Estimation of Forest Aboveground Biomass in Linhai based on Sentinel Data
-
摘要: 为探究多源数据融合以及机器学习方法在森林地上生物量(Above-ground Biomass,AGB)的估测潜力, 分析影响不同林分AGB 的主要因素,以浙江省台州市临海市为研究区,提取Sentinel-2 光学遥感影像的光谱信息、 植被指数、纹理特征因子和Sentinel-1 SAR 的后向散射系数,融合森林资源二类调查数据和数字高程模型数据, 基于递归特征消除的特征选择方法筛选主要特征,基于随机森林(Random Forest, RF)、自适应提升(AdaBoost) 法和类别提升(CatBoost)法三种方法建立不同林分AGB 估测模型,以决定系数(R-squared, R?)、均方根误差 (Root Mean Square Error, RMSE)来评估模型性能。结果表明,从特征组合来看,集成光学遥感、雷达遥感、地 形因子及二类调查数据能够更全面地利用多源数据的信息,有效提高森林AGB 的估测精度;递归特征消除法降 低了模型的复杂度,消除了自变量之间的共线性,能在保持甚至提高模型估测精度的前提下,加快模型训练速度; 从6 种林分的AGB 的估测结果来看,6 种林分的AGB 的主要影响因素与个数不尽相同,这也缘于不同树种有不 同生物学和生态学特点,当然有3 个因子是共同的,即年龄、郁闭度和海拔;3 种算法中,CatBoost 优于RF,RF 优于AdaBoost,CatBoost 方法的性能指标为:阔叶混交林R2=0.78,RMSE=7.26 t·hm-2;针阔混交林R2=0.72, RMSE=11.94 t·hm-2;针叶混交林R2=0.60,RMSE=12.65 t·hm-2;其他硬阔林R2=0.82,RMSE=9.22 t·hm-2;马尾松 林R2=0.74,RMSE=10.12 t·hm-2;杉木林R2=0.75,RMSE=8.93 t·hm-2;基于RFE 的CatBoost 的方法模型总体平均 估测精度(P)超过80%。以上结果表明,Sentinel 光学影像与SAR 融合可以为森林AGB 估测提供更多有效的特 征因子;递归特征消除法结合CatBoost 方法用于区域尺度上森林AGB 的估测,精度更高,且能有效降低模型复 杂度,加快训练速度;不同林分的AGB 的主要影响因素与个数不尽相同,但年龄、郁闭度、海拔3 个因素是它 们的共同影响因素。
-
关键词:
- 森林地上生物量 /
- Sentinel-1 /
- Sentinel-2 /
- 随机森林 /
- 自适应提升法 /
- 类别提升法 /
- 递归特征消除法
Abstract: Forest above-ground biomass (AGB) in Linhai city, Taizhou city, Zhejiang province was estimated with vegetation indexes, texture feature factors of Sentinel-2 optical remote sensing data during late October and mid November of 2017, and backscattering coefficient of Sentinel-1 SAR. Moreover, the inventory data for forest management survey in 2017 and digital elevation model data were integrated. Based on Random Forest (RF), Adaptive Boosting (AdaBoost) and Category Boosting (CatBoost) methods, AGB estimation models of 6 forest types in Lin’an were established. The coefficient of determination (R2) and root mean squared error (RMSE) are used to evaluate the performance of the models. The results show that CatBoost is better than RF and AdaBoost. The performance indexes generated by CatBoost are: R?=0.78, RMSE=7.26 t/ha for broad-leaved mixed forest; R?=0.72, RMSE=11.94 t/ha for conifer and broadleaves mixed forest; R?=0.60, RMSE=12.65 t/ha for coniferous mixed forest; R?=0.82, RMSE=9.22 t/ha for other hard broadleaf forest; R?=0.74, RMSE=10.12 t·hm-2 for Pinus massoniana forest; R?=0.75, RMSE=8.93 t·hm-2 for Cunninghamia lanceolata forest.-
Keywords:
- forest above-ground biomass /
- Sentinel-1 /
- Sentinel-2 /
- Random Forest /
- AdaBoost /
- CatBoost /
- recursive feature elimination
-
-
[1] 汤旭光,刘殿伟,王宗明,等.森林地上生物量遥感估算研究进展[J].生态学杂志,2012,31(05):1311-1318. [2] 张少伟,惠刚盈,韩宗涛,等.基于光学多光谱与SAR 遥感特征快速优化的大区域森林地上生物量估测[J].遥感技术与应用,2019,34(05):925-938. [3] 谢福明,字李,舒清态.基于优化k-NN 模型的高山松地上生物量遥感估测[J].浙江农林大学学报,2019,36(03):515-523. [4] MOHD ZAKI N A,LATIF Z A,SURATMAN M N. Modelling above-ground live trees biomass and carbon stock estimation of tropical lowland dipterocarp forest: integration of field-based and remotely sensed estimates [J]. Int J Remot Sens,2018,39(8):2312-2340.
