全极化合成孔径雷达高维小样本数据在森林地上生物量估算中的应用

以河北省承德市塞罕坝机械林场为试验区域,设置37块实测样地;以随机森林模型、自适应遗传算法为基础,构建随机森林模型与自适应遗传算法的混合算法(RF-LOOCV-AGA),对高维小样本合成孔径雷达(SAR)数据特征集同时进行特征选择和回归估计;利用试验地大地2号(ALOS-2)全极化数据提取121个高共线性特征,结合实测样地数据,构建高共线性高维小样本数据集,并应用随机森林模型与自适应遗传算法的混合算法、随机森林算法、逐步回归法,分析全极化合成孔径雷达数据估算森林地上生物量时,因样地较少、影响因素维数多存在的高共线性;探索在算法层面各极化分解参数之间存在的高共线性及小样本林业数据回归估计泛化能力。结果表明:随机森林模型与自适应遗传算法的混合算法从121个高共线性特征集中筛选出含19个影响因素的特征子集,交叉留一法验证泛化精度决定系数为0.906 9、均方根误差为14.184 0 t/hm^(2)、相对均方根误差为11.70%;逐步回归法从121个高共线性特征集中筛选出含7个影响因素的特征子集,交叉留一法验证泛化精度决定系数为0.777 0、均方根误差为23.075 9 t/hm^(2)、相对均方根误差为=19.03%;拟合决策树数目为50、100、150、200的随机森林模型,交叉留一法验证泛化精度均方根误差分别为18.479 44、18.050 25、18.180 52、18.395 33 t/hm^(2)。3种方法泛化精度对比表明,在高维高共线性小样本情况时,随机森林模型与自适应遗传算法的混合算法精度,优于随机森林算法、逐步回归法。