基于随机森林回归模型的思茅松人工林生物量遥感估测

doi:10.13466/j.cnki.lyzygl.2015.01.013

林业资源管理 ›› 2015›› Issue (1): 71-76.doi: 10.13466/j.cnki.lyzygl.2015.01.013

基于随机森林回归模型的思茅松人工林生物量遥感估测

孙雪莲, 舒清态, 欧光龙, 胥辉

西南林业大学,昆明 650224

出版日期:2015-02-28 发布日期:2020-12-01
通讯作者: 胥辉(1960-),男,教授,博士。Email:zyxy213@126.com
作者简介:孙雪莲(1990-),女,云南曲靖人,在读硕士,主要研究方向森林测计和林业3S技术应用。Email:sxl524@163.com
基金资助:
国家林业局林业公益性行业科研专项(201404309);国家自然科学基金(31460194)

Remote Sensing Estimation of the Biomass of Artificial Simao Pine Forest Based on Random Forest Regression

SUN Xuelian, SHU Qingtai, OU Guanglong, XU Hui

Southwest Forestry University,Kunming 650224,China

Online:2015-02-28 Published:2020-12-01

摘要/Abstract

摘要： 以云南省景谷县思茅松人工林为研究对象,以研究区2005年TM影像及2006年森林资源二类调查小班空间属性数据库为信息源,在前期建立思茅松单木生物量模型基础上,在ENVI下提取9个植被指数作为备选自变量,建立研究区思茅松人工林随机森林回归遥感估测模型。结果表明随机森林回归遥感估测模型的决定系数(R²)=0.97,均方根误差(RMSE)=4.97;模型的预估精度(P)=87.67%。利用已经训练好的随机森林估测模型,估测研究区思茅松人工林生物量为3 644 612.00t;单位面积生物量为59.90 t/hm²。研究结果可为其它典型森林类型生物量或碳储量估测提供案例分析。

关键词: 景谷县, 生物量, 随机森林回归, 思茅松

Abstract: The Simao Pine(Pinus kesiya var.langbianensis)plantations in Jinggu county are taken as the research object,and TM remote sensing image in 2005 and the forest resource inventory database for sub-compartment space attribute in 2006 as the data source.Based on the single tree biomass models,9 index as of vegetation were extracted under ENVI as the alternative variables.The estimation model of remote sensing random forest regression of the Simao pine plantations in the study area was established.The results are as followsR²=0.97,RMSE=4.97 and model estimation accuracy =87.76%.By using the estimation model of RF which has been trained,the predicted total biomass of Simao pine plantations was 3 644 612.00t in study area.The biomass of per-unit area was 59.90 t/hm².The results provide a typical case analysis for estimation of the biomass and carbon stocks of other types of forests.

Key words: Jinggu county, biomass, random forest regression, Pinus kesiya var.langbianensis

中图分类号:

S718.55

孙雪莲, 舒清态, 欧光龙, 胥辉. 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,(1): 71-76.

SUN Xuelian, SHU Qingtai, OU Guanglong, XU Hui. Remote Sensing Estimation of the Biomass of Artificial Simao Pine Forest Based on Random Forest Regression[J]. FOREST RESOURCES WANAGEMENT, 2015,(1): 71-76.

