应用XGBoost算法对森林地上生物量的机载LiDAR反演

为了探究机载LiDAR数据结合极端梯度提升(XGBoost)算法估算森林地上生物量的可行性和适用性,寻求更优的森林地上生物量的监测和估算模型的建模方法。根据125块地面样地调查数据和机载激光雷达提取的点云特征变量,结合根据皮尔森相关系数和递归特征消除筛选变量,采用多元线性回归(MLR)、随机森林(RF)、支持向量机(SVM)和极端梯度提升(XGBoost)算法,建立4种不同算法的地上生物量估测模型并进行对比分析。结果表明:在训练集中,RF模型表现最好(R_(MSE)=9.98 t·hm^(-2),R^(2)=0.93,M_(AE)=5.69 t·hm^(-2)),其次是XGBoost模型(R_(MSE)=10.80 t·hm^(-2),R^(2)=0.89,M_(AE)=7.24 t·hm^(-2));在测试集中,采用XGBoost算法建立的模型表现(R_(MSE)=12.20 t·hm^(-2),R^(2)=0.83,M_(AE)=8.30 t·hm^(-2))明显优于其他3种模型,XGBoost模型估测表现稳定且差异很小,MLR、RF和SVM模型在训练集和测试集的表现上都存在较大差异。