中国 fir の最大樹冠幅高さをアンサンブル学習と微細空間競争を組み合わせてフィッティング

科学分野:

• 森林科学
• リモートセンシング
• 機械学習アプリケーション

背景:

• 正確な森林空間競争と3D構造フェノタイプデータは、樹木と環境の相互作用を理解するために不可欠です。
• 既存のLiDAR法は、密集した森林では樹冠の閉塞により課題に直面しており、最大樹冠幅高さ（HMCW）などのパラメータ抽出を妨げています。

研究 の 目的:

• 樹冠の空間関係に基づいた森林空間構造ユニットを構築する新しい方法を開発すること。
• 空間競争とフェノタイプパラメータを統合することにより、中国 fir のHMCWを予測するための最適な機械学習モデルを特定すること。
• 密集した森林スタンドで困難な樹木パラメータを抽出するための堅牢なアプローチを提供すること。

主な方法:

• 樹冠空間関係ベースの方法を使用して森林空間構造ユニットを構築しました。
• 5つのアンサンブル学習技術を使用して、11の機械学習モデルの組み合わせをトレーニングしました。
• XGBoost、Random Forest、Support Vector Regression、Gradient Boosting、Ridgeを統合したBaggingアンサンブルモデルをHMCW予測のために評価しました。

主要な成果:

• 構築された空間構造ユニットは、隣接する木の選択誤りや省略の問題を効果的に解決しました。
• Baggingモデルは、単一モデルと比較してHMCW予測において優れた性能を示し、R²は0.8346でした。
• Baggingモデルは、単一モデル（ランダムフォレスト）と比較して、精度指標（R²の1.6%向上、RMSEの6.66%削減）で大幅な改善を示しました。

結論:

• 提案された方法は、他の同様の構造を持つさまざまな樹種のHMCWモデリングおよびその他の測定困難なパラメータ抽出のための実行可能なソリューションを提供します。
• 洗練された空間構造ユニットは、3D構造フェノタイプと環境要因との間のリンクを強化します。
• このアプローチは、樹冠形態シミュレーションと持続可能な森林管理研究の進歩をサポートします。