森林地上生物量的非參數(shù)化遙感估測(cè)方法優(yōu)化.pdf

1、近年來，綜合使用多源遙感數(shù)據(jù)的森林地上生物量（Forest Above Ground Biomass，F(xiàn)AGB）估測(cè)技術(shù)已逐漸成為遙感領(lǐng)域的研究熱點(diǎn)。由于傳統(tǒng)的參數(shù)化估計(jì)方法不能有效地描述FAGB與多源遙感數(shù)據(jù)間的非線性關(guān)系，所以出現(xiàn)了一些將非參數(shù)化方法，如K最近鄰（K Nearest Neighbours，KNN）、神經(jīng)網(wǎng)絡(luò)（NN）算法等，用于森林AGB多源遙感估測(cè)的研究。支持向量機(jī)（Support Vector Machine，SV

2、M）也是一種非常有前景的非參數(shù)化方法，它基于統(tǒng)計(jì)學(xué)習(xí)理論，可以較好地解決小樣本、非線性、過學(xué)習(xí)、高維度、局部極小點(diǎn)等實(shí)際問題。自提出以來，因其獨(dú)特的優(yōu)勢(shì)，使其在眾多領(lǐng)域中得到了廣泛的研究與應(yīng)用，然而利用SVM進(jìn)行森林AGB遙感估測(cè)的相關(guān)報(bào)道還很少，并且也只有少數(shù)研究開展了旨在提高估測(cè)精度和穩(wěn)鍵性的非參數(shù)化優(yōu)化算法。
　　本文全面分析評(píng)述了森林AGB遙感估測(cè)的主要方法，重點(diǎn)總結(jié)了KNN、SVM等非參數(shù)化估測(cè)方法用于遙感生物物理參數(shù)反

3、演方面的研究現(xiàn)狀。在對(duì)已有的一些非參數(shù)化估測(cè)方法進(jìn)行系統(tǒng)深入研究及優(yōu)化的基礎(chǔ)上，確定了NN、KNN用于森林AGB估測(cè)的優(yōu)化方法，并建立了優(yōu)化的基于SVM的森林AGB遙感估測(cè)技術(shù)流程，提出了一種將隨機(jī)特征選擇技術(shù)與SVM相結(jié)合的組合算法。主要研究?jī)?nèi)容及成果如下：
　　（1）基于SPOT5影像，LiDAR歸一化點(diǎn)云統(tǒng)計(jì)變量以及相關(guān)的一些遙感因子，如紋理、植被指數(shù)等，設(shè)計(jì)了單隱層的錯(cuò)誤反向傳播 NN模型（Back Propagation

4、 Neural Network，BPNN）及三層徑向基NN模型（Radial Basis Function Neural Network，RBFNN），并利用隨機(jī)森林（Random Forest，RF）算法進(jìn)行特征選擇。結(jié)果表明，特征選擇可以提高NN算法的估測(cè)效果，RBFNN在估測(cè)精度、穩(wěn)定性上均優(yōu)于BPNN。
　?。?）基于KNN采用多源遙感數(shù)據(jù)，包括光學(xué)SPOT影像光譜值、相關(guān)遙感因子，如紋理、植被指數(shù)等及LiDAR歸一化點(diǎn)云

5、統(tǒng)計(jì)變量進(jìn)行森林AGB估測(cè)，為了與其他研究的非參數(shù)化模型進(jìn)行比較，同樣采用RF特征選擇對(duì)基于KNN的估測(cè)方法進(jìn)行優(yōu)化，并對(duì) KNN算法的眾多參數(shù)進(jìn)行優(yōu)選。結(jié)果表明，優(yōu)化后的KNN算法可以用于森林 AGB估測(cè)，并且在處理錯(cuò)誤樣本時(shí)具有良好的容錯(cuò)能力。
　　（3）改進(jìn)了SVM用于森林AGB遙感估測(cè)應(yīng)用中的一些缺陷，建立了SVM在森林AGB遙感估測(cè)應(yīng)用中的技術(shù)流程，包括特征選擇、最優(yōu)參數(shù)確定、核函數(shù)的自動(dòng)尋優(yōu)等。在特征選擇部分采用了RF

6、算法。結(jié)果表明，基于RF算法進(jìn)行特征選擇的估測(cè)效果優(yōu)于F-score的估測(cè)效果。在核函數(shù)尋優(yōu)部分，利用留一法，根據(jù)均方根誤差最小原則選擇最優(yōu)核函數(shù)，并依此建立了從5種常用核函數(shù)中自動(dòng)尋優(yōu)的算法與程序，解決了常規(guī)SVM估測(cè)方法依賴經(jīng)驗(yàn)選擇核函數(shù)的局限性。
　?。?）提出了將SVM和隨機(jī)特征選取技術(shù)相結(jié)合的森林AGB組合估測(cè)模型。該模型在隨機(jī)森林特征選擇的基礎(chǔ)上，利用隨機(jī)特征選取技術(shù)生成一組特征子集，然后基于這組特征子集構(gòu)建一組SVM

7、，并對(duì)每個(gè)SVM子模型都進(jìn)行參數(shù)的最優(yōu)化選擇及核函數(shù)的自動(dòng)尋優(yōu)等處理步驟，最后采用三種不同的方法將每個(gè)SVM子模型的估測(cè)值進(jìn)行結(jié)合，分別為平均法、加權(quán)平均法以及選擇法。與現(xiàn)有主流的非參數(shù)化方法的估測(cè)效果進(jìn)行了比較，結(jié)果表明：由于組合模型在計(jì)算過程中會(huì)根據(jù)不同的樣本選擇其對(duì)應(yīng)的最優(yōu)擬合超平面，在某種程度上具有自適應(yīng)性，整體的估測(cè)效果均要優(yōu)于單一SVM及其他非參數(shù)化方法。
　　本文研究工作的創(chuàng)新點(diǎn)如下：
　　（1）建立并實(shí)現(xiàn)了基

8、于SVM的森林AGB遙感估測(cè)應(yīng)用技術(shù)流程。發(fā)展了基于SVM與隨機(jī)特征選擇相結(jié)合的森林AGB遙感估測(cè)模型。該模型在處理森林AGB遙感估測(cè)問題時(shí)，無論從預(yù)測(cè)精度還是穩(wěn)定性均優(yōu)于參比模型。
　?。?）實(shí)現(xiàn)了基于KNN的森林AGB遙感估測(cè)方法的優(yōu)化。在對(duì)KNN算法的參數(shù)如K值、距離計(jì)算方法及權(quán)重計(jì)算方法進(jìn)行優(yōu)選的基礎(chǔ)上，通過結(jié)合RF特征選擇方法，使估測(cè)精度得到提高。
　?。?）將基于RF算法的特征選擇方法應(yīng)用于非線性估測(cè)模塊中，與傳