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

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 UAV Hyperspectral Inversion of Suaeda Salsa Leaf Area Index in Coastal Wetlands Combined with Multimodal Data 1 2 first-author 何爽，研究方向为高光谱遥感与滨海湿地环境遥感。E-mail： kyrohe95@gmail.com 何爽，研究方向为高光谱遥感与滨海湿地环境遥感。E-mail： kyrohe95@gmail.com kyrohe95@gmail.com 2 2 1 corresp 卢霞，研究方向为滨海湿地生态环境遥感监测。E-mail： luxia1210@163.com 卢霞，研究方向为滨海湿地生态环境遥感监测。E-mail： luxia1210@163.com luxia1210@163.com 江苏海洋大学 海洋技术与测绘学院, 连云港 222000 江苏海洋大学 海洋技术与测绘学院, 连云港 222000 Institute of Marine Technology and Surveying, Jiangsu Ocean University, Lianyungang 222000, China Institute of Marine Technology and Surveying, Jiangsu Ocean University, Lianyungang 222000, China 南京大学 国际地球系统科学研究所, 南京 210023 南京大学 国际地球系统科学研究所, 南京 210023 International Institute for Earth System Science, Nanjing University, Nanjing 210023, China International Institute for Earth System Science, Nanjing University, Nanjing 210023, China 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，以我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（Random Forest， RF）和粒子群（Particle Swarm Optimization， PSO）双优化策略的深度极限学习机（Deep Extreme Learning Machine， DELM）算法构建滨海湿地碱蓬叶面积指数反演模型，决定系数（ <math id="M1"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727602&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727601&type= 2.96333337 2.53999996 ）和均方根误差（RMSE）分别为0.9546，0.1341。与基于支持向量机（Support Vector Machine， SVM）、BP神经网络（Back Propagation Neural Network， BP）、极限学习机（Extreme Learning Machine， ELM）、深度极限学习机（Deep Extreme Learning Machine， DELM）、粒子群优化的深度极限学习机（PSO-DELM）五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 <math id="M2"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727634&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727633&type= 2.96333337 2.53999996 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。 Objective Salt marsh vegetation is an important part of the blue carbon ecosystem, with strong carbon sequestration and carbon storage capacity. The leaf area index determines its growth, photosynthetic active radiation absorption ratio and biomass. LAI is often used to simulate photosynthesis, respiration and transpiration of vegetation, which plays a crucial role in improving the yield of Suaeda salsa . Accurate estimation of Suaeda salsa can provide an important basis for judging the growth status of alkali ponies, and thus provide an effective aid for monitoring salt marsh wetlands.Method In order to improve the accuracy of leaf area index estimation accurately and rapidly, the Yellow River Delta Suaeda salsa shoal wetland was selected, the indigenous plant Suaeda salsa as the research object, the UAV hyperspectral remote sensing image was obtained and the ground spectrum was measured, combined with regional soil factors, vegetation spectral characteristics, hyperspectral image texture characteristics and vegetation coverage. Multi-modal data, through Random Forest (RF) feature selection for multi-modal data, and the RF-PSO-DELM algorithm with the dual optimization strategy was developed to construct the inversion model of the leaf area index of Suaeda salsa in coastal wetlands.Result The coefficient of determination ( <math id="M3"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727622&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727621&type= 3.21733332 2.45533323 ) and the root mean square error (RMSE) were 0.9546 and 0.1341, respectively. Compared with the inversion model accuracy of Suaeda salsa leaf area index constructed based on the five algorithms of SVM, BP, ELM, DELM and PSO-DELM, the coefficient of determination <math id="M4"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727622&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727621&type= 3.21733332 2.45533323 is increased by 0.2654 at most, and the root mean square error RMSE is reduced by 0.0828 at most.Conclusion Compared with the traditional inversion model SVM, the RF-PSO-DELM model has better generalization, and the fusion of multimodal data can effectively improve the accuracy of the inversion model. This study further enriched the theory and technology for accurate monitoring of salt marsh vegetation based on UAV hyperspectral remote sensing technology. The multi-source modal data such as soil factors, texture features, spectral features and vegetation cover affecting the growth of alkali ponies in coastal wetlands were comprehensively considered, and the important influencing factors sensitive to the LAI of alkali ponies leaf area index were extracted by random forest feature preference algorithm, which effectively reduced the complexity of model inversion and greatly improved the accuracy of model prediction. 无人机 多模态数据 碱蓬 叶面积指数 随机森林 粒子群算法 深度极限学习机 UAV Multimodal Data Suaeda salsa Leaf Area Index Random Forest Particle Swarm Optimization Deep Extreme Learning Machine 1　引 言 1 碱蓬是一种滨海湿地改良土壤的重要植物（ Liu 等，2020 Liu 等，2020 ； Jia等，2018 Jia等，2018 ； 李从娟等，2015 李从娟等，2015 ），可以增加土壤肥力（ Li 等，2019 Li 等，2019 ），具有一定药用和经济价值（ Li等，2019 Li等，2019 ； 陈仲新等，2016 陈仲新等，2016 ），但近年来盐沼碱蓬总面积整体呈不断下降趋势（ Chen等，2022 Chen等，2022 ）。叶面积指数（Leaf Area Index， LAI）是碱蓬群体结构的重要量化指标，常用于模拟植被光合作用、呼吸作用与蒸腾作用等方面（ Fang等，2019 Fang等，2019 ； Parker 2020 Parker 2020 ），对碱蓬产量的提升起到至关重要的作用，精确估算碱蓬LAI可以为判断碱蓬生长状况提供重要依据（ Yan等，2019 Yan等，2019 ），进而为监测盐沼湿地提供有效帮助。 相较于传统植被LAI测量方法，无人机高光谱遥感技术因其快速、重复的信息捕获能力及高空间分辨率的特点，在小地块精确监测中被广泛应用。众多学者围绕无人机高光谱影像提出了植被指数法（ Ma等，2022 Ma等，2022 ）、红边参数法（ 黄敬峰等，2006 黄敬峰等，2006 ； Xie等，2018 Xie等，2018 ）、改进型光谱特征参数法（高林， 杨贵军等， 2017）以及使用无人机高光谱影像的纹理特征（ Duan et al. 2019 Duan et al. 2019 ）等方法结合统计分析反演模型估计植被LAI，常用统计分析反演模型主要有线性回归、幂函数回归、指数函数回归（ Yu等，2019 Yu等，2019 ； Sha等，2019 Sha等，2019 ； 吴伟斌等，2018 吴伟斌等，2018 ）。