利用随机森林法协同SIF和反射率光谱监测小麦条锈病

• Published in: 农业工程学报 Vol. 35; no. 13; pp. 154 - 161
• Main Authors: 竞霞, 白宗璠, 高媛, 刘良云
• Format: Journal Article
• Language: Chinese
• Published: 中国科学院遥感与数字地球研究所,北京 100094%中国科学院遥感与数字地球研究所,北京,100094 01.07.2019; 西安科技大学测绘科学与技术学院,西安,710054%西安科技大学测绘科学与技术学院,西安 710054
• Subjects: 微分光谱指数; 监测; 随机森林; 条锈病; 遥感; 小麦; 日光诱导叶绿素荧光
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2019.13.017

S512.1+1; 小麦受到条锈病菌侵染后,作物的光合能力及色素含量等均会发生变化,日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)对作物光合生理的变化比较敏感,而反射率光谱则受作物生化参数的影响较大,为了提高小麦条锈病的遥感探测精度,该文利用随机森林(random forest,RF)等机器学习算法开展了协同冠层SIF和反射率微分光谱指数的小麦条锈病病情严重度的遥感探测研究.首先利用3FLD(three bands fraunhofer line discrimination)算法提取了冠层SIF数据,然后结合对小麦条锈病病情严重度敏感的11种反射率微分光谱指数分别基于RF和后向传播(back propagation,BP)神经网络算法构建了反射率微分光谱指数与冠层SIF协同的小麦条锈病病情严重度预测模型.研究结果表明:RF算法构建的小麦条锈病病情严重度预测模型优于BP神经网络算法,3个样本组中RF模型病情指数(disease index,DI)估测值与实测值间的决定系数R2平均为0.92,比BP神经网络模型(R2的平均值为0.83)提高了11％,均方根误差(root mean square error,RMSE)平均为0.08,比同组BP神经网络模型(RMSE的平均值为0.12)减少了33％,RF算法更适合于小麦条锈病病情严重度的遥感探测.在反射率微分光谱指数中加入冠层SIF数据后,RF模型和BP神经网络模型精度均有所改善,其中RF模型估测值与实测值间的平均R2提高了4％,平均RMSE减少了22％,BP神经网络模型估测值与实测值间的平均R2提高了14％,平均RMSE减少了28％,综合利用冠层SIF和反射率微分光谱指数能够改善小麦条锈病病情严重度的遥感探测精度.研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供新的思路.