共查询到20条相似文献，搜索用时 15 毫秒
1.
【目的】探究Landsat8 OLI数据和KNN算法在森林蓄积量估测中的潜力。【方法】以湖南省湘潭县为研究区,采用Landsat8 OLI数据和同时期的二类调查数据,通过距离相关系数筛选特征,分别采用线性回归模型(MLR)、K-近邻模型(KNN)、距离加权KNN模型(DW-KNN)和优化欧式KNN模型(FW-KNN)对森林蓄积量进行估测。使用十折交叉方法进行精度检验,对检验结果进行对比分析。【结果】3种KNN模型的估测结果均高于传统的线性模型,并且在3种KNN模型中,FW-KNN算法效果最好,决定系数达到0.69,为3种模型中最高;3种KNN模型中,本研究优化欧氏距离KNN模型的估测精度最高,其均方根误差为30.3%,相比于传统KNN模型的均方根误差降低了5.1%,相比于DW-KNN模型降低了3.3%。【结论】采用DW-KNN蓄积量估测结果明显优于其他两种模型,说明通过特征与蓄积量的相关性优化样本间的距离是一种可行的KNN优化方法。 相似文献
2.
【目的】为了探究国产高分二号(GF-2)影像在林分蓄积量估测中的潜力,并找到最佳的蓄积量估测模型。【方法】本次实验以内蒙古旺业甸林场为研究区,以高分二号卫星影像为信息源,结合2017年10月份调查的75块样地以及同时期的GF-2影像数据,提取波段特征、植被指数和纹理特征等43个遥感因子作为候选变量,利用Pearson相关系数选择出与蓄积量显著相关的6个变量,采用多元线性回归模型(MLR)、BP-神经网络模型(BP-ANN)、随机森林模型(RF)、支持向量机模型(SVM)和K邻近模型(KNN)进行蓄积量的估测。以决定系数(R^2)、均方根误差(RMSE)、相对均方根误差(RRMSE%)作为5种模型的评价指标,选择出旺业甸林场的最佳蓄积量估测模型,并绘制了研究区的森林蓄积量分布图。【结果】4种机器学习模型的结果明显优于传统的线性模型,其中随机森林(RF)模型和K邻近模型(KNN)均得到了较高的精度,其中RF模型的R^2为0.66,均方根误差为55.2 m^3/hm^2,相对均方根误差为28.1%,KNN模型的R^2为0.64,均方根误差为57.6 m^3/hm^2相对均方根误差为29.3%。【结论】在利用高分二号数据进行旺业甸林场蓄积量估测时,RF和KNN模型在估测针叶林蓄积量时相比于其他模型可以取得更好的结果。 相似文献
3.
【目的】木材的基本密度在木材质量等级评定中起着重要的作用,是木材分流及精细化利用的重要依据。利用近红外光谱技术,实时监测木材性质,掌握木材性质的变化,为进一步制定和改善林木培育方法提供理论依据。【方法】借助树木生长锥对椴树活立木取样,以椴树样品基本密度真值和近红外光谱数据为输入,分别通过卷积平滑、一阶导数和二阶导数预处理方法来实现近红外光谱数据的预处理,建立了基于偏最小二乘法(PLS)的椴树木材基本密度的近红外估测模型。【结果】在350~2 500 nm波段范围内,一阶导数预处理的椴树木材基本密度模型是最优的,校正集相关系数为0.964 8,校正均方根误差为0.002 7,验证集相关系数为0.943 2,预测均方根误差为0.003 3。在对近红外光谱数据进行去噪优化处理,构建椴树木材基本密度模型后,在500~2 300 nm波段范围内,一阶导数预处理椴树木材基本密度模型依旧最优,其校正集相关系数为0.987 1,校正均方根误差为0.001 6,验证集的相关系数是0.948 6,预测的均方根误差是0.002 1。【结论】选择特定的预处理方法,结合样本特征,建立椴树木材基本密度模型,可以显著降低建模成本,提高模型预测精度,快速测定椴树木材的基本密度。 相似文献
4.
