本文要點(diǎn)：結(jié)合遙感與機(jī)器學(xué)習(xí)（ML）技術(shù)估算樹(shù)木生長(zhǎng)量和生產(chǎn)力已成為極具前景的研究方向。本研究通過(guò)高光譜變量評(píng)估了ML算法預(yù)測(cè)天然林樹(shù)種胸徑（DBH）和樹(shù)高（Ht）的性能。在混交林分中隨機(jī)選取195棵樣本樹(shù)，利用350-2500nm波段的光譜讀數(shù)作為模型輸入變量。測(cè)試算法包括：人工神經(jīng)網(wǎng)絡(luò)（ANN）、決策樹(shù)（REPTree）、M5P決策樹(shù)、零規(guī)則算法（Zero R）、隨機(jī)森林（RF）和支持向量機(jī)（SVM）。采用兩種輸入配置：1）僅使用波長(zhǎng)變量（NOSP）；2）結(jié)合波長(zhǎng)與樹(shù)種變量（WSP）。算法性能通過(guò)相關(guān)系數(shù)（r）、平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）進(jìn)行評(píng)價(jià)。研究發(fā)現(xiàn)，以可見(jiàn)光-近紅外（VNIR）和短波紅外（SWIR）波段作為輸入時(shí)，測(cè)試模型可相對(duì)準(zhǔn)確地預(yù)測(cè)DBH與Ht。引入樹(shù)種變量（WSP）后，DT、M5P和SVM算法對(duì)DBH和Ht的預(yù)測(cè)精度達(dá)到最高，相關(guān)系數(shù)均超過(guò)0.6。當(dāng)缺乏樹(shù)種信息時(shí)，RF算法展現(xiàn)出更穩(wěn)定且準(zhǔn)確的預(yù)測(cè)能力，相關(guān)系數(shù)維持在0.5左右。本實(shí)證表明，機(jī)器學(xué)習(xí)算法與高光譜數(shù)據(jù)的融合為獲取精準(zhǔn)樹(shù)木測(cè)量數(shù)據(jù)提供了經(jīng)濟(jì)高效的解決方案，將有效推動(dòng)森林管理技術(shù)的進(jìn)步。

圖1. 研究區(qū)域位置

研究區(qū)域包括不同本地樹(shù)種的森林替代。該地區(qū)占地4.8公頃，其特點(diǎn)是種植了來(lái)自巴西植物群的本地森林物種，隨機(jī)分布，每個(gè)物種的樹(shù)木數(shù)量各不相同。該林分于 2013 年 3 月種植，位于巴西南馬托格羅索州南查帕當(dāng)市（圖 1）。該地區(qū)的土壤被歸類為粘土質(zhì)營(yíng)養(yǎng)不良紅。該地區(qū)氣候?yàn)槌睗竦臒釒�氣�?（Aw），其特點(diǎn)是夏季多雨，冬季干燥。年平均降雨量和溫度約為 750 和 1800 mm−1和 20 和 25 °C。

表1. 研究區(qū)域中評(píng)估的物種及其各自的數(shù)量 （n）

從屬于19種森林物種的195棵樹(shù)中隨機(jī)收集數(shù)據(jù)（表1）。在混交林區(qū)內(nèi)采集樹(shù)葉，以采集代表性樣本。隨機(jī)化涉及從地塊內(nèi)的不同位置選擇樹(shù)木，以確保廣泛的空間分布。

圖2. 每個(gè)采樣物種在離地面1.3米處的直徑（胸徑）、總高度（Ht）和每棵樹(shù)的莖數(shù)的平均值的箱線圖

測(cè)量所得樹(shù)木計(jì)量變量包括胸徑（DBH，單位：厘米）和全樹(shù)高（Ht，單位：米）。胸徑使用卷尺在離地1.3米處測(cè)量，當(dāng)單株胸徑超過(guò)15厘米時(shí)，需將測(cè)量值除以π換算；對(duì)于多干型樹(shù)木，需分別測(cè)量每個(gè)主干并計(jì)算單株胸徑；樹(shù)高測(cè)量采用電子測(cè)角儀，多干樹(shù)僅選取最高主干進(jìn)行評(píng)估。圖2展示了各樹(shù)種樣本的胸徑、樹(shù)高及主干數(shù)量的分布情況，數(shù)據(jù)顯示不同樹(shù)種在這三項(xiàng)指標(biāo)上均存在顯著變異。