但这些模型通常无法很好表现植被指数（Vegetation Index， VI）与植被LAI之间的非线性关系（ Xie等，2014 Xie等，2014 ）。 由于无人机高光谱数据一般具有多重共线性，存在数据冗余问题，机器学习算法具有较高的学习和预测能力，能够从不同角度克服变量间共线性的问题（ 马怡茹等，2021 马怡茹等，2021 ； 郭云开等，2019 郭云开等，2019 ），进而提高模型精度（ Xie等，2014 Xie等，2014 ； 姚雄等，2017 姚雄等，2017 ； Wang等，2019 Wang等，2019 ； 苏中滨等，2021 苏中滨等，2021 ）。土壤背景是植被LAI遥感研究的重要制约因素之一（高林， 王晓菲等，2017），土壤因子作为土壤背景的重要组成部分，能够直接影响植被生长，进而影响植被LAI反演精度（ 杨焕莹等，2019 杨焕莹等，2019 ； 罗光浪等，2022 罗光浪等，2022 ）。 当前研究多侧重基于单一特征（植被指数、纹理特征等）的植被LAI反演研究，而综合多特征因子对植被LAI的反演研究较少。当变量数目较多时，线性回归等方法受到限制，且常用的机器学习方法：随机森林算法（Random Forest， RF）易受环境干扰波动大（ 姚雄等，2017 姚雄等，2017 ）；支持向量机（Support Vector Machine， SVM）没有通用参数选取方案、优化不稳定（ Xie等， 2014 Xie等， 2014 ）；BP神经网络（Back Propagation Neural Network， BP）易陷入局部最优、训练速度慢（ Wang等，2019 Wang等，2019 ）；极限学习机（Extreme Learning Machine， ELM）在处理高维数据时存在局限性，模型性能不稳定（ 苏中滨等，2021 苏中滨等，2021 ）。深度极限学习机（Deep Extreme Learning Machine， DELM）由ELM衍生而来，可以获得数据中更抽象的表征信息，更有效地处理小数据样本（ Zhang等，2022 Zhang等，2022 ； Sun等，2017 Sun等，2017 ），但尚未用于植被LAI反演模型中。 本文以滨海湿地碱蓬为研究对象，采集无人机高光谱遥感影像和地面实测碱蓬反射光谱、叶面积指数及区域土壤因子，发展随机森林（RF）和粒子群（PSO）双优化策略的深度极限学习机（DELM）算法结合多模态数据的算法开展盐沼湿地碱蓬LAI的无人机高光谱反演研究。RF多模态特征优选可解决高光谱数据中存在的冗余特征和可分性较差的问题，有效优选出敏感特征；PSO-DELM快速、准确地对多模态数据进行反演建模，提高反演模型精度，为盐沼湿地碱蓬的实时监测和生态修复提供技术支撑。 2　研究区数据获取 1 2.1　研究区概况 2 选取山东省东营市黄河三角洲自然保护区内一块长为600m，宽为400m的矩形碱蓬生长密集区作为研究区（37°47′N~37°47′30″N，119°9′30″E~119°10′E）（ 图1 图1 ），属于暖温带半湿润大陆季风性气候（ Ma等，2019 Ma等，2019 ），土壤类型以滨海潮土和盐土为主（ Xia等，2019 Xia等，2019 ），含盐量较高。在保护区内分布着大量的柽柳、碱蓬、芦苇等自然植被资源，以及白鹳、丹顶鹤等国家级重点保护动物资源。 经前期实地考察发现区域内地势平坦，碱蓬植被株高为10~20cm，冠径大小为5~15cm，研究区南部碱蓬生长比较集中，北部碱蓬比较稀疏。根据碱蓬生长状况，共划分了密度不等的123个采样区，每个采样区为1m 2 的样方。为了更好地了解研究区土壤养分含量，用对角线采样法在样方内对0-20cm水平的表层土壤进行采样并将其均匀混合作为土壤样品，并测定土壤中的pH、全盐、全氮、全磷、全钾、有机质、总碳、含水量。 2.2　多模态数据获取与处理 2 2.2.1　无人机高光谱图像获取和预处理 3 无人机遥感平台采用大疆M600Pro六旋翼无人机，无人机搭载的高光谱传感器为北京智科远达数据技术有限公司自主研发的新型ZK-VNIR-FPG480高光谱成像仪（ 表1 表1 ），采用推扫式成像方式，可探测的波段范围为400-1000nm，光谱通道数为270，光谱分辨率为3nm。于2020年7月20日上午10-12点晴朗无风的天气条件下获取研究区无人机高光谱遥感影像。利用ZK-VNIR-FPG480高光谱成像仪自带的数据预处理软件进行数据导出、数据复原、光谱定标、辐射定标等预处理。在此基础上，利用ENVI软件对辐射校正后的高光谱遥感影像进行几何校正与影像拼接（ 图2 图2 ）。 波段范围 400nm-1000nm 光谱通道数 270 光谱分辨率 2.8nm 视场角 26° A/D转换 12bit 数据接口 GigE 最大功耗 20W 设备重量 4.6kg 防护等级 IP67 设备尺寸 310×87×87 本研究区位于黄河三角洲国家级自然保护区内一块碱蓬生长密集区域，且由 图2 图2 拼接后的无人机高光谱影像也可以看出，该区域内南部的碱蓬生长比较集中，相对浓密，而北部地区则较为稀疏，与碱蓬实地考察的生长状况相一致。但由于受到仪器质量问题，拼接过程存在少量蓝色条纹现象。 为了提取无人机高光谱影像中每个样方的冠层光谱反射率，先在每个样方中碱蓬覆盖区建立感兴趣区，通过统计分析，将其平均值作为碱蓬样方的高光谱反射率。经统计发现无人机高光谱遥感影像在400~450nm和900~1000nm波段范围内的光谱反射率噪声较大，因此选取450~900nm波段范围内的198个波段进行碱蓬LAI反演研究。 无人机高光谱遥感图像在获取过程中因受环境因素的影响会不可避免地产生噪声，对无人机高光谱遥感影像依次进行S-G平滑滤波、包络线去除和一阶微分处理。首先，利用ENVI软件中的S-G平滑滤波工具对无人机高光谱遥感影像进行平滑滤波，窗口设为60，拟合多项式设为5；之后，将平滑滤波处理后的无人机高光谱影像进行包络线去除，并将每个样方的平均反射光谱作为样方碱蓬包络线去除后的反射光谱；最后，将包络线去除后的每个样方碱蓬平均反射光谱进行一阶微分处理，以突出对碱蓬LAI敏感的特征波段。 2.2.2　特征提取 3 基于无人机高光谱影像提取纹理特征以及碱蓬反射光谱提取红边参数和植被指数作为碱蓬LAI反演的多模态数据。 1　红边参数提取 1 依据 表2 表2 列出的计算公式，利用MATLAB软件分别计算碱蓬红边面积、红边振幅、红边偏度系数、红边峰度系数和红边位置五种红边参数（ Jiang等，2019 Jiang等，2019 ）。 红边参数 公式 红边面积 <math id="M5"><msub><mrow><mi>S</mi></mrow><mrow><mi mathvariant="normal">r</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">d</mi></mrow></msub><mo>=</mo><msubsup><mo>∫</mo><mrow><mn>680</mn></mrow><mrow><mn>750</mn></mrow></msubsup><mrow><mi>D</mi><mi>'</mi><mo stretchy="false">(</mo><mi>λ</mi><mo stretchy="false">)</mo></mrow><mi>d</mi><mi>λ</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727632&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727631&type= 22.01333237 6.09600019 红边振幅 <math id="M6"><msub><mrow><mi>D</mi></mrow><mrow><mi>λ</mi></mrow></msub><mo>=</mo><mi mathvariant="normal">m</mi><mi mathvariant="normal">a</mi><mi mathvariant="normal">x</mi><mtext> </mtext><mo stretchy="false">[</mo><mi>D</mi><mi>'</mi><msub><mrow><mo stretchy="false">(</mo><mi>λ</mi><mo stretchy="false">)</mo></mrow><mrow><mi>λ</mi><mo>=</mo><mn>680</mn><mo>~</mo><mn>750</mn><mi>n</mi><mi>m</mi></mrow></msub><mo stretchy="false">]</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727649&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727648&type= 32.25799942 3.47133350 红边偏度系数 <math id="M7"><mi>s</mi><mo>=</mo><mfrac><mrow><mi mathvariant="normal">E</mi><msup><mrow><mo stretchy="false">(</mo><mi>X</mi><mo>-</mo><mi>μ</mi><mo stretchy="false">)</mo></mrow><mrow><mn>3</mn></mrow></msup></mrow><mrow><msup><mrow><mi>σ</mi></mrow><mrow><mn>3</mn></mrow></msup></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727651&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727650&type= 16.93333435 6.43466663 红边峰度系数 <math id="M8"><msub><mrow><mi>k</mi></mrow><mrow><mi mathvariant="normal">r</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">d</mi></mrow></msub><mo>=</mo><mfrac><mrow><mi mathvariant="normal">E</mi><msup><mrow><mo stretchy="false">(</mo><mi>X</mi><mo>-</mo><mi>μ</mi><mo stretchy="false">)</mo></mrow><mrow><mn>4</mn></mrow></msup></mrow><mrow><msup><mrow><mi>σ</mi></mrow><mrow><mn>4</mn></mrow></msup></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727653&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727652&type= 19.64266586 6.43466663 红边位置 <math id="M9"><mo stretchy="false">[</mo><msub><mrow><mi>λ</mi></mrow><mrow><mi mathvariant="normal">m</mi><mi mathvariant="normal">a</mi><mi mathvariant="normal">x</mi></mrow></msub><msub><mrow><mo stretchy="false">]</mo></mrow><mrow><mi mathvariant="normal">r</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">d</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727655&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727654&type= 9.39799976 3.30200005 将计算后的红边参数与碱蓬LAI进行相关性分析，结果如 表3 表3 所示。