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據

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波段的光譜讀數作為模型輸入變量。測試算法包括：人工神經網絡（ANN）、決策樹（REPTree）、M5P決策樹、零規則算法（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（r）、平均絕對誤差（MAE）和均方根誤差（RMSE）進行評價。研究發現，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，相關系數均超過0.6。當缺乏樹種信息時，RF算法展現出更穩定且準確的預測能力，相關系數維持在0.5左右。本實證表明，機器學習算法與高光譜數據的融合為獲取精準樹木測量數據提供了經濟高效的解決方案，將有效推動森林管理技術的進步。

圖1. 研究區域位置

研究區域包括不同本地樹種的森林替代。該地區占地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）。該地區的土壤被歸類為粘土質營養不良紅。該地區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. 研究區域中評估的物種及其各自的數量 （n）

從屬于19種森林物種的195棵樹中隨機收集數據（表1）。在混交林區內采集樹葉，以采集代表性樣本。隨機化涉及從地塊內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、樹高及主干數量的分布情況，數據顯示不同樹種在這三項指標上均存在顯著變異。

圖3. 數據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波段光譜數據，專用接觸式探針有效抑制環境光干擾，確保測量精度。原始數據經RS3軟件記錄，并由ViewSpectroPro轉化為.txt格式供分析。基于每株樹三片葉片的光譜均值構建2151個波段變量數據庫，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平臺默認參數下運行。模型性能通過皮爾遜相關系數（r）、平均絕對誤差（MAE）和均方根誤差（RMSE）評估，差異顯著性經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，重點呈現了相關系數（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r值（>0.6）。在各算法內部對比中，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（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r值（>0.6）；而NOSP配置下僅RF算法達到較高r值（>0.6）。在多數算法中，WSP配置均展現出更高的相關性。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算法誤差最小（<3.0）。除RF算法在兩種配置下表現相近外，WSP普遍具有更低誤差。綜合來看，結合樹種變量（WSP）的高光譜數據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據預測熱帶本土混交林測樹變量，其創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科樹種增強了數據變異性，由于不同樹種特有的葉片形態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據采集精力，且變量引入會增加模型復雜度。研究發現當樹種數據缺失時，M5P、DT和SVM算法僅憑光譜數據仍能準確預測變量，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出優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系統中的應用提供了重要實踐依據。

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 - MARS 

In Vivo Imaging System

⭐️ ⭐️ ⭐️

 恒光智影

上海恒光智影醫療科技有限公司，被評為“國家高新技術企業”、“上海市專精特新中小企業”，獲批主持“科技部重大儀器專項”子課題，榮獲上海市“科技創新行動計劃”科學儀器項目、上海市2025年度關鍵技術研發計劃“計算生物學”項目。

恒光智影，致力于為生物醫學、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藥與科學儀器服務。