典型文献
基于机器学习算法的天祝藏族自治县草地地上生物量反演
文献摘要：
使用机器学习算法快速、准确、大范围监测草地地上生物量(AGB)是目前研究热点,但不同机器学习算法因训练样本、超参数设置不同而存在较大差异.基于实测草地AGB和同期遥感数据、气象数据、地形数据,选择与草地AGB相关性较强的13个因子作为深度神经网络(DNN)、随机森林算法(RF)、梯度提升回归树(GBRT)、支持向量机(SVR)、人工神经网络(ANN)和高斯过程回归(GPR)算法的输入变量,建立草地AGB预测模型并从模型预测精度、稳定性、样本敏感性等方面综合评价6种模型应用潜力,分析2020年天祝藏族自治县生长季(4-9月)内草地AGB时空变化特征及其对气候的响应.结果表明:1)DNN估算草地AGB的综合性能最佳,但稳定性较差,对样本敏感性较高;GPR综合性能次于DNN,稳定性和精度均较好;GBRT、RF模拟精度较高,稳定性差;SVR和ANN精度相对其他模型较差,SVR稳定性较高,ANN稳定性较差.2)天祝藏族自治县草地AGB集中在50～250 g·m-2,不同月份草地AGB空间异质性较大,整体表现为从西北向东南呈下降趋势.3)山地草甸、高寒草甸和温性草原中的AGB变化与气温表现出较为明显的正相关关系.降水量对高寒草甸、温性草原和山地草甸的影响不明显,但对温性荒漠草原类的影响较大,AGB随降水量减少呈现减少态势.以上研究结果可为监测草地生物量的方法选择和参数设置提供一定技术支持和参考依据.
文献关键词：
草地生物量;机器学习;模型性能;天祝藏族自治县
中图分类号：
作者姓名：
秦格霞;吴静;李纯斌;吉珍霞;邱政超;李颖
作者机构：
甘肃农业大学资源与环境学院,甘肃 兰州 730070;中国科学院南京土壤研究所,江苏 南京 210008
文献出处：
引用格式：
[1]秦格霞;吴静;李纯斌;吉珍霞;邱政超;李颖-.基于机器学习算法的天祝藏族自治县草地地上生物量反演)[J].草业学报,2022(04):177-188
A类：
B类：
基于机器学习,机器学习算法,天祝藏族自治县,草地地上生物量,生物量反演,AGB,法因,训练样本,超参数,参数设置,遥感数据,气象数据,地形数据,深度神经网络,DNN,随机森林算法,RF,梯度提升回归树,GBRT,SVR,人工神经网络,ANN,高斯过程回归,GPR,模型应用,生长季,时空变化特征,算草,次于,模拟精度,同月,空间异质性,北向东,山地草甸,高寒草甸,温性,温表,降水量,荒漠草原,草原类,草地生物量,方法选择,模型性能
AB值：
0.267628
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。
