论文部分内容阅读
森林生物量的估算对于全球碳平衡和环境保护至关重要。通过遥感等手段提取与森林生物量相关的单波段特征、植被指数、纹理特征、地形因子等特征参数,特征数量往往较多,影响预测精度。通过特征选择,可以有效的较少遥感估测森林生物量过程中的特征冗余,在一定程度上较少了误差的传递,为遥感反演提供一定的借鉴意义。本文提出了一种后向迭代的随机森林(RF-RFE)特征选择方法,即利用随机森林算法计算特征重要度,采用后向迭代的方法逐步简化特征参数。本文以内蒙古大兴安岭地区的激流河林场为研究区域,以实验区2012年资源三号遥感影像和森林资源三类调查的样地数据为数据源,对数据进行预处理后,实现了森林类型的识别,然后使用RF-RFE算法分别对未分类和分类后的数据进行特征选择分析,与逐步回归分析、支持向量机等常见模型进行对比分析和精度评估。主要研究内容及结果如下:(1)内蒙古大兴安岭激流河林场样地生物量的计算利用2012年12月的大兴安岭三类调查数据中的林种,树种组成,公顷蓄积,小班面积等数据,通过查阅相关文献使用生物量转换因子连续函数法计算,最终获取87样地的生物量真实值。(2)结合纹理特征的森林类型识别结合纹理特征利用支持向量机的监督分类的方法,完成森林的识别,最终结果是落叶松、白桦和混合林的占比分别为9.78%、28.66%和32.16%。(3)基于RF-RFE算法的遥感生物量特征选择对大兴安岭三类调查数据中的87个样地生物量数据和经过处理的资源三号遥感影像进行分析,采用RF-RFE算法对激流河林场87个样地的49个特征进行特征选择,根据R2和RMSE的大小最终选择分类后的特征选择结果。未分类时,特征选择之后剩余特征数为10,分类后,样地是落叶松、白桦和混合林的结果分别是6、5、7。(4)模型对比分析采用逐步回归模型和支持向量机等模型分别对研究区的森林生物量遥感特征进行特征选择,并与本文中提出的算法进行对比分析,结果表明,本文提出的算法更有效,通用性更好。