从表中可以看出：碱蓬冠层光谱反射率的红边面积和红边振幅与LAI相关性很高，相关系数分别为0.711和0.675 （p < 0.01）；且红边振幅与碱蓬LAI的相关性最高，这主要是因为在红光波段，植被叶片叶绿素强烈吸收；在近红外波段，植被叶片内部多次散射形成强烈的反射。红边面积和红边振幅将这种独特的光谱特征进一步放大从而增强了与碱蓬LAI这种植被结构形态之间的相关性（ Li等，2017 Li等，2017 ； Kanke等，2016 Kanke等，2016 ）。因此，基于碱蓬冠层反射光谱提取的红边面积和红边振幅对碱蓬LAI比较敏感，可作为碱蓬LAI反演模型的光谱特征变量。 注： **为显著性水平（p < 0.01） 2 红边特征参数 2 LAI 相关系数 显著性水平 红边面积 0.675 0.000** 红边位置 0.229 0.077 红边振幅 0.711 0.000** 红边偏度 0.055 0.675 红边峰度 -0.072 0.583 2　植被指数提取 1 将碱蓬冠层反射光谱进行任意波段组合分别构建比值植被指数RVI（ 式1 式1 ）、差值植被指数DVI （ 式2 式2 ）和归一化植被指数NDVI（ 式3 式3 ），与碱蓬LAI进行相关性分析，如 图3 图3 所示。从图中可以看出：RVI与LAI相关性最高的波段组合中 x 波段集中分布在680~750nm波段范围中， y 波段集中分布在580~610nm波段范围内，其中690nm和598nm构建的D 690 /D 598 植被指数与碱蓬LAI的相关系数最高（r=0.714）。DVI与LAI相关性最高的波段组合中 x 波段集中分布在680~700nm波段范围中， y 波段集中分布在550~610nm波段范围内，其中699nm和598nm构建的（D 699 -D 598 ）植被指数与LAI的相关系数最高（r=0.656）。NDVI与LAI相关性最高的波段组合中 x 波段集中分布在580~610nmnm波段范围中， y 波段集中分布在680~740波段范围内，其中598nm和693nm构建的（D 598 -D 693 ）/（D 598 +D 693 ）植被指数与碱蓬LAI的相关系数最高（ r =0.676）。 <math display="block" id="M10"><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">R</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">x</mi></mrow></msub></mrow><mrow><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">y</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727661&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727660&type= 14.73200035 8.72066593 <math display="block" id="M11"><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi></mrow></msub><mo>=</mo><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">x</mi></mrow></msub><mo>-</mo><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">y</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727663&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727662&type= 22.01333237 3.72533321 <math display="block" id="M12"><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi></mrow></msub><mo>=</mo><mfrac><mrow><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">x</mi></mrow></msub><mo>-</mo><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">y</mi></mrow></msub></mrow><mrow><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">x</mi></mrow></msub><mo>+</mo><msub><mrow><mi>D</mi></mrow><mrow><mi mathvariant="normal">y</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727665&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727664&type= 24.04533195 8.72066593 其中 D 为一阶微分后的光谱反射率， x ， y 为450~900nm之间的任意波段。 因此，植被指数D 690 /D 598 、 （D 699 -D 598 ）和（D 598 -D 693 ）/（D 598 +D 693 ） 可作为构建碱蓬LAI反演模型的敏感植被指数。 3　纹理特征提取 1 计算无人机高光谱影像各波段反射率与LAI之间的皮尔逊相关系数（Pearson Correlation Coefficient），结果如 图4 图4 所示。从图中可以看出：700nm波段反射率与碱蓬LAI的相关性最高，相关系数为0.473（p < 0.01）。 利用灰度共生矩阵方法基于对700nm的无人机高光谱波段提取均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性8个纹理特征。综合考虑无人机高光谱影像的空间分辨率（0.1m）和区域碱蓬分布特点，选取3×3窗口；因无人机航向接近45°，在纹理分析时方向选取45°方向分析8个纹理特征，同时将45°方向的8个纹理特征作为碱蓬LAI反演模型的敏感纹理特征。 2.2　 3 碱蓬LAI测定 2 在获取无人机高光谱遥感图像的同时，同步测定了碱蓬叶面积指数。为了确保仪器的探测镜头视场角完全覆盖样方内所有碱蓬，在每个样方的中心位置挖出一个直径15cm，深15cm的小洞，然后把CI-110植物冠层分析仪器探头置于洞内，且不要接触洞的四周，并保证探头顶部与地面平行。使用CI-110冠层分析仪自带数据处理软件（Plant Canopy Analyst System）计算出每个样方的碱蓬LAI。 2.2　 4 土壤因子测定 2 将采集的土壤样品分为两部分，其中一部分原样用于测定土壤含水量；另一部分土壤原样，首先进行自然风干，然后充分混合、过筛和保存备用，之后测定土壤pH、全盐、全氮、全磷、全钾、有机质、总碳等要素（ 郝小玲等，2020 郝小玲等，2020 ）。土壤各要素的详细测定方法如 表4 表4 所示。 分析指标 测定方法 pH pH计测定 电导率 在16.5℃的温度下用电导率仪测定 有机质 重铬酸钾容量法 全氮 半微量凯氏法 全磷 采用氢氧化钠（NaOH）熔融-钼锑抗比色法 全钾 氢氧化钠（NaOH）熔解-火焰光度法 总碳 湿烧法 含水量 烘干法 3　研究方法 1 3.1　基于RF的多模态数据特征选择 2 RF是一种将回归学习方法与Bagging技术相结合的集成分类算法（ Cutler等，2012 Cutler等，2012 ），由许多决策树组成用于训练，并将训练结果显示于对每棵树进行分类和回归的预测中，即可得到特征的重要性排序（ 张磊等，2019 张磊等，2019 ）。 由于各种各样的环境因素和无人机高光谱等高维多模态数据都会影响碱蓬LAI，且RF可以高效地处理高维数据的非线性关系，因此本文采用RF筛选出对碱蓬LAI影响程度较高的多模态特征变量。 经多次实验验证后，RF模型具体参数设置如 表5 表5 所示，具体实验采用Python语言中的Scikit-learn库。以决定系数作为筛选指标，将每个模态的变量与LAI建立RF模型，最终进行重要性排序。在特征优选过程中，采用多次训练取平均值的5折交叉验证的统计学方法来训练模型，以提升模型稳定性和增加特征选择结果的可信度（ 汪学清等，2021 汪学清等，2021 ）。 参数 配置 个数 550 最大深度 20 最小叶子节点数 2 最小可分节点数 2 最大特征数 50 3.2　粒子群优化算法 2 PSO是一种并行的智能群集优化算法（ 于丰华 等，2020 于丰华 等，2020 ），实现容易、收敛快，广泛地被应用于函数拟合和优化中。PSO优化算法随机初始化，迭代寻优，同时以DELM的均方根误差作为适应度函数评价当前解是否达到最优，追随当前解寻得优化问题的全局最优解。（ 朱腾等，2014 朱腾等，2014 ）。 3.3　深度极限学习机 2 极限学习机（Extreme Learning Machine， ELM）是隐藏层节点参数随机初始化，最小二乘法求解的单隐含层前馈神经网络，具有学习速度快和泛化能力强等优点（ Li等，2021 Li等，2021 ）。但是，ELM在处理维度过高的多模态数据时，易陷入局部最优值，无法捕捉到有效的隐藏信息和表征特征。因此，采用DELM对多模态数据的碱蓬LAI进行反演预测。 DELM以自编码训练方式为基础，利用分层的无监督方法提取高维数据的隐藏信息，并以ELM作为基础学习单位，通过多个ELM级联得到以层次编码形式传输的最优网络参数，将定量特征通过ELM映射到输出空间，在维持彼此量化特征的同时，最大限度地减少重构误差。DELM避免反向调优过程，减少数据损失，有效提高模型预测精度。 3.4　PSO-DELM模型 2 尽管DELM有助于多层次学习特征，减少了调整参数的需要，然而输入的权重和阈值是正交矩阵随机产生的，从而导致预测过程中模型不稳定，波动较大。因此，采用PSO智能优化算法对初始权重和阈值进行参数寻优。 PSO-DELM模型整个流程步骤说明如下： （1）初始化粒子群参数。随机初始化粒子的位置和速度，粒子的迭代次数、种群规模、种群维度和惯性因子分别设置为200、40、2和0.9。 （2）以均方根误差函数计算粒子适应度，从而选举出个体的局部最优位置和全局最优位置，然后进行迭代，若当前适应度优于个体最优值和全局最优值，则更新个体最优值和全局最优值，直到满足条件输出最优解为止。 （3）采用最小二乘法得到最小二乘解和PSO寻得的输入权重和阈值进行逐层训练，得到相关量化特征，通过DELM分类器映射到目标输出空间，得到最终的预测结果。 3.5　基于RF-PSO-DELM构建LAI反演模型 2 采用基于RF-PSO-DELM算法构建盐沼湿地碱蓬LAI反演模型。利用留出法训练模型，即取103个样方点数据作为训练集，剩下20个样方点作为测试集。为减小变量之间的差异性，反演前进行归一化处理，反演后进行相应地反归一化操作。详细反演步骤和流程如 图5 图5 所示。 目前，大部分研究没有明确提出ELM中隐藏层节点数的选取准则，依据主观性选取，不具一般性（ 陆军胜等，2021 陆军胜等，2021 ； Li等，2021 Li等，2021 ）。为了寻得最佳隐含层节点数，以测试集的平均决定系数（ <math id="M13"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727709&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727708&type= 3.38666677 2.96333337 ）作为选取准则。如 图7 图7 所示，隐含层节点数分布为2到40，隐含层激活函数分别设置为“Sigmoid函数”，“Sine函数”以及“Hardlim函数”，绘制隐含层节点数与平均决定系数的关系图。 （d）DELM反演精度；（e）PSO-DELM反演精度；（f）RF-PSO-DELM反演精度］ ［The inversion accuracy of （a） SVM， （b） BP neural network， （c） ELM， （d） DELM， （e） PSO-DELM， （f） RF-PSO-DELM.］ 从 图6 图6 可以看出：隐含层函数为“Sigmoid函数”的网络结构的决定系数（ <math id="M14"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727709&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727708&type= 3.38666677 2.96333337 ）明显优于另外两个激活函数，因此，DELM模型选取Sigmoid作为激活函数。 