植被葉片生化組分光譜響應(yīng)分析與估測(cè)

馬 楠，鐘 浩，林文樹

（東北林業(yè)大學(xué) 機(jī)電工程學(xué)院，黑龍江 哈爾濱 150040）

植被的生化組分對(duì)植被的生長(zhǎng)發(fā)育、光合作用起著重要作用[1]。植被光合作用效率依賴葉綠素含量[2]；葉片干物質(zhì)含量能反映植被利用光熱資源的能力，是表征植物光合作用效率最直接的生物學(xué)參數(shù)[3]；與水分相關(guān)的植被生化參數(shù)對(duì)于理解水循環(huán)及其與碳和能量平衡的相互作用至關(guān)重要[4]，等效水厚度在植物生理學(xué)以及森林火災(zāi)風(fēng)險(xiǎn)建模中發(fā)揮著重要作用[5]。可見，植被生化組分含量的研究在指導(dǎo)生態(tài)系統(tǒng)中的生物化學(xué)循環(huán)、全球生態(tài)系統(tǒng)變化等科學(xué)研究方面具有重要意義。

高光譜作為一種新興的遙感技術(shù)，光譜通道多且窄，對(duì)植被的變化十分敏感，為快速便捷地進(jìn)行植被分類[6]、無(wú)損有效地進(jìn)行植被生化參數(shù)的定量化監(jiān)測(cè)帶來了新的機(jī)遇[7]。高光譜遙感定量估測(cè)植被的生化組分已經(jīng)取得比較廣泛的應(yīng)用。Neto[8]已證明光譜反射率與偏最小二乘法相結(jié)合可有效估測(cè)水分脅迫下的向日葵葉片水分和葉綠素狀況。楊樂嬋[3]利用LOPEX’93數(shù)據(jù)集對(duì)葉片干物質(zhì)含量進(jìn)行了反演，發(fā)現(xiàn)物理模型模擬葉片光譜的誤差以及葉片水分都會(huì)影響干物質(zhì)含量反演精度。付彥博等[9]分析了紫花苜蓿葉片光譜與葉片水分的相關(guān)性，發(fā)現(xiàn)葉片含水量與1 450、1 750 nm波段具有較高的相關(guān)性。機(jī)器學(xué)習(xí)作為一種重要的數(shù)值建模方法，已經(jīng)被廣泛地應(yīng)用在基于高光譜數(shù)據(jù)的生化組分的反演中。Tang等[10]采用BP神經(jīng)網(wǎng)絡(luò)(BPNN)、極限學(xué)習(xí)機(jī)(ELM)、支持向量機(jī)(SVM)建立了多種葉綠素反演模型，結(jié)果表明，支持SVM比BPNN和ELM更適用于東湖葉綠素a濃度反演建模。左雪燕等[11]研究了互花米草的含水量高光譜估測(cè)，發(fā)現(xiàn)隨機(jī)森林的估測(cè)效果優(yōu)于其他模型。當(dāng)前對(duì)不同光譜變換、不同模型估測(cè)植被葉綠素含量和水分的研究朝著多方法融合的方向發(fā)展，然而對(duì)于干物質(zhì)含量尤其對(duì)比不同算法的干物質(zhì)含量估測(cè)表現(xiàn)的研究還不多，研究干物質(zhì)含量的光譜響應(yīng)與估算模型對(duì)于提高植被生化參數(shù)估算精度頗具意義。

本研究以LOPEX’93數(shù)據(jù)集為例，首先分析了原始光譜反射率、4種變換光譜、“三邊”參數(shù)、光譜指數(shù)與葉綠素含量、干物質(zhì)含量、等效水厚度之間的相關(guān)性，利用偏最小二乘回歸和機(jī)器學(xué)習(xí)算法中的支持向量機(jī)、隨機(jī)森林模型進(jìn)行植被葉片生化組分的反演，對(duì)模型進(jìn)行精度評(píng)定與分析，為定量估測(cè)植被生化組分提供數(shù)據(jù)參考。

