编号
zgly0001708403
文献类型
期刊论文
文献题名
基于逐步回归的XGboost方法的森林蓄积量估测
作者单位
浙江农林大学信息工程学院
浙江农林大学林业感知技术与智能装备国家林业和草原局重点实验室
浙江农林大学浙江省林业智能监测与信息技术研究重点实验室
母体文献
中南林业科技大学学报
年卷期
2020年06期
年份
2020
分类号
S758.51
关键词
极端梯度提升算法
决策树梯度提升算法
梯度提升算法
森林蓄积量
高分二号
文摘内容
【目的】森林蓄积量是反映森林资源总规模和水平的基本林分调查因子之一,也是衡量森林资源丰富程度和森林生态环境优劣的重要依据。为探索更优的森林蓄积量建模和估测方法,以期为林业科学中森林蓄积量的估测研究提供新的方法与思路。【方法】以浙江省龙泉市为研究区,以单位蓄积量(m3/mu)为研究对象,集成森林资源二类调查数据、高分二号遥感影像数据、数字高程模型(DEM)数据。通过逐步回归特征选择方法选取与蓄积量相关的自变量因子,在不区分树种的情况下,利用极端梯度提升(eXtreme gradient boosting,XGboost)方法、决策树梯度提升(Light generalized boosted regression models,LGBM)方法和梯度提升(Gradient boosting)方法分别建立蓄积量估测模型。然后,基于区分针叶林、阔叶林、针阔混交林的情况下,用XGboost方法再次建立蓄积量估测模型,并与未区分树种情况下的估测结果进行对比。采用十折交叉验证法对模型性能指标进行检验。【结果】在不区分树种的情况下,XGboost呈现了最佳的效果,优于LGBM方法和Gradient boosting方法,其建模精度为89.65%,估测精度为83.19%。在区分树种结构下,XGboost方法的建模精度(89.31%)与不区分树种情况下没有明显区别,但估测精度(84.5%)有一定提升,其中针叶林的效果最好。【结论】逐步回归特征选择方法结合XGboost方法能够取得最好的森林蓄积量估测效果,区分树种能够在一定程度上提高模型的泛化能力。XGboost方法在实践中使用方便,提供了在短时间内估测森林蓄积量的可能性,从而为森林蓄积量的估测提供了新的方法。