CN111814397B - 结合源解析与机器学习的森林生物量估算方法 - Google Patents
结合源解析与机器学习的森林生物量估算方法 Download PDFInfo
- Publication number
- CN111814397B CN111814397B CN202010629849.0A CN202010629849A CN111814397B CN 111814397 B CN111814397 B CN 111814397B CN 202010629849 A CN202010629849 A CN 202010629849A CN 111814397 B CN111814397 B CN 111814397B
- Authority
- CN
- China
- Prior art keywords
- biomass
- forest
- model
- estimation
- establishing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002028 Biomass Substances 0.000 title claims abstract description 111
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims description 14
- 239000002023 wood Substances 0.000 claims abstract description 19
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000011835 investigation Methods 0.000 claims abstract description 3
- 230000000694 effects Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 12
- 210000000481 breast Anatomy 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013507 mapping Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 239000003864 humus Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于森林管理技术领域,涉及一种提升森林生物量估算精度的技术。利用源解析与机器学习方法以及激光雷达数据,设计一种针对大面积亚热带森林生物量估算的精度提升的技术。该技术主要由建立生物量单木模型、建立样地水平生物量参考图、建立基于激光雷达数据的样地水平生物量估算图、获得生物量不确定性分布图、利用空间统计方法进行不确定性的源解析、引入机器学习重新估算生物量六个阶段构成。该技术提升了激光雷达数据在大尺度森林的生物量估算精度,为机载激光雷达在大面积亚热带森林的林业勘察应用中提供更精细的技术解决方案。
Description
技术领域
本发明属于森林管理技术领域,涉及一种森林生物量的估算技术,尤其是涉及一种针对大面积亚热带森林生物量降低估算不确定性的技术。基于不确定性源解析和机器学习发明一种预测并提升大面积亚热带森林生物量的估算精度。
背景技术
光探测测距(LiDAR)数据的应用显著提高了森林生物量制图的精度,但在区域尺度上,该制图仍存在较大的不确定性,其关键问题是影响生物量图不确定性的主导因子(环境协变量)尚不清楚,以及在非均匀环境条件下不确定性与这些主导因子之间的非线性关系尚未得到表征。
一方面,空间分析为揭示森林生物量估算中不确定性的来源和机理提供了可能。它将空间因素纳入到估算模型中,可以洞察森林生物量和环境因素的空间分布,并寻求它们之间的联系。利用空间分析的源解析可有效识别出导致生物量空间分布不确定性的主导环境协变量。另一方面,考虑到森林属性数据的空间依赖性,森林生物量模型中可能存在空间相关的残差。在这种情况下,参数模型可能无法明确地适应森林生物量制图中残差的空间依赖性;而机器学习由于具有较高的算法灵活性,且具有无需对预测因子与反应变量之间的关系及其分布作出严格要求等优点,或许可以在异质区域中实现更为精确的森林生物量估算。
提升森林生物量的估算精度是林业和生态学中的重要问题。目前专利多运用光学遥感反演进而估算森林生物量如《一种基于光谱曲线特征分异的森林生物量遥感反演方法》(公布号:CN106291582A),和《一种森林地上生物量遥感估测通用模型构建方法》(公布号:CN108876917A),也有将激光雷达和合成孔径雷达运用于大面积森林生物量的专利如《种基于LiDAR和ALOS PALSAR多元数据的森林生物量模型的建立方法》(公布号:CN109946714A),和《一种基于全极化SAR数据的森林生物量模型的建立方法》(公布号:CN109917387A)。但尚未有专门对激光雷达数据运用于森林生物量估算的不确定性进行源解析,并利用机器学习算法进一步提升精度的专利。
综上,开发一种结合源解析与机器学习以提升森林生物量估算精度的方法十分必要。
发明内容
发明目的:提供结合源解析与机器学习以提升森林生物量的估算精度,有效提高精度,降低成本。
为达到上述目的,本发明采用以下技术方案:
结合源解析与机器学习以提升森林生物量的估算精度,其特征在于,包括以下步骤:
1)建立生物量单木模型;
2)基于单木模型和样地调查数据建立样地水平生物量参考图;
3)基于机载激光雷达数据和混合效应模型建立样地水平生物量估算图;
4)结合生物量参考图和生物量估算图获得生物量不确定性分布图;
