基于特征选择和集成机器学习算法的森林地上生物量估测

罗蜜; 邓子蒨; 赵学松; 吕华权; 莫晓峰; 吴宇; 周伟

doi:10.16088/j.issn.1001-6600.2025042601

广西师范大学学报（自然科学版） ›› 2026, Vol. 44 ›› Issue (4) : 234 -245. DOI: 10.16088/j.issn.1001-6600.2025042601

基于特征选择和集成机器学习算法的森林地上生物量估测

罗蜜, 邓子蒨, 赵学松, 吕华权, 莫晓峰, 吴宇, 周伟

作者信息 +

Author information +

文章历史 +

摘要

森林地上生物量（AGB）遥感估测中，特征变量的日益增多使得有效特征筛选成为提升精度的关键问题。本文以南宁市为研究区，基于哨兵2号遥感数据提取各波段光谱信息、纹理特征及地形因子等多元变量，分别采用逐步回归法、双变量相关法、随机森林法等3种特征选择方法筛选建模变量，并基于CatBoost和RF集成机器学习算法建立AGB估测模型。通过五折交叉验证评估模型性能，筛选最优模型组合实现研究区AGB空间制图。结果表明，在3种特征选择方法中，双变量相关法在马尾松林、桉树林、其他阔叶林中表现均为最佳，而在杉木林中，随机森林法表现最佳。其中，杉木林中随机森林特征筛选法结合RF算法为最优模型组合(R²=0.58,RMSE=8.53 Mg·hm^-2);马尾松林中双变量相关法+RF算法为最优组合(R²=0.51, RMSE=11.10 Mg·hm^-2);桉树林中双变量相关法+RF算法为最优模型组合(R²=0.56,RMSE=14.91 Mg·hm^-2);其他阔叶林中双变量相关法+RF算法为最优模型组合(R²=0.35,RMSE=40.55 Mg·hm^-2)。研究表明，特征选择方法对模型的预测性能有显著影响，将特征选择方法和集成机器学习算法相结合，有利于提高AGB的估测精度。