用于中国亚热带地区森林地上生物量估算的混合机器学习与地统计方法

《Forests》：Hybrid Machine Learning and Geostatistical Approaches for Forest Aboveground Biomass Estimation in a Subtropical Region of China

　　

摘要

亚热带森林地上生物量（AGB）的精确估算对于区域碳核算和可持续森林管理至关重要。然而，针对AGB进行标准化的多源特征筛选与机器学习-地统计学的集成分析仍处于有限阶段。本研究整合了六类异质性数据集——Landsat-8光学影像、Sentinel-1 SAR数据、地形数据、气象数据、土壤数据以及2014年国家森林资源清查（NFI）数据，在中国安徽省亚热带森林中建立了48个预测变量。研究采用两阶段变量筛选框架：首先通过Pearson相关性筛选将初始的48个预测变量缩减至36个低相关性变量，随后采用基于5折空间区块交叉验证的递归特征消除（RFE）方法进行进一步预测变量筛选。研究对随机森林（RF）、极端梯度提升（XGB）、经验贝叶斯克里金回归预测（EBKRP）、混合模型RF_EBKRP和XGB_EBKRP进行了评估。林龄和林分密度是RF和XGB中的主导预测因子，在RF中分别贡献33.6%和24.0%，在XGB中分别贡献36.5%和17.3%。海拔、降水和郁闭度表现出次级重要性，而植被指数的贡献相对较小。RF_EBKRP模型取得了最高的预测精度（R² = 0.77），相比RF和EBKRP，均方根误差（RMSE）分别降低了17.20%和43.75%。本研究提供了一个可复现的RF-EBKRP工作流程，将非线性机器学习预测与地统计学残差校正相结合，为亚热带森林地上生物量的精细化制图和管理提供了有力支持。