5)利用空间统计方法地理探测器对生物量不确定性进行不确定性的源解析;
6)基于源解析结果,引入机器学习重新估算生物量,获得更高精度的生物量估算图。
在步骤1)中,根据林业要求建立样地,确定标准样木为解析木,砍伐并采集其生物量、树高、胸径数据,从而建立生物量单木模型。
在步骤2)中,获取森林资源清查数据,包括每个样地的平均树高和每棵树的胸径,结合步骤1)中建立的单木模型,计算得到基于实地调查的生物量参考值。
在步骤3)中,以森林资源清查数据中的森林类型和机载激光雷达数据作为x值,以步骤 2)中计算得的样地的生物量参考值作为y值,建立混合效应模型并求得基于Lidar数据的生物量估算值。
在步骤4)中,将研究区的生物量估算值与参考值相减获得混合效应模型的残差值,从而获得生物量不确定性分布图。
在步骤5)中,将森林生物量的不确定性数据和森林资源清查数据作为输入数据,利用空间统计方法地理探测器对森林生物量进行不确定性的源解析,获得显著影响生物量估算的环境因子。
在步骤6)中,将源解析结果中获得的显著影响生物量估算的环境因子作为输入数据,采用机器学习算法,对混合效应模型的残差值重新建模,从而获得森林生物量估算精度的显著提高。
本发明的有益效果如下:
本发明以福建省龙岩县1.9万平方公里的亚热带森林为方法实施对象,绘制该地区森林森林生物量图及其空间不确定性图,对不确定性进行源解析,再利用机器学习方法结合源解析的结果重新估算森林生物量,使得估算精度从R2=0.71提升到R2=0.90,MAE、MRE、RMSE、 nRMSE等值也全都显著下降。显示本发明所述的技术在森林生物量估算和估算精度的提升有较大应用前景。
附图说明
图1是本发明方法的流程图
图2是改进前后估算生物量与参考生物量的拟合对比图;
具体实施方式
下面结合实例对本发明做进一步详细的说明。
实施例1
一种结合源解析与机器学习以提升森林生物量估算精度的方法,包括以下步骤:
1)试验区概况
研究区为福建省龙岩市(约19000km2),位于中国东南部。福建是中国森林覆盖率最高的省份,而龙岩是福建省森林覆盖率最高的县(约78%)。地形大多为山区和丘陵(约95%),平均坡度约为28度,海拔高度在平均海平面以上69m至1811m之间。气候受亚热带海洋性季风影响,年降水量约为1700mm/a。
2)建立生物量单木模型
根据林业要求建立标准样地81个,每个样地确定标准样木3棵,砍伐解析并采集其生物量、树高、胸径数据。共收集242棵标准木,包括28个树种。根据树种分类为14个类别,建立14个生物量单木模型。
3)基于单木模型和样地调查数据建立样地水平生物量参考图;
获取研究区的森林资源清查数据,一共470个样地。每个样地包括以下指标:森林类型,主要树种,林龄,郁闭度,土壤深度,土壤类型,腐殖质层,枯枝落叶,海拔,坡向,破位,坡度,平均树高;以及每个样地中每棵树的胸径。将每棵树所在样地的平均树高作为该树的树高。根据树种,对应14个类别的生物量单木模型计算出每棵树的生物量。每个样地中所有树木的生物量之和求得该样地的生物量值,从而得到研究区最为接近真实的样地水平生物量参考值。
4)基于机载激光雷达数据和混合效应模型建立样地水平生物量估算图
获取机载激光雷达数据,并提取激光雷达指标(Hmean)。以森林资源清查数据中的森林类型和机载激光雷达数据中的平均高度指标(Hmean)作为模型的自变量x值,每个样地的生物量参考值作为模型的因变量y值,建立混合效应模型并求得未改进的生物量估算值。
根据生物量参考图与本步骤的生物量估算值,计算本次估算的精度。评价指标包括确定系数(R2),平均绝对误差(MAE),平均相对误差(MRE),均方根误差(RMSE)和标准化均方根误差(nRMSE),公式如下(1-4):
nRMSE=RMSE/yi (4)
求得结果见图2(A)。
5)结合生物量参考图和生物量估算图获得生物量不确定性分布图
将研究区的生物量估算值与参考值相减获得混合效应模型的残差值,从而获得生物量不确定性分布图。
6)利用空间统计方法地理探测器对生物量不确定性进行源解析;
该步骤是为了获得显著影响生物量估算不确定性的环境因子。
将每个样地的12个指标(森林类型,主要树种,林龄,郁闭度,土壤深度,土壤类型,腐殖质层,枯枝落叶,海拔,坡向,破位和坡度)作为地理探测器的x值,将未改进估算的不确定性值(混合效应模型的残差值)作为y值,输入地理探测器软件,求得显著显著影响生物量估算不确定性的环境因子有:林龄,郁闭度,腐殖质层,海拔,坡向和坡度,共6个因子。
7)基于源解析结果,引入机器学习重新估算生物量,获得改进模型的生物量估算图。
采用随机森林的机器学习算法,将源解析结果中获得的显著影响生物量估算的6个环境因子作为输入数据,对混合效应模型(未改进模型)的残差值重新建模,从而获得改进模型的森林生物量估算值。
8)改进模型的精度(方法计算结果)
根据生物量参考图与改进模型计算的生物量估算值,计算改进后的估算精度。评价指标包括确定系数(R2),平均绝对误差(MAE),平均相对误差(MRE),均方根误差(RMSE)和标准化均方根误差(nRMSE),公式如(1-4)。
试验结果表明,通过本发明对中国大面积亚热带森林进行的生物量估算,精度取得了显著的提升(图2B):R2=0.90。改进前后精度对比图如图2。
Claims (1)
1.一种结合源解析与机器学习的森林生物量估算方法,其特征在于,包括以下步骤:
1)建立生物量单木模型;
2)基于生物量单木模型和样地调查数据建立样地水平生物量参考图;
3)基于机载激光雷达数据和混合效应模型建立样地水平生物量估算图;
4)结合样地水平生物量参考图和样地水平生物量估算图获得生物量不确定性分布图;
5)使用利用空间统计方法的地理探测器对生物量不确定性进行不确定性的源解析;
