【技术实现步骤摘要】
本专利技术属于森林管理，涉及一种准确估算森林生物量的技术，更具体地说，涉及一种提升区域尺度亚热带森林生物量估算精度的技术。基于机器学习和空间统计分析专利技术一种提升亚热带森林生物量制图精度的方法。
技术介绍
1、结合地面调查、卫星图像、雷达和机器学习的综合方法已被证明是提高区域尺度地上生物量估算的有效方法之一。通过整合数据和技术，地上生物量估算的不确定性可以大大降低。亚热带森林植被演替过程中，多种因素的多样性和不确定性以及其不同的影响强度和方向导致地上生物量的空间分布具有异质性。大规模的人类活动进一步增强了森林地上生物量的异质性。这些因素的时空异质性以及将林分结构、土壤和地形等特征参数纳入地上生物量估算的挑战，导致区域地上生物量估算相似，但在区域内存在显著的局部差异。因此，在区域范围内进行森林地上生物量制图仍存在较大程度的不确定性。全球各大洲在像素尺度上地上生物量绘图的平均不确定性约为±30%，而亚热带地区的不确定性约为±33%。在区域范围内，森林的异质性和遥感图像质量差异导致地上生物量估算的不确定性增加，范围从±6%到±53%。因此，确定和改进估计方法对获得更准确和精确的森林地上生物量空间分布图至关重要。
2、目前，森林地上生物量制图主要使用三种数据源，即地面观测、卫星图像和雷达。每个数据源都有其优势和劣势。地面观测具有较高的测量精度，可以验证地上生物量估算和绘图精度，并提供影响绘图精度的辅助因素，如地形、土壤和林分结构属性。然而，地面观测需要大量的时间、金钱和人力，并且在样地范围内只能测量有限的点。此外，由于采样
3、只有通过实地测量森林地上生物量，并在地面观测、卫星图像和雷达之间建立量化的空间关系，才能从根本上提高地上生物量制图的精度。结合机器学习和空间统计分析技术可以充分发挥上述三个数据源的优势，使算法更加灵活，变量类型不受限制。由于其非参数性质，对预测变量和响应变量之间的关系和分布没有严格要求，通过这种方法可以实现更高的预测精度。
4、空间统计分析是一种利用属性信息和空间位置来分析数据的统计技术。相比传统统计方法，空间统计分析将地理位置、邻近性和空间交互性等空间因素纳入研究模型，打破了传统统计方法中样本间独立的假设。空间统计分析不仅考虑数值之间的相关性，还更好地理解研究对象内部的空间异质性、地理位置特征、空间分布特征和空间模式的成因。因此，与传统方法相比，空间统计分析具有明显优势。然而，尽管文献中存在许多基于空间统计方法的预测模型，但对林业相关变量的估计研究相对较少。因此，我们假设通过协同使用多源数据，可以利用空间统计分析来探索多种辅助因素的影响，进一步提高绘图的准确性。
5、综上所述，开发一种结合机器学习和空间统计分析的森林生物量估算方法十分必要。
技术实现思路
1、本专利技术所要解决的技术问题在于提供一种结合机器学习和空间统计分析的森林生物量估算方法。
2、为了解决上述技术问题，本专利技术所采用的技术方案如下：
3、一种结合机器学习和空间统计分析的森林生物量估算方法，其特征在于，包括如下步骤：
4、（1）对多源数据进行预处理，包括地面测量数据、srtm dem、landsat oli和机载激光雷达数据；
5、（2）使用机器学习方法对多源数据进行地上生物量估算，并对其进行评估，得到初步预测的地上生物量空间分布图；
6、（3）使用空间统计分析方法识别影响地上生物量估计准确性的辅助因素；
7、（4）利用空间统计分析方法融合最佳数据源组合与辅助因素，进一步提高地上生物量估计的准确性。
8、在步骤（1）中，对地面观测数据的数据预处理包括对计算样地生物量以及获取辅助因子的空间分布数据；对srtm dem的数据预处理包括提取相关变量；对landsat oli的数据预处理包括辐射校准、大气校正、地形校正、云过滤和提取相关变量；对机载激光雷达的数据预处理包括噪声点去除、点云滤波、点云数据栅格化、高程归一化和提取相关变量。