在“Sigmoid函数”作为激活函数的模型中，对应的均方根误差在0.1左右，直接取决定系数最大时隐含层对应的节点数。因此，DELM模型选取Sigmoid作为最优的激活函数，对应的最优隐含层为20，且每一层的节点数为15。此外，利用均方根误差（Root Mean Squared Error， RMSE）和模型决定系数（ <math id="M15"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727709&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727708&type= 3.38666677 2.96333337 ）作为碱蓬LAI反演模型精度的评价标准。 4　结果与分析 1 4.1　多模态数据特征选择 2 不同模态数据的影响系数即为每一个影响因素对于碱蓬LAI的影响程度（ 表6 表6 ），土壤全氮、全磷、全盐和土壤含水量与碱蓬LAI的影响系数较大，这与多数学者的相关研究结果一致（ 赵珊珊等，2020 赵珊珊等，2020 ； 靖淑慧等，2018 靖淑慧等，2018 ； 贺文君等，2021 贺文君等，2021 ）。例如， 赵珊珊等（2020） 赵珊珊等（2020） 研究表明碱蓬可直接利用土壤中的氮磷进行吸收，也就是说氮磷在一定程度上会影响碱蓬生长。 注： 粗体加粗部分表示影响系数大于0.1 模态数据 影响因素 影响系数 7 土壤因子 全盐 0.156 全氮 0.408 全磷 0.298 全钾 0.073 有机质 0.065 总碳 0.046 含水量 0.312 5 红边参数 红边面积 0.197 红边位置 0.009 红边振幅 0.438 红边偏度 0.072 红边峰度 0.118 8 纹理特征 均值 0.669 相异性 0.071 协同性 0.093 二阶矩 0.062 相关性 0.088 对比度 0.126 方差 0.153 信息熵 0.081 3 植被指数 D 674 /D 557 0.721 D 695 -D 555 0.256 （D 605 -D 697 ）/（D 605 +D 697 ） 0.123 实测理化参数 植被覆盖度 0.732 不同模态数据的影响因素对碱蓬LAI的影响系数如 表6 表6 所示。从表中可以看出：土壤因子中，有机质、总碳和全钾；红边参数中，红边位置和红边偏度；纹理特征中，相异性、相关性、协同性、二阶矩和信息熵对碱蓬LAI反演的影响系数小于0.1，予以删除。选用对碱蓬LAI反演的影响系数大于0.1的参量作为模态特征参数，分别是土壤全盐、全氮、全磷、含水量，红边振幅、红边面积和红边峰度；均值、对比度和方差；植被指数D 690 /D 598 、 （D 699 -D 598 ）和（D 598 -D 693 ）/（D 598 +D 693 ）和植被覆盖度。 4.2　实验结果分析 2 4.2.1　LAI反演模型构建 3 为了检验本研究提出的基于RF-PSO-DELM算法结合多模态数据的碱蓬LAI反演模型的有效性，在样本数据相同情况下，基于SVM、BP、ELM、DELM、PSO-DELM、RF-PSO-DELM六种算法建立黄河三角洲碱蓬LAI的反演模型。设置SVM类型为 <math id="M16"><mi>ϵ</mi><mo>-</mo><mi mathvariant="normal">S</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">R</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727642&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727641&type= 13.12333298 2.79399991 ，选择RBF为核函数，惩罚系数为2.5、核函数参数为0.07且损失函数值为0.01；BP神经网络中的隐含层节点设置为15、最大训练次数为200、学习率为0.01、训练需求精度为le-5；ELM和DELM的参数设置与RF-PSO-DELM一致，选取Sigmoid作为最优的激活函数，对应的最优隐含层为20，且每一层的节点数为15；另外，PSO-DELM中关于粒子群优化算法的参数设置与RF-PSO-DELM一致，不同的是，将不同模态的所有数据全部输入到PSO-DELM模型中。 4.2.2　模型精度评价 3 基于六种算法构建的碱蓬叶面积指数LAI反演模型精度比较结果如 图7 图7 所示。从图中可以看出：首行和第二行（a-f）分别为SVM、BP、ELM、DELM、PSO-DELM、RF-PSO-DELM六种模型在测试集上的反演效果，其中，决定系数（ <math id="M17"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727709&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727708&type= 3.38666677 2.96333337 ）分别为0.8225、0.6892、0.7509、0.8765、0.9016和0.9546，均方根误差（RMSE）分别为0.1877、0.2169、0.2052、0.1718、0.1627和0.1341，决定系数（ <math id="M18"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727709&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727708&type= 3.38666677 2.96333337 ）最高提高了0.2654，均方根误差RMSE最大降低了0.0828。由此可见，RF-PSO-DELM预测模型输出结果与实际结果很接近，RMSE很小，表明RF-PSO-DELM模型在LAI预测方面具有较好的拟合学习能力。PSO-DELM和RF-PSO-DELM的决定系数（ <math id="M19"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727709&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727708&type= 3.38666677 2.96333337 ）比DELM、ELM、BP和SVM提高了至少0.0791。这也充分说明，经过PSO优化后具有更好的预测性能。相比于PSO-DELM，RF-PSO-DELM的 <math id="M20"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727709&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727708&type= 3.38666677 2.96333337 提高了0.053、RMSE降低了0.0286，精度更加准确，模型更稳定，预测效果更佳，这也表明了RF特征优选也是一个优化过程，很好地提升了模型的预测性能。 此外，在相同样本数据和输入条件下，DELM模型的性能优于ELM、BP和SVM模型。SVM模型预测性能优于ELM和BP，这主要是因为ELM和BP容易陷入局部最优导致过拟合。结合实验过程，BP神经网络相较于ELM训练时间较长，主要是由于ELM不需要迭代微调，耗时较短。因此，采用RF-PSO双优化策略可以很好地帮助DELM优选训练样本，找到最优参数，提升模型预测性能。 4.2.3　反演模型应用 3 将基于RF-PSO-DELM算法构建的碱蓬LAI最优反演模型应用到黄河三角洲碱蓬滩湿地，得到研究区碱蓬LAI的空间分布，结果如 图8 图8 所示。从图中可以看出：影像中非碱蓬生长区域的LAI值为0，碱蓬LAI最大为0.2。 叶面积指数较高的主要集中分布在研究区东南部，北部碱蓬稀疏区域的LAI比较低，根据实地勘察情况，研究区选定的地理位置北部区域中有潮沟经过且距离北部渤海较近，常年受潮沟中海水的高水盐侵蚀。而且结合实测的土壤样方来看，北部区域土壤样方有机质含量和全氮含量较低，含水量和盐浓度较高，这与Hernandez和Qi等人（ Hernandez等，1995 Hernandez等，1995 ； Qi等，2009 Qi等，2009 ）研究结果相一致，碱蓬植被在较高的水和盐浓度下，其叶绿体和线粒体会遭受钠离子的毒害，并形成活性氧（ROS），造成碱蓬植被生长萎缩，从而造成碱蓬LAI降低。 5　讨论 1 本研究结合区域土壤因子、植被红边参数和植被指数等光谱特征、无人机高光谱遥感影像纹理特征和地面实测的植被覆盖度等多模态数据，发展双优化策略的RF-PSO-DELM算法，构建了滨海湿地碱蓬LAI反演模型，与传统的模型构建相比，该反演模型增加了反映滨海湿地碱蓬的多模态数据，为碱蓬LAI模型反演提供了新思路和新方法。 为了验证模型的泛化性和分析不同模态数据特征对碱蓬LAI反演的影响，采用RF-PSO-DELM和传统经典且广泛使用的SVM算法应用不同模态数据构建碱蓬叶面积指数LAI的反演模型，精度比较分析结果如 表7 表7 所示。 2 模态数据 2 RF-PSO-DELM 2 SVM RMSE <math id="M21"><msup><mrow><mi>R</mi></mrow><mrow><mn>2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727699&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727698&type= 2.70933342 2.28600001 RMSE <math id="M22"><msup><mrow><mi>R</mi></mrow><mrow><mn>2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727699&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727698&type= 2.70933342 2.28600001 土壤因子 0.2385 0.6752 0.4383 0.5246 红边参数 0.2058 0.7282 0.3893 0.5603 纹理特征 0.1862 0.8057 0.4702 0.4521 植被指数 0.1694 0.8371 0.3641 0.7271 植被覆盖度 0.1843 0.8447 0.3571 0.6287 从 表7 表7 中可以看出：在不同单模态数据中，应用RF-PSO-DELM算法反演碱蓬LAI的决定系数（ <math id="M23"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727709&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727708&type= 3.38666677 2.96333337 ）明显高于SVM算法，其中利用植被指数反演碱蓬LAI的决定系数（ <math id="M24"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727709&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727708&type= 3.38666677 2.96333337 ）提升了近11%，模型的均方根误差（RMSE）也减少了0.1947，说明RF-PSO-DELM算法模型也更加稳定。 对比基于RF-PSO-DELM和SVM算法构建的碱蓬LAI反演模型精度可知：基于RF-PSO-DELM算法的LAI预测值与真实值更接近，RF-PSO-DELM算法对于非线性特征具有更好的拟合学习能力，具有更强的泛化性。植被覆盖度对碱蓬LAI的反演精度影响较大，这表明植被覆盖度可以很好地提升碱蓬LAI反演精度，这与（ 瞿瑛等，2008 瞿瑛等，2008 ）等人理论研究一致，植被覆盖度与碱蓬LAI之间存在一定的统计模型关系。此外，利用多模态数据特征基于RF-PSO-DELM和SVM算法构建的碱蓬LAI的预测精度明显优于仅使用单一模态特征数据的预测精度。因此，植被LAI的高光谱反演研究需要考虑植被的不同模态数据特征，以提高相关模型的反演精度。 