曹依林，吳達(dá)勝，方陸明

（1.浙江農(nóng)林大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，浙江 杭州 311300；2.林業(yè)感知技術(shù)與智能裝備國家林業(yè)和草原局重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 311300）

森林是地球上面積最大、結(jié)構(gòu)最復(fù)雜的陸地生態(tài)系統(tǒng)，具有保持水土、調(diào)節(jié)氣候、維護(hù)生態(tài)平衡等多種生態(tài)功能[1-2]，是地球上最大的碳庫[3-4]。森林生物量是森林生態(tài)系統(tǒng)最基本的數(shù)量特征，約占陸地生態(tài)系統(tǒng)生物量總量的90%[5]，是森林碳儲(chǔ)量估測的常用替代方式[6]，包括了地上生物量和地下生物量。森林地上生物量（Above-ground Biomass,AGB）約占整個(gè)森林生物量的70%～90%[7-8]，是森林生態(tài)系統(tǒng)固碳能力的直觀表達(dá)和評估森林生態(tài)系統(tǒng)碳收支的重要指標(biāo)，是森林生態(tài)系統(tǒng)發(fā)揮其他生態(tài)功能的物質(zhì)基礎(chǔ)[2,9-10]。

近年來，森林AGB 的研究受到研究人員的廣泛關(guān)注，在數(shù)據(jù)源變得愈加豐富的今天，特征選擇尤為重要。在森林AGB 估測研究中，特征選擇方法常用估測方法本身對特征變量進(jìn)行篩選，如用隨機(jī)森林[11-12]、多元線性回歸[12-13]等方法來對參數(shù)進(jìn)行篩選，或者引入專門的方法對特征進(jìn)行相關(guān)性分析，如皮爾遜相關(guān)系數(shù)（Pearson Correlation）[14-15]等。使用特征選擇算法結(jié)合集成學(xué)習(xí)算法探索特征數(shù)量和組合的研究較少[16-17]。同時(shí)，大部分研究結(jié)果尚不夠理想，估測精度在70%～80%[18]。雖有極少量的研究表明估測精度超過80%，但多數(shù)集中在針對少量的森林資源固定樣地或自設(shè)的調(diào)查樣地得到的研究結(jié)果[19-21]。研究中用大區(qū)域尺度上的建模技術(shù)探究不同林分下的特征數(shù)量及組合，更準(zhǔn)確地估測森林AGB，仍然是待解決的難題。

據(jù)此，本研究以浙江省臺(tái)州市臨海市為研究區(qū)域，利用Sentinel-1 SAR 數(shù)據(jù)與Sentinel-2 光學(xué)遙感影像進(jìn)行融合，以森林資源二類調(diào)查數(shù)據(jù)和數(shù)字高程模型作為輔助數(shù)據(jù)，對高維數(shù)據(jù)產(chǎn)生的大量特征使用遞歸特征消除法篩選出主要的影響因子，選擇隨機(jī)森林（Random Forest,RF）、自適應(yīng)提升機(jī)（AdaBoost）和類別提升機(jī)（CatBoost）三種機(jī)器學(xué)習(xí)算法構(gòu)建臨海市森林地上生物量估測模型，并比較其性能指標(biāo)，以期探究森林地上AGB 的影響因素及高精度的估測方法。

1 研究區(qū)域概況

臨海市是浙江省縣級市，地處浙江東部沿海，地理坐標(biāo)為28°40′～29°04′ N，120°49′～121°41′ E，海拔在700～1 200 m，東西最大橫距為85 km，南北最大縱距為44 km，陸地總面積為2 203 km2。全市森林覆蓋率為64.2%，城市綠地覆蓋率為41%。屬亞熱帶季風(fēng)氣候，年平均氣溫為17.3℃，常年平均降水量為1 638 mm，無霜期為241 d，氣候溫暖濕潤。該地區(qū)的主要林分類型有闊葉混交林、針闊混交林、針葉混交林、其他硬闊林、馬尾松Pinus massoniana林、杉木Cunninghamia lanceolata林6 種。

