红树林是世界上生产力最高、价值最高的湿地生态系统之一.冠层叶绿素含量CCC(Canopy Chlorophyll Content)作为红树林重要的生物物理参量,是估算其生产力和评价其健康状况的重要指标.本文利用珠海一号高光谱卫星(OHS)影像与Sentinel-2A多光谱数据计算传统植被指数与组合植被指数并构建了高维数据集,综合利用正态分布检验、最大相关系数法与变量重要性评价进行数据降维和变量优选;分别基于单一线性回归算法、机器学习回归算法和堆栈集成学习回归算法构建了红树林CCC遥感反演模型,探明北部湾红树林CCC的最佳遥感反演模型,验证OHS高光谱影像与Sentinel-2A数据反演红树林CCC的精度差异,评估SNAP-SL2P算法反演红树林CCC的适用性.研究结果表明:(1)通过数据降维和变量选择处理,从高维度OHS数据集选取了8个特征变量,其中RSI(12.17)、DSI(12,18)和NDSI(6,12)组合植被指数对红树林CCC反演精度的贡献率较高;(2)联合OHS数据和最优堆栈GBRT集成学习回归模型(Score=0.999,RMSE=0.963 μg/cm2)的训练精度优于最优RF机器学习回归模型(RMSE降低了7.531 μg/cm2),明显优于最优Lasso线性回归模型(RMSE降低了19.383 μg/cm2);(3)在最优堆栈集成学习回归模型下,OHS数据反演红树林CCC的精度(R2=0.761,RMSE=16.738 μg/cm2)高于Sentinel-2A影像(R2=0.615,RMSE=20.701 μg/cm2);(4)联合OHS和Sentinel-2A数据的最优堆栈集成学习回归模型反演红树林CCC的精度都明显优于SNAP-SL2P算法(R2=0.356,RMSE=49.419 μg/cm2).研究结果论证了正态分布检验、最大相关系数法和基于XGBoost的特征选择方法有效降低了高维数据集的维度,并得到了最优特征变量;OHS数据的最优堆栈GBRT集成学习回归模型训练精度最高,是估算红树林CCC的最优反演模型;OHS和Sentinel-2A数据都能有效反演红树林CCC(R2均大于0.61),而OHS数据的估算精度更高(R2大于0.75);SNAP-SL2P算法不能有效反演红树林CCC(R2小于0.4),且对红树林CCC数值存在系统性低估.

红树林;冠层叶绿素含量;珠海一号高光谱卫星;堆栈集成学习回归算法;特征降维;遥感反演

付波霖;邓良超;张丽;覃娇玲;刘曼;贾明明;何宏昌;邓腾芳;高二涛;范冬林

桂林理工大学测绘地理信息学院,桂林541006;中国科学院空天信息创新研究院,北京100094;中国科学院东北地理与农业生态研究所,长春130000

遥感学报

[1]付波霖;邓良超;张丽;覃娇玲;刘曼;贾明明;何宏昌;邓腾芳;高二涛;范冬林-.联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演)[J].遥感学报,2022(06):1182-1205

堆栈集成学习回归算法,珠海一号高光谱卫星,SL2P

星载,高光谱影像,红树林,林冠层,冠层叶绿素含量,遥感反演,上生,湿地生态系统,CCC,Canopy,Chlorophyll,Content,生物物理,参量,OHS,Sentinel,2A,多光谱数据,数据计算,植被指数,高维数据,正态分布检验,最大相关系数,相关系数法,变量重要性,重要性评价,数据降维,线性回归算法,北部湾,数据反演,SNAP,变量选择,高维度,特征变量,RSI,NDSI,指数对,反演精度,GBRT,Score,RMSE,RF,Lasso,线性回归模型,结果论,XGBoost,特征选择,选择方法,优特,模型训练,最优反演模型,估算精度,低估,特征降维

0.207277