相关实验视频
Updated: Apr 13, 2026
08:20
A Method for Quantifying Foliage-Dwelling Arthropods
Published on: October 20, 2019
6.2K
基于堆叠组合模型的森林地表生物质估计在重庆,中国
Jinlian Liu1, Zhiyun Chen1, Bangxiang Luo1
1Institute of Forestry Big Data Application Research, Chongqing Academy of Forestry Planning and Design, Chongqing, China.
Frontiers in plant science
|November 24, 2025
概括
通过整合多个机器学习模型,提高了山区森林地面生物质 (AGB) 的准确估计. 一种新的方法准确地估计了树木直径与胸高 (DBH),增强了AGB绘图,以改善森林管理和碳研究.
科学领域:
- 林业林业 林业 林业 林业
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 准确的森林地面生物质 (AGB) 估计对于森林管理和碳循环研究至关重要.
- 在山区用于AGB估计的现有方法往往缺乏整合多个机器学习模型.
- 低于值的树木 (直径在乳房高度<5厘米) 经常被排除在外,可能低估了总的AGB.
研究的目的:
- 开发和验证一种实用的方法,用于估计低值树的胸高直径 (DBH).
- 整合多个机器学习模型 (RF,XgBoost,CatBoost,SVM) 和一个堆叠方法用于山地地区的森林AGB估计.
- 为了比较AGB估计准确度,包括和不包括下值树.
主要方法:
- 使用国家森林库存 (NFI) 数据用于DBH估计低于值的树木.
- 综合 Sentinel-2 遥感图像和数字海拔模型 (DEM) 数据作为预测器.
- 采用单个机器学习模型 (随机森林,XgBoost,CatBoost,SVM) 和一个堆叠的集合方法用于AGB估计.
主要成果:
- 在DBH估计方法实现了高精度 (R2=0.93,RMSE=1.46厘米).
- 光谱带是主要的预测指标,植物和地形指数在模型中的变化.
- 堆叠组合模型显示出优异的性能,特别是当包括在值以下的树时 (CV:R2=0.65,RMSE=24.34 Mg·ha−1;EV:R2=0.68,RMSE=25.45 Mg·ha−1).
结论:
- 开发的方法有效地估计了山区的AGB,包括值以下的树木.
- 堆叠组合模型为复杂地形中的高分辨率 (10m) AGB映射提供了强大的方法.
- 这项研究推进了中国西南部的AGB估计技术,并为森林生态和管理策略提供了信息.
