Stacking集成学习模型在森林蓄积量估测中的应用

作者：邹泽林; 程霞; 刘紫薇; 黄鑫

来源：湖北林业科技, 2023, 52(04): 52-57.

DOI：10.3969/j.issn.1004-3020.2023.04.009

• 森林蓄积量
• Sentinel-2
• 集成学习
• 遥感估测

为了探索Sentinel-2遥感数据在估测森林蓄积量中的适用性，以及开发一种提高蓄积量估测精度的集成学习算法，选择江西省兴国县为研究区，以Sentinel-2为遥感数据源，利用Boruta算法进行特征选择后开发了一种Stacking集成学习模型，并且与MLR、KNN、SVR和RF四种基础模型进行对比。结果表明，相比于MLR模型，机器学习模型具有更强的蓄积量估测能力，利用机器学习模型估计森林蓄积量的RMSE降低了18.02～22.50 m3·hm-2,rRMSE降低了9.01%～11.25%。并且相比于基础模型，利用Stacking算法将4种模型进行集成后，模型的均方根误差进一步降低了11.95～7.47 m3·hm-2,说明Stacking集成学习算法可以有效的提高森林蓄积量的估测性能。