通过结合遥感和机器学习技术，有望提升森林生长及产量预测模型的准确性

《IEEE Access》：Potential Improvement of Forest Growth and Yield Modeling Incorporating Remote Sensing and Machine Learning.

　　

摘要：

森林生长和产量的预测对于可持续的森林管理规划至关重要。在巴西，Clutter模型被广泛用于产量预测，通常能够将预测误差控制在10%以下。然而，该模型的传统构建方法主要依赖于树木测量数据，这可能限制了其表征生理生长过程的能力。本研究评估了整合遥感变量是否能够提高Clutter模型的预测性能，并将其准确性与机器学习方法的准确性进行了比较。数据集包含了来自巴西东南部克隆桉树林的连续森林资源量测量数据。通过处理Landsat 8影像，得到了八个光谱指数和八个基于灰度共生矩阵的纹理指标。评估了传统Clutter模型、结合了遥感变量的改进版本以及五种机器学习算法（随机森林、支持向量机、极端梯度提升、极端学习机和K近邻算法）的模型性能。传统Clutter模型表现稳健（均方根误差RMSE = 8.51%，R2 ≥ 0.93，r = 0.91）。将遥感变量纳入Clutter模型框架后，预测性能略有提升，RMSE降低了约0.05%。机器学习模型的提升更为显著，尽管幅度仍然较小，其中支持向量机的表现最佳，准确性提高了多达0.7%。在所有预测因子中，SR、NBRI和Haralick相关性指标的影响最大。这些结果表明，基于遥感的生态生理变量能够增强森林生长和产量的估计，尤其是在与非线性机器学习技术结合使用时，这些技术能够模拟复杂的相互作用。