结合纹理因子和地形因子的森林蓄积量多光谱估测模型

摘要：

森林蓄积量是林分调查中重要因子,是评价森林数量和质量的重要指标.传统森林蓄积量实测方法耗时费力、效率低下,多元线性回归遥感反演方法精度较低,难以达到精准林业要求.机器学习是一种利用训练数据,进行自我改进、自动提升性能的方法,可以任意逼近非线性系统,提高模型预测精度.以鹫峰林场森林为研究对象,综合考虑影像光谱因子、纹理因子、地形因子,采用机器学习中的BP神经网络、最小二乘支持向量机、随机森林方法构建了森林蓄积量多光谱估测模型BP-FSV,LSSVM-FSV和RF-FSV,并在Matlab2014a中编程实现.旨在从建模因子选择和模型方法建立两个方面,优化建模因子特征提取,提高森林蓄积量模型预测精度.以角规观测样地实测数据、森林小班二类调查数据、林相图数据为基础,使用以上三种模型结合Landsat8 OLI多光谱数据分林型进行了森林蓄积量反演建模预测.以决定系数R2和均方根误差RMSE为指标,分析了三种反演模型的训练能力和预测能力.研究结果表明:利用3种机器学习方法构建的结合光谱因子、地形因子、纹理因子反演模型能够提高森林蓄积量的预测精度.以上模型中,RF-FSV模型在针、阔、混三种林型中都表现出较强的预测能力,高于BP-FSV模型,高于或接近于LSSVM-FSV模型.RF-FSV模型在训练阶段,R2和RMSE针叶林中为0.839和13.953 3,阔叶林中为0.924和7.634 1,混交林中为0.902和12.153 9,预测阶段R2和RMSE在针叶林中为0.816和15.630 1,阔叶林中为0.913和4.890 2,混交林中为0.865和9.344 1.RF-FSV模型建模精度和预测精度较高,为森林蓄积量遥感反演估测提供了一种新的方法.

关键词：随机森林、遥感反演、森林蓄积量、最小二乘支持向量机、BP神经网络

所属期刊栏目：37

分类号：TP79(遥感技术)

资助基金：国家自然科学基金项目41371001;北京市科技专项项目Z151100001615096;北京林业大学青年教师科学研究中长期项目2015ZCQ-LX-01

在线出版日期：2017-08-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2140-2145