丁家祺 黃文麗 劉迎春 胡 楊

(1.武漢大學資源與環(huán)境科學學院 武漢 430079； 2.自然資源部城市國土資源監(jiān)測與仿真重點實驗室 深圳 518034； 3.北京大學城市與環(huán)境學院 北京 100871； 4.國家林業(yè)和草原局調(diào)查規(guī)劃設計院 北京 100714； 5.西北退化生態(tài)系統(tǒng)恢復與重建教育部重點實驗室 銀川 750021)

森林是陸地生態(tài)系統(tǒng)的重要組成部分，約占全球陸地總面積的1/3(曹春香等， 2015)，同時也是陸地生態(tài)系統(tǒng)中最大的碳庫，占全球植被碳庫的86%以上(Olsonetal.， 1983； Woodwelletal.， 1978)，其年固碳量占比超過整個陸地生態(tài)系統(tǒng)的2/3(Kramer， 1981)，具有減少大氣CO2濃度、緩解氣候變化的潛力(Güneretal.， 2012； Schlamadingeretal.， 2007)，在全球碳循環(huán)中發(fā)揮著重要作用。森林生物量是估算森林碳儲量和判斷森林碳匯能力的主要因子，也是森林生態(tài)系統(tǒng)健康評估的重要指標，科學估算森林生物量既可為碳排放調(diào)控和碳交易提供決策支持，也可為森林質(zhì)量評估提供基礎依據(jù)(徐偉義等， 2018)。

傳統(tǒng)的森林資源清查以抽樣和區(qū)劃調(diào)查方法為主，不僅成本高，而且存在時效性低和結果統(tǒng)一性差等問題。應用遙感技術建立反演模型，以森林資源清查數(shù)據(jù)為參考，為模型提供訓練和驗證數(shù)據(jù)，可得到具有空間一致性的估測結果，并提供面分布產(chǎn)品，正逐漸成為森林資源信息化調(diào)查的主要手段。按照遙感觀測方式不同，應用于森林生物量估測的遙感數(shù)據(jù)可分為3類，包括光學遙感數(shù)據(jù)、合成孔徑雷達數(shù)據(jù)(synthetic aperture radar，SAR)和激光雷達數(shù)據(jù)(light detection and ranging，LiDAR)。光學遙感數(shù)據(jù)在森林生物量估測方面應用較多，但其存在2方面的局限： 一是光學遙感數(shù)據(jù)主要反映林冠的光譜和紋理信息，對于濃密植被存在信號飽和問題，以熱帶森林為例，當生物量密度達到100～150 mg·hm-2時，可能會出現(xiàn)信號飽和(Foodyetal.， 2003)； 二是光學遙感數(shù)據(jù)獲取受天氣條件制約，如熱帶潮濕地區(qū)的Landsat影像，存在比較明顯的云層覆蓋現(xiàn)象(Asner， 2001)。微波具有穿透樹冠的能力，不僅能與樹葉發(fā)生作用，還能與森林生物量的主體——樹枝和樹干發(fā)生作用，而且不受云霧干擾。隨著SAR技術的不斷進步，SAR數(shù)據(jù)獲取逐步從單極化、單波段、單軌道發(fā)展為多極化、多波段、多基線等不同方式(吳一戎， 2013)。目前，干涉和層析SAR等技術在森林生物量反演中表現(xiàn)理想，但其處理技術比較復雜，且滿足干涉處理條件的數(shù)據(jù)有限(劉茜等， 2015)。隨著TerraSAR-X、TanDEM-X衛(wèi)星分別于2007、2010年成功發(fā)射，這一雙星聯(lián)合任務(TDX)會提供目前唯一的同軌雙基線InSAR衛(wèi)星數(shù)據(jù)。同時，歐洲航天局(European Space Agency，ESA)計劃于2022年發(fā)射Biomass衛(wèi)星，將首次獲取P波段星載SAR數(shù)據(jù)。激光雷達能夠獲取高精度的植被三維結構信息，提高森林生物量估測精度(龐勇等， 2005)。當前，應用于森林生物量估測的星載激光雷達數(shù)據(jù)主要為ICESat衛(wèi)星數(shù)據(jù)，美國國家航空航天局(National Aeronautics and Space Administration， NASA)于2003年發(fā)射ICESat衛(wèi)星，其上搭載了全波形激光雷達載荷GLAS(geoscience laser altimeter system)； 2018年，NASA又陸續(xù)發(fā)射光子計數(shù)式ICESat-2 ATLAS衛(wèi)星、搭載在國際空間站(ISS)平臺上的GEDI(global ecosystem dynamics investigation)全波形激光雷達，預計將為激光雷達在森林資源調(diào)查中的應用提供更豐富的星載數(shù)據(jù)(龐勇等， 2019)。Qi等(2019)基于模擬的GEDI數(shù)據(jù)，探索將其與TDX任務所獲InSAR數(shù)據(jù)相結合提高中等分辨率(1 km)森林生物量估測精度的可行性，結果表明，結合TDX與GEDI數(shù)據(jù)能夠改善森林生物量估測精度或提供更高的空間分辨率產(chǎn)品，且GEDI數(shù)據(jù)本身可用于參數(shù)化利用TDX數(shù)據(jù)對樹高進行反演的模型。

