通过LiDAR衍生功能和机器学习算法进行总和组件森林地表生物质逆转
Jiamin Ma1, Wangfei Zhang1, Yongjie Ji2
1College of Forestry, Southwest Forestry University, Kunming, China.
Frontiers in plant science
|November 13, 2023
概括
空载光探测和测距 (LiDAR) 有效地估计了森林地表生物质 (AGB) 和其组成部分. 随机森林算法在AGB检索中表现出比支持向量的回归更高的准确性.
科学领域:
- 林业林业 林业 林业 林业
- 遥感 遥感 遥感 遥感
- 生态生态学 生态生态学
背景情况:
- 森林地表生物量 (AGB) 对于评估生态系统健康,生产力和碳储量至关重要.
- 光探测和测距 (LiDAR) 技术在捕捉森林垂直结构和植被空间分布方面表现出色.
研究的目的:
- 通过从空中LiDAR点云数据中获得的特征来估计森林总和成分AGB.
- 使用部分最小平方回归来对AGB估计进行LiDAR衍生特征进行排名和优化.
主要方法:
- 从空中LiDAR点云数据中提取了56个特征.
- 用了部分最小平方回归来进行特征重要性排名和优化.
- 采用随机森林 (RF) 和支向量回归 (SVR) 算法用于AGB估计,通过留下一个漏洞交叉验证 (LOOCV) 和交叉验证进行验证.
主要成果:
- AGB估计的关键特征包括累积身高百分比 (AIH),身高百分比 (H) 和与身高相关的变量 (Hmean,Hsqrt,Hmad,Hcurt).
- 射频算法实现了AGB总估计的最佳性能 (R2 = 0.75,RMSE = 22.93 Mg/ha通过LOOCV).
- 组件AGB估计的准确性按照以下顺序进行:茎>树皮>树枝>叶子,RF的性能优于SVR.
结论:
- 来自LiDAR的特征是森林总和组成部分AGB的敏感指标.
- 射频算法提供比SVR更准确的AGB估计,LOOCV和交叉验证之间的验证差异最小 (<5%).
- 与其他生物质成分相比,检索叶子成分AGB的准确性较低.
