共查询到20条相似文献，搜索用时 15 毫秒
1.
【目的】精确估测银杏人工林有效叶面积指数(eLAI),以更好了解银杏人工林的生长和竞争、理解人工林生态系统的功能和生产力。【方法】基于多旋翼无人机激光雷达(LiDAR)系统获取的点云数据,结合45块地面实测样地数据,使用孔隙度模型法(通过计算点云的冠层穿透率,根据Beer-Lambert定律计算有效叶面积指数)和统计模型法(首先通过地面实测的有效叶面积指数和所提取的LiDAR特征变量建模,然后借助拟合的模型估测有效叶面积指数)对我国典型银杏人工林进行样地尺度的有效叶面积指数估测。【结果】1)使用统计模型法估测eLAI时,仅利用LiDAR高度特征变量估测精度为R2=0. 38(rRMSE=54%),引入其他特征变量(冠层密度特征、冠层容积比以及强度特征变量)后精度分别达到R2=0. 64(rRMSE=26%)、R2=0. 61(rRMSE=28%)、R2=0. 74(rRMSE=23%); 2)根据Cover将样地分组建模后发现,分组建模的精度优于不分组建模的精度;3)孔隙度模型法估测有效叶面积指数的精度为R2=0. 71(rRMSE=32. 0%)。【结论】结合多组LiDAR特征变量估测有效叶面积指数能够充分挖掘LiDAR数据包含的冠层结构特性,从而提升估测精度;同时,使用孔隙度模型法可以有效估测银杏人工林有效叶面积指数。无人机LiDAR点云在估测银杏人工林有效叶面积指数上具有较好的潜力。 相似文献
2.
《林业科学》2021,57(9)
【目的】探索一种适用于已具备林下地形,可协同利用少量实测样地数据、抽样式采集的机载激光雷达(LiDAR)条带数据和区域全覆盖的资源三(ZY3)立体像对数据有效估测区域森林平均高的方法,为提高森林资源调查效率和精度提供技术支撑。【方法】以广西高峰林场2个分场为研究区,2018年获取覆盖整个研究区的机载LiDAR、ZY3立体像对和少量实测样地数据。将LiDAR数据提取的DEM作为历史已存在的林下地形,从全覆盖的LiDAR数据中抽取12条飞行条带的LiDAR数据"模拟"抽样式采集的LiDAR数据,形成"林下地形+LiDAR抽样+ZY3立体像对+样地"数据集;以样地和LiDAR数据提取出LiDAR抽样数据对应的森林平均高为模型建立的参考数据(因变量Y),以ZY3立体像对提取的数字表面模型(DSM)减去数字高程模型(DEM)得到的CHM_(ZY3)为自变量(X),采用普通最小二乘(OLS)模型、k-邻近(KNN)模型和回归克里格(RK)模型估测森林平均高,并对其估测效果进行比较评价。【结果】OLS和KNN模型的均方根误差(RMSE)分别为1.88和1.96 m,估测精变(EA)分别为87.18%和86.64%;RK模型估测精度相对较高,RK_(OLS)模型的RMSE=1.84 m,EA=87.42%;RK_(KNN)模型的RMSE=1.86 m,EA=87.32%。【结论】本研究中2类4种模型均可有效估测森林平均高,回归克里格模型(RK_(OLS)、RK_(KNN))优于非空间模型(OLS、KNN),RK_(OLS)模型估测精度最高;在林下地形已知时,协同利用少量实测样地数据、抽样式采集的机载LiDAR条带数据和区域全覆盖的ZY3立体像对数据能够实现区域森林平均高的高效、高精度估测。 相似文献
3.
提出一种将资源三号(ZY-3)立体影像的空间连续测量特性与LiDAR数据的高精度定位测高优势相结合的林分平均树高估测方法。首先从LiDAR离散点云提取地面点并内插生成分辨率为1m的林区DEM,同时根据点云强度提取与DEM同源且分辨率为1m的正射影像,分别作为ZY-3数据定向处理的高程控制基准和平面控制基准。通过ZY-3多类像对组合提取研究区DSM,其中三视DSM较二视DSM高程精度最佳。基于三视DSM,林区DEM,ZY-3多光谱数据提取的植被指数和野外实测树高数据,利用回归分析方法及高程误差修正方法分别建立了四个树高估测模型,实验表明,经高程误差修正后的改进树高估测模型精度最高,模型Adj R~2=0.913,其精度达到93.29%,是最佳树高估测模型。 相似文献
4.
