[目的]无人机遥感的迅速发展为胸径预估提供了新方向,本研究适用于通过无人机遥感技术提取样地单木树冠因子后,估算胸径及林分每公顷断面积等指标,实现精准高效的森林资源监测与管理.[方法]根据福建省将乐国有林场33块杉木人工林地面调查数据,利用 10种传统模型与 2 种机器学习方法分别对单木胸径进行估测,并基于不同的自变量组合形式来分析不同因子对胸径估测的影响.[结果]根据传统模型参数拟合结果可以看出,树冠半径与胸径呈显著正相关,林分密度、偏冠因子及竞争指数与胸径均呈显著负相关.传统模型建模过程中所引入最优竞争指数为树冠重叠内角相关的CI2,模型逻辑斯蒂模型拟合结果最优,幂函数(有截距)模型次之.而在使用检验数据进行估测时,幂函数(有截距)有着最好的估测效果.随机森林模型均具有较好的拟合效果,使用检验数据进行估测,不同竞争指数对模型拟合提升程度不同,与树冠重叠面积相关的竞争指数CI3取得了最好的效果.支持向量回归模型拟合优度小于随机森林,略大于传统模型.对胸径进行估测时,包含与竞争木大小相关的竞争指数CI4 的模型为最优模型.[结论]传统模型和机器学习模型在拟合与估测单木胸径上均取得了一定的效果,利用机器学习模型效果更优.在模型的不同自变量组合中,加入有关树冠的竞争指数能使模型预测精度提高,决定系数R2 增加,EMA、ERMS及AIC减小.传统模型的最优竞争指数为重叠内角相关的竞争指数CI2,在机器学习方法中与对象木和竞争木大小相关的竞争指数CI3 和CI4 也取得了较好的效果.此外,偏冠指数对于胸径估测的提升效果仍需进一步验证.
国家科技期刊平台
NSTL
万方数据
维普