[5] 杨远盛,张晓霞,于海艳,等.中国森林生物量的空间分布及其影响因素[J].西南林业大学学报,2015,35(06):45-52. [6] BURROWS W H,HENRY B K,BAKE P V,et al. Growth and carbon stock change in eucalypt woodlands in northeast Australia: ecological and greenhouse sink implications[J]. Glob Chang Biol,2002,8(8):769-784.
[7] CHEN L,REN C,ZHANG B,et al. Estimation of forest above-ground biomass by geographically weighted regression and machine learning with Sentinel imagery[J]. Forests,2018,9(10):582.
[8] 张志,田昕,陈尔学,等. 森林地上生物量估测方法研究综述[J]. 北京林业大学学报,2011,33(05):144-150. [9] CHINEMBIRE T S,BRONSVELD M C,ROSSITER D G,et al. The precision of C Stock estimation in the ludhikola watershed using model-based and design-based approaches[J]. Nat Resour Res,2013,22(4):297-309.
[10] GARA T W,MURWIRA A,CHIVHENGE E,et al. Estimating wood volume from canopy area in deciduous woodlands of Zimbabwe[J].S For: J For Sci,2014,76(4):237-244.
[11] 许振宇,李盈昌,李明阳,等.基于Sentinel-1A 和Landsat 8 数据的区域森林生物量反演[J].中南林业科技大学学报,2020,40(11):147-155. [12] 丁家祺,黄文丽,刘迎春,等.基于机器学习和多源数据的湘西北森林地上生物量估测[J].林业科学,2021,57(10):36-48. [13] LI Y,LI C,LI M,et al. Influence of variable selection and forest type on forest aboveground biomass estimation using machine learning algorithms[J]. Forests, 2019, 10(12): 1073.
[14] 郑冬梅,夏朝宗,王海宾,等.基于SPOT-7 影像的马尾松生物量估测模型研究[J].中南林业科技大学学报,2018,38(09):82-88. [15] 罗凯健,许晓东,龙江平,等.结合Landsat 8 与PALSAR-2 影像的龙南县针叶林蓄积量遥感估测研究[J].林业资源管理,2021(01):69-76. [16] 刘笑笑,王亮,徐胜华,等.一种后向迭代的森林生物量遥感特征选择方法[J].测绘科学,2017,42(05):100-105. [17] 潘婧靓,邢艳秋,黄佳鹏,等.联合GF-3 PolSAR 数据与Landsat-8 OLI 数据的森林地上生物量估测[J].中南林业科技大学学报,2020,40(08):83-90. [18] 闾妍宇,李超,欧光龙,等.基于地理加权回归模型的思茅松生物量遥感估测[J].林业资源管理,2017(01):82-90. [19] 李明泽,毛学刚,范文义.基于郁闭度联立方程组模型的森林生物量遥感估测[J].林业科学,2014,50(02):85-91. [20] 孙雪莲,舒清态,欧光龙,等.基于随机森林回归模型的思茅松人工林生物量遥感估测[J].林业资源管理,2015(01):71-76. [21] 李兰,陈尔学,李增元,等.森林地上生物量的多基线InSAR 层析估测方法[J].林业科学,2017,53(11):85-93. [22] FANG J Y,CHEN A P,PENG C H,et al. Changes in forest biomass carbon storage in China between 1949 and 1998 [J]. Science,2001,292(5525):2320-2322.
[23] 曾伟生.云南省森林生物量与生产力研究[J].中南林业调查规划,2005(04):3-5,15. [24] BREIMAN L. Random forests[J]. Mach Learn,2001,45(1):5-32.
[25] 欧强新,李海奎,雷相东,等.基于清查数据的福建省马尾松生物量转换和扩展因子估算差异解析——3 种集成学习决策树模型的比较[J].应用生态学报,2018,29(06):2007-2016. [26] 程荣标,方向尧,曾思伟,等.基于Adaboost 和回归树集合技术的疲劳识别研究[J].汕头大学学报(自然科学版),2017,32(02):66-74. [27] 陈伟民,张凌,宋冬梅,等.基于AdaBoost 改进随机森林的高光谱图像地物分类方法研究[J].遥感技术与应用,2018,33(04):612-620. [28] HUANG G M,WU L F,MA X,et al. Evaluation of CatBoost method for prediction of reference evapotranspiration in humid regions[J]. J Hydrol,2019,574:1029-1041.
[29] 李坤,吴达胜,方陆明,等.运用Sentinel-2 遥感影像数据估测森林蓄积量[J].东北林业大学学报,2021,49(05):59-66.
计量
- 文章访问数: 152
- HTML全文浏览量: 0
- PDF下载量: 364