森林生物量的估算對于全球碳平衡和環(huán)境保護至關重要。通過遙感等手段提取與森林生物量相關的單波段特征、植被指數、紋理特征、地形因子等特征參數,特征數量往往較多,影響預測精度。通過特征選擇,可以有效的較少遙感估測森林生物量過程中的特征冗余,在一定程度上較少了誤差的傳遞,為遙感反演提供一定的借鑒意義。本文提出了一種后向迭代的隨機森林（RF-RFE）特征選擇方法,即利用隨機森林算法計算特征重要度,采用后向迭代的方法逐步簡化特征參數。本文以內蒙古大興安嶺地區(qū)的激流河林場為研究區(qū)域,以實驗區(qū)2012年資源三號遙感影像和森林資源三類調查的樣地數據為數據源,對數據進行預處理后,實現了森林類型的識別,然后使用RF-RFE算法分別對未分類和分類后的數據進行特征選擇分析,與逐步回歸分析、支持向量機等常見模型進行對比分析和精度評估。主要研究內容及結果如下:（1）內蒙古大興安嶺激流河林場樣地生物量的計算利用2012年12月的大興安嶺三類調查數據中的林種,樹種組成,公頃蓄積,小班面積等數據,通過查閱相關文獻使用生物量轉換因子連續(xù)函數法計算,最終獲取87樣地的生物量真實值。（2）結合紋理特征的森林類型識別結合紋理特征... 

【文章來源】：山東農業(yè)大學山東省

【文章頁數】：60 頁

【學位級別】：碩士

【部分圖文】：

RF-RFE算法流程圖

圖 2 激流河林場位置圖Fig.2 Mount Tai Scenic figure嘎林區(qū)是內蒙古大興安嶺生態(tài)功能區(qū)的重要組成部分，東西寬 9公里，總面積 5797 平方公里，是內蒙古大興安嶺生態(tài)功能區(qū)的重丘陵，坡度一般在 15°以下，海拔在 450 米-1404.7 米之間。區(qū)壤土、地帶性棕色針葉林土。 莫爾道嘎林區(qū)地處寒溫帶，屬大季氣溫差異較大，冬寒多雪、夏溫多雨，年降水量在 414 毫米-

積 1131平方公里，落葉松、白樺是林場的主要樹種。 數據來源.1 樣地數據資料在森林生物量估算的過程中，首先利用樣地數據訓練估算模型，樣地數據采2012 年 12 月的大興安嶺三類調查數據。樣地的選取綜合考慮了地域分布、立齡組結構等因素以確保樣本具有充分的代表性，調查樹種有落葉松和白樺。調查因子包括：權屬，林種，林分起源，樹種組成，平均年齡，郁閉度，平平均樹高，公頃株數，公頃蓄積，小班面積，立地因子以及災害情況等。在的三類調查數據中，通過樣地位置和樣地仔細的篩選得到 2012 年的樣地數2 年的樣地數據中包含采伐小班 87 個、集材主道 58 個、楞場 1 個、號外支共 150個；其中采伐小班可直接用于樣地生物量計算。

【參考文獻】：
期刊論文
[1]基于SVM-RFE-BPSO算法的特征選擇方法[J]. 林俊,許露,劉龍.  小型微型計算機系統(tǒng). 2015(08)
[2]利用隨機森林的城區(qū)機載LiDAR數據特征選擇與分類[J]. 孫杰,賴祖龍.  武漢大學學報(信息科學版). 2014(11)
[3]基于紋理信息的Landsat-8影像植被分類初探[J]. 寧亮亮,張曉麗.  中南林業(yè)科技大學學報. 2014(09)
[4]基于隨機森林的不平衡特征選擇算法[J]. 尹華,胡玉平.  中山大學學報(自然科學版). 2014(05)
[5]基于隨機森林回歸算法的水生態(tài)文明綜合評價[J]. 崔東文,金波.  水利水電科技進展. 2014(05)
[6]大興安嶺地區(qū)南北部幼中齡林碳儲量研究[J]. 孟曉清,劉琪璟,陶立超,鄧留寶,李衛(wèi)軍,溫志勇.  中南林業(yè)科技大學學報. 2014(06)
[7]資源三號衛(wèi)星在軌幾何檢校地面靶標鋪設關鍵技術初探[J]. 王峰,宋尚萍,孟凡冬,向元佳,王偉華.  測繪與空間地理信息. 2013(07)
[8]隨機森林模型在分類與回歸分析中的應用[J]. 李欣海.  應用昆蟲學報. 2013(04)
[9]塔里木河下游胡楊（Populus euphratica）地上生物量估測[J]. 董道瑞,李霞,萬紅梅,林海軍.  中國沙漠. 2013(03)
[10]基于隨機蕨叢的長期目標跟蹤算法[J]. 佟國峰,蔣昭炎,谷久宏,龐曉磊.  東北大學學報(自然科學版). 2013(01)

博士論文
[1]特征選擇及半監(jiān)督分類方法研究[D]. 黃東山.華中科技大學 2011
[2]基因表達數據挖掘若干關鍵技術研究[D]. 蔡瑞初.華南理工大學 2010
[3]基于最小化訓練誤差的子空間分類算法研究[D]. 沈道義.中國科學技術大學 2008

碩士論文
[1]基于決策樹算法的研究及其在煤層底板突水中的應用[D]. 杜春蕾.太原理工大學 2015
[2]基于SVM-RFE和粒子群算法的特征選擇算法研究[D]. 許露.湖南師范大學 2014
[3]隨機森林改進的若干研究[D]. 李貞貴.廈門大學 2013
[4]螺紋鋼期貨價格影響因素的實證分析[D]. 章志杰.蘇州大學 2014
[5]東江湖區(qū)域公益林主要生態(tài)功能研究[D]. 李廣軍.中南林業(yè)科技大學 2013
[6]證券投資管理中收益率的預測方法研究[D]. 耿麗君.中南大學 2013
[7]基于遺傳算法的混合特征選擇方法研究[D]. 王娜.陜西師范大學 2012
[8]基于支持向量機的特征選擇算法研究[D]. 嚴康.大連理工大學 2010
[9]SVM-RFE算法在數據分析中的應用[D]. 盧運梅.吉林大學 2009
[10]隨機森林的特征選擇和模型優(yōu)化算法研究[D]. 雍凱.哈爾濱工業(yè)大學 2008



本文編號：3548583