2 研究方法

2.1 研究數(shù)據(jù)與預(yù)處理

2.1.1 遙感數(shù)據(jù)及預(yù)處理 研究涉及的Sentinel-1、Sentinel-2 遙感影像數(shù)據(jù)來自于歐洲航天局官網(wǎng)，Sentinel-1產(chǎn)品選用干涉寬模式下的S1 TOPS-mode SLC 數(shù)據(jù)，包括2017 年10 月13 日、10 月15 日各1 景影像。Sentinel-2產(chǎn)品類型選擇L1C 級多光譜數(shù)據(jù)（MSI），包括4 景影像，獲取時(shí)間從2017 年10 月底至11 月中旬。

采用哨兵衛(wèi)星數(shù)據(jù)處理的開源軟件SNAP 對Sentinel-1 進(jìn)行軌道校正、邊界噪聲消除、熱噪聲去除、相干斑濾波、輻射定標(biāo)、分貝化等預(yù)處理；Sentinel-2 數(shù)據(jù)的預(yù)處理包括使用Sen2cor 插件進(jìn)行大氣校正，使用SNAP進(jìn)行超分辨率合成。然后，使用ENVI 軟件將Sentinel-1 和Sentinel-2 影像坐標(biāo)系轉(zhuǎn)換為CGCS_2000 坐標(biāo)系，再分別拼接Sentinel-1 的2 景影像和Sentinel-2 的4 景影像。最后，以臨海市行政矢量圖為邊界對拼接后的遙感影像進(jìn)行裁剪，最終得到研究區(qū)域影像，見圖1 和圖2。由于日期不同以及入射角度和光照等差異，在圖像拼接時(shí)進(jìn)行透明處理、勻色、羽化等操作后，連接處仍存在一定的顏色差異。

圖1 臨海市Sentinel-1 遙感影像Figure1 Sentinel-1 remote sensing image of Linhai city

圖2 臨海市Sentinel-2 遙感影像Figure 2 Sentinel-2 remote sensing image of Linhai city

2.1.2 DEM 數(shù)據(jù)處理 研究區(qū)的DEM 數(shù)據(jù)來源于2009 年美國地質(zhì)勘查局（USGS）發(fā)布的ASTER GDEM第二版（v2）數(shù)據(jù)，包括4 景影像，空間分辨率為30m。使用ArcGIS 軟件將4 景圖像坐標(biāo)轉(zhuǎn)換為CGCS_2000坐標(biāo)系并進(jìn)行拼接處理，再以臨海市行政矢量圖為邊界裁剪后得到研究區(qū)域最終的DEM 影像，如圖3 所示。

圖3 臨海市DEM 影像Figure 3 DEM image of Linhai city

2.1.3 森林資源二類調(diào)查數(shù)據(jù)預(yù)處理 本研究使用的森林資源二類調(diào)查數(shù)據(jù)來自于2017 年臨海市森林資源二類調(diào)查結(jié)果，包括59 636 個(gè)小班初始數(shù)據(jù)，由于本文計(jì)算生物量使用的是蓄積量—生物量轉(zhuǎn)換公式，故對森林資源二類調(diào)查數(shù)據(jù)中蓄積量值為空的小班進(jìn)行剔除，繼而剔除灌木、非林地、耕地等小班，之后再使用三倍標(biāo)準(zhǔn)差法剔除異常小班，最后得到有效小班數(shù)據(jù)24 183 個(gè)，按林分類型劃分為六類：闊葉混交林8 408個(gè)、針闊混交林5 693 個(gè)、針葉混交林1 977 個(gè)、其他硬闊林3 725 個(gè)、馬尾松林2 852 個(gè)、杉木林1 528 個(gè)。

三倍標(biāo)準(zhǔn)差法又稱拉依達(dá)法，以三倍標(biāo)準(zhǔn)偏差作為可疑數(shù)據(jù)篩選的標(biāo)準(zhǔn)，如公式（1）所示。

式中，n為樣本個(gè)數(shù)；xi為第i個(gè)樣本的值；為總樣本的算術(shù)平均值；σ為標(biāo)準(zhǔn)差。正常值為范圍內(nèi)的數(shù)值，超出該范圍的值則為異常值。

2.2 生物量計(jì)算公式

國內(nèi)外許多研究表明，森林蓄積量和生物量之間存在顯著的回歸關(guān)系。本研究采用方精云等[22]提出的生物量轉(zhuǎn)換因子函數(shù)法根據(jù)蓄積量求得生物量，具體計(jì)算方法如公式（2）所示。

