Advances in Remote Sensing Retrieval of Forest Aboveground Biomass

doi:10.13466/j.cnki.lczyyj.2023.06.018

Abstract

Abstract:

Forest aboveground biomass is one of the key indicators to reflect the status of forest ecosystem,which is of great significance to global climate change and China's carbon peak and carbon neutrality.With the rapid development and increasing maturity of remote sensing technology,it has become the main technical means for retrieving above-ground forest biomass in large areas.In this paper,the research progress of remote sensing inversion of forest aboveground biomass was discussed from two aspects through systematic review of relevant literatures at home and abroad.From the perspective of data source,it can be summarized as inversion methods of optical remote sensing data,synthetic aperture radar data and LiDARdata,and the effective information,advantages and limitations provided by each data source are expounded and analyzed.From the perspective of inversion model,it can be summarized as multiple regression model,machine learning algorithm and mechanism model,and the characteristics of different models are discussed and analyzed combined with practical application cases.Finally,this paper summarized the existing problems in the inversion of forest above-ground biomass by remote sensing,and prospected the direction and hotspots of forest above-ground biomass inversion by remote sensing in the future.

Key words: forest aboveground biomass, remote sensing data, multiple regression model, machine learning, mechanism model

CLC Number:

TP79
S771.8

REN Xiaoqi, HOU Peng, CHEN Yan. Advances in Remote Sensing Retrieval of Forest Aboveground Biomass[J]. Forest and Grassland Resources Research, 2023, (6): 146-158.

