[发明专利]一种融合因子分析和蚁群小波神经网络模型的夏玉米LAI反演方法

说明书

本发明提出一种基于GF‑2数据反演叶面积指数的因子分析‑蚁群小波神经网络模型，为快速准确大范围的作物LAI遥感反演提供了新方法。该方法包括如下步骤：步骤1)数据获取：以GF‑2数据为遥感数据源，依据实验方案获取LAI数据；步骤2)植被指数选取：选择20种广泛使用的植被指数作为因子分析‑蚁群小波神经网络模型输入变量；步骤3)模型构建：计算20种植被指数并提取GF2影像对应实测LAI的植被指数，分析植被指数与LAI之间的相关性。利用SPSS对植被指数进行因子分析，将得到的公共因子作为蚁群小波神经网络输入变量，对应LAI作为模型输出变量，进行LAI估算模型构建；步骤4)模型精度验证：使用构建的因子分析‑蚁群小波神经网络模型，验证模型的反演精度。

技术领域

本发明涉及一种用于估算植被叶面积指数的机器学习模型，基于GF-2数据反演夏玉米叶面积指数的因子分析-蚁群小波神经网络模型，为快速准确大范围夏玉米LAI遥感反演提供一种新的思路和方法。

背景技术

叶面积指数(Laef Area Index，LAI)是陆地植被生态系统中定量描述叶片面积的重要几何结构参量，通常定义为单位地表面积上所有绿叶面积总和的一半。LAI表征植被空间分布，与植被光合作用、呼吸作用、蒸散发等生理生化过程密切相关，定量获取时空连续的植被LAI对农作物长势监测、产量估算和生态环境评价具有重要意义。遥感在区域和全球范围内提供了LAI连续观测的能力，在高精度大区域LAI定量反演中应用广泛。

LAI遥感反演的关键是如何根据植被冠层中光子的辐射传递过程及其光谱响应特性，建立LAI与地表反射率数据的关系。目前LAI遥感反演模型总体可分为经验模型、物理模型和机器学习模型。机器学习模型具有很强的非线性拟合能力，通过样本数据的不断训练使目标最优化，从而可以快速高效反演LAI。Ercanl₁等(2018)基于人工神经网络反演LAI，并与多元回归模型进行比较，结果表明人工神经网络反演LAI在精度和稳定性方面均有显著提高。刘俊等(2020)基于不同隐含层构建BP神经网络模型(BP1模型和BP2模型)，对比分析BP1模型、BP2模型反演夏玉米LAI的精度差异。Jiang等(2017)采用季节自回归积分滑动平均(SARIMA)、BP神经网络结合的方法反演MODIS LAI时间序列，综合发挥SARIMA方法在反演LAI中线性部分和BP神经网络在反演非线性残差部分的优势，对MODIS LAI时间序列具有更好适应性，反演精度显著提高。王枭轩等(2019)提出一种基于粒子群神经网络模型反演玉米和小麦LAI的方法，并与神经网络模型和指数回归模型进行精度对比，结果表明粒子群神经网络模型反演玉米、小麦LAI的精度更高。可见，采用机器学习算法反演作物LAI，具有较好的泛化性能和精度。

因子分析(Factor Analysis，FA)是指研究从变量群中提取公共因子的统计技术，可用来描述隐藏在一组测量到的变量中的一些更基本，但又无法直接测量的隐性变量。它能够在多个变量中找出少数具有代表性的公共因子，减少变量数目，达到降维目的，已作为一种新型的波段提取方法应用于作物生长监测中，沈文颖等(2015)利用因子分析得到对小麦白粉病反应敏感的光谱波段，李娜等(2011)利用因子分析找出少数独立的综合因子从而实现高光谱数据的降维。

机器学习模型一般通过不同波段的数学组合构建多种植被指数作为模型输入变量，但会产生以下问题：1)一般选取相关性较高的植被指数作为模型输入变量，舍去相关性不高的植被指数。受大气条件、作物冠层结构、土壤背景等影响，有的植被指数在某生育期或区域与LAI相关性较高，在其他生育期或区域与LAI相关性却较低，从而影响模型的适用性；2)植被指数存在饱和现象。仅利用多植被指数组合作为输入变量会影响模型反演精度，并减弱其泛化能力；3)植被指数间存在多重共线性，包含大量冗余信息，影响模型收敛速度和反演精度。人工神经网络在LAI遥感反演中应用广泛，但网络初始权值和阈值的选取具有随机性，会导致神经网络无法达到全局最优。