利用VNIR-SWIR高光譜成像和機器學習精準獲取巴西本地樹種的生長數(shù)據(jù)
本文要點：結合遙感與機器學習（ML）技術估算樹木生長量和生產(chǎn)力已成為極具前景的研究方向。本研究通過高光譜變量評估了ML算法預測天然林樹種胸徑（DBH）和樹高（Ht）的性能。在混交林分中隨機選取195棵樣本樹，利用350-2500nm波段的光譜讀數(shù)作為模型輸入變量。測試算法包括：人工神經(jīng)網(wǎng)絡（ANN）、決策樹（REPTree）、M5P決策樹、零規(guī)則算法（Zero R）、隨機森林（RF）和支持向量機（SVM）。采用兩種輸入配置：1）僅使用波長變量（NOSP）；2）結合波長與樹種變量（WSP）。算法性能通過相關系數(shù)（r）、平均絕對誤差（MAE）和均方根誤差（RMSE）進行評價。研究發(fā)現(xiàn)，以可見光-近紅外（VNIR）和短波紅外（SWIR）波段作為輸入時，測試模型可相對準確地預測DBH與Ht。引入樹種變量（WSP）后，DT、M5P和SVM算法對DBH和Ht的預測精度達到最高，相關系數(shù)均超過0.6。當缺乏樹種信息時，RF算法展現(xiàn)出更穩(wěn)定且準確的預測能力，相關系數(shù)維持在0.5左右。本實證表明，機器學習算法與高光譜數(shù)據(jù)的融合為獲取精準樹木測量數(shù)據(jù)提供了經(jīng)濟高效的解決方案，將有效推動森林管理技術的進步。
圖1. 研究區(qū)域位置
研究區(qū)域包括不同本地樹種的森林替代。該地區(qū)占地4.8公頃，其特點是種植了來自巴西植物群的本地森林物種，隨機分布，每個物種的樹木數(shù)量各不相同。該林分于 2013 年 3 月種植，位于巴西南馬托格羅索州南查帕當市（圖 1）。該地區(qū)的土壤被歸類為粘土質(zhì)營養(yǎng)不良紅。該地區(qū)氣候為潮濕的熱帶氣候 （Aw），其特點是夏季多雨，冬季干燥。年平均降雨量和溫度約為 750 和 1800 mm−1和 20 和 25 °C。
表1. 研究區(qū)域中評估的物種及其各自的數(shù)量 （n）
從屬于19種森林物種的195棵樹中隨機收集數(shù)據(jù)（表1）。在混交林區(qū)內(nèi)采集樹葉，以采集代表性樣本。隨機化涉及從地塊內(nèi)的不同位置選擇樹木，以確保廣泛的空間分布。
圖2. 每個采樣物種在離地面1.3米處的直徑（胸徑）、總高度（Ht）和每棵樹的莖數(shù)的平均值的箱線圖
測量所得樹木計量變量包括胸徑（DBH，單位：厘米）和全樹高（Ht，單位：米）。胸徑使用卷尺在離地1.3米處測量，當單株胸徑超過15厘米時，需將測量值除以π換算；對于多干型樹木，需分別測量每個主干并計算單株胸徑；樹高測量采用電子測角儀，多干樹僅選取最高主干進行評估。圖2展示了各樹種樣本的胸徑、樹高及主干數(shù)量的分布情況，數(shù)據(jù)顯示不同樹種在這三項指標上均存在顯著變異。
圖3. 數(shù)據(jù)收集和分析過程的流程圖
本研究通過ASD FieldSpec® 4高光譜儀采集195株樣本樹（每株3片葉片，共585片）的350-2500nm波段光譜數(shù)據(jù)，專用接觸式探針有效抑制環(huán)境光干擾，確保測量精度。原始數(shù)據(jù)經(jīng)RS3軟件記錄，并由ViewSpectroPro轉(zhuǎn)化為.txt格式供分析�；诿恐陿淙~片的光譜均值構建2151個波段變量數(shù)據(jù)庫，選用六種機器學習算法（ANN、REPTree、M5P、RF、SVM、ZeroR）建模樹木胸徑（DBH）與樹高（Ht）。其中M5P算法通過回歸技術處理缺失值，ZeroR作為基準模型提供參照；模型設置兩種輸入配置（純光譜變量NOSP、光譜+樹種變量WSP），采用k=10的分層交叉驗證進行十次重復測試，在Weka 3.8.5平臺默認參數(shù)下運行。模型性能通過皮爾遜相關系數(shù)（r）、平均絕對誤差（MAE）和均方根誤差（RMSE）評估，差異顯著性經(jīng)R軟件方差分析及Scott-Knott檢驗（p<0.05）驗證。
圖4. 用于預測胸徑（DBH）的機器學習算法和輸入（有物種的高光譜信息——WSP和沒有物種的高譜信息——NOSP）的精度度量均值的牛津圖
圖4展示了采用WSP與NOSP兩種輸入配置的機器學習算法預測胸徑（DBH）的精度指標箱線圖，重點呈現(xiàn)了相關系數(shù)（r）、平均絕對誤差（MAE）和均方根誤差（RMSE）的性能差異。結果顯示：采用WSP配置時，DT、M5P和SVM算法獲得更高r值（>0.6）；而NOSP配置下，RF和SVM算法取得最優(yōu)r值（>0.6）。在各算法內(nèi)部對比中，DT、M5P和SVM使用WSP配置時精度顯著提升（r>0.6），其余算法則無顯著輸入配置差異。在誤差指標方面（MAE與RMSE），WSP配置使DT、M5P和SVM的誤差均值降至更低水平（<6.0）。總體而言，WSP輸入配置持續(xù)為所有算法提供更低的誤差率。
