基于机器学习算法的干旱区绿洲地上生物量估算

植被地上生物量是反映陆地生态系统固碳能力的重要指标，利用遥感技术开展干旱区植被地上生物量估算与空间反演，可为荒漠绿洲生态系统的健康评价与碳储量估算提供重要依据。以野外调查和实地采样数据为基础，利用Landsat 8 OLI多光谱影像提取的7个植被指数和13个波段变量构成4种建模变量组合，采用支持向量机(Support Vector Machine,SVM)、反向传播神经网络(Back Propagation Neural Network,BPNN)、极端梯度提升(e Xtreme Gradient Boosting,XGBoost)和随机森林(Random Forest,RF)这4种机器学习算法对新疆渭干河-库车河三角洲绿洲地上生物量进行遥感估算和空间反演。结果表明，(1)由波段变量和随机蛙跳算法优选变量构建的植被地上生物量反演模型，其估测精度明显优于全变量和指数变量，预测能力更为稳定。与SVM和BPNN算法相比，XGBoost和RF算法构建的模型具有更好的估测效果，能更准确地估算研究区植被地上生物量。(2)在构建的估测模型中，波段变量结合RF算法模型的精度最高，稳定性最强，其建模集和...