本文選題：隨機(jī)森林 + 遙感反演�。� 參考：《光譜學(xué)與光譜分析》2017年07期

【摘要】：森林蓄積量是林分調(diào)查中重要因子,是評(píng)價(jià)森林?jǐn)?shù)量和質(zhì)量的重要指標(biāo)。傳統(tǒng)森林蓄積量實(shí)測方法耗時(shí)費(fèi)力、效率低下,多元線性回歸遙感反演方法精度較低,難以達(dá)到精準(zhǔn)林業(yè)要求。機(jī)器學(xué)習(xí)是一種利用訓(xùn)練數(shù)據(jù),進(jìn)行自我改進(jìn)、自動(dòng)提升性能的方法,可以任意逼近非線性系統(tǒng),提高模型預(yù)測精度。以鷲峰林場森林為研究對(duì)象,綜合考慮影像光譜因子、紋理因子、地形因子,采用機(jī)器學(xué)習(xí)中的BP神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(jī)、隨機(jī)森林方法構(gòu)建了森林蓄積量多光譜估測模型BP-FSV,LSSVM-FSV和RF-FSV,并在Matlab2014a中編程實(shí)現(xiàn)。旨在從建模因子選擇和模型方法建立兩個(gè)方面,優(yōu)化建模因子特征提取,提高森林蓄積量模型預(yù)測精度。以角規(guī)觀測樣地實(shí)測數(shù)據(jù)、森林小班二類調(diào)查數(shù)據(jù)、林相圖數(shù)據(jù)為基礎(chǔ),使用以上三種模型結(jié)合Landsat8OLI多光譜數(shù)據(jù)分林型進(jìn)行了森林蓄積量反演建模預(yù)測。以決定系數(shù)R2和均方根誤差RMSE為指標(biāo),分析了三種反演模型的訓(xùn)練能力和預(yù)測能力。研究結(jié)果表明:利用3種機(jī)器學(xué)習(xí)方法構(gòu)建的結(jié)合光譜因子、地形因子、紋理因子反演模型能夠提高森林蓄積量的預(yù)測精度。以上模型中,RF-FSV模型在針、闊、混三種林型中都表現(xiàn)出較強(qiáng)的預(yù)測能力,高于BP-FSV模型,高于或接近于LSSVM-FSV模型。RF-FSV模型在訓(xùn)練階段,R2和RMSE針葉林中為0.839和13.953 3,闊葉林中為0.924和7.634 1,混交林中為0.902和12.153 9,預(yù)測階段R2和RMSE在針葉林中為0.816和15.630 1,闊葉林中為0.913和4.890 2,混交林中為0.865和9.344 1。RF-FSV模型建模精度和預(yù)測精度較高,為森林蓄積量遙感反演估測提供了一種新的方法。
[Abstract]:Forest storage is an important factor in the forest survey. It is an important index to evaluate the quantity and quality of forest. The method of measuring the traditional forest accumulation is time-consuming, inefficient, and the precision of the multi linear regression remote sensing inversion method is low. It is difficult to meet the requirements of precision forestry. Machine learning is a kind of use of training data for self improvement and automatic extraction. The method of lifting performance can approximate the nonlinear system arbitrarily and improve the prediction precision of the model. Taking the Jiufeng Forest as the research object, the image spectral factor, the texture factor and the terrain factor are taken into consideration, the BP neural network in machine learning, the least squares support vector machine and the random forest method are used to construct the forest accumulation multispectral estimation model. Type BP-FSV, LSSVM-FSV and RF-FSV, and programmed in Matlab2014a. The aim is to establish two aspects of modeling factor selection and model method, optimize the feature extraction of modeling factor and improve the prediction accuracy of forest storage volume model. The model combined with the Landsat8OLI multi spectral data partition model to predict the forest storage volume inversion modeling. The training ability and prediction ability of the three inversion models are analyzed with the decision coefficient R2 and the mean square root error RMSE as the index. The results show that the combined spectral factors, terrain factors and texture factors are constructed by using the 3 machine learning methods. The sub inversion model can improve the prediction precision of forest storage. In the above model, the RF-FSV model shows strong predictive ability in the three kinds of forest types, which are higher than BP-FSV model, higher or closer to the LSSVM-FSV model.RF-FSV model in the training stage, R2 and RMSE needle Ye Linzhong are 0.839 and 13.9533, and the broad-leaved forest is 0.924 and 7.634. 1, the mixed forest is 0.902 and 12.1539, the prediction stage R2 and RMSE are 0.816 and 15.6301 in the coniferous forest, the broad-leaved forest is 0.913 and 4.8902, the modeling precision and the prediction precision of the mixed forest for 0.865 and 9.344 1.RF-FSV models are high, which provides a new method for forest storage volume remote sensing inversion estimation.

