基于随机森林回归模型的思茅松人工林生物量遥感估测

doi:10.13466/j.cnki.lyzygl.2015.01.013

林业资源管理 ›› 2015, Vol. 0 ›› Issue (1): 71-76.doi: 10.13466/j.cnki.lyzygl.2015.01.013

基于随机森林回归模型的思茅松人工林生物量遥感估测

孙雪莲, 舒清态, 欧光龙, 胥辉

西南林业大学,昆明 650224

出版日期:2015-02-28 发布日期:2020-12-01
通讯作者: 胥辉(1960-),男,教授,博士。Email:zyxy213@126.com
作者简介:孙雪莲(1990-),女,云南曲靖人,在读硕士,主要研究方向森林测计和林业3S技术应用。Email:sxl524@163.com
基金资助:
国家林业局林业公益性行业科研专项(201404309);国家自然科学基金(31460194)

Remote Sensing Estimation of the Biomass of Artificial Simao Pine Forest Based on Random Forest Regression

SUN Xuelian, SHU Qingtai, OU Guanglong, XU Hui

Southwest Forestry University,Kunming 650224,China

Online:2015-02-28 Published:2020-12-01

摘要/Abstract

摘要： 以云南省景谷县思茅松人工林为研究对象,以研究区2005年TM影像及2006年森林资源二类调查小班空间属性数据库为信息源,在前期建立思茅松单木生物量模型基础上,在ENVI下提取9个植被指数作为备选自变量,建立研究区思茅松人工林随机森林回归遥感估测模型。结果表明随机森林回归遥感估测模型的决定系数(R²)=0.97,均方根误差(RMSE)=4.97;模型的预估精度(P)=87.67%。利用已经训练好的随机森林估测模型,估测研究区思茅松人工林生物量为3 644 612.00t;单位面积生物量为59.90 t/hm²。研究结果可为其它典型森林类型生物量或碳储量估测提供案例分析。

关键词: 景谷县, 生物量, 随机森林回归, 思茅松

Abstract: The Simao Pine(Pinus kesiya var.langbianensis)plantations in Jinggu county are taken as the research object,and TM remote sensing image in 2005 and the forest resource inventory database for sub-compartment space attribute in 2006 as the data source.Based on the single tree biomass models,9 index as of vegetation were extracted under ENVI as the alternative variables.The estimation model of remote sensing random forest regression of the Simao pine plantations in the study area was established.The results are as followsR²=0.97,RMSE=4.97 and model estimation accuracy =87.76%.By using the estimation model of RF which has been trained,the predicted total biomass of Simao pine plantations was 3 644 612.00t in study area.The biomass of per-unit area was 59.90 t/hm².The results provide a typical case analysis for estimation of the biomass and carbon stocks of other types of forests.

Key words: Jinggu county, biomass, random forest regression, Pinus kesiya var.langbianensis

中图分类号:

S718.55

孙雪莲, 舒清态, 欧光龙, 胥辉. 基于随机森林回归模型的思茅松人工林生物量遥感估测[J]. 林业资源管理, 2015, 0(1): 71-76.

SUN Xuelian, SHU Qingtai, OU Guanglong, XU Hui. Remote Sensing Estimation of the Biomass of Artificial Simao Pine Forest Based on Random Forest Regression[J]. FOREST RESOURCES WANAGEMENT, 2015, 0(1): 71-76.

参考文献 18

[1]	IPCC.Good practice guidance for land-use change and forestry[R].Hayama,Japan:IPCC National Greenhouse Gas inventories programme,2003:1-295.
[2]	戴小华,余世孝.遥感技术支持下的植被生产力与生物量研究进展[J].生态学杂志,2004(4):95-101.
[3]	Fried M A,Davis F W,Michaelsen,et al.Scaling and uncertainty in the relationship between the NDVI and land surface biophysical variables:An analysis using a scene simulation model and data from FIFE[J].Remote Sensing,1995,54:233-246.
[4]	袁野,李虎,刘玉峰.基于改进型B-P神经网络的西天山云杉林生物量估算[J].福建师范大学学报:自然科学版,2011,27(2):124-132 .
[5]	曾明宇,陈振雄,刘庭威.基于ANN的森林蓄积量遥感估测研究[J].中南林业调查规划,2010,29(3):36-39.
[6]	党承林,吴兆录.云南普洱地区思茅松林生物量[J].云南大学学报:自然科学版,1992,14(2): 119-127.
[7]	胥辉,张会儒.林木生物量模型研究[M].昆明:云南科技出版社,2002.
[8]	Bailey R L,Ware K D.Compatible Basal-Area Growth and Yield Model for Thinned and Unthinned Stand[J].Canadian Journal of Forest Research,1983,13:563-571.
[9]	Candy S G.Growth and Yield Models for Pine in Tasmania [J].Forest Science,1989,19(1):112-133.
[10]	Sullivan A D,Culture J L.A Simultaneous Growth and Yield Model for Loblolly Pine[J].Forest Science,1972,18(1):76-86.
[11]	李江.思茅松幼龄人工林的生物量碳密度及其动态变化[D].北京:北京林业大学,2011:1-86.
[12]	朱丽梅,胥辉.思茅松单木生物量模型研究[J].林业科技,2009,34(9):19-23.
[13]	Huete S R.A Soil-adjusted Vegetation Index[J].Advances in Earth Science of Environment,1998,13(4):327-333.
[14]	田庆久,闵祥军.植被指数研究进展[J].地球科学进展,1988(4):10-16.
[15]	方匡南,吴见彬,朱建平,等.随机森林方法研究综述[J].统计与信息论坛,2011,26(3):32-38.
[16]	Breiman L.Random Forest[J].Machine Learning,2001,45:5-32.
[17]	李欣海.随机森林模型在分类与回归分析中的应用[J].应用昆虫学报,2013,50(4):1190-1197.
[18]	Breiman L,Cutler A.Package random Forest[R/OL].(2013-08-12)[2015-12-26].http://cran.r-project.org/web/package/randomForest/randomForest.dbf.

