机器学习（ML）方法用于叶面积指数（LAI）反演的评估

《Remote Sensing》：An Evaluation of Machine Learning Methods for Leaf Area Index Retrieval

　　

叶面积指数（LAI）是量化植被动态与生态系统功能的关键生物物理参数。尽管传统LAI反演方法在处理非线性光谱-植被关系方面面临挑战，机器学习（ML）方法凭借其数据驱动的适应性提供了有前景的替代方案。本研究基于全球98个站点的地面观测数据，对13种机器学习算法进行LAI估算的跨站点综合评估。系统性评估揭示了三项关键发现：首先，集成方法始终优于其他方法，其中梯度提升树回归（GBTR）实现了更高的精度（R² = 0.647，RMSE = 0.899）和鲁棒性（训练样本数n = 69以上时ΔR² < 0.05）。其次，高斯过程回归（GPR）在不同训练规模下表现出卓越的稳定性（R² = 0.607 ± 0.012），凸显其在数据受限场景下的可靠性。第三，所有测试的ML模型均显著优于业务化LAI产品，GBTR模型相比MODIS展现出更强的解释力（外部验证R² = 0.647），其R²值提高了0.489。GBTR在精度、计算效率和抗过拟合能力之间的最优平衡，使其成为大规模LAI制图的合理选择。这些发现强调了ML在植被监测中的潜力，同时指出需要结合物理原理与数据驱动学习的混合方法，以解决当前在极值估算和生态可推广性方面的局限。

该研究发表于《Remote Sensing》期刊，旨在系统评估机器学习算法在叶面积指数（LAI）反演中的适用性与局限性，为全球尺度植被监测提供方法学支撑。

研究背景方面，叶面积指数（LAI）定义为单位地表面积上单向叶面积之总和，是表征植被冠层结构与功能的基础生物物理参数，在量化能量交换、光合作用及生物地球化学循环中发挥关键作用，其应用延伸至精准农业的作物生长监测、产量预测与资源管理等领域。传统LAI量化依赖破坏性的野外直接测量，虽精度高但受劳动强度、空间代表性约束及无法支持连续监测等限制。遥感技术的出现革新了LAI估算方法，现有方法可分为经验统计方法与基于物理的辐射传输模型（RTMs）两类。经验统计模型建立地面实测LAI与光谱植被指数（VIs）之间的回归关系，计算高效但泛化能力有限；物理RTMs虽为理解冠层辐射传输机制的"金标准"，但高精度反演需复杂迭代算法，难以兼顾全球尺度高分辨率制图的计算效率需求。近年来，计算能力与数据可得性的提升推动ML技术成为LAI反演研究的前沿，其无需显式物理公式即可捕捉多光谱数据与LAI间的非线性关系。然而，全球尺度ML方法系统性评估仍较匮乏，故研究人员开展此项研究，以评估模型在不同站点覆盖区域的表现、识别平衡精度与可推广性的最优方法，并将ML反演LAI与MODIS等全球产品进行基准比对。

研究所用样本队列来源于五个国际研究计划：Bigfoot项目（1999–2003年）、VALERI项目、Harvard Forest项目（2014–2018年）、GBOV项目（2013–2022年）及IMAGINE项目（2013–2016年），涵盖98个站点的172个LAI测量数据，覆盖11种植被类型。遥感数据采用MODIS MOD09GA地表反射率产品（1 km空间分辨率），经植被敏感性分析选取增强型植被指数（EVI）为最优预测因子，并纳入短波红外波段（B6、B7）及GLDAS再分析数据（土壤水分、向下短波辐射、饱和水汽压差、植被冠层表面水分含量、气温）作为补充环境约束。预测变量经归一化处理后输入模型。为验证结果，选用MODIS LAI（MOD15A2H V6.1）和MERRA-2 LAI作为基准产品。研究采用分层验证框架，包括75%训练集与25%独立验证集的站点级随机划分，以及排除空间自相关的留一站点交叉验证（LOSO-CV）。