【作者單位】： 北京林業(yè)大學(xué)精準(zhǔn)林業(yè)北京市重點(diǎn)實(shí)驗(yàn)室;平頂山學(xué)院旅游與規(guī)劃學(xué)院;中國礦業(yè)大學(xué)(北京)地球科學(xué)與測繪工程學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(41371001) 北京市科技專項(xiàng)項(xiàng)目(Z151100001615096) 北京林業(yè)大學(xué)青年教師科學(xué)研究中長期項(xiàng)目(2015ZCQ-LX-01)資助
【分類號(hào)】：S758.51;TP79

【相似文獻(xiàn)】

相關(guān)期刊論文 前6條

1 張友靜,方有清,陳欽巒;南方山地森林蓄積量遙感估算研究[J];國土資源遙感;1993年02期

2 張友靜,方有清;K-T變換的林學(xué)意義及其在森林蓄積量估算中的應(yīng)用[J];環(huán)境遙感;1992年03期

3 鄭剛;彭世揆;戎慧;李楊;王妮;;基于KNN方法的森林蓄積量遙感估計(jì)和反演概述[J];遙感技術(shù)與應(yīng)用;2010年03期

4 ;國內(nèi)[J];節(jié)能與環(huán)保;2011年04期

5 趙憲文,李崇貴,斯林,田永林,袁凱先;森林資源遙感估測的重要進(jìn)展[J];中國工程科學(xué);2001年08期

6 ;[J];;年期

相關(guān)會(huì)議論文 前3條

1 董斌;;基于改進(jìn)的電子經(jīng)緯儀五重同心圓技術(shù)測定森林蓄積量[A];第十三屆華東六省一市測繪學(xué)會(huì)學(xué)術(shù)交流會(huì)論文集[C];2011年

2 琚存勇;蔡體久;;用泛化BP神經(jīng)網(wǎng)絡(luò)估算森林蓄積量的應(yīng)用研究[A];中國生態(tài)學(xué)會(huì)2006學(xué)術(shù)年會(huì)論文薈萃[C];2006年

3 范鳳云;陳爾學(xué);李世明;;ALOS PALSAR極化數(shù)據(jù)對(duì)山區(qū)森林蓄積量的敏感性評(píng)價(jià)[A];第二屆中國林業(yè)學(xué)術(shù)大會(huì)——S3 森林經(jīng)理與林業(yè)信息化的新使命論文集[C];2009年

相關(guān)重要報(bào)紙文章 前5條

1 記者 林琳;森林蓄積量達(dá)497萬立方米[N];自貢日?qǐng)?bào);2010年

2 本報(bào)記者 周麗燕;30年來—— 全國參加義務(wù)植樹127億人次 植樹589億株[N];人民政協(xié)報(bào);2011年

3 記者 王國忠 彭曉和;市領(lǐng)導(dǎo)帶頭參加春季義務(wù)植樹[N];撫順日?qǐng)?bào);2006年

4 田宜龍;我省森林蓄積量八年增加兩倍[N];河南日?qǐng)?bào);2008年

5 朱景榮;塔河森林覆蓋率森林蓄積量雙增長[N];黑龍江日?qǐng)?bào);2011年

相關(guān)博士學(xué)位論文 前3條

1 張彥林;基于3S技術(shù)的山東省森林蓄積量定量估測研究[D];北京林業(yè)大學(xué);2008年

2 楊永恬;基于多源遙感數(shù)據(jù)的森林蓄積量估測方法研究[D];中國林業(yè)科學(xué)研究院;2010年

3 王雪軍;基于多源數(shù)據(jù)源的森林資源年度動(dòng)態(tài)監(jiān)測研究[D];北京林業(yè)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 劉海清;森林蓄積量遙感估測的應(yīng)用研究[D];西安科技大學(xué);2009年

2 豐德恩;森林蓄積量遙感定量估測系統(tǒng)研發(fā)[D];西安科技大學(xué);2012年

3 涂云燕;森林蓄積量遙感估測研究[D];北京林業(yè)大學(xué);2013年

4 劉天龍;濟(jì)南市森林蓄積量遙感監(jiān)測研究[D];山東師范大學(xué);2015年

5 漢卿;森林蓄積量的支持向量機(jī)估測理論方法研究[D];西安科技大學(xué);2014年

6 馬俊紅;森林蓄積量遙感估測的研究[D];新疆大學(xué);2008年

7 鄭剛;基于KNN法的森林蓄積量的遙感估計(jì)和反演[D];南京林業(yè)大學(xué);2009年

8 范鳳云;基于機(jī)載LiDAR和極化SAR數(shù)據(jù)的山區(qū)森林蓄積量估測方法研究[D];中國林業(yè)科學(xué)研究院;2010年

9 張騰飛;基于eCognition分類的森林蓄積量估測研究[D];西安科技大學(xué);2012年

10 于寶義;基于GIS和高分辨率遙感的森林蓄積量定量估測核心算法研究[D];西安科技大學(xué);2013年

，

本文編號(hào)：1813935