基于逐步回归的XGboost方法的森林蓄积量估测

发布时间：2022-02-21 09:21

　　【目的】森林蓄积量是反映森林资源总规模和水平的基本林分调查因子之一,也是衡量森林资源丰富程度和森林生态环境优劣的重要依据。为探索更优的森林蓄积量建模和估测方法,以期为林业科学中森林蓄积量的估测研究提供新的方法与思路。【方法】以浙江省龙泉市为研究区,以单位蓄积量（m3/mu）为研究对象,集成森林资源二类调查数据、高分二号遥感影像数据、数字高程模型（DEM）数据。通过逐步回归特征选择方法选取与蓄积量相关的自变量因子,在不区分树种的情况下,利用极端梯度提升（eXtreme gradient boosting,XGboost）方法、决策树梯度提升（Light generalized boosted regression models,LGBM）方法和梯度提升（Gradient boosting）方法分别建立蓄积量估测模型。然后,基于区分针叶林、阔叶林、针阔混交林的情况下,用XGboost方法再次建立蓄积量估测模型,并与未区分树种情况下的估测结果进行对比。采用十折交叉验证法对模型性能指标进行检验。【结果】在不区分树种的情况下,XGboost呈现了最佳的效果,优于LGBM方法和Gradient b... 

【文章来源】：中南林业科技大学学报. 2020,40(06)北大核心CSCD

【文章页数】：9 页

【文章目录】：
1 材料与方法
    1.1 研究区概况
    1.2 研究数据及预处理
    1.3 模型评价
    1.4 XGboost算法原理
    1.5 蓄积量估测方法
2 结果与分析
    2.1 逐步回归特征选择结果
    2.2 蓄积量建模与估测结果分析
        2.2.1 3种方法进行蓄积量建模与估测结果分析
        2.2.2 XGboost进行蓄积量建模与估测结果分析
3 结论与讨论


【参考文献】：
期刊论文
[1]旺业甸林场人工林生物量遥感反演研究[J]. 蒋馥根,孙华,林辉,龙江平,蒋治浩,雷思君.  中南林业科技大学学报. 2019(10)
[2]基于GF-1的森林蓄积量遥感估测[J]. 李世波,林辉,王光明,程韬略.  中南林业科技大学学报. 2019(08)
[3]基于BP神经网络的华北落叶松小班蓄积预估模型研究与应用[J]. 陈玉玲,吴保国,崔岩,魏彦军.  中国农业科技导报. 2019(07)
[4]基于Sentinel-1A雷达影像的思茅松林蓄积量估测[J]. 杨明星,徐天蜀,牛晓花,霍鹏,岳彩荣.  西部林业科学. 2019(02)
[5]基于神经网络和不同立地质量的森林蓄积量遥感估测[J]. 刘唐,江涛,李昂,郭连杰.  山东科技大学学报(自然科学版). 2019(02)
[6]香格里拉市云冷杉林蓄积量遥感估测非参数模型研究[J]. 郎晓雪,许彦红,舒清态,张卓亚,谢福明,字李.  西南林业大学学报(自然科学). 2019(01)
[7]基于GF-1 PMS影像和k-NN方法的延庆区森林蓄积量估测[J]. 王海宾,彭道黎,高秀会,李文芳.  浙江农林大学学报. 2018(06)
[8]无人机航测技术在森林蓄积量估测中的应用[J]. 李亚东,冯仲科,明海军,李长青,曹明兰.  测绘通报. 2017(04)
[9]基于随机森林算法的凉水自然保护区蓄积量反演研究[J]. 汪康宁,马婷,吕杰.  西南林业大学学报. 2016(05)
[10]基于高分辨率遥感影像的森林信息提取方法综述[J]. 王宗梅,徐天蜀,岳彩荣.  林业调查规划. 2016(04)

博士论文
[1]基于多源数据和神经网络模型的森林资源蓄积量动态监测[D]. 吴达胜.浙江大学 2014
[2]基于多源遥感数据的森林蓄积量估测方法研究[D]. 杨永恬.中国林业科学研究院 2010
[3]森林资源年度监测理论与方法研究[D]. 刘安兴.南京林业大学 2006

硕士论文
[1]基于Landsat-8遥感影像的森林蓄积量估测[D]. 周如意.浙江农林大学 2019
[2]基于UAV高分影像的林木冠幅提取与蓄积量估测研究[D]. 李赟.南京林业大学 2017
[3]基于高分2号遥感数据的三维绿量估算模型研究[D]. 孙营伟.中国地质大学(北京) 2017
[4]基于梯度提升模型的负相关学习算法的研究与应用[D]. 万伦军.中国科学技术大学 2014
[5]龙泉市林权制度改革研究[D]. 洪汝锋.浙江农林大学 2012



本文编号：3636963