基于Landsat的亚热带森林地表碳储存的时空估计,使用具有超参数调整的机器学习算法进行超参数调整
Lei Huang1,2, Zihao Huang1,2, Weilong Zhou3
1State Key Laboratory of Subtropical Silviculture, Zhejiang A & F University, Hangzhou, China.
Frontiers in plant science
|October 2, 2024
概括
这项研究使用机器学习和遥感来估计丽水市的森林地表碳储存 (AGC). CatBoost模型准确地追踪了30年来AGC的增加,为亚热带森林管理提供了有价值的数据.
科学领域:
- 林业科学 林业科学
- 遥感应用 遥感应用
- 机器学习在生态学中的应用
背景情况:
- 森林地下碳储存 (AGC) 对生态系统评估至关重要.
- 估计区域森林的AGC面临技术上的挑战.
- 遥感和机器学习为准确的AGC监控提供了解决方案.
研究的目的:
- 为了建模和分析林林AGC的时空动态在丽水市超过30年 (1989-2019).
- 为了比较反向传播神经网络 (BPNN),随机森林 (RF) 和分类增强 (CatBoost) 的性能,用于AGC估计.
- 使用遥感数据识别用于准确森林AGC建模的关键变量.
主要方法:
- 使用Landsat远程传感图像对丽水市进行检测.
- 采用BPNN,RF和CatBoost机器学习算法来建模森林AGC.
- 使用R平方和根平均平方误差 (RMSE) 评估模型性能.
- 分析了9x9和11x11窗口的纹理信息作为预测变量.
主要成果:
- 纹理信息是森林AGC估计的一个重要变量.
- 所有测试的机器学习模型都准确地估计了森林AGC.
- CatBoost表现出卓越的性能,其R2为0.95 (训练) 和0.83 (测试).
- 森林AGC集中在中部和西南部的丽水市,从1989年到2019年显著增加.
结论:
- CatBoost算法在亚热带森林中估计AGC非常有效.
- 这项研究为亚热带森林AGC评估提供了优化的机器学习模型和超参数.
- 这些发现提供了关键的参考数据,用于加强丽水市亚热带森林的碳捕获.
更多相关视频
04:35Development of an Individual-Tree Basal Area Increment Model using a Linear Mixed-Effects Approach
Published on: July 3, 2020
3.3K
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
13.3K