目前，森林生物量估測的建模算法大致可分為2類，即傳統(tǒng)的統(tǒng)計回歸方法和近年來廣泛應用的機器學習算法。統(tǒng)計回歸方法預定義模型結構，公式較為簡單，便于計算； 機器學習算法以數(shù)據(jù)驅(qū)動方式確定模型結構，可發(fā)揮遙感大數(shù)據(jù)量的優(yōu)勢，能夠更好捕捉生物量與各種特征變量之間存在的復雜非線性關系。在森林參數(shù)反演領域，當前比較具有代表性的機器學習算法包括支持向量機(support vector machine， SVM)、隨機森林(random forest, RF)、k-最近鄰(k-nearest nelghbor, KNN)和人工神經(jīng)網(wǎng)絡(artificial neural network, ANN)等。SVM主要思想是將輸出信息變換到高維空間，并尋找最優(yōu)超平面對樣本數(shù)據(jù)進行分類，尤其適用于小樣本、高維數(shù)據(jù)集，該算法最初用于分類問題，隨后逐漸拓展到回歸問題(support vector regression，SVR)。Chen等(2010)基于機載LiDAR和QuickBird數(shù)據(jù)，采用SVR算法對加拿大溫哥華森林冠層高度進行估測，與傳統(tǒng)回歸方法相比取得了更好結果。董金金(2014)在對泰山地區(qū)森林生物量估測中比較包括KNN、ANN在內(nèi)的多種機器學習算法，結果發(fā)現(xiàn)SVM算法的估測精度較高。RF算法通過對樣本和特征進行隨機采樣，構建一系列決策樹，并通過投票方式得出預測值，該算法能夠給出各特征變量的重要性，可用于特征選擇。Li等(2018)基于MODIS數(shù)據(jù)對浙江省竹林地上生物量進行估算，RF算法較好解決了生物量估測過程中的共線性與過擬合問題。Hu等(2020)利用Sentinel-2數(shù)據(jù)對湖南省森林蓄積量進行反演的過程中對比多元線性回歸(multivariate linear regression, MLR)、SVR、RF 3種算法，RF算法在訓練和測試階段均取得了最佳表現(xiàn)。

鑒于此，本研究利用光學與雷達遙感數(shù)據(jù)，以湖南省西北部為研究區(qū)，采用多元線性回歸、隨機森林和支持向量回歸算法建立森林生物量估測模型，并根據(jù)模型檢驗評價結果，選擇最優(yōu)模型制作森林地上生物量(AGB)面分布產(chǎn)品，以期為森林資源信息化調(diào)查提供技術參考。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

