發(fā)布時(shí)間：2021-11-23 00:21

　　[目的 ]以2016年9月廣西壯族自治區(qū)高峰林場(chǎng)實(shí)驗(yàn)區(qū)獲取的機(jī)載LiDAR點(diǎn)云數(shù)據(jù)為基礎(chǔ),通過(guò)提取30 m×30 m空間林分尺度下的LiDAR點(diǎn)云特征變量實(shí)現(xiàn)對(duì)林分平均高的估測(cè)。[方法 ]首先將105塊實(shí)測(cè)林分平均高度的樣地?cái)?shù)據(jù)按照3:1的比例隨機(jī)劃分為訓(xùn)練樣本（79）和檢驗(yàn)樣本（26）,采用隨機(jī)森林回歸（RFR）和支持向量回歸（SVR）兩種機(jī)器學(xué)習(xí)算法對(duì)79個(gè)訓(xùn)練樣本與對(duì)應(yīng)的林分LiDAR點(diǎn)云特征變量回歸建模。建模方案包括隨機(jī)森林模型、支持向量機(jī)模型及隨機(jī)森林+支持向量機(jī)組合模型。其次利用26個(gè)檢驗(yàn)樣本數(shù)據(jù)評(píng)價(jià)模型預(yù)測(cè)精度。最后統(tǒng)計(jì)3個(gè)模型中訓(xùn)練樣本和檢驗(yàn)樣本對(duì)應(yīng)的精度評(píng)價(jià)指標(biāo),以一個(gè)預(yù)測(cè)精度高、泛化能力強(qiáng)的模型作為最終模型進(jìn)行林分平均高制圖。[結(jié)果 ]表明:隨機(jī)森林模型的訓(xùn)練樣本和檢驗(yàn)樣本的決定系數(shù)（R2）分別為0.886 1和0.837 5,均方根誤差（RMSE）分別為1.22和1.56;支持向量機(jī)模型的訓(xùn)練樣本和檢驗(yàn)樣本的決定系數(shù)（R2）分別為0.886 4和0.840 9,均方根誤差（RMSE）分別為1.21和1.54;組合模型的訓(xùn)練樣本和檢驗(yàn)樣本的決定系數(shù)（R2）分別為0.... 

【文章來(lái)源】：林業(yè)科學(xué)研究. 2020,33(04)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)載激光雷達(dá)的落葉松組分生物量反演[J]. 洪奕豐,張守攻,陳偉,陳東升,項(xiàng)偉波,龐勇.  林業(yè)科學(xué)研究. 2019(05)
[2]機(jī)載激光雷達(dá)森林垂直結(jié)構(gòu)剖面參數(shù)的沿海平原人工林林分特征反演[J]. 劉浩,張崢男,曹林.  遙感學(xué)報(bào). 2018(05)
[3]基于ArboLiDAR的大野口林區(qū)森林參數(shù)估測(cè)[J]. 高婷,李衛(wèi)忠,趙鵬祥,張曉麗,高凌寒.  西北林學(xué)院學(xué)報(bào). 2017(04)
[4]隨機(jī)森林算法在機(jī)載LiDAR數(shù)據(jù)林分平均樹(shù)高估算中的應(yīng)用研究[J]. 魯林,周小成,余治忠,韓尚,汪小欽.  地球信息科學(xué)學(xué)報(bào). 2016(08)
[5]基于機(jī)載LiDAR數(shù)據(jù)的林分平均高及郁閉度反演[J]. 穆喜云,張秋良,劉清旺,龐勇,胡凱龍.  東北林業(yè)大學(xué)學(xué)報(bào). 2015(09)
[6]基于機(jī)載激光雷達(dá)的寒溫帶典型森林高度制圖研究[J]. 穆喜云,張秋良,劉清旺,龐勇,胡凱龍.  北京林業(yè)大學(xué)學(xué)報(bào). 2015(07)
[7]基于機(jī)載激光雷達(dá)與Landsat 8 OLI數(shù)據(jù)的亞熱帶森林生物量估算[J]. 徐婷,曹林,申鑫,佘光輝.  植物生態(tài)學(xué)報(bào). 2015(04)
[8]長(zhǎng)白落葉松單木參數(shù)與生物量機(jī)載LiDAR估測(cè)[J]. 劉峰,譚暢,張貴,劉京軒.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2013(09)
[9]點(diǎn)云密度對(duì)機(jī)載激光雷達(dá)林分高度反演的影響[J]. 龐勇,李增元,譚炳香,劉清旺,趙峰,周淑芳.  林業(yè)科學(xué)研究. 2008(S1)
[10]機(jī)載激光雷達(dá)平均樹(shù)高提取研究[J]. 龐勇,趙峰,李增元,周淑芳,鄧廣,劉清旺,陳爾學(xué).  遙感學(xué)報(bào). 2008(01)



本文編號(hào)：3512735