基于机载激光雷达点云的桉树林分蓄积量估算模型构建

摘要

【目的】通过2018年1—2月广西国有高峰林场机载激光雷达数据及地面调查数据,采用参数方法和非参数方法建立回归模型,反演桉Eucalyptus树人工林森林蓄积量。【方法】通过点云提取点云高度参数、点云密度参数、林分郁闭度等点云特征变量,采用参数方法(逐步回归、偏最小二乘回归)和非参数方法(随机森林回归、支持向量机回归)进行林分蓄积量构建,通过与样地实测数据对比,进行模型回归预测性能评估,进而选择出表现最优蓄积量反演模型。【结果】采用留一法对以上4种模型进行验证,结果显示:逐步回归模型R2为0.85、均方根误差(RMSE)为23.93 m^(3)·hm^(−2)、平均绝对误差(MAE)为18.18 m^(3)·hm^(−2);偏最小二乘回归模型R2为0.81、RMSE为26.52 m^(3)·hm^(−2)、MAE为19.94 m^(3)·hm^(−2);核函数为RBF的支持向量回归模型R2为0.88、RMSE为21.35 m^(3)·hm^(−2)、MAE为16.62 m^(3)·hm^(−2);随机森林回归模型R2为0.84、RMSE为24.53 m^(3)·hm^(−2)、MAE为17.41 m^(3)·hm^(−2)。【结论】采用随机森林进行变量筛选后,RBF-SVR模型拟合优度及泛化能力最优;通过逐步筛选法结合方差膨胀因子(VIF)方法优选变量的逐步回归模型次之;最后为随机森林回归模型与偏最小二乘回归模型。可见,在解决林业激光雷达领域中的回归预测问题时,采用非参数方法构建RBF-SVR模型更有优势。本研究建立的4种森林类型蓄积量模型,各模型均有较高精度且符合森林资源调查相关技术规定要求。图6表6参25。