[發明專利]一種基于GA-SVR算法森林生物量的估測方法

有效

• 申請號: 202110230134.2
• 申請日: 2021-03-02
• 公開（公告）號: CN113011086B
• 公開（公告）日: 2022-08-16
• 發明（設計）人: 姬永杰;張王菲;徐昆鵬
• 申請（專利權）人: 西南林業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/12
• 代理公司: 昆明合盛知識產權代理事務所(普通合伙) 53210
• 代理人: 龍燕

本發明公開一種基于GA?SVR算法森林生物量的估測方法，涉及森林地上生物量估算技術領域。本發明的基于GA?SVR算法森林生物量的估測方法，提出的GA?SVR算法共輸入13個特征和8組參數，對研究區域的森林生物量進行了估測，本發明公開的GA?SVR方法的估計精度明顯高于SVR+GA算法和GA+Grid SVR算法，GA?SVR算法同步優化了參數和特征，為森林生物量估計提供了更好的性能。

技術領域

本發明涉及森林地上生物量估算技術領域，具體的涉及一種基于GA-SVR算法森林生物量的估測方法。

背景技術

森林地上生物量(AGB)估測在全球碳循環和氣候變化研究中具有重要意義。合成孔徑雷達(SAR)數據，特別是具有極化和干涉信息的數據，對于森林AGB反演發揮著重要的作用。隨著SAR數據的成熟和豐富，可以提取多種極化及干涉SAR特征。利用SAR數據精確估測森林生物量的關鍵之一是要從數量巨大的特征集中選擇最佳的估測輸入特征，另一個關鍵是選擇合適的反演模型及模型參數。特征優選和模型參數優選，一般采用人工和自動兩種方法來識別合適的SAR特征和AGB估計模型。目前通常首先采用一定方法對SAR特征集進行特征優選，然后采用非參數的K近鄰(K-NN)、隨機森林(RF)和支持向量回歸(SVR)等算法進行森林AGB估測。

支持向量回歸(SVR)有利用小樣本數據產生相對較高估計精度，同時解決線性和非線性問題的優勢，因此成為利用遙感數據估測森林AGB的一種重要方法。然而，SVR估測算法的魯棒性受到模型參數選擇的限制。遺傳算法(GAs)常被用來優化模型參數和特征選擇。近期研究結果表明，GAs能夠分別提供有效的最優特征子集和模型算法參數。然而，這些研究并沒有像GA-SVR算法那樣具有選擇特征和SVR參數的協同性能，特別是在森林AGB估測領域展開的研究還較少。

發明內容

針對現有技術存在的上述問題，本發明提供了一種基于GA-SVR算法森林生物量的估測方法，GA-SVR算法協同優化參數和特征，提高森林生物量估算精度。

為實現上述技術目的，達到上述技術效果，本發明是通過以下技術方案實現：

一種基于GA-SVR算法森林生物量的估測方法，包括以下步驟：

S1：獲取SAR衛星影像，經輻射定標、濾波分析、極化分解和地理編碼，得到與研究區地理位置一致的各個SAR輸入參數特征；

S2：將3個極化特征HH、HV、VV的后向散射系數和采用3種極化分解方法提取的10種極化分解特征，共計13個極化分解特征的物理組合因子作為輸入生物量估測模型的輸入變量；

S3：選取SVR模型的核函數，設定SVR的懲罰系數C、損失系數ε和寬度系數γ的范圍；

S4：以輸入模型的SAR特征、SVR的三個參數分別為作為單個基因，設計遺傳算法的染色體，并進行二進制編碼；

S5：進行野外調查，獲取每木檢尺的樣地調查數據，或者獲取角規調查樣地數據，帶回實驗室進行樣地生物量計算；

將調查樣地數據、遺傳算法選取的初始輸入SAR特征和SVR參數進行森林地上生物量估測模型的訓練；

S6：采用15折交叉驗證結果作為適應度函數，結合遺傳算法選取最優個體，并看是否滿足迭代次數；

S7：將達到迭代次數的SAR參數、SVR模型參數輸出，并輸出模型的估測結果和精度，將結果作為森林地上生物量的估測結果及精度水平。