基于Boruta和极端随机树方法的森林蓄积量估测

编号 zgly0001716861

文献类型 期刊论文

文献题名 基于Boruta和极端随机树方法的森林蓄积量估测

作者 韩瑞  吴达胜  方陆明  黄宇玲 

作者单位 浙江农林大学信息工程学院  林业感知技术与智能装备国家林业和草原局重点实验室  浙江省林业智能监测与信息技术研究重点实验室  醴陵市陶瓷烟花职业技术学校 

母体文献 林业资源管理 

年卷期 2020年04期

年份 2020 

分类号 S758.51 

关键词 Boruta特征选择  极端随机树  随机森林  森林蓄积量  机器学习 

文摘内容 森林蓄积量是反映森林资源数量的重要指标之一。本研究应用Boruta特征选择方法和极端随机树(Extremely randomized trees,Extra-trees)方法,以小班为研究单元,估测龙泉市部分区域森林资源的每公顷蓄积量,为县域尺度森林蓄积量的估测提供新的方法和思路。基于研究区的森林资源二类调查数据、高分二号(GF-2)遥感影像数据、数字高程模型数据,提取多元特征组成原始特征集。通过Boruta选择方法对原始特征集进行筛选,利用Extra-trees方法建立森林蓄积量估测模型,选用十折交叉验证法对模型进行检验,并与随机森林(Random Forest,RF)方法和梯度提升(Gradient Boosting)方法进行对比分析。研究结果显示:1)经过Boruta特征选择方法得出的特征有土层厚度、年龄、郁闭度、海拔、坡度和坡向;2)极端随机树方法采用网格搜索调参得到的最优参数组合为:树的个数为250,树的最大深度为14;3)基于Boruta和极端随机树方法的森林蓄积量估测模型的测试精度为84.14%,R~2为0.92,RMSE为19.65m~3/hm~2,MAE为13.95m~3/hm~2,模型优于随机森林方法和梯度提升方法,表明Boruta特征选择方法结合极端随机树方法估测森林蓄积量可取得更好的效果。