一种基于坡度分层的冠层高度估算建模策略:结合GEDI激光雷达与多卫星数据并运用XGBoost算法
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:A Slope-Stratified Modeling Strategy for Canopy Height Estimation: Fusing GEDI LiDAR and Multi-Satellite Data With XGBoost
【字体:
大
中
小
】
时间:2026年07月08日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 6.3
编辑推荐:
摘要:为了解决利用遥感数据在复杂地形中准确估算森林冠层高度的难题,本研究提出了一种集成建模策略,该策略将多源遥感特征与地形校正相结合。以全球生态系统动态调查(GEDI)的二级A级(L2A)相对高度数据作为参考,我们从多源遥感数据中筛选出了具有高解释能力的特征子集。通过采用坡度分层
摘要:
为了解决利用遥感数据在复杂地形中准确估算森林冠层高度的难题,本研究提出了一种集成建模策略,该策略将多源遥感特征与地形校正相结合。以全球生态系统动态调查(GEDI)的二级A级(L2A)相对高度数据作为参考,我们从多源遥感数据中筛选出了具有高解释能力的特征子集。通过采用坡度分层建模方法,该策略有效降低了地形起伏对高度估算的干扰,从而显著提升了森林冠层高度估算的精度。实验结果表明,基于多源遥感数据训练的极端梯度提升(XGBoost)模型取得了最高的精度。通过应用坡度分层建模,该模型的验证结果显示平均相关系数为0.74,均方根误差为6.49米,与未分层的全局模型相比,相关系数提升了4.23%,均方根误差降低了8.01%。此外,在不同森林覆盖度和坡向条件下的精度评估显示,中高覆盖度的森林表现相对较好;而在极高覆盖度条件下,精度依然保持较高水平,相关系数为0.81,均方根误差为3.99米。基于XGBoost的分层模型在坡向较大的区域表现更佳,其相关系数比全局模型提升了5.32%,均方根误差降低了7.61%。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号