利用机器学习方法和 ASTER 数据进行森林属性插补：k-NN、SVR 和随机森林回归算法的比较

在伊朗希尔卡尼亚阔叶混交林的一项小型案例研究中，利用实地调查和先进星载热辐射与反射辐射计（ASTER）数据，采用三种非参数方法，即 k-最近邻（k-NN）、支持向量机回归（SVR）和基于随机森林（RF）的树回归，进行了样地水平的蓄积量/公顷、断面积/公顷和株数/公顷估算。对 ASTER 数据进行了相关的预处理和处理步骤，以进行几何校正和大气校正，并增强森林定量参数。在收集了 101 个样本中树木的地面信息后，计算了每个样地的每公顷蓄积量、断面积和林木株数。在使用不同距离度量和 k 的 k-NN 实现中，采用交叉验证方法来寻找最佳距离度量和最优 k。在 SVR 中，使用留一法交叉验证获得了四种核类型的最佳正则化参数。RF 采用自助学习法实现，并带有决策树模型和停止规则的正则化参数。利用未使用的测试样本，通过绝对和相对均方根误差（RMSE）以及偏差指标检验了性能的有效性。在蓄积量/公顷估算中，结果表明这三种算法的表现相似。然而，SVR 和 RF 的表现优于 k-NN，使用 k-NN、SVR 和 RF 算法的相对 RMSE 值分别为 28.54、25.86 和 26.86（m3 ha–1），但 RF 能够生成无偏估算。在断面积/公顷和株数/公顷估算中，RF 的实现结果表明，RF 的相对 RMSE（18.39、20.64）略优于 SVR（19.35、22.09）和 k-NN（20.20、21.53），但与其他两种算法相比，k-NN 能够生成无偏估算。