湖南省西北部屬亞熱帶季風氣候，四季分明，年降水量1 200～1 700 mm，年均氣溫16～18 ℃。根據(jù)《湖南統(tǒng)計年鑒》，截至2019年，全省活立木蓄積量5.7億m3，森林覆蓋率59.82%(湖南省統(tǒng)計局， 2019)。湘西北地區(qū)地處108°47′—112°05′E、24°10′—38°84′N之間，為我國南方重點林區(qū)，集中全省70%左右的森林面積，森林覆蓋率達67%。

日本宇宙航空研究開發(fā)機構(Japan Aerospace Exploration Agency， JAXA)發(fā)布的PALSAR-2 FNF(forest/non-forest)產(chǎn)品是基于PALSAR-2數(shù)據(jù)，經(jīng)一系列處理后制作的全球森林/非森林免費開源數(shù)據(jù)產(chǎn)品(Shimadaetal.， 2014)，空間分辨率25 m，本研究使用該產(chǎn)品作為生物量制圖的森林掩膜。以2017年度的PALSAR-2 FNF產(chǎn)品為底圖，圖1所示為研究區(qū)位置和樣地分布情況。

圖1 研究區(qū)位置和樣地分布

1.2 樣地數(shù)據(jù)收集與處理

1.2.1 樣地數(shù)據(jù)收集 根據(jù)林業(yè)調(diào)查數(shù)據(jù)，選擇10種森林類型作為研究對象，其中，依據(jù)第8次全國森林資源清查數(shù)據(jù)選擇蓄積量最高的7個樹種的純林，包括櫟樹(Quercussp.)、杉木(Cunninghamialanceolata)、馬尾松(Pinusmassoniana)、楊屬(Populussp.)、柏木(Cupressusfunebris)、濕地松(Pinuselliottii)和樟(Cinnamomumcamphora)； 此外，選擇針葉混交林、針闊混交林和闊葉混交林3種森林類型。10種類型森林蓄積量占湖南省森林總蓄積量的98%以上(Huetal.， 2020)。

對于每種森林類型，按照5級樹高、3級冠層密度確定的15個參數(shù)等級進行分層抽樣調(diào)查，每一等級取4塊半徑15 m的圓形樣地，樣地調(diào)查時間為2017年10月15日至2018年4月30日，采用聯(lián)合DGPS和GNSS進行位置量測，定位精度為0.10～0.25 m。調(diào)查數(shù)據(jù)包括中心坐標、單木位置、密度、樹高、冠幅和胸徑等信息，篩選到393個可用樣地數(shù)據(jù)。表1按照森林類型統(tǒng)計了胸徑(D)、樹高(H)、株數(shù)(N)3個指標的最大值(max)、最小值(min)、平均值(avg)和標準差(std)。

表1 樣地數(shù)據(jù)概況

1.2.2 生物量計算 利用生物量異速生長方程將樣地調(diào)查獲取的樹高、胸徑數(shù)據(jù)轉換為地上生物量(羅云建等， 2015)，計算得到樣地生物量范圍為2.2～147.6 mg·hm-2、平均值為61.3 mg·hm-2，數(shù)據(jù)分布情況見圖2。

圖2 樣地生物量分布情況

1.3 遙感數(shù)據(jù)收集與處理

1.3.1 光學遙感數(shù)據(jù) 遙感數(shù)據(jù)往往須經(jīng)輻射校正、幾何校正、影像裁剪等一系列預處理后才能用于實際研究，用戶需要投入大量精力到數(shù)據(jù)準備中。為此，對地觀測衛(wèi)星委員會(Committee on Earth Observation Satellites，CEOS)提出分析就緒數(shù)據(jù)(analysis ready data， ARD)的概念，即對衛(wèi)星數(shù)據(jù)進行預處理以滿足最基本分析要求，使其可直接用于研究。本研究使用馬里蘭大學全球地表分析與發(fā)現(xiàn)(Global Land Analysis and Discovery， GLAD)團隊提供的Landsat ARD產(chǎn)品作為光學遙感數(shù)據(jù)源。GLAD ARD由以16天為周期合成的歸一化表面反射率影像瓦片組成，提供自1997年至今全球范圍內(nèi)的Landsat數(shù)據(jù)。為計算候選特征，本研究共下載研究區(qū)域內(nèi)2016—2017年276景影像進行指標計算，并利用GLAD軟件包提供的年度物候指標(類型B)計算工具計算2017年度的86個指標，可分為按原值與按參考值排序2類指標。按原值排序指標是指依據(jù)原始波段或光譜指數(shù)對數(shù)據(jù)進行排序和統(tǒng)計，共得到50個指標，具體見表2。對于按參考值排序指標，按照給定的參考值(NDVI、NS2、LST)對數(shù)據(jù)進行排序和統(tǒng)計，提取對應的原始波段或光譜指數(shù)，共得到36個指標，具體見表3。

