关键词:
地上生物量
空间异质性
机器学习
半变异函数
ICESat–2
地理探测器
摘要:
以ICESat–2/ATLAS数据为数据源,结合54块实测样地,构建机器学习模型并对光斑足迹的地上生物量进行预测,采用Moran's I和半变异函数对反演的森林AGB空间自相关和异质性进行研究。结果表明:梯度提升回归树(GBRT)模型具有较好的预测精度(R^(2)=0.90,RMSE=11.08 t/hm^(2));香格里拉市森林生物量的最佳拟合半变异函数模型为指数模型(C_(0)=0.12,C_(0)+C=0.87,A_(0)=10 200 m);与普通克里格相比,序贯高斯条件模拟得到的AGB空间分布图具有较好的一致性(r=0.59^(**),d=0.70)。AGB的空间分异能够被地形因子解释,在解释力方面,海拔最大,坡向次之,坡度最小;基于星载激光雷达ICESat–2/ATLAS数据的森林AGB反演精度较高(P_(p)=81.43%),为地统计分析提供了可靠的数据源。因此,基于星载激光雷达与地统计学相结合的方法,能较好地实现森林AGB的空间异质性分析。