结合多模态数据的滨海湿地碱蓬叶面积指数无人机高光谱反演

叶面积指数（LAI）是表征植被对光合辐射的吸收和拦截以及植被生长状况的重要参数。为准确、快速地提高叶面积指数估算精度,选取黄河三角洲碱蓬滩湿地,以中国土著植物碱蓬为研究对象,获取无人机高光谱遥感影像和测定地面光谱,结合区域土壤因子、植被光谱特征、高光谱影像纹理特征和植被覆盖度构建多模态数据,发展随机森林RF（RandomForest）和粒子群PSO（ParticleSwarmOptimization）双优化策略的深度极限学习机DELM（DeepExtremeLearningMachine）算法构建滨海湿地碱蓬叶面积指数反演模型,决定系数（R2）和均方根误差（RMSE）分别为0.9546,0.1341。与基于支持向量机SVM（SupportVectorMachine）、BP神经网络BP（BackPropagationNeuralNetwork）、极限学习机ELM（ExtremeLearningMachine）、深度极限学习机DELM（DeepExtremeLearningMachine）、粒子群优化的深度极限学习机（PSO-DELM）5种算法构建的碱蓬叶面积指数反演模型精度相比,决定系数R2最高提高了0.2654,均方根误差RMSE最大降低了0.0828。与传统的反演模型SVM相比,RF-PSO-DELM模型具有更好的泛化性,融合多模态数据则可以有效提高反演模型精度。该研究进一步丰富了基于无人机高光谱遥感技术实现盐沼植被精准监测的理论和技术。