表2 光學遙感數(shù)據(jù)指標(按原值排序)①

表3 光學遙感數(shù)據(jù)指標(按參考值排序)

在上述指標基礎上，根據(jù)相關文獻(Astolaetal.， 2019； Xiaetal.， 2017； Wittkeetal.， 2019)，補充計算其他常用遙感指數(shù)(EVI、EVI2、RVI)、纓帽變換相關指標(亮度、濕度、綠度、濕度綠度差值)，并基于灰度共生矩陣(grey level co-occurrence matrix，GLCM)選取均值(mean)、方差(variance)、同質(zhì)性(homogeneity)、對比度(contrast)、異質(zhì)性(dissimilarity)、信息熵(entropy)、二階矩(second moment)和相關性(correlation)8種紋理特征，利用R軟件包GLCM對Landsat數(shù)據(jù)的第2、3波段按7×7窗口大小計算紋理特征。

1.3.2 雷達遙感數(shù)據(jù) 選擇Sentinel-1的2017年10月—2018年4月合成產(chǎn)品和ALOS-2 PALSAR-2的2017年合成產(chǎn)品作為雷達遙感數(shù)據(jù)源，其分別提供C、L波段信息。Sentinel-1數(shù)據(jù)經(jīng)輻射定標(calibration)、噪音去除(noise removal)、多視(multi-look)和地形校正(terrain correction)等一系列預處理，獲得包括數(shù)據(jù)均值、中值、標準差和歸一化極化差分指數(shù)(normalized polarization difference index, NPDI)在內(nèi)的7個指標。PALSAR-2指標包括雙極化方式數(shù)據(jù)均值，經(jīng)計算得到NPDI。從2類SAR數(shù)據(jù)共獲取到10個數(shù)據(jù)指標，見表4。

表4 SAR數(shù)據(jù)指標

地形特征也是森林生物量估測的常用變量，本研究使用GLAD團隊提供的與Landsat ARD格式一致的地形數(shù)據(jù)，其源數(shù)據(jù)來自NASA航天飛機雷達地形測繪任務(shuttle radar topography mission，SRTM)，經(jīng)重新投影、剪裁為標準ARD瓦片格式，含高程(dem)、坡度(slope)和坡向(aspect)3個指標。

對于多源遙感數(shù)據(jù)，統(tǒng)一重采樣至與Landsat ARD產(chǎn)品相同分辨率(30 m)，提取樣地對應信息時，利用樣地邊界數(shù)據(jù)，將遙感數(shù)據(jù)重采樣至1 m后統(tǒng)計區(qū)域內(nèi)像元平均值。

2 生物量估測模型建立

2.1 特征變量篩選

經(jīng)過上述處理，共獲取122個備選特征變量，其中光學遙感數(shù)據(jù)變量109個、雷達遙感數(shù)據(jù)變量10個、地形因子3個。本研究采用2種方法篩選變量，對于機器學習算法建立的模型，采用隨機森林算法進行變量選擇； 對于多元線性回歸模型，采用逐步回歸方法選擇出最優(yōu)變量。

2.1.1 隨機森林算法 隨機森林屬機器學習算法中的集成學習算法，通過對屬性和樣本進行隨機采樣構建多株決策樹，最終輸出由所有決策樹共同決定。由于每株決策樹建立過程中均對訓練樣本進行自助抽樣，因此可利用未使用的樣本來計算其袋外(out of bag，OOB)誤差：

