1 山东理工大学, 山东 淄博 255000
2 北京航天发射技术研究所, 北京 100000
针对在INS/GNSS组合导航系统中, 由GNSS自身故障或外部环境遮挡造成的信号缺失问题, 提出了一种利用随机森林回归辅助因子图的组合导航算法。首先, 采用因子图算法对惯性导航系统、全球导航卫星系统进行建模, 搭建了INS/GNSS组合导航的因子图模型。其次, 引入随机森林理论搭建随机森林, 并在GNSS信号有效时进行训练, 模拟卫星导航失效时的GNSS信号输出值。最后设计了仿真实验, 结果表明: 改进的因子图算法相比联邦卡尔曼滤波算法在导航精度上有了10%～15%不等的提升, 同时, 所提出的随机森林回归辅助因子图算法在GNSS信号丢失的情况下仍能保持较高精度。
组合导航 因子图 随机森林回归 数据融合 integrated navigation factor graph random forest regression data fusion
1 西安科技大学测绘科学与技术学院, 陕西 西安 710054
2 中国科学院空天信息创新研究院, 北京 100094
3 上海海事大学文理学院, 上海 201306
日光诱导叶绿素荧光(SIF)能够敏感反映作物病害胁迫信息, 然而冠层几何结构等因素严重影响了SIF对植被光合功能变化及其受胁迫状况的捕捉能力。 为此, 将能够敏感反映作物群体生物量的归一化差值植被指数(NDVI)和MERIS陆地叶绿素指数(MTCI)与SIFP相融合(SIFP-NDVI, SIFP-MTCI, SIFP-NDVI*MTCI), 对比分析融合前后SIF对小麦条锈病的遥感监测精度。 结果表明: (1)融合反射率光谱指数的SIFP-NDVI, SIFP-MTCI和SIFP-NDVI*MTCI较融合前的SIFP与病情指数(DI)相关性均有不同程度的提高, 其中O2-B波段提高最为明显, 分别提高了23.48%, 33.61%和36.49%, O2-A波段提高量最小, 分别提高了2.39%, 2.14%和1.51%; (2)以SIFP-NDVI和SIFP-MTCI为自变量, 基于随机森林回归(RFR)算法构建的小麦条锈病遥感监测模型预测DI值和实测DI值间的R2较SIFP分别平均提高了1.15%和4.02%, RMSE分别平均降低了2.7%和14.41%; (3)综合利用NDVI和MTCI处理后的SIFP-NDVI*MTCI为自变量构建的小麦条锈病遥感监测模型精度最优, 其预测DI值和实测DI值间的R2较SIFP平均提高了5.74%, RMSE平均降低了22.52%。 研究结果对提高小麦条锈病遥感监测精度具有重要意义, 同时亦对其他作物的病害监测具有一定的参考价值。
小麦条锈病 日光诱导叶绿素荧光 融合 反射率光谱指数 随机森林回归 Wheat stripe rust Solar-induced chlorophyll fluorescence Integration Reflectance spectral index Random forest regression 
1 塔里木大学植物科学学院, 新疆 阿拉尔 843300
2 中国农业大学土地资源管理学院, 北京 100083
3 浙江大学环境与资源学院, 浙江 杭州 310058
土壤有机质是土壤肥力的物质基础, 其含量的高低是评价土壤肥力的重要标志。 土壤有机质组分根据其溶解性可分为胡敏素(HM)、 胡敏酸(HA)、 富里酸(FA), 不同组分的肥力特性差异显著, 因此, 土壤有机质组分数据可更加全面、 客观的反映土壤肥力状况。 传统土壤土壤有机质及组分的测定工序繁杂, 效率低下且时效性差, 大量研究表明高光谱技术能有效提高土壤属性的检测效率并降低测试成本, 但关于可见光-近红外、 中红外光谱检测土壤有机质组分的报道鲜见。 为了探索中红外光谱及可见光-近红外-中红外组合光谱对土壤有机质组分检测的可行性, 并对比有机质单一光谱模型与有机质不同组分的组合光谱模型的预测精度, 以南疆地区农田土壤为例, 在阿克苏及和田地区共采集93个土样, 进行有机质、 胡敏素、 胡敏酸、 富里酸含量及光谱数据的测定。 