首站-论文投稿智能助手
典型文献
基于Sentinel数据的临海市森林地上生物量估测
文献摘要:
为探究多源数据融合以及机器学习方法在森林地上生物量(Above-ground Biomass,AGB)的估测潜力,分析影响不同林分AGB的主要因素,以浙江省台州市临海市为研究区,提取Sentinel-2光学遥感影像的光谱信息、植被指数、纹理特征因子和Sentinel-1 SAR的后向散射系数,融合森林资源二类调查数据和数字高程模型数据,基于递归特征消除的特征选择方法筛选主要特征,基于随机森林(Random Forest,RF)、自适应提升(AdaBoost)法和类别提升(CatBoost)法三种方法建立不同林分AGB估测模型,以决定系数(R-squared,R2)、均方根误差(Root Mean Square Error,RMSE)来评估模型性能.结果表明,从特征组合来看,集成光学遥感、雷达遥感、地形因子及二类调查数据能够更全面地利用多源数据的信息,有效提高森林AGB的估测精度;递归特征消除法降低了模型的复杂度,消除了自变量之间的共线性,能在保持甚至提高模型估测精度的前提下,加快模型训练速度;从6种林分的AGB的估测结果来看,6种林分的AGB的主要影响因素与个数不尽相同,这也缘于不同树种有不同生物学和生态学特点,当然有3个因子是共同的,即年龄、郁闭度和海拔;3种算法中,CatBoost优于RF,RF优于AdaBoost,CatBoost方法的性能指标为:阔叶混交林R2=0.78,RMSE=7.26 t·hm-2;针阔混交林R2=0.72,RMSE=11.94 t·hm-2;针叶混交林R2=0.60,RMSE=12.65 t·hm-2;其他硬阔林R2=0.82,RMSE=9.22 t·hm-2;马尾松林R2=0.74,RMSE=10.12 t·hm-2;杉木林R2=0.75,RMSE=8.93 t·hm-2;基于RFE的CatBoost的方法模型总体平均估测精度(P)超过80%.以上结果表明,Sentinel光学影像与SAR融合可以为森林AGB估测提供更多有效的特征因子;递归特征消除法结合CatBoost方法用于区域尺度上森林AGB的估测,精度更高,且能有效降低模型复杂度,加快训练速度;不同林分的AGB的主要影响因素与个数不尽相同,但年龄、郁闭度、海拔3个因素是它们的共同影响因素.
文献关键词:
森林地上生物量;Sentinel-1;Sentinel-2;随机森林;自适应提升法;类别提升法;递归特征消除法
作者姓名:
曹依林;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,浙江 杭州 311300;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]曹依林;吴达胜;方陆明-.基于Sentinel数据的临海市森林地上生物量估测)[J].浙江林业科技,2022(05):40-49
A类:
类别提升法
B类:
Sentinel,临海市,森林地上生物量,生物量估测,多源数据融合,机器学习方法,Above,ground,Biomass,AGB,林分,台州市,光学遥感影像,光谱信息,植被指数,纹理特征,特征因子,SAR,后向散射系数,森林资源二类调查,数字高程模型,模型数据,特征选择,选择方法,选主,Random,Forest,AdaBoost,CatBoost,三种方法,估测模型,决定系数,squared,Root,Mean,Square,Error,RMSE,模型性能,特征组合,集成光学,雷达遥感,地形因子,递归特征消除法,共线性,模型训练,训练速度,数不尽,缘于,不同树种,郁闭度,阔叶混交林,hm,针阔混交林,针叶混交林,马尾松林,杉木林,RFE,方法模型,光学影像,区域尺度,模型复杂度,自适应提升法
AB值:
0.300674
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。