摘要：<；br>；<；span style=“ height:6px；display：block；”>；<；/span>；叶面积指数（Lai）是衡量作物生长的重要指标之一。准确高效的反演对于农作物监测和产量预测具有重要意义。然而，传统的经验模型往往局限于对Lai的估计，具有计算量大、泛化能力差等缺点。本研究旨在利用机器学习优化的PROSAIL模型从遥感图像中反演青贮玉米叶面积指数。以甘肃省民乐县大田青贮玉米叶面积指数为研究对象。在同一时期，在野外采集多时间序列的Landsat-8多光谱图像和Lai数据。利用全局扩展傅里叶振幅敏感性测试（EFAST），提出了4种机器学习混合反演模型，包括MLP-PROSAIL、SVR-PROSAIL、RF-PROSAIL和GBM-PROSAIL。确定了重要参数的灵敏度和分布范围，实现了反演运算。使用一阶EFAST和全阶全局灵敏度分析来确定不同参数对模型输出的贡献率。对PROSAIL模型的灵敏度输入参数进行了精确模拟，以输出冠层反射光谱。此外，对Landsat-8多光谱数据进行了预处理，包括辐射定标、FLAASH大气校正、几何校正和配准以及研究区域的剪裁。然后，使用Landsat-8光谱响应函数进行波段转换。将模拟输出的连续光谱反射率转换为与卫星传感器相匹配的光谱波段。考虑到Lai对不同波段的敏感性差异，选择了5个敏感性较高的波段进行模型训练。将地理配准工具与反距离加权插值策略相结合。然后缩小比例差异。贝叶斯超参数优化和正则化用于优化模型的不同参数类型和激活函数。得到了四个用于训练Lai和光谱数据的改进模型。通过5折交叉验证和Leave-One验证，包括对波段输入进行必要的重要性分析，验证了四种模型的反演性能。优化后，四个模型的性能均有显著提高。决定系数<；br>；<；span style=“ height:6px；display：block；”>；<；/span>；R<；br>；<；span style=“ height:6px；display：block；”>；<；/span>；2<；br>；<；span style=“ height:6px；display：block；”>；<；/span>；均大于0.85，均方根误差（RMSE）控制在0.8以内。其中，GBM-PROSAIL具有最高的反演精度和最佳的拟合性能。<；br>；<；span style=“ height:6px；display：block；”>；<；/span>；R<；br>；<；span style=“ height:6px；display：block；”>；<；/span>；2<；br>；<；span style=" height:6px；display：block；>；<；/span>；约为0.93，RMSE约为0.42，大多数LAI值在95%的置信区间内，几乎所有LAI值都包含在95%的预测区间内。RF-PROSAIL模型之后是带有<；br>；<；span style=“ height:6px；display：block；”>；<；/span>；R<；br>；<；span style=“ height:6px；display：block；”>；<；/span>；2<；br>；的RF-PROSAIL模型amp；lt；span style=“ height:6px；display：block；” amp；gt；amp；lt；/span amp；gt；大约为0.90，RMSE大约为0.51。在95%置信区间内也有大量的LAI值，只有少数LAI值超过了95%的预测区间边界。其余两个混合模型的拟合精度<；br>；<；span style=“ height:6px；display：block；”>；<；/span>；R<；br>；<；span style=“ height:6px；display：block；”>；<；/span>；2分别为0.85和0.88。RMSE分别为0.80和0.69。利用GBM-PROSAIL模型反演了研究区多时间序列Lai的空间分布。青贮玉米节位叶面积指数主要分布在2~4之间，略大于实测值。这与Lai对植被的影响有关。青贮玉米抽雄期叶面积指数主要分布在5~7之间，与实测值基本一致。青贮玉米不同生育期的LAI值存在显著差异，表明其生长过程。混合反演模型具有较高的性能和较强的鲁棒性。研究结果可为精准农业中的多时间序列、大尺度作物监测和产量预测提供有力参考。
