煤炭科学技术

作者：张世文, 汤关清, 王鑫宇, 綦巍, 胡含秀, 胡睿鑫, 周小帆, 张艳飞, 宋承运,

关键词：乔木地上生物量, 无人机多光谱, 结构特征, 露天矿山生态修复, 机器学习模型,

单木地上生物量(Above-ground Biomass，AGB) 是反映单木生长状况的重要参数，及时、精准的单木AGB估算对露天矿山修复林地区修复成效监测至关重要。探究利用多光谱与单木结构特征信息(Structural Feature Information，SFI)进行特征级融合以提升单木AGB估算准确性的潜力。首先，基于倾斜影像数据构建研究区冠层高度模型并结合分水岭算法实现单木分割，获取光谱信息提取窗口与单木SFI，同时利用多光谱数据提取冠层光谱纹理信息共计57个指标。其次，基于各类型特征变量及其组合，结合反向传播神经网络、随机森林和支持向量机3种算法模型构建AGB估算模型。最后，测试数据融合前后的模型拟合效果，筛选出精度最优的算法模型。为避免模型参数限制，采用粒子群与遗传算法对最优模型进一步优化。研究结果表明：基于单一变量类型的估算模型虽能表征单木AGB的大小情况，但估算精度具有一定的局限性。基于SFI的AGB模型决定系数(R2)、平均绝对误差(EMAE)分别为R2=0.406～0.628，EMAE=0.895～1.439 kg/株；基于多光谱数据的AGB模型R2=0.355～0.627，EMAE=0.712～1.497 kg/株。数据融合显著提高了单木AGB的估算精度，3个机器学习模型中，RF模型估算效果最好，其中R2=0.740，EMAE=0.535 kg/株。算法优化后，基于GA-RF算法的模型单木AGB估算效果最好，其中R2=0.910，EMAE=0.420 kg/株，相比基于单木SFI结合RF的模型，R2提高44.91%～74.66%，EMAE降低53.07%～62.73%。研究可为露天矿山修复林地区采用无人机平台监测单木生长状态提供一种可行的方法。

来源：2026年第5期

《煤炭科学技术》期刊编辑部

查看煤炭科学技术杂志2026年第5期