森林工程

作者：闫金亮,周光睿,周德旭,张晓军

单位：1.三门峡社会管理职业学院，河南 三门峡 472000；,2.新乡广播电视大学，河南 新乡 453000；,3.河南农业大学 信息与管理科学学院，郑州 450003；,4.郑州大学 电气与信息工程学院，郑州 450001；

关键词：长时序特征,多源遥感数据,随机森林,卷积神经网络,森林冠层高度反演

基金：国家自然科学基金项目(61903340)

为准确获取森林冠层高度信息，精确估计森林地上生物量及评估森林碳汇能力，基于长时序的地面实测、多源遥感数据与数字高程模型构建30个长时序的特征变量，结合机器学习算法（Machine Learning，ML）对浙江省丽水市的森林冠层高度进行反演。研究表明，地形因素对森林冠层高度的反演呈“不重要性”，而与红绿波段相关的植被因子、森林冠层高度强相关；加入长时序的特征因子可有助于提升ML算法对森林冠层高度反演精度，卷积神经网络（Convolutional Neural Network，CNN）提升的性能尤为显著，实现最佳0.39的决定系数（R 2）提升与4.15的均方根误差（RMSE，式中记为R MSE）下降；随机森林在4种ML算法中的反演精度最高（R 2=0.79，R MSE=1.65），大于支持向量机（R 2=0.65，R MSE=1.97）、极端梯度上升法（R 2=0.76，R MSE=1.81）与卷积神经网络（R 2=0.71，R MSE=1.83）。

来源：2024年第6期

《森林工程》期刊编辑部

查看森林工程杂志2024年第6期