典型文献
联合Sentinel-1和Sentinel-2数据反演森林蓄积量
文献摘要：
为明确遥感数据源及机器学习模型对森林蓄积量估测的影响,从而提高区域森林蓄积量估测精度.本文以内蒙古旺业甸林场38个落叶松样地与43个油松样地外业调查数据为基础,提取Senitnel-1和Sentinel-2影像光谱和极化等遥感特征信息.根据不同特征组合分别建立支持向量机回归(Support Vector Regression,SVR)、k最近邻(k-NearestNeighbor,kNN)、多层感知器(Multi-Layer Neural Network,MLP)及多元线性回归(Multiple Linear Regression,MLR)4种蓄积量反演模型,并对模型结果进行精度验证与比较.结果表明:(1)与单一数据源相比,联合Sentinel-1与Sentinel-2数据有助于提高森林蓄积量反演精度(油松蓄积量反演R2提高0.08,RMSE提高10.28 m3·hm?2;落叶松蓄积量反演R2提高0.05,RMSE提高4.51 m3·hm?2);(2)与MLP和MLR模型相比,SVR与kNN模型的蓄积量反演效果较好.其中,SVR模型在油松蓄积量反演效果最佳(R2=0.84,RMSE=44.58 m3·hm?2);kNN模型在落叶松蓄积量反演精度最高(R2=0.74,RMSE=41.41 m3·hm?2).联合Sentinel-1与Sentinel-2多源数据的机器学习方法可获得较高的蓄积量反演精度,可期为区域尺度森林蓄积量遥感反演提供理论支持与可行方案.
文献关键词：
森林蓄积量;多源遥感数据;机器学习;估测模型;旺业甸林场
中图分类号：
作者姓名：
张雨田;许晓东;石军南;刘洋;蔡耀通;林辉;石灵杰;张怀清
作者机构：
中国林业科学研究院资源信息研究所,北京 100091;国家林业和草原局林业遥感与信息技术重点实验室,北京 100091;林业遥感大数据与生态安全湖南省重点实验室,湖南 长沙 410004
文献出处：
引用格式：
[1]张雨田;许晓东;石军南;刘洋;蔡耀通;林辉;石灵杰;张怀清-.联合Sentinel-1和Sentinel-2数据反演森林蓄积量)[J].四川林业科技,2022(02):71-80
A类：
Senitnel,蓄积量遥感反演
B类：
Sentinel,数据反演,森林蓄积量,遥感数据源,机器学习模型,旺业甸林场,落叶松,样地,油松,外业调查,特征信息,特征组合,支持向量机回归,Support,Vector,Regression,SVR,最近邻,NearestNeighbor,kNN,多层感知器,Layer,Neural,Network,MLP,Multiple,Linear,MLR,反演模型,精度验证,一数,反演精度,RMSE,hm,多源数据,机器学习方法,可期,区域尺度,可行方案,多源遥感数据,估测模型
AB值：
0.27933
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。