【目的】以福建省顺昌县大干镇的毛竹为研究对象,研究毛竹叶片氮元素含量的最优估测模型,为毛竹生长状态分析与林地土壤肥力估测提供基础。【方法】通过对毛竹叶片原始光谱、一阶微分光谱及相关的植被指数与叶片氮元素含量进行相关性分析来筛选氮元素敏感特征参数,并构建了多元线性回归模型、随机森林模型以及支持向量机模型,利用决定系数最优原则筛选3个模型中的最优模型并进行精度验证。【结果】R387、DR663、NDVIg-b(R575、R440)、SIPI、PRI和PPR 6个参数与毛竹叶片氮含量具有较为显著的相关性,基于这6个敏感参数所构建的3种模型中,多元线性回归模型与随机森林模型拟合效果较差,精度验证结果R2分别为0.4355、0.4371,惩罚因子C和核参数Sigma分别设为3和0.1的支持向量机模型估测结果最好,其实测值与预测值拟合决定系数为0.8031,总体精度为94.02%。【结论】基于R387、DR663、NDVIg-b(R575、R440)、SIPI、PRI和PPR 6个叶片光谱参数所构建的支持向量机模型能够较为准确地估测毛竹叶片氮元素含量。 相似文献
5.
《中南林业科技大学学报(自然科学版)》2020,(3)
【目的】木材基本密度在木材质量等级评定中具有重要作用,是木材分流及精细化利用的重要依据。【方法】以东北林区典型针叶树种为研究对象,结合近红外光谱技术,构建红松、落叶松、云冷杉木材基本密度近红外估测模型,分析比较了不同波段优选算法并进行了模型优化。研究采用竞争性自适应重加权法(CARS)、无信息变量消除法(UVE)和间隔偏最小二乘法(iPLS)对木材近红外光谱波段进行优化,基于卷积平滑算法对近红外光谱数据进行预处理,结合偏最小二乘法(PLS)建立针叶木材基本密度估测模型。依据相关系数(R)、均方根误差(RMSEC)等模型参数对模型效果进行评价,对比分析确定最佳波段优选方法,得到最优针叶木材基本密度近红外估测模型。【结果】利用CARS、UVE、i PLS的波段优化方法对近红外光谱波段的筛选,可以起到优化针叶木材基本密度模型的作用,减少参与建模的近红外光谱的波段变量数,明显提升模型的运算速度,使得模型准确度更高、稳定性更好;利用间隔偏最小二乘法结合偏最小二乘法(iPLS-PLS)进行波段优选的针叶木材基本密度模型效果最好,其模型校正相关系数为0.938 0,校正均方根误差为0.021 8,验证相关系数为0.8959,验证均方根误差为0.028 0。【结论】基于波段优选及模型优化构建东北林区典型针叶树种基本密度近红外估测模型,可以有效提高运算速度及估测精度,实现针叶材基本密度的快速、准确、无损估测,为针叶木材材性研究和森林培育提供了理论依据与技术支撑,有利于进一步实现木材的高效节约与精细化利用。 相似文献
6.
《中南林业科技大学学报(自然科学版)》2020,(8)
【目的】森林是陆地生态系统的重要组成部分,精确估测森林地上生物量对森林资源的经营管理具有指示作用,对研究全球碳循环具有重要意义。为了改善单一来源遥感数据估测森林地上生物量的不足,探讨了联合高分三号(Gaofen-3,GF-3)全极化(Polarimetric synthetic aperture radar,PolSAR)数据极化分解参数和Landsat-8 OLI数据估测森林地上生物量的可行性,并针对多源遥感数据的冗余问题优化特征组合。【方法】以广西南宁市高峰林场为研究区,结合森林样地调查数据,提取GF-3 PolSAR数据的后向散射系数、极化分解参数和Landsat-8 OLI数据的光谱信息、植被指数、纹理,使用基于序列前向特征选择的K最近邻法(K-nearest neighbor based on sequence forward feature selection,KNN-SFS)估测研究区的森林地上生物量,以留一法交叉验证得到的森林地上生物量预测值和实测值之间的均方根误差(Root mean square error,RMSE)最小为原则,对比验证使用多源遥感数据和单一来源遥感数据时的估测结果,寻求估测森林地上生物量的最优特征组合,基于最优特征组合绘制研究区的森林地上生物量空间分布图。【结果】结合GF-3 PolSAR数据和Landsat-8 OLI数据估测研究区森林地上生物量的精度为RMSE=21.05 t·hm~(-2),R~2=0.75,优于仅使用GF-3 PolSAR数据估测的精度(RMSE=28.38 t·hm~(-2),R~2=0.47)和仅使用Landsat-8 OLI数据估测的精度(RMSE=29.52 t·hm~(-2),R~2=0.42)。【结论】多源数据协同反演森林地上生物量可以提高估测的精度,基于KNN-SFS方法联合GF-3 PolSAR数据与Landsat-8 OLI数据可以较好地估测森林地上生物量。 相似文献
7.
