通过贝叶斯优化在森林清查采样中利用遥感数据
机器学习
2020-09-18 v1 机器学习
摘要
在大区域森林清查中,必须在待采样数据量与数据采集成本之间权衡。基于采样的清查在处理时并非总能得到非常大的数据样本。因此有必要优化采样设计以实现总体参数估计的最优。相反,与森林清查变量相关的遥感(RS)数据可用性通常高得多。RS 与采样野外测量数据的结合常用于改进森林清查参数估计。此外,研究 RS 数据在清查采样中的利用也是合理的,可进一步改进森林变量估计。本研究中,我们提出一种基于贝叶斯优化的数据采样方法,在森林清查样本选择中利用 RS 数据。该方法将 RS 与清查数据间学习到的函数关系应用于新的采样决策。我们通过使用合成数据及芬兰奥兰地区实测数据进行的模拟采样实验评估了我们的方法。所提方法以简单随机抽样与局部关键方法两种基线方法为基准。模拟实验结果表明,当 RS 与清查数据间的函数关系从可用训练数据中正确学习时,所提方法的 MSE 值最优。
引用
@article{arxiv.2009.08420,
title = {Utilizing remote sensing data in forest inventory sampling via Bayesian optimization},
author = {Jonne Pohjankukka and Sakari Tuominen and Jukka Heikkonen},
journal= {arXiv preprint arXiv:2009.08420},
year = {2020}
}
备注
36 pages, 8 figures, 3 tables