排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
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。 相似文献
2.
3.
利用福建省将乐国有林场46株杉木(Cunninghamia lanceolata)的793组干形数据,根据十折交叉验证,采用最近邻法(KNN)、随机森林(RF)和人工神经网络(ANN)3种机器学习算法对杉木干形进行模拟,并与传统削度模型(TM)进行比较分析.采用决定系数(R2)、均方根误差(ERMS)、平均误差(EM)和平均绝对误差(EMA)4个评价指标对模型的拟合结果和预测结果进行排序,并结合残差图和相对偏差图等进行分析.研究表明:(1)4个模型的决定系数均大于0.95,最近邻法、传统削度模型和人工神经网络的均方根误差小于1 cm,能较好地描述杉木树干形状.(2)人工神经网络对绝大部分树干的估计最精确,R2分别在0.98以上.其检验集的绝大部分残差都在-2~1 cm,训练集的相对偏差在-50%~50%.(3)其次是最近邻法模型,其训练集的残差范围在4个模型间最小,但泛化预测能力不如人工神经网络模型.(4)随机森林模型精度最低,且其预测集残差分布有随直径(di)增大而增大的趋势.传统削度模型模型表现居中.结果表明:人工神经网络模型与最近邻法模型的拟合精度与预测精度均高于传统削度模型模型,能更精确地模拟杉木干形,且机器学习算法可以不满足传统回归的统计学假设前提.利用机器学习预测林木干形是一种可靠的方法,在生产经营中值得考虑. 相似文献
4.
目的 利用遥感影像获取高郁闭度林分树冠信息。 方法 试验了一种基于实例分割模型的无人机遥感影像单木树冠提取方法,选用7种残差网络用于模型的特征提取,逐一对不同郁闭度杉木纯林进行单木树冠提取。 结果 表明,7个实例分割模型对低郁闭度林分树冠分割的边界框AP值和掩膜AP平均值分别为55.89%、57.29%,林分东西冠幅、南北冠幅和树冠面积参数提取均方根误差平均值分别为0.161、0.179和0.341,平均预测决定系数R2分别为0.912、0.918和0.957;对高郁闭度林分树冠分割的边界框AP值和掩膜AP平均值分别为46.00%、44.45%,单木东西冠幅、南北冠幅和树冠面积参数提取均方根误差平均值分别为0.479、0.497和1.256,平均预测R2分别为0.806、0.762和0.936。 结论 各参数提取精度均优于传统调查精度,该方法能自动化、快速化、精准化获取树冠信息。 相似文献
1