1 材料與方法

1.1 數(shù)據(jù)來源

LOPEX’93數(shù)據(jù)集是1993年Ispra的聯(lián)合研究中心（JRC）所采集的高光譜和葉片理化參數(shù)數(shù)據(jù)集[12]。在初夏和初秋2個(gè)不同植物生長(zhǎng)階段對(duì)約50種類型約70片植物葉片進(jìn)行了同步的光譜測(cè)量和理化參數(shù)測(cè)定，旨在研究高光譜技術(shù)反演植被理化參數(shù)。樹木主要有樺木、橡木和梧桐等，農(nóng)作物主要有番茄、大豆和水稻等。光譜范圍在400～2 500 nm，光譜分辨率在不同波段范圍是不同的，在可見光/近紅外區(qū)域（400～1 000 nm）為1～2 nm，中紅外（1 000～2 500 nm）為4～5 nm，光譜統(tǒng)一進(jìn)行了重采樣，采樣間隔為1 nm。

影響植被光譜特征的生化組分主要有色素（葉綠素和類胡蘿卜素）、干物質(zhì)和水分等，利用LOPEX’93數(shù)據(jù)集中的植被葉片高光譜數(shù)據(jù)與生化組分?jǐn)?shù)據(jù)進(jìn)行葉片尺度的葉綠素含量（C_ab）、干物質(zhì)含量（LMA）、等效水厚度（EWT）的高光譜響應(yīng)分析與估測(cè)。

1.2 研究方法

1.2.1 光譜變換

通過對(duì)光譜進(jìn)行光譜變換可以消除噪聲光譜等對(duì)目標(biāo)光譜的影響[13]。特征波段的微分光譜與作物生化參數(shù)具有更高的關(guān)聯(lián)性。采用光譜微分技術(shù)來確定高光譜的特征波段[14]，反射率波譜一階微分的計(jì)算方法如下：

式中：Rλ+1和Rλ-1是第λ+1和第λ-1波段的反射率，Δλ是兩波段的波長(zhǎng)差，這里Δλ為1。

利用該一階微分公式對(duì)LOPEX’93數(shù)據(jù)集的原始光譜進(jìn)行變換。除了對(duì)原始光譜進(jìn)行了一階微分變換之外，還對(duì)原始光譜進(jìn)行了取倒數(shù)1/R、取對(duì)數(shù)logR和倒數(shù)的對(duì)數(shù)log(1/R)三種變換。基于Excel實(shí)現(xiàn)原始光譜反射率以及光譜變換后的光譜數(shù)據(jù)與生化組分含量的皮爾遜（Pearson）相關(guān)性分析，選擇最佳光譜特征，構(gòu)建預(yù)測(cè)模型。

1.2.2 “三邊”參數(shù)提取

“三邊”參數(shù)是指基于光譜特征位置的相關(guān)變量，即紅邊、黃邊、藍(lán)邊[15]?！凹t邊”是反射光譜的一階微分的最大值對(duì)應(yīng)的波長(zhǎng)，通常位于680～750 nm之間，對(duì)葉綠素含量比較敏感。除了“紅邊”參數(shù)之外還有黃邊（550～582 nm）和藍(lán)邊（490～530 nm）參數(shù)，因此基于一階微分光譜提取了9個(gè)“三邊”參數(shù)并分析與葉綠素含量的相關(guān)性，分別是6個(gè)基于光譜位置的參數(shù)、3個(gè)基于光譜面積的參數(shù)?！叭叀眳?shù)的相關(guān)定義及含義見表1。

表1 “三邊”參數(shù)定義Table 1 Definition of “trilateral” parameters

1.2.3 光譜指數(shù)提取

對(duì)原始光譜做光譜變換得到的光譜特征始終是單個(gè)光譜的信息，通過對(duì)2個(gè)或者多個(gè)光譜進(jìn)行組合得到光譜指數(shù)能夠減少使用多個(gè)單波段產(chǎn)生的模型過擬合、泛化性差等問題，從而更適合建立植被生化組分的估測(cè)模型[16]。不同的光譜指數(shù)具有不同的含義，表達(dá)植被信息的側(cè)重點(diǎn)也不同，因此在植被研究中對(duì)于植被指數(shù)的篩選十分重要。針對(duì)估測(cè)的3種生化組分，參考相關(guān)研究[13,17-18]選取了20個(gè)光譜指數(shù)，如表2所示。

