利用分位数回归森林整合多时相Sentinel-1和Sentinel-2数据，进行水稻作物高度估计及不确定性评估

水稻高度多源遥感数据融合估计及不确定性分析，通过Sentinel-1/Sentinel-2多时相数据构建QRF模型，发现融合数据模型（M3）精度最优（RMSE=12.35cm），但存在极端值低估问题，验证了雷达光学融合与量化不确定性在农业监测中的有效性。

　　

摘要

目的

本研究利用多时相的Sentinel-1和Sentinel-2数据，结合2023年和2024年在土耳其和保加利亚进行的实地测量，来估算水稻的高度。

方法

为了评估这些数据集在估算水稻高度方面的有效性，我们开发了三个分位数回归森林（Quantile Regression Forest，简称QRF）模型。QRF是基于随机森林回归（Random Forest Regression，简称RFR）扩展而来的方法，能够提供条件分位数以用于认知不确定性估计。具体来说，第一个模型（M1）使用了Sentinel-1的双极化数据、这些数据的比值以及雷达植被指数；第二个模型（M2）结合了Sentinel-2的光谱波段和多种光谱指数；第三个模型（M3）则融合了Sentinel-1和Sentinel-2的数据。为了考虑生长阶段和管理方式对洪水和排水周期的影响，这些模型使用了完整数据集、洪水数据集以及非洪水数据集进行训练和评估。

结果

结果表明，M3模型的预测精度最高，在洪水数据集上的均方根误差（RMSE）为12.35厘米。值得注意的是，使用洪水数据集的模型通常表现出更低的不确定性和更一致的预测结果。然而，所有模型在预测高度超过100厘米的情况时都存在低估的问题，这表明它们对极端值的预测能力有限。有趣的是，尽管M1和M2模型在完整数据集和洪水数据集上的预测结果有所不同，但M3模型在这两种条件下的预测结果相似，这一优势消除了区分洪水样本和非洪水样本的必要性。

结论

总之，将雷达数据、光学数据与机器学习相结合可以提高水稻高度的估算精度，而不确定性估计的加入则提升了农业和环境应用中的可靠性。