基于机器学习算法的森林生物量多源遥感估测.pdf

西北林学院学报2 0 2 4,3 9(1):1 0-1 8J o u r n a l o f N o r t h w e s t F o r e s t r y U n i v e r s i t y d o i:1 0.3 9 6 9/j.i s s n.1 0 0 1-7 4 6 1.2 0 2 4.0 1.0 2基于机器学习算法的森林生物量多源遥感估测 收稿日期:2 0 2 3-0 1-0 3 修回日期:2 0 2 3-0 3-2 0 基金项目:中国地质调查局昆明自然资源调查中心全国典型地区碳汇综合调查研究(Z D 2 0 2 2 0 1 3 3);国家自然科学基金(3 1 7 7 0 6 7 7、3 1 7 6 0 2 0 6、3 1 6 6 0 2 0 2);云南省王广兴专家工作站(2 0 1 8 I C 1 0 0);云南省万人计划青年拔尖人才专项(Y NWR-Q N B J-2 0 1 8-1 8 4)。第一作者:黄天宝。研究方向:森林生物量遥感估测。E-m a i l:l i u z h i s w f u.e d u.c n*通信作者:徐 灿,工程师。研究方向:景观生态学。E-m a i l:x u c a n m a i l.c g s.g o v.c n黄天宝1,欧光龙1,吴 勇1,徐熊伟2,3,王振会2,3,蔺如喜2,3,徐 灿2,3*(1.西南林业大学,云南 昆明 6 5 0 2 4 4;2.中国地质调查局 昆明自然资源调查中心,云南 昆明 6 5 0 1 1 1;3.自然资源部 自然生态系统碳汇工程技术创新中心,云南 昆明 6 5 0 1 1 1)摘 要:为进一步探索不同空间分辨率影像在1 0 m1 0 m样地尺度下森林生物量估测性能及协同机器学习算法(R F、S VM、D T、G BM、k-NN、S t a c k i n g)的估测效果,利用光学遥感G F 2(高分二号卫星)、s e n t i n e l 2 A、L a n d s a t 8 O L I、S UM(整合3种遥感数据源)影像及辅助变量D EM高程数据、环境因子、林分因子(森林类型、优势树种),在B o r u t a算法变量选择下用机器学习算法对元谋地区乔木林森林生物量(地上+地下)进行遥感估测,并比较4种影像下的估测精度。研究表明:1)基于B o r u t a算法分别对3种影像及整合3种影像条件下进行变量选择,单一影像中s e n t i n e l 2 A的植被指数P E I P、L a n d s a t 8 O L I的纹理因子b 2_ME_99、G F 2的GN D V I分别为3种影像下的最高得分变量,多源融合估测森林生物量中G F 2的GN D V I为最佳得分变量;2)基于B o r u t a算法选择的变量构建R F、S VM、D T、G BM、k-NN算法以及对5个模型的S t a c k i n g集成算法,S UM的S t a c-k i n g集成算法的估测效果最优,模型决定系数(R2)为0.7 3,均方根误差(RM S E)为2 8.4 6 th m-2,集成算法下的S UM的估测性能优于s e n t i n e l 2 A、L a n d s a t 8 O L I,G F 2优于s e n t i n e l 2 A,s e n t i n e l 2 A的估测性能优于L a n d s a t 8 O L I。研究结果说明在生物量遥感估测中高分辨率影像具有较好的估测效果,同时多源遥感协同估测、集成算法均可提高森林生物量遥感估测精度,可为森林生物量遥感估测提供参考和借鉴。关键词:森林生物量遥感估测;多源遥感;机器学习;算法集成;元谋中图分类号:S 7 7 1.8 文献标志码:A 文章编号:1 0 0 1-7 4 6 1(2 0 2 4)0 1-0 0 1 0-0 9M u l t i-s o u r c e R e m o t e S e n s i n g E s t i m a t i o n o f F o r e s t B i o m a s s B a s e d o n M a c h i n e L e a r n i n g A l g o r i t h mH U A N G T i a n-b a o1,O U G u a n g-l o n g1,WU Y o n g1,X U X i o n g-w e i2,3,WA N G Z h e n-h u i2,3,L I N R u-x i2,3,X U C a n2,3*(1.S o u t h w e s t F o r e s t r y U n i v e r s i t y,K u n m i n g,K u n m i n g 6 5 0 2 4 4,Y u n n a n,C h i n a;2.K u n m i n g C o m p r e h e n s i v e C e n t e r o f N a t u r a l R e