基于XGBoost-Shapley的玉米不同生育期LAI遥感估算

张宏鸣 侯贵河 孙志同 杨欢瑜 韩柯城 韩文霆

(1.西北农林科技大学信息工程学院， 陕西杨凌 712100；2.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100)

0 引言

叶面积指数(Leaf area index，LAI)量化了单位地面面积的叶面积，是控制与地表植被相关的生物和物理过程的一个重要参数[1],和光合作用、蒸腾作用等生物物理过程有密切联系[2]。快速、准确地获取作物LAI可以为现代农业生产提供科学指导。

传统LAI测量方法为直接测量法，该方法用时长、工作量大，会对农作物造成一定的破坏[3]且不能实时和大面积获取。自20世纪70年代遥感技术在资源环境领域广泛应用，卫星遥感方法成为农业监测领域的一项有利手段[4-5]。通过遥感影像可以快速获取大面积的地物信息，同时作物不同生长状况间的差异也可以体现在光谱影像的波段信息中[6]，但受空间分辨率限制，传统卫星遥感影像不能准确反映小尺度(田块、样地、植株)农作物长势情况[7]。随着无人机(Unmanned aerial vehicle, UAV)相关技术的成熟，无人机遥感具有低空获取、搭载传感器空间分辨率较高的特点，无人机遥感手段既能有效弥补卫星遥感空间分辨率不高的缺点，又可在代价较小的野外工作条件下，即时、快速地获取较大面积无损可靠的农作物长势信息[8]。

LAI可以简单通过与冠层反射系数或植被指数(Vegetation index, VIs)的经验关系进行估算[9]，但传统LAI经验模型的估算精度不理想。随着计算机领域机器学习方法的出现，众多学者引入机器学习方法构建LAI估算模型，使得LAI估算模型的精度得到提高[10-11]。近年来，许多学者针对LAI估算从模型算法角度进行了深入研究[12-15]，结果表明，选择合适的模型算法可以使LAI估算模型精度得到提高，但未深入探讨数据特征信息对模型的影响。OTHMAN等[16]研究发现从陆地卫星7号获得的多光谱数据可以估算生长在黏土和砂质土壤上的山核桃LAI，李鑫川等[17]研究了分段LAI的敏感植被指数,得出在反演不同植被LAI时选择最佳植被指数可以显著提高LAI模型反演精度，YANG等[18]通过利用不同的植被指数预测夏玉米LAI发现EVI作为参数的预测精度高于NDVI作为参数的预测模型，陶慧林等[19]基于无人机高光谱影像进行冬小麦LAI估测，得出在冬小麦挑旗期、开花期、灌浆期和LAI相关性最高的3种光谱参数，均证明选择正确数据特征信息可以提高LAI估算模型的性能。植被指数等特征信息与LAI具有密切联系，同时作物LAI变化也具有明显的时序特征，且不同作物的时序变化各不相同[19-20]，已有学者利用历史LAI作为输入通过深度学习方法对未来LAI进行预测[21]，但训练样本的稀缺性限制了深度学习在LAI预测方面的应用。时序特征信息很难像植被指数等参数被量化为数据信息，导致鲜有探讨将作物LAI时序特征信息引入LAI估算模型的影响。因此，设计一种策略将LAI时序变化特征引入模型训练是优化LAI估算模型的一个新思路。

针对以上问题，本研究将分别基于玉米不同生育期构建LAI估算子模型，利用Shapley策略计算子模型均方根误差对全生育期模型均方根误差的贡献度来确定各子模型权重，然后组合得到具有LAI时序变化特征的组合LAI估算模型，同时基于不同机器学习算法构建组合模型进行对比，以期实现对不同生育期玉米LAI的较高精度估算，为玉米作物的长势监测提供技术参考。

1 材料与方法

1.1 数据获取与处理

夏玉米LAI采集实验在内蒙古自治区鄂尔多斯市达拉特旗昭君镇一实验农场进行，研究区中心经纬度坐标为(40°25′N，109°36′E)。研究区所处的昭君镇位于达拉特旗中西部，地貌呈丘陵、沙漠、滩涂状态，该区域属温带大陆性气候，冬寒夏热，降水量少且集中，年均日照时数3 100 h，年均降水量300 mm左右，降雨主要集中在7—9月，适宜夏玉米种植。研究区面积约1.13 hm2，如图1所示，研究区域形状为圆形，均匀划成5个大小一致的扇形区域，各区域按图1进行编号，其中在区域1和区域4进行水分胁迫实验，且区域1水分胁迫程度较弱。各扇形区域内取3个4 m×4 m的实验样方用以采集夏玉米LAI实测值，研究区共有15个小样方区，根据各样方区的地理坐标信息制作样方区的XML像控点文件。

