1.一种估算小麦叶面积指数(lai)的方法,其特征在于,包括以下步骤:
s1:基于prosail模型模拟数据集,利用全局敏感性分析(gsa)量化不同光谱变量对植被生长参数的响应情况;
s2:基于不同光谱变量对植被生长参数响应的一阶灵敏度,利用slai、slai+scab、slai-sinteraction和slai+scab-sinteraction策略筛选出对lai敏感性高且对其他参数敏感性低的光谱变量,作为最优变量;
s3:选择最优变量作为机器学习算法(mls)的输入参数;
s4:用mls整合筛选得到的光谱变量结合地面实测小麦lai建立小麦lai估算模型;
s5:通过计算决定系数
s6:通过最佳估算方法绘制了研究区lai的分布图;
其中,slai是指仅根据lai的敏感性分析结果slai的大小进行光谱变量筛选;
slai+scab是指同时考虑lai与cab两者敏感性的总和;
slai-sinteraction是指同时考虑高lai敏感性与低交叉互作影响;
slai+scab-sinteraction是指同时考虑高lai敏感性、高cab敏感性与低交叉互作影响。
2.根据权利要求1所述的方法,其特征在于,s1所述prosail模型设置的参数包括:结构系数,叶绿素含量,类胡萝卜素含量、等效水厚度、褐色素的含量、平均叶倾角、叶面积指数、热点、土壤亮度指数、太阳天顶角、观察者天顶角以及方位;参数在确定范围后经马尔科夫链-蒙特卡罗方法(mcmc)进行采样。
3.根据权利要求1所述的方法,其特征在于,s1所述植被生长参数包括基于可见光-近红外构建的非红边植被指数,加入红边波段后的红边植被指数以及基于短波红外波段构建的植被指数。
4.根据权利要求3所述的方法,其特征在于,在计算红边植被指数与短波红外相关植被指数过程中,所述的红边植被指数分别用sentinel-2的三个红边波段构建三次,而所有基于短波红外波段构建的植被指数分别用sentinel-2的两个短波红外波段构建两次。
5.根据权利要求1所述的方法,其特征在于,s1所述全局敏感性分析的方法包括efast。
6.根据权利要求1所述的方法,其特征在于,s1所述光谱变量是采用sentinel-2多光谱影像数据,通过获取sentinel-2影像数据经辐射定标与大气校正,然后利用sen2res1.0将sentinel-2影像中20m空间分辨率的波段降尺度至10m得到。
7.根据权利要求1所述的方法,其特征在于,s2所述最优变量是基于gsa所得不同光谱变量对植被生长参数响应的一阶灵敏度(firstordersensitivity)结果(sparamete)利用slai、slai+scab、slai-sinteraction和slai+scab-sinteraction四种变量排序的策略,进行光谱变量的排序,分别筛选前10、20与30个光谱变量作为机器学习算法的输入变量得到。
8.根据权利要求1所述的方法,其特征在于,s3所述机器学习算法包括采用偏最小二乘法(plsr)、支持向量(svm)和随机森林(rf)算法建立冬小麦lai估算模型。
9.根据权利要求1所述的方法,其特征在于,s5所述决定系数
其中,n表示样本数;χi表示第i个样本光谱变量的值;
其中,n表示样本数,laip,i、laim,i分别表示lai的预测值、lai的实测值。
10.根据权利要求1所述的方法,其特征在于,s6所述最佳估算方法为通过slai+scab-sinteraction策略进行光谱变量排序,通过rf估算小麦lai。