其次, 利用可见-近红外(VNIR)、 中红外(MIR)及其组合光谱(VNIR-MIR)三种光谱数据集, 采用偏最小二乘(PLSR)、 支持向量机(SVM)、 随机森林(RF)三种建模方式对土壤有机质、 胡敏素、 胡敏酸、 富里酸含量进行组合模型分析预测。 结果表明: (1)土壤有机质及各组分均与光谱反射率有较好的相关性, 土壤有机质及组分在MIR谱段的特征波段数量明显多于VNIR谱段。 (2)有机质最优预测模型的模式为VNIR-MIR-RF, 该模型的决定系数R2为0.90; 胡敏素与胡敏酸最优预测模型的模式均为VNIR-RF模型, R2均为0.92; 富里酸最优预测模型的模式为MIR-RF模型, R2为0.94。 (3) 基于胡敏素、 胡敏酸和富里酸的有机质组合光谱模型的预测精度明显高于有机质单一光谱模型, 两种模型的R2分别为0.93和0.90。 实现了土壤有机质组分的高效快速反演, 且基于有机质组分的组合模型提高了土壤有机质预测精度, 为南疆地区大尺度土壤肥力的鉴定与精准施肥提供重要的参考价值。
土壤有机质组分 光谱反射率 偏最小二乘 支持向量机 随机森林 反演模型 Soil organic matter Spectral reflectance Partial least squares regression (PLSR) Support vector machine regression (SVM) Random forest regression (RF) Inversion model 光谱学与光谱分析
2021, 41(10): 3069
1 北京大学地球与空间科学学院, 遥感与地理信息系统研究所空间信息集成与3S工程应用北京市重点实验室, 北京 100871
3 湖南大学电气与信息工程学院, 湖南 长沙 410082
4 贵州师范大学地理与环境科学学院, 贵州 贵阳 550001
叶片氮含量极大程度上影响植被生物化学过程, 有重要的研究意义。 利用机载高光谱数据反演叶片氮含量在农业遥感领域有广泛应用, 但其反演精度不能完全满足精细农业的需要, 有一定提升空间。 叶片氮含量遥感反演精度受机理误差和算法误差的影响, 机理误差主要来源于叶片表面反射。 传感器探测到的反射辐射既包含叶片内部多次散射, 又包含叶片表面镜面反射部分, 只有前者是携带叶片内部生化组分(如氮含量)信息的, 由于后者是入射光在叶表蜡质层发生的直接反射, 因此该部分并不携带叶片内部信息。 根据菲涅尔定律, 叶表镜面反射是部分偏振的, 而内部散射是非偏振的, 因而通过偏振反射建模可部分去除叶表镜面反射影响, 以消除机理误差。 算法误差主要来源于不同氮含量反演算法对于高光谱数据挖掘能力的差别。 比较了偏最小二乘法、 主成分回归、 支持向量机、 K-近邻算法和随机森林回归在高光谱叶片氮含量反演中的表现, 在调整算法参数之后, 选择使用随机森林回归算法以减少高光谱反演算法误差。 以常绿针叶林、 落叶阔叶林和针阔混交林为研究对象, 利用多角度偏振卫星POLDER/PARASOL的多光谱数据库构建二向偏振反射模型, 用以模拟和分析研究区森林的偏振反射率; 从HySpex传感器系统获取的机载高光谱数据中去除偏振反射率带来的光谱机理误差, 以实现叶片氮含量的精确反演。 以均方根误差为主要指标评估精度变化可获得以下结论: 在高光谱叶片氮含量反演中, 消除偏振反射率带来的机理误差后, 各算法反演精度均有提升, 平均提升了4.244%。 其中, 随机森林回归可以最大程度减小反演算法误差(可决系数达到0.803, 均方根误差达到0.252), 且对光谱偏振信息最为敏感, 去除偏振后精度提高了13.103%。 相比于广泛使用的偏最小二乘算法, 去除光谱机理误差并减小反演算法误差后, 叶片氮含量反演精度整体提高了32.440%。 该研究实现了基于机载高光谱数据的叶片氮含量精确反演, 证明了在叶片氮含量反演中去除偏振反射率的必要性, 体现了在高光谱氮含量反演中随机森林算法的应用潜力。