Figures/Tables 5

Tab.1

Tab.2

Tab.3

Tab.4

Tab.5

References 94

[1]	唐金灏, 张加龙, 陈立业, 等. 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(6):83-89.
[2]	田晓敏, 张晓丽. 森林地上生物量遥感估算方法[J]. 北京林业大学学报, 2021, 43(8):137-148.
[3]	Ebermayer E. Die gesammte lehre der waldstreu mit rücksicht auf die chemische statik des waldbaues.unter zugrundlegung der in den königl staatsforsten bayerns angestellten untersuchungen[M]. Berlia: Verlagvon Julius Springer,1876.
[4]	Chen Lin, Ren Chunying, Zhang Bai, et al. Estimation of forest above-ground biomass by geographically weighted regression and machine learning with sentinel lmagery[J]. Forests, 2018, 9(10):582. doi: 10.3390/f9100582
[5]	菅永峰, 韩泽民, 黄光体, 等. 基于高分辨率遥感影像的北亚热带森林生物量反演[J]. 生态学报, 2021, 41(6):2161-2169.
[6]	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.
[7]	姬永杰, 张王菲. 森林地上生物量合成孔径雷达技术反演研究综述[J]. 世界林业研究, 2022, 35(3):32-39.
[8]	陈思文. 基于GEDI的高寒山地森林生物量估算[D]. 兰州: 兰州大学, 2023.
[9]	米兆荣, 张耀生, 赵新全, 等. NDVI和EVI在高寒草地牧草鲜质量估算和植被动态监测中的比较[J]. 草业科学, 2010, 27(6):13-19.
[10]	谢福明, 舒清态, 字李, 等. 基于k-NN非参数模型的高山松生物量遥感估测研究[J]. 江西农业大学学报, 2018, 40(4):743-750.
[11]	苏华, 李静, 陈修治, 等. 基于森林群落和光谱曲线特征分异的福建省森林生物量遥感反演[J]. 生态学报, 2017, 37(17):5742-5755.
[12]	蒙诗栎, 庞勇, 张钟军, 等. WorldView-2纹理的森林地上生物量反演[J]. 遥感学报, 2017, 21(5):812-824.
[13]	Propastin P. Modifying geographically weighted regression for estimating aboveground biomass in tropical rainforests by multispectral remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 18:82-90. doi: 10.1016/j.jag.2011.12.013
[14]	郑阳, 吴炳方, 张淼. Sentinel-2数据的冬小麦地上干生物量估算及评价[J]. 遥感学报, 2017, 21(2):318-328.
[15]	童新, 杨震雷, 张亦然, 等. 基于不同阶微分高光谱植被指数的牧区草场地上生物量估算[J]. 草地学报, 2022, 30(9):2438-2448. doi: 10.11733/j.issn.1007-0435.2022.09.025
[16]	Zhang Lifu, Qiao Na, Ali B M H, et al. Monitoring vegetation dynamics using the universal normalized vegetation index(UNVI):An optimized vegetation index-VIUPD[J]. Remote Sensing Letters, 2019, 10(7):629-638. doi: 10.1080/2150704X.2019.1597298
[17]	李明诗, 谭莹, 潘洁, 等. 结合光谱、纹理及地形特征的森林生物量建模研究[J]. 遥感信息, 2006(6):6-9+66.
[18]	庞勇, 蒙诗栎, 李增元. 机载高分辨率遥感影像的傅氏纹理因子估测温带森林地上生物量[J]. 林业科学, 2017, 53(3):94-104.
[19]	Ploton P, Barbier N, Couteron P, et al. Toward a general tropical forest biomass prediction model from very high resolution optical satellite images[J]. Remote Sensing of Environment, 2017, 200:140-153. doi: 10.1016/j.rse.2017.08.001
[20]	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(5):925-938.
[21]	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.
[22]	卢佶, 张国威, 吴昊. 基于多时相光学和雷达遥感的太平湖生态保护区森林地上生物量反演[J]. 浙江农林大学学报, 2023, 40(5):1082-1092.
[23]	陈尔学. 合成孔径雷达森林生物量估测研究进展[J]. 世界林业研究, 1999(6):18-23.
[24]	Dobson M C, Ulaby F T, Toan T L, et al. Dependence of radar backscatter on coniferous forest biomass[J]. IEEE Trans Geoscience and Remote Sensing, 1992, 30(2):412-415. doi: 10.1109/36.134090
[25]	王晓宁, 徐天蜀, 李毅. 利用ALOS PALSAR双极化数据估测山区森林蓄积量模型[J]. 浙江农林大学学报, 2012, 29(5):667-670.
[26]	李毅, 徐天蜀, 王晓宁. 基于ENVISAT ASAR数据的高山松林蓄积量估测模型研究[J]. 中南林业调查规划, 2012, 31(1):40-43.
[27]	魏晶昱, 范文义, 于颖, 等. GF-3全极化SAR数据极化分解估算人工林冠层生物量[J]. 林业科学, 2020, 56(9):174-183.
[28]	Zeng Peng, Zhang Wangfei, Li Yun, et al. Forest total and component above-ground biomass(AGB)estimation through C- and L- band polarimetric SAR data[J]. Forests, 2022, 13(3):442. doi: 10.3390/f13030442
[29]	李兰, 陈尔学, 李增元, 等. 合成孔径雷达森林树高和地上生物量估测研究进展[J]. 遥感技术与应用, 2016, 31(4):625-633.
[30]	黄燕平, 陈劲松. 基于SAR数据的森林生物量估测研究进展[J]. 国土资源遥感, 2013, 25(3):7-13.
[31]	Kanmegne T D, Latifi H, Ullmann T, et al. Estimation of aboveground biomass in agroforestry systems over three climatic regions in west africa using Sentinel-1,Sentinel-2,ALOS,and GEDI Data[J]. Sensors, 2023, 23(1):349. doi: 10.3390/s23010349
[32]	解清华, 汪长城, 朱建军, 等. 顾及地形因素的S-RVOG模型和PD相干最优算法联合反演植被高度[J]. 测绘学报, 2015, 44(6):686-693. doi: 10.11947/j.AGCS.2015.20130731
[33]	李哲, 陈尔学, 王建. 几种极化干涉SAR森林平均高反演算法的比较评价[J]. 遥感技术与应用, 2009, 24(5):611-616.
[34]	谈璐璐, 杨立波, 杨汝良. 基于ESPRIT算法的极化干涉SAR植被高度反演研究[J]. 测绘学报, 2011, 40(3):296-300.
[35]	罗环敏, 陈尔学, 李增元, 等. 森林地上生物量的极化相干层析估计方法[J]. 遥感学报, 2011, 15(6):1138-1155.
[36]	Li Wenmei, Wu J, Liu Lei, et al. Correlation analysis for tropical forest above ground biomass and vertical reflectivity profile[J]. ISPRS Annals of Photogrammetry,Remote Sensing and Spatial Information Sciences, 2020, V-3-2020:111-115.