圖3. 數(shù)據(jù)收集和分析過(guò)程的流程圖

本研究通過(guò)ASD FieldSpec® 4高光譜儀采集195株樣本樹(shù)（每株3片葉片，共585片）的350-2500nm波段光譜數(shù)據(jù)，專用接觸式探針有效抑制環(huán)境光干擾，確保測(cè)量精度。原始數(shù)據(jù)經(jīng)RS3軟件記錄，并由ViewSpectroPro轉(zhuǎn)化為.txt格式供分析�；�于每株樹(shù)三片葉片的光譜均值構(gòu)建2151個(gè)波段變量數(shù)據(jù)庫(kù)，選用六種機(jī)器學(xué)習(xí)算法（ANN、REPTree、M5P、RF、SVM、ZeroR）建模樹(shù)木胸徑（DBH）與樹(shù)高（Ht）。其中M5P算法通過(guò)回歸技術(shù)處理缺失值，ZeroR作為基準(zhǔn)模型提供參照；模型設(shè)置兩種輸入配置（純光譜變量NOSP、光譜+樹(shù)種變量WSP），采用k=10的分層交叉驗(yàn)證進(jìn)行十次重復(fù)測(cè)試，在Weka 3.8.5平臺(tái)默認(rèn)參數(shù)下運(yùn)行。模型性能通過(guò)皮爾遜相關(guān)系數(shù)（r）、平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）評(píng)估，差異顯著性經(jīng)R軟件方差分析及Scott-Knott檢驗(yàn)（p<0.05）驗(yàn)證。

圖4. 用于預(yù)測(cè)胸徑（DBH）的機(jī)器學(xué)習(xí)算法和輸入（有物種的高光譜信息——WSP和沒(méi)有物種的高譜信息——NOSP）的精度度量均值的牛津圖

圖4展示了采用WSP與NOSP兩種輸入配置的機(jī)器學(xué)習(xí)算法預(yù)測(cè)胸徑（DBH）的精度指標(biāo)箱線圖，重點(diǎn)呈現(xiàn)了相關(guān)系數(shù)（r）、平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）的性能差異。結(jié)果顯示：采用WSP配置時(shí)，DT、M5P和SVM算法獲得更高r值（>0.6）；而NOSP配置下，RF和SVM算法取得最優(yōu)r值（>0.6）。在各算法內(nèi)部對(duì)比中，DT、M5P和SVM使用WSP配置時(shí)精度顯著提升（r>0.6），其余算法則無(wú)顯著輸入配置差異。在誤差指標(biāo)方面（MAE與RMSE），WSP配置使DT、M5P和SVM的誤差均值降至更低水平（<6.0）�？傮w而言，WSP輸入配置持續(xù)為所有算法提供更低的誤差率。

圖5. 用于預(yù)測(cè)樹(shù)高（Ht）的機(jī)器學(xué)習(xí)算法和輸入（有物種的高光譜信息——WSP和沒(méi)有物種的高譜信息——NOSP）的精度度量方法的箱線圖

