)勢

本研究提出了結(jié)合全局敏感性分析與機(jī)器學(xué)習(xí)(GSA-MLs)提高小麥LAI估算精度、效率的方法。首先進(jìn)行光譜變量的篩選，在提高機(jī)器學(xué)習(xí)法估算LAI精度以及應(yīng)用過程中計(jì)算機(jī)計(jì)算效率的同時(shí)，提高了機(jī)器學(xué)習(xí)應(yīng)用過程中的機(jī)理性。綜合對比LAI估算精度、計(jì)算機(jī)運(yùn)行效率，結(jié)果顯示，GSA-RF具有最佳的表現(xiàn)。

3.2 基于PROSAIL模型輸入?yún)?shù)全局敏感性分析的優(yōu)勢

運(yùn)用PROSAIL模型進(jìn)行全局敏感性分析的優(yōu)勢在于不僅能夠考慮目標(biāo)參數(shù)對光譜變量的影響，還能將目標(biāo)參數(shù)以外其他參數(shù)以及不同參數(shù)之間交互作用影響納入考慮。既能獲取單個(gè)參數(shù)對模型輸出變量的敏感性，也能獲取參數(shù)單獨(dú)作用及其與其他參數(shù)之間的交互作用對模型輸出變量的敏感性。從結(jié)果上看，充分考慮各個(gè)參數(shù)及互作影響下，SARE2與LAI的敏感性最強(qiáng)，并與葉綠素含量也具有較強(qiáng)的敏感性，各參數(shù)之間互作較小，進(jìn)一步說明在小麥孕穗期LAI與葉綠素含量密切相關(guān)，這與Houborg等的結(jié)論一致。本文選用小麥孕穗期估算LAI，冠層覆蓋率大，未考慮其他生育進(jìn)程情況，如何將小麥的生育時(shí)期作為模型的輸入?yún)?shù)，有待進(jìn)一步研究。

4 結(jié)論

本文開展了結(jié)合全局敏感性分析與機(jī)器學(xué)習(xí)法的研究，提出了GSA-ML，利用全局敏感性分析綜合評估LAI的光譜變量，通過4種策略(S、S+S、S-S和S+S-S)篩選出對LAI敏感性高且對其他參數(shù)敏感性低的光譜變量，而后用機(jī)器學(xué)習(xí)法整合篩選得到的光譜變量來估算小麥LAI。結(jié)果顯示， 51個(gè)光譜變量整體對LAI具有較好的敏感性，其中紅邊植被指數(shù)主要受Cab的影響，而短波紅外相關(guān)的植被指數(shù)主要受Cw的影響，所有光譜變量均會(huì)受到參數(shù)之間的交互作用。通過對比4種光譜變量篩選策略以及不同機(jī)器學(xué)習(xí)法在LAI估算方面的表現(xiàn)，結(jié)果顯示，S-S篩選得到的30個(gè)光譜變量通過RF估算小麥LAI表現(xiàn)最佳(=0.94，RMSE=0.38)，并且在模型反演LAI的過程中，相對于51個(gè)光譜變量的運(yùn)行時(shí)間縮短了54.13%。本研究提出的結(jié)合全局敏感性分析與機(jī)器學(xué)習(xí)，在提高機(jī)器學(xué)習(xí)法估算LAI精度以及應(yīng)用過程中計(jì)算效率的同時(shí)，提高了機(jī)器學(xué)習(xí)應(yīng)用過程中的機(jī)理性。