为了进一步说明结合多模态数据的反演模型优越性，利用RF-PSO-DELM算法结合不同模态数据的部分结果如图9所示，结果表明组合使用不同模态数据的决定系数（ <math id="M25"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727709&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727708&type= 3.38666677 2.96333337 ）均高于仅使用单一模态数据的决定系数（ <math id="M26"><msup><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727709&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=30727708&type= 3.38666677 2.96333337 ），其中结合所有模态数据的精度最高为0.9546，其次就是结合土壤因子、红边参数和植被覆盖度的精度较高为0.9501。该研究结果与 高林等（2017） 高林等（2017） 在不同土壤背景下使用不同的模态数据（红边参数和改进型的植被指数）估算冬小麦LAI类似，结合多模态特征可有效提升LAI的预测精度。 6　结论 1 （1）以滨海湿地碱蓬为研究对象，结合无人机高光谱数据，提出了一种基于RF-PSO-DELM算法，构建了滨海湿地碱蓬叶面积指数LAI的反演模型，与SVM、BP等传统模型相比，具有反演性能更高，模型更加稳定的特点。 （2）综合考虑影响滨海湿地碱蓬生长的土壤因子、纹理特征、光谱特征和植被覆盖度等多源模态数据，并利用随机森林特征优选算法提取对碱蓬叶面积指数LAI敏感的重要影响因素，有效降低了模型反演的复杂性，大大提高了模型预测的精度。 （3）利用随机森林算法进行特征选择，粒子群算法优化阈值参数，实质是采用双向特征优化策略，避免无关特征影响，减小了DELM训练过程中的运算量，提高了训练速度。 由于滨海湿地碱蓬样本数量有限，基于区域尺度的碱蓬LAI反演模型的普适性尚需进一步验证。因此，未来可针对多个区域不同生长期的碱蓬LAI分别构建反演模型，并增加湿地覆被类型，提高湿地植被LAI反演模型的普适性。在利用多模态数据构建碱蓬LAI反演模型时，可在后续研究中进一步考虑叶片叶绿素含量等实测植物参数对碱蓬LAI反演的影响。 参考文献（ References ） Chen , Guangwei , Runjie Jin , Zhanjiang Ye , Qi Li , Jiali Gu , Min Luo , Yongming Luo , George Christakos , James Morris , and Junyu He . 2022 . " Spatiotemporal Mapping of Salt Marshes in the Intertidal Zone of China during 1985 – 2019 ." Journal of Remote Sensing 2022. Spatiotemporal Mapping of Salt Marshes in the Intertidal Zone of China during Cutler , Adele , D Richard Cutler , and John R Stevens . 2012 . " Random forests ." In Ensemble machine learning , 157 - 175 . Springer . Random forests Duan , Bo , Yating Liu , Yan Gong , Yi Peng , Xianting Wu , Renshan Zhu , and Shenghui Fang . 2019 . " Remote estimation of rice LAI based on Fourier spectrum texture from UAV image ." Plant Methods 15 ( 1 ): 1 - 12 . Remote estimation of rice LAI based on Fourier spectrum texture from UAV image Fang , Hongliang , Frederic Baret , Stephen Plummer , and Gabriela Schaepman‐Strub . 2019 . " An overview of global leaf area index (LAI): Methods, products, validation, and applications ." Reviews of Geophysics 57 ( 3 ): 739 - 799 . An overview of global leaf area index (LAI): Methods, products, validation, and applications Hernandez , JA , E Olmos , FJ Corpas , F Sevilla , and LA Del Rio . 1995 . " Salt-induced oxidative stress in chloroplasts of pea plants ." Plant Science 105 ( 2 ): 151 - 167 . Salt-induced oxidative stress in chloroplasts of pea plants Jia , Jia , Junhong Bai , Wei Wang , Guangliang Zhang , Xin Wang , Qingqing Zhao , and Shuai Zhang . 2018 . " Changes of biogenic elements in Phragmites australis and Suaeda salsa from salt marshes in Yellow River Delta, China ." Chinese Geographical Science 28 ( 3 ): 411 - 419 . Changes of biogenic elements in Phragmites australis and Suaeda salsa from salt marshes in Yellow River Delta, China Jiang , Changhui , Yuwei Chen , Haohao Wu , Wei Li , Hui Zhou , Yuming Bo , Hui Shao , Shaojing Song , Eetu Puttonen , and Juha Hyyppä . 2019 . " Study of a high spectral resolution hyperspectral LiDAR in vegetation red edge parameters extraction ." Remote Sensing 11 ( 17 ): 2007 . Study of a high spectral resolution hyperspectral LiDAR in vegetation red edge parameters extraction Kanke , Yumiko , Brenda Tubana , Marilyn Dalen , and Dustin Harrell . 2016 . " Evaluation of red and red-edge reflectance-based vegetation indices for rice biomass and grain yield prediction models in paddy fields ." Precision Agriculture 17 ( 5 ): 507 - 530 . Evaluation of red and red-edge reflectance-based vegetation indices for rice biomass and grain yield prediction models in paddy fields Li , Dong , Tao Cheng , Kai Zhou , Hengbiao Zheng , Xia Yao , Yongchao Tian , Yan Zhu , and Weixing Cao . 2017 . " WREP: a wavelet-based technique for extracting the red edge position from reflectance spectra for estimating leaf and canopy chlorophyll contents of cereal crops ." ISPRS Journal of Photogrammetry and Remote Sensing 129 : 103 - 117 . WREP: a wavelet-based technique for extracting the red edge position from reflectance spectra for estimating leaf and canopy chlorophyll contents of cereal crops Li , Jingsong , Tabassum Hussain , Xiaohui Feng , Kai Guo , Huanyu Chen , Ce Yang , and Xiaojing Liu . 2019 . " Comparative study on the resistance of Suaeda glauca and Suaeda salsa to drought, salt, and alkali stresses ." Ecological Engineering 140 : 105593 . Comparative study on the resistance of Suaeda glauca and Suaeda salsa to drought, salt, and alkali stresses Li , Qiang , and Jie Song . 2019 . " Analysis of widely targeted metabolites of the euhalophyte Suaeda salsa under saline conditions provides new insights into salt tolerance and nutritional value in halophytic species ." BMC Plant Biology 19 ( 1 ): 1 - 11 . Analysis of widely targeted metabolites of the euhalophyte Suaeda salsa under saline conditions provides new insights into salt tolerance and nutritional value in halophytic species Li , Qing , Xinyan Zhang , Tianjiao Ma , Chunlei Jiao , Heng Wang , and Wei Hu . 2021 . " A multi-step ahead photovoltaic power prediction model based on similar day, enhanced colliding bodies optimization, variational mode decomposition, and deep extreme learning machine ." Energy 224 : 120094 . A multi-step ahead photovoltaic power prediction model based on similar day, enhanced colliding bodies optimization, variational mode decomposition, and deep extreme learning machine Liu , Fude , Xue Mo , Weijing Kong , and Ye Song . 2020 . " Soil bacterial diversity, structure, and function of Suaeda salsa in rhizosphere and non-rhizosphere soils in various habitats in the Yellow River Delta, China ." Science of The Total Environment 740 : 140144 . Soil bacterial diversity, structure, and function of Suaeda salsa in rhizosphere and non-rhizosphere soils in various habitats in the Yellow River Delta, China Ma , Tiantian , Xiaowen Li , Junhong Bai , Shiyuan Ding , Fangwen Zhou , and Baoshan Cui . 