典型文献
基于XGBoost-Shapley的玉米不同生育期LAI遥感估算
文献摘要：
针对当前快速准确获取叶面积指数(Leaf area index,LAI)时大部分遥感预测方法将光谱信息作为模型主要特征,忽略时序变化特征的问题,利用无人机搭载五通道多光谱相机获取研究区玉米不同生育期的影像数据,基于该数据计算玉米相应生育期植被指数,然后采用植被指数建立各生育期子模型,采用Shapley理论计算子模型均方根误差对全生育期模型均方根误差的贡献度,从而确定各子模型权重,根据权重组合形成具有LAI时序变化特征的估算模型,分别基于支持向量回归(SVR)、多层感知机(MLP)、随机森林(RF)和极限梯度提升树(XGBoost)算法构建组合估算模型.结果表明:采用Shapley理论构建的组合LAI估算模型估算效果优于直接构建的全生育期LAI估算模型.相较于SVR-Shapley、MLP-Shapley以及RF-Shapley模型,XGBoost-Shapley模型的估算效果最佳(R2为0.97,RMSE为0.021,RPD为6.9).将最优模型XGBoost-Shapley应用于研究区LAI预测,预测结果符合不同生育期玉米长势.本研究为大田玉米长势遥感监测提供了新的思路和方法.
文献关键词：
玉米;叶面积指数;极限梯度提升树;Shapley;无人机遥感
中图分类号：
作者姓名：
张宏鸣;侯贵河;孙志同;杨欢瑜;韩柯城;韩文霆
作者机构：
西北农林科技大学信息工程学院,陕西杨凌712100;西北农林科技大学机械与电子工程学院,陕西杨凌712100
文献出处：
引用格式：
[1]张宏鸣;侯贵河;孙志同;杨欢瑜;韩柯城;韩文霆-.基于XGBoost-Shapley的玉米不同生育期LAI遥感估算)[J].农业机械学报,2022(07):208-216,225
A类：
B类：
XGBoost,Shapley,不同生育期,LAI,遥感估算,快速准确,叶面积指数,Leaf,area,光谱信息,时序变化特征,搭载,五通,多光谱相机,影像数据,数据计算,植被指数,子模型,全生育期,贡献度,模型权重,权重组合,估算模型,支持向量回归,SVR,多层感知机,MLP,RF,极限梯度提升树,理论构建,算效,RMSE,RPD,最优模型,长势,大田玉米,遥感监测,思路和方法,无人机遥感
AB值：
0.287883
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