基于高分2号遥感数据估测中亚热带天然林木本植物物种多样性 总被引：2，自引：0，他引：2
【目的】探索高分2号遥感数据与中亚热带天然林木本植物物种Shannon-Wiener多样性指数、Simpson多样性指数和Pielou均匀性指数之间的关系,为森林经营管理和保护策略提供参考。【方法】提取高分2号多光谱数据的原始波段、植被指数、纹理特征和全色波段纹理特征,使用随机森林算法筛选变量并对3种多样性指数进行建模,设置不同纹理提取窗口来寻找最优窗口。【结果】基于随机森林算法的RFE冗余变量去除方法可从众多遥感变量中快速选择对模型精度具有显著贡献的少量变量。多光谱数据3×3窗口纹理特征、全色数据7×7窗口纹理特征和植被指数结合的特征集对3种多样性指数具有较好估测结果,其决定系数(R~2)和均方根误差(RMSE)分别为0.47和0.300(Shannon-Wiener多样性指数)、0.53和0.042 (Simpson多样性指数)、0.61和0.051 (Pielou均匀性指数)。植被指数中类胡萝卜素反射率指数与3种多样性指数具有显著相关关系。【结论】高分2号遥感数据中的植被指数和纹理特征可有效估测研究区森林木本植物物种多样性。类胡萝卜素反射率指数可体现森林中类胡萝卜素相对于叶绿素的含量,在秋冬季节作为反映常绿树种和落叶树种分布的指数,对森林木本植物物种多样性估测具有最大贡献。使用星载遥感数据预测的多样性和均匀性指数分布可有效监测森林木本植物物种多样性变化。 相似文献
8.
《林业科学》2018,(12)
【目的】提出一种基于灰狼算法支持向量机(GWO-SVM)的木材密度预测模型,利用近红外光谱(NIR)对杉木密度进行预测,为杉木性质定量分析提供理论依据。【方法】将109个杉木样品光谱数据和样品密度数据进行归一化,选取88个样品作为训练集、21个样品作为测试集,对2 151维光谱数据提取主成分,以主成分作为输入变量,以杉木样本密度作为输出变量,建立杉木密度多元线性回归(MLR)模型、SVM模型和GWO-SVM模型,采用决定系数(R~2)、均方误差(MSE)和平均绝对百分误差(MAPE)对3种模型的预测结果进行比较分析。【结果】对光谱数据进行主成分分析并选择5个主成分,其累积贡献率达98.7%。MLR模型的R~2为0.771 4,MSE为0.000 282 1,MAPE为3.009 23%; SVM模型的R~2为0.923 8,MSE为0.000 233 1,MAPE为2.794 50%;灰狼算法对SVM进行参数寻优,获得的最优参数分别为C=18.366 6、σ=0.043 3,GWO-SVM模型的R~2为0.919 2,MSE为0.000 183 4,MAPE为2.496 37%。3种模型的平均绝对百分误差均在可接受范围内,且GWO-SVM模型的平均绝对百分误差最小,预测效果最好。【结论】从预测精度分析,GWO-SVM模型明显优于MLR模型和SVM模型;从模型决定系数分析,GWO-SVM模型和SVM模型均优于MLR模型。灰狼算法优化支持向量机结合近红外光谱对杉木密度进行预测分析合理、高效。 相似文献
9.