圖5. 用于預測樹高（Ht）的機器學習算法和輸入（有物種的高光譜信息——WSP和沒有物種的高譜信息——NOSP）的精度度量方法的箱線圖
圖5展示了采用WSP與NOSP兩種輸入配置的機器學習算法預測樹高（Ht）的精度指標對比，包括相關系數(shù)（r）、平均絕對誤差（MAE）和均方根誤差（RMSE）的變化情況。結果顯示：使用WSP配置時，DT、M5P和SVM算法獲得最優(yōu)r值（>0.6）；而NOSP配置下僅RF算法達到較高r值（>0.6）。在多數(shù)算法中，WSP配置均展現(xiàn)出更高的相關性。誤差分析表明，采用WSP時DT和M5P的MAE與RMSE最低（<2.5），而NOSP配置下僅RF算法誤差最�。�<3.0）。除RF算法在兩種配置下表現(xiàn)相近外，WSP普遍具有更低誤差。綜合來看，結合樹種變量（WSP）的高光譜數(shù)據(jù)顯著提升了機器學習算法（尤其是RF）對胸徑和樹高的預測性能。
本文首次利用高光譜數(shù)據(jù)預測熱帶本土混交林測樹變量，其創(chuàng)新性在于驗證了樹種信息對預測精度的提升作用。采樣涵蓋19屬8科樹種增強了數(shù)據(jù)變異性，由于不同樹種特有的葉片形態(tài)和生理特征會形成獨特光譜印記，將樹種作為輸入變量可捕捉物種特異性生長模式（如樹干結構差異），從而顯著提升樹高和胸徑預測精度（尤其在RF算法中）。然而，全球超6萬種樹木（僅巴西約1萬種）的物種鑒定需耗費大量數(shù)據(jù)采集精力，且變量引入會增加模型復雜度。研究發(fā)現(xiàn)當樹種數(shù)據(jù)缺失時，M5P、DT和SVM算法僅憑光譜數(shù)據(jù)仍能準確預測變量，這種特征篩選能力降低了模型訓練成本。特別值得注意的是，DT與SVM算法在農(nóng)林領域兼具強大的分類與回歸能力，而M5P模型在本研究中也展現(xiàn)出優(yōu)異的預測魯棒性和泛化能力。該研究為高光譜技術在復雜森林生態(tài)系統(tǒng)中的應用提供了重要實踐依據(jù)。
研究揭示了高光譜數(shù)據(jù)與機器學習算法在林業(yè)參數(shù)預測中的協(xié)同效應，重點探討了樹種變量對模型性能的影響機制。研究發(fā)現(xiàn)隨機森林（RF）算法具有顯著優(yōu)勢：在樹種數(shù)據(jù)缺失時仍保持穩(wěn)定預測性能（相關系數(shù)r>0.6），其抗噪特性使其成為復雜森林場景的理想選擇。研究創(chuàng)新性地證實，引入樹種變量可使DT、M5P等算法的MAE降低至2.5以下，這源于不同樹種特有的葉片光譜特征（19屬8科樣本驗證）。但研究也指出實踐瓶頸：全球6萬種樹木的精確鑒定需要專業(yè)團隊建立光譜數(shù)據(jù)庫，建議未來研究應擴大樣本多樣性（包括不同生長階段和外來物種）。該技術體系為森林資源調(diào)查提供了高性價比解決方案，其誤差優(yōu)化（WSP配置下RMSE降低23%）對采伐規(guī)劃、生產(chǎn)力評估等林業(yè)決策具有重要應用價值。
參考文獻
Manfroi Filho E A, Teodoro P E, Teodoro L P R, et al. VNIR-SWIR spectroscopy and machine learning for measuring dendrometric variables in native species[J]. Remote Sensing Applications: Society and Environment, 2025, 37: 101522.
⭐️ ⭐️ ⭐️
動物活體熒光成像系統(tǒng) - MARS
In Vivo Imaging System
高分辨率 - 定制高分辨大光圈紅外鏡頭，空間分辨率優(yōu)于3um
熒光壽命 - 分辨率優(yōu)于 5us
高速采集 - 速度優(yōu)于1000fps （幀每秒）
多模態(tài)系統(tǒng) - 可擴展X射線輻照、熒光壽命、光聲和光熱成像、原位成像光譜，CT等
顯微鏡 - 高分辨顯微成像系統(tǒng)，兼容成像型光譜儀
⭐️ ⭐️ ⭐️
恒光智影
上海恒光智影醫(yī)療科技有限公司，被評為“國家高新技術企業(yè)”、“上海市專精特新中小企業(yè)”，獲批主持“科技部重大儀器專項”子課題，榮獲上海市“科技創(chuàng)新行動計劃”科學儀器項目、上海市2025年度關鍵技術研發(fā)計劃“計算生物學”項目。
恒光智影，致力于為生物醫(yī)學、臨床前和臨床應用等相關領域的研究提供先進的、一體化的成像解決方案。
專注動物活體成像技術，成像范圍覆蓋 400-1700 nm，同時可整合CT, X-ray，超聲，光聲，光熱成像等技術。
可為腫瘤藥理、神經(jīng)藥理、心血管藥理、大分子藥代動力學等一系列學科的科研人員提供清晰的成像效果，為用戶提供前沿的生物醫(yī)藥與科學儀器服務。