式中，B為單位面積生物量（t·hm-2）；V為單位面積蓄積量（m3·hm-2）；a、b 均為常數(shù)。不同林分類型對應(yīng)的a、b 參數(shù)如表1 所示，除針葉混交林的參數(shù)引自文獻(xiàn)[23]，其余林分的參數(shù)引自文獻(xiàn)[22]。

表1 生物量和蓄積量轉(zhuǎn)換模型參數(shù)Table 1 Parameters for biomass and stand volume conversion model

使用生物量轉(zhuǎn)換因子函數(shù)法結(jié)合森林資源二類調(diào)查數(shù)據(jù)對研究區(qū)小班的六類林分的地上生物量進(jìn)行統(tǒng)計(jì)，結(jié)果如表2。

表2 基于生物量轉(zhuǎn)換因子函數(shù)法計(jì)算各林分森林地上生物量結(jié)果Table 2 AGB based on biomass conversion model

2.3 構(gòu)建初始自變量因子集

2.3.1 光學(xué)遙感自變量因子（1）光譜特征因子 Sentinel-2 可覆蓋13 個(gè)光譜波段，其中，B1、B9、B10 三個(gè)波段的空間分辨率較低（僅為60 m），同時(shí)考慮到B10 波段作為卷云波段未進(jìn)行大氣校正，B1 深藍(lán)波段和B9 水汽波段與本研究的相關(guān)性不大，因而去除這3 個(gè)波段，剩余的10 個(gè)波段參與后續(xù)實(shí)驗(yàn)。為進(jìn)一步豐富研究數(shù)據(jù)維度，基于上述10 個(gè)波段計(jì)算得到9 個(gè)常用植被指數(shù)和從紅邊波段提取的5 個(gè)植被指數(shù)也參與后續(xù)實(shí)驗(yàn)，如表3。

表3 植被指數(shù)及計(jì)算公式Table 3 Vegetation index and computational formula

（2）紋理特征因子 本研究的紋理圖像使用灰度共生矩陣（GLCM）計(jì)算，選取7 種窗口大?。?×1、3×3、5×5、7×7、9×9、11×11、13×13）及2 種角度（45°右斜線方向、135°左斜線方向）計(jì)算森林紋理特征值，分析不同窗口和角度下各紋理因子對AGB 的預(yù)測能力。各組紋理特征均采用默認(rèn)步長進(jìn)行計(jì)算。

紋理特征包括：均值（Mean）、方差（Variance）、協(xié)同性（Homogeneity）、對比度（Contrast）、相異性（Dissimilarity）、熵（Entropy）、角二階矩（Angular second moment）、相關(guān)性（Correlation）8 個(gè)因子。

2.3.2 雷達(dá)遙感自變量因子 使用了4 個(gè)Sentinel-1 雷達(dá)遙感因子，分別為后向散射系數(shù)（VV、VH）、極化比值（VV/VH）和極化差值（VV－VH）。

2.3.3 DEM 自變量因子 從數(shù)字高程模型（DEM）中提取海拔、坡度和坡向3 個(gè)因子。

2.3.4 森林資源二類調(diào)查自變量因子 從森林資源二類調(diào)查數(shù)據(jù)中選用自變量因子郁閉度（YU_BI_DU）、年齡（NL）、起源（QI_YUAN）和地貌（DI_MAO）4 個(gè)因子。

2.4 自變量因子數(shù)據(jù)集成

將2.3 節(jié)共計(jì)43 個(gè)自變量因子的數(shù)據(jù)都以森林小班為單元進(jìn)行集成，即每個(gè)小班為一條記錄，每條記錄均包含了43個(gè)數(shù)據(jù)項(xiàng)，最終得到24 183 條記錄作為本文的實(shí)驗(yàn)樣本。繼而將24 183 個(gè)樣本按7∶3 的比例劃分為訓(xùn)練集和測試集參與后續(xù)的建模和估測。

2.5 遞歸特征消除

在AGB 估測中，特征變量的選擇是影響估測效率及效果的重要因素之一。高維的特征因子豐富了信息的維度，但過多的特征變量容易導(dǎo)致訓(xùn)練速度過慢，同時(shí)也可能導(dǎo)致過擬合等問題。為加快模型訓(xùn)練速度，提高模型的泛化能力，本文在正式估測AGB 之前，采用遞歸特征消除法（Recursive Feature Elimination,RFE）進(jìn)行特征選擇。RFE 通過逐步移除特征重要性最低的某個(gè)特征來達(dá)到降維的目的，其算法流程如圖4。