s o u r c e s S u r v e y,C h i n a G e o l o g i c a l S u r v e y,K u n m i n g 6 5 0 1 1 1,Y u n n a,C h i n a;3.T e c h n o l o g y I n n o v a t i o n C e n t e r f o r N a t u r a l E c o s y s t e m C a r b o n S i n k,M i n i s t r y o f N a t u r a l R e s o u r c e s,K u n m i n g 6 5 0 1 0 0,Y u n n a n,C h i n a)A b s t r a c t:I n o r d e r t o f u r t h e r e x p l o r e t h e e s t i m a t i o n p e r f o r m a n c e o f f o r e s t b i o m a s s a t 1 0 m1 0 m g e o s c a l e a n d t h e e s t i m a t i o n e f f e c t o f c o l l a b o r a t i v e m a c h i n e l e a r n i n g a l g o r i t h m s(R F,S VM,D T,G BM,k-NN,S t a c-k i n g)o f t h e i m a g e s w i t h d i f f e r e n t s p a t i a l r e s o l u t i o n s,t h i s s t u d y u s e d o p t i c a l r e m o t e s e n s i n g G F 2(G a o f e n-2 s a t e l l i t e),s e n t i n e l 2 A,L a n d s a t 8 O L I,S UM(i n t e g r a t i o n o f t h r e e r e m o t e s e n s i n g d a t a s o u r c e s)i m a g e s a n d a u x i l i a r y v a r i a b l e s D EM e l e v a t i o n d a t a,e n v i r o n m e n t a l f a c t o r s,f o r e s t s t a n d f a c t o r s(f o r e s t t y p e,d o m i-n a n t t r e e s p e c i e s).U n d e r t h e v a r i a b l e s e l e c t i o n o f B o r u t a a l g o r i t h m,t h e m a c h i n e l e a r n i n g a l g o r i t h m w a s u s e d t o e s t i m a t e t h e f o r e s t b i o m a s s(a b o v e g r o u n d+u n d e r g r o u n d)i n Y u a n m o u a r e a,a n d t h e e s t i m a t i o n a c c u r a c y u n d e r t h e f o u r i m a g e s w a s c o m p a r e d.T h e r e s u l t s s h o w e d t h a t 1)b a s e d o n t h e B o r u t a a l g o r i t h m,t h e v e g e t a t i o n i n d e x P E I P o f s e n t i n e l 2 A,t h e t e x t u r e f a c t o r o f L a n d s a t 8 O L I b 2_ME_99 a n d t h e GN D V I o f G F 2 i n a s i n g l e i m a g e w e r e t h e h i g h e s t s c o r e v a r i a b l e s u n d e r t h e t h r e e i m a g e s,a n d t h e GN D V I o f G F 2 i n f o r e s t b i o m a s s w a s e s t i m a t e d b y m u l t i-s o u r c e f u s i o n a s t h e b e s t s c o r e v a r i a b l e.2)B a s e d o n t