用于植被监测的可解释机器学习衍生光谱指数

数十年来，诸如 NDVI 等光谱指数一直驱动着植被监测，然而其设计在很大程度上仍依赖人工且缺乏系统性。它们的有用性不仅源于经验性能，还源于其保持紧凑且具生物学可解释性的代数形式。然而，关联光谱波段的可能代数表达式空间实际上是无限的，若无结构约束，系统搜索是不切实际的。我们引入了光谱特征多项式（SFP）框架，这是一种从带标注的多光谱图像中自动发现紧凑、可解释光谱指数的通用流程。SFP 构建了一个基于比率的光谱特征库，这些特征在构造上继承了光照不变性。随后，它应用交叉验证的特征选择和连续系数优化，为每个任务生成一个闭式方程，该方程对领域专家透明，且无需标准化统计数据即可部署在任何遥感平台上。我们在两个农业应用上验证了该框架。对于萨斯喀彻温省 Lucky Lake 附近 Sentinel-2 图像中三个生长季的 Kochia (Bassia scoparia) 检测，在 46 个独立的交叉验证折中，有 44 个折出现了相同的双项方程，实现了 98.6% 的平均准确率，在年份留出评估下比最佳现有指数高出 4 个百分点以上。对于基于 UAV 多光谱图像的小麦植株分类，特定阶段的指数在三个生长阶段分别达到了 99.5%、97.2% 和 93.5%，而在生长后期当基于 NIR 的对比度因小麦衰老而失去判别力时，最佳现有指数仅达到 78% 或更低。在这两个应用中，SFP 都生成了一个单一的透明方程，该方程在留出区域上具有泛化能力，且优于现有指数。