基于高斯过程回归的机载激光扫描数据森林属性估计
应用统计
2019-01-23 v2
摘要
尽管机载激光扫描(ALS)数据分析常能为某些林分属性(如总蓄积量或断面积)提供可靠估计,但仍有改进空间,尤其在估计树种特异性属性方面。此外,虽然估计不确定性信息在各种森林经济与环境分析中十分有用,但目前仍缺乏一种计算可行的 ALS 不确定性量化框架。本文使用高斯过程回归(GPR)——一种非线性非参数机器学习方法——来处理树种特异性林分属性估计与不确定性量化(UQ)。同时估计多个树种特异性林分属性:树高、胸径、株数、断面积和干材积。交叉验证结果表明,GPR 相较最先进的 k 近邻(kNN)实现,估计 RMSE 平均改善 4.6%,偏差可忽略,且不确定性量化(可信区间)表现良好,同时计算速度快。即便使用更小的训练集,GPR 相对 kNN 的性能优势与可信区间的可行性依然保持。
引用
@article{arxiv.1806.09440,
title = {Gaussian process regression for forest attribute estimation from airborne laser scanning data},
author = {Petri Varvia and Timo Lähivaara and Matti Maltamo and Petteri Packalen and Aku Seppänen},
journal= {arXiv preprint arXiv:1806.09440},
year = {2019}
}
备注
Accepted for publication in IEEE Transactions on Geoscience and Remote Sensing