[37]	Stefano T, Mariotti D M,M.H. U L, et al. TomoSense:A unique 3D dataset over temperate forest combining multi-frequency mono- and bi-static tomographic SAR with terrestrial,UAV and airborne lidar,and in-situ forest census[J]. Remote Sensing of Environment, 2023, 290:113532. doi: 10.1016/j.rse.2023.113532
[38]	李增元, 赵磊, 李堃, 等. 合成孔径雷达森林资源监测技术研究综述[J]. 南京信息工程大学学报(自然科学版), 2020, 12(2):150-158.
[39]	吴迪. 基于GLAS和MISR数据的森林冠层高度和地上生物量遥感估算研究[D]. 哈尔滨: 东北林业大学, 2016.
[40]	宋涵玥, 舒清态, 席磊, 等. 基于星载ICESat-2/ATLAS数据的森林地上生物量估测[J]. 农业工程学报, 2022, 38(10):191-199.
[41]	韩明辉, 邢艳秋, 李国元, 等. GEDI不同算法组数据反演森林最大冠层高度和生物量精度比较[J]. 中南林业科技大学学报, 2022, 42(10):72-82.
[42]	Guo Lijie, Wu Yanjie, Deng Lei, et al. A feature-level point cloud fusion method for timber volume of forest stands estimation[J]. Remote Sensing, 2023, 15(12):122995.
[43]	Wang Qiang, Pang Yong, Chen Dongsheng, et al. Lidar biomass index:A novel solution for tree-level biomass estimation using 3D crown information[J]. Forest Ecology and Management, 2021, 499:119542. doi: 10.1016/j.foreco.2021.119542
[44]	Du Liming, Pang Yong, Wang Qiang, et al. A LiDAR biomass index-based approach for tree- and plot-level biomass mapping over forest farms using 3D point clouds[J]. Remote Sensing of Environment, 2023, 290:113543. doi: 10.1016/j.rse.2023.113543
[45]	许昌建, 刘迎春, 左丽君, 等. 基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型构建[J]. 林业资源管理, 2021(1):50-60.
[46]	Neuenschwander A L, Magruder L A. The potential impact of vertical sampling uncertainty on ICESat-2/ATLAS terrain and canopy height retrievals for multiple ecosystems[J]. Remote Sensing, 2016, 8(12):1039. doi: 10.3390/rs8121039
[47]	孙丹阳, 魏建新, 杨辽, 等. 深度学习方法下GEDI数据的天然云杉林地上生物量反演[J]. 干旱区研究:1-13.
[48]	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(6):23-28.
[49]	黄国胜, 夏朝宗. 基于MODIS的东北地区森林生物量研究[J]. 林业资源管理, 2005(4):40-44.
[50]	郭颖. 森林地上生物量的非参数化遥感估测方法优化[D]. 北京: 中国林业科学研究院, 2011.
[51]	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(3):515-523.
[52]	Han Haoshuang, Wan Rongrong, Li Bing. Estimating Forest Aboveground Biomass Using Gaofen-1 Images,Sentinel-1 Images,and Machine Learning Algorithms:A Case Study of the Dabie Mountain Region,China[J]. Remote Sensing, 2021, 14(1):176. doi: 10.3390/rs14010176
[53]	Tang Zhi, Xia Xiaosheng, Huang Yonghua, et al. stimation of National forest aboveground biomass from multi-source remotely sensed dataset with machine learning algorithms in China[J]. Remote Sensing, 2022, 14(21):5487. doi: 10.3390/rs14215487
[54]	梁瑞婷, 王轶夫, 邱思玉, 等. 人工神经网络与相容性生物量模型预测单木地上生物量的比较[J]. 应用生态学报, 2022, 33(1):9-16. doi: 10.13287/j.1001-9332.202201.001
[55]	李皎, 张红, 张莉秋, 等. 山西阳泉地区乔木林地上碳密度遥感估测[J]. 生态学杂志, 2014, 33(9):2308-2315.
[56]	Andrea T, Marco V. Object-Oriented LULC Classification in google earth engine combining SNIC,GLCM,and machine learning algorithms[J]. Remote Sensing, 2020, 12(22):3776. doi: 10.3390/rs12223776
[57]	董金金. 基于PSO-SVM的森林地上生物量遥感估测与空间分析[D]. 泰安: 山东农业大学, 2014.
[58]	张锋. 基于遥感信息估测森林生物量的研究[D]. 哈尔滨: 东北林业大学, 2003.
[59]	姜怡忻. 协同多源卫星遥感数据的草地生物量反演方法研究[D]. 成都: 电子科技大学, 2022.
[60]	王清梅, 包亮, 魏江生, 等. 大兴安岭南段阔叶次生林生物量遥感模型研究[J]. 林业资源管理, 2014(1):77-81.
[61]	苏华, 张明慧, 李静, 等. 基于光学与SAR因子的森林生物量多元回归估算——以福建省为例[J]. 遥感技术与应用, 2019, 34(4):847-856.
[62]	卢士欣, 贾炜玮, 孙毓蔓, 等. 基于局部回归模型的森林生物量动态变化分析[J]. 西南林业大学学报(自然科学) 2024, 44(2):1-9.
[63]	姬永杰, 张王菲, 徐昆鹏, 等. 森林地上生物量GF-3全极化SAR数据估测研究[J]. 遥感技术与应用, 2023, 38(2):362-371.
[64]	卢腾飞, 周律, 胡中岳, 等. 基于混合效应模型的迪庆云冷杉林地上生物量遥感估测[J]. 浙江农林大学学报, 2021, 38(3):510-522.
[65]	曾伟生, 唐守正, 夏忠胜, 等. 利用线性混合模型和哑变量模型方法建立贵州省通用性生物量方程[J]. 林业科学研究, 2011, 24(3):285-291.
[66]	Pandit S, Tsuyuki S, Dube T. Landscape-Scale aboveground biomass estimation in buffer zone community forests of central nepal:Coupling in situ measurements with Landsat 8 satellite data[J]. Remote Sensing, 2018, 10(11):1848. doi: 10.3390/rs10111848
[67]	李春梅, 张王菲, 李增元, 等. 基于多源数据的根河实验区生物量反演研究[J]. 北京林业大学学报, 2016, 38(3):64-72.
[68]	韩宗涛. 基于特征优选的森林地上生物量遥感估测[D]. 福州: 福州大学, 2017.
[69]	宋亚斌, 邢元军, 江腾宇, 等. 基于距离相关系数和KNN回归模型的森林蓄积量估测研究[J]. 中南林业科技大学学报, 2020, 40(4):22-27.
[70]	吴国明, 范文义, 司国玉, 等. 全极化合成孔径雷达高维小样本数据在森林地上生物量估算中的应用[J]. 东北林业大学学报, 2022, 50(8):74-82.
[71]	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(5):100-105.
