基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算
Date:2025-06-01 clicks:
Journal:南京林业大学学报（自然科学版）
Key Words:机载激光雷达; Sentinel-2A; 光学-ALS 结合变量; 堆叠稀疏自编码器; 天然次生林; 地上生物量
Abstract:【目的】通过组合机载激光雷达（airborne laser scanning, ALS）数据和Sentinel-2A数据提取特征变量,探讨估算天然次生林地上生物量（aboveground biomass, AGB）最佳的变量组合方式和估算方法。【方法】以2015年ALS数据、2016年Sentinel-2A数据和黑龙江帽儿山林场森林资源连续清查固定样地数据为数据源,通过ALS数据提取高度特征变量（all the LiDAR variables,记为A<sub>L</sub>）,Sentinel-2A数据提取若干植被指数变量（all the optical variables,记为A<sub>O</sub>）,然后将光学-ALS结合变量(combined optical and LiDAR index, COLI,记为I<sub>COL</sub>)结合成为新的变量I<sub>COL<sub>1</sub></sub>和I<sub>COL<sub>2</sub></sub>,以6组特征变量组合方式(A<sub>O</sub>+A<sub>L</sub>、I<sub>COL<sub>1</sub></sub>、I<sub>COL<sub>2</sub></sub>、I<sub>COL<sub>1</sub></sub>+A<sub>O</sub>+A<sub>L</sub>、I<sub>COL<sub>2</sub></sub>+A<sub>O</sub>+A<sub>L</sub>、I<sub>COL<sub>1</sub></sub>+I<sub>COL<sub>2</sub></sub>+A<sub>O</sub>+A<sub>L</sub>)作为输入变量,分别使用多元线性逐步回归（stepwise multiple linear regression, SMLR）、K-最近邻法（K-nearest neighbor,K-NN）、支持向量回归（support vector regression, SVR）、随机森林（random forest, RF）和堆叠稀疏自编码器（stack sparse auto-encoder, SSAE）共5种方法构建了天然次生林AGB估算模型,探讨I<sub>COLs</sub>变量以及不同模型对生物量估测精度的影响。【结果】结合变量I<sub>COLs</sub>对于森林AGB的估算十分有效,加入I<sub>COLs</sub>变量能够很大提高森林AGB模型的估算精度;与其他4种模型相比,无论使用哪些变量作为输入数据,SSAE模型的精度最高;当使用SSAE模型,以光学和ALS变量组合(I<sub>COL<sub>1</sub></sub>+I<sub>COL<sub>2</sub></sub>+A<sub>O</sub>+A<sub>L</sub>)作为输入特征变量时,模型的准确性最高:R<sup>2</sup>=0.83,均方根误差为11.06 t/hm<sup>2</sup>,相对均方根误差为8.23%。【结论】结合变量COLIs能够有效地提高天然次生林AGB的估算精度,而且深度学习模型（SSAE）在估算天然次生林AGB方面优于其他预测模型。总体而言,利用ALS和Sentinel-2A数据组合变量的SSAE模型可以较准确地估算森林AGB,为天然次生林地上生物量的估算和碳储量评估提供技术支持。
Co-author:郭新龙
First Author:A+, 赵颖慧
Indexed by:Journal paper
Correspondence Author:甄贞*
Volume:45
Issue:4
Page Number:49-57
Translation or Not:no
Date of Publication:2021-01-01