圖4 RFE 流程圖Figure 4 Flow chart of recursive feature elimination

2.6 機(jī)器學(xué)習(xí)算法

本文所涉及的三種算法（RF、AdaBoost 和CatBoost）均采用Python 編程實(shí)現(xiàn)，使用網(wǎng)格搜索的方式得到最優(yōu)參數(shù)。因三種算法中，僅有CatBoost 能自動(dòng)處理類別變量，而RF 和AdaBoost 并不具備這種能力，本研究使用獨(dú)熱編碼（One-Hot）對這兩種算法涉及到的分類變量值進(jìn)行預(yù)處理。

2.6.1 RF 隨機(jī)森林算法（RF）是一種建立在決策樹上的集成學(xué)習(xí)算法，應(yīng)用Bagging 模型對多棵決策樹進(jìn)行組合[24-25]。對于回歸問題，隨機(jī)森林通常采用均值的方法將所有結(jié)果整合。本研究設(shè)置樹的數(shù)量（n_estimators)為150，最大特征數(shù)（max_features）設(shè)置為特征個(gè)數(shù)的平方根，最大深度（max_depth）設(shè)為16。

2.6.2 AdaBoost 自適應(yīng)提升算法（AdaBoost）是一種Boosting 類型的迭代算法。首先，建立一個(gè)弱學(xué)習(xí)器模型，通過對各樣本評估，調(diào)整其權(quán)重大小，從而在后續(xù)的新模型中可以更專注于前模型的難點(diǎn)[26-27]。最終結(jié)果的獲取通過各學(xué)習(xí)器加權(quán)平均得到。AdaBoost 模型構(gòu)建使用基學(xué)習(xí)器（base_estimators）為DecisionTreeRegressor，基學(xué)習(xí)器提升次數(shù)（n_estimators）為150，學(xué)習(xí)率（learning_rate）為0.05，損失函數(shù)（loss）為linear。

2.6.3 CatBoost CatBoost 算法來源于“Category”和“Boosting”，屬于Boosting 算法的一種。該算法基于對稱決策樹的高準(zhǔn)確性GBDT 框架，最顯著的特點(diǎn)是可以高效合理地處理類別特征。CatBoost 算法首先對類別特征做一些統(tǒng)計(jì)，計(jì)算某個(gè)類別特征出現(xiàn)的頻率，之后加上超參數(shù)，生成新的數(shù)值特征[28-29]。在參數(shù)設(shè)置上，CatBoost設(shè)置迭代次數(shù)iterations=200，深度（depth）為8，學(xué)習(xí)率為0.05。

2.7 模型評價(jià)指標(biāo)

本研究通過十折交叉驗(yàn)證法進(jìn)行模型評估，評價(jià)指標(biāo)包括：決定系數(shù)（R-squared,R2）、均方根誤差（Root Mean Square Error,RMSE）、平均絕對誤差（Mean Absolute Error,MAE）和估測精度（Prediction,P），計(jì)算公式如下：

式中，n表示樣本數(shù)，yi為實(shí)測值，為預(yù)估值，為實(shí)測值平均值，。

3 結(jié)果與分析

3.1 紋理特征選擇結(jié)果

本文利用SelectKBest 方法來衡量紋理特征因子的重要性程度，對14 組共計(jì)112 個(gè)紋理特征因子的重要性進(jìn)行排序（如圖5），再優(yōu)先選取重要程度相對較大（＞20）的紋理特征加入到估測模型的自變量集中。可以看出，在135°下各窗口特征重要性＞20 的特征數(shù)量最多，均為4 個(gè)，且在該角度下13×13 窗口的特征重要性占比最高。據(jù)此選取窗口大小為13×13、角度為135°的紋理特征加入到自變量因子集參與建模與估測。

圖5 不同窗口大小/角度下紋理特征的重要性Figure 5 The importance of texture features at various window sizes/angles

