Forest Engineering.
2024, 40(06):
1-10.
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(R2)提升与4.15的均方根误差(RMSE,式中记为RMSE)下降;随机森林在4种ML算法中的反演精度最高(R2=0.79,RMSE=1.65),大于支持向量机(R2=0.65,RMSE=1.97)、极端梯度上升法(R2=0.76,RMSE=1.81)与卷积神经网络(R2=0.71,RMSE=1.83)。