MSFFC：一种新颖的降维方法，用于提高从高维光谱反射数据中估算玉米氮含量的准确性

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：MSFFC: A novel dimensionality reduction method for improving maize nitrogen estimation from high-dimensional spectral reflectance data

　　

摘要：

由于强烈的波段间相关性和冗余性，从高光谱数据中准确提取与作物冠层氮含量（CNC）相关的信息仍然具有挑战性。为了解决这个问题，本研究提出了一种多策略特征融合与压缩（MSFFC）方法，该方法整合了通过不同特征选择方法选出的最优波段子集，并使用自动编码器（AE）进一步压缩冗余信息。这种设计在保留互补光谱信息的同时，减轻了特征相关性对CNC反演的影响。基于2020-2022年间不同氮肥梯度下玉米的无人机高光谱图像和CNC数据，评估了十五种特征选择方法。随后，使用AE压缩最优单个特征子集和融合特征子集以减少冗余。五种常用的机器学习模型和表格先验数据拟合网络（TabPFN）被用作评估函数和降维方法的建模工具。尽管连续投影算法（SPA）在所有特征选择方法中表现最佳，但将其与AE结合并未进一步提高模型精度。相比之下，MSFFC显著降低了模型均方根误差（RMSE），范围从0.9%到38.7%，同时将全波段高光谱数据减少了97.6%。使用SPA和MSFFC特征构建的模型在外部数据集（PROSAIL-PRO模拟数据集和公共数据集）上的鲁棒性进行了比较。结果表明，输入特征的质量对模型性能的影响大于数据集的大小。MSFFC缓解了传统人工神经网络模型在小样本场景（<100个样本）下的估计限制。在所有模型中，MSFFC-TabPFN表现最佳，综合性能指数（CPI）提高了25.9%-123.2%。这些结果突显了...

显示更多