基于多距离度量kNN模型的森林蓄积量反演_吴胜义.pdf

Vol.43 No.2Feb.2023第 43 卷 第 2 期2023 年 2 月中 南 林 业 科 技 大 学 学 报 Journal of Central South University of Forestry&Technologyhttp:/收稿日期：2022-03-18基金项目：国家重点研发计划项目（2017YFD0601201）；湖南省重点研发计划项目（2021NK2031）；西北监测区第二次林业碳汇计量监测项目（GLXD-2018-ZX-69）。第一作者：吴胜义（），硕士，高级工程师。通信作者：李伟坡（），硕士，讲师。引文格式：吴胜义,王义贵,王飞,等.基于多距离度量 kNN 模型的森林蓄积量反演 J.中南林业科技大学学报,2023,43(2):10-18.WU S Y,WANG Y G,WANG F,et al.Forest stock volume inversion based on multi-distance metric kNN modelsJ.Journal of Central South University of Forestry&Technology,2023,43(2):10-18.基于多距离度量 kNN 模型的森林蓄积量反演吴胜义1，2，王义贵1，2，王 飞1，2，李伟坡3（1.国家林业和草原局 西北调查规划设计院，陕西 西安 710048；2.旱区生态水文与灾害防治国家林业局重点实验室，陕西 西安 710048；3.中南林业科技大学，湖南 长沙 410004）摘 要：【目的】森林蓄积量是衡量森林质量和生长状况的重要指标。利用遥感技术进行森林蓄积量反演相比传统的森林调查能显著提高森林资源调查效率，对快速获取区域范围森林生长状况，进行高效的资源利用和森林经营管理具有重要意义。【方法】以陕西韩城市为研究区，利用森林资源二类调查数据库提取森林蓄积量实测数据，结合 Sentinel-2 遥感影像进行森林蓄积量反演。通过线性逐步回归法和重要性评价法分别进行变量筛选，构建多元线性回归模型、支持向量机模型、随机森林模型和基于欧式距离、曼哈顿距离和马氏距离构建的kNN 模型进行森林蓄积量估测，通过精度评价比较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。【结果】1）马氏距离是最适合构建 kNN 模型的距离度量。基于马氏距离构建的 kNN 模型在所有模型中实现了最高的估测精度，决定系数 R2为 0.66，均方根误差 RMSE 为 10.02 m3/hm2，均方根误差相比随机森林模型、支持向量机模型和多元线性回归分别下降了 3.9%、7.8%和 29.9%；2）非参数模型在森林蓄积量估测中的精度显著优于参数模型。基于马氏距离构建的 kNN 模型、随机森林模型、支持向量机模型均方根误差相比多元线性回归分别降低了 29.9%、27.0%和 23.9%；3）研究区西北部森林生长情况较好，蓄积量值较大，东部和南部地区主要是水域和建筑用地，森林分布较少，森林蓄积量值较低。【结论】利用 kNN 模型结合 Sentinel-2 遥感影像能实现森林蓄积量反演和制图，为森林资源遥感估测研究提供参考。关键词：森林蓄积量；哨兵二号；线性逐步回归；重要性评价；马氏距离中图分类号：S758.5+1；S771.8 文献标志码：A 文章编号：1673-923X(2023)02-0010-09Forest stock volume inversion based on multi-distance metric kNN modelsWU Shengyi1,2,WANG Yigui1,2,WANG Fei1,2,LI Weipo3(1.Northwest Surveying,Planning and Designing Institute of National Forestry and Grassland Administration,Xian 710048,Shaanxi,China;2.Key Laboratory National Forestry Administration on Ecological Hydrology and Disaster Prevention in Arid Regions,Xian 710048,Shaanxi,China;3.Central South University of Forestry&Technology,Changsha 410004,Hunan,China)Abstract:【Objective】Forest stock volume is an important indicator to measure the quality and growth status of forests.Compared with traditional forest surveys,forest stock volume inversion using remote sensing technology can significantly improve the efficiency of forest resource surveys,which is important for quickly obtaining the forest growth status on a regional scale and conducting efficient resource utilization as well as forest management.