联合Sentinel-1和Sentinel-2数据反演森林蓄积量

作者：张雨田; 许晓东; 石军南; 刘洋; 蔡耀通; 林辉; 石灵杰; 张怀清^*

来源：四川林业科技, 2022, 43(02): 71-80.

• 森林蓄积量
• 多源遥感数据
• 机器学习
• 估测模型
• 旺业甸林场

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。

• 单位
  中国林业科学研究院资源信息研究所