10.3969/j.issn.1006-8023.2023.06.017
基于集成学习和Sentinel-2的落叶松毛虫虫害区识别
为实现快速、高效地监测落叶松毛虫(Dendrolimus superans)虫害爆发状况,以黑龙江省乡南经营所林场 8 林班为研究区,以 2018 年Sentinel-2 遥感影像为数据源,对该林班的落叶松毛虫虫害区进行识别.提取预处理后影像的原始光谱特征(8 个)、光谱指数特征(12 个)与纹理特征(8 个),基于方差分析(Analysis of Variance,ANOVA)与极度梯度提升(eXtreme Gradient Boosting,XGBoost)分类器对上述特征降维并按重要性排序,通过集成学习分类算法(随机森林分类器和XGBoost分类器)进行虫害区识别和精度比较.研究结果表明,1)应用重要性前 14 位特征的XGBoost模型对虫害区识别的表现最为理想,总体分类精度为 95%(Kappa系数为 86%),高于随机森林分类器的 93%(应用重要性前 10 的特征);2)重要性前 14 的特征名称由大到小为EVI1、Mean、MTCI、GNDVI、Variance、B4、B2、Homogeneity、B3、CRI1、EVI2、B8、B5 和CRE.研究结果可实现落叶松毛虫虫害区的高效识别,为东北林区的虫害防治决策制定提供依据.
落叶松毛虫、集成学习、Sentinel-2、遥感、XGBoost
39
S763;S763.42+1(森林保护学)
国家自然科学基金31870537
2023-11-27(万方平台首次上网日期,不代表论文的发表时间)
共9页
147-155