| 摘 要： | 森林地上生物量（Aboveground biomass,AGB）是评价森林生长情况的重要指标。基于数字航空摄影（Digital aerial photography,DAP）生成的二维和三维数据,分别计算了41个点云高度变量和16个可见光植被指数,利用6种回归算法（随机森林（RF）、袋装树（BT）、支持向量回归（SVR）、Cubist、类别型特征提升（CatBoost）、极端梯度提升（XGBoost））分别构建了单一变量集和综合变量集AGB估测模型,探索了不同变量对于AGB估测模型的贡献。研究结果表明光谱数据集和点云数据集AGB预测模型精度最高分别为Cubist和XGBoost,R2分别为0.5309和0.6395。组合数据集最高精度模型为XGBoost,R2达到0.7601, XGBoost模型具有更高的AGB估测稳定性。研究还表明6种机器学习模型的贡献主要取决于所考虑的回归方法,所选择的特征个数和特征对模型的重要性在不同的模型中并不一致。DOM光谱特征在AGB的估测中具有更高的重要性。总体来说,二维和三维数据的结合能够有效提高森林AGB估测精度,基于无人机倾斜摄影获取的RGB影像能够实现森林AGB的快速无损估计。
|
