基于高光谱影像评估人工林木材体积预测的机器学习与深度学习方法：局限性与挑战

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Assessing Machine Learning and Deep Learning Approaches for Wood Volume Prediction in Forest Plantations Using Hyperspectral Imagery: Limitations and Challenges

　　摘要：本研究评估了四种机器学习算法，随机森林回归 (RFR)、支持向量回归 (SVR)、多层感知器 (MLP) 和一维卷积神经网络 (1D-CNN)，用于利用 EnMAP 高光谱数据估算长叶松 (*Pinus taeda* L.) 的木材蓄积量。光谱预处理包括主成分分析 (PCA) 降维，基于置换的重要性分析确定近红外 (NIR) 和短波红外 (SWIR) 区域是对分量生成影响最大的区域。模型使用巴西南部的 153 个样地进行训练和验证，采用两种验证框架：(i) 使用随机交叉验证的非空间 (NSAC)，以及 (ii) 使用基于聚类 的空间交叉验证 (CSCV) 的空间 (SAC)。针对 1 到 10 个最近邻的 Moran's I 分析证实了蓄积量数据存在显著的空间自相关。在 NSAC 条件下，四种算法之间未观察到统计学上的显著差异 (Friedman 检验，α = 0.05)。相比之下，在 SAC 条件下，没有任何模型达到令人满意的性能，持续产生 R2 < 0 且误差显著偏高，表明完全无法泛化到空间上不同的区域。这种巨大的差异突显了空间自相关如何在非空间验证下膨胀性能指标。尽管如此，SVR 因其性能和在不同训练与测试集比例下的稳定性而被选用于制图，在所选的 80/20 比例下，测试集达到 R2 = 0.617，RMSE = 72.59 m3 ha?1，MAE = 40.18 m3 ha?1。结果表明，当正确考虑空间依赖性时，基于光谱的模型在估算木材蓄积量方面表现出大幅受限的预测能力。虽然这些发现部分证实了将 EnMAP 数据和机器学习整合用于森林监测的可行性，但鉴于空间自相关和... 所施加的关键限制，生成的地图应被解释为探索性决策支持工具，而不是操作性预测。显示更多