摘要
为了探究KNN算法(K-最近邻法)的优化方法及Landsat8 OLI在森林蓄积量估测中的应用潜力。以陕西省留坝县为研究区,采用Landsat8 OLI为遥感数据源并结合同时期的森林资源调查数据,构建多元线性回归(MLR)、K-最近邻(KNN)、随机森林(RF)、距离加权K-最近邻(DW-KNN)和局部样本最优K值KNN(LSO-KNN)模型进行森林蓄积量的遥感估测。随机抽取总样本的2/3用于训练模型,1/3用于模型的检验,并以决定系数(R2)、均方根误差(RMSE)和相对均方根误差(RRMSE)作为精度的检验指标对模型进行评价。结果表明:(1)在构建的5种森林蓄积量反演模型中,4种机器学习模型均高于MLR模型;(2)基于局部样本最佳K值构建的LSO-KNN模型估测结果最佳,其决定系数为0.72,均方根误差为39.58 m3/hm2,相对均方根误差为28.68%,均方根误差比MLR、KNN、RF和DW-KNN模型分别降低了30.89%、27.24%、24.23%和18.14%,说明LSO-KNN模型相比于其他模型更适用于森林蓄积量的估测。因此,根据Landsat8 OLI数据的LSO-KNN模型绘制的森林蓄积量空间分布符合实际,可以满足森林资源调查的要求和实现大尺度、长时间的森林资源动态监测。