联合Sentinel-1和Sentinel-2数据反演森林蓄积量

编号 zgly0001738708

文献类型 期刊论文

文献题名 联合Sentinel-1和Sentinel-2数据反演森林蓄积量

作者 张雨田  许晓东  石军南  刘洋  蔡耀通  林辉  石灵杰  张怀清 

作者单位 中国林业科学研究院资源信息研究所  国家林业和草原局林业遥感与信息技术重点实验室  林业遥感大数据与生态安全湖南省重点实验室 

母体文献 四川林业科技 

年卷期 2022,43(2)

页码 71-80

年份 2022 

分类号 TP3 

关键词 森林蓄积量  多源遥感数据  机器学习  估测模型  旺业甸林场 

文摘内容 为明确遥感数据源及机器学习模型对森林蓄积量估测的影响,从而提高区域森林蓄积量估测精度。本文以内蒙古旺业甸林场38个落叶松样地与43个油松样地外业调查数据为基础,提取Senitnel-1和Sentinel-2影像光谱和极化等遥感特征信息。根据不同特征组合分别建立支持向量机回归(Support Vector Regression,SVR)、k最近邻(k-NearestNeighbor,kNN)、多层感知器(Multi-Layer Neural Network,MLP)及多元线性回归(Multiple Linear Regression,MLR)4种蓄积量反演模型,并对模型结果进行精度验证与比较。结果表明:(1)与单一数据源相比,联合Sentinel-1与Sentinel-2数据有助于提高森林蓄积量反演精度(油松蓄积量反演R2提高0.08,RMSE提高10.28 m^(3)·hm^(-2);落叶松蓄积量反演R2提高0.05,RMSE提高4.51 m^(3)·hm^(-2));(2)与MLP和MLR模型相比,SVR与kNN模型的蓄积量反演效果较好。其中,SVR模型在油松蓄积量反演效果最佳(R2=0.84,RMSE=44.58 m^(3)·hm^(-2));kNN模型在落叶松蓄积量反演精度最高(R2=0.74,RMSE=41.41 m^(3)·hm^(-2))。联合Sentinel-1与Sentinel-2多源数据的机器学习方法可获得较高的蓄积量反演精度,可期为区域尺度森林蓄积量遥感反演提供理论支持与可行方案。