h e v a r i a b l e s s e l e c t e d b y t h e B o r u t a a l g o r i t h m,R F,S VM,D T,G BM,k-NN a l g o r i t h m a n d s t a c k i n g i n t e g r a t i o n a l g o r i t h m o f 5 m o d e l s,S UM s S t a c k i n g i n t e g r a t i o n a l g o r i t h m h a d t h e b e s t e s t i m a t i o n e f f e c t,m o d e l R2 w a s 0.7 3,RM S E w a s 2 8.4 6 th m-2,t h e e s t i m a t i o n p e r f o r m a n c e o f S UM u n d e r t h e e n s e m b l e a l g o r i t h m w a s b e t t e r t h a n s e n t i n e l 2 A a n d L a n d s a t 8 O L I,G F 2 w a s b e t t e r t h a n s e n t i n e l 2 A,s e n t i n e l 2 A o u t p e r f o r m e d L a n d s a t 8 O L I,i n d i c a t i n g t h a t h i g h-r e s o l u t i o n i m a g e s h a v e g o o d e s t i m a t i o n e f f e c t s i n b i o m a s s r e m o t e s e n s i n g e s t i m a-t i o n,a n d m u l t i-s o u r c e r e m o t e s e n s i n g c o l l a b o r a t i v e e s t i m a t i o n a n d i n t e g r a t e d a l g o r i t h m s c a n i m p r o v e t h e a c c u r a c y o f f o r e s t b i o m a s s r e m o t e s e n s i n g e s t i m a t i o n,w h i c h c a n p r o v i d e r e f e r e n c e s f o r f o r e s t b i o m a s s r e-m o t e s e n s i n g e s t i m a t i o n.K e y w o r d s:f o r e s t b i o m a s s r e m o t e s e n s i n g e s t i m a t i o n;m u l t i-s o u r c e r e m o t e s e n s i n g;m a c h i n e l e a r n i n g;a l-g o r i t h m i n t e g r a t i o n;Y u a n m o u 森林生物量是森林生态系统的重要数量、质量指标,对其精准监测是提高森林生态系统碳汇效益的重要保障1。传统野外调查方法获取森林生物量信息存在诸多局限性,利用遥感手段对森林生物量估测已然成为当前的热点2。被动遥感系统的光学遥感数据不仅具有覆盖范围广、获取容易、时间、空间分辨率高、技术成熟等优点,而且多光谱光学遥感具有红色、近红外(N I R)或红边波段,对植被具有较好敏感性等,被泛应用于森林生物量研究估测领域3-5。在光学遥感森林生物量遥感估测中,空间分辨率和光谱特征在很大程度上影响着森林生物量遥感估测精度7,不同空间分辨率影像对地物的光谱特征及与样地尺度不匹配产生的混合像元都会造成估测差异7-8。随着遥感技术的不断发展,多源遥感数据协同估测森林生物量成为热点,多源遥感数据协同估测可以克服单一影像对地物特征描述的片面性,因此具有较好的估测精度9-1 0,此外,环境因子也被广泛用于协同遥感估测,且在一定程度上可以提高森林生物量遥感估测精度1 1-1 2。然而,在整合多源数据估测森林生物量中,信息冗余无疑是面临的一个问题,在众多变量中选择最优特征变量参与建模是影响估测效果的关键一步1 3-1 5。在变量选择方法中B o r u-t a是一种基于随机森林学习器的启发式算法,是通过变量与学习器结合的包装式变量选择方法,具有从复杂数据中挑选 出与模型 适 应 性 较 强 特 征 变 量 的能力1 6-1 8。在森林生物量遥感估测中的模型按结构通常可分为参数模型和非参数模型,非参数模型大多统称为机器学习模型,机器学习算法在森林生物量遥感估测中具有能充分捕捉复杂遥感变量与森林生物量之间的非线性复杂关系的能力,相较于参数模型,往往具有更好的估测效果1 9。