表2 光譜指數(shù)及計(jì)算公式?Table 2 Spectral indexes and calculation formula

1.2.4 全波段光譜指數(shù)構(gòu)建

常規(guī)的光譜指數(shù)往往是由近紅外波段與紅光波段通過進(jìn)行比值、差值或者其他運(yùn)算得到的。全波段光譜指數(shù)往往能夠提高常規(guī)光譜指數(shù)與葉綠素之間的相關(guān)性[19]，因此對(duì)4種與葉綠素有關(guān)的光譜指數(shù)即比值指數(shù)（RI）、差值指數(shù)（DI）、歸一化差值植被指數(shù)（NDVI）、三角形植被指數(shù)（TVI）進(jìn)一步提取敏感波段。在400～1 000 nm范圍內(nèi)對(duì)任意兩波段進(jìn)行組合代入表3中的全波段光譜指數(shù)計(jì)算公式得出4個(gè)光譜指數(shù)的所有組合形式與葉綠素進(jìn)行相關(guān)性分析，獲得4個(gè)相關(guān)系數(shù)矩陣，并在4個(gè)相關(guān)系數(shù)矩陣中選取最大的相關(guān)系數(shù)所對(duì)應(yīng)的光譜指數(shù)波段組合并提取光譜特征。

表3 全波段光譜指數(shù)名稱與計(jì)算公式Table 3 Full-band spectral indexes and calculation formula

1.2.5 模型建立與預(yù)測(cè)

為了提高光譜數(shù)據(jù)利用率，進(jìn)一步提高反演模型的適用性和客觀性，需要構(gòu)建不同的反演模型。通過剔除一些生化組分含量缺失值樣本與光譜異常樣本，最終參與葉綠素、干物質(zhì)、等效水厚度反演的樣本數(shù)分別是61、59和62個(gè)。按3∶1的比例選取47個(gè)作為建模樣本，剩余樣本作為檢驗(yàn)樣本。將獲得的相關(guān)系數(shù)絕對(duì)值較高的微分光譜波段以及光譜指數(shù)作為自變量，構(gòu)建葉片C_ab、LMA、EWT的預(yù)測(cè)模型，本研究采用的模型分別是偏最小二乘回歸（PLSR）、支持向量機(jī)（SVM）、隨機(jī)森林（RF），模型的實(shí)現(xiàn)依托于Matlab 2020b和Python 3.9.7軟件。

PLSR集成了主成分分析、典型相關(guān)分析和多元線性回歸分析的優(yōu)點(diǎn)，在模型構(gòu)建中最大程度利用了自變量信息，具有較好的預(yù)測(cè)能力。機(jī)器學(xué)習(xí)算法可以獲得更出色的模型，SVM、RF模型是典型的非參數(shù)模型，SVM具有比多項(xiàng)式回歸更好的反演效果[20]，RF模型具有較高的精度和穩(wěn)定性[21]。依據(jù)前人的研究，本研究在構(gòu)建的SVM模型中，核函數(shù)選擇的是徑向基核函數(shù)（RBF）[22]，徑向基核函數(shù)能夠?qū)崿F(xiàn)非線性映射，而且參數(shù)數(shù)量較少，模型相對(duì)簡(jiǎn)單。隨機(jī)森林是一種基于決策樹的Bagging學(xué)習(xí)算法，通過隨機(jī)抽樣獲得數(shù)據(jù)后輸入眾多獨(dú)立的決策樹中，決策樹相當(dāng)于基分類器，將基分類器使用多次，然后把基分類器的投票次數(shù)最多的結(jié)果指定為最終的預(yù)測(cè)結(jié)果。

2 結(jié)果與分析

2.1 原始光譜和變換光譜與生化組分的相關(guān)性分析

如圖1～3所示，原始光譜反射率與C_ab、LMA、EWT的相關(guān)系數(shù)最大值分別為0.42、0.36、0.76，而經(jīng)過一階微分的光譜的相關(guān)系數(shù)最大值達(dá)到了0.66、0.84、0.95。在表4中列出了相關(guān)性最大的幾個(gè)波段及其與生化組分含量的相關(guān)系數(shù)絕對(duì)值。其中，與C_ab相關(guān)性達(dá)到0.6以上的波段有D535和D742；與LMA相關(guān)性達(dá)到0.6以上的有D1229、D1700、D2192；與EWT相關(guān)性達(dá)到0.9以上的有D955、D1145、D1302。經(jīng)過1/R、logR、log(1/R)變換得到的與生化組分相關(guān)性最大的波段及相關(guān)系數(shù)如表5所示，3種變換方式與C_ab、LMA、EWT相關(guān)系數(shù)最大值分別為0.53、0.36、0.86，這3種變換方式的光譜響應(yīng)都不如一階微分變換。

