[发明专利]基于改进Boruta算法的森林地上生物量遥感测量方法

说明书

本发明涉及森林地上生物量测量，具体涉及一种基于改进Boruta算法的森林地上生物量遥感测量方法，改进Boruta算法的森林地上生物量遥感测量方法，其特征在于，该方法包括以下步骤：(1)选取待测地区的遥感影像数据及对数据预处理；(2)设计改进Boruta算法；(3)利用改进Boruta算法建立SVR模型；(4)利用模型对待测地区的森林地上生物量进行测量，本方法精度较高，测量出来的AGB分布情况与实际调查到的研究地地质地貌以及森林植被分布情况基本吻合，为森林测量提供了新的方法。

技术领域

本发明涉及森林地上生物量的测量，尤其涉及一种改进Boruta算法的森林地上生物量遥感测量方法。

背景技术

发生森林火灾必须具备三个主要条件：森林可燃物、火险天气、火源，可燃物是发生森林火灾的物质基础。森林地上生物量作为森林火灾可燃物的主要成分，森林地上生物量的估测研究为森林火灾的预报奠定了丰富的理论和实践基础。zhang等以Landsat5TM影像为研究数据，运用了多元线性回归和BP神经网络两种模型对东北黑龙江省北部大兴安岭伊乐湖里山北坡塔河和阿穆尔林区的生物量进行了估测。Colin等采用了随机森林、线性混合效应回归、立体派和支持向量回归四种模型对生物量进行了估测。Zhang等通过基于深度学习的工作流程，将LiDAR数据与Landsat8图像集成起来，发展一种新的协同估算生物量的方法。Pablito等利用Landsat8 OLI为数据源，用RF模型和支持向量模型对墨西哥马德里西班牙观测到的森林生物量进行估测，结果表明SVR模型估测森林生物量最佳。Eelis等使用高斯过程(GPR)和支持向量回归(SVR)回归估算森林生物量，结果表明GPR的表现略逊SVR。综合分析这些方法，它们主要存在自身的不足之处是在建模的时候，模型拟合精度的关注过度，而忽略了建模特征变量数量及其重要性。

发明内容

基于此，本发明采用森林规划设计调查数据为基础数据，利用地理遥感信息技术提取众多变量，以森林地上生物量为估测目标，将改进Boruta算法特征变量筛选与SVR相结合，完成了森林地上生物量高精度遥感估测模型的构建，为机器学习与森林地上生物量变量选择的结合提供了参考依据。

本发明提供一种改进Boruta算法的森林地上生物量遥感测量方法，该方法包括以下步骤：

(1)选取待测地区的遥感影像数据及对数据预处理；

(2)设计改进Boruta算法；

(3)利用改进Boruta算法建立SVR模型；

(4)利用模型对待测地区的森林地上生物量进行测量。

本发明的另一优选方案是，步骤(1)是选取Sentinel2影像数据。Sentinel2 影像数据包含13个波段的多光谱数据，其中Band2、Band3、Band4、Band8的空间分辨率为10m，Band5、Band6、Band7、Band8a、Band11、Band12的空间分辨率为20m，Band1、Band9、Band10的空间分辨率为60m。

本发明的另一优选方案是，本发明的另一优选方案是，步骤(1)对数据预处理是采用ESA提供的SNAP软件中使用Sencor插件对Sentinel2的LIC级标准产品数据进行辐射定标、大气校正处理。

附图说明

图1是芦头林场的DEM图；

图2是Boruta算法流程图；

图3是基于Boruta-SVR模型精度验证结果图；

图4是改进Boruta算法流程图；

图5是基于改进Boruta-SVR模型的精度验证结果图。

具体实施方式

以下通过具体实施例对本发明作进一步说明，以助于理解本发明的技术方案，但本发明的保护范围并不仅限于这些实施例。