云南香格里拉地区森林优势树种决策融合分类

作     者：方攀飞 王雷光 徐伟恒 欧光龙 代沁伶 李若楠 Fang Panfei;Wang Leiguang;Xu Weiheng;Ou Guanglong;Dai Qinling;Li Ruonan

作者机构：西南林业大学林学院云南昆明650233 西南林业大学大数据与人工智能研究院云南昆明650024 西南林业大学森林生态大数据国家林业和草原局重点实验室云南昆明650024 西南林业大学艺术与设计学院云南昆明650233 

基　　金：国家自然科学基金项目(31860182、32160369、41571372、31860181、32060320) 云南省中青年学术和技术带头人后备人才项目(2018HB026) 云南省基础研究计划面上项目(202101AT070039) 

出 版 物：《遥感技术与应用》 (Remote Sensing Technology and Application)

年 卷 期：2022年第37卷第3期

页      码：638-650页

摘      要：基于Google Earth Engine(GEE)云计算平台,协同Sentinel-2影像、WordClim生物气候数据、SRTM地形数据、森林资源二类调查数据等数据,以随机森林(Random Forest,RF),支持向量机(Support Vector Machine,SVM)和最大熵(Maximum Entropy,MaxEnt)3种机器学习算法为组件分类器,开展多源特征、多分类器决策融合的优势树种分类研究。通过3种组件分类器分别构建了两种串行集成和3种贝叶斯并行集成模型,用于确定云南香格里拉地区10种主要优势树种的空间分布。分类结果显示:3个组件分类器的总体精度均低于67.17%;3种并行集成方法总体精度相当,约为72%;两种串行集成方法精度高于78.48%,其中MaxEnt-SVM串行集成方法获得最佳精度(OA:80.66%,Kappa:0.78),与组件分类器相比精度至少提高了13.49%。研究表明:决策融合方法在优势树种分类中比组件分类器精度更高,并且有效改善了小样本树种的分类精度,可用于大范围山区优势树种分类。

主 题 词：优势树种 机器学习 决策融合 GEE 

学科分类：083002[083002] 0830[工学-生物工程类] 08[工学] 09[农学] 0804[工学-材料学] 0903[农学-动物生产类] 0816[工学-纺织类] 081602[081602] 081102[081102] 0811[工学-水利类] 

核心收录：

D　O　I：10.11873/j.issn.1004-0323.2022.3.0638

馆 藏 号：203114395...