圖1 原始光譜及一階微分光譜與 C_ab相關(guān)系數(shù)（R）Fig.1 Raw spectra and first-order differential spectra with C_ab correlation coefficient (R)

圖2 原始光譜及一階微分光譜與 LMA 相關(guān)系數(shù)（R）Fig.2 Raw spectra and first-order differential spectra with LMA correlation coefficient (R)

圖3 原始光譜及一階微分光譜與 EWT 相關(guān)系數(shù)（R）Fig.3 Raw spectra and first-order differential spectra with EWT correlation coefficient (R)

表4 一階微分光譜及相關(guān)系數(shù)絕對(duì)值Table 4 First-order differential bands and absolute values of correlation coefficients

表5 光譜變換方法及相關(guān)系數(shù)最大值Table 5 Spectral transformation method and maximum correlation coefficient

2.2 “三邊”參數(shù)與葉綠素含量相關(guān)性分析

本研究提取的9個(gè)“三邊”參數(shù)與C_ab的相關(guān)性總體上不高，僅有4個(gè)參數(shù)高于原始光譜的相關(guān)性，分別是λr、Dy、Db、SDb，其余參數(shù)均沒有提高原始光譜的相關(guān)性（表6）。相關(guān)性最高的“三邊”參數(shù)是λr，與C_ab的相關(guān)性也只有0.58，因此在本研究中沒有選取“三邊”參數(shù)建立估測(cè)模型。

表6 “三邊”參數(shù)與C_ab的相關(guān)系數(shù)Table 6 Correlation coefficient of the “trilateral” parameter with C_ab

2.3 光譜指數(shù)與生化組分相關(guān)性分析

與“三邊”參數(shù)相比，光譜指數(shù)與C_ab的相關(guān)性要高一些，在13種與C_ab有關(guān)的光譜指數(shù)中，相關(guān)性較高的有NDVI842、DD，相關(guān)系數(shù)在0.6以上；選取的LMA的光譜指數(shù)NDLMA、NDMI的相關(guān)系數(shù)都達(dá)到了0.7以上；5種與EWT有關(guān)的光譜指數(shù)中，相關(guān)性較高的有Ratio975、Ratio1200，相關(guān)系數(shù)在0.9以上。將這些相關(guān)性較高的光譜指數(shù)分別參與生化組分的反演。在表7中給出了20個(gè)光譜指數(shù)對(duì)C_ab、LMA、EWT的響應(yīng)。

2.4 全波段光譜指數(shù)提取及其與葉綠素的相關(guān)性

如圖4所示，在構(gòu)建的4種全波段光譜指數(shù)中，DI和NDVI與葉綠素相關(guān)系數(shù)絕對(duì)值矩陣具有對(duì)稱性[23]，而且4種光譜指數(shù)得到的相關(guān)性矩陣圖中均有部分區(qū)域的相關(guān)性達(dá)到了0.6以上，而通過傳統(tǒng)方法得到的13個(gè)與C_ab有關(guān)的光譜指數(shù)中相關(guān)性在0.6以上的只有2個(gè)。RI、DI、NDVI相關(guān)性較大的區(qū)域集中在730～770 nm、530～570 nm附近。TVI主要集中在550 nm、710～750 nm，在770～1 000 nm范圍內(nèi)也有較高的響應(yīng)，這與RI、DI、NDVI有明顯的區(qū)別。

圖4 全波段光譜指數(shù)與C_ab相關(guān)性矩陣Fig.4 Correlation matrix of full-band spectral indexes and C_ab

篩選與葉綠素含量相關(guān)性最大的光譜指數(shù)，如表8所示，分別為R763/R755、R764-R755、(R763-R755)/(R763+R755)、0.5×(120×(R949-R550)-200×(R734-R550))，其相關(guān)性分別達(dá)到了0.64、0.66、0.64、0.67，NDVI與TVI比常規(guī)方法得到的光譜指數(shù)的相關(guān)性得到了顯著性提高，將得到的這4個(gè)光譜指數(shù)參與C_ab的反演。從光譜反射率數(shù)據(jù)中，得到的波段741、743、749和750 nm都處于紅光波段處，光譜通道十分接近。

表8 光譜指數(shù)與C_ab值相關(guān)系數(shù)最大值及波長(zhǎng)位置Table 8 Maximum value of correlation coefficient between spectral indexes and C_ab value and wavelength position