3.2 自變量選擇

本研究所涉及的初始自變量共計(jì)43 個(gè)因子，包括10 個(gè)光學(xué)遙感波段因子、4 個(gè)雷達(dá)遙感影像因子、14 個(gè)植被指數(shù)、8 個(gè)紋理特征、3 個(gè)地形因子以及4 個(gè)森林資源二類調(diào)查數(shù)據(jù)。其中，二類調(diào)查數(shù)據(jù)中的起源和地貌2 個(gè)因子為類別特征，直接進(jìn)入后續(xù)實(shí)驗(yàn)；其余的41 個(gè)特征，采用遞歸特征消除法進(jìn)行逐步刪減，每次移除特征重要性最低的某個(gè)特征。對不同數(shù)量和組合的自變量分別基于RF、AdaBoost 和CatBoost 算法對6 種林分的AGB 進(jìn)行估測，計(jì)算出決定系數(shù)（R2）和均方根誤差（RMSE），并進(jìn)行對比分析，結(jié)果如圖6。

圖6 各模型在不同特征組合和林分下的性能指標(biāo)Figure 6 Performance index of different models based on various feature combinations and various forest types

為了兼顧模型的效率及效果，本文盡量選取性能指標(biāo)好同時(shí)特征數(shù)量少的模型及特征數(shù)量。依據(jù)這一原則，在RF、AdaBoost、CatBoost 模型中，闊葉混交林分別選用9、19、13 個(gè)特征，針闊混交林分別選用9、14、7個(gè)特征，針葉混交林分別選用7、12、11 個(gè)特征，其他硬闊林分別選用9、8、8 個(gè)特征，馬尾松林分別選用8、11、15 個(gè)特征，杉木林分別選用5、5、15 個(gè)特征。

3.3 AGB 建模與估測

分別針對6 種林分使用與其對應(yīng)的最佳特征組合對其AGB 進(jìn)行建模，計(jì)算得到各自林分類型的R2、RMSE、MAE和P性能指標(biāo)，如表4。從表4 可知，CatBoost 模型的效果最佳，RF 模型次之，AdaBoost 模型最后。針對6 類林分類型，CatBoost 的最優(yōu)特征組合如表5 所示。

表4 RF、AdaBoost 和CatBoost 的建模性能指標(biāo)Table 4 Modeling indexes for RF,AdaBoost and CatBoost

表5 CatBoost 最佳特征組合Table 5 The best combinations of features for Catboost

為進(jìn)一步探究遞歸特征消除法對模型性能的影響，分別使用特征優(yōu)選后構(gòu)建的模型與所有特征構(gòu)建的模型進(jìn)行性能指標(biāo)（R2和RMSE）對比，結(jié)果如圖7。從圖7 可知，特征消除后的18 個(gè)模型估測效果均得到不同程度的改善。遞歸特征消除法從整體上刪減了冗余特征，降低了特征之間的共線性，減少了過擬合，進(jìn)而使基于降維后特征構(gòu)建的生物量估測模型的泛化能力更強(qiáng)，估測精度更高。

圖7 基于全部特征和最佳特征的估測結(jié)果的性能指標(biāo)對比Figure 7 Comparison on performance indexes of estimation based on all features or the best features

3.4 AGB 估測結(jié)果分析

使用樣本數(shù)據(jù)的30%作為測試集估測6 種林分的AGB，與基于森林資源二類調(diào)查的蓄積量根據(jù)公式（1）計(jì)算得到AGB 值作為實(shí)測值進(jìn)行對比，6 種林分的生物量情況如表6。

表6 測試集中6 林分森林地上生物量的分布情況Table 6 AGB of estimation and measured of different forest types

從表6 可知，6 種林分的單位面積最小生物量和單位面積最大生物量的估測值與實(shí)測值相差較大，但單位面積生物量平均估測值與平均實(shí)測值則非常接近，說明以單個(gè)小班而言估測結(jié)果可能存在一定的誤差，但從區(qū)域角度而言，估測結(jié)果的誤差較小，具有非常重要的參考價(jià)值。

4 討論

經(jīng)遞歸特征消除法處理后的最佳特征組合中，紋理特征對提高估測精度有較大貢獻(xiàn)，特別是13/135/Correlation、13/135/Variance。窗口大小、角度、步長等參數(shù)的選擇對紋理特征的提取有一定的影響，從而影響模型精度，若今后的研究中再加入灰度差分向量（SADH）和差直方圖（GLDV）下更多窗口和角度的紋理因子，則存在進(jìn)一步提升估測精度的可能性。

