基于机器学习算法的森林生物量多源遥感估测

作者：黄天宝; 欧光龙; 吴勇; 徐熊伟; 王振会; 蔺如喜; 徐灿^*

来源：西北林学院学报, 2023, 1-9.

• 森林生物量遥感估测
• 多源遥感
• 机器学习
• 算法集成
• 元谋

为进一步探索不同空间分辨率影像在10×10样地尺度下森林生物量估测性能及协同机器学习算法(RF、SVM、DT、GBM、k-NN、Stacking)的估测效果,本研究利用光学遥感GF2(高分二号卫星)、sentinel 2A、Landsat 8 OLI、SUM(整合三种遥感数据源)影像及辅助变量DEM高程数据、环境因子、林分因子(森林类型、优势树种)在Boruta算法变量选择下用机器学习算法对元谋地区乔木林森林生物量(地上+地下)进行遥感估测、并比较4种影像下的估测精度。研究表明:(1)基于Boruta算法分别对三种影像及整合三种影像条件下进行变量选择,单一影像中sentinel 2A的植被指数PEIP、Landsat 8 OLI的纹理因子b2ME9×9、GF2的GNDVI分别为三种影像下的最高得分变量,多源融合估测森林生物量中GF2的GNDVI为最佳得分变量;(2)基于Boruta算法选择的变量构建RF、SVM、DT、GBM、k-NN算法以及对5个模型的Stacking集成算法,SUM的Stacking集成算法的估测效果最优,模型R2为0.73,RMSE为28.46 t/hm2,集成算法下的SUM的估测性能优于sentinel 2A、Landsat 8 OLI,GF2优于sentinel 2A、sentinel 2A的估测性能优于Landsat 8 OLI。说明在生物量遥感估测中高分辨率影像具有较好的估测效果,同时多源遥感协同估测、集成算法均可提高森林生物量遥感估测精度,可为森林生物量遥感估测提供参考和借鉴。

• 单位
  西南林业大学