基于随機森林的洞庭湖苔草葉綠素含量估測研究
該文以洞庭湖濕地典型植被苔草為研究對象，以6種植被光譜指數作為輸入變量，運用Ｒ軟體建構了苔草葉綠素含量估測随機森林模型(RF)，通過模型優化進而對苔草葉綠素含量進行定量估測，并将其估測效果與傳統的線性回歸模型相比。
研究表明:利用RF模型可高效地對植被葉綠素含量進行估測，其中預測值和實測值的相關系數達0.94，且其估測效果要優于多元和一進制線性模型，研究結果為濕地植被遙感監測植物及生态環境保護提供了科學依據。
葉綠素是植被進行光合代謝的重要載體，其含量與植被光能轉化、生理固碳等功能有着密切的聯系，是監測植被生長狀況重要的生化參數之一，準确快速地對葉綠素含量進行定量估測對植被生境具有重要意義。
高光譜遙感技術為估測植被葉綠素含量提供了極大的便利，目前常用的方法主要可歸納為2種經驗模型和實體模型。
前者主要是基于植被光譜指數與葉綠素含量的經驗或半經驗關系，進而建立起有效的估算模型，該方法的主要優點是模組化友善，但模型的普适性較差。
相比而言，實體模型具有較為清晰的機理，且模型通常具有一定的普适性，但該模型對調參的依賴高，尤其在缺參的條件下極大影響精度。總而言之，在植被葉綠素含量遙感估測
研究方面，在方法上仍有進一步改進的空間。
随機森林(randomforest，RF)可以很好地預測上千個解釋變量的貢獻，不需過多調參，具有抗噪能力強、多元共線性不敏感等優點。
随機森林算法已經被廣泛應用到各方面的研究。目前ＲF模型應用于濕地植被葉綠素含量估測的相關研究還鮮有報道。
該文以洞庭湖濕地最大的建群種植物—苔草為研究對象，以6種植被光譜指數為輸入變量，在R軟體平台上建立葉綠素含量随機森林估測模型，以期為植被葉綠素定量估測提供新的方法和思路。
利用FieldSpec4便攜式地物光譜儀，于2018年11月1到3号對洞庭湖濕地最大的建群種—苔草(Carexcinerascens)的光譜資料進行采集。同時利用SPAD－502葉綠素儀測定苔草葉綠素SPAD值。
後續的實驗中，劃分31組葉綠素SPAD值資料為訓練樣本用以模組化，另取30組資料用于檢驗模型的估測效果。
植被光譜指數
該文采用多種植被光譜指數作為RF模型的輸入變量，通過優化模型的參數，進而提高模型的預測精度。在表中展示6種光譜指數具體表達及與SPAD值的相關系數。
随機森林的實作
該研究基于R軟體平台，運作(1)中的指令以建立随機森林模型，運作(2)中的指令利用檢驗樣本對模型估測效果進行檢驗。
rf=randomForest(S1～.，data，ntree=1000，mtry=3) (1)
predict(rf，new.data，type=”response”) (2)
其中S1表示輸出變量，在該文中為葉綠素SPAD值;data表示輸入路徑;ntree表示随機森林模型中單棵樹性能的樹節點預選變量個數，一般ntree值應不小于100。mtry表示分類樹每個節點用以二分資料的自變量個數，mtry值等于解釋變量數目的平方根。
在該文中先采用mtry=3、ntree=1000進行建立模型。predict為預測分類函數，其中rf為基于預測樣本的随機森林模組化結果，new.data在本文中表示輸入的檢驗樣本，type表示對輸入樣本進行預測。
模型性能評價方法
該文根據三項名額對模型結果做出評價，分别為平均絕對誤差(MAE)、平均誤差平方和(MSE)和相對誤差平方和(NMSE)，名額數值越小表示模型的預測值與真實值間的差異越小，随機森林對葉綠素預測能力越強。
三項名額公式表示如(3)～(5)所示。
MAE=1/n∑|^yi－yi| (3)
MSE=1/n∑(^yi－yi)2 (4)
NMSE=[1/n∑(^yi－yi)2]/∑(yi－yi)2 (5)
實驗結果
基于随機森林模型的葉綠素SPAD預測值和真實值間的相關圖。将該模型效果與多元線性(Multiplelinearregression，MLR)和一進制線性回歸模型(Alinearregression，ALR)作為對比。
結合圖表結果可見，RF模型對植被葉綠素SPAD預測效果優于其它兩種模型。總而言之，RF模型表現出了優越的預測性能。
結論
該文利用随機森林模型對洞庭湖典型植被苔草的葉綠素進行了估測。在該方法中，首先選取了6種植被光譜指數作為随機森林模型的輸入變量，通過優化模型參數，進而對植被葉綠素含量進行估測，最後将該模型的估測效果與多元線性回歸模型進行了比較分析。
研究表明，利用随機森林模型可以很好地對植被葉綠素進行估測，随機森林模型建構簡捷、資料處理能力強大。從模型預測的精度結果可以看出，相比較一進制和多元線性回歸模型，随機森林模型具有更優的預測性能(R2=0.94)。