[72]	Rakesh F, Suraj R R,G.R, et al. Improving forest above ground biomass estimates over Indian forests using multi source data sets with machine learning algorithm[J]. Ecological Informatics, 2021:101392.
[73]	Xu Xiaojun, Du Huaqiang, Zhou Guomo, et al. Estimation of aboveground carbon stock of Moso bamboo(Phyllostachys heterocycla var.pubescens)forest with a Landsat Thematic Mapper image[J]. International Journal of Remote Sensing, 2011, 32(5):1431-1448. doi: 10.1080/01431160903551389
[74]	徐小军. 基于LANDSAT TM影像毛竹林地上部分碳储量估算研究[D]. 杭州: 浙江林学院, 2009.
[75]	范文义, 张海玉, 于颖, 等. 三种森林生物量估测模型的比较分析[J]. 植物生态学报, 2011, 35(4):402-410. doi: 10.3724/SP.J.1258.2011.00402
[76]	Liu Huiting, Fu Yue, Pan Jun, et al. Biomass spatial pattern and driving factors of different vegetation types of public welfare forests in Hunan Province[J]. Forests, 2023, 14(5):1061. doi: 10.3390/f14051061
[77]	Wang Li, Zheng Niu, Rong Shang, et al. High-resolution mapping of forest canopy height using machine learning by coupling ICESat-2 LiDAR with Sentinel-1,Sentinel-2 and Landsat-8 data[J]. International Journal of Applied Earth Observations and Geoinformation, 2020, 92:102163.
[78]	Andrea T, Marco V. Object-Oriented LULC Classification in google earth engine combining SNIC,GLCM,and machine learning algorithms[J]. Remote Sensing, 2020, 12(22):3776. doi: 10.3390/rs12223776
[79]	Tang Jing, Liu Ying, Li Lu, et al. Enhancing aboveground biomass estimation for three pinus forests in Yunnan,SW China,using Landsat 8[J]. Remote Sensing, 2022, 14(18):4589. doi: 10.3390/rs14184589
[80]	Sandra E, Vanessa K, Florian S. Modeling aboveground biomass in tropical forests using Multi-Frequency SAR Data—A comparison of methods[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(1):298-306. doi: 10.1109/JSTARS.2011.2176720
[81]	Shi Jianmin, Zhang Wangfei, Marino A, et al. Forest total and component biomass retrieval via GA-SVR algorithm and quad-polarimetric SAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 118:103275. doi: 10.1016/j.jag.2023.103275
[82]	赵燕红, 侯鹏, 蒋金豹, 等. 植被生态遥感参数定量反演研究方法进展[J]. 遥感学报, 2021, 25(11):2173-2197.
[83]	柳钦火, 阎广建, 焦子锑, 等. 发展几何光学遥感建模理论,推动定量遥感科学前行——深切缅怀李小文院士[J]. 遥感学报, 2019, 23(1):1-10.
[84]	Peddle D R, Johnson R L, Cihlar J, et al. Large area forest classification and biophysical parameter estimation using the 5-Scale canopy reflectance model in Multiple-Forward-Mode[J]. Remote Sensing of Environment, 2002, 89(2):252-263. doi: 10.1016/j.rse.2002.08.001
[85]	Zeng Yuan, Schaepman M E, Wu Bingfang, et al. Quantitative forest canopy structure assessment using an inverted geometric-optical model and up-scaling[J]. International Journal of Remote Sensing, 2009, 30(6):1385-1406. doi: 10.1080/01431160802395276
[86]	Wang Xinyun, Guo Yige, He Jie, et al. Estimation of forest aboveground biomass from HJ1B imagery using a canopy reflectance model and a forest growth model[J]. Geocarto International, 2016, 33(2):148-162. doi: 10.1080/10106049.2016.1232438
[87]	Qin Haiming, Wang Cheng, Xi Xiaohuan, et al. Estimation of coni-ferous forest aboveground biomass with aggregated airborne small-footprint LiDAR full-waveforms[J]. Optics express, 2017, 25(16):A851-A869. doi: 10.1364/OE.25.00A851
[88]	Ulaby F T, Sarabandi K, McDONALD K, et al. Michigan microwave canopy scattering model[J]. International Journal of Remote Sensing, 1990, 11(7):1223-1253. doi: 10.1080/01431169008955090
[89]	行敏锋, 何彬彬. 干旱区草原地上植被生物量估算——以乌图美仁大草原芦苇植被为例[J]. 地球信息科学学报, 2014, 16(2):335-340. doi: 10.3724/SP.J.1047.2014.00335
[90]	He Li, Li Ainong, Yin Gaofei, et al. Retrieval of grassland aboveground biomass through Inversion of the PROSAIL model with MODIS imagery[J]. Remote Sensing, 2019, 11(13):1597. doi: 10.3390/rs11131597
[91]	Attema E P W, Ulaby F T. Vegetation modeled as a water cloud[J]. Radio Science, 1978, 13(2):357-364. doi: 10.1029/RS013i002p00357
[92]	Santoro M, Beer C, Cartus O, et al. Retrieval of growing stock volume in boreal forest using hyper-temporal series of Envisat ASAR ScanSAR backscatter measurements[J]. Remote Sensing of Environment, 2011, 115(2):490-507. doi: 10.1016/j.rse.2010.09.018
[93]	姬永杰, 徐昆鹏, 张王菲, 等. 不同波长极化SAR数据水云模型森林生物量反演对比分析[J]. 北京林业大学学报, 2023, 45(2):24-33.
[94]	夏晓运, 庞勇, 黄庆丰, 等. 基于3-PG模型的长白落叶松生物量生长预测[J]. 林业科学, 2021, 57(3):67-78.

