文献类型：期刊文章

作　　者：杨柳[1,2] 冯仲科[1] 岳德鹏[1] 孙金华[3]

YANG Liu FENG Zhong-ke YUE De-peng SUN Jin-hua(Beijing Key Laboratory of Precision Forestry, Beijing Forestry University, Beijing 100083, China College of Tourism and Planning, Pingdingshan University, Pingdingshan 467002, China College of Geoscience and Surveying Engineering, China University of Mining and Techology, Beijing 100083, China)

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,河南平顶山467002 [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：《光谱学与光谱分析》

基　　金：国家自然科学基金项目(41371001);北京市科技专项项目(Z151100001615096);北京林业大学青年教师科学研究中长期项目(2015ZCQ-LX-01)资助

年　　份：2017

卷　　号：37

期　　号：7

起止页码：2140-2145

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CAS、CSCD、CSCD2017_2018、EI、IC、JST、PUBMED、RCCSE、SCI-EXPANDED(收录号：WOS:000405648400028)、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：森林蓄积量是林分调查中重要因子,是评价森林数量和质量的重要指标。传统森林蓄积量实测方法耗时费力、效率低下,多元线性回归遥感反演方法精度较低,难以达到精准林业要求。机器学习是一种利用训练数据,进行自我改进、自动提升性能的方法,可以任意逼近非线性系统,提高模型预测精度。以鹫峰林场森林为研究对象,综合考虑影像光谱因子、纹理因子、地形因子,采用机器学习中的BP神经网络、最小二乘支持向量机、随机森林方法构建了森林蓄积量多光谱估测模型BP-FSV,LSSVM-FSV和RF-FSV,并在Matlab2014a中编程实现。旨在从建模因子选择和模型方法建立两个方面,优化建模因子特征提取,提高森林蓄积量模型预测精度。以角规观测样地实测数据、森林小班二类调查数据、林相图数据为基础,使用以上三种模型结合Landsat8OLI多光谱数据分林型进行了森林蓄积量反演建模预测。以决定系数R2和均方根误差RMSE为指标,分析了三种反演模型的训练能力和预测能力。研究结果表明:利用3种机器学习方法构建的结合光谱因子、地形因子、纹理因子反演模型能够提高森林蓄积量的预测精度。以上模型中,RF-FSV模型在针、阔、混三种林型中都表现出较强的预测能力,高于BP-FSV模型,高于或接近于LSSVM-FSV模型。RF-FSV模型在训练阶段,R2和RMSE针叶林中为0.839和13.953 3,阔叶林中为0.924和7.634 1,混交林中为0.902和12.153 9,预测阶段R2和RMSE在针叶林中为0.816和15.630 1,阔叶林中为0.913和4.890 2,混交林中为0.865和9.344 1。RF-FSV模型建模精度和预测精度较高,为森林蓄积量遥感反演估测提供了一种新的方法。

关 键 词：随机森林  遥感反演 森林蓄积量 最小二乘支持向量机 BP神经网络  

分 类 号：TP79]