机载激光雷达和航空数码影像单木树高提取 总被引：6，自引：0，他引：6
用激光雷达(LiDAR)数据和航空数码影像相结合进行单木水平树高反演.对研究区的LiDAR点云数据进行滤波和分类,根据地形特点、地表植被状况以及其他地类的分布,采用Tin Filter滤波算法提取地面回波点和植被回波点.用面向对象的方法对高空间分辨率(25 cm)的航空数码影像进行单株木检测.通过多尺度、树冠模式的分割创建影像对象和类层次,用最邻近距离和成员函数法进行影像对象的分类,并基于分类结果进行再分割.对分割后的树冠多边形进行边缘优化,以准确识别单株木.将植被回波点和影像分割后得到的树冠多边形进行叠加,计算多边形内的LiDAR数据最大高程差值,与实测树高进行相关分析,建立单木树高估测回归方程,平均估测精度为74.89%. 相似文献
5.
《中南林业科技大学学报(自然科学版)》2020,(8)
【目的】针对人工实测与地基激光雷达(TLS)在林业资源调查中数据获取效率低下的问题,以哈尔滨市城市林业示范基地黑皮油松林为研究对象,综合对比地基激光雷达和手持式移动激光雷达(HMLS)两种扫描方式,为高效的森林资源调查和经营管理提供有效的参考。【方法】利用TLS单站与多站扫描以及HMLS获取研究样地单木点云数据,然后基于点云数据处理软件提取单木结构参数并与实测数据进行匹配,综合对比两种扫描方式的数据获取效率、点云质量以及单木结构参数提取精度。【结果】1)HMLS在扫描高郁闭度黑皮油松林样地时扫描速度大约为27 m~2/min,TLS4站扫描该样地速度为10 m~2/min,扫描速度上HMLS扫描约为TLS多站扫描的3倍。2)TLS4站扫描的胸径处点云数量与单木点云数量远高于HMLS,且HMLS相比于TLS4存在冠层点云缺失的问题,但HMLS相较于TLS数据拥有更好的胸径处切片点云完整度。3)HMLS、TLS单站、TLS4站数据胸径估测结果的R~2分别为0.92、0.84、0.95,HMLS与TLS4站扫描均给出了较好的胸径估测结果,单站TLS扫描估测胸径结果较差。HMLS扫描与TLS单站扫描由于冠层点云扫描不完整导致估测树高和树冠面积的决定系数均小于0.5。TLS4站扫描相较于HMLS扫描在树高和树冠面积的估测精度上有了较大提升,R~2达到了0.7以上。【结论】TLS4站扫描拥有最高的点云数据质量与单木结构参数提取精度,但扫描效率最低,而单站扫描由于遮挡效应单木结构提取精度较低但扫描效率最高;HMLS具有较高的扫描效率与胸径估测精度,但由于冠层点云的缺失在树高和树冠面积等参数的估测精度较低。 相似文献
6.
基于背包式激光雷达的天山云杉林单木因子估测 总被引：1，自引：0，他引：1
《林业资源管理》2021,(2)
单木因子高精度无损快速估测对森林资源监测和评估至关重要,背包式激光雷达在获取森林三维结构参数方面具有良好的应用潜力。以天山云杉林为研究对象,利用背包式激光雷达扫描样地获取点云数据进行单木分割识别和单木胸径、树高及冠幅面积等因子估测,以地面实测结合目视解译数据作为参照,进行精度评价及相关性检验。结果表明:利用背包式激光雷达数据进行单木分割的单木分割精度F值均大于0.9,精确率和召回率均值分别为0.96和0.90,识别率平均值为86.61%;单木胸径和树高估测结果决定系数R~2均大于0.90,胸径均方根误差RMSE均值为1.11,树高的为1.05;单木冠幅面积估测结果决定系数R~2均大于0.80,均方根误差RMSE均值为3.21。可见,使用背包式激光雷达能够实现对单木胸径、树高参数的高精度提取。 相似文献
7.