数据源	优势	局限	参考文献
光学遥感数据	有大量可用的免费数据集,能提供丰富的光谱变量,对森林冠层水平结构敏感	对林下枝、杆等信息获取困难。易受天气、云等情况影响,容易发生饱和现象	[4]、[5]
SAR 数据	不易受云雾等天气情况影响,能穿透森林冠层获取到地表信息	对植被高度和林冠结构的信息获取存在不确定性,数据处理相对复杂	[6]、[7]
LiDAR 数据	能够获取高精度的植被三维结构信息,同样不易受天气状况的影响	地基和机载LiDAR通常覆盖范围小,成本高,星载LiDAR具有采样不连续的特点	[8]

分辨率类型	传感器	分辨率	特点	参考文献
低分辨率	NOAA/AVHRR	1.1 km	适合反演大尺度区域的森林地上生物量,存在混合像元、与样地匹配不适等问题,无法识别地物更加精细的特征	[9]
低分辨率	Terra/MODIS	0.25~1 km	适合反演大尺度区域的森林地上生物量,存在混合像元、与样地匹配不适等问题,无法识别地物更加精细的特征	[9]
中分辨率	Sentinel-2	10~60 m	可以在较小的区域提供详细的地表信息,数据获取成本相对较低,易受大气和云层干扰	[10]、[11]
中分辨率	LandsatMSS/TM/ETM+/OLI	30 m	可以在较小的区域提供详细的地表信息,数据获取成本相对较低,易受大气和云层干扰	[10]、[11]
高分辨率	SPOT-7	1.5 m	能够提供详细的森林特征信息,但数据获取的成本较高,且需要大量的存储环境	[12]
高分辨率	WorldView	0.3 m	能够提供详细的森林特征信息,但数据获取的成本较高,且需要大量的存储环境	[12]