参考文献 18

[1]	IPCC.Good practice guidance for land-use change and forestry[R].Hayama,Japan:IPCC National Greenhouse Gas inventories programme,2003:1-295.
[2]	戴小华,余世孝.遥感技术支持下的植被生产力与生物量研究进展[J].生态学杂志,2004(4):95-101.
[3]	Fried M A,Davis F W,Michaelsen,et al.Scaling and uncertainty in the relationship between the NDVI and land surface biophysical variables:An analysis using a scene simulation model and data from FIFE[J].Remote Sensing,1995,54:233-246.
[4]	袁野,李虎,刘玉峰.基于改进型B-P神经网络的西天山云杉林生物量估算[J].福建师范大学学报:自然科学版,2011,27(2):124-132 .
[5]	曾明宇,陈振雄,刘庭威.基于ANN的森林蓄积量遥感估测研究[J].中南林业调查规划,2010,29(3):36-39.
[6]	党承林,吴兆录.云南普洱地区思茅松林生物量[J].云南大学学报:自然科学版,1992,14(2): 119-127.
[7]	胥辉,张会儒.林木生物量模型研究[M].昆明:云南科技出版社,2002.
[8]	Bailey R L,Ware K D.Compatible Basal-Area Growth and Yield Model for Thinned and Unthinned Stand[J].Canadian Journal of Forest Research,1983,13:563-571.
[9]	Candy S G.Growth and Yield Models for Pine in Tasmania [J].Forest Science,1989,19(1):112-133.
[10]	Sullivan A D,Culture J L.A Simultaneous Growth and Yield Model for Loblolly Pine[J].Forest Science,1972,18(1):76-86.
[11]	李江.思茅松幼龄人工林的生物量碳密度及其动态变化[D].北京:北京林业大学,2011:1-86.
[12]	朱丽梅,胥辉.思茅松单木生物量模型研究[J].林业科技,2009,34(9):19-23.
[13]	Huete S R.A Soil-adjusted Vegetation Index[J].Advances in Earth Science of Environment,1998,13(4):327-333.
[14]	田庆久,闵祥军.植被指数研究进展[J].地球科学进展,1988(4):10-16.
[15]	方匡南,吴见彬,朱建平,等.随机森林方法研究综述[J].统计与信息论坛,2011,26(3):32-38.
[16]	Breiman L.Random Forest[J].Machine Learning,2001,45:5-32.
[17]	李欣海.随机森林模型在分类与回归分析中的应用[J].应用昆虫学报,2013,50(4):1190-1197.
[18]	Breiman L,Cutler A.Package random Forest[R/OL].(2013-08-12)[2015-12-26].http://cran.r-project.org/web/package/randomForest/randomForest.dbf.

基于随机森林回归模型的思茅松人工林生物量遥感估测

Remote Sensing Estimation of the Biomass of Artificial Simao Pine Forest Based on Random Forest Regression

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郝君, 吕康婷, 胡天祺, 王云阁, 徐刚. 基于机器学习的红树林生物量遥感反演研究[J]. 林草资源研究, 2024, 0(1): 65-72.
[2]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023, 0(6): 146-158.
[3]	张绘芳, 朱雅丽, 张景路, 高健, 地力夏提·包尔汉. 基于高分遥感数据的阿尔泰山乔木林地上生物量预测[J]. 林业资源管理, 2023, 0(2): 104-110.
[4]	蓝肖, 郝海坤, 黄开勇, 陈琴, 戴俊, 程琳, 陈仕昌. 杉木人工林生物量分布特征及其碳计量参数[J]. 林业资源管理, 2023, 0(2): 50-56.
[5]	蔡会德, 卢峰, 徐占勇, 潘黄儒, 孟想, 曾伟生. 桉树相容性可加性立木生物量模型系统研建[J]. 林业资源管理, 2023, 0(1): 87-93.
[6]	蒋静俭, 李子睿, 牛明月, 胡卫江, 张勇. 浙江省国有林场森林植被固碳释氧服务功能价值评估[J]. 林业资源管理, 2022, 0(zk1): 66-71.
[7]	王瑜, 蔡年辉, 陈林, 唐军荣, 许玉兰, 陈诗. 云南松苗木生物量分配与个体大小关系研究[J]. 林业资源管理, 2022, 0(6): 101-108.
[8]	聂靖, 陆驰, 欧光龙, 胥辉. 基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测[J]. 林业资源管理, 2022, 0(6): 68-75.
[9]	朱雅丽, 张景路, 张绘芳, 地力夏提·包尔汉, 廉佳佳. 天山中部锦鸡儿生物量分析及模型构建[J]. 林业资源管理, 2022, 0(5): 129-135.
[10]	曾伟生, 杨学云, 孙乡楠, 刘樯漪, 张宇超. 森林资源调查监测中各级储量数据的一体化方法研究[J]. 林业资源管理, 2022, 0(4): 13-19.
[11]	李康杰, 胡中岳, 刘萍, 徐正春. 广东省珠三角乔木林生物量碳储量评估[J]. 林业资源管理, 2022, 0(4): 54-60.
[12]	曾伟生. 森林蓄积量和生物量多元混合模型研建[J]. 林业资源管理, 2021, 0(6): 23-28.
[13]	吴恒, 胥辉. 森林植被碳密度遥感反演和校准研究[J]. 林业资源管理, 2021, 0(6): 43-51.
[14]	唐金灏, 张加龙, 陈立业, 程滔. 高山松地上生物量估测与尺度转换研究[J]. 林业资源管理, 2021, 0(6): 83-89.
[15]	陈小花, 陈宗铸, 雷金睿, 吴庭天, 李苑菱. 东寨港不同植物群落土壤微生物量碳氮及养分特征[J]. 林业资源管理, 2021, 0(6): 97-104.