[发明专利]一种基于GA-SVR算法森林生物量的估测方法

说明书

本发明公开一种基于GA‑SVR算法森林生物量的估测方法，涉及森林地上生物量估算技术领域。本发明的基于GA‑SVR算法森林生物量的估测方法，提出的GA‑SVR算法共输入13个特征和8组参数，对研究区域的森林生物量进行了估测，本发明公开的GA‑SVR方法的估计精度明显高于SVR+GA算法和GA+Grid SVR算法，GA‑SVR算法同步优化了参数和特征，为森林生物量估计提供了更好的性能。

技术领域

本发明涉及森林地上生物量估算技术领域，具体的涉及一种基于GA-SVR算法森林生物量的估测方法。

背景技术

森林地上生物量(AGB)估测在全球碳循环和气候变化研究中具有重要意义。合成孔径雷达(SAR)数据，特别是具有极化和干涉信息的数据，对于森林AGB反演发挥着重要的作用。随着SAR数据的成熟和丰富，可以提取多种极化及干涉SAR特征。利用SAR数据精确估测森林生物量的关键之一是要从数量巨大的特征集中选择最佳的估测输入特征，另一个关键是选择合适的反演模型及模型参数。特征优选和模型参数优选，一般采用人工和自动两种方法来识别合适的SAR特征和AGB估计模型。目前通常首先采用一定方法对SAR特征集进行特征优选，然后采用非参数的K近邻(K-NN)、随机森林(RF)和支持向量回归(SVR)等算法进行森林AGB估测。

支持向量回归(SVR)有利用小样本数据产生相对较高估计精度，同时解决线性和非线性问题的优势，因此成为利用遥感数据估测森林AGB的一种重要方法。然而，SVR估测算法的鲁棒性受到模型参数选择的限制。遗传算法(GAs)常被用来优化模型参数和特征选择。近期研究结果表明，GAs能够分别提供有效的最优特征子集和模型算法参数。然而，这些研究并没有像GA-SVR算法那样具有选择特征和SVR参数的协同性能，特别是在森林AGB估测领域展开的研究还较少。

发明内容

针对现有技术存在的上述问题，本发明提供了一种基于GA-SVR算法森林生物量的估测方法，GA-SVR算法协同优化参数和特征，提高森林生物量估算精度。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

一种基于GA-SVR算法森林生物量的估测方法，包括以下步骤：

S1：获取SAR卫星影像，经辐射定标、滤波分析、极化分解和地理编码，得到与研究区地理位置一致的各个SAR输入参数特征；

S2：将3个极化特征HH、HV、VV的后向散射系数和采用3种极化分解方法提取的10种极化分解特征，共计13个极化分解特征的物理组合因子作为输入生物量估测模型的输入变量；

S3：选取SVR模型的核函数，设定SVR的惩罚系数C、损失系数ε和宽度系数γ的范围；

S4：以输入模型的SAR特征、SVR的三个参数分别为作为单个基因，设计遗传算法的染色体，并进行二进制编码；

S5：进行野外调查，获取每木检尺的样地调查数据，或者获取角规调查样地数据，带回实验室进行样地生物量计算；

将调查样地数据、遗传算法选取的初始输入SAR特征和SVR参数进行森林地上生物量估测模型的训练；

S6：采用15折交叉验证结果作为适应度函数，结合遗传算法选取最优个体，并看是否满足迭代次数；

S7：将达到迭代次数的SAR参数、SVR模型参数输出，并输出模型的估测结果和精度，将结果作为森林地上生物量的估测结果及精度水平。