基于光学-ALS变量组合和非参数模型的天然次生林地上生物量估算

【目的】通过组合机载激光雷达(airborne laser scanning,ALS)数据和Sentinel-2A数据提取特征变量,探讨估算天然次生林地上生物量(aboveground biomass,AGB)最佳的变量组合方式和估算方法。【方法】以2015年ALS数据、2016年Sentinel-2A数据和黑龙江帽儿山林场森林资源连续清查固定样地数据为数据源,通过ALS数据提取高度特征变量(all the LiDAR variables,记为A_(L)),Sentinel-2A数据提取若干植被指数变量(all the optical variables,记为A_(O)),然后将光学-ALS结合变量(combined optical and LiDAR index,COLI,记为ICOL)结合成为新的变量I_(COL1)和I_(COL2),以6组特征变量组合方式(A_(O)+A_(L)、I_(COL1)、I_(COL2)、I_(COL1)+A_(O)+A_(L)、I_(COL2)+A_(O)+A_(L)、I_(COL1)+I_(COL2)+A_(O)+A_(L))作为输入变量,分别使用多元线性逐步回归(stepwise multiple linear regression,SMLR)、K-最近邻法(K-nearest neighbor,K-NN)、支持向量回归(support vector regression,SVR)、随机森林(random forest,RF)和堆叠稀疏自编码器(stack sparse auto-encoder,SSAE)共5种方法构建了天然次生林AGB估算模型,探讨ICOLs变量以及不同模型对生物量估测精度的影响。【结果】结合变量ICOLs对于森林AGB的估算十分有效,加入ICOLs变量能够很大提高森林AGB模型的估算精度;与其他4种模型相比,无论使用哪些变量作为输入数据,SSAE模型的精度最高;当使用SSAE模型,以光学和ALS变量组合(I_(COL1)+I_(COL2)+A_(O)+A_(L))作为输入特征变量时,模型的准确性最高:R^(2)=0.83,均方根误差为11.06 t/hm^(2),相对均方根误差为8.23%。【结论】结合变量COLIs能够有效地提高天然次生林AGB的估算精度,而且深度学习模型(SSAE)在估算天然次生林AGB方面优于其他预测模型。总体而言,利用ALS和Sentinel-2A数据组合变量的SSAE模型可以较准确地估算森林AGB,为天然次生林地上生物量的估算和碳储量评估提供技术支持。