截形叶螨危害下枣叶片含水率高光谱估测模型 总被引：1，自引：0，他引：1
【目的】叶片含水率是反映植物生长发育状况的重要指标,对其进行实时、快速、准确的动态监测是实施枣园精准灌溉和水分合理利用的重要技术措施,对枣树水肥一体化管理有一定的实用参考价值。【方法】以截形叶螨危害下枣叶片的光谱反射率和叶片含水率数据为基础,分析枣叶片原始光谱反射率和不同微分变换光谱反射率与叶片含水率间的相关关系,分别运用一元线性回归(MLR)、多元线性逐步回归(SMLR)法构建了截形叶螨危害下枣叶片含水率的高光谱估测模型,并以模型拟合度(R~2)为主要依据,结合均方根差(RMSE)和相对均方根差(RE)对模型的稳定性和预测能力进行了检验。【结果】微分数据变换可以有效增强枣叶片光谱与水分含量之间的相关性,其中以一阶微分变换的反射光谱与叶片水分含量间具有最密切的相关性。而在截形叶螨危害下枣叶片含水率的高光谱估测模型中,SMLR模型整体建模效果优于MLR模型,其中以655 nm等7个波段组合的一阶微分光谱敏感波段所构建的SMLR模型的拟合度最好,R~2达到了0.836。【结论】截形叶螨危害下枣叶片光谱反射率对其叶片含水率存在光谱指示波段。因此,利用高光谱技术对其叶片水分状况进行适时监测是可行的,这对该虫害危害后枣叶片水分含量信息的探测和虫害的早期监测及预警均有一定的应用潜力。 相似文献
10.
【目的】传统植被生化组分化学分析法具有破坏性且耗费较多人力物力等缺点,高光谱技术可以为快速无损地估测植被生化组分含量提供有效手段。【方法】利用LOPEX’93数据集,对原始光谱进行了4种光谱变换(一阶微分DR、取倒数1/R、取对数log R、倒数的对数log(1/R)),提取了“三边”参数、光谱指数、全波段光谱指数,并分析它们与叶绿素含量(C＿ab)、干物质含量(LMA)、等效水厚度(EWT)的相关性,将提取的相关性高的光谱特征作为输入变量,分别采用偏最小二乘回归(PLSR)、支持向量机(SVM)、随机森林(RF)建立模型并进行预测,以模型的决定系数R2和均方根误差RMSE作为判定模型优劣的指标。【结果】4种光谱变换中最有效的方式是一阶微分,其中,一阶微分波段D742、D535对C＿ab有较强的光谱响应;D1700、D1229、D2192对LMA具有较高的响应;D1145、D1302、D955 相似文献
11.
【目的】森林蓄积量是衡量森林质量和生长状况的重要指标。利用遥感技术进行森林蓄积量反演相比传统的森林调查能显著提高森林资源调查效率,对快速获取区域范围森林生长状况,进行高效的资源利用和森林经营管理具有重要意义。【方法】以陕西韩城市为研究区,利用森林资源二类调查数据库提取森林蓄积量实测数据,结合Sentinel-2遥感影像进行森林蓄积量反演。通过线性逐步回归法和重要性评价法分别进行变量筛选,构建多元线性回归模型、支持向量机模型、随机森林模型和基于欧式距离、曼哈顿距离和马氏距离构建的kNN模型进行森林蓄积量估测,通过精度评价比较最终选择估测精度最高的模型进行研究区森林蓄积量反演。【结果】1）马氏距离是最适合构建kNN模型的距离度量。基于马氏距离构建的kNN模型在所有模型中实现了最高的估测精度,决定系数R2为0.66,均方根误差RMSE为10.02 m3/hm2,均方根误差相比随机森林模型、支持向量机模型和多元线性回归分别下降了3.9%、7.8%和29.9%;2）非参数模型在森林蓄积量估测中的精度显著优于参数模型。基于马氏距离构建的kNN模型、随机森林模型、支持向量机模型均方根误差相比多元线性... 相似文献
12.
