基于神经网络的植被 fAPAR 估算模型
📦 源代码: GitHub 仓库
项目概述
本项目构建了一个基于全连接神经网络（Feedforward Neural Network）的端到端回归预测工作流，利用气象、植被和土壤等 10 个生态因子估算光合有效辐射吸收比（fAPAR）。完整流程包括：数据标准化 → 数据集划分 → 模型训练与自动寻优 → 测试集独立评估 → 未知数据预测。
技术路径
本研究采用多源传感器数据融合策略，集成无人机多光谱影像提供的光谱反射率特征与点云数据（Point-cloud）派生的三维结构参数。针对植被指数在覆盖度较高时的”敏感度饱和”（Saturation effect）问题，通过引入随机森林（Random Forest）与神经网络（Neural Networks）等非参数化机器学习算法，能够更有效地捕捉复杂冠层结构下的非线性响应关系，提升生物物理变量反演的鲁棒性。
实验配置
数据集划分
| 参数 | 配置值 |
|---|---|
| 训练集 / 验证集 / 测试集 | 70% / 15% / 15% |
| 归一化方式 | Min-Max 归一化 |
| 目标变量 | fapar（取值范围 0~1） |
输入特征（10 个）
| 序号 | 特征名 | 含义 |
|---|---|---|
| 1 | logpre |
降水量（对数） |
| 2 | logvpd |
饱和气压差（对数） |
| 3 | chi |
叶片经济性状指数 |
| 4 | logppfd |
光合有效辐射（对数） |
| 5 | gtmp |
温度 |
| 6 | AI |
干旱指数 |
| 7 | loggpp |
总初级生产力（对数） |
| 8 | soc |
土壤有机碳 |
| 9 | logtp |
全磷（对数） |
| 10 | logtn |
全氮（对数） |
神经网络架构
Input (10) → Dense(64, ReLU) → Dense(32, ReLU) → Dense(1, Linear)| 参数 | 配置值 |
|---|---|
| 隐藏层数 | 2 |
| 各层神经元数 | (64, 32) |
| 激活函数 | ReLU |
| 输出层激活 | Linear |
| 优化器 | Adam |
| 损失函数 | MSE（均方误差） |
| 训练轮数 | 100 Epochs |
实验结果
训练收敛过程
- 收敛稳定性：训练集与验证集的 Loss 和 MAE 曲线在约 80 轮后进入平稳期，最终 Loss 稳定在 ~0.002，MAE 稳定在 ~0.031
- 过拟合检验：训练曲线与验证曲线高度贴合，未出现验证集损失止跌回升的现象，表明网络结构对当前特征规模具有良好的泛化能力
Loss 收敛曲线
MAE 收敛曲线
测试集评估指标
| 指标 | 值 | 说明 |
|---|---|---|
| R² | 0.95 | 决定系数，模型解释了 95% 的数据变异性 |
| NASH | 0.95 | 纳什效率系数，与 R² 一致 |
| MAE | 0.03 | 平均绝对误差，对应 fAPAR 0~1 区间，预测精度 ~97% |
| RRMSE | 14.03% | 相对均方根误差，远低于遥感行业 20% 的优秀线 |
测试集散点图分析
预测值与实测值的散点分布在 1:1 线两侧，趋势线与 1:1 完美预测线几乎完全重合。全区间（低值到高值）无系统性偏差，表明模型在不同 fAPAR 水平均具有稳定的预测能力。
模型选择策略
采用验证集最优 Epoch 自动选择机制：
- 训练过程中每轮保存完整模型权重（
epoch_XX.keras） - 训练结束后自动回溯验证集 Loss 曲线，锁定 Loss 最低的 Epoch
- 加载该 Epoch 的权重作为最终模型（
trial1_NN_model.keras）
该策略避免了手动设置早停阈值，确保模型在欠拟合与过拟合之间取得最佳平衡。
代码实现
核心代码位于 estimation.py，串联数据划分、训练、测试、预测全流程：
# 项目结构
DeepFapar/
├── estimation.py # 主入口
├── config/
│ ├── splits_params.py # 数据集划分与归一化参数
│ └── NN_params.py # 神经网络超参数
├── processing/
│ ├── splits_processing.py # 数据预处理
│ └── NN_processing.py # 模型训练与推理
├── utils/
│ ├── metrics.py # 评估指标
│ └── example_dataset_*.xlsx # 数据集
└── outputs/ # 实验输出结论
本实验基于 10 个生态因子构建的 2 层全连接神经网络（64-32），在 fAPAR 估算任务上取得了优异的泛化性能：
- R² = 0.95，模型具备强解释力
- MAE = 0.03，预测精度达到 ~97%
- RRMSE = 14.03%，满足遥感行业优秀标准（<20%）
- 训练过程无过拟合，模型结构与数据规模匹配良好
结果表明，基于气象-植被-土壤多源因子的神经网络方法能够有效估算 fAPAR，为植被光合作用监测提供了可靠的数据驱动方案。