图1 研究区位置和玉米田无人机影像Fig.1 Location of study area and UAV image of maize field

分别于2018、2019年6—8月进行地面数据获取工作，每年采集9次，结合研究区玉米作物生长特点，将研究区域玉米生长划分为4个生育期：苗期-拔节期、拔节-抽穗期、抽穗-乳熟期、乳熟-成熟期。LAI实测值采集时4次取冠下值，1次取冠上值，每期每个样方重复采集4次取均值。夏玉米地面LAI实测值使用美国LI-COR公司LAI-2200C型植物冠层分析仪测量获取，LAI-2200C型植物冠层分析仪利用“鱼眼”光学传感器(垂直视野148°，水平视野360°)测量树冠上、下5个角度的透射光线，利用植被树冠的辐射传输模型计算得到夏玉米实测LAI。

多光谱影像数据通过无人机搭载多光谱相机低空拍摄获取。本次实验采用六翼无人机，无人机轴距900 mm。多光谱相机为五波段多光谱相机RedEdge，主要参数如表1所示，多光谱相机的5个光谱带分别为蓝(475 nm)、绿(560 nm)、红(668 nm)、近红外(840 nm)和红边(717 nm)。数据采集选取晴朗无云或少云无风的天气，时间选择太阳光辐射强度较为稳定的11:00—13:00，无人机按照固定航线飞行，航向重叠度为80%，旁向重叠度为70%，同时采样区共设置5个地面控制点，用于影像拼接后的精度检测。已有研究工作表明空间分辨率在1.00～5.69 cm之间时，光谱信息对作物植株氮浓度、生物量等反演精度随空间分辨率提高而提升[22]，但影响较小[23]。本文中数据采集实验从玉米叶片两指宽(约3 cm)时开始，综合考虑玉米作物的形态特点，无人机采集效率以及多光谱影像空间分辨率较低导致植被指数饱和的因素，最终确定无人机飞行高度为70 m，获取的多光谱影像空间分辨率为4.71 cm。

无人机五波段多光谱影像数据处理过程分为光学辐射校正、影像拼接、几何校正、光谱提取4部分。光学辐射校正主要在多光谱影像拍摄阶段进行，光谱相机RedEdge配备了光学传感器和灰板两种校正设备，光学传感器主要校正影像拍摄过程中外界光线变化造成的影响，利用灰板的固定反射率可以校正影像的反射率。将采集的多幅多光谱原始影像按照日期索引导入Pix4Dmapper软件进行影像拼接，利用实时动态定位(Real-time kinematic, RTK)对影像进行精度检测，导入小图位置与姿态系统(Position and orientation system, POS)数据，经过初始化、几何校正、三维模型构建等操作得到高清正射多光谱影像(分辨率为4.71 cm)。基于拼接获取的多光谱影像进行光谱提取，利用ENVI软件将多光谱影像转换为五波段的灰度图，经过裁剪后得到实验区大小的影像数据，利用植被指数计算公式基于包含所有小样方区(图1中绿方块)的XML像控点文件，可以计算得到每个小样方区对应的各项植被指数[24]。

将不同光谱波段按照一定的计算公式组合计算得到光谱参数，能有效降低背景环境信息的干扰[25-26]，这些光谱参数又称为植被指数。已有研究证明植被存在红光波段强吸收、近红外波段强反射的特性，且这两个光谱波段与植被LAI具有良好的相关性[27]。本文重点选择红光、近红外和绿光3个光谱波段组合计算得到8种植被指数作为估算夏玉米LAI的估算因子[15]，8种植被指数见表2。