2019 . " Four decades' dynamics of coastal blue carbon storage driven by land use/land cover transformation under natural and anthropogenic processes in the Yellow River Delta, China ." Science of The Total Environment 655 : 741 - 750 . Four decades' dynamics of coastal blue carbon storage driven by land use/land cover transformation under natural and anthropogenic processes in the Yellow River Delta, China Ma , Yiru , Qiang Zhang , Xiang Yi , Lulu Ma , Lifu Zhang , Changping Huang , Ze Zhang , and Xin Lv . 2022 . " Estimation of Cotton Leaf Area Index (LAI) Based on Spectral Transformation and Vegetation Index ." Remote Sensing 14 ( 1 ): 136 . Estimation of Cotton Leaf Area Index (LAI) Based on Spectral Transformation and Vegetation Index Parker , Geoffrey G . 2020 . " Tamm review: Leaf Area Index (LAI) is both a determinant and a consequence of important processes in vegetation canopies ." Forest Ecology and Management 477 : 118496 . Tamm review: Leaf Area Index (LAI) is both a determinant and a consequence of important processes in vegetation canopies Qi , Cui-Hua , Min Chen , Jie Song , and Bao-Shan Wang . 2009 . " Increase in aquaporin activity is involved in leaf succulence of the euhalophyte Suaeda salsa, under salinity ." Plant Science 176 ( 2 ): 200 - 205 . Increase in aquaporin activity is involved in leaf succulence of the euhalophyte Suaeda salsa, under salinity Sha , Zongyao , Yuwei Wang , Yongfei Bai , Yujin Zhao , Hua Jin , Ya Na , and Xiaoliang Meng . 2019 . " Comparison of leaf area index inversion for grassland vegetation through remotely sensed spectra by unmanned aerial vehicle and field-based spectroradiometer ." Journal of Plant Ecology 12 ( 3 ): 395 - 408 . Comparison of leaf area index inversion for grassland vegetation through remotely sensed spectra by unmanned aerial vehicle and field-based spectroradiometer Sun , Kai , Jiangshe Zhang , Chunxia Zhang , and Junying Hu . 2017 . " Generalized extreme learning machine autoencoder and a new deep neural network ." Neurocomputing 230 : 374 - 381 . Generalized extreme learning machine autoencoder and a new deep neural network Wang , Lei , Pengxin Wang , Shunlin Liang , Xuan Qi , Li Li , and Lianxiang Xu . 2019 . " Monitoring maize growth conditions by training a BP neural network with remotely sensed vegetation temperature condition index and leaf area index ." Computers and Electronics in Agriculture 160 : 82 - 90 . Monitoring maize growth conditions by training a BP neural network with remotely sensed vegetation temperature condition index and leaf area index Xia , Jiangbao , Jiayun Ren , Shuyong Zhang , Yuehai Wang , and Ying Fang . 2019 . " Forest and grass composite patterns improve the soil quality in the coastal saline-alkali land of the Yellow River Delta, China ." Geoderma 349 : 25 - 35 . Forest and grass composite patterns improve the soil quality in the coastal saline-alkali land of the Yellow River Delta, China Xie , Qiao-Yun , Wen-Jiang Huang , Shu-Hong Cai , Dong Liang , Dai-Liang Peng , Qing Zhang , Lin-Sheng Huang , Gui-Jun Yang , and Dong-Yan Zhang . 2014 . " Comparative study on remote sensing invertion methods for estimating winter wheat leaf area index ." Spectroscopy and Spectral Analysis 34 ( 5 ): 1352 - 1356 . Comparative study on remote sensing invertion methods for estimating winter wheat leaf area index Xie , Qiaoyun , Jadu Dash , Wenjiang Huang , Dailiang Peng , Qiming Qin , Hugh Mortimer , Raffaele Casa , Stefano Pignatti , Giovanni Laneve , and Simone Pascucci . 2018 . " Vegetation indices combining the red and red-edge spectral information for leaf area index retrieval ." IEEE Journal of selected topics in applied earth observations and remote sensing 11 ( 5 ): 1482 - 1493 . Vegetation indices combining the red and red-edge spectral information for leaf area index retrieval Yan , Guangjian , Ronghai Hu , Jinghui Luo , Marie Weiss , Hailan Jiang , Xihan Mu , Donghui Xie , and Wuming Zhang . 2019 . " Review of indirect optical measurements of leaf area index: Recent advances, challenges, and perspectives ." Agricultural and forest meteorology 265 : 390 - 411 . Review of indirect optical measurements of leaf area index: Recent advances, challenges, and perspectives Yu , Yuanhe , Jinliang Wang , Guangjie Liu , and Feng Cheng . 2019 . " Forest leaf area index inversion based on Landsat OLI Data in the Shangri-La City ." Journal of the Indian Society of Remote Sensing 47 ( 6 ): 967 - 976 . Forest leaf area index inversion based on Landsat OLI Data in the Shangri-La City Zhang , Meng , Guoqing Kang , Lifeng Wu , and Yong Guan . 2022 . " A method for capacity prediction of lithium-ion batteries under small sample conditions ." Energy 238 : 122094 . A method for capacity prediction of lithium-ion batteries under small sample conditions Chen Zhongxin , Ren Jianqiang , Tang Huajun , Shi Yun , Leng Pei , Liu Jia , Wang Limin , Wu Wenbin , Yao Yanmin , and Hastuya . 2016 . " Progress and Prospects of Agricultural Remote Sensing Research and Applications ." Journal of Remote Sensing 20 ( 05 ): 748 - 767 . Progress and Prospects of Agricultural Remote Sensing Research and Applications 陈仲新 , 任建强 , 唐华俊 , 史云 , 冷佩 , 刘佳 , 王利民 , 吴文斌 , 姚艳敏 , and 哈斯图亚 . 2016 . " 农业遥感研究应用进展与展望 ." 遥感学报 20 ( 05 ): 748 - 767 . 农业遥感研究应用进展与展望 Gao Lin , Wang Xiaofei , Gu Xingfa , Tian Qingjiu , Jiao Junnan , Wang Peiyan , and Li Dan . 