典型文献
基于多源数据及三层模型的小班林型识别
文献摘要：
[目的]目前关于林型识别的研究区域主要为小范围森林区域和林场,为了探究较大范围内林型的识别方法,本研究使用Sentinel-2光学遥感影像、森林资源二类调查数据、数字高程模型(DEM)和Sentinel-1雷达遥感影像数据建立林型识别模型.[方法]以淳安县作为研究区域,针对淳安县各个小班中的7种林型:毛竹(Phyl-losstachys edidis)林、茶树(Camellia sinensis)林、山核桃(Carya cathayensis)林、杉木(Cunninghamia lanceolata)林、马尾松(Pinus massoniana)林、阔叶混交林、其他硬阔林进行识别.研究采用分层的方法对林型进行识别,整体分为3层.第1层使用RF算法建立林地与非林地识别模型;第2层对林地数据进行树种结构识别,分别使用随机森林(random forest,RF)、极端梯度提升(eXtreme gradient boosting,XGBoost)和轻量级梯度提升机(light gradient boosting machine,LightGBM)方法建立不同模型并对比分析实验结果;第3层将树种结构细分为林型.[结果]第1层RF林地与非林地识别模型总体精度为98.08％;第2层树种结构识别模型中对比了 3个模型不同特征组合下的性能,其中LightGBM模型总体精度最高,达到81.43％;第3层模型对林型进行识别,基于所有特征结合雷达遥感因子建模的情况下,LightGBM模型精度为84.51％,经递归特征消除法(recursive feature elimination,RFE)选择特征后,最优精度为83.21％.[结论]通过各个模型的特征重要性图发现,光学遥感中的绿光、红光、近红外波段和红边波段,以及DEM提取的地形因子对研究区域小班林型识别有较好的效果,而Sentinel-1雷达中提取的自变量对林型的识别没有特别明显的帮助.
文献关键词：
林型识别;光学遥感;雷达遥感;数字高程模型;模型分层
中图分类号：
作者姓名：
黄健;吴达胜;方陆明
作者机构：
浙江农林大学数学与计算机科学学院,林业感知技术与智能装备国家林业和草原局重点实验室,浙江 杭州 311300
文献出处：
引用格式：
[1]黄健;吴达胜;方陆明-.基于多源数据及三层模型的小班林型识别)[J].南京林业大学学报（自然科学版）,2022(01):69-80
A类：
林型识别,Phyl,losstachys,edidis
B类：
多源数据,三层模型,小班,小范,森林区,林场,Sentinel,光学遥感影像,森林资源二类调查,数字高程模型,DEM,雷达遥感,遥感影像数据,识别模型,淳安县,毛竹,茶树,Camellia,sinensis,山核桃,Carya,cathayensis,杉木,Cunninghamia,lanceolata,马尾松,Pinus,massoniana,阔叶混交林,非林地,行树,树种结构,结构识别,random,forest,极端梯度提升,eXtreme,gradient,boosting,XGBoost,轻量级梯度提升机,light,machine,LightGBM,总体精度,特征组合,特征结合,遥感因子,模型精度,递归特征消除法,recursive,feature,elimination,RFE,特征重要性,绿光,红光,近红外波段,红边波段,地形因子,模型分层
AB值：
0.365593
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