使用无人机和智能手机分别从空中和地面拍摄的样地林分影像构建三维点云模型，并从三维点云模型中获取样地内单木树高和胸径参数。本研究以池杉人工林为研究对象，利用PhotoScan Agisoft软件对无人机倾斜摄影和智能手机近景摄影的样地影像进行三维重建，通过对齐照片、控制点刺点、对齐优化、建立密集点云等步骤，构建出与样地实景相符的三维点云模型；通过LiDAR 360软件从样地三维点云模型中获取单木的树高和胸径参数，将其与实地测量获取的单木树高和胸径参数进行对比分析。利用无人机和智能手机影像构建的三维模型可以满足《数字航空摄影测量测图规范》的精度要求。通过实测数据和点云数据获取的树高和胸径的平均差值分别为-0.9 m和-0.8 cm,平均相对误差分别为5.4%和7.1%。以实测数据作为自变量x,以点云数据作为因变量y,树高和胸径回归模型的R2分别为0.809 5和0.918 4。将倾斜摄影和近景摄影的点云模型统一在同一空间参考基准下可构建出与样地实景相匹配的三维点云模型，从样地三维点云模型中获取的单木树高和胸径与实地测量结果具有较好的线性相关性，本研究所使用的方法可以代... 相似文献
8.
【目的】研究机载LiDAR航带旁向重叠对针叶林林分平均高和森林叶面积指数(LAI)估测的影响,为机载LiDAR点云数据区域森林结构参数估测提供参考。【方法】野外分别测定30块樟子松、33块长白落叶松样地的林分平均高和LAI,对原始LiDAR点云数据进行去噪、点云分类、高程归一化和重叠点移除等处理,从重叠点移除前、重叠点和重叠点移除后的点云数据中分别提取一系列样方点云高度分位数(HP1、HP5、HP10、…、HP99、Hmax和Hmean)和激光穿透指数(LPI),借助留一交叉验证建立并评价樟子松和长白落叶松林分平均高和LAI估测模型的精度,通过对比分析估测模型的决定系数(R2)和均方根误差(RMSE)揭示机载LiDAR航带旁向重叠对针叶林林分平均高和LAI估测的影响。【结果】对樟子松林分平均高估测而言,重叠点移除前林分平均高的最高估测精度(R2=0.873,RMSE=0.940)出现在HP90处,重叠点林分平均高的最高估测精度(R2=0.892,RMSE=0.866)出现在HP80处,而重叠点移除后林分平均高的最高估测精度(R2=0.892,RMSE=0.868)出现在HP55处;对长白落叶松林分平均高估测而言,重叠点移除前、重叠点和重叠点移除后林分平均高的最高估测精度均出现在HP99处,R2分别为0.725、0.719和0.741,RMSE分别为1.196、1.209和1.161。对樟子松LAI估测而言,重叠点移除前估测结果 R2为0.666,RMSE为0.220,重叠点估测结果 R2为0.551,RMSE为0.255,重叠点移除后R2提高到0.794,RMSE降低为0.172;对长白落叶松LAI估测而言,重叠点移除前估测结果 R2为0.654,RMSE为0.110,重叠点估测结果 R2为0.640,RMSE为0.112,与樟子松估测结果一致,重叠点移除后长白落叶松LAI估测精度大幅度提高,R2变为0.762,RMSE变为0.091。【结论】无论是林分平均高还是森林LAI,相邻航带旁向重叠点移除后的估测精度均高于重叠点移除前和重叠点,且樟子松的估测精度高于长白落叶松。对林分平均高而言,樟子松和长白落叶松达到最高估测精度时所对应的点云高度分位数不同。机载LiDAR点云数据相邻航带旁向重叠点的移除可有效提高森林结构参数的估测精度,在未来机载LiDAR点云数据预处理时应加入重叠点移除操作。 相似文献
9.
为探究不同模型对林分平均胸径的预测精度,使用贵州省桂花国有林场马厂工区同步获取的机载激光雷达点云数据和地面实测样地数据,通过提取样地水平的点云特征变量,采用方差膨胀因子分析和皮尔逊相关性检验进行自变量选择,建立机器学习模型估测样地平均胸径。结果表明：1)点云特征变量,如平均冠层高度和高度偏态与林分平均胸径有很强的相关性。2)机器学习模型(随机森林、支持向量机、最近邻算法)优于多元线性回归模型,其中,随机森林的拟合效果最好。随机森林的决定系数(R2)为0.71,均方根误差(RMSE)为2.50。3)通过柳杉纯林、针叶混交林、针阔混交林、马尾松纯林4种森林类型的林分平均胸径预测值与实际值差值,进一步证实随机森林模型精度最高,拟合效果最好。利用机载激光雷达点云数据提取点云特征变量,并构建基于机器学习算法的林分平均胸径估测模型是可行的,该方法的精度能满足森林资源调查的应用需求,可作为辅助林业调查工作的技术手段。 相似文献
10.