表2 植被指数定义Tab.2 Definition of vegetation index

1.2 研究方法

本研究的问题为回归类问题，近年来已有很多解决回归类问题的算法被提出，不同回归算法其实现原理不同导致它们在不同场景各有优劣。本研究中实验训练数据规模较小，初始特征维度(植被指数)较多，预测数据规模较大。针对数据规模较小的特点，选取在小规模数据时表现较优的支持向量回归(Support vector regression，SVR)算法作为对比算法；针对初始数据特征维度较多的特点，选取基于决策树并行思想实现可以对特征进行重要性排序的随机森林(Random forest，RF)和同样基于决策树但选用串行思想实现的极限梯度提升树算法(XGBoost)作为对比算法；同时根据数据规模特点选择基础深度学习网络模型多层感知机(Multilayer perceptron，MLP)作为传统机器学习方法的对照组。

1.2.1支持向量回归

支持向量回归是支持向量机算法用于处理回归问题的实现[36-37]，该算法在机器学习领域提出较早，其基本原理是在数据标签和特征之间寻找一个回归超平面，使得训练样本中所有数据尽可能地靠近该平面，SVR可以通过更换合适核函数处理不同场景下的回归问题。

1.2.2多层感知机

多层感知机是一种基础的深度学习网络模型[38]。该网络由输入层、隐含层以及输出层组成，每一层都以神经元作为最小组成单位，把多个网络神经节点的信息映射到单一输出上。MLP的隐含层可以包含多层网络，而输入、输出层则只有1层网络，且层与层之间均是全连接。针对本研究中的LAI预测问题，MLP网络结构设计为：输入层包含8个神经元，4层隐含层的神经元数分别为512、128、64、32，输出层包含1个神经元。

1.2.3随机森林

随机森林是BREIMAN[39]在2001年设计提出的一种基于决策树的机器学习方法，它可以处理分类问题和回归问题。RF根据特征数量随机生成多棵相互独立的决策树，同时利用bootstrap重采样方法随机且有放回地从原始数据集中抽取训练样本作为每棵决策树的训练集，这些决策树进行平行训练，最终算法选取多棵树的平均值或权重最大的一类作为结果，这种投票策略称为袋装思想，RF也因此具有较高的准确率，能处理具有高维特征的输入样本。

1.2.4极限梯度提升树

极限梯度提升树算法是一种基于梯度提升决策树(Gradient boosting decision tree, GBDT)实现的集成学习方法[40-41]。GBDT的基学习器采用回归树，它的每一棵树拟合的是损失函数在前一棵树上的负梯度，最后将所有回归树的结果进行线性加权求和作为结果输出模型。XGBoost是GBDT的高效实现，其基学习器包括分类树和回归树，本研究中的LAI估算问题属于回归问题，因此研究中采用的基学习器为回归树。相对于GBDT算法，XGBoost在目标函数中显式地添加了正则化项，在更新基学习器时，GBDT根据一阶导数迭代生成基学习器，而XGBoost不仅根据一阶导数还根据二阶导数更新基学习器，除此之外XGBoost算法在实现时还做了大量优化。一个含有n棵树的XGBoost模型可以表示为

(1)

xi——第i个样本中的输入变量

fn——第n棵决策树的预测函数

N′——决策树数量

XGBoost模型更新采用梯度提升(Gradient boosting)策略，通过更新损失函数的负梯度方向来更新模型，其优化模型可以表示为

(2)

(3)

式中l(i,yi)——损失函数，即均方根误差

Ω(fn)——正则化项

γ——模型复杂度

T——模型中树的叶子节点个数

λ——固定系数

ω——叶子节点量化权重向量

XGBoost模型在保留训练好树模型的基础上，不断根据损失函数对预测函数求导，代入上一轮的预测函数中更新预测函数，通过迭代计算最终得到预测结果[40]。

1.2.5Shapley值理论

Shapley值是SHAPLEY[42]提出的合作博弈理论成果，其基本原理是贡献和所得相等，该理论被广泛应用到各领域中解决分配问题[43-44]。LAI估算组合模型中不同生育期单一算法模型的权重确定问题就是一个典型的分配问题，本研究通过计算单一模型估算误差的Shapley值和组合模型估算误差的Shapley值来确定各单一模型的权重，其过程主要包括Shapley值计算和权重计算两部分。其中Shapley值计算原理可以表示为

(4)

