基于Sentinel-2的机器学习管道和辅助数据的北方阿尔罕盖尔斯克地区的森林年龄估计
Alina Smolina1, Svetlana Illarionova2, Dmitrii Shadrin1
1Skolkovo Institute of Science and Technology, Applied AI Center, Moscow, Russia, 121205.
Scientific reports
|December 13, 2023
概括
准确的森林年龄估计对于可持续林业至关重要. 这项研究使用了Sentinel-2遥感数据和机器学习,使用基于像素的方法与多种数据输入实现了6年错误.
科学领域:
- 林业科学 林业科学
- 遥感是一种远程传感.
- 机器学习是机器学习.
背景情况:
- 森林年龄是森林管理和生态分析的关键特征.
- 在偏远或广地区估计森林年龄是一项挑战.
- 遥感 (RS) 和机器学习 (ML) 提供了自动森林特征评估的潜力.
研究的目的:
- 综合研究森林年龄估计,使用Sentinel-2卫星数据和ML.
- 为了比较基于立体的与基于像素的ML方法用于森林年龄估计.
- 评估各种数据源对估计准确性的影响.
主要方法:
- 利用了哨兵-2卫星图像和CatBoost算法.
- 实施并比较基于站式和基于像素的ML方法.
- 整合了各种功能:光谱带,植被指数,主导物种,树木高度和数字海拔模型 (DEM).
主要成果:
- 在使用所有可用的数据时,基于像素的方法获得了6年的平均绝对误差 (MAE),而基于立体的方法则获得了7年的平均绝对误差.
- 当仅使用光谱带时,这两种方法都产生了11年的MAE.
- 仅使用树的高度导致MAE显著更高 (基于像素的18年,基于站式的26年),突出其不足以准确估计年龄.
结论:
- 基于像素的ML方法,集成多种RS和森林库存数据,提供最准确的森林年龄估计.
- 诸如主导物种和树木高度等辅助数据显著提高了年龄估计的准确性,而不仅仅是光谱数据.
- 这项研究为利用RS和ML在森林生态系统监测和可持续管理中提供了坚实的框架.
