基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算

编号 zgly0001733151

文献类型 期刊论文

文献题名 基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算

作者 赵颖慧  郭新龙  甄贞 

作者单位 东北林业大学林学院  东北林业大学森林生态系统可持续经营教育部重点实验室 

母体文献 南京林业大学学报(自然科学版 

年卷期 2021,45(04)

页码 49-57

年份 2021 

分类号 S718.5  TN957.52 

关键词 机载激光雷达  Sentinel-2A  光学-ALS结合变量  堆叠稀疏自编码器  天然次生林  地上生物量 

文摘内容 【目的】通过组合机载激光雷达(airborne laser scanning, ALS)数据和Sentinel-2A数据提取特征变量,探讨估算天然次生林地上生物量(aboveground biomass, AGB)最佳的变量组合方式和估算方法。【方法】以2015年ALS数据、2016年Sentinel-2A数据和黑龙江帽儿山林场森林资源连续清查固定样地数据为数据源,通过ALS数据提取高度特征变量(all the LiDAR variables,记为A_L),Sentinel-2A数据提取若干植被指数变量(all the optical variables,记为A_O),然后将光学-ALS结合变量(combined optical and LiDAR index, COLI,记为I_(COL))结合成为新的变量I_(COL_1)和I_(COL_2),以6组特征变量组合方式(A_O+A_L、I_(COL_1)、I_(COL_2)、I_(COL_1)+A_O+A_L、I_(COL_2)+A_O+A_L、I_(COL_1)+I_(COL_2)+A_O+A_L)作为输入变量,分别使用多元线性逐步回归(stepwise multiple linear regression, SMLR)、K-最近邻法(K-nearest neighbor,K-NN)、支持向量回归(support vector regression, SVR)、随机森林(random forest, RF)和堆叠稀疏自编码器(stack sparse auto-encoder, SSAE)共5种方法构建了天然次生林AGB估算模型,探讨I_(COLs)变量以及不同模型对生物量估测精度的影响。【结果】结合变量I_(COLs)对于森林AGB的估算十分有效,加入I_(COLs)变量能够很大提高森林AGB模型的估算精度;与其他4种模型相比,无论使用哪些变量作为输入数据,SSAE模型的精度最高;当使用SSAE模型,以光学和ALS变量组合(I_(COL_1)+I_(COL_2)+A_O+A_L)作为输入特征变量时,模型的准确性最高:R~2=0.83,均方根误差为11.06 t/hm~2,相对均方根误差为8.23%。【结论】结合变量COLIs能够有效地提高天然次生林AGB的估算精度,而且深度学习模型(SSAE)在估算天然次生林AGB方面优于其他预测模型。总体而言,利用ALS和Sentinel-2A数据组合变量的SSAE模型可以较准确地估算森林AGB,为天然次生林地上生物量的估算和碳储量评估提供技术支持。