常见的经典机器学习算法随机森林、k-近邻、支持向量机、B P神经网络等算法 被 广 泛 运 用 于 森 林 生 物 量 遥 感 估 测1 9-2 1。S t a c k i n g集成算法作为经典的集成算法之一,相较于单一模型,S t a c k i n g集成模型能对特征数据充分学习,集各基础模型优点于一身、具有较强的泛化能力,可以克服单一模型结果的偶然性和片面性,具有较好的学习效果2 2-2 3。森林生物量分为地上生物量和地下生物量,大多研究都是基于地上生物量遥感估测,全株树木生物量估测的研究相对较少。L a n d s a t 8 O L I、s e n t i-n e l 2 A、G F 2(国产高分2号)影像分别具有3 0、1 0、4 m不同的空间分辨率及不同波段,然而很少有研究在样地大小为1 0 m1 0 m尺度上比较3种影像及影像整合的估测性能,为进一步探索基于机器学习算法的3种空间分辨率影像及整合3种影像在1 0 m1 0 m样地下的森林生物量(地上+地下)估测性能,以及协同机器学习算法(R F、S VM、D T、G BM、k-NN、S t a c k i n g)的估测效果,本研究引入地形因子、气候因子、林分因子为辅助因子对G F 2、s e n t i n e l 2 A、L a n d s a t 8 O L I影像、整合3种 影 像4种情况下基于B o r u t a算法变量选择方法,对楚雄州元谋县乔木林森林生物量遥感估测展开探索,可为森林生物量遥感估测提供参考和借鉴。1 研究区概况元谋县位于云南省楚雄州(2 5 3 3 4 4 -2 5 3 6 5 0 N,1 0 1 5 1 2 1-1 0 1 5 3 3 2 E),为干热河谷典型区(图1),属于生态脆弱区,该地区旱湿季节分明,年11第1期黄天宝 等:基于机器学习算法的森林生物量多源遥感估测地图审图号:G S(2 0 1 9)1 8 2 2号图1 研究区位置F i g.1 L o c a t i o n m a p o f t h e s t u d y a r e a平均降水量8 0 0 mm,年平均气温2 1.9,最高温达4 0 以上,年积温7 7 9 1.6。年平均蒸发量为3 8 4 7.8 mm,年平均降水量6 3 4 mm,年平均蒸发量远大于年降水量。全年降水量大多集中在6-1 0月。由于地形和降水导致植被在垂直方向的分布差异明显,1 6 0 0 m以下主要以灌木为主,1 6 0 0 m以上主要乔木为主2 4-2 5。2 研究方法2.1 样地数据处理样地数据为2 0 2 2年按树种分布、地理位置特征等调 查 的 元 谋 县7 7块 乔 木 树 种,样 地 大 小 为1 0 m1 0 m,用R T K记录样地质心点坐标,其样地分布见图1,涵盖了元谋地区主要乔木树种分布区域。树种主要包括云南松(P i n u s y u n n a n e n s i s)、锥链栎(Q u e r c u s f r a n c h e t i i)、余 甘 子(P h y l l a n t h u s e m b l i c a)、旱冬瓜(A l n u s n e p a l e n s i s)、油杉(K e t e l-e e r i a f o r t u n e i)、桉树(E u c a l y p t u s r o b u s t a)、华山松(P.a r m a n d i i)、厚 皮 香(T e r n s t r o e m i a g y m n a n-t h e r a)、黄檀(D a l b e r g i a h u p e a n a)等。参 考t a n g等2 6、L u o等2 7、胥辉等2 8的云南省优势树种生长异速生长方程,计算单株树木的森林生物量,各公式见表1,没有生长异速方程的树种采用相近树种或按常绿落叶林、落叶阔叶林选取生长异速方程。样地单位面积生物量(Q)计算公式为Q=nk=0WS(1)式中:n为样地树种株树;W为单木生物量(t);S为样地面积(h m2)。图2为样地单位面积生物量按优势树种、森林类型分布基本情况,其中阔叶林的样地较多,针叶林和混交林样地相对较少,所调查样地中针叶林的平均生物量大于混交林,大于阔叶林;松属、栎属为优势树种的样地单位面积生物量值分布差异较大;样地单位面积生物量最小值为1.8 6 th m-2,最大值为1 8 4.1 1 th m-2,平均值为6 0.5 3 th m-2。