基于激光雷达点云数据和集成学习算法的思茅松林分结构参数估测

作     者：张澜钟 岳彩荣 李初蕤 滕子晗 李馨 

作者机构：西南林业大学林学院 凉山彝族自治州林业草原科学研究院 

出 版 物：《西北林学院学报》 (Journal of Northwest Forestry University)

年 卷 期：2024年

核心收录：

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0907[农学-林学] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081105[工学-导航、制导与控制] 0829[工学-林业工程] 09[农学] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(42061072) 西南林业大学科研预研基金(01108/18200139) 云南省高校林业3S工程中心(00020401) 

主　　题：激光雷达 集成学习 机器学习 平均树高 算数平均胸径 公顷蓄积量 公顷胸高断面积 

摘      要：思茅松是我国亚热带西南部山地的重要代表树种,其林分结构参数的精准定量评估对于深入理解我国西南山区的森林演替、物质循环和生物多样性具有重要意义。利用15块样方调查数据验证背包激光雷达（BLS）数据提取单木参数的准确性,并将基于270块BLS数据单木分割后计算得到的林分结构参数与无人机激光雷达（ULS）数据特征参数结合,通过集成随机森林（RF）、极限梯度提升（XGBoost）和轻量级梯度提升机（LightGBM）等3个基础模型的预测结果构建集成学习估测模型。旨在提高遥感数据估测森林结构参数的精度和稳定性,为林场精准监测和精细化经营管理提供基础数据。结果表明:1)BLS数据提取单木参数时,实测胸径与提取胸径的决定系数（R2）为0.975 9,均方根误差（RMSE）为0.810 7 cm,实测树高与提取树高的R2为0.860 2,RMSE为1.337 2 m;2)基于加权平均、投票和堆叠集成学习算法构建的模型相比基础模型,估测精度均有所提升,其中加权平均法的拟合效果最佳,平均树高最优估测模型R2为0.950 1,RMSE为0.675 5 m,平均绝对误差（MAE）为0.433 8 m;算数平均胸径最优估测模型R2为0.835 2,RMSE为0.982 8 cm,MAE为0.665 3 cm;公顷蓄积量最优估测模型R2为0.932 4,RMSE为13.777 4 m3/hm2,MAE为8.853 3 m3/hm2;公顷胸高断面积最优估测模型R2为0.870 0,RMSE为2.456 m2/hm2,MAE为1.358 2 m2/hm2;3)通过加权平均集成学习算法对研究区的林分结构参数进行反演与预测,平均树高在11.0～18.3 m;算数平均胸径在13.0～18.2 cm;公顷蓄积量在116.7～208.7 m3/hm2;公顷胸高断面积在28.0～45.4 m2/hm2。