通过结合多源远程传感数据和机器学习优化模型来估计Dendrocalamus giganteus的叶面积指数
Zhen Qin1, Huanfen Yang1, Qingtai Shu1
1College of Forestry, Southwest Forestry University, Kunming, Yunnan, China.
Frontiers in plant science
|January 30, 2025
概括
一种新方法使用集成遥感数据和优化机器学习模型准确估计Dendrocalamus giganteus的叶面积指数 (LAI). 这种方法改进了现有的大规模森林LAI估计技术.
科学领域:
- 生态学和远程传感技术
- 林业和环境科学 林业和环境科学
背景情况:
- 叶面积指数 (LAI) 对树冠能量和物质交换至关重要.
- 准确,大规模的LAI估计对于环境监测至关重要.
- 现有的机器学习模型对LAI估计有局限性.
研究的目的:
- 开发一种新且准确的方法,用于大规模估计巨型虫LAI. Dendrocalamus.
- 整合ICESat-2/ATLAS和Sentinel-1/-2数据,以提高LAI的估计能力.
- 使用优化算法来完善机器学习模型.
主要方法:
- 使用顺序高斯条件模拟 (SGCS) 的空间插值.
- 通过Pearson相关系数与多源遥感数据进行特征变量优化.
- 贝叶斯优化 (BO),粒子群优化 (PSO),遗传算法 (GA) 和模拟化 (SA) 的应用在随机森林回归 (RFR),梯度增强回归树 (GBRT) 和支持向量机回归 (SVR) 模型中.
主要成果:
- 贝叶斯优化梯度增强回归树 (BO-GBRT) 模型表现出卓越的性能.
- 实现了高精度,R2为0.922,RMSE为0.263,MAE为0.187和P1为92.38%的高精度.
- 提出的方法优于现有的机器学习方法.
结论:
- 该BO-GBRT模型为大规模森林LAI估计提供了高度准确和高效的解决方案.
- 这种综合遥感和机器学习方法显示了森林LAI逆转的巨大潜力.
- 该方法可以扩展到估计其他森林结构参数.
