融合神经网络与集成学习的复杂地形竹林生物量估测

　　 摘要:

针对复杂地形下高密度竹林地上生物量（AGB）遥感估算面临的光学信号饱和与星载LiDAR数据空间不连续双重难题，本研究以云南新平县龙竹林为对象，提出了一种融合经验贝叶斯克里金回归预测（EBKRP）与异质堆叠集成学习（Stacking）的协同反演框架。该框架通过两个递进阶段实现多源数据的深度融合与空间尺度扩展：首先，利用EBKRP模型，在Sentinel-2光谱特征与地形因子的辅助下，将ICESat-2与GEDI的离散结构参数外推为空间连续的特征图层；继而，构建了一个包含多层感知机（MLP）的异质Stacking集成模型。该模型引入具有全局逼近能力的MLP，与传统的kNN及决策树基模型（RF, GBRT, XGBoost）共同组成基学习器池，旨在利用神经网络强大的非线性映射能力弥补传统模型在处理复杂地形效应时的局限，并通过岭回归元学习器实现异质算法优势的互补融合。结果显示，Stacking模型表现卓越，决定系数（R2）达0.78，均方根误差（RMSE）为12.89 Mg/hm2，精度显著优于表现最佳的单一基学习器MLP。基于该模型估算出研究区龙竹林平均AGB密度为77.0 Mg/hm2，总储量为1.126×10? Mg。本研究证实，融合神经网络的异质集成策略能有效克服复杂山地环境下的估测偏差，为区域森林碳储量的高精度评估提供了一套稳健的方法学范式。