2.5 模型結(jié)果及精度比較

PLSR、SVM、RF作為3種不同類型的算法，在生化組分估測(cè)中表現(xiàn)出了不同效果，反演不同的生化組分時(shí)模型的精度和穩(wěn)定性有所差異，這3種算法總體上能夠?qū)ιM分含量進(jìn)行估測(cè)。

將與C_ab相關(guān)系數(shù)達(dá)到0.6以上的一階微分波段D535、D742、光譜指數(shù)NDVI842、DD與4個(gè)全波段光譜指數(shù)DI、RI、NDVI、TVI共8個(gè)光譜特征參與建立C_ab估測(cè)模型，結(jié)果如表9所示，RF模型建模精度最高，R2和RMSE分別為0.940和5.24，其次是SVM和PLSR模型，R2和RMSE分別為0.604、0.528和10.87、11.83；但就預(yù)測(cè)模型而言，SVM模型的精度均好于其他模型，R2和RMSE分別為0.733和9.62，其次是PLSR和RF模型，R2和RMSE分別為0.691、0.611和9.77、9.93。

表9 C_ab建模及預(yù)測(cè)結(jié)果Table 9 C_ab modeling and prediction results

參與建立LMA估測(cè)模型的光譜特征有5個(gè)，分別是與LMA相關(guān)性達(dá)到0.6以上的一階微分波段D1229、D1700、D2192和光譜指數(shù)NDLMA、NDMI。結(jié)果如表10所示，對(duì)LMA而言，RF模型建模精度依然是最高的，R2和RMSE分別為0.970和0.000 418，其次依然是SVM和PLSR模型，R2和RMSE分別為0.820、0.780和0.000 794、0.000 885；就預(yù)測(cè)模型而言，PLSR模型的R2和RMSE分別為0.750和0.001 274，其次是SVM和RF模型，R2和RMSE分別為0.750、0.650和0.001 294、0.001 713。

表10 LMA建模及預(yù)測(cè)結(jié)果Table 10 LMA modeling and prediction results

將與EWT相關(guān)性達(dá)到0.9以上的一階微分波段D955、D1145、D1302、光譜指數(shù)Ratio975、Ratio1200五個(gè)特征建立EWT模型預(yù)測(cè)，結(jié)果如表11所示，RF是3種模型中最表現(xiàn)最優(yōu)秀的，訓(xùn)練集與測(cè)試集R2分別為0.977、0.931，RMSE分別為0.001 330、0.000 971，SVM模型表現(xiàn)次之，訓(xùn)練集與測(cè)試集R2分別為0.903、0.883，RMSE分別為0.002 274、0.001 597，PLSR相比之下精度較低，訓(xùn)練集與測(cè)試集R2分別為0.895、0.873，RMSE分別為0.002 355、0.001 468?？梢姡琑F模型無(wú)論在建立模型還是測(cè)試新的數(shù)據(jù)都表現(xiàn)出了十分理想的結(jié)果，可最大程度地進(jìn)行EWT的反演。等效水厚度與光譜的相關(guān)性與預(yù)測(cè)模型精度在3種生化組分之中是最高的，說明此數(shù)據(jù)集可以為研究植被水分與光譜數(shù)據(jù)之間的關(guān)系提供數(shù)據(jù)支撐。

表11 EWT建模及預(yù)測(cè)結(jié)果Table 11 EWT modeling and prediction results

3 討論與結(jié)論

3.1 討 論

在一階微分、取倒數(shù)、取對(duì)數(shù)、取倒數(shù)的對(duì)數(shù)這4種光譜變換方式中，一階微分變換與3種生化組分的相關(guān)性最高，說明原始光譜一階微分變換比其他3種光譜變換方式在抑制噪聲、提高敏感波段與生化組分的響應(yīng)方面更具優(yōu)勢(shì)。4種光譜變換都對(duì)光譜與C_ab的響應(yīng)有一定程度的提高；除一階微分光譜與LMA有較強(qiáng)的相關(guān)性之外，其余3種光譜變換都沒有提高光譜與LMA的相關(guān)性；一階微分光譜對(duì)LMA、EWT有較好的光譜響應(yīng)，近紅外的一階微分光譜對(duì)水分的響應(yīng)尤其高，相關(guān)系數(shù)達(dá)到了0.9以上，這也說明了近紅外區(qū)域是水反射的敏感區(qū)域。