CatBoost 在建模和估測時(shí)，能夠自動(dòng)處理類別特征，使得數(shù)據(jù)處理更加便捷化和優(yōu)化，從而大幅降低模型的時(shí)間復(fù)雜度并得到最佳的估測效果。但在做遞歸特征消除時(shí)的訓(xùn)練速度相比另外兩個(gè)算法較慢，原因可能是面對多維度的連續(xù)性特征，CatBoost 算法需將特征進(jìn)行分箱，以減小內(nèi)存的使用，但也增加了訓(xùn)練時(shí)間。AGB估測常涉及到連續(xù)性的特征（如海拔），如何進(jìn)一步調(diào)優(yōu)CatBoost 參數(shù)以適應(yīng)處理連續(xù)性特征，值得深入探究。

遞歸特征消除法通過逐次移除重要性最低的某個(gè)特征，能夠選擇出最適合基學(xué)習(xí)器（如RF、AdaBoost 和CatBoost）的特征組合。AGB 估測中的特征選擇方法通常直接使用機(jī)器學(xué)習(xí)模型，如隨機(jī)森林、多元線性回歸等，通過特征重要性排序進(jìn)行篩選，但是沒有考慮自變量個(gè)數(shù)遞減的過程中特征重要性發(fā)生變化的問題。另外，常用的還有皮爾遜相關(guān)系數(shù)（Pearson Correlation）法，該系數(shù)是一個(gè)用來反映兩個(gè)變量之間相似程度的統(tǒng)計(jì)量，在機(jī)器學(xué)習(xí)中可以用來計(jì)算特征與類別間的線性相關(guān)程度，但不太適合用于多變量組合時(shí)的特征優(yōu)選。

當(dāng)前，森林地上生物量的研究大多只是針對少量的森林資源固定樣地或自設(shè)的調(diào)查樣地[2-3,17]而開展，或者是只針對某一特定樹種類型進(jìn)行研究[14-15,18,20]。在對特征選擇的方法上，常用皮爾遜相關(guān)系數(shù)法或者估測方法本身對特征變量進(jìn)行篩選[11-15]。本研究使用遞歸特征消除法，探究不同優(yōu)勢樹種林分下估測AGB 的最優(yōu)特征數(shù)量及組合，并比較了三種機(jī)器學(xué)習(xí)算法，能夠?yàn)橹?、大尺度森林AGB 估測提供一定的參考作用。

5 結(jié)論

本文針對森林地上生物量估測研究中多源數(shù)據(jù)集成下導(dǎo)致特征維度過高、特征選擇方法與機(jī)器學(xué)習(xí)方法相結(jié)合的研究還較少，在中、大尺度區(qū)域估測精度不高等問題展開研究。以臨海市作為研究區(qū)域，整合Sentinel-1、Sentinel-2 遙感影像數(shù)據(jù)、DEM 數(shù)據(jù)、森林資源二類調(diào)查數(shù)據(jù)，使用RF、AdaBoost 和CatBoost 三種機(jī)器學(xué)習(xí)算法分別對闊葉混交林、針闊混交林、針葉混交林、其他硬闊林、馬尾松林、杉木林6 種林分建立模型并估測其森林AGB，取得了較好的研究效果。具體結(jié)論如下：

（1）從特征組合來看，集成光學(xué)遙感、雷達(dá)遙感、地形因子及森林資源二類調(diào)查數(shù)據(jù)能夠更全面地利用多源數(shù)據(jù)的信息，有效提高森林AGB 的估測精度；

（2）遞歸特征消除法降低了模型的復(fù)雜度，消除了自變量之間的共線性，能在保持甚至提高模型估測精度的前提下，加快模型訓(xùn)練速度；

（3）從6 種林分的AGB 的估測結(jié)果來看，6 種林分的AGB 的主要影響因素與個(gè)數(shù)不盡相同，這也緣于不同樹種有不同生物學(xué)和生態(tài)學(xué)特點(diǎn)，其中有3 個(gè)因子是共同的，即年齡、郁閉度和海拔；

（4）基于RFE 的CatBoost 的方法模型可以較好地完成中、大尺度下的森林地上生物量估測，既具備較快的估測速度，又具有較高的估測精度。該方法對各林分AGB 的建模精度為：闊葉混交林94.14%、針闊混交林81.40%、針葉混交林80.82%、其他硬闊類林80.77%、馬尾松林73.06%、杉木林83.02%?？傮w平均估測精度超過80%，高于當(dāng)前大部分的森林AGB 估測結(jié)果。CatBoost 模型效果優(yōu)于RF 和AdaBoost 模型效果。