基于随机森林偏差校正和多源遥感数据的天然次生林地上生物量估测

赵颖慧，蔡鑫垚，甄 贞

（东北林业大学 a.林学院；b.森林生态系统可持续经营教育部重点实验室，黑龙江 哈尔滨 150040）

森林蓄积量和生物量的精确估测是评估生态系统过程、碳平衡及气候变化的重要基础[1]。森林生物量分为地上生物量（Above ground biomass,AGB）和地下生物量（Below ground biomass,BGB），地上生物量包括树干、树枝和树叶生物量[2]。遥感技术不断地提高能够快速、准确地提取不同尺度的森林参数[3]，使得森林AGB 的高精度估测成为可能。以Landsat为代表的多光谱数据对植被指数的提取越来越精确，而植被指数、不同波段的组合与森林生物量大多呈正相关性[4]。激光雷达（Light Detection and Ranging,LiDAR）对植被垂直结构尤其是林冠下层结构有很强的探测能力，对森林参数的提取和定量反演有一定的优势[5]，但LiDAR 数据缺少对光谱信息的表达，且存在点云穿透性缺失的情况，不能有效地提升反演尺度[6]。因此要进行较大尺度的森林AGB 估算，就要结合LiDAR 数据高精度森林参数的提取和Landsat 光学遥感数据对AGB 的空间拓展[7]。

森林AGB 估测方法有传统的多元回归方法[8]、偏最小二乘回归（Partial least squares regression,PLSR）[9]和逐步回归（Multiple stepwise regression,MSR）[10]等，但传统的预测模型往往存在着区域差异性而难以大范围推广[11]。现阶段，生物量预测模型由传统的统计回归模型向非参数化模型拓展，例如：神经网络（Neural network,NN）[9]、支持向量机（Support vector machine,SVM）[12]、K最邻近法（K-nearest neighbor,KNN）[13]和随机森林（Random forest,RF）[11]等，它们更能揭示森林AGB 与多源遥感数据之间的非线性复杂关系[14]，此外还能降低估测模型中大量预测因子的数据维度[15]。高煜堃[16]基于多源数据的亚热带森林AGB 估测中，在进行特征筛选和最优特征组合后构建的SVM 模型精度较MSR 提升60.2%以上，对AGB 小于40 t·hm-2和大于120 t·hm-2区域的预测精度可以提高14.6%。……