式中j——单一模型编号，即各生育期模型编号

v——模型估算均方根误差计算函数

φj(v)——第j个单一生育期模型Shapley值

N——RF算法或XGBoost算法不同生育期子模型的集合

S——集合N中，除当前计算的第j个子模型外所有子模型可能组合形成的集合

v(S)——子模型集合S贡献的估算均方根误差

v(S∪{j})——子模型集合S加入子模型j后，贡献的估算均方根误差

组合模型中各子模型的权重确定依据的是各单一模型的估算误差，单一子模型的Shapley值越大，说明单一子模型对组合模型的误差贡献越大，其在组合模型中的权重则越小。单一子模型的权重可以定义为[45]

(5)

式中n′——子模型数量

确定单一子模型的权重以后，则组合模型可以定义为

(6)

式中P——组合模型估算的LAI

Pj——子模型估算的LAI

1.3 评价方法

将样本数据按照玉米的4个生育期分为出苗-拔节期、拔节-抽穗期、抽穗-乳熟期和乳熟-成熟期4个样本集，采用交叉验证的方式将4个样本集按照7∶3的比例随机划分为训练集(315条)和验证集(135条)。采用决定系数R2、均方根误差(Root mean square error，RMSE)和相对预测偏差(Relative predictive deviation，RPD)3个指标对LAI估算模型进行评价[46]。RPD是评价模型预测能力的一个指标，它将模型的预测能力分为了4个等级[47]：RPD小于1.5时，模型不可用；RPD∈[1.5,2.0)时，模型可以区分预测的高值和低值；RPD∈[2.0,2.5)时，模型可以进行定量预测；RPD大于等于2.5时，模型具有很好的定量预测能力。

2 结果与分析

2.1 植被指数相关性分析

利用光谱波段组合提取得到8种植被指数，再按照夏玉米的4个生育期对8种植被指数和实测LAI进行皮尔逊相关性分析。如表3所示，不同生育期下训练集和验证集中LAI和植被指数均在P<0.01水平上呈现极显著相关，相关系数均大于0.58。

表3 植被指数与LAI相关系数Tab.3 Correlation coefficient between vegetation index and LAI

由表3可知，夏玉米8种植被指数均和LAI呈极显著相关，且在不同生育期植被指数和LAI的相关性发生明显变化。通过皮尔逊相关性分析，将相关性最低的RVI、TVI两种植被指数排除，结合文献和XGBoost模型给出的特征得分，最终确定NDVI、RDVI、EVI2和SAVI共4种植被指数作为模型的特征输入。

2.2 LAI时序变化

玉米生长过程中LAI变化规律为：缓慢增长-快速增长-缓慢下降，这是因为玉米的抽苗-拔节期和拔节-抽穗期是茎叶生长的营养生长阶段，在该阶段玉米的叶片逐渐变大；进入抽穗-乳熟期以后，玉米主要是果穗生长，此时玉米茎叶基本不再发育[45]。研究区各扇形区域夏玉米各生育期的LAI变化趋势均不相同，将研究区采集的玉米LAI数据集绘制玉米LAI时序变化图。

图2中区域4的LAI峰值明显小于其他4个区域的峰值，这是因为区域4在实验过程中进行了水分胁迫实验，玉米的长势受到影响。由图2可以看出，研究区玉米LAI曲线随时间整体呈现先增长达到峰值稳定，然后小幅度下降的变化趋势，LAI曲线的变化基本符合玉米的生长规律。玉米LAI的变化规律随生育期的不同而不同，因此研究中分别基于玉米4个不同的生育期LAI数据训练建立LAI估算模型。

图2 玉米LAI时序变化曲线Fig.2 Temporal variation of maize LAI

基于玉米不同生育期建立的LAI估算模型在特定的玉米生育期具有较高的LAI估算精度，但不同生育期的子模型在玉米的全生长过程中并不具备良好的LAI估算精度，因此，将不同生育期建立的LAI估算子模型组合得到全生育期LAI估算模型(图3)，以使得该模型在玉米的全生育期均能取得较好的LAI估算效果。

图3 组合模型结构示意图Fig.3 Structural diagram of combined model

基于SVR、MLP、RF和XGBoost算法分别以玉米各生育期子模型的估算均方根误差进行Shapley值计算，得到组合模型各生育期子模型的权重如表4所示。

表4 玉米LAI估算子模型权重Tab.4 Weights of sub maize LAI estimation models

根据组合模型中各个子模型的权重，SVR组合模型、MLP组合模型、RF组合模型和XGBoost组合模型分别为

PSVR-Shapley=0.23P1+0.26P2+0.27P3+0.24P4

(7)

