[发明专利]一种结合随机森林和协同克里金的生物量遥感制图方法

权利要求书

1.一种结合随机森林和协同克里金的生物量遥感制图方法，其特征在于，包括如下步骤：

(1)获取样地点在多源遥感影像中对应的各个光谱信息、纹理信息、地形因子，作为随机森林预测AGB的备选变量；

(2)获取样地点的AGB实测值，并划分为训练集和验证集；使用随机森林对备选变量进行重要性分析并筛选出重要变量，以重要变量和训练集进行随机森林初步反演AGB，得到RF模型预测的AGB值；

(3)将每个样地点RF模型预测的AGB值与AGB实测值的残差值作为主变量，将高程作为协变量，进行协同克里金插值，模拟得到整个区域随机森林预测结果的CK残差，将RF模型预测的AGB值与CK残差进行相加运算，即得RFCK模型预测的AGB；

(4)采用验证集验证RFCK模型预测AGB的精度；

(5)制作RFCK模型预测AGB的空间分布图。

2.根据权利要求1所述结合随机森林和协同克里金的基于多源遥感影像生物量制图新方法，其特征在于，步骤(1)具体为：

将Landsat的地表反射率数据进行主成分分析、缨帽变换、光谱特征变换、植被指数计算和纹理参数提取，提取出5组特征变量：原始地表反射率波段变量、光谱组合变量、植被指数变量、纹理变量和缨帽变换变量；

用DEM数据提取三个地形因子特征变量：高程、坡度和坡向；

对PALSAR的HH、HV极化数据进行组合计算，提取2组特征变量：向后散射变量和纹理变量；

将以上特征变量作为随机森林模型预测AGB的备选变量；将以上所有特征变量对应的特征层图像堆栈后，将样地点的坐标与堆栈的图像的像素点坐标进行匹配，使每个样地点的AGB对应于一组特征变量的数值，作为随机森林预测AGB的备选变量。

3.根据权利要求1所述结合随机森林和协同克里金的基于多源遥感影像生物量制图新方法，其特征在于，步骤(2)中所述使用随机森林对备选变量进行重要性分析并筛选出重要变量的方法具体为：利用随机森林进行将备选变量随机替换，然后评价替换前后预测器的预测正确率变化，正确率大的备选变量在AGB预测中起到的作用大，属于重要变量。

4.根据权利要求3所述结合随机森林和协同克里金的基于多源遥感影像生物量制图新方法，其特征在于，步骤(2)中所述使用随机森林对备选变量进行重要性分析并筛选出重要变量的方法具体为：导出每个备选变量的％IncMSE和IncNodePurity两个重要性因子，选择％IncMSE排前25位的备选变量，再结合其IncNodePurity进行综合制图排序展示，目视筛选，选择同时满足两个重要性排序都较高的变量作为RF建模变量。

5.根据权利要求1所述结合随机森林和协同克里金的基于多源遥感影像生物量制图新方法，其特征在于，步骤(3)具体包括如下步骤：

1)根据样地点的AGB实测值及RF模型预测的AGB值，计算得到样点的残差值：

其中Z(x_i)代表i点的AGB残差值，C(x_i)是i点实测得到的AGB值，是i点RF模型预测的AGB值；

2)将残差作为主变量，高程为协变量，对残差值进行半方差函数分析，选择最优函数模型参数，并基于最优函数模型参数对AGB的残差值进行协同克里金插值，得到全区域的残差预测结果：

其中Z_CK^*(x₀)是任意一位置待估计的AGB残差；Z₁(x_1i)是i点的AGB残差值；λ_1i是i点的权重系数，Z₂(x_2j)是j点的高程，λ_2j是协变量高程的权重系数，N₁是主变量训练样本的数量，N₂是协变量高程的采样点数，要求N₁≥N₂；

3)将RF模型预测的AGB预测值与基于协同克里金法的残差估计值进行相加运算，即得到RFCK模型AGB预测结果：

其中，是用RFCK模型得到的该像元位置AGB值，是该点通过CK插值得到的AGB估计残差。