(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110230134.2 (22)申请日 2021.03.02 (65)同一申请的已公布的文献号 申请公布号 CN 113011086 A (43)申请公布日 2021.06.22 (73)专利权人 西南林业大 学 地址 650000 云南省昆明市白龙寺 300号 (72)发明人 姬永杰　张王菲　徐昆鹏　 (74)专利代理 机构 昆明合盛知识产权代理事务 所(普通合伙) 53210 专利代理师 龙燕 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/12(2006.01)(56)对比文件 CN 108921885 A,2018.1 1.30 审查员 龚秒 (54)发明名称 一种基于GA-SVR算法森林生物量的估测方 法 (57)摘要 本发明公开一种基于GA ‑SVR算法森林生物 量的估测方法， 涉及森 林地上生物 量估算技术领 域。 本发明的基于GA ‑SVR算法森林生物量的估测 方法， 提出的GA ‑SVR算法共输入13个特征和8组 参数， 对研究区域的森林生物量进行了估测， 本 发明公开的GA ‑SVR方法的估计精度明显高于SVR +GA算法和GA+Grid  SVR算法， GA‑SVR算法同步优 化了参数和特征， 为森 林生物量估计提供了更好 的性能。 权利要求书1页 说明书6页 附图2页 CN 113011086 B 2022.08.16 CN 113011086 B 1.一种基于GA ‑SVR算法森林生物量的估测方法， 其特 征在于： 包括以下步骤： S1： 获取SAR卫星影像， 经辐射定标、 滤波分析、 极化分解和地理编码， 得到与研究区地 理位置一 致的各个SAR输入参数 特征； S2： 将3个极化特征HH、 HV、 VV的后向散射系数和采用3种极化分解方法提取的10种极化 分解特征， 共计13个极化分解特 征的物理 组合因子作为输入生物量估测模型的输入变量； S3： 选取SVR模型的核函数， 设定SVR的惩罚系数C、 损失系数 ε和宽度系数γ的范围； S4： 以输入模型的SA R特征、 SV R的三个参数分别为作 为单个基因， 设计遗传算法的染色 体， 并进行二进制编码； S5： 进行野外调查， 获取每木检尺的样地调查数据， 或者获取角规调查样地数据， 带回 实验室进行样地 生物量计算； 将调查样地数据、 遗传算法选取的初始输入SAR特征和SV R参数进行森林地上生物量估 测模型的训练； S6： 采用15折交叉验证结果作 为适应度函数， 结合遗传算法选取最优个体， 并看是否满 足迭代次数； S7： 将达到迭代次数的SAR参数、 SVR模型参数输出， 并输出模型的估测结果和精度， 将 结果作为森林地上生物量的估测结果及精度水平； 所述S2采用3种极化分解方法提取极化特征包括： Freeman ‑Durden极化分解方法分解 出的3个极化特征： 表面散射Odd、 Dbl二次散射、 体散射Vol； Yamaguchi极化分解方法分解的 4个极化特征： 表面散射Odd、 二 次散射Dbl、 体散射Vol、 螺旋体散射Hlx； Cloude ‑Pottier极 化分解方法另分解的3个特 征： 熵Ent ropy、 反熵 Anisotropy、 散射角Alpha； 所述S4染色体以二进制形式编码， 前13位记录特征组合， 值为1的位表示选择了相应的 特征， 值为0的位表示未选择特征， 最后9 位存储SVR超参数， 前3位表 示8个不同的C二进制码 值， 中间3位表示8个不同的γ二进制码值， 最后3位显示8个不同的ε二进制码值， 适应度函 数采用K＝15和m＝1， 其他参数设置如下： 锦标赛选择， 初始种群数＝35， 世代数＝200， 单点 交叉率＝0.9， 随机变异率 ＝0.9； 所述S6采用交叉验证系数CVC和决定系数R2为参数评估精度， 如下式： 其中 为估计结果， yi为样地调查结果， 为样地调查平均值； n是样本数； 所述S6结合遗传算法选取最优个体， 若满足迭代次数， 则输出优选的参数和估测结果； 若不满足， 则进行遗传算法的选择、 交叉、 变异重新生成新个体， 重复S4 ‑S6， 直到到达迭代 次数。权　利　要　求　书 1/1 页 2 CN 113011086 B 2一种基于GA ‑SVR算法森 林生物量的估测方 法 技术领域 [0001]本发明涉及森林地上生物量估算技术领域， 具体的涉及一种基于GA ‑SVR算法森林 生物量的估测方法。 背景技术 [0002]森林地上生物量(AGB)估测在全球碳循环和气候变化研究中具有重要意义。 合成 孔径雷达(SAR)数据， 特别 是具有极化和 干涉信息的数据， 对于森林AGB反演发挥着重要的 作用。 随着SAR数据的成熟和丰富， 可以提取多种极化及干涉SAR特征。 利用SAR数据精确估 测森林生物量的关键之一是要从数量巨大的特征集中选择最佳的估测输入 特征， 另一个关 键是选择合适的反演模型及模型参数。 特征优选和模型参数优选， 一般采用人工和自动两 种方法来识别合适的SAR特征和AGB估计模型。 目前通常首先采用一定方法对SAR特征集进 行特征优选， 然后采用非参数的K近邻(K ‑NN)、 随机森林(RF)和支持向量回归(SVR)等算法 进行森林AGB估测。 [0003]支持向量回归(SVR)有利用小样本数据产生相对较高估计精度， 同时解决线性和 非线性问题的优势， 因此成为利用遥感数据估测森 林AGB的一种重要 方法。 然而， SVR估测算 法的鲁棒性受到模 型参数选择的 限制。 遗传算法(GAs)常被用来优化模型参数和特征选择。 近期研究结果表明， GAs能够分别提供有效的最优特征子集和模型算法参数。 然而， 这些研 究并没有像 GA‑SVR算法那样具有选择特征和SVR参数的协同性能， 特别是在 森林AGB估测领 域展开的研究还较少。 发明内容 [0004]针对现有技术存在的上述问题， 本 发明提供了一种基于GA ‑SVR算法森林生物量的 估测方法， GA ‑SVR算法协同优化 参数和特 征， 提高森林生物量估算精度。 [0005]为实现上述 技术目的， 达 到上述技术效果， 本发明是通过以下技 术方案实现： [0006]一种基于GA ‑SVR算法森林生物量的估测方法， 包括以下步骤： [0007]S1： 获取SAR卫星影像， 经辐射定标、 滤波分析、 极化分解和地理编码， 得到与研究 区地理位置一 致的各个SAR输入参数 特征； [0008]S2： 将3个极化特征HH、 HV、 VV的后向散射系数和采用3种极化分解方法提取的10种 极化分解特征， 共计13个极化分解特征的物理组合因子作为输入生物量估测模 型的输入变 量； [0009]S3： 选取SVR模型的核函数， 设定SVR的惩罚系数C、 损失系数ε和宽度系数γ的范 围； [0010]S4： 以输入模型的SAR特征、 SVR的三个参数分别为作为单个基因， 设计遗传算法的 染色体， 并进行二进制编码； [0011]S5： 进行野外调查， 获取每木检尺的样地调查数据， 或者获取角规调查样地数据， 带回实验室进行样地 生物量计算；说　明　书 1/6 页 3 CN 113011086 B 3