文献类型：期刊文章

作　　者：杨柳[1,2] 孙金华[3] 冯仲科[1] 岳德鹏[1] 杨立岩[1]

机构地区：[1]北京林业大学精准林业北京市重点实验室,北京100083 [2]平顶山学院旅游与规划学院,平顶山467000 [3]中国矿业大学(北京)地球科学与测绘工程学院,北京100083

出　　处：《农业机械学报》

基　　金：国家自然科学基金项目(41371001);北京市科技专项项目(Z15110000161596);北京林业大学青年教师科学研究中长期项目(2015ZCQ-LX-01);平顶山学院青年科研基金项目(PDSU-QNJJ-2013007)

年　　份：2016

卷　　号：47

期　　号：8

起止页码：273-279

语　　种：中文

收录情况：BDHX、BDHX2014、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2015_2016、EI(收录号：20163802820515)、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为提高森林地上生物量估测精度,从建模因子和建模方法出发,提出了一种综合考虑影像纹理特征、地形特征、光谱特征的粒子群优化最小二乘支持向量机生物量估测方法。以松山自然保护区为研究区域,以资源三号遥感卫星数据为数据源,配合194块调查样地实测数据、森林资源二类调查数据、数字高程模型数据,通过分析46个特征变量与森林地上生物量间的Pearson相关性,进行特征变量优化提取,建立PSO-LSSVM模型并在Matlab 2014a上编程实现。以决定系数R2和均方根误差RMSE为指标,对比分析了PSO-LSSVM和多元线性回归地上生物量模型精度。研究结果表明:PSO-LSSVM模型在针叶林、阔叶林、灌木林3种类型中预测决定系数分别为0.867、0.853、0.842,比多元线性回归模型分别提高了23.15%、19.13%、14.40%。PSO-LSSVM地上生物量模型具有良好的自学能力和自适应能力,它取代了传统的遍历优化方法,在全局优化及收敛速度方面具有较大优势,预测精度较高。

关 键 词：森林地上生物量  粒子群算法 最小二乘支持向量机 估测模型  

分 类 号：TP79]