精确估计的森林地上生物量（AGB）区域图可为可持续森林管理的合理决策提供坚实的基础，例如减少森林砍伐、森林退化和温室气体排放等决策。样地水平的森林地上生物量（AGB）是链接准确测量的单木AGB与估算相对困难的区域AGB的重要桥梁。然而，样地水平AGB的估算存在许多不确定性。本研究的目的是探讨机器学习与空间统计相结合是否会降低样地水平AGB估算的不确定性。因此，本研究评估和比较了不同模型估算样地水平森林AGB的性能。这些模型包括三种不同的机器学习模型，支持向量机（SVM）、随机森林（RF）和径向基函数人工神经网络（RBFANN），一种空间统计模型（PBSHADE），以及该三种机器学习算法与空间统计的组合模型（SVM&PBSHADE、RF&PBSHADE和RBFANN&PBSHADE）。

　　结果表明，所有组合模型的预测精度均显著高于任何单个模型，其中，随机森林与空间统计的组合模型RF&PBSHADE精度最高。这些结果表明，使用机器学习和空间统计相结合的方法，尤其是RF&PBSHADE模型，可以提高样地水平AGB的估算精度。这些研究结果有助于开发准确的森林AGB区域图。　　

　　研究成果以Improving Plot-Level Model of Forest Biomass: A Combined Approach Using Machine Learning with Spatial Statistics为题发表在Forests上，城市环境研究所研究生戴劭勍和郑小曼为共同第一作者，任引研究员为通讯作者。研究得到国家自然基金（31972951，31670645）等项目的支持。

　　论文链接

图1 结合机器学习和空间统计的森林生物量估算模型

图2 不同森林生物量估算模型的预测性能对比