论文部分内容阅读
森林蓄积量是反映森林资源数量的重要指标之一。本研究基于变量优选和深度神经网络算法,以小班为研究单元,估测龙泉市部分区域森林资源的每亩蓄积量,为县域尺度森林蓄积量的估测提供新的方法和思路。基于研究区的森林资源二类调查数据、高分二号(GF-2)遥感影像数据、数字高程模型数据,提取多源数据组成原始特征集。将全变量数据集以及经变量优选方法(Boruta特征选择、皮尔森相关性分析、主成分分析)得到的三种数据集利用偏最小二乘算法进行建模和精度检验,确定最佳数据集用于后续实验。利用两种深度学习模型:基于LM算法改进的深度BP神经网络(Levenberg Marquard Back Propagation Deep Neuron Network,LMBP-DNN)、基于卷积神经网络与支持向量机回归的集成模型(Convolutional Neural Network Support Vector Regression,CNN-SVR),两种浅层机器学习模型:基于LM算法改进的BP神经网络(Levenberg Marquard Back Propagation Neuron Network,LMBP-NN)、支持向量机回归模型(Support Vector Regression,SVR)训练森林蓄积量估测模型,利用十折交叉验证、网格搜索、试验法等方法对建模效果进行检验以确定模型最优参数,并对四种模型的拟合性和泛化表现进行对比分析。研究结果表明:(1)经过Boruta特征选择方法得到的数据集最优,通过筛选后保留的特征有6个:土层厚度、年龄、郁闭度、海拔、坡度和坡向;(2)十折交叉验证结合网格搜索能快速而准确地确定模型最优组合参数,提高模型精度。(3)LMBP-DNN和CNN-SVR森林蓄积量估测模型的泛化能力各有优劣,LMBPDNN的均方根误差(Root Mean Square Error,RMSE)、相关系数(Correlation Coefficient,R)、平均绝对误差(Mean Absolute Deviation,MAE)的更优,CNN-SVR的平均精度和总体精度表现更好。(4)两种深度学习模型的建模结果和泛化表现均优于浅层机器学习模型,平均估测精度均在81%以上,总体精度均达到了97%以上,基于深度学习算法对浅层机器模型的改进能提高模型的性能,在森林蓄积量估测领域具有一定的优势和研究价值。