训练样本量效应分析表明，所有模型随样本量增加呈现性能提升，但超过约69个样本后出现明显边际递减效应；GPR及GPR-Adaboost在不同样本规模下稳定性突出（n > 54时ΔR² < 0.05），而GBTR在大于69个样本后误差波动小于8%。

内部与外部验证结果显示：集成方法表现最优，RF-Adaboost内部验证R²达0.868，GBTR紧随其后（R<sup>2 = 0.837）；外部验证中GBTR通用性最优（R2 = 0.647，RMSE = 0.899，MAE = 0.725），与RF无统计学差异（p > 0.05）。全部ML模型均产生系统性压缩效应：高LAI值（>2.2）被低估，低LAI值（<1.5）被高估，回归斜率介于0.24–0.73之间。仅使用光谱预测因子的GBTR配置性能骤降（R2 = 0.29），证实GLDAS水文气象变量的补充价值。

与全球产品对比分析表明，ML模型显著优于MODIS（R2 = 0.254，RMSE = 1.426）和MERRA-2（R2 = 0.193，RMSE = 1.483）；GBTR相比MODIS的R2提升0.489，经Fisher r-to-z转换验证具有统计学显著性（p < 0.05）。

综合雷达图评估确认GBTR在六种归一化性能指标中面积最大，表现最为均衡；GRNN和CART因拟合能力不足（R2 < 0.50）、误差放大（RMSE > 1.20）及样本量敏感性过高而实用性受限。

全球LAI平均状态空间分布（2001–2021年）显示，GBTR LAI与MODIS、MERRA-2具有相似的纬向梯度模式，热带 rainforest LAI最高，青藏高原、澳大利亚干旱内陆及北极苔原最低；但GBTR在北美大平原、欧亚温带森林和草地生态系统的估算介于MODIS与MERRA-2之间，且与地面测量更吻合。高纬度站点稀疏区存在ML外推导致的高估现象。

讨论部分指出，集成方法（尤其是GBTR）的优异性能源于其迭代优化弱学习器的机制，适用于遥感数据的复杂非线性关系；GPR的贝叶斯不确定性量化能力使其成为数据受限场景的可靠替代。与传统RTM产品相比，ML方法通过直接学习光谱特征与生物物理参数的映射克服了物理模型理想化假设的局限，但压缩效应揭示了纯数据驱动模型在极值估计上的结构性缺陷——高生物量区光学反射率饱和、冠层聚集与阴影效应导致低估，稀疏植被区土壤背景与积雪噪声导致高估。研究局限性包括：地面测量空间分布不均（集中于北美和欧洲）引入的空间自相关、复杂地形区验证不足、以及特定算法（如GBTR计算成本为CART的4倍）的效率约束。未来方向应聚焦于：扩展地面观测以实现生物群系分层评估；采用物理约束的机器学**（PIML）框架融合RTM先验知识；纳入地形变量与多角度几何因子（太阳天顶角SZA、观测天顶角VZA、相对方位角RAA）；以及利用分布式云计算架构提升处理吞吐量。

研究结论指出：本研究通过MODIS数据对13种机器学习方法的LAI估算评估显示，GBTR（内部验证R2 = 0.837）和RF预测精度最高，二者总体差异无统计学显著性（p > 0.05），但GBTR在不同训练样本规模下数值稳定性略优；GPR方法亦具前景。GRNN与CART因样本量敏感性和泛化能力不足而适用性有限。两项关键实践考量为：算法选择显著影响反演精度，集成方法居首；充足训练数据对模型优化至关重要，样本量加倍可使R2提升10%–15%。上述进展有助于提升农业管理、生态系统监测和气候建模的精度；未来工作应聚焦于开发结合顶级算法优势的混合模型，同时提升模型可解释性与跨植被类型、气候条件的可迁移性，这对农业管理和生态环境监测具有重要意义。</sup>