以海南省五指山市4块人工桉树林共计157株桉树为例,融合背包激光雷达和机载激光雷达点云数据对桉树单木因子进行了估测,探究融合数据在森林资源调查中的适用性。估测结果与实际样地数据对比表明,融合点云数据在胸径的估测上,R2=0.982,RMSE=0.868cm;在树高的估测上,R2=0.895,RMSE=2.005m,优于只使用背包激光雷达数据获取树高精度(R2=0.835,RMSE=2.458m)。基于背包激光雷达点云数据获取的单木胸径精度较高,融合点云数据可改善单一背包点云数据对树高上的估测。 相似文献
11.
蓄积量是评价森林资源质量或状况的重要指标,为了解决实测郁闭度和蓄积量费时费力以及无法充分利用航测原始数据生成各项数据的问题,以无人机航测数据的点云数据和正射影像为研究数据,利用冠层高度模型提取高程,通过一元线性回归分析估测平均树高和平均胸径模型;使用改进形态学分水岭方法提取树冠个数;通过主成分回归建立郁闭度模型;结合提取与估测的GIS因子,用偏最小二乘法建立蓄积量模型。结果表明:平均树高模型精度为97.34%、平均胸径模型精度为91.27%,改进分水岭提取树冠精度为80.03%,郁闭度模型精度为83.18%,蓄积量模型精度可达88.43%。蓄积量模型的所有特征因子均是通过遥感方法从无人机原始航测数据中提取而来,充分利用了无人机航测数据。实验建立的树高、胸径和郁闭度模型可以有效地估测森林平均树高、胸径及郁闭度,改进后的分水岭算法减少了过分割,蓄积量模型能够有效估测蓄积量,提高了蓄积量提取效率,节省了大量的人力物力。 相似文献
12.
《中南林业科技大学学报(自然科学版)》2017,(11)
森林作为陆地生态系统的主体和自然界功能最完善的资源库,不仅为人类的生存发展提供了物质保障,也在维护陆地乃至全球生态平衡上发挥着重要作用。LIDAR技术作为一种主动遥感手段,在对森林植被空间结构的探测和参数反演方面具有显著的优势。而在森林参数反演之前,对研究区进行合理的林分分割很有必要。利用祁连山大野口林区2008年的激光雷达点云数据,首次引进国外先进的LiDAR点云数据处理软件ArboLiDAR,经过前期的数据分类和相关预处理操作,将数据代入ArboLiDAR软件,通过多次设定相关分割参数,选择最优参数设置,以完成对研究区林分分割操作。并通过对该地区进行了林分平均树高的提取与精度评价,来估测林分自动分割结果,以期提高其他林分参数的估测精度。结果表明:LiDAR数据对林分平均高估测的相关性系数达到0.807,RMSE为1.12 m,精度较高,表明ArboLiDAR平台可以对LIDAR数据做较高精度的林分自动分割,为林分水平上的其他森林参数提取奠定基础,也为LIDAR数据的林分区划提供新的思路。 相似文献
13.
采样形状及采样尺度的合理选择对于节约人工成本、提高计算效率以及进一步提高森林结构参数估测精度均具有重要意义。以长春净月潭国家森林公园激光雷达(LiDAR)数据为基础,通过对LiDAR数据进行圆形及方形采样,并在方形采样的基础上对LiDAR数据进行不同空间尺度采样,从中提取一系列点云分位数高用于估测樟子松及落叶松的林分均高,以此量化LiDAR采样形状及采样尺度对不同林分均高估测的影响。结果表明:对樟子松而言,无论是圆形还是方形采样,林分均高估测结果最优时所对应的参数均为HP55,且方形采样林分均高估测结果(R~2=0.896,R_(mse)=0.853 m)高于圆形采样估测结果(R~2=0.892,R_(mse)=0.868 m);对落叶松而言,圆形和方形采样均是在HP99时林分均高估测结果最优,且圆形采样林分均高估测结果(R~2=0.741,R_(mse)=1.161 m)高于方形采样估测结果(R~2=0.705,R_(mse)=1.238 m)。在方行采样条件下,樟子松林分均高估测精度最高(R~2=0.904,R_(mse)=0.820 m)时所对应的采样尺度为35 m;落叶松估测精度最高(R~2=0.720,R_(mse)=1.206 m)时所对应的采样尺度为15 m。结果表明:不同LiDAR数据采样形状对不同林分类型均高估测的影响不同,且不同林分类型均高估测结果精度达到最高时所对应的采样尺度不同。 相似文献
14.
