农业机械学报

作者：孙乡楠，庞勇，曾伟生，陈新云，谢运鸿，王藏姣

单位：中国林业科学研究院;国家林业和草原局林草调查规划院,中国林业科学研究院,国家林业和草原局林草调查规划院,国家林业和草原局林草调查规划院,北京林业大学,中国林业科学研究院,

关键词：森林蓄积量;多源遥感;机器学习;马尔科夫链蒙特卡洛算法

基金：国家重点研发计划项目（2023YFE0105100）

为精准估算大兴安岭地区森林蓄积量，本研究选取多源遥感Sentinel-1和Sentinel-2影像，结合地理因子和气候因子，利用Boruta方法筛选自变量，采用随机森林（RF）、梯度提升机（GBM）、轻量梯度提升机（LGBM）、极端梯度提升（XGB）、自适应增强（ADB）、极端随机树（ETR）、K-最近邻（KNN）和支持向量机（SVM）8种机器学习模型进行样地尺度森林蓄积量回归建模，并通过马尔科夫链蒙特卡洛（Markov chain Monte Carlo，MCMC）算法联合多模型框架算法组合多模型和优化组合权重，对测试数据集进行预测，生成联合多模型预测结果。结果表明，单模型预测中，极端随机树模型表现最佳，其十折交叉验证的Pearson相关系数r、决定系数R2、均方根误差（RMSE）和平均相对误差（MRE）均值分别为0.752、0.584、1.884m3和29.3%。联合模型中，五模型（LGBM+XGB+ADB+ETR+SVM）和六模型（RF+LGBM+XGB+ADB+ETR+SVM）的联合R2最高（0.62），RMSE最低，双模型的联合R2提升最大（0.037）。根据R2和RMSE评判，联合模型整体表现优于单一模型，显示出更高的预测准确性和稳定性。利用多源数据和MCMC联合多模型框架能有效提高大兴安岭地区森林蓄积量估算精度，为森林资源管理提供科学数据支持，并可推广应用于其他森林生态参数预测与模拟。

来源：2025年第10期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第10期