9、在步骤（2）中，将地面观测数据提取的样地生物量划分为训练集和验证集，基于训练集进行随机森林建模，使用验证集验证估算精度。进而反演得到初步预测的地上生物量空间分布图。
10、在步骤（3）中，将生物量的残差和辅助因子作为输入数据，利用空间统计方法中的地理探测器获得显著影响生物量估算的辅助因子。
11、在步骤（4）中，将样地的残差值作为主变量，影响地上生物量估算的主要辅助因子作为协变量，进行经验贝叶斯回归预测插值，进而得到区域尺度的地上生物量残差空间分布图。将随机森林模型预测的地上森林地上生物量空间分布图与经验贝叶斯回归预测插值预测的地上生物量残差空间分布图进行相加运算，即得到优化后的区域尺度地上森林地上生物量空间分布图。采用验证集验证优化后的区域尺度地上森林地上生物量空间分布图，得到优化后的估算精度。
12、相比于现有技术，本专利技术的有益效果为：
13、（1）本专利技术使用机器学习算法融合了地面观测、卫星图像和雷达等多源遥感数据来估计生物量，将多源数据的优势有效发挥；
14、（2）本专利技术将残差进行经验贝叶斯回归预测插值用于修正初步预测的地上生物量，与只考虑多源数据变量的随机森林模型相比，地上生物量预测精度更高；
15、（3）本专利技术将影响生物量估算的辅助因子作为经验贝叶斯回归预测插值的协变量，充分考虑了残差与地上生物量在地形复杂的大区域中空间分布的关系；
16、（4）本专利技术提出了结合机器学习算法和空间统计分析的优势进行地上生物量空间制图的思想，考虑了数据之间的空间自相关，将经验贝叶斯回归预测对残差的插值结果纳入地上生物量估算及制图策略中，减少了使用单一随机森林模型时出现的过拟合现象，特别是地上生物量较高的区域。
本文档来自技高网...【技术保护点】
1.一种结合机器学习和空间统计分析的森林生物量估算方法，其特征在于，包括如下步骤：
2.在步骤（1）中，对地面观测数据的数据预处理包括对计算样地生物量以及获取辅助因子的空间分布数据；对SRTM DEM的数据预处理包括提取相关变量；对Landsat OLI的数据预处理包括辐射校准、大气校正、地形校正、云过滤和提取相关变量；对机载激光雷达的数据预处理包括噪声点去除、点云滤波、点云数据栅格化、高程归一化和提取相关变量。
3.在步骤（2）中，将地面观测数据提取的样地生物量划分为训练集和验证集，基于训练集进行随机森林建模，使用验证集验证估算精度。进而反演得到初步预测的地上生物量空间分布图。
4.在步骤（3）中，将生物量的残差和辅助因子作为输入数据，利用空间统计方法中的地理探测器获得显著影响生物量估算的辅助因子。
5.在步骤（4）中，将样地的残差值作为主变量，影响地上生物量估算的主要辅助因子作为协变量，进行经验贝叶斯回归预测插值，进而得到区域尺度的地上生物量残差空间分布图。将随机森林模型预测的地上森林地上生物量空间分布图与经验贝叶斯回归预测插值
...【技术特征摘要】
1.一种结合机器学习和空间统计分析的森林生物量估算方法，其特征在于，包括如下步骤：
2.在步骤（1）中，对地面观测数据的数据预处理包括对计算样地生物量以及获取辅助因子的空间分布数据；对srtm dem的数据预处理包括提取相关变量；对landsat oli的数据预处理包括辐射校准、大气校正、地形校正、云过滤和提取相关变量；对机载激光雷达的数据预处理包括噪声点去除、点云滤波、点云数据栅格化、高程归一化和提取相关变量。
3.在步骤（2）中，将地面观测数据提取的样地生物量划分为训练集和验证集，基于训练集进行随机森林建模，使用验证集验证估算精度。进而反演得到初步预测...
【专利技术属性】
技术研发人员：任引，苏颖，
申请(专利权)人：中国科学院城市环境研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。