【目的】采用TanDEM-X单极化InSAR数据,研究基于相干系数的SINC模型森林高度估测方法,并分析5 m高分辨率的LiDAR DEM和30 m中等分辨率的SRTM DEM对模型估测精度和稳定性的影响。【方法】首先对观测的相干性进行非体散射失相干校正得到体散射失相干γVol,然后基于SINC模型将γVol的相干系数作为输入估测森林高度。以LiDAR提取的森林高度为验证数据,均匀选取150个检验样本,分别在15 m×15 m、30 m×30 m、50 m×50 m和100 m×100 m大小的样本尺度上进行精度评价,并与DSM-DEM差分法进行对比,分析2种方法的精度和适用性。【结果】5 m和30 m分辨率的参考DEM对SINC模型森林高度估测结果影响较小,随样本尺度增大其影响可逐渐忽略,当样本大小为100 m×100 m时,LiDAR DEM和SRTM DEM估测结果的R~2分别为0.54、0.51,RMSE分别为2.38、2.51 m,精度分别为77.19%、75.99%;相比SINC模型法,DSM-DEM差分法在各样本尺度上的表现更好,但森林高度估测结果存在明显低估现象,必须采用森林高度实测数据进行校正,当样本大小为100 m×100 m时,R2为0.79,校正前后的RMSE分别为2.57、1.63 m,精度分别为75.44%、84.41%。【结论】基于相干系数的SINC模型法估测森林高度,以30 m空间分辨率的SRTM DEM进行地形补偿和地理编码,可以取得较好结果;虽然该方法的精度相比DSM-DEM差分法略有下降,但既不需要实测森林高度数据进行标定,也不需要输入高分辨率的DEM,具有大范围森林高度制图的潜力和更大的实际应用价值。 相似文献
15.
《林业科学》2021,57(3)
【目的】基于双向选择判断原理,提出一种将激光雷达(LiDAR)点云数据提取到的单木信息与地面实测单木信息进行匹配的方法,以得到更为合理的信息匹配结果。【方法】采用机载LiDAR点云数据分割单木,提取单木位置、数量、树高和冠幅等信息,从LiDAR提取单木位置出发,依据树高和距离正向确定候选地面实测单木,再根据候选地面实测单木位置和距离信息逆向确认LiDAR提取单木是否为最合适的匹配对象木。【结果】以匹配精度、匹配后的单木树高和冠幅精度为判断指标,与邻域最高匹配法、最邻近匹配法和双因素匹配法相比,在匹配精度一致的情况下,双向选择判断法匹配的单木树高精度可从75.21%提升至91.01%,冠幅精度从60.50%提升至68.64%;在保证匹配信息精度一致的情况下,双向选择判断法可将匹配精度从传统方法的33.52%提升至61.11%。【结论】点云数据双向选择单木提取与地面数据匹配方法可快速、高效地将激光雷达点云数据提取到的单木信息与地面实测单木信息进行匹配,与传统方法相比,能够在高密度、多林层林分中发挥更高优势。 相似文献
16.
气候变化下,森林生物量遥感监测是当前研究的热点,机载LiDAR作为重要的遥感信息源,其采样大小对生物量估测精度有着一定的影响。以机载LiDAR数据为信息源,以44块30m×30m的方形橡胶林实测样地数据为基础,对机载激光雷达数据进行不同尺寸采样(共21个采样尺寸,边长从10m至30m,间隔为1m),提取不同采样尺寸下的激光雷达参数,并与橡胶林地上生物量建立PLSR模型,就机载激光雷达采样大小对橡胶林地上生物量估测精度的影响进行研究。研究表明:当采样尺寸小于18m时,估测精度随着采样尺寸的增大而增大;而当采样尺寸大于18m时,估测精度随着采样尺寸的增大而减小,进而趋于平缓。结果虽然呈现出一定的规律性,但是差异并不是很明显。当采样尺寸为18m时估测效果最佳,模型决定系数(R^2)为0.718,均方根误差(RMSE)为17.830 t/hm^2;交叉验证精度P和RMSEcv分别为82.741%和18.874t/hm^2。相较于实际样地(30m)尺寸下的估测结果,18m采样尺寸下的R^2提高了1.989%,RMSEcv降低了2.611%。因此,生物量的估测精度受机载激光雷达数据采样尺寸大小的影响,在生物量估测过程中需结合研究对象和研究区的实际情况对采样尺寸进行选择,从而提高生物量估测精度。 相似文献
17.
