结合随机森林与XGBoost方法检测初期和中期冬小麦条锈病的冠层级高光谱测量

必须选择适当的建模方法和特征选择算法，以提高冬小麦条锈病的早期和中期遥感检测的准确性。在本研究中，我们探索了将随机森林 (RF) 算法与极端梯度提升 (XGBoost) 方法结合使用在基于从冠层级高光谱测量提取的植被指数进行早期和中期冬小麦条锈病检测的有效性。最初，计算了21个与早期和中期冬小麦条锈病相关的植被指数，这些指数是基于冠层级高光谱反射率进行计算的。随后，使用相关性分析 (CA) 结合 RF 算法确定了疾病检测的最佳植被指数组合。然后，基于最佳植被指数组合构建了使用 XGBoost 方法的早期和中期冬小麦条锈病病害严重性检测模型。为了评估和比较初步结果，使用了三种常用的分类方法，即随机森林 (RF)、反向传播神经网络 (BPNN) 和支持向量机 (SVM)。使用单一 CA 算法确定的植被指数组合也用于构建检测模型。与使用单一 CA 算法获得的植被指数组合的检测模型相比，基于 CA 结合 RF 算法的最佳植被指数组合的四个检测模型的整体准确性提高了16.1%（XGBoost）、9.7%（RF）、8.1%（SVM）和8.1%（BPNN）。在这八个模型中，基于最佳植被指数组合的 XGBoost 检测模型 CA-RF-XGBoost 实现了最高的整体准确性 87.1% 和最高的 kappa 系数 0.798。我们的结果表明，RF 结合 XGBoost 可以有效提高冠层尺度上冬小麦条锈病的早期和中期检测准确性。