基于随机森林偏差校正和多源遥感数据的天然次生林地上生物量估测
Date:2025-06-01 clicks:
Journal:中南林业科技大学学报
Key Words:森林地上生物量;Landsat8 OLI;ALS;随机森林;随机森林偏差校正
Abstract:【目的】以多源遥感数据为基础,在郁闭度较高的天然次生林中采用非参数模型及随机森林偏差校正模型估测森林地上生物量(Aboveground biomass, AGB),为大尺度估测森林生物量提供了依据。【方法】以东北林业大学帽儿山实验林场142块森林资源连续清查固定样地复测数据、机载激光雷达(Airborne laser scanning, ALS)和多光谱Landsat8 OLI影像为数据源,提取46个特征变量(其中ALS:24个;OLI:22个特征变量)后进行特征变量筛选,利用多元逐步回归(Multiple stepwise regression, MSR)、支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和随机森林偏差校正(Bias-Corrected RF, BCRF)构建森林AGB估测模型,采用调整决定系数(Ra2dj),均方根误差(RMSE)和相对均方根误差(rRMSE)对估测结果进行精度评价。【结果】多源遥感数据要优于单一数据源,非参数模型(RF(Ra2dj=0.68,RMSE=49.71 t·hm-2, rRMSE=32.48%)和SVM(Ra2dj=0.64, RMSE=52.80 t·hm-2, rRMSE=35.28%))优于传统的MSR模型(Ra2dj=0.52,RMSE=57.29 t·hm-2, rRMSE=43.26%)的估测精度。选择最优的RF估测模型进行偏差校正,BCRF的rRMSE=21.84%,此时的生物量估测效果最佳(较RF模型的rRMSE下降10.64%)。当AGB在100～200 t·hm-2范围内,非参数算法(SVM、RF和BCRF)对AGB估测效果最佳(与MSR模型相比RMSE由48.87 t·hm-2减小到13.72～23.55 t·hm-2,rRMSE由28.15%下降至8.69%～16.13%);特别地,当AGB小于100 t·hm-2时,BCRF模型可以改善RF模型AGB估测的饱和现象,模型预测性能提升11.0%(RMSE与RF相比减小27.66 t·hm-2,rRMSE下降10.99%)。【结论】以多源遥感数据结合为基础,BCRF模型对AGB的估测精度更高,效果更稳定,且BCRF可以有效地削弱生物量估测中出现的小值偏大的现象。
Co-author:蔡鑫垚
First Author:A+, 赵颖慧
Indexed by:Journal paper
Correspondence Author:甄贞*
Volume:41
Issue:7
Page Number:96-106, 141
Translation or Not:no
Date of Publication:2021-01-01