(1)

借助OOB誤差指標，可對變量重要程度進行衡量。本研究使用R軟件包VSURF完成基于隨機森林算法的變量篩選，能夠選擇出與生物量關系較為密切且內(nèi)部冗余性較低的合適特征變量集。最終，共選擇出13個特征變量，見表5。

表5 隨機森林方法篩選特征變量結果

2.1.2 逐步回歸方法 逐步回歸方法基于線性回歸選擇變量，其主要思想是通過在預測模型中迭代添加或移除變量，同時檢驗模型表現(xiàn)，從而找到使模型性能達到最佳的變量子集。本研究使用R軟件包MASS，以最小信息統(tǒng)計量(Akaike information criterion, AIC)為準則進行逐步回歸，共篩選得到19個顯著變量(P<0.01)，見表6。

表6 逐步回歸方法篩選特征變量結果

2.2 生物量建模

2.2.1 多元線性回歸方法 多元線性回歸是一種采用多個自變量對因變量進行預測的統(tǒng)計方法，廣泛應用于各類回歸模型，其目標是描述因變量與自變量之間的線性關系。公式如下：

y=β0+β1x1+β2x2+…+βnxn+ε。

(2)

式中：y為因變量；xi為自變量；βi為模型參數(shù)；ε為誤差項。

在逐步回歸選擇變量的基礎上，對各變量進行標準化后擬合多元線性回歸模型，得到各自變量系數(shù)見表7。數(shù)據(jù)標準化后，自變量系數(shù)大小的絕對值能夠反映其對AGB預測模型的影響大小。由表7可知，對于本研究建立的多元線性回歸模型，影響最大的前3個變量為Green波段的方差、均值紋理特征(l8gvari、l8gmean)和Red波段年均值(l8r)。

表7 多元線性回歸自變量系數(shù)①

2.2.2 隨機森林算法 隨機森林是一種重要的集成學習算法，其采用決策樹作為基學習器構建Bagging集成，并在訓練中隨機對屬性進行選取，在分類與回歸問題上均有廣泛應用。本研究使用R軟件包randomForest實現(xiàn)隨機森林建模，其中比較重要的模型參數(shù)為基學習器個數(shù)ntree和屬性劃分子集的變量數(shù)mtry。通過對ntree與mtry進行網(wǎng)格篩選(ntree取值范圍為500～2 000、mtry取值范圍為1～12)，確定最佳參數(shù)ntree為1 500、mtry為10。

分析變量對模型均方差和模型樹節(jié)點純度的影響可以判斷變量的相對重要性，圖3所示為變量出現(xiàn)在袋外數(shù)據(jù)(out of bag data，OOBD)時對模型均方差的影響指標%IncMSE(increase mean squared error%)以及對模型樹節(jié)點純度的影響指標IncNodePurity。對于RF模型，最重要的變量為纓帽變換濕度與綠度分量差值(l8tcwgd)，PALSAR-2數(shù)據(jù)HV極化方式后向散射系數(shù)年均值(p2hv)、SVVI指數(shù)較大四分位數(shù)-最大值年均值(l8SVVIav75smax)在2種指標衡量下也位于前列，高程指標(dem)在IncNodePurity指標中排名第二。

圖3 隨機森林模型變量重要性排序

2.2.3 支持向量回歸算法 SVM算法包含2種主要思想： 一是在特征空間中構造最優(yōu)超平面對樣本進行分割； 二是利用非線性核函數(shù)將樣本映射到高維空間，從而構造線性可分問題。將SVM由分類問題推廣到回歸問題即得到支持向量回歸算法(SVR)。本研究使用R軟件包e1071構建SVR模型，選擇徑向基核函數(shù)(radical basis function, RBF)，SVM類型為eps-regression。采用網(wǎng)格篩選法對C和ε參數(shù)進行選擇(C取值范圍為22～29、ε取值范圍為0～1)，確定最佳參數(shù)C為4、ε為0.57。