图2 样地生物量基本情况F i g.2 B a s i c s i t u a t i o n o f b i o m a s s i n s a m p l e p l o t s21西北林学院学报 3 9卷 表1 单木生物量计算T a b l e 1 B i o m a s s c a l c u l a t i o n o f i n d i v i d u a l t r e e s树种公式来源云南松树干:W=0.0 5 8D2.4 3 3t a n g等2 6枝:W=0.0 0 3D2.8 0 7叶:W=0.0 0 2 6D1.9 8 6根:W=0.0 5 6D2.2 1 4桉属总:l gW=0.6 6 1 4 l g(D2H)-1.4 4 5胥辉等2 8厚皮香总:W=0.0 0 0 8 9 0 3 1(4.2 7 0 7+D)4L u o等2 7栎属地上:W=0.2 2 9 9 9D1.3 9 1 8 3H0.5 7 3 9 3地 上 为(胥 辉等2 8),地 下(L u o等2 7,灰背栎)根:W=aDb华山松树干:W=0.0 5 8D2b地上(胥辉等2 8),地 下(t a n g等2 6,云南松)枝:W=0.0 5 8D2b叶:W=0.0 5 8D2b根:W=0.0 5 6D2.2 1 4油杉W=0.1 4 5 6D2.0 8 1 7L u o等2 7相思W=0.3 2 4D2.1 5 6L u o等2 7常绿落叶林树干:W=0.5 5 1 2 8 7+0.0 0 4 0 3 4D3L u o等2 7枝:0.7 3 6 1+0.0 4 0 3 4D2叶:W=-1.3 6 5 7+0.4 3 3 6D地下:W=-0.1 1 9 3+0.0 9 3 7 3D2落叶阔叶林树干:W=0.1 7 9 3(-0.6 1 9+D)2L u o等2 7枝:W=-0.8 2 2 8+0.4 2 1D叶:W=-0.0 1 1 5 6+0.0 0 7 0 5 4 4D3根:W=a(b+D)2 注:W为单木生物量(k g),D为胸径(c m),H为树高(m),a、b为参数。2.2 数据获取及预处理L a n d s a t 8 O L I为 地 理 空 间 数 据 云(h t t p:/www.g s c l o u d.c n/)下载得到,分辨率3 0 m3 0 m,本研究用了b 1-b 7波段;G F 2为云南巡天卫星科技有限公司购买,分辨率4 m4 m,共4个波段,将获得的L a n d s a t 8 O L I、G F 2在E NV I 5.3中经过大气校正、辐射定标、裁剪等预处理工作,最终得到地表反射率产品;s e n t i n e l 2 A为G E E(g o o g l e e a r t h e n g i n e)云计算平台下载得到元谋地区2 A级地表反射率产品,s e n t i n e l 2 A分辨率1 0 m1 0 m,共1 2个波段;环 境 因 子 来 源 于h t t p:/www.w o r l d c l i m.o r g/,包括年均降水(MA P)和年均气温(MAT);D EM高程数据来源 于地理空 间 数 据 云(h t t p:/www.g s c l o u d.c n/)。2.3 特征变量提取参 考M i u r a等2 9、S c h l e r f等3 0、H a s h e m i等3 1的研究在E NV I 5.3中完成对植被指数的计算,包括G F 2、S e n t i n e l 2 A、L a n d s a t 8 O L I 的单波段、植被指数、纹理特征。林分因子包括优势树种、森林类型(针叶林、阔叶林、针阔混交林),样地坐标与影像坐标均为高斯-克吕格投影坐标(C G C S 2 0 0 0_3_D e g r e e_GK_Z o n e_3 4),并在A r c g i s 1 0.7中以“多值提取至点”功能完成各样地遥感变量统计值提取,D EM数据(坡向、坡面、海拔)的提取,以及环境因子统计值提取,变量见表2。表2 变量名称T a b l e 2 V a r i a b l e s影像变量名称G F 2单波段、N D V I(归一化差指植被指数)、E V I(增强植被指数)、GN D V I(绿色通道植被指数)、D V I(差值植被指数)、S AV I(土壤调节植被指数)、波段组合S e n t i n e l 2 A单波段、R V I(比值植被指数)、D V I(差值植被指数)、WD V I(加权差植被指数)、I P V I(红外植被指数)、P V I(垂直植被指数)、N D V I(归一化差指植被指数)、N D V I 4 5(4波段和5波段的归一化差指植被指数)、GN D V I(绿色通道植被指数)、I R E C I(倒红边叶绿素指数)、S AV I(土壤调节植被指数)、T S AV I(转化土壤调节植被指数)、M S AV I(改良土壤调节植被指数)、S 2 R E P(s e n t i n e l-2红边位置植被指数)、P E I P(红边感染点指数)、A RV I(大气阻抗植被指数)、P S S R a(色素特异性简单比叶绿素指数)、MT C I(叶绿素指数)、MC A R I(改良叶绿素吸收比指数)L a n d s a t 8 O L I单波段、N D V I(归一化差指植被指数)、N D 4 3(3波段和4波段的归一化差指植被指数)、N D 6 7(6波段和7波段的归一化差指植被指数)、N D 5 6 3(3波段和5波段、6波段的归一化差指植被指数)、D