森林地上生物量的多基线InSAR层析估测方法 总被引：2，自引：0，他引：2
《林业科学》2017,(11)
【目的】发展一种森林地上生物量(AGB)的多基线干涉合成孔径雷达(InSAR)层析估测方法,解决热带雨林森林AGB遥感估测常规方法的信号"饱和"问题,为区域及全球森林生物量估测和碳储量研究提供关键技术支撑。【方法】以法属圭亚那巴拉库(Paracou)热带雨林为研究对象,以Tropi SAR 2009 P-波段多基线机载SAR数据和85块样地调查数据为主要数据源。首先,根据HH极化层析相对反射率的三维分布信息提取林下地表高度,对HV极化多基线InSAR数据进行地形相位去除;然后,对HV极化多基线InSAR数据进行三维成像,并对其进行地理编码,得到地理坐标空间层析相对反射率的三维分布信息;最后,利用样地调查数据,分析不同高度处层析相对反射率与森林AGB的相关性,进而建立以层析相对反射率为输入特征的森林AGB估测模型,同时采用留一交叉验证法(LOOCV)对其估测模型进行精度评价。【结果】20 m以下各高度处层析相对反射率与森林AGB呈不同程度的负相关关系,以5 m高度处层析相对反射率与森林AGB的负相关性最强(相关系数达到-0.58);20 m以上各高度处层析相对反射率与森林AGB呈不同程度的正相关关系,以25 m高度处层析相对反射率与森林AGB的正相关性最强(相关系数达到0.63)。采用5 m高度处层析相对反射率构建模型的估测精度为88.44%,均方根误差为49.85 t·hm-2(相对均方根误差为13.56%);采用25 m高度处层析相对反射率构建模型的估测精度为88.82%,均方根误差为47.30 t·hm-2(相对均方根误差为12.87%);同时采用5 m和25 m高度处层析相对反射率联合构建模型的估测结果最优,估测精度为89.17%,均方根误差为46.45 t·hm-2(相对均方根误差为12.63%)。【结论】通过多基线InSAR层析技术得到的层析相对反射率信息有效解决了热带雨林森林AGB遥感估测常规方法的信号"饱和"问题。采用5 m和25 m高度处层析相对反射率可反演得到高精度的森林AGB,表明多基线InSAR层析技术得到的特定高度处层析相对反射率对热带雨林森林AGB具有良好的指示作用;同时利用5 m和25 m高度处层析相对反射率进行联合估测可进一步提高森林AGB的估测精度,说明充分利用不同层次的森林垂直结构信息可进一步提高复杂森林空间结构条件下的森林AGB估测精度。 相似文献
13.
[目的 ]以2016年9月广西壮族自治区高峰林场实验区获取的机载LiDAR点云数据为基础,通过提取30 m×30 m空间林分尺度下的LiDAR点云特征变量实现对林分平均高的估测。[方法 ]首先将105块实测林分平均高度的样地数据按照3:1的比例随机划分为训练样本(79)和检验样本(26),采用随机森林回归(RFR)和支持向量回归(SVR)两种机器学习算法对79个训练样本与对应的林分LiDAR点云特征变量回归建模。建模方案包括随机森林模型、支持向量机模型及随机森林+支持向量机组合模型。其次利用26个检验样本数据评价模型预测精度。最后统计3个模型中训练样本和检验样本对应的精度评价指标,以一个预测精度高、泛化能力强的模型作为最终模型进行林分平均高制图。[结果 ]表明:随机森林模型的训练样本和检验样本的决定系数(R2)分别为0.886 1和0.837 5,均方根误差(RMSE)分别为1.22和1.56;支持向量机模型的训练样本和检验样本的决定系数(R2)分别为0.886 4和0.840 9,均方根误差(RMSE)分别为1.21和1.54;组合模型的训练样本和检验样本的决定系数(R2)分别为0.859 8和0.853 2,均方根误差(RMSE)分别为1.35和1.48;[结论 ]组合模型的泛化能力及预测精度最好,支持向量机次之,最后为随机森林。利用组合模型可有效完成研究区林分平均高制图。 相似文献
14.