2017 . " Effects of soil type differences under the canopy on the remote sensing estimation of the leaf area index of winter wheat ." Chinese Journal of Plant Ecology 41 ( 12 ): 1273 . Effects of soil type differences under the canopy on the remote sensing estimation of the leaf area index of winter wheat 高林 , 王晓菲 , 顾行发 , 田庆久 , 焦俊男 , 王培燕 , and 李丹 . 2017 . " 植冠下土壤类型差异对遥感估算冬小麦叶面积指数的影响 ." 植物生态学报 41 ( 12 ): 1273 . 植冠下土壤类型差异对遥感估算冬小麦叶面积指数的影响 Gao Lin , Yang Guijun , Li Changchun , Feng Haikuan , Xu Bo , Wang Lei , Dong Jinhui , and Fu Kui . 2017 . " UAV frame hyperspectral remote sensing application based on the combination of spectral features and PLSR with leaf area index fitting method ." Journal of Crops 43 ( 4 ): 549 - 557 . UAV frame hyperspectral remote sensing application based on the combination of spectral features and PLSR with leaf area index fitting method 高林 , 杨贵军 , 李长春 , 冯海宽 , 徐波 , 王磊 , 董锦绘 , and 付奎 . 2017 . " 基于光谱特征与 PLSR 结合的叶面积指数拟合方法的无人机画幅高光谱遥感应用 ." 作物学报 43 ( 4 ): 549 - 557 . 基于光谱特征与 PLSR 结合的叶面积指数拟合方法的无人机画幅高光谱遥感应用 Guo Yunkai , Liu Yuling , Zhang Xiaojiong , and Xu Min . 2019 . " LAI Inversion Using Radiative Transfer Model and Random Forest Regression ." Surveying and Mapping Engineering 28 ( 06 ): 17 - 21+9 . LAI Inversion Using Radiative Transfer Model and Random Forest Regression 郭云开 , 刘雨玲 , 张晓炯 , and 许敏 . 2019 . " 利用辐射传输模型和随机森林回归反演LAI ." 测绘工程 28 ( 06 ): 17 - 21+9 . [ doi: 10.19349/j.cnki.issn1006-7949.2019.06.004 http://dx.doi.org/10.19349/j.cnki.issn1006-7949.2019.06.004 .] 利用辐射传输模型和随机森林回归反演LAI Hao Xiaoling , Zhou Jiajia , Zhang Mimi , Wu Jie , Zhang Fenguo , and Wang Yongji . 2020 . " Changes in soil nutrient content of Robinia pseudoacacia forests in hilly and gully areas of southern Shanxi with different years of abandonment ." Forestry Resources Management ( 06 ): 105 - 110+115 . Changes in soil nutrient content of Robinia pseudoacacia forests in hilly and gully areas of southern Shanxi with different years of abandonment 郝小玲 , 周佳佳 , 张咪咪 , 吴洁 , 张粉果 , and 王永吉 . 2020 . " 晋南丘陵沟壑区不同退耕年限刺槐林土壤养分含量变化 ." 林业资源管理 ( 06 ): 105 - 110+115 . [ doi: 10.13466/j.cnki.lyzygl.2020.06.017 http://dx.doi.org/10.13466/j.cnki.lyzygl.2020.06.017 .] 晋南丘陵沟壑区不同退耕年限刺槐林土壤养分含量变化 He Wenjun , Han Guangxuan , Yan Kun , Guan Bo , Wang Guangmei , Lu Feng , Zhou Yingfeng , Zhang Lele , and Zhou Li . 2021 . " Effects of microtopography on soil water and salt distribution and plant biomass in coastal saline-alkali land ." Journal of Ecology 40 ( 11 ) : 3585 - 3597 . Effects of microtopography on soil water and salt distribution and plant biomass in coastal saline-alkali land 贺文君 , 韩广轩 , 颜坤 , 管博 , 王光美 , 路峰 , 周英锋 , 张乐乐 , and 周莉 . 2021 . " 微地形对滨海盐碱地土壤水盐分布和植物生物量的影响 ." 生态学杂志 40 ( 11 ): 3585 - 3597 . [ doi: 10.13292/j.1000-4890.202111.002 http://dx.doi.org/10.13292/j.1000-4890.202111.002 .] 微地形对滨海盐碱地土壤水盐分布和植物生物量的影响 Huang Jingfeng , Wang Yuan , Wang Fumin , and Liu Zhanyu . 2006 . " Hyperspectral estimation model of red edge characteristics and leaf area index of rapeseed ." Chinese Journal of Agricultural Engineering 22 ( 8 ): 22 - 26 . Hyperspectral estimation model of red edge characteristics and leaf area index of rapeseed 黄敬峰 , 王渊 , 王福民 , and 刘占宇 . 2006 . " 油菜红边特征及其叶面积指数的高光谱估算模型 ." 农业工程学报 22 ( 8 ): 22 - 26 . 油菜红边特征及其叶面积指数的高光谱估算模型 Jing Shuhui , Liu Jiazhen , Chen Yongjin , and Zhang Tianju . 2018 . " Study on the effect of different communities on soil phosphorus availability in coastal wetlands ." Soil Bulletin 49 ( 02 ): 392 - 401 . Study on the effect of different communities on soil phosphorus availability in coastal wetlands 靖淑慧 , 刘加珍 , 陈永金 , and 张天举 . 2018 . " 滨海湿地不同群落对土壤磷的有效性影响研究 ." 土壤通报 49 ( 02 ): 392 - 401 . [ doi: 10.19336/j.cnki.trtb.2018.02.19 http://dx.doi.org/10.19336/j.cnki.trtb.2018.02.19 .] 滨海湿地不同群落对土壤磷的有效性影响研究 Li Congjuan , Sun Yongqiang , Fan Jinglong , Zhai Zhizhong , Yang Sirui , Fan Jingwei , Wang Tingting , Wang Shijie , and Zhang Heng . 2015 . " The Ecological Significance of Suaeda salsa in a high salinity-alkali soil environment ." Arid Zone Research 32 ( 06 ): 1160 - 1166 . The Ecological Significance of Suaeda salsa in a high salinity-alkali soil environment 李从娟 , 孙永强 , 范敬龙 , 翟志忠 , 杨司睿 , 范井伟 , 王婷婷 , 王世杰 , and 张恒 . 2015 . " 盐地碱蓬在高盐碱土环境中的生态学意义 ." 干旱区研究 32 ( 06 ): 1160 - 1166 . [ doi: 10.13866/j.azr.2015.06.16 http://dx.doi.org/10.13866/j.azr.2015.06.16 .] 盐地碱蓬在高盐碱土环境中的生态学意义 Lu Jun Sheng , Chen Shaomin , Huang Wenmin , and Hu Tiantian . 2021 . " Using SE_(PLS)_ELM model to estimate aboveground biomass and leaf area index of summer maize ." Chinese Journal of Agricultural Engineering 37 ( 18 ): 128 - 135 . Using SE_(PLS)_ELM model to estimate aboveground biomass and leaf area index of summer maize 陆军胜 , 陈绍民 , 黄文敏 , and 胡田田 . 2021 . " 采用SE_(PLS)＿ELM模型估算夏玉米地上部生物量和叶面积指数 ." 农业工程学报 37 ( 18 ): 128 - 135 . 采用SE_(PLS)＿ELM模型估算夏玉米地上部生物量和叶面积指数 Luo Guanglang , He Shiqiang , Tan Wei , and Qi Yujiao . 2022 . " Determination of Leaf Area Index of Masson Pine Plantation at Different Ages ." Journal of Central South University of Forestry and Technology 42 ( 02 ): 55 - 64 . Determination of Leaf Area Index of Masson Pine Plantation at Different Ages 罗光浪 , 何世强 , 谭伟 , and 戚玉娇 . 2022 . " 不同林龄马尾松人工林叶面积指数的测定 ." 中南林业科技大学学报 42 ( 02 ): 55 - 64 . [ doi: 10.14067/j.cnki.1673-923x.2022.02.007 http://dx.doi.org/10.14067/j.cnki.1673-923x.2022.02.007 .] 不同林龄马尾松人工林叶面积指数的测定 Ma Yiru , Lu Xin , Yi Xiang , Ma Lulu , Qi Yaqin , Hou Tongyu , and Zhang Ze . 2021 . " Machine Learning-Based Monitoring of Cotton Leaf Area Index ." Chinese Journal of Agricultural Engineering 37 ( 13 ): 152 - 162 . Machine Learning-Based Monitoring of Cotton Leaf Area Index 马怡茹 , 吕新 , 易翔 , 马露露 , 祁亚琴 , 侯彤瑜 , and 张泽 . 