6)基于源解析结果,引入机器学习重新估算生物量,获得改进模型的样地水平生物量估算图;
其中:
在步骤1)中,根据林业要求建立样地,确定标准样木为解析木,砍伐并采集其生物量、树高、胸径数据,从而建立生物量单木模型;
在步骤2)中,获取森林资源清查数据,包括每个样地的平均树高和每棵树的胸径,结合步骤1)中建立的生物量单木模型,计算得到基于实地调查的生物量参考值;
在步骤3)中,以森林资源清查数据中的森林类型和机载激光雷达数据作为x值,以步骤2)中计算得的样地的生物量参考值作为y值,建立混合效应模型并求得基于光探测测距数据的生物量估算值;
在步骤4)中,将研究区的生物量估算值与参考值相减获得混合效应模型的残差值,从而获得生物量不确定性分布图;
在步骤5)中,将混合效应模型的残差值和森林资源清查数据作为输入数据,使用利用空间统计方法的地理探测器对森林生物量进行不确定性的源解析,获得显著影响生物量估算的环境因子;
在步骤6)中,将源解析结果中获得的显著影响生物量估算的环境因子作为输入数据,采用机器学习算法,对混合效应模型的残差值重新建模,从而获得改进模型的生物量估算图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629849.0A CN111814397B (zh) | 2020-07-03 | 2020-07-03 | 结合源解析与机器学习的森林生物量估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629849.0A CN111814397B (zh) | 2020-07-03 | 2020-07-03 | 结合源解析与机器学习的森林生物量估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814397A CN111814397A (zh) | 2020-10-23 |
CN111814397B true CN111814397B (zh) | 2023-03-24 |
Family
ID=72855986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010629849.0A Active CN111814397B (zh) | 2020-07-03 | 2020-07-03 | 结合源解析与机器学习的森林生物量估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814397B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112649372A (zh) * | 2020-11-27 | 2021-04-13 | 中国科学院东北地理与农业生态研究所 | 一种基于机器学习的遥感反演森林郁闭度的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3865764B1 (ja) * | 2006-08-15 | 2007-01-10 | アルスマエヤ株式会社 | 森林資源調査方法および森林資源調査装置 |
CN108959705A (zh) * | 2018-05-30 | 2018-12-07 | 中国科学院城市环境研究所 | 一种预测大面积亚热带森林生物量的混合效应模型 |
CN110162872A (zh) * | 2019-05-17 | 2019-08-23 | 中国科学院城市环境研究所 | 一种多源数据融合的森林资源清查生物量估算模型 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100750749B1 (ko) * | 2005-11-29 | 2007-08-30 | 대한민국 | Gis를 이용한 식물자원 수량화 방법 |
US10467475B2 (en) * | 2010-06-16 | 2019-11-05 | Yale University | Forest inventory assessment using remote sensing data |
-
2020
- 2020-07-03 CN CN202010629849.0A patent/CN111814397B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3865764B1 (ja) * | 2006-08-15 | 2007-01-10 | アルスマエヤ株式会社 | 森林資源調査方法および森林資源調査装置 |
CN108959705A (zh) * | 2018-05-30 | 2018-12-07 | 中国科学院城市环境研究所 | 一种预测大面积亚热带森林生物量的混合效应模型 |
CN110162872A (zh) * | 2019-05-17 | 2019-08-23 | 中国科学院城市环境研究所 | 一种多源数据融合的森林资源清查生物量估算模型 |
Non-Patent Citations (3)
Title |
---|
合成孔径雷达森林树高和地上生物量估测研究进展;李兰等;《遥感技术与应用》;20160815(第04期);全文 * |
基于Landsat TM的香格里拉市高山松生物量估测重建;陆驰等;《林业调查规划》;20161215(第06期);全文 * |
福建地区马尾松生物量转换和扩展因子的影响因素;欧强新等;《生态学报》(第17期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111814397A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bouvier et al. | Generalizing predictive models of forest inventory attributes using an area-based approach with airborne LiDAR data | |