PMLP-Shapley=0.22P1+0.30P2+0.32P3+0.16P4

(8)

PRF-Shapley=0.12P1+0.34P2+0.36P3+0.18P4

(9)

PXGBoost-Shapley=0.24P1+0.29P2+0.30P3+0.17P4

(10)

式中P1～P4分别表示玉米出苗-拔节期、拔节-抽穗期、抽穗-乳熟期、乳熟-成熟期4个生育时期LAI估算子模型的估算值。

2.3 LAI估算模型精度评价

分别利用SVR、MLP、RF和XGBoost算法在玉米的全生育期数据集上训练构建LAI估算模型，将这4个模型作为组合LAI估算模型的对照组进行精度评价。

表5中，SVR-Shapley、MLP-Shapley、RF-Shapley以及XGBoost-Shapley为组合模型。其中XGBoost-Shapley模型的决定系数最高，为0.97。相较于直接在玉米全生育期数据集上建立的LAI估算模型，基于各单生育期利用Shapley值建立的组合LAI估算模型决定系数均有提高：SVR-Shapley模型相较于SVR模型，R2提高0.1，MLP-Shapley模型相较于MLP模型，R2提高0.21，RF-Shapley模型相较于RF模型，R2提高0.08，XGBoost-Shapley模型相较于XGBoost模型，R2提高0.06。这一结果说明基于各单生育期利用Shapley值建立组合模型的策略可以使得模型拟合度提高，其中XGBoost-Shapley模型的拟合度最好。

表5 玉米LAI估算模型精度对比Tab.5 Comparison of LAI estimation models’ precision of maize

XGBoost-Shapley模型的RMSE为0.021，其他模型的RMSE分别为0.187 1(SVR)、0.198 5(MLP)、0.090 1(RF)、0.083 2(XGBoost)、0.123 3(SVR-Shapley)、0.093 1(MLP-Shapley)、0.053(RF-Shapley)，XGBoost-Shapley模型的RMSE最小，同时，采用了Shapley值组合策略的模型RMSE均有所降低：SVR-Shapley模型相较于SVR模型RMSE降低0.053 8，MLP-Shapley模型相较于MLP模型RMSE降低0.105 4，RF-Shapley模型相较于RF模型RMSE降低0.037 1，XGBoost-Shapley模型相较于XGBoost模型RMSE降低0.062 2。结果表明，XGBoost-Shapley模型在4个模型中LAI估算精度最高，Shapley值组合模型LAI估算精度高于其他模型。

采用相对预测偏差评价LAI估算模型的综合性能。由表5发现，8个模型中XGBoost-Shapley模型的RPD最高，为6.9，说明XGBoost-Shapley模型的综合预测性能最佳。RF、XGBoost、MLP-Shapley、RF-Shapley 4个模型的RPD均高于2.5，说明这4个LAI估算模型均有较好的定量预测能力。

总体而言，基于Shapley值建立的多生育期组合LAI估算模型相较于直接建立的LAI估算模型在决定系数、均方根误差以及相对预测偏差3项指标上均有一定的优化，其中XGBoost-Shapley模型相较于其他模型表现最优。

2.4 研究区LAI估算

利用LAI估算表现最优的XGBoost-Shapley模型对研究区的玉米按不同生育期进行LAI估算(图4)，其中左图为可见光图像，右图为LAI估算结果图像。

图4 研究区玉米LAI估算结果Fig.4 LAI estimation results of maize in study area

从LAI空间分布来看，LAI估算结果可以反映出研究区域中不同地块的玉米生长情况，实验前期对区域1和区域4进行了不同程度的水分胁迫，这使得不同区域的玉米生长状况不一致，在LAI估算图上可以明显看出这一差异。

按LAI时间变化来看，研究区玉米4个生育期LAI均值分别为1.09、1.34、1.49、1.59，4个生育期的LAI估算结果按时间顺序逐渐递增，且增速逐渐变慢，这一特征符合玉米真实生长过程，在最后一个生育期研究区不同地块玉米LAI差值缩小，逐渐到达极值，因为前期水分胁迫实验主要影响玉米前期和中期的叶片生长速度，随着时间变长这一影响逐渐变小。综合比较可见光影像和LAI估算结果可得：XGBoost-Shapley模型的LAI估算结果可以较好地反映不同生育期玉米的真实长势。