18.
【目的】以人工落叶松为例,探索基于无人机激光雷达（Unmanned aerial vehicle LiDAR, UAVLiDAR）点云的单木探测提取树高的误差对胸径反演的影响并校准,实现单木参数（胸径、树高）的准确度量,为大尺度高效便捷估测单木参数提供新的思路。【方法】以东北林业大学帽儿山实验林场13块4个龄组（幼龄林、中龄林、近熟林和成熟林）的落叶松人工林样地UAV-LiDAR数据及野外调查数据为数据源,基于UAVLiDAR点云的单木探测提取的树高,分别以普通最小二乘法（Ordinary least squares, OLS）和3种误差变量回归（标准主轴（Standard major axis, SMA）、远程主轴（Ranged major axis, RMA）和极大似然估计（Maximum likelihood estimate, MLE））构建胸径-树高模型,研究探测误差对各龄组人工落叶松胸径反演的影响并校准。【结果】利用UAV-LiDAR点云的单木探测提取4个龄组树高的相对均方根误差（rRMSE）,误差范围为3.41%～5.14%;在胸径-树高模型预测方面,3种误差变量回归均优... 相似文献
19.
基于地基激光雷达的亚热带森林单木胸径与树高提取 总被引：2，自引：0，他引：2
《林业科学》2016,(2)
【目的】以云南省普洱市天然林与杉木人工林为研究对象,针对云南省山区森林树种繁多、林下灌木草本茂密的林分环境,根据森林中树木的形态特征,利用地基激光雷达(TLS)扫描数据提取样地尺度单木胸径与树高,为森林调查工作提供参考。【方法】将获取的多站地基激光雷达扫描数据分为多站拼接及单站2种分析方式,采用Hough变换算法及树干的形态特征对样地内单木进行识别与胸径提取,根据树干生长方向及单木在垂直方向上的分布提取树高。【结果】1)对于多站拼接数据,即使在林分条件最为复杂的原始林,单木识别率仍可达到81%;对于单站数据,随着扫描距离增加,单木识别率降低,实际操作时单站布设比多站拼接简单;2)多站拼接胸径及胸高断面积估测结果更接近于样地真实值,多个单站平均结果比只使用一站扫描数据提取的结果更加适合估测样地胸径及胸高断面积,半径10 m比半径5 m及15 m范围内数据更加适合估测样地胸径及胸高断面积;3)天然林单木树高估测结果为R~2=0.77,RMSE=1.46 m;人工林单木树高估测结果为R~2=0.94,RMSE=0.96 m。【结论】本研究根据树干垂直向特征,设置的一系列参数可以剔除Hough变换算法在非树干处的识别圆,可提高单木识别及胸径、树高的估测精度。受扫描站布设及林分条件影响,人工林的估测结果好于天然林。多站拼接相比单站扫描更加接近于样地实测结果,多个单站平均更能代表样地实际情况,只用一站数据具有一定的偶然性。 相似文献
20.
基于机载LiDAR数据,分析哑变量对林分蓄积量估测精度的影响。以广西高峰林场为研究对象,借助机载激光雷达点云数据和96个样地数据,将样地数据按7∶3的比例随机划分为建模样本和测试样本,采用随机森林模型(RFR)和支持向量机模型(SVR)对建模样本与对应的点云特征回归建模,将树种组(针叶林和阔叶林)和龄组分别作为哑变量引入到回归模型。利用测试样本的估测精度评价模型的估测精度,引入树种组哑变量,随机森林模型决定系数R2从0.59提高到0.64,支持向量机模型决定系数R2从0.49提高到0.50。引入龄组哑变量,随机森林模型决定系数R2从0.59提高到0.65,支持向量机模型决定系数R2从0.45提高到0.55。根据模型的建模精度和验证精度结果得出,引入哑变量对蓄积量估测模型的精度提升是相对有效的。龄组哑变量对模型精度提升效果优于树种组哑变量。 相似文献