本研究提取的9個(gè)“三邊”參數(shù)中，λr、Dy、Db、SDb與C_ab存在較高的相關(guān)性，但是與一階微分光譜、光譜指數(shù)相比相關(guān)性仍存在差距。在本研究提取的光譜指數(shù)中，NDVI842、DD與C_ab相關(guān)系數(shù)在0.6以上，Ratio975、Ratio1200與EWT的相關(guān)系數(shù)在0.9以上，NDLMA、NDMI與LMA的相關(guān)系數(shù)都達(dá)到了0.7以上，這些光譜指數(shù)可作為今后研究植被色素、干物質(zhì)、水分的關(guān)鍵光譜指數(shù)。本研究從統(tǒng)計(jì)分析的角度對(duì)4種光譜指數(shù)進(jìn)行了進(jìn)一步優(yōu)化，雖然并未解釋這些光譜指數(shù)的物理意義，但是全波段提取的光譜指數(shù)比常規(guī)方法提取的光譜指數(shù)對(duì)C_ab具有更高的響應(yīng)，說明這種提取與C_ab含量有關(guān)的光譜指數(shù)的方式是有效的，能夠大大提高后續(xù)C_ab的反演精度。

雖然本試驗(yàn)結(jié)果表明提取的光譜特征與生化組分之間有較強(qiáng)的光譜響應(yīng)能力，3種模型總體上能夠取得對(duì)生化組分較高的預(yù)測(cè)精度，但是尚有不足之處：本研究利用的LOPEX’93數(shù)據(jù)集中同時(shí)包含不同物種的植被，單子葉植物與雙子葉植物具有不同的光譜特征，而且數(shù)據(jù)集對(duì)于C_ab的測(cè)量精度較低，C_ab測(cè)量值合格的樣本較少，一定程度上影響了光譜對(duì)C_ab的響應(yīng)。另外，在C_ab估測(cè)時(shí)分別使用了8個(gè)光譜特征參與建模，這些光譜特征主要有各波段微分光譜及其原始光譜衍生的光譜指數(shù)，光譜特征之間具有一定的多重共線性，這可能是導(dǎo)致RF的C_ab預(yù)測(cè)模型的泛化性能較差的原因之一。在今后的研究中，一是利用更多數(shù)據(jù)集比如ANGERS數(shù)據(jù)集或者進(jìn)行試驗(yàn)獲取數(shù)據(jù)進(jìn)行分析，二是需要對(duì)植被類型進(jìn)行更細(xì)致的劃分，既能避免光譜測(cè)量過程中的噪聲以及生化組分含量的測(cè)定過程中產(chǎn)生的誤差而導(dǎo)致模型擬合精度下降的情況，又能進(jìn)一步探索出更適用于某一具體物種植被生化組分的估測(cè)模型。

3.2 結(jié) 論

本研究使用LOPEX’93數(shù)據(jù)集中的葉片實(shí)測(cè)光譜和C_ab、LMA、EWT生化組分?jǐn)?shù)據(jù)，探究并比較原始光譜、4種變換光譜（DR、1/R、logR、log(1/R)）、“三邊”參數(shù)、光譜指數(shù)、全波段光譜指數(shù)與C_ab、LMA、EWT的光譜響應(yīng)，并比較這3種不同模型估算C_ab、LMA、EWT的表現(xiàn)。得到結(jié)論如下：1）光譜數(shù)據(jù)經(jīng)一階微分變換后與生化組分的相關(guān)性普遍較高，說明微分變換能夠有效降低噪聲對(duì)目標(biāo)光譜的影響；“三邊”參數(shù)與C_ab之間存在著較強(qiáng)的相關(guān)性，其中紅邊位置（λr）與C_ab的相關(guān)系數(shù)為0.58，藍(lán)邊面積（Db）與C_ab的相關(guān)系數(shù)為0.53；相比于傳統(tǒng)光譜指數(shù)，提取的全波段光譜指數(shù)與葉綠素的相關(guān)性更高，能夠顯著提高模型的估算精度。2）構(gòu)建的預(yù)測(cè)模型結(jié)果表明，RF模型可較高精度地預(yù)測(cè)植被葉片的EWT；PLSR和SVM模型對(duì)LMA預(yù)測(cè)的能力最佳；SVM模型對(duì)C_ab進(jìn)行估測(cè)效果最佳?；赗F的EWT估測(cè)模型更加穩(wěn)定，這可能是由于RF估測(cè)模型精度因參與建模的光譜特征的數(shù)量、光譜特征的波段數(shù)量、樣本數(shù)不同而產(chǎn)生變化。