结合源解析与机器学习以提升森林生物量的估算精度制造技术

本发明专利技术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。

【技术实现步骤摘要】
结合源解析与机器学习以提升森林生物量的估算精度
本专利技术属于森林管理
，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专利技术一种预测并提升大面积亚热带森林生物量的估算精度。
技术介绍
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ALOSPALSAR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。
技术实现思路
专利技术目的：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，本专利技术采用以下技术方案：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。本专利技术的有益效果如下：本专利技术以福建省龙岩县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。显示本专利技术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是本专利技术方法的流程图图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专利技术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)其中，是第i个样地估算的生物量值，yi是第i个样地的参考生物量值，n是样地的数量(470)。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本文档来自技高网...

【技术保护点】
1.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：/n1)建立生物量单木模型；/n2)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；/n3)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；/n4)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；/n5)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；/n6)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。/n

【技术特征摘要】
1.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。


2.根据权利要求1所述的结合源解析与机器学习以提升森林生物量的估算精度，其特征是，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。


3.根据权利要求1所述的结合源解析与机器学习以提升森林生物量的估算精度，其特征是，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。


4.根据权利要求1所...

【专利技术属性】
技术研发人员：任引，郑小曼，戴劭勍，陈奇，左舒翟，
申请(专利权)人：中国科学院城市环境研究所，湖南科技大学，
类型：发明
国别省市：福建;35