【Method】The city of Hancheng in Shanxi Province was selected as the study area,and the forest management survey database was used to extract the actual measured data of forest accumulation combined with Sentinel-2 remote sensing images for forest stock volume inversion.Through the linear stepwise regression method and importance evaluation method,the variables were screened,and the multiple linear regression model(MLR),support vector machine model(SVM),random forest(RF)model and the kNN model based on Euclidean distance,Manhattan distance and Mahalanobis distance were constructed to evaluate the accuracy.Finally,the model with the highest estimation accuracy was selected for the forest stock volume inversion in the study area.【Result】1)The Mahalanobis distance was the most suitable distance metric for constructing the kNN model.The kNN model constructed based on the Mahalanobis distance achieved the highest estimation accuracy among all models,with a coefficient of determination(R2)of 0.66 and a root mean square error(RMSE)of 10.02 m3/hm2,and the RMSE decreased by 3.9%,7.8%and 29.9%,respectively,compared with the random forest(RF),support vector machine(SVM)and multiple linear(MLR)models.2)The Doi:10.14067/ki.1673-923x.2023.02.00211中 南 林 业 科 技 大 学 学 报第 43 卷森林蓄积量是森林资源经营管理和森林生长质量评价的重要指标。森林蓄积量可以直接反映森林生态系统的健康状况，是森林固碳能力的重要体现1-2，对区域森林蓄积量进行估测对快速掌握森林生态系统质量具有重要意义3。遥感技术的应用极大地提高了森林蓄积量的调查效率，利用遥感数据源结合实测样地调查数据进行森林蓄积量反演已经成为国内外研究的热点4-5。然而，反演模型的选择一直是影响森林蓄积量反演精度的重要因素。目前，常用的森林蓄积量反演模型主要以参数模型和非参数模型为 主6。参数模型易于实现，可以直观地表现遥感变量与森林蓄积量之间的定量关系。以多元线性回归为代表的参数模型在森林参数估测上已经得到了广泛应用。此外，非参数模型，例如 kNN 和随机森林等机器学习算法由于不需要数据有固定的分布趋势，且在小样本上也具有较好的估测效果，已经被证明具有较高的应用潜力7-8。其中，kNN 模型由于易于实现且效果较好，已经被证明可以成功地用于森林蓄积量反演。郑刚等9发现在进行参数优选后，利用 kNN 模型进行亚热带地区森林蓄积量的遥感估测精度要明显优于传统方法。宋亚斌等10以湖南省湘潭县为研究区，利用kNN 模型成功地进行了森林蓄积量反演。蒋馥根等11利用方差速率变化结合 kNN 模型对旺业甸林场森林蓄积量进行反演，结果表明 kNN 模型应用于森林蓄积量反演具有较大的潜力。然而，目前对于 kNN 估测中的距离度量讨论较少，本研究将利用多种距离度量建立 kNN 模型进行森林蓄积量反演，以探索距离度量对于 kNN 在森林蓄积量反演上的效应。本研究以 Sentinel-2 多光谱影像为数据源，结合韩城市森林资源调查实测数据，建立多元线性回归模型、支持向量机模型、随机森林模型和基于多种距离度量的 kNN 模型对研究区森林蓄积量进行遥感估测。最终选择估测精度最高的模型进行韩城市森林蓄积量反演和空间分布制图，以期为森林蓄积量遥感反演提供参考。1 材料与方法1.1 研究区概况韩城市位于陕西省东部，位置为 1100709 1103724 E，351850 355208N。北 依 宜川，西邻黄龙，南接合阳，东隔黄河，总面积约 1 621 km2。地势西北高，东南低，中部浅山区多为黄土丘陵，境内山原川滩等地貌类型兼有，深山和浅山丘陵占总面积的 69%。韩城市处于暖温带半干旱区域，属大陆性季风气候，四季分明，气候温和，光照充足，降水量较多。年平均气温13.5，年均降水量 559.7 mm，无霜期 209 d，年日照 2 436 h。春夏季易发生干旱，夏季阵雨多、强度大，水土流失严重。目前全市森林覆盖率为45.3%，主要树种为落叶松 Larix gmelini 和刺槐Robinia pseudoacacia 等。研究区位置及样地分布如图 1 所示。1.2 遥感影像预处理及森林蓄积量数据获取研究使用的遥感数据源为Sentinel-2 MSI数据，获取时间为 2018 年 10 月 12 日，云量小于 5%，于欧洲航天局（European Space Agency，ESA）官方网站获取数据（https:/scihub.copernicus.eu/）。遥感影像预处理能校正遥感成像过程中由于大气环境、地形起伏和传感器自身影响等产生的误差，以获取更准确的影像信息12。本研究利用 Sen2