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

何爽，张森，田家，卢霞

1.江苏海洋大学 海洋技术与测绘学院,连云港 222000;

2.南京大学 国际地球系统科学研究所,南京 210023

1 引言

碱蓬是一种滨海湿地改良土壤的重要植物（Liu 等，2020；Jia 等，2018；李从娟 等，2015），可以增加土壤肥力（Li 等，2019），具有一定药用和经济价值（Li等，2019；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）。叶面积指数LAI（Leaf Area Index）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；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），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）、红边参数法（黄敬峰 等，2006；Xie 等，2018）、改进型光谱特征参数法（高林 等，2017b）以及使用无人机高光谱影像的纹理特征（Duan 等，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；Sha 等，2019；吴伟斌 等，2018）。但这些模型通常无法很好表现植被指数VI（Vegetation Index）与植被LAI之间的非线性关系（谢巧云 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；郭云开 等，2019），进而提高模型精度（谢巧云 等，2014；姚雄 等，2017；Wang 等，2019；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 等，2017a），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；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RF（Random Forest）易受环境干扰波动大（姚雄 等，2017）；支持向量机SVM（Support Vector Machine）没有通用参数选取方案、优化不稳定（谢巧云 等，2014）；BP 神经网络（Back Propagation Neural Network）易陷入局部最优、训练速度慢（Wang 等，2019）；极限学习机ELM（Extreme Learning Machine）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）。深度极限学习机DELM（Deep Extreme Learning Machine）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；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；PSODELM 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

2.1 研究区概况

选取山东省东营市黄河三角洲自然保护区内一块长为600 m，宽为400 m 的矩形碱蓬生长密集区作为研究区（37°47'00″N—37°47'30″N，119°09'30″E—119°10'00″E）（图1），属于暖温带半湿润大陆季风性气候（Ma等，2019），土壤类型以滨海潮土和盐土为主（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。

图1 研究区地理位置及采样点空间分布Fig.1 The geographical location of the study area and the spatial distribution of sampling points

经前期实地考察发现区域内地势平坦，碱蓬植被株高为10—20 cm，冠径大小为5—15 cm，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1 m2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—20 cm 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

2.2.1 无人机高光谱图像获取和预处理

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-VNIRFPG480 高光谱成像仪（表1），采用推扫式成像方式，可探测的波段范围为400—1000 nm，光谱通道数为270，光谱分辨率为3 nm。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）。

表1 ZK-VNIR-FPG480高光谱成像仪参数Table 1 ZK-VNIR-FPG480 hyperspectral imager parameters

图2 标准假彩色影像（R：846nm，G：641 nm，B：538 nm）Fig.2 Standard false color image（R：846 nm，G：641 nm，B：538 nm）

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—450 nm和900—1000 nm波段范围内的光谱反射率噪声较大，因此选取450—900 nm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

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。依据表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）。

表2 红边特征参数的计算公式Table 2 Calculation formula of red feature parameters

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 所示。从表3 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；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。

表3 红边参数与碱蓬LAI的秩序相关系数Table 3 Order correlation coefficients between red edge characteristic parameters and LAI

（2）植被指数提取。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））、差值植被指数DVI（式（2））和归一化植被指数NDVI（式（3）），与碱蓬LAI进行相关性分析，如图3 所示。从图3 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—750 nm波段范围中，y波段集中分布在580—610 nm 波段范围内，其中690 nm 和598 nm 构建的D690/D598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—700 nm波段范围中，y波段集中分布在550—610 nm 波段范围内，其中699 nm 和598 nm 构建的（D699-D598）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—610 nm 波段范围中，y波段集中分布在680—740 nm 波段范围内，其中598 nm和693 nm 构建的（D598-D693）/（D598+D693）植被指数与碱蓬LAI的相关系数最高（r=0.676）。

图3 预处理后的3种VI与LAI的秩序相关系数Fig.3 Order correlation coefficients between three vegetation indexes and LAI after preprocessing

式中，D为一阶微分后的光谱反射率，x，y为450—900 nm的任意波段。

因此，植被指数D690/D598、（D699-D598）和（D598-D693）/（D598+D693）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。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 所示。从图4 中可以看出：700 nm 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）。

图4 碱蓬冠层光谱反射率与LAI之间的秩序相关系数Fig.4 Order correlation coefficients between reflectance and LAI after preprocessing

利用灰度共生矩阵方法基于对700 nm 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（0.1 m）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

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15 cm，深15 cm 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

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）。土壤各要素的详细测定方法如表4所示。

表4 土壤样品分析与测定Table 4 Soil sample analysis and determination

3 研究方法

3.1 基于RF的多模态数据特征选择

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），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）。

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 所示，具体实验采用Python 语言中的Scikitlearn 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）。

表5 RF实验配置参数Table 5 Experimental configuration parameters of RF

3.2 粒子群优化算法

PSO 是一种并行的智能群集优化算法（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）。

3.3 深度极限学习机

极限学习机ELM（Extreme Learning Machine）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）。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

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

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所示。

图5 基于RF-PSO-DELM 的LAI反演流程图Fig.5 Flow chart of LAI based on RF-PSO-DELM

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；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（R2）作为选取准则。如图7 所示，隐含层节点数分布为2—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。

从图6 可以看出：隐含层函数为“Sigmoid 函数”的网络结构的决定系数（R2）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。

图6 隐含层节点数与决定系数的关系Fig.6 The relationship between the number of hidden layer nodes and the coefficient of determination

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RMSE（Root Mean Squared Error）和模型决定系数（R2）作为碱蓬LAI反演模型精度的评价标准。

4 结果与分析

4.1 多模态数据特征选择

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），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；靖淑慧 等，2018；贺文君 等，2021）。例如，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。

表6 不同模态特征选择表Table 6 Different modal feature selection table

不同模态数据的影响因素对碱蓬LAI的影响系数如表6 所示。从表6 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D690/D598、（D699-D598）和（D598-D693）/（D598+D693）和植被覆盖度。

4.2 实验结果分析

4.2.1 LAI反演模型构建

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 等6 种算法建立黄河三角洲碱蓬LAI 的反演模型。设置SVM类型为ϵ-SVR，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，PSODELM 中关于粒子群优化算法的参数设置与RFPSO-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

基于6 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所示。从图7中可以看出：图7（a）—（f）分别为SVM、BP、ELM、DELM、PSO-DELM、RF-PSO-DELM等6种模型在测试集上的反演效果，其中，决定系数（R2）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（R2）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（R2）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R2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。

图7 测试集不同算法反演效果比较Fig.7 Comparison of inversion results of test set

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

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 所示。从图8 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。

图8 研究区内碱蓬LAI空间分布图Fig.8 The spatial distribution of the LAI of Suaeda salsa in the study area

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Hernández 等（1995）及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

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所示。

表7 基于不同模态特征下的LAI反演结果Table 7 Inversion results of LAI under different modal features

从表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（R2）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（R2）提升了近11%，模型的均方根误差（RMSE）也减少了0.1947，说明RFPSO-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）等理论研究一致，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（R2）均高于仅使用单一模态数据的决定系数（R2），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（2017a）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。

图9 基于RF-PSO-DELM 的不同模态部分组合方式反演结果比较Fig.9 Comparison of inversion results of different mode combinations based on RF-PSO-DELM

6 结论

（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。