圖5展示了采用WSP與NOSP兩種輸入配置的機(jī)器學(xué)習(xí)算法預(yù)測(cè)樹(shù)高（Ht）的精度指標(biāo)對(duì)比，包括相關(guān)系數(shù)（r）、平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）的變化情況。結(jié)果顯示：使用WSP配置時(shí)，DT、M5P和SVM算法獲得最優(yōu)r值（>0.6）；而NOSP配置下僅RF算法達(dá)到較高r值（>0.6）。在多數(shù)算法中，WSP配置均展現(xiàn)出更高的相關(guān)性。誤差分析表明，采用WSP時(shí)DT和M5P的MAE與RMSE最低（<2.5），而NOSP配置下僅RF算法誤差最�。�<3.0）。除RF算法在兩種配置下表現(xiàn)相近外，WSP普遍具有更低誤差。綜合來(lái)看，結(jié)合樹(shù)種變量（WSP）的高光譜數(shù)據(jù)顯著提升了機(jī)器學(xué)習(xí)算法（尤其是RF）對(duì)胸徑和樹(shù)高的預(yù)測(cè)性能。

本文首次利用高光譜數(shù)據(jù)預(yù)測(cè)熱帶本土混交林測(cè)樹(shù)變量，其創(chuàng)新性在于驗(yàn)證了樹(shù)種信息對(duì)預(yù)測(cè)精度的提升作用。采樣涵蓋19屬8科樹(shù)種增強(qiáng)了數(shù)據(jù)變異性，由于不同樹(shù)種特有的葉片形態(tài)和生理特征會(huì)形成獨(dú)特光譜印記，將樹(shù)種作為輸入變量可捕捉物種特異性生長(zhǎng)模式（如樹(shù)干結(jié)構(gòu)差異），從而顯著提升樹(shù)高和胸徑預(yù)測(cè)精度（尤其在RF算法中）。然而，全球超6萬(wàn)種樹(shù)木（僅巴西約1萬(wàn)種）的物種鑒定需耗費(fèi)大量數(shù)據(jù)采集精力，且變量引入會(huì)增加模型復(fù)雜度。研究發(fā)現(xiàn)當(dāng)樹(shù)種數(shù)據(jù)缺失時(shí)，M5P、DT和SVM算法僅憑光譜數(shù)據(jù)仍能準(zhǔn)確預(yù)測(cè)變量，這種特征篩選能力降低了模型訓(xùn)練成本。特別值得注意的是，DT與SVM算法在農(nóng)林領(lǐng)域兼具強(qiáng)大的分類與回歸能力，而M5P模型在本研究中也展現(xiàn)出優(yōu)異的預(yù)測(cè)魯棒性和泛化能力。該研究為高光譜技術(shù)在復(fù)雜森林生態(tài)系統(tǒng)中的應(yīng)用提供了重要實(shí)踐依據(jù)。

參考文獻(xiàn)

Manfroi Filho E A, Teodoro P E, Teodoro L P R, et al. VNIR-SWIR spectroscopy and machine learning for measuring dendrometric variables in native species[J]. Remote Sensing Applications: Society and Environment, 2025, 37: 101522.

⭐️ ⭐️ ⭐️

動(dòng)物活體熒光成像系統(tǒng) - MARS 

In Vivo Imaging System

⭐️ ⭐️ ⭐️

 恒光智影

上海恒光智影醫(yī)療科技有限公司，被評(píng)為“國(guó)家高新技術(shù)企業(yè)”、“上海市專精特新中小企業(yè)”，獲批主持“科技部重大儀器專項(xiàng)”子課題，榮獲上海市“科技創(chuàng)新行動(dòng)計(jì)劃”科學(xué)儀器項(xiàng)目、上海市2025年度關(guān)鍵技術(shù)研發(fā)計(jì)劃“計(jì)算生物學(xué)”項(xiàng)目。

恒光智影，致力于為生物醫(yī)學(xué)、臨床前和臨床應(yīng)用等相關(guān)領(lǐng)域的研究提供先進(jìn)的、一體化的成像解決方案。

專注動(dòng)物活體成像技術(shù)，成像范圍覆蓋 400-1700 nm，同時(shí)可整合CT, X-ray，超聲，光聲，光熱成像等技術(shù)。

可為腫瘤藥理、神經(jīng)藥理、心血管藥理、大分子藥代動(dòng)力學(xué)等一系列學(xué)科的科研人員提供清晰的成像效果，為用戶提供前沿的生物醫(yī)藥與科學(xué)儀器服務(wù)。