遥感反演 偏振遥感 叶片氮含量 高光谱数据 随机森林回归 双向偏振分布函数 Remote sensing retrieval Polarization remote sensing Leaf nitrogen concentration Hyperspectral data Random forest regression Bidirectional polarization distribution function 光谱学与光谱分析
2021, 41(9): 2911
1 中国科学院上海技术物理研究所, 上海 200083
2 中国科学院大学, 北京 100049
为了探索星载脉管制冷机相关参数对制冷性能的影响和提高制冷性能的一致性, 建立了基于机器学习的随机森林回归（Random Forest Regression, RFR）模型, 然后对制冷性能与各个自变量进行了回归预测。制冷性能预测的平均相对误差为5.62%, 平均确定性系数为0.805。按照特征重要度从高到低排序, 前两位分别为丝网填充率和磁感应强度, 与实际的实验结果相符（丝网填充率和磁感应强度的实际输入功的变化值分别为6.11 Wac和3.52 Wac, 远大于其他4个自变量）。研究结果表明, RFR具有较高的精确度和鲁棒性, 为提高星载脉管制冷机性能的一致性提供了新的思路。
脉管制冷机 随机森林回归 特征重要度 pulse tube cryocooler random forest regression feature importance
1 中国矿业大学（北京）地球科学与测绘工程学院, 北京 100083
2 华北理工大学, 河北 唐山 063210
铁矿是全球储量最高的金属矿产之一。 全铁含量是评价铁矿石、 铁矿粉品质的重要指标, 在铁矿开采、 矿石精选、 矿粉冶炼等生产环节中有特殊意义。 传统的铁矿粉全铁含量化学分析方法存在耗时久、 操作复杂、 污染严重等缺点, 因此, 探寻一种快速、 有效、 无污染的检测方法越来越成为矿山环境的研究热点。 高光谱技术具有光谱分辨率高、 曲线连续、 无损伤、 无污染、 可对物质特征或成分进行精确探测等特点。 使用铁矿粉高光谱数据, 通过建立用于光谱特征筛选的光谱特征重要性评分(SFIM)指标, 并结合随机森林回归(RFR)方法构建铁矿粉全铁含量预测的SFIM-RFR模型。 以河北省阳原县三义庄铁矿为研究区, 于2018年11月与2019年3月在研究区收集铁精粉、 铁尾砂原料, 分别制作第一批次的训练组和验证组铁矿粉试样以及第二批次的二次验证组铁矿粉试样, 并使用ASD Field Spec4型光谱仪测量试样的光谱反射率; 然后使用第一批次的训练组光谱数据训练SFIM-RFR模型, 对第一批次的验证组样本的全铁含量进行预测, 同时采用常规RFR、 线性回归(LR)预测模型来对比分析铁矿粉样本全铁含量预测结果; 最后使用二次验证组光谱数据检验多模型鲁棒性。 结果表明: SFIM-RFR, RFR和LR模型全铁含量预测结果与2018年11月采集的验证组样本全铁含量真实值的确定系数(R-Square)分别为0.991 8, 0.988 4和0.898 7, 均方根误差(RMSE)分别为0.016 9, 0.020 1和0.059 6, 多模型预测效果总体较好, SFIM-RFR模型预测结果误差最小, 说明了SFIM-RFR模型用于预测铁矿粉中全铁含量的可行性和有效性, 且SFIM-RFR模型预测效果优于常规的预测模型; SFIM-RFR, RFR和LR模型全铁含量预测结果与2019年3月采集的二次验证组样本全铁含量真实值的R-square分别为0.976 8, 0.974 5和0.914 0, RMSE分别为0.034 6, 0.036 2和0.071 9, 证明了SFIM-RFR模型的预测效果较为理想且鲁棒性很强。
高光谱 铁矿粉全铁含量 预测模型 光谱特征重要性评分 随机森林回归 Hyperspectral Total iron contents of iron ore powder Prediction model SFIM Random forest regression 光谱学与光谱分析
2020, 40(8): 2546
