一种基于GA-SVR算法森林生物量的估测方法技术

本发明专利技术公开一种基于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。本发明专利技术的基于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，本发明专利技术公开的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。

【技术实现步骤摘要】
一种基于GA-SVR算法森林生物量的估测方法
本专利技术涉及森林地上生物量估算
，具体的涉及一种基于GA-SVR算法森林生物量的估测方法。
技术介绍
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。
技术实现思路
针对现有技术存在的上述问题，本专利技术提供了一种基于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，本专利技术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。进一步的，所述S2采用3种极化分解方法提取极化特征包括：Freeman-Durden极化分解方法分解出的3个极化特征：Odd(表面散射)、Dbl(二次散射)、Vol(体散射)；Yamaguchi极化分解方法分解的4个极化特征：Odd(表面散射)、Dbl(二次散射)、Vol(体散射))、Hlx(螺旋体散射)；Cloude-Pottier极化分解方法另分解的3个特征：Entropy(熵)、Anisotropy(反熵)、Alpha(散射角)。进一步的，所述S4染色体以二进制形式编码，前13位记录特征组合，值为1的位表示选择了相应的特征，值为0的位表示未选择特征，最后9位存储SVR超参数，前3位表示8个不同的C二进制码值，中间3位表示8个不同的γ二进制码值，最后3位显示8个不同的ε二进制码值，适应度函数采用K＝15和m＝1，其他参数设置如下：锦标赛选择，初始种群数＝35，世代数＝200，单点交叉率＝0.9，随机变异率＝0.9。进一步的，所述S6采用交叉验证系数(CVC)和决定系数(R2)为参数评估精度，如下式：其中yi为估计结果，yi为样地调查结果，为样地调查平均值。n是样本数；进一步的，所述S6结合遗传算法选取最优个体，若满足迭代次数，则输出优选的参数和估测结果；若不满足，则进行遗传算法的选择、交叉、变异重新生成新个体，重复S4-S6，直到到达迭代次数。本专利技术的有益效果：本专利技术的基于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，然后将GA-SVR算法的性能与默认SVR+GA和GA+GridSVR算法的性能进行比较，以确定每种方法对森林生物量估算过程的优化能力，本专利技术公开的GA-SVR方法的估计精度明显高于SVR+GA算法和GA+GridSVR算法，虽然GA+GridSVR算法常用于SVR的参数优化和特征选择过程，但它分别通过了两个连续的步骤对特征和参数进行优化，忽略了两个优化过程之间的协同效应；相比之下，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。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例所述基于GA-SVR算法森林生物量的估测方法的流程示意图；图2为本专利技术实施例所述三种方法的输出与实测结果之间的相关关系示意图；图3为本专利技术实施例所述使用三种不同算法从GF-3图像反演森林生物量的预测图；具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。实施例1一种基于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S本文档来自技高网...

【技术保护点】
1.一种基于GA-SVR算法森林生物量的估测方法，其特征在于：包括以下步骤：/nS1：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；/nS2：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；/nS3：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；/nS4：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；/nS5：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；/n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；/nS6：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；/nS7：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。/n...

【技术特征摘要】
1.一种基于GA-SVR算法森林生物量的估测方法，其特征在于：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。


2.如权利要求1所述的基于GA-SVR算法森林生物量的估测方法，其特征在于：所述S2采用3种极化分解方法提取极化特征包括：Freeman-Durden极化分解方法分解出的3个极化特征：Odd(表面散射)、Dbl(二次散射)、Vol(体散射)；Yam...

【专利技术属性】
技术研发人员：姬永杰，张王菲，徐昆鹏，
申请(专利权)人：西南林业大学，
类型：发明
国别省市：云南;53