V I(差值植被指数)、S AV I(土壤调整比值植被指数)、R V I(比值植被指数)、B(亮度植被指数)、G(绿度植被指数)、W(温度植被指数)、A R V I(大气阻抗植被指数)、MV 1 7(中红外温度植被指数)、M S AV I(改良土壤调节植被指数)、V I S 2 3 4(波段2、3、4线性组合)、A L B E D O(多波段线性组合)、S R(简单比值指数)、S AV 1 2(改良植被指数)、M S R(优化简单比植被指数)、K T 1(缨帽变换)、P C 1-A(主成分变换)、P C 1-B(主成分变换)、P C 1-P(主成分变换)G F 2/s e n t i n e l 2 A/L a n d s a t 8 O L I纹理特征(33、55、77、99窗口)D EM海拔、坡度、坡向环境因子年均降水、年均气温林分因子森林类型、优势树种2.4 特征变量选择B o r u t a是一种基于随机森林学习器的启发式算法,其核心思想是通过对原始真实特征进行训练,构造阴影特征,并将原始特征与阴影特征聚合为特征矩阵进行训练,然后以阴影特征的特征重要性分数为参考,从原始真实特征中选择与因变量相关的31第1期黄天宝 等:基于机器学习算法的森林生物量多源遥感估测特征集3 2。B o r u t a算法除了生成特征排序外还将特征分为3种类型(c o n f i r m e d、t e n t a t i v e、r e j e c t e d)对变量重要性进行定性评价1 6-1 8。在R语言中利用b o r u t a程序包,分别对G F 2、s e n t i n e l 2 A、L a n d-s a t 8 O L I及三者变量整合情况下进行变量选择。2.5 模型构建利用R语 言 的c a r e t包 实 现 随 机 森 林 模 型(R F)3 3、支持向量机(S VM)3 4、决策树(D T)3 5-3 6和梯度提升机(G BM)3 7-3 8模型的构建。堆叠集成算法(S t a c k i n g)一般由两层学习器组成,第1层为初级学习器,第2层称为元学习器,其基本思想是利用训练数据集训练模型构造基学习器,将所有基学习器的预测结果与响应变量真值组合为一个新的数据集,最后基于元学习器对新数据集进行训练和预测,也逐渐被应用于森林生物量遥感估2 2-2 3。在本研究中,以R F、k-NN、S VM、D T、G BM作为基础模型,最终以R F算法进行S t a c k i n g集成。7 7块均为建模样本,并采用K折交叉验证对模型评价。利用R语言的c a r e t包实现R F、k-NN、S VM、G BM、D T模型的构建,采用网格化模型参数调优。2.6 评价指标K折交叉验证能有效避免过学习和欠学习状态的发生,尤其针对小样本数据建模具有较好的适用性,其模型评价结果也比较具有说服性3 9,因此,本研究所有机器学习算法均采用K折交叉验证对模型检验评价,K取1 0。采用决定系数(R2)和均方根误差(RM S E)对模型评价。3 结果与分析3.1 b o r u t a算法选择经过b o r u t a算法分别对基于s e n t i n e l 2 A条件下、L a n d s a t 8 O L I条件下、G F 2条件下及整合多源遥感条件下进行森林生物量遥感测进行变量选择,b o r u t a算法结果见图3,结果皆为C o n f i r m e d下的特征变量,在基于s e n t i n e l 2 A估测森林生物量中,选择的变量为林分因子中的森林类型(f o r e s t s_t y p e s)、图3 变量选择F i g.3 V a r i a b l e s e l e c t i o n41西北林学院学报 3 9卷 植被指数和纹理因子,其中植被指数P E I P的得分最高;在L a n d s a t 8 O L I下,纹理因子b 2_ME_99的得分最高;在G F 2下,植被指数GN D V I的得分最高;在S UM下G F 2的GN D V I得分最高,但环境因子和地形因子特征没有被捕获。3.2 模型评价在基于b o r u t a算法变量选择下,分别在s e n t i-n e l 2 A、L a n d s a t 8 O L I、G F 2及S UM条件下完成R F、D T、k-NN、G BM、S VM模型、S t a c k i n g集成算法模型构 建,经 过K折 交 叉 验 证,K=1 0,取 其R2和RM S E的平均值作为评价指标,建模结果见图4。集成算法相较于单模型均有较好的估测性能,从集成算法的结果看,S UM估测森林生物量相较于单一遥感具有较好的估测效果,此外,G F 2在元谋地区遥感估测森林生物量中相较于s e n t i n e l 2 A、L a n d s a t 8 O L I具有较好的估测性能,s e n t i n e l 2 A的 估 测 性 能 优 于L a n d s a t 8 O L I,S UM下 的S t a c k i n g模 型R2为 0.7 3,RM S E为2 8.4 6 th m-2,为本研究的最优模型形式。