基于高光谱及机器学习的植被等效水厚度估算方法与流程

技术特征：
1.基于高光谱及机器学习的植被等效水厚度估算方法，其特征在于，包括以下步骤：步骤1：实地观测数据获取，首先，在研究区内，随机选择151棵冠层上方未被遮挡可直接拍摄的树木进行采样，每棵树采集3片新鲜树叶。其次，采用无人机对研究区域航拍，获取包含多个光谱通道的影像数据，并对数据进行预处理得到研究区域的无人机高光谱反射率数据；步骤2：实测等效水厚度计算，首先，在采集新鲜树叶时，对树叶的表面积及鲜重数据进行统计。其次，将获取的鲜叶于室内烘箱烘至恒重后再次称重，得到叶片干重。最终，实测等效水厚度由已获取的鲜重，干重和叶面积三个参数计算得到，等效水厚度计算公式为：式中，ewt为叶片等效水厚度，单位为gcm-2
；fw为叶片鲜重，单位为g；dw为叶片干重，单位为g；a为叶片叶面积，单位为cm-2
；步骤3：选择敏感波段，将实测等效水厚度划分为多个范围区间，分析不同等级等效水厚度与高光谱数据光谱曲线间的光谱特征，获取对植被等效水厚度变化敏感的波段。步骤4：特征指数计算，根据已有经验公式，计算得到经验指数，同时结合选取的敏感波段，计算得到基于敏感波段的植被特征指数；步骤5：机器学习模型，首先，本研究将计算的特征指及高光谱原始波段分别重采样至0.5m、1m、2m后，利用实测数据的坐标信息提取以上数据建立训练数据集。其次，根据xgboost模型的变量重要性排序结果对模型输入变量进行选择，同时结合rf和xgboost两种机器学习算法，构建6种估算ewt机器学习模型。最后，使用十折交叉验证法对所有模型进行精度验证。2.根据权利要求1所述的基于高光谱及机器学习的植被等效水厚度估算方法，其特征在于，所述步骤1中无人机为大疆经纬m600多旋翼无人机，且在无人机上搭载nano-hyperspec微型高光谱成像仪。3.根据权利要求1所述的基于高光谱及机器学习的植被等效水厚度估算方法，其特征在于，所述步骤1中对数据预处理包括反射率校准、辐射定标、大气校正和拼接。4.根据权利要求1所述的基于高光谱及机器学习的植被等效水厚度估算方法，其特征在于，所述步骤2中以冠层上方未被遮挡可直接拍摄的树木为采样准则。5.根据权利要求1所述的基于高光谱及机器学习的植被等效水厚度估算方法，其特征在于，所述步骤2中在野外采样过程中，实地称重叶片鲜重，并利用万深植物图像分析仪进行扫描获取叶面积。并于室内进行烘干至恒重后，获取干重，计算得到高精度的实测等效水厚度。6.根据权利要求1所述的基于高光谱及机器学习的植被等效水厚度估算方法，其特征在于，所述步骤3中等效水厚度划分为0.001-0.01，0.01-0.015，0.015-0.02及0.02g cm-2
以上4个范围区间。并在envi5.3使用一阶导数、二阶导数、包络线去除法进一步突出实测等效水厚度与高光谱数据的光谱间的光谱特征，消除光谱曲线相似情况的影响。7.根据权利要求1所述的基于高光谱及机器学习的植被等效水厚度估算方法，其特征在于，所述步骤4中选取了37个植被指数，还选取均值、方差、相关性、协同性、相异性、对比度、信息熵与二阶矩8个纹理特征作为模型输入变量参数，避免植被指数可能存在饱和现
象；纹理特征选灰度级设置为32，窗口大小为5
×
5，方向为(0，1)，本发明所使用的植被指数包括：经验指数，纹理指数和敏感波段指指数，共计45个特征指数。8.根据权利要求1所述的基于高光谱及机器学习的植被等效水厚度估算方法，其特征在于，所述步骤5中验证方法是将数据分成10份，每份数据具有几乎相同的样本数，留下一份作为测试数据，轮流取另外9份作为训练集，总共建立十个模型，取其平均预测精度为最终精度，将决定系数r2(式2)与均方根误差rmse(式3)作为模型精度评价标准；(式2)与均方根误差rmse(式3)作为模型精度评价标准；式中，为预测值；为均值；y
i
为实测值；n为样本个数。

技术总结
本发明公开了基于高光谱及机器学习的植被等效水厚度估算方法，包括以下步骤：步骤1：获取实地观测数据，包括实地样品数据采集，高光谱监测；步骤2：计算实测的等效水厚；步骤3：选择敏感波段；步骤4：计算特征指数，包括经验指数，纹理指数和敏感波段指指数；步骤5：构建机器学习模型，包括三种分辨率，两种机器学习算法，总计6种模型；本发明充分挖掘了不同空间分辨率的高光谱遥感数据图谱特征，构建了适宜于研究区的多分辨率等效水厚度估算模型，探讨了模型输入数据的空间分辨率转换对模型精度的影响，对未来类似研究的工作具有重要的借鉴意义。意义。意义。


技术研发人员：唐晓鹿 周涛 宋词 韩瑀萱 余姝萍 孙华章 王世军 李坪峰 罗可 肖阳 王晓东 向金成
受保护的技术使用者：四川蜀道新制式轨道集团有限责任公司 华能西藏雅鲁藏布江水电开发投资有限公司
技术研发日：2022.11.24
技术公布日：2023/3/10