基于多源遥感数据和PSO-XGBoost算法的森林蓄积量反演方法研究OA

森林蓄积量(forest stock volume,FSV)可以反映森林资源状况,是森林资源调查的关键指标之一。遥感技术因范围广、周期短、成本低而优势显著,通过结合多源遥感数据反演蓄积量,可快速准确监测森林资源,提升管理效率与质量。本文以新疆天山西部区域为研究区,以样地实测数据为依据,融合Sentinel-1 SAR数据后向散射系数及纹理特征、Sentinel-2多光谱植被指数数据,结合DEM高程数据,通过对比评价指标最终选择估测精度最高的模型进行研究区森林蓄积量反演。研究发现:1)多源遥感数据反演结果优于单一遥感数据,其中以Sentinel-1与Sentinel-2遥感数据结合DEM高程数据效果最佳,通过对比反演模型验证了本文提出的方法在提高反演精度方面的有效性。2)本文提出了一种优化后的集成学习算法,利用粒子群优化算法(particle swarm optimization,PSO)全局搜索和低时间复杂度的优势,通过协作和随机扰动来搜索优化梯度,提升决策树算法(eXtreme gradient boosting,XGBoost)的各个参数,从而有效提高了XG-Boost模型预测性能。其中MSE达到14.64、RMSE为3.83、MAE为2.83、决定系数R2达到了0.85,验证了本文提出方法的有效性与准确率。本文提出的融合多源遥感数据的PSO-XGBoost方法有效地提高了森林蓄积量反演精度和模型稳定性,为区域尺度下的森林蓄积量的遥感估算提供了理论依据和实用方案。