此外在单一算法中R F具有较好的估测效果。3.3 反演估算图5为基于s e n t i n e l 2 A、L a n d s a t 8 O L I、G F 2、及S UM下S t a c k i n g集成算法的元谋地区森林生物量遥感估测反演结果,由图5可以看出,4种情况下的反演结果均有较好的异质性,其中基于L a n d s a t 8 O L I的估测结果相较于s e n t i n e l 2 A、G F 2、S UM位于6 09 0 th m-2的图斑居多,s e n t i n e l 2 A为影像源下,低值的图斑居多,基于G F 2和S UM的估算结果较为相似,从模型评价效果来看整合多源遥感和G F 2模型性能优于s e n t i n e l 2 A和L a n d s a t O L I,在高值估测能力方面S UM优于G F 2,具有较宽的估测范围,基于S UM的估测结果更具参考意义。图4 建模结果F i g.4 M o d e l i n g r e s u l t s图5 元谋地区森林生物量遥感估算结果F i g.5 E s t i m a t i o n r e s u l t s o f f o r e s t b i o m a s s r e m o t e s e n s i n g i n Y u a n m o u a r e a4 讨论基于B o r u t a算法在单一影像变量重要性得分中s e n t i n e l 2 A影像的植被指数P E I P(红边感染点指数)、G F 2的GN D V I得分最高,具红边波段的植被指数具有较好的得分,这与光学影像的红边波段对植被敏感的特征相呼应,此外在高分辨率影像G F 2中,相对较多纹理特征与较高的得分,这与高分辨率影像估测森林生物量中纹理特征具有较好的估测效果相呼应8。基于s e n t i n e l 2 A感测森林生物量中,林分因子森林类型也有较好的贡献率,若能有更多容易获取的林分因子协同森林生物量遥感估51第1期黄天宝 等:基于机器学习算法的森林生物量多源遥感估测测4 0-4 1,将会获得更好的估测效果。此外,光学遥感对针叶林、阔叶林、针阔混交林的光谱特征存在差异,由于受样本量限制,本研究仅将森林类型作为一个变量,若能分森林类型进行遥感估测,在一定程度上可以提高估测精度4 1。本研究引入年平均降水、年平均气温作为变量,但效果稍逊于遥感因子,在特征变量选择时没有被捕获,可能是由于区域尺度较小,气候因子的变化梯度不够明显,往往在大区域森林生物量遥感估测中,气候因子能发挥较好的效果4 2。在本研究中,G F 2相较于s e n t i n e l 2 A、L a n d s a t 8 O L I具有较好的估测效果,这与高分辨率遥感影像更具区分光谱特征变化能力、空间信息更加丰富、纹理和细节等信息更加突出等优点相呼应,相较于粗分辨率往往具有更好的估测效果相呼应4 3,s e n t i n e l 2 A估 测 效 果 优 于L a n d s a t 8 O L I,这 与s e n t i n e l 2 A与1 0 m1 0 m样地尺度匹配,在理论上不存在混合像元,且与L a n d s a t 8 O L I相比具有更高的空间分辨率相呼应。整合多源遥感往往比单一遥感具有较好的估测性能4 4-4 5,本研究也如此,但在单一模型层面基于G F 2构建的k-NN模型R2为0.4 6,整合3种影像后k-NN模型R2为0.3 9,G F 2的R F模型R2为0.5 8,而整合3种影像后的R F模型R2为0.5 2,存在整合后反而模型效果比单一影像差的情况,本研究的解释为在变量选择方面只用了B o r u t a算法进行特征选择,在一定程度上可能存在偶然性和片面性、存在有用信息遗漏的情况以及针对所选择的同一份数据集对不同的学习器普适性会存在差异所导致,恰好集成算法在一定程度可以弥补这种缺陷,克服单一模型结果的偶然性和片面性,综合各模型对数据集进行客观评价,在一定程度上更具说服力2 2-2 3,若能综合多种变量选择方法或许 可 以 弥 补 单 一 变 量 选 择 手 段 的 不 足4 6-4 8。S t a c k i n g集成算法可以提高估测精度2 2,4 3,4 9,通过降低生物量估计偏差的形式来提高估测精度4 9,本研究最优集成模型的R2为0.7 3,RM S E为2 8.4 6 th m-2,在 光 学 遥 感 估 测 森 林 生 物 量 中,与L i n2 2、岳彩荣5 0和孙雪莲5 1基于光学遥感估测森林生物量相比较,其精度偏中上,主动遥感机载传感器系列在小区域往往有更好的估测效果5 3-5 4。此外,在森林生物量遥感估测中,影像像元大小与样地尺寸的匹配问题导致产生大量混合像元也会影响森林生物量遥感估测精度,本研究比较了3种空间分辨率影像尺度在1 0 m1 0 m样地尺度的估测效果,但没有体现混合像元带来的具体误