3 模型評價與應用

3.1 模型效果評價

按7∶3比例隨機劃分訓練集和測試集，圖4展示了3種模型在訓練集和測試集上的表現(xiàn)。在訓練集上，RF模型表現(xiàn)最好(R2=0.93，RMSE=13.2 mg·hm-2，rRMSE=21.7%)，其次為SVR模型(R2=0.59，RMSE=25.9 mg·hm-2，rRMSE=42.6%)，MLR模型表現(xiàn)最差(R2=0.55，RMSE=26.4 mg·hm-2，rRMSE=43.4%)；在測試集上，RF模型同樣獲得了最佳表現(xiàn)(R2=0.32，RMSE=31.7 mg·hm-2，rRMSE=53.1%)，其次為SVR模型(R2=0.26，RMSE=33.4 mg·hm-2，rRMSE=55.9%)，MLR模型的精度最低(R2=0.16，RMSE=45.6 mg·hm-2，rRMSE=76.4%)。同時，3種模型在測試階段均顯示出一定程度的低值高估和高值低估現(xiàn)象。

圖4 不同模型在訓練集(a、b、c)和測試集(d、e、f)上的表現(xiàn)

運用十折交叉驗證法得到的評價結果更為穩(wěn)定，表8所示為不同模型在訓練集和測試集上的表現(xiàn)。在訓練集上，RF模型表現(xiàn)最好(RMSE=12.8 mg·hm-2，rRMSE=21.1%，R2=0.93)，其次為SVR模型(RMSE=26.1 mg·hm-2，rRMSE=43.3%，R2=0.55)，MLR模型表現(xiàn)最差(RMSE=30.9 mg·hm-2，rRMSE=50.5%，R2=0.39)；在測試集上，RF模型同樣具有最佳泛化能力(RMSE=30.1 mg·hm-2，rRMSE=51.3%，R2=0.42)，MLR模型(RMSE=32.6 mg·hm-2，rRMSE=54.1%，R2=0.30)表現(xiàn)略優(yōu)于SVR模型(RMSE=32.8 mg·hm-2，rRMSE=55.3%，R2=0.25)?？傮w來說，RF算法在訓練集和測試集上均獲得最佳表現(xiàn)，因此本研究采用RF模型完成區(qū)域生物量制圖。

表8 不同模型的精度評價結果

3.2 區(qū)域生物量制圖

利用訓練后的RF模型對研究區(qū)森林生物量進行反演，并制作湘西北區(qū)域生物量地圖，技術路線如圖5所示，生物量地圖如圖6所示。

圖5 區(qū)域生物量制圖技術路線

圖6 湘西北區(qū)域生物量地圖

3.3 生物量制圖產(chǎn)品比較

本研究選取5種中國或全球尺度生物量制圖產(chǎn)品(Chietal.， 2015； Huetal.， 2016； Santoroetal.， 2018； Suetal.， 2016； 顧行發(fā)等， 2017)進行比較分析，產(chǎn)品詳細信息及各產(chǎn)品對研究區(qū)內(nèi)生物量的估測值見表9； 同時進行小尺度窗口區(qū)域產(chǎn)品對比，結果見圖7。可以看出，應用RF模型完成區(qū)域生物量制圖，能夠基本反映研究區(qū)內(nèi)生物量分布情況，并顯示出豐富的生物量分布細節(jié)信息，生物量范圍為0～119 mg·hm-2，平均生物量為37.5 mg·hm-2，標準差為35.9 mg·hm-2。模型精度方面，RMSE達到平均水平，R2相對較低。

表9 生物量制圖產(chǎn)品信息對比

相較于其他產(chǎn)品，本研究所得生物量分布圖尺度更小，體現(xiàn)了不同坡向?qū)ι锪康挠绊?，西北坡生物量一般高于其他方向。與實際影像對比，制圖使用的森林掩膜能夠在較高分辨率(25 m)下正確識別森林、非森林區(qū)域，保證了森林資源評價的精確程度。

