基于机器学习算法的干旱区绿洲地上生物量估算OACSTPCD

植被地上生物量是反映陆地生态系统固碳能力的重要指标,利用遥感技术开展干旱区植被地上生物量估算与空间反演,可为荒漠绿洲生态系统的健康评价与碳储量估算提供重要依据.以野外调查和实地采样数据为基础,利用Landsat 8 OLI多光谱影像提取的7个植被指数和13个波段变量构成4种建模变量组合,采用支持向量机(Support Vector Machine,SVM)、反向传播神经网络(Back Propagation Neural Network,BPNN)、极端梯度提升(eXtreme Gradient Boosting,XGBoost)和随机森林(Random Forest,RF)这4种机器学习算法对新疆渭干河-库车河三角洲绿洲地上生物量进行遥感估算和空间反演.结果表明,(1)由波段变量和随机蛙跳算法优选变量构建的植被地上生物量反演模型,其估测精度明显优于全变量和指数变量,预测能力更为稳定.与SVM和BPNN算法相比,XGBoost和RF算法构建的模型具有更好的估测效果,能更准确地估算研究区植被地上生物量.(2)在构建的估测模型中,波段变量结合 RF 算法模型的精度最高,稳定性最强,其建模集和验证集的决定系数分别为0.898和0.742,平均绝对误差分别为82.1 g·m-2 和79.2 g·m-2,均方根误差为110.8 g·m-2和132.1 g·m-2,相对分析误差均大于 1.8,模型拟合效果最佳.(3)研究区植被地上生物量的空间分异较为明显,整体呈现出绿洲区高,荒漠区低,由绿洲内部向绿洲外围逐渐降低的变化趋势.与其他3种机器学习算法相比,随机森林算法构建的估测模型具有良好的估测能力和稳定性,可准确估算干旱区绿洲地上生物量.同时,基于最优变量组合的机器学习算法模型为地上生物量反演提供了科学依据.