联合Sentinel-1和Sentinel-2数据反演森林蓄积量
为明确遥感数据源及机器学习模型对森林蓄积量估测的影响,从而提高区域森林蓄积量估测精度.本文以内蒙古旺业甸林场38个落叶松样地与43个油松样地外业调查数据为基础,提取Senitnel-1和Sentinel-2影像光谱和极化等遥感特征信息.根据不同特征组合分别建立支持向量机回归(Support Vector Regression,SVR)、k最近邻(k-NearestNeighbor,kNN)、多层感知器(Multi-Layer Neural Network,MLP)及多元线性回归(Multiple Linear Regression,MLR)4种蓄积量反演模型,并对模型结果进行精度验证与比较.结果表明:(1)与单一数据源相比,联合Sentinel-1与Sentinel-2数据有助于提高森林蓄积量反演精度(油松蓄积量反演R2提高0.08,RMSE提高10.28 m3·hm?2;落叶松蓄积量反演R2提高0.05,RMSE提高4.51 m3·hm?2);(2)与MLP和MLR模型相比,SVR与kNN模型的蓄积量反演效果较好.其中,SVR模型在油松蓄积量反演效果最佳(R2=0.84,RMSE=44.58 m3·hm?2);kNN模型在落叶松蓄积量反演精度最高(R2=0.74,RMSE=41.41 m3·hm?2).联合Sentinel-1与Sentinel-2多源数据的机器学习方法可获得较高的蓄积量反演精度,可期为区域尺度森林蓄积量遥感反演提供理论支持与可行方案.
森林蓄积量、多源遥感数据、机器学习、估测模型、旺业甸林场
43
S791.22;P631.325;P412.25
国家重点研发计划2017YFD0600900
2022-05-12(万方平台首次上网日期,不代表论文的发表时间)
共10页
71-80