2021 . " 基于机器学习的棉花叶面积指数监测 ." 农业工程学报 37 ( 13 ): 152 - 162 . 基于机器学习的棉花叶面积指数监测 Qu Ying , Liu Suhong , and Xie Yun . 2008 . " Computer Simulation Model of Vegetation Coverage and Sensitivity Analysis of Parameters ." Chinese Journal of Crops ( 11 ): 1964 - 1969 . Computer Simulation Model of Vegetation Coverage and Sensitivity Analysis of Parameters 瞿瑛 , 刘素红 , and 谢云 . 2008 . " 植被覆盖度计算机模拟模型与参数敏感性分析 ." 作物学报 ( 11 ): 1964 - 1969 . 植被覆盖度计算机模拟模型与参数敏感性分析 Su Zhongbin , Lu Yiwei , Gu Juntao , Gao Rui , Ma Zheng , and Kong Qingming . 2021 . " Improved QGA-ELM Algorithm for Rice Leaf Area Index Inversion Model ." Spectroscopy and Spectral Analysis 41 ( 04 ): 1227 - 1233 . Improved QGA-ELM Algorithm for Rice Leaf Area Index Inversion Model 苏中滨 , 陆艺伟 , 谷俊涛 , 高睿 , 马铮 , and 孔庆明 . 2021 . " 改进的QGA-ELM算法水稻叶面积指数反演模型 ." 光谱学与光谱分析 41 ( 04 ): 1227 - 1233 . 改进的QGA-ELM算法水稻叶面积指数反演模型 Wang Xueqing , Liu Shuang , Li Qiuyan , and Ma Kaibin . 2021 . " SVM Tunnel Surrounding Rock Classification Based on K-fold Cross Validation ." Mining and Metallurgical Engineering 41 ( 06 ): 126 - 128+133 . SVM Tunnel Surrounding Rock Classification Based on K-fold Cross Validation 汪学清 , 刘爽 , 李秋燕 , and 马凯彬 . 2021 . " 基于K折交叉验证的SVM隧道围岩分级判别 ." 矿冶工程 41 ( 06 ): 126 - 128+133 . 基于K折交叉验证的SVM隧道围岩分级判别 Wu Weibin , Li Jiayu , Zhang Zhenbang , Ling Caijin , Lin Xianke , and Chang Xingliang . 2018 . " Inversion of LAI and Nitrogen Content in Tea Trees Based on Hyperspectral Imagery ." Chinese Journal of Agricultural Engineering 34 ( 03 ): 195 - 201 . Inversion of LAI and Nitrogen Content in Tea Trees Based on Hyperspectral Imagery 吴伟斌 , 李佳雨 , 张震邦 , 凌彩金 , 林贤柯 , and 常星亮 . 2018 . " 基于高光谱图像的茶树LAI与氮含量反演 ." 农业工程学报 34 ( 03 ): 195 - 201 . 基于高光谱图像的茶树LAI与氮含量反演 Yang Huanying , Song Jianda , Zhou Tao , Jin Guangze , Jiang Feng , and Liu Zhili . 2019 . " Effects of stand, soil and spatial factors on the spatial heterogeneity of leaf area index of Spruce spruce forest ." Chinese Journal of Plant Ecology 43 ( 4 ): 342 . Effects of stand, soil and spatial factors on the spatial heterogeneity of leaf area index of Spruce spruce forest 杨焕莹 , 宋建达 , 周焘 , 金光泽 , 姜峰 , and 刘志理 . 2019 . " 林分, 土壤及空间因子对谷地云冷杉林叶面积指数空间异质性的影响 ." 植物生态学报 43 ( 4 ): 342 . 林分, 土壤及空间因子对谷地云冷杉林叶面积指数空间异质性的影响 Yao Xiong , Yu Kunyong , Yang Yujie , Zeng Qi , Chen Zhanghao , and Liu Jian . 2017 . " Remote-sensing estimation of forest leaf area index based on random forest model ." Journal of Agricultural Machinery 48 ( 05 ): 159 - 166 . Remote-sensing estimation of forest leaf area index based on random forest model 姚雄 , 余坤勇 , 杨玉洁 , 曾琪 , 陈樟昊 , and 刘健 . 2017 . " 基于随机森林模型的林地叶面积指数遥感估算 ." 农业机械学报 48 ( 05 ): 159 - 166 . 基于随机森林模型的林地叶面积指数遥感估算 Yu Fenghua , Feng Shuai , Zhao Yanyan , Wang Dingkang , Xing Simin , and Xu Tongyu . 2020 . " PSO-ELM hyperspectral remote sensing inversion estimation of chlorophyll content in the canopy of japonica rice ." Journal of South China Agricultural University 41 ( 06 ): 59 - 66 . PSO-ELM hyperspectral remote sensing inversion estimation of chlorophyll content in the canopy of japonica rice 于丰华 , 冯帅 , 赵依然 , 王定康 , 邢思敏 , and 许童羽 . 2020 . " 粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算 ." 华南农业大学学报 41 ( 06 ): 59 - 66 . 粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算 Zhang Lei , Gong Zhaoning , Wang Qiwei , Jin Diandian , and Wang Xing . 2019 . " Sentinel-2 Image Multi-feature Optimization for Wetland Information Extraction in the Yellow River Delta ." Journal of Remote Sensing 23 ( 02 ): 313 - 326 . Sentinel-2 Image Multi-feature Optimization for Wetland Information Extraction in the Yellow River Delta 张磊 , 宫兆宁 , 王启为 , 金点点 , and 汪星 . 2019 . " Sentinel-2影像多特征优选的黄河三角洲湿地信息提取 ." 遥感学报 23 ( 02 ): 313 - 326 . Sentinel-2影像多特征优选的黄河三角洲湿地信息提取 Zhao Shanshan , Pu Hongyu , and Wei Haifeng . 2020 . " Effects of different treatments on seed germination and soil nitrogen and phosphorus content of Suaeda salsa ." China Wild Plant Resources 39 ( 02 ): 1 - 6 . Effects of different treatments on seed germination and soil nitrogen and phosphorus content of Suaeda salsa 赵珊珊 , 蒲红宇 , and 魏海峰 . 2020 . " 不同处理对碱蓬种子萌发和土壤氮磷含量的影响 ." 中国野生植物资源 39 ( 02 ): 1 - 6 . 不同处理对碱蓬种子萌发和土壤氮磷含量的影响 Zhu Teng , Yu Jie , Xie Donghai , and Liu Limin . 2014 . " Application of particle swarm optimization algorithm in unsupervised classification of fully polarized SAR images ." Journal of Surveying and Mapping Science and Technology 31 ( 01 ): 57 - 61 . Application of particle swarm optimization algorithm in unsupervised classification of fully polarized SAR images 朱腾 , 余洁 , 谢东海 , and 刘利敏 . 2014 . " 粒子群优化算法在全极化SAR影像非监督分类中的应用 ." 测绘科学技术学报 31 ( 01 ): 57 - 61 . 粒子群优化算法在全极化SAR影像非监督分类中的应用 10.11834/jrs.20222136 TP79 A 何爽，张森，田家，卢霞.XXXX.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.遥感学报，XX（XX）： 1-14 何爽，张森，田家，卢霞.XXXX.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.遥感学报，XX（XX）： 1-14 HE Shuang，ZHANG Sen，Tian Jia，LU Xia. XXXX. UAV Hyperspectral Inversion of Suaeda Salsa Leaf Area Index in Coastal Wetlands Combined with Multimodal Data. National Remote Sensing Bulletin， XX（XX）：1-14 HE Shuang，ZHANG Sen，Tian Jia，LU Xia. XXXX. UAV Hyperspectral Inversion of Suaeda Salsa Leaf Area Index in Coastal Wetlands Combined with Multimodal Data. National Remote Sensing Bulletin， XX（XX）：1-14 国家自然科学基金项目（编号：41506106，42101321）；中国博士后科学基金项目（2021M701653）。 Supported by Supported by National Natural Science Foundation of China (No. 41506106, 42101321); China Postdoctoral Science Foundation Project (No. 2021M701653) 2022-07-07 遥感学报