云南西北部森林树冠关闭的估计基于多来源遥感数据的协作
Wen-Wu Zhou1, Qing-Tai Shu1, Shu-Wei Wang1
1College of Forestry, Southwest Forestry University, Kunming 650224, China.
Ying yong sheng tai xue bao = The journal of applied ecology
|September 11, 2023
概括
森林树冠关闭 (FCC) 估计对于森林资源和生物多样性评估至关重要. 这项研究成功地使用了ICESat-2/ATLAS数据和机器学习模型来准确估计FCC的足迹和区域规模.
科学领域:
- 林业和远程传感 林业和远程传感
- 地理空间分析是什么
- 生态学和生物多样性
背景情况:
- 森林树冠关闭 (FCC) 是森林资源管理和生物多样性评估的关键指标.
- 对于区域FCC估计的准确和具有成本效益的方法有很高的需求.
- 多源遥感数据集成为FCC逆转提供了一个有前途的方法.
研究的目的:
- 通过使用ICESat-2/ATLAS数据和各种机器学习模型,在足迹尺度上估计森林树冠关闭 (FCC).
- 通过将足迹规模数据与多源遥感和地形因素集成,开发一个区域规模的FCC估计模型.
- 为了比较FCC估计不同模型的性能,并确定最佳参数.
主要方法:
- 利用ICESat-2/ATLAS激光雷达数据和来自54个地块的地面真相测量来进行足迹规模的FCC估计.
- 采用贝叶斯优化 (BO) 来改进随机森林 (RF),K-最近邻居 (KNN) 和梯度增强回归树 (GBRT) 模型.
- 集成的足迹尺度FCC数据与Sentinel-1/2图像和地形因素用于区域FCC估计,使用BO优化的深度神经网络 (DNN).
主要成果:
- 从ATLAS激光雷达足迹中提取的六个关键参数被确定为FCC估计提供了高度贡献.
- 优化了BO的GBRT模型实现了最好的足迹尺度FCC估计精度 (R=0.65,RMSE=0.10).
- 该BO-DNN模型提供了R2=0.47的区域FCC估计准确度,超过了普通Kriging (R2=0.26).
结论:
- 结合先进的机器学习,ICESat-2/ATLAS数据可以准确地估计FCC的足迹规模.
- 使用BO-DNN开发的区域级FCC模型为山区提供了低成本,高精度的解决方案.
- 这种方法为将足迹规模估计推断到区域层面的森林监测提供了有价值的参考.
