基于随机森林的无人机生物物理参数估算工具

研究背景

冠层生物物理变量的精确估算对精准农业和生态系统监测至关重要。传统的田间测量方法，如对 fAPAR（光合有效辐射吸收比例）和 LAI（叶面积指数）的测定，不仅费时费力，而且难以大范围推广。

随着配备多光谱和热红外传感器的无人机（UAV）技术的发展，田块尺度的高分辨率作物生理状态监测成为可能。ForestFapar 正是为满足这一需求而设计的——它提供了一套基于随机森林回归的稳健、可解释的机器学习流程，用于从无人机获取的光谱和环境特征中估算生物物理性状。

为什么选择随机森林？

随机森林是一种集成学习方法，通过在训练阶段构建大量决策树并取各树预测的均值作为最终输出。在生物物理变量估算场景中，该方法具有以下优势：

• 抗过拟合能力强 — 通过聚合大量互不相关的树的预测结果，随机森林即使在中等规模的农业数据集上也能保持良好的泛化能力
• 提供特征重要性排序 — 模型能够自然地量化每个输入变量的贡献程度，帮助理解哪些光谱指数或环境因素是驱动 fAPAR 变异的关键
• 对超参数不敏感 — 与梯度提升方法或深度网络不同，随机森林在默认或接近默认的参数设置下就能取得有竞争力的结果
• 对噪声鲁棒 — 农业无人机数据常因光照变化、阴影效应或传感器噪声而包含异常值，随机森林能够很好地应对这类数据质量问题

输入特征

模型使用来自无人机多光谱影像和辅助环境数据的十个特征：

特征	说明
logpre	对数变换后的降水量
logvpd	对数变换后的饱和水汽压差
chi	聚集指数
logppfd	对数变换后的光合有效光子通量密度
gtmp	生长温度
AI	干旱指数
loggpp	对数变换后的总初级生产力
soc	土壤有机碳
logtp	对数变换后的全磷
logtn	对数变换后的全氮

这些特征同时涵盖了植被的冠层光谱响应和生长所处的环境条件，为 fAPAR 估算提供了全面的信息基础。

工作流程

ForestFapar 执行四个阶段的处理流程：

1. 数据准备 — 加载原始数据集，对特征进行最小-最大归一化处理，并将数据划分为训练集（70%）、验证集（15%）和测试集（15%）
2. 模型训练 — 在训练集上训练随机森林回归器，计算并可视化特征重要性，将模型和验证指标保存到磁盘
3. 模型评估 — 在保留的测试集上评估训练好的模型，生成预测值与观测值的散点图，并计算误差统计量
4. 推理预测 — 将模型应用于新的预测数据集，复用训练阶段的归一化参数以保证数据一致性

模型超参数

参数	说明	默认值
n_estimators	森林中树的数量	100
min_samples_split	分裂节点所需的最小样本数	2
criterion	分裂质量度量	squared_error
max_features	每次分裂考虑的特征数	sqrt
min_samples_leaf	叶节点的最小样本数	1
random_state	随机种子	42

验证结果

模型在验证集上的表现：

指标	值	说明
R²	0.974	决定系数，越接近 1 越好
RMSE	0.033	均方根误差
MAE	0.021	平均绝对误差
Nash-Sutcliffe	0.974	Nash-Sutcliffe 效率系数

特征重要性

下图展示了随机森林模型中各输入特征对 fAPAR 预测的贡献程度：

knitr::include_graphics("outputs/trial1_RF/trial1_RF_importance.png")

Figure 1: 随机森林模型特征重要性排序

测试集评估

在保留的测试集上，模型的预测值与观测值的散点图：

knitr::include_graphics("outputs/trial1_RF/test/trial1_RF_inference_rf.png")

Figure 2: 测试集预测值与观测值散点图

结果解读

• 模型在测试集上取得了较高的 R²（0.974），表明随机森林能够很好地从无人机特征中估算 fAPAR
• 特征重要性分析揭示了哪些环境和光谱变量对 fAPAR 变异的贡献最大
• 低 RMSE 和 MAE 值表明模型预测的绝对误差较小

参考文献

• Gao, R. et al. (2022). LAI estimation across California vineyards using sUAS multi-seasonal multi-spectral, thermal, and elevation information and machine learning. Irrigation Science, 40, 731-759.
• Quintanilla-Albornoz, M. et al. (2023). Evaluation of transpiration in different almond production systems with two-source energy balance models from UAV thermal and multispectral imagery. Irrigation Science.

代码仓库

完整代码请访问：GitHub: very6jia1/RandomForestFapar-projrct