3 讨论

3.1 各LAI估算模型的差异

对不同玉米LAI估算模型进行对比分析，结合玉米LAI曲线时序变化特点可以发现，玉米生长过程中LAI变化随生育期的不同呈现不同的变化速率，且不同LAI估算模型所关注的特征以及采用的子模型权重策略各有差异：SVR-Shapley模型各子模型的权重几乎相等，这一现象可能因为SVR算法寻找最优超平面使得所有数据特征离这个平面距离最近，实验中各个生育期数据样本数量相等，使得SVR-Shapley模型将每个生育期子模型贡献度视为相同；MLP-Shapley模型和XGBoost-Shapley模型的子模型权重分配方式几乎相同，但XGBoost-Shapley模型的表现却明显优于MLP-Shapley模型，这可能因为MLP作为一种简单神经网络，参数量和所需训练数据量都较大，在本研究数据规模偏小的场景下表现较差；RF-Shapley和XGBoost-Shapley子模型权重分布相似，但是RF拔节-抽穗期、抽穗-乳熟期子模型贡献度明显高于其他两个生育期，这可能导致RF组合模型对其他两个生育期数据拟合度欠佳，同时由于XGBoost算法比RF算法存在一定回归优势[15]，最终使得XGBoost-Shapley模型的LAI估算效果更好。

3.2 Shapley组合模型的时序特征

对研究区不同生育期玉米LAI估算结果对比分析，图4拔节-抽穗期、抽穗-乳熟期两个生育期的LAI估算结果中，受到水分胁迫的区域1、4的LAI估值明显低于其他3个区域，结合玉米LAI变化曲线(图2)发现，拔节-抽穗期、抽穗-乳熟期区域1、4的LAI曲线增长速度明显小于其他3个区域，这一现象说明区域1、4的玉米叶片生长受水分胁迫影响，生长变慢，图4中拔节-抽穗期、抽穗-乳熟期区域1的LAI估值大于区域4，这是因为区域1比区域4受到的水分胁迫程度轻。图4中出苗-拔节期、乳熟-成熟期两个生育期，区域1、4的LAI估值和其他3个区域的估值差异较小，这一现象的原因是：在出苗-拔节期玉米幼苗整体LAI偏低，且水分胁迫实验处于初始阶段，各区域间LAI差异较小，而在乳熟-成熟期，区域2、3、5玉米完成营养生长转入生殖生长阶段，叶片生长变为果实生长，区域1、4玉米由于水分胁迫尚未完成营养生长，叶片继续生长，导致各区域间LAI差值逐渐缩小。表4中基于Shapley策略的组合模型在拔节-抽穗期、抽穗-乳熟期的权重均大于其他两个生育期，表明Shapley组合模型拔节-抽穗期、抽穗-乳熟期的LAI估算子模型相较于其他两个生育期更能体现玉米LAI生长变化差异，权重分配结果符合研究区玉米各生育期的生长特点。

3.3 存在的不足

传统基于光谱波段的LAI估算模型重点关注可以反映作物叶片信息的波段或植被指数，忽略LAI在不同时间的变化特征。本文在传统模型的基础上，分生育期构建模型，再利用Shapley策略进行融合，从而将LAI的时序变化特征引入模型，使得LAI估算模型的估算精度进一步提高。同时，研究中虽然利用Shapley策略对玉米的不同生育期子模型进行了权重计算使得LAI估算模型得到优化，但实验过程缺乏对作物生长知识的考虑，今后的研究可以根据不同作物的生长特点选择合适的权重计算方法，进一步提高LAI估算模型的泛化能力。此外，本文中通过参考前人研究工作[22-23]结合玉米作物的形态特点确定无人机的飞行高度，但前人实验对象多为小麦、马铃薯等作物，由于不同作物间的植株形态、光谱信息存在一定的差异，前人的研究结论在玉米作物上的适用性有待进一步论证，后续研究可以从无人机高度的角度研究不同空间分辨率多光谱数据对作物LAI反演精度的影响。

4 结论

(1)基于Shapley理论引入LAI时序变化特征的组合玉米LAI估算模型估算效果优于直接建立的全生育期LAI估算模型。

(2)相较于SVR-Shapley、MLP-Shapley以及RF-Shapley模型，XGBoost-Shapley模型表现最佳，R2为0.97，RMSE为0.021，RPD为6.9。