林业科学

作者：杨菲菲1,张王菲1,*,赵磊2,赵含1,姬永杰3,王梦金1

单位：1. 西南林业大学林学院　昆明 6502242. 中国林业科学研究院资源信息研究所　北京 1000913. 西南林业大学水土保持学院　昆明 650224

关键词：GF-1数据,森林地上生物量,混合特征选择,机器学习,二阶段优化策略

基金：国家自然科学基金项目（42161059，32371869，32160365，32471865）；云南省农业基础研究联合专项（202301BD070001-058，202401BB070001-021）；云南省兴滇人才项目（YNWR-QNBJ-2019-146）。

目的: 提出二阶段遥感特征选择方法与多机器学习模型结合的思路，探索适用于国产高分一号（GF-1）数据估测森林地上生物量（AGB）的有效模式，为高分系列卫星数据在林业监测中的应用提供参考。方法: 首先，从GF-1数据中提取波段光谱特征、纹理特征、植被指数等44个特征变量；然后，基于二阶段特征优选策略优选特征，第一阶段采用过滤式法（Relief）、嵌入式法（Lasso、RF）进行初步筛选，第二阶段通过包装式法（RFE）进一步优化特征子集，提升模型估测能力；最后，利用以往森林AGB估测研究中表现较好的K最近邻（KNN）、支持向量回归（SVR）、随机森林（RF）、梯度提升回归树（GBRT）和极限梯度提升树（XGBoost）机器学习模型进行森林AGB估测，并评估不同特征选择方法与模型之间的匹配度及其对森林AGB估测精度的影响，探寻最优的基于GF-1数据估测森林AGB的策略。结果: 1） Relief-RFE方法在XGBoost模型森林AGB反演中取得较优效果（R2 = 0.811，RMSE = 8.45 t·hm?2，rRMSE = 23.39%）。2） 绿光波段纹理特征（mea_b2）能够捕捉到森林地表覆盖物的空间分布信息，如森林的冠层密度、树木分布等空间结构变化信息；蓝光波段光谱特征（b1）对叶绿素和叶色素浓度变化反应敏感，可表征植被健康状况和生长阶段信息，在多种方法的二阶段特征选择中上述2种特征均被选为核心特征用于森林AGB估测。3） 特征优选可显著提升模型性能，XGBoost模型的提升效果明显大于KNN、SVR、RF和GBRT模型。结论: 通过对比不同特征选择方法与机器学习模型结合估测森林AGB的效果，验证了二阶段特征优选策略在基于GF-1数据估测森林AGB中的有效性，尤其是将该策略与XGBoost模型结合，能够构建出高精度、高稳健性的森林AGB估测策略。

来源：2025年第4期

《林业科学》期刊编辑部

查看林业科学杂志2025年第4期