文献综述
在土壤侵蚀定量研究中，通用土壤流失方程(USLE)及修正通用土壤流失方程(RUSLE)是最常使用的方法。其中C因子和LS因子对土壤侵蚀的影响和反馈是最明显的，而LS因子依赖于自然地理条件，短期内水土保持活动不会对其有较大改变，所以C因子成为土壤侵蚀研究最重要的对象。C因子的确定有许多方法，我们着重研究利用叶面积指数来对C因子进行测算。
叶面积指数（Leaf area index，LAI）是指植物叶片总面积与土地面积的比值。它与植被的密度、结构、树木的生物学特性和环境条件有关，是表示植被利用光能状况和冠层结构的一个综合指标。同时它也是地表植被生态系统中重要的理化参数之一，不仅与作物蒸腾作用、光合作用、呼吸作用、地表净初级生产力等密切相关，且常被用作评价作物长势、指导田间管理及预测产量的重要依据。相比较经验模型的方法，近年来比较流行使用机器学习算法来进行叶面积指数的测算。我们的研究着力于通过随机森林这一算法提高LAI反演精度。随机森林算法（Random Forest，RF），是一种基于决策树的算法，将多个决策树组合成随机森林，即在变量的使用和数据的使用上进行随机化，形成很多分类树，再对多个分类树的结果进行汇总。本篇文献综述将就用何种方式来测算C因子以及如何进行叶面积指数测算进行论述。
C因子的定义为在相同的土壤、坡度和降雨条件下，有特定植被覆盖和管理措施地上的土壤流失量与同等条件下实施适时翻耕、连续休闲地上的土壤流失量之比，它是衡量植被抵抗土壤侵蚀能力的重要指标，其值介于0-1之间，值越大说明对应的土地利用类型的土壤侵蚀越严重。对于C因子的测算，我们首先要考虑的是目标的尺度，尺度的大小决定了测算的具体方法。小尺度C因子主要依靠野外实测，研究方法的统一就显得尤为重要，冯强、赵文武[2]在USLE/RUSLE中植被覆盖与管理因子研究进展一文中给出了几个典型的方法例如手册查询法、标准小区法、次因子法（冠层郁闭度、雨滴降落高度、地表盖度、根系生物量、地表随机糙度、土壤含水量等）、USLE方程反用法、C因子与盖度关系式法，这些方法各有各的优势以及适用范围。大尺度范围的C因子的测算需要结合遥感影像，主要方法包括[2]：（1）对土地利用或覆盖直接进行赋值（2）基于小区、坡面尺度C 因子与植被盖度关系式估算流域、区域尺度C因子；（3）通过遥感影像波段组合或植被指数直接估算C因子；（4）基于光谱混合分析(SMA)的C因子估算；（5）地理统计学方法结合遥感影像进行C因子插值。这些方法自然也是各有各的优势和短板，但就实用性和适用性方面多波段组合的遥感自然是性价比最高的方法，因而也就成为研究者们运用最为广泛的方法之一。
既然要通过遥感摄影的方法测算C因子，那么叶面积指数LAI可以说是最直观的反映植被覆盖的方法了。然而采取何种方式测算LAI就成了当前最具挑战性的话题。经验模型法通过建立遥感植被指数与地面实测LAI之间的回归统计关系模型，实现区域LAI的反演，该方法可操作性强，对输入参数要求不高，但不具有时空外推性；物理模型反演不依赖于植被类型及背景环境，具有较强通用性，但所需参数多，且存在病态反演问题；因此，对于分类和回归分析更加友好的机器学习分析方法逐渐成为研究者们的首选。然而，不同研究者对于机器学习方法的使用以及数据源的选择则有不同的看法。王丽爱等[6]基于HJ-CCD相机的4个波段构建了15个已得到广泛认可且能较好地反演 LAI的遥感植被指数（NDVI、SAVI、NRI等），并分别用植被指数、神经网络法和随机森林法进行叶面积指数测算；张春兰等[7]使用无人机搭载成像光谱仪获取高光谱影像分析叶面积指数，并就光谱指数和LAI以及随机森林算法袋外数据集的相关性做了研究；张晓羽等[8]使用美国Landsat 8的影像数据分别进行最大似然法和随机森林法对叶面积指数数据进行了处理得出结论：随机森林分类法在中高分辨率的遥感影像植被分类中，比最大似然法更具优势，分类速度快、精度高。在随机森林分类的过程中。尽量选择能够识别样本间差异的特征，选择与研究区所在地理位置相关的地形信息，根据最优的特征变量进行分类，不仅可以提高分类速度，还可以提高分类精度。
大多数国内研究者认为随机森林算法是非常好的集成学习算法，它有助于将弱学习器组合起来形成强学习器，使用多个决策树形成多个样本子集，使得 RF具有很好的抗噪声能力，也不容易陷入过度拟合，这样的优点也是我们选择它来提高LAI数值精度的原因。当然也有不同的声音，刘贞强[9]在其博士论文中选择支持向量机和随机森林两种机器学习算法，利用构建的训练集进行建模，并利用测试集来测试模型的反演精度，最后得出结论基于支持向量机算法的多波段反演模型效果最好。
国外也有相类似的研究，例如Wenjuan L, Marie W[10]等就对使用人工神经网络算法进行了详细研究，很好得用算法捕捉了不同土地覆盖类型LAI的季节变化预期，这个算法依然在不断改进，目的是让人们可以近乎实时地估计每个像素关联的土地覆盖类；Francesco V[11]等采用了与刘贞强相同的两种机器算法进行分析，但没有给出哪个更好的判断，其结论是只要有适当的模型，这两种方法都可以提供令人满意的精准度。
关于叶面积指数，国内很多研究还只局限在农作物上，其对于乔灌草结合的普遍型植被覆盖类型的叶面积指数反演还没有很好的结论，不过也不乏可以尝试的应用。刘振波等[12]对高分一号影像进行随机森林反演时考虑到了不同时期冠层聚集性的问题；姚雄等[13]构建了自己的林地叶面积指数反演模型，基于不同样本组中独立于建模集的检验集，得到3个模型的LAI预测数据，通过与对应的LAI实测数据比较，评价不同模型的预测能力，同时对实测数据和预测数据进行回归分析。张晓羽等[8]使用美国Landsat 8的影像数据分别进行最大似然法和随机森林法对森林植被叶面积指数数据进行了处理得出结论：随机森林分类法在中高分辨率的遥感影像植被分类中，比最大似然法更具优势，分类速度快、精度高。这些都是建设性的尝试，值得我们借鉴。
参考文献
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