4 討論

本研究選取5種大尺度生物量制圖產(chǎn)品進行對比，產(chǎn)品的生物量空間分布趨勢基本一致，本研究所得生物量分布圖空間分辨率更高，使用PALSAR-2 FNF產(chǎn)品作為掩膜也較為精確，能夠反映研究區(qū)內(nèi)生物量分布細節(jié)，具有一定的實際參考價值。

與區(qū)域相近研究相比，如Li等(2019a)在湘西地區(qū)按冠層密度分級建立AGB估測模型(R2=0.41，RMSE=23.0 mg·hm-2，rRMSE在40%～50%之間)，Li等(2019b)在湘北地區(qū)采用不同季節(jié)獲取的Landsat8 OLI影像對AGB進行估測(模型對應的R2、RMSE、rRMSE分別在0.27～0.39、21.67～22.15 mg·hm-2、44.1%～45.7%之間)，本研究模型誤差水平與其基本一致。與其他區(qū)域研究相比，如蒙詩櫟等(2017)在黑龍江省涼水自然保護區(qū)利用高分辨率衛(wèi)星WorldView-2紋理對森林AGB反演結果(R2=0.85, RMSE=42.3 mg·hm-2)、廖凱濤等(2018)結合GLAS與TM數(shù)據(jù)對江西省森林AGB估測結果(R2=0.47, RMSE=36.8 mg·hm-2)，本研究RMSE指標略優(yōu)。采用不同建模算法、不同建模方式(如按植被類型或冠層密度分級)以及不同時間跨度的遙感數(shù)據(jù)(如年度、季度或單日產(chǎn)品)，均可能影響AGB估測模型的表現(xiàn)，如何更為系統(tǒng)地確定最佳AGB估測模型有待進一步探究。

結合多源數(shù)據(jù)與機器學習算法，能夠準確、快速地測算大范圍生物量，具有較大應用潛力?？紤]本研究內(nèi)容，未來還可對模型進行完善和改進，如可利用星載激光雷達數(shù)據(jù)進行采樣，在樣本充足的條件下采用深度學習算法，以探索不同算法在生物量反演這一應用上的表現(xiàn)。

5 結論

本研究以Landsat-8、ALOS PALSAR-2、Sentinel-1數(shù)據(jù)以及SRTM DEM產(chǎn)品為遙感數(shù)據(jù)源，結合樣地調(diào)查數(shù)據(jù)，對湘西北森林地上生物量進行反演。在建模過程中，首先采用逐步回歸方法篩選建模變量，建立線性回歸模型，同時采用RF算法進行變量提取，建立RF、SVR 2種機器學習算法模型，并利用RF模型完成研究區(qū)生物量制圖。

傳統(tǒng)的統(tǒng)計回歸方法難以捕捉森林生物量與各種特征變量之間存在的復雜非線性關系，而基于機器學習算法能夠更好地擬合數(shù)據(jù)，但也普遍存在過擬合情況。對3種建模算法的評估結果顯示，RF算法在生物量數(shù)據(jù)擬合與預測之間取得了較好平衡，RMSE達30.1 mg·hm-2，rRMSE為51.3%，R2達0.42。另外，3種算法在估測生物量時均顯示出一定程度的低值高估和高值低估現(xiàn)象。

RF算法能夠從多源變量中有效篩選出適用于AGB機器學習建模的變量，根據(jù)%IncMSE和IncNodePurity 2個指標綜合判斷，影響研究區(qū)生物量估測的重要變量包括纓帽變換濕度與綠度分量差值(l8tcwgd)、PALSAR-2數(shù)據(jù)HV極化方式后向散射系數(shù)均值(p2hv)、SVVI指數(shù)較大四分位數(shù)-最大值年均值(l8SVVIav75smax)以及高程指標(dem)，這一變量集合分別對應于光譜波段主成分信息、垂直結構信息、考慮物候的光譜信息以及地形影響，包含一定的物理意義，具有較好的解釋性。此外，本研究發(fā)現(xiàn)來自SAR數(shù)據(jù)的垂直結構信息中，L波段相較C波段的指標對生物量更敏感，這同時表現(xiàn)在多元線性回歸和隨機森林2類變量選擇方法中。