基于随机森林回归模型的思茅松人工林生物量遥感估测

Remote Sensing Estimation of the Biomass of Artificial Simao Pine Forest Based on Random Forest Regression

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 18

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郭娇宇, 周梅, 舒洋, 赵鹏武, 乌艺恒, 田金龙, 杨磊, 管立娟, 肖雷. 内蒙古大兴安岭兴安落叶松人工林生物量碳计量参数研究[J]. 林业资源管理, 2020, 0(4): 80-86.
[2]	唐志明, 刘炳响, 屈宇. 河北太行山区典型水土保持林乔木层生物量及碳储量研究[J]. 林业资源管理, 2020, 0(1): 102-107.
[3]	罗洪斌, 舒清态, 庞勇, 王强, 王冬玲. 运用机载LiDAR数据对橡胶林地上生物量估测的采样尺度效应分析[J]. 林业资源管理, 2020, 0(1): 136-142.
[4]	郭子豪, 孙晶琦, 巩合德. 滇中地区主要灌丛生物量空间分布格局特征[J]. 林业资源管理, 2019, 0(6): 55-61.
[5]	朱雅丽, 张绘芳, 张景路, 地力夏提·包尔汉. 基于无人机遥感的胡杨地上生物量估测模型构建[J]. 林业资源管理, 2019, 0(2): 80-87.
[6]	安慧君, 杨林林, 周蕾, 张雪影, 车亚超. 三种生境东北岩高兰新生枝特征研究[J]. 林业资源管理, 2019, 0(2): 93-98.
[7]	于士涛, 富金赤, 姜玲玲, 马荣, 许中旗. 冀北山地阳坡草本植被层与土壤因子的关系[J]. 林业资源管理, 2019, 0(1): 32-37.
[8]	任怡, 王海宾, 许等平. 基于Landsat 8影像的乔木林地上生物量估算[J]. 林业资源管理, 2018, 0(6): 38-44.
[9]	徐延鑫, 李明阳, 郝思宇. 基于GIS的城市森林生物量抽样方法研究[J]. 林业资源管理, 2018, 0(5): 123-127.
[10]	王梓璇, 周梅, 赵鹏武, 王鼎, 杨磊, 丁兆华. 不同火烧木管理方式火烧迹地林下物种多样性及地上生物量研究——以寒温带兴安落叶松林为例[J]. 林业资源管理, 2018, 0(4): 28-33.
[11]	白志强, 李缓, 王文栋, 刘端, 韩燕梁, 刘华. 阿尔泰山优势树种的生物量模型构建及其生物量分配特征[J]. 林业资源管理, 2018, 0(4): 34-40.
[12]	王云霞, 马军. 不同林龄华北落叶松白桦混交林土壤微生物量碳氮含量研究[J]. 林业资源管理, 2018, 0(4): 55-60.
[13]	韩爽, 甄艳, 谭清梅, 刘玉卿, 张华兵. 盐城海滨湿地植被地上生物量遥感反演研究[J]. 林业资源管理, 2018, 0(4): 105-111.
[14]	刘金山, 张蓓, 周学武, 邢元军, 张万林. 西藏自治区云杉林生物量密度模型研建[J]. 林业资源管理, 2018, 0(1): 38-43.
[15]	肖中琪, 黄建文, 凌成星. 新疆天山西部天然林保护工程区林地及森林生物量空间变化分析[J]. 林业资源管理, 2018, 0(1): 57-62.