《林业科学》2021,57(1)
【目的】利用近红外光谱分析技术,提出一种基于人工蜂群算法优化支持向量机(ABC-SVM)的木材弹性模量预测模型,为木材弹性模量无损预测提供科学参考。【方法】以294个杉木样本为试验材料,采用常规力学方法测量样本弹性模量,采集样本近红外漫反射光谱,选择350～2 500 nm光谱段,对原始数据进行15步指数平滑和一阶导数预处理,并利用主成分分析降维处理后的数据,建立偏最小二乘回归(PLS)模型、支持向量机回归(SVR)模型和人工蜂群算法优化支持向量机(ABC-SVM)模型预测杉木弹性模量,采用决定系数(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)对所建模型进行对比分析。【结果】PLS模型的R2为0.726 700、RMSE为6.744 9、MAPE为0.063 5、MAE为5.065 6; SVR模型的R2为0.935 305、RMSE为3.528 1、MAPE为0.023 7、MAE为1.840 9;将人工蜂群算法用于SVM参数寻优,获得的最优参数c=5.670 51、g=0.031 25,ABC-SVM模型的R2为0.935 371、RMSE为3.526 0、MAPE为0.023 7、MAE为1.840 0。3种模型均可对杉木弹性模量进行有效预测。【结论】1)根据决定系数(R2),SVR和ABC-SVM模型的预测性能优于PLS模型,ABC-SVM模型的预测性能最佳; 2)根据均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE),3种模型的MAPE均在可接受范围内,ABC-SVM模型关于误差的各项指标均最小,基于ABC-SVM模型预测杉木弹性模量高效、科学。 相似文献
15.
【目的】点云密度是影响机载激光雷达数据获取和预处理成本的关键因素,探明点云密度对森林参数估测精度的影响,为机载激光雷达大区域森林调查监测应用技术方案的优化提供参考依据。【方法】基于我国广西一个亚热带山地丘陵区域获取的机载激光雷达和样地数据,通过系统稀疏方法,将全密度点云(4.35点·m-2)分别稀疏至4.0、3.5、3.0、2.5、2.0、1.5、1.0、0.5、0.2和0.1点m-2,得到11个样地尺度的点云数据集,包括1个全密度和10个稀疏密度点云数据集;应用配对样本t检验方法,分析4种森林类型(杉木林、松树林、桉树林和阔叶林)中稀疏密度点云和全密度点云之间12个激光雷达变量的差异;通过变量和结构固定的多元乘幂模型式,分别采用不同密度点云数据集对林分蓄积量(VOL)和断面积(BA)进行估测,比较模型优度统计指标决定系数(R2)、相对均方根误差(rRMSE)和平均预估误差(MPE)的差异,并应用t检验方法分析稀疏密度点云VOL和BA估测值均值和全密度点云相应估测值均值的差异。【结果】1)点云密度较低时,稀疏密度点云分位... 相似文献
16.
《中南林业科技大学学报(自然科学版)》2019,(11)
准确估算森林碳密度是研究森林生态系统的核心。基于Matlab工作平台,以森林资源连续清查(湖南省第七次复查)及同期Landsat 8影像为本底,建立非线性回归模型、RF随机森林模型和RBF径向基神经网络模型进行森林碳密度反演。结果表明:RBF神经网络精度最高,决定系数为0.96,均方根误差为1.33 t·hm-2,很好的拟合了样地实测碳密度;RF随机森林优于非线性回归模型,拟合精度、均方根误差分别为0.91、2.50 t·hm-2;非线性回归模型精度最低,决定系数和均方根误差分别为:0.62、3.87 t·hm-2。故应用RBF神经网络对森林碳密度的反演具有很好的效果。 相似文献
17.
森林生物量的定量估算为全球碳储量循环及气候变化研究提供了重要的参考依据。以肇庆市马尾松生物量为研究对象,基于SPOT-7影像数据,提取出单波段、波段比值、纹理特征、地形等因子并进行优选,对优选后的变量因子进行分组,生成光谱特征、纹理特征、光谱和纹理特征相结合的3种自变量集,采用偏最小二乘回归法和3种自变量集构建马尾松生物量估测模型并进行优选。结果显示:基于光谱特征构建的马尾松生物量估测模型的决定系数R2为0.81,均方根误差为15.30 t/hm2,误差平均值为-5.65 t/hm2,总预报偏差的相对误差为9.30%;基于纹理特征构建的马尾松生物量估测模型的决定系数R2为0.84,均方根误差为15.69 t/hm2,误差平均值为-4.73 t/hm2,总预报偏差的相对误差为7.78%;基于光谱和纹理特征相结合构建的马尾松生物量估测模型的决定系数R2为0.83,均方根误差为15.24 t/hm2,误差平均值为-5.27 t/hm2,总预报偏差的相对误差为8.67%。由此可知,基于纹理特征构建的马尾松生物量模型要好于其他两种方法,估算精度更高。 相似文献
18.
