基于维度优化的机器学习方法，从谷歌卫星嵌入数据中检索树冠叶绿素、氮和磷的含量

《Smart Agricultural Technology》：Dimensionality Optimized Machine Learning Retrieval of Canopy Chlorophyll, Nitrogen, and Phosphorus from Google Satellite Embeddings

遥感生化参数反演研究：基于Google卫星嵌入的机器学习方法优化与验证

　　本文探讨了利用Google卫星嵌入式数据集，通过机器学习方法从玉米田块中提取植被生化参数的可行性。研究重点在于分析不同维度控制策略对植被生化参数（如叶绿素、氮和磷）提取精度的影响，以及如何通过特征选择和主成分分析（PCA）等方法优化模型性能。研究地点为美国密歇根州的Kellogg Biological Station（KBS）长期生态研究（LTER）站点，该区域是进行农业实验的典型场地，具有广泛的管理梯度和稳定的土壤背景，适合评估不同管理措施对植被参数的影响。

研究采用了四种不同的工作流，包括使用全部64个嵌入式波段的全波段监督回归（FBSR）、基于固定主成分的监督学习（PBSL）、基于模型共识重要性排序的波段选择（CIRBS）以及按方差排序的主成分子集选择（VOPSS）。通过应用十一类机器学习回归器，研究评估了不同模型在控制维度和提升可解释性方面的表现。结果表明，CIRBS在提取叶绿素和氮含量方面表现最佳，而VOPSS在提取磷含量方面具有更高的准确性。研究还发现，精度在这些工作流中迅速达到饱和，例如CIRBS仅需17-33个波段，VOPSS则需要5-14个主成分，即可捕获几乎所有预测信息。这种紧凑的特征子集有助于提高模型的稳定性和计算效率。

嵌入式数据集提供了分析就绪的特征空间，其中包含来自多传感器时间序列的数据。通过将这些数据与田间测量结果进行匹配，研究能够构建精确的植被参数地图。这些地图在不同管理措施之间进行了区分，例如，有机系统（T4）的叶绿素、氮和磷含量明显低于其他管理措施（T1-T3），这与有机农业中氮和磷输入的减少以及其释放速度较慢有关。研究还指出，某些特定的嵌入式通道（如A57、A51、A00、A15、A48、A61）在不同模型和目标参数中均表现出重要性，表明这些通道在植被生化参数提取中具有关键作用。

此外，研究还比较了不同模型在计算效率和精度之间的权衡。例如，CIRBS和VOPSS在提取精度和计算时间之间提供了良好的平衡，使得模型能够在实际应用中更高效地运行。相比之下，使用全部波段的模型虽然在理论上具有更高的信息量，但其计算时间显著增加，且在某些情况下精度并不优于维度控制的模型。因此，研究建议在实际应用中采用维度控制策略，以减少计算负担并提高模型的可解释性。

研究还强调了数据预处理的重要性。嵌入式数据集已经对多传感器时间序列进行了预处理，使其适用于回归和相似性搜索。这种预处理减少了数据中的噪声和不一致性，使得模型能够在更少的计算资源下获得更高的精度。同时，研究指出，由于嵌入式数据集的年份一致性，可以进行跨年和跨传感器的比较，这对于农业监测和生态研究具有重要意义。

最后，研究提出了未来工作的方向。例如，可以进一步测试这些方法在多地点和多年份中的泛化能力，评估田间测量的不确定性如何通过嵌入式数据集传播，以及如何通过引入多地点数据集来提高模型的训练样本量。此外，研究还建议将这些方法整合到近实时农业监测系统中，以支持精准农业和生态系统的实际应用。通过这些方法，可以实现对农田中植被生化参数的高效、准确提取，为农业管理和环境监测提供有力的数据支持。