点击次数：

发表刊物：遥感学报

关键字：天然次生林，SOC，高光谱，机器学习，特征选择

摘要：森林土壤有机碳（Soil Organic Carbon，SOC）是反映森林土壤质量的重要标准，很大程度上影响森林树 木的生长，对林业的可持续发展起着十分重要的作用。探索应用高光谱影像反演天然次生林土壤有机碳含量的 可能性至关重要，可以为长时间序列、大尺度的森林土壤有机碳估测提供技术支持。本研究以天然次生林SOC 为研究对象，在东北林业大学帽儿山实验林场随机抽取67个样点，分别采集0-5cm、5-15cm、15-30cm土壤并 实测SOC含量，并取三层均值作为0-30cm SOC含量。基于资源1F高光谱影像，计算光谱曲线的一阶微分、二阶 微分、倒数对数、植被指数特征，并结合数字高程模型（Digital Elevation Model， DEM）、土壤水分和森林地上 生物量（Aboveground biomass， AGB）数据集，使用递归特征消除法进行特征筛选。应用随机森林（Random Forest， RF）、极端梯度提升 （extreme Gradient Boosting， XGBoost）、支持向量机回归 （Support Vector Regression， SVR）、最小二乘回归（Ordinary Least Squares Regression， OLS）四种模型，分别对SOC进行估测， 并选择最佳模型反演帽儿山实验林场不同深度SOC含量。结果显示：在土壤分层反演模型中均为XGBoost估测精 度最高，0-30cm、0-5cm、5-15cm、15-30cm四层模型R2分别为0.54、0.54、0.46和0.30，RMSE分别为21.28g/ kg、44.25g/kg、15.72g/kg和12.56g/kg。反演得到的帽儿山林场天然次生林0-30cm、0-5cm、5-15cm和15-30cm、 四层的SOC平均值分别为67.20g/kg、88.87g/kg、46.92g/kg、40.12g/kg，森林SOC含量随土壤深度增加而减小。不 同林分类型的SOC含量存在差异，SOC含量排序从大到小为阔叶林、针阔混交林、针叶林。高光谱影像所包含 的波段信息为模型的建立提供了可能，但是过多的波段数量造成了数据冗余，导致模型估测精度的降低，采用 递归特征消除法可以筛选出最佳特征组合，有效降低特征数量，提升模型估测精度。710-850nm波段的微分特 征对天然次生林SOC的反演较为有效，地形因子对于15cm以上的SOC影响较大，土壤水分和地上生物量对于5 15cm层SOC影响较强。应用高光谱影像结合DEM、土壤水分及地上生物量数据可以有效地反演天然次生林 SOC，为基于多期高光谱影像的长时间序列、大尺度的天然次生林SOC反演提供技术支持。

合写作者：赵颖慧,赵杨,丁建业

第一作者：甄贞

论文类型：期刊论文

通讯作者：魏庆彬*

是否译文：否

发表时间：2025-01-01

收录刊物：EI