基于多源遥感的森林地上生物量KNN-FIFS估测 总被引：2，自引：0，他引：2
【目的】针对多源遥感数据及其派生特征因子数据维度高、信息冗余、易造成估测模型过拟合等问题,从高维度遥感特征因子中高效优化特征组合,优化区域森林地上生物量(AGB)的k最近邻(k-NN)估测模型。【方法】提出基于快速迭代特征选择的k最近邻法(KNN-FIFS),以森林资源样地调查数据计算的森林AGB为参考,以留一法交叉验证(LOO)相应的k-NN模型反演的森林AGB均方根误差(RMSE)最小为原则,依次迭代选取遥感特征,优化区域森林AGB的k-NN估测模型。以大兴安岭根河森林保护区为研究区,结合Landsat-8 OLI各波段光谱信息、植被指数、纹理、地形因子、机载合成孔径雷达(SAR)P-波段HV极化后向散射强度信息(PHV)以及森林资源样地调查数据,利用KNN-FIFS方法估测研究区森林AGB,并与多元线性逐步回归法(SMLR)进行对比分析。【结果】利用KNN-FIFS方法,得到当k为3,特征组合为PHV、短波红外波段一均一性(H6)、短波红外波段一二阶矩(S6)、短波红外波段二二阶矩(S7)、海蓝波段相关性(Cr1)、近红外波段相关性(Cr5)、海蓝波段相异性(D1)、增强型植被指数(EVI)时,研究区森林AGB估测结果最优,其精度(R~2=0.77,RMSE=22.74 t·hm~(-2))显著优于SMLR估测精度(R~2=0.53,RMSE=32.37 t·hm~(-2))。【结论】KNN-FIFS方法相比SMLR更适用于森林AGB多源遥感估测;KNN-FIFS方法可以从高维度遥感特征因子中高效选取相关特征进行森林AGB估测。 相似文献
19.
【目的】毛竹叶片小、易卷曲的特点增加了叶面积测量的难度和测量误差,本研究旨在建立快速、便捷、准确测量毛竹叶片面积的模型。【方法】采集7个省份的毛竹叶片,对毛竹叶片形态进行分类,利用叶长、叶宽数据和扫描所得实际叶面积进行建模,并采用均方根误差、卡方、赤池信息量准则和预测精度检验模型的精度,同时与叶面积仪测定结果进行精度比较。【结果】1)根据长宽比,毛竹叶片可以分为3类,分别是类三角形叶片(长宽比≤7.2)、长椭圆叶片(7.2长宽比≤8.3)和细长条叶片(长宽比8.3); 2)对毛竹叶面积和叶形态学指标的相关分析显示,叶片长度与宽度的积对叶面积影响最大,相关系数为0.993; 3)建立以叶片长宽积为自变量的叶形分类拟合模型,其决定系数为0.990 1、均方根误差为0.159 6、卡方值为10.368 1、赤池信息量准则为-6 317.10、预测精度为97.73%,其预测结果最佳,优于叶形不分类的整体拟合和叶面积仪测量结果。【结论】基于叶片形态分类的毛竹叶面积拟合模型仅需测定叶片的长和宽,便可准确预测叶片面积,其精度不但优于叶面积仪与整体拟合结果,而且测量过程快速、便捷。该模型可解决长期困扰的毛竹叶片面积测量难题。 相似文献
20.
量化森林碳储量对森林经营者的正确决策至关重要。本文以湖南省桃江县为研究区,根据2013年森林资源一类调查数据和Landsat 8遥感影像,建立多元逐步回归、偏最小二乘回归和径向基函数神经网络模型,开展碳储量的估测方法比较。结果表明:三种方法中,径向基函数神经网络模型估测森林碳储量效果最好,决定系数达到0.645,相对均方根误差为15.582 t·hm~(-2);其次为偏最小二乘回归模型,决定系数和相对均方根误差分别为0.511和17.135 t·hm~(-2);多元逐步回归模型精度最低,决定系数和相对均方根误差分别为0.431和18.105 t·hm~(-2)。径向基函数神经网络模型反演的研究区森林碳储量分布图表明,海拔高的地方碳储量较大,城区碳储量较小,与实际植被分布情况一致。 相似文献