中国农业科学院农业信息研究所 中国农学会
Agricultural Information Institute of CAAS China Association of Agricultural Science Societies
En
Ch
中国农业科学院农业信息研究所 中国农学会 主办

AI检索

订阅

返回顶部
当前位置: 首页 > 文章 > 基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算 南京林业大学学报(自然科学版) 2021 (4) 49-57
Position: Home > Articles > 基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算 Journal of Nanjing Forestry University(Natural Sciences Edition) 2021 (4) 49-57

基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算

作  者：
赵颖慧;郭新龙;甄贞
单  位：
东北林业大学林学院
关键词：
机载激光雷达;Sentinel-2A;光学-ALS结合变量;堆叠稀疏自编码器;天然次生林;地上生物量;
摘  要：
【目的】通过组合机载激光雷达（airborne laser scanning, ALS）数据和Sentinel-2A数据提取特征变量,探讨估算天然次生林地上生物量（aboveground biomass, AGB）最佳的变量组合方式和估算方法。【方法】以2015年ALS数据、2016年Sentinel-2A数据和黑龙江帽儿山林场森林资源连续清查固定样地数据为数据源,通过ALS数据提取高度特征变量（all the LiDAR variables,记为AL）,Sentinel-2A数据提取若干植被指数变量（all the optical variables,记为AO）,然后将光学-ALS结合变量(combined optical and LiDAR index, COLI,记为ICOL)结合成为新的变量ICOL1和ICOL2,以6组特征变量组合方式(AO+AL、ICOL1、ICOL2、ICOL1+AO+AL、ICOL2+AO+AL、ICOL1+ICOL2+AO+AL)作为输入变量,分别使用多元线性逐步回归（stepwise multiple linear regression, SMLR）、K-最近邻法（K-nearest neighbor,K-NN）、支持向量回归（support vector regression, SVR）、随机森林（random forest, RF）和堆叠稀疏自编码器（stack sparse auto-encoder, SSAE）共5种方法构建了天然次生林AGB估算模型,探讨ICOLs变量以及不同模型对生物量估测精度的影响。【结果】结合变量ICOLs对于森林AGB的估算十分有效,加入ICOLs变量能够很大提高森林AGB模型的估算精度;与其他4种模型相比,无论使用哪些变量作为输入数据,SSAE模型的精度最高;当使用SSAE模型,以光学和ALS变量组合(ICOL1+ICOL2+AO+AL)作为输入特征变量时,模型的准确性最高:R2=0.83,均方根误差为11.06 t/hm2,相对均方根误差为8.23%。【结论】结合变量COLIs能够有效地提高天然次生林AGB的估算精度,而且深度学习模型（SSAE）在估算天然次生林AGB方面优于其他预测模型。总体而言,利用ALS和Sentinel-2A数据组合变量的SSAE模型可以较准确地估算森林AGB,为天然次生林地上生物量的估算和碳储量评估提供技术支持。

相似文章

导出引用
计量
文章访问数: 12
HTML全文浏览量: 0
PDF下载量: 0

所属期刊

推荐期刊

友情链接Friendly link
农业信息研究所Agricultural information institute 农业智能知识服务平台Agricultural intelligent knowledge service platform 农业学术服务平台Agricultural Knowledge Service System 中国知网CNKI 维普网VIP 万方WANFANG DATA
联系我们Contact us

电话Tell：010-82109652-808

邮箱E-mail：agrijournal@caas.cn

服务Service
关于我们About us 意见建议Opinions and suggest
版权说明Copyright
单位：中国农业科学院农业信息研究所 中国农学会 © 2017中国农业科学院农业信息研究所 ICP备案号：京ICP备09089781号-46