林业科学

作者：周小成1,黄婷婷1,李媛1,肖祥希2,朱洪如3,陈芸芝1,冯芝淸4

单位：1. 福州大学空间数据挖掘与信息共享教育部重点实验室　卫星空间信息技术综合应用国家地方联合工程研究中心　福州 3501082. 福建省林业科学研究院　福州 3500123. 福建省林业调查规划院　福州 3500034. 福建金森林业股份有限公司　将乐 353300

关键词：森林蓄积量,林龄,时序遥感,递归特征消除的随机森林,极端梯度提升算法

基金：福建省科技厅对外合作项目（2022I0007）；福建省科技厅高校产学合作项目（2022N5008）；福建省林业科技攻关项目（2021FKJ01）。

目的: 应用XGBoost算法建立包含林龄的遥感因子-蓄积量模型，评价遥感估算的林龄因子与遥感因子相结合提高森林蓄积量估算精度的有效性，为实现高效、快速、精准的大范围森林蓄积量估算提供一种新的思路和方法。方法: 以福建省将乐县为研究示范区，首先，基于1987—2016年时序Landsat影像，采用LandTrendr森林干扰与恢复监测算法监测年度林分更替干扰并估算干扰区林龄；然后，基于GF-1号影像光谱、纹理、地形等特征，采用递归特征消除的随机森林算法（RFE-RF）估算非干扰区林龄；在此基础上，结合GF-1影像光谱、纹理因子和森林资源二类调查小班实测蓄积量数据，采用极端梯度提升算法估算研究区森林蓄积量。对比有无林龄因子的森林蓄积量估算精度，进一步验证遥感林龄因子对提高森林蓄积量估算精度的重要性。结果: 采用LandTrendr森林干扰与恢复监测算法获得的干扰区林分林龄误差仅1~2年，林龄估算精度明显优于传统利用遥感因子估算的林龄精度（误差4~12年）。仅采用常规遥感因子估算森林蓄积量时，XGBoost模型决定系数（R2）为0.59，平均均方根误差（RMSE）为30.72 m3·hm?2，相对均方根误差（rRMSE）为16.46%；加入林龄因子后，模型R2提高至0.73，平均RMSE减少至23.73 m3·hm?2，rRMSE为13.26%，森林蓄积量估算平均总体精度约提高10.4%，达84.4%。结论: 相比仅采用常规遥感因子估算森林蓄积量，应用XGBoost算法建立包含林龄的遥感因子-蓄积量模型，其估算精度接近森林资源调查相关规定要求，可为大范围亚热带森林资源快速调查评估提供重要技术支持。

来源：2023年第4期

《林业科学》期刊编辑部

查看林业科学杂志2023年第4期