成像卫星	最高分辨率/m	来源	波段	极化方式
Sentinel-1	5	欧洲航天局	C	单/双/全极化
TerraSAR-X	1	德国	X	单/双/全极化
ALOS-2	3	日本	L	单/双/全极化
BIOMASS	50	欧洲航天局	P	全极化

卫星	运行时间	光斑直径/m	主要覆盖范围	特点	参考文献
ICESat-1/GLAS	2003—2009年	70	86°N—86°S	背景噪声较大,空间分辨率较低,具有高精度的高程数据	[39]
ICESat-2/ATLAS	2018—至今	17	88°N—88°S	透过密集树冠的能力较弱,支持时间序列分析	[40]
GEDI	2018—至今	25	51.6°N—51.6°S	具有较高的树冠穿透率	[8????????????????????????????????]、[41]

模型类别	模型名称	优点	缺点	参考文献
多元回归模型		允许同时考虑多个自变量对因变量的影响	需要建立在一些假设的基础上建立,容易受到多重共线性的影响,泛化能力较差	[48]、[49]
机器学习算法	K-最近邻	在执行时不需要预先进行模型训练,容易理解与实现	需要选择合适的 K 值,受距离度量影响	[50]、[51]
	随机森林	稳健灵活,具有高效处理海量数据的能力,能对特征重要性进行评估	不适用于高维稀疏数据,模型可解释性差	[52]、[53]
	人工神经网络	自适应性强,适用于解决大数据背景下的复杂问题	在大型数据集的处理上训练时间过长	[54]、[55]
	支持向量机	更加注重于研究小样本条件下的统计规律	不擅长解决大规模的多类别问题	[56]、[57]
机理模型		具有强大的可解释性,能够在不同的条件下进行泛化	参数获取困难导致模型难以建立,且无论如何精细和复杂,永远不可能包括系统的所有机制	[58]、[59]