-
题名应用SHAP可解释机器学习模型估测森林蓄积量
- 1
-
-
作者
王元
王玥
周宇琛
陈伏生
张绿水
刘牧
-
机构
保护生物学江西省重点实验室(江西农业大学)
-
出处
《东北林业大学学报》
北大核心
2025年第5期66-73,共8页
-
基金
江西省高校人文社会科学研究项目(JC22245)。
-
文摘
森林蓄积量是反映森林资源丰富程度的关键指标,精确估测森林蓄积量对于森林资源管理至关重要。以江西省林区为研究对象,运用谷歌地球引擎(Google Earth Engine)平台从Landsat 8遥感影像中提取多个植被指数、单波段及组合特征,并结合国家森林资源连续清查的地面实测数据,分析不同影像特征参数在森林蓄积量反演中的贡献率。结果表明:对比多元线性回归、神经网络、随机森林和XGBoost模型估测森林蓄积量的精度,随机森林模型估测精度为93.3%,决定系数(R^(2))为0.9337,均方根误差为2.2323,平均绝对误为2.3395;与BP神经网络模型(R^(2)=0.8219)和XGBoost模型(R^(2)=0.7916)相比,模型拟合度和预测效果更佳,比多元线性回归模型(R^(2)=0.688)处理非线性关系的稳定性和可靠性更高。通过解释特征参数的相对重要性,揭示出平均胸径、郁闭度等特征对森林蓄积量影响显著,且随机森林模型中各因子间存在相互作用。
-
关键词
SHAP解释模型
机器学习模型
森林蓄积量
-
Keywords
SHAP interpretation model
Machine learning model
Forest volume
-
分类号
S758.4
[农业科学—森林经理学]
-