CN104656098B (zh) | 一种遥感森林生物量反演的方法 | |
Noordermeer et al. | Direct and indirect site index determination for Norway spruce and Scots pine using bitemporal airborne laser scanner data | |
CN110427857B (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
Jiang et al. | Estimating the aboveground biomass of coniferous forest in Northeast China using spectral variables, land surface temperature and soil moisture | |
Metsämäki et al. | A feasible method for fractional snow cover mapping in boreal zone based on a reflectance model | |
Luo et al. | Estimating forest aboveground biomass using small-footprint full-waveform airborne LiDAR data | |
Vivone et al. | Atmospheric boundary layer height estimation from aerosol lidar: a new approach based on morphological image processing techniques | |
Nie et al. | Estimating leaf area index of maize using airborne discrete-return LiDAR data | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
CN110378925B (zh) | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 | |
CN109948106B (zh) | 一种利用激光点云计算林分高度累计百分比的方法 | |
CN112014542B (zh) | 植被覆盖区土壤水分图制作方法、装置、储存介质及设备 | |
Maltamo et al. | Experiences and possibilities of ALS based forest inventory in Finland | |
Yang et al. | Nonlinear mixed-effects height to crown base model based on both airborne LiDAR and field datasets for Picea crassifolia Kom trees in northwest China | |
Yu et al. | Terrestrial laser scanning‐derived canopy interception index for predicting rainfall interception | |
CN111814397B (zh) | 结合源解析与机器学习的森林生物量估算方法 | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
Fu et al. | Prediction of subtropical forest parameters using airborne laser scanner | |
Karjalainen et al. | Predicting factual sawlog volumes in Scots pine dominated forests using airborne laser scanning data | |
Kukkonen et al. | Volumes by tree species can be predicted using photogrammetric UAS data, Sentinel-2 images and prior field measurements | |
CN115063610B (zh) | 基于Sentinel-1、2影像的大豆种植区识别方法 | |
CN115775357A (zh) | 基于高光谱及机器学习的植被等效水厚度估算方法 | |
Oliveira et al. | Enhancing global rainfall interception loss estimation through vegetation structure modeling | |
Basuki | Leaf area index derived from hemispherical photograph and its correlation with aboveground forest biomass |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |