何爽，张森，田家，卢霞

1.江苏海洋大学 海洋技术与测绘学院,连云港 222000;

2.南京大学 国际地球系统科学研究所,南京 210023

1 引言

碱蓬是一种滨海湿地改良土壤的重要植物（Liu 等，2020；Jia 等，2018；李从娟 等，2015），可以增加土壤肥力（Li 等，2019），具有一定药用和经济价值（Li等，2019；陈仲新 等，2016），但近年来盐沼碱蓬总面积整体呈不断下降趋势（Chen 等，2022）。叶面积指数LAI（Leaf Area Index）是碱蓬群体结构的重要量化指标，常用于模拟植被光合作用、呼吸作用与蒸腾作用等方面（Fang 等，2019；Parker，2020），对碱蓬产量的提升起到至关重要的作用，精确估算碱蓬LAI可以为判断碱蓬生长状况提供重要依据（Yan等，2019），进而为监测盐沼湿地提供有效帮助。

相较于传统植被LAI测量方法，无人机高光谱遥感技术因其快速、重复的信息捕获能力及高空间分辨率的特点，在小地块精确监测中被广泛应用。众多学者围绕无人机高光谱影像提出了植被指数法（Ma 等，2022）、红边参数法（黄敬峰 等，2006；Xie 等，2018）、改进型光谱特征参数法（高林 等，2017b）以及使用无人机高光谱影像的纹理特征（Duan 等，2019）等方法结合统计分析反演模型估计植被LAI，常用统计分析反演模型主要有线性回归、幂函数回归、指数函数回归（Yu等，2019；Sha 等，2019；吴伟斌 等，2018）。但这些模型通常无法很好表现植被指数VI（Vegetation Index）与植被LAI之间的非线性关系（谢巧云 等，2014）。

由于无人机高光谱数据一般具有多重共线性，存在数据冗余问题，机器学习算法具有较高的学习和预测能力，能够从不同角度克服变量间共线性的问题（马怡茹 等，2021；郭云开 等，2019），进而提高模型精度（谢巧云 等，2014；……