基于多源卫星数据的油棕种植园地上碳制图的混合特征选择与集成学习
《Agriculture》:Hybrid Feature Selection and Ensemble Learning for Aboveground Carbon Mapping in Oil Palm Plantations Using Multi-Source Satellite Data
【字体:
大
中
小
】
时间:2026年08月27日
来源:Agriculture 4.5
摘要
油棕种植园在热带地区的农业生产和碳储存中发挥着重要作用。准确估算地上碳 (AGC) 对于可持续种植园管理、减缓气候变化和碳监测至关重要。虽然实地测量提供了可靠的估算,但它们通常耗时、费力且成本高昂,特别是在大片种植园区域。遥感和机器学习的最新进展为利用卫星影像估算 AGC 提供了高效的替代方案。在本研究中,我们开发了一个机器学习框架,用于利用哨兵 2 号多光谱影像和哨兵 1 号合成孔径雷达 (SAR) 数据估算油棕种植园的 AGC。将实地测量与从卫星数据中提取的光谱变量、植被指数和 SAR 衍生参数相结合。采用结合皮尔逊相关、互信息和 mRMR 的混合特征选择方法来识别最相关的变量。评估了六种机器学习算法,包括线性回归、随机森林、XGBoost、梯度提升、LightGBM 和极端随机树。由于 160 个观测值包含在 10 个 40 m × 40 m 实地样地内的 16 个 10 m × 10 m 网格单元,模型性能通过留一样地交叉验证进行评估:将某个样地的所有 16 个网格单元一起留出,并且在每个折中仅使用该折的训练样地重复混合特征选择。性能通过在合并的折外预测上使用 R2、均方根误差 (RMSE) 和平均绝对相对误差 (AARE%) 来衡量。在这种空间独立设计下,组合的哨兵 1 号 + 哨兵 2 号数据集给出了最高的精度 (R2 = 0.7950, RMSE = 4.14 t C ha?1, AARE = 33.53%),其次是单独的哨兵 1 号 (R2 = 0.7631, RMSE = 4.46 t C ha?1) 和单独的哨兵 2 号 (R2 = 0.6108, RMSE = 5.71 t C ha?1)。线性回归和极端随机树是最稳健的模型,而提升集成模型无法推广到未见的样地。使用相同数据的未分组随机分割重复评估,将 R2 提高了高达 0.70,表明在该设计下可获得精度的很大一部分反映的是样地内的空间自相关,而不是预测能力。这些发现表明,光学-SAR 影像结合机器学习可以为油棕种植园提供有用的 AGC 估算,并且空间独立验证对于诚实报告它们是必不可少的。提出的框架可用于支持种植园尺度的碳制图、监测和碳储量评估,但需要在额外种植园中进行进一步校准和独立验证。
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