近期，伟德国际1946源于英国张王菲课题组完成的题为“Optimizing KNN and multi-features extracted from GF-1 and GF-3 for forest above-ground biomass (AGB) estimation”的研究在《International Journal of Digital Earth》2025年第18卷第1期正式发表。

该研究基于高分一号（GF-1）和高分三号（GF-3）遥感数据，提取多类光学与SAR特征，采用KNN算法及其两种优化版本（KNN-FIFS和GA-KNN），对云南宜良和普洱地区的四种森林类型（云南松纯林、思茅松纯林、阔叶林、针阔混交林）的地上生物量（AGB）及其组分（树干、树枝、树叶）进行了估测。研究通过快速迭代特征选择（FIFS）和遗传算法（GA）对KNN算法进行优化，对比了三种模型在单一数据源和联合数据源下的估测性能，并探讨了通过组分生物量求和提升总生物量估测精度的策略。

结果显示，KNN-FIFS算法在多数情况下表现最优，尤其在联合使用GF-1与GF-3特征时，总生物量估测的相对均方根误差（rRMSE）最低可达12.48%（思茅松纯林）。GF-1的纹理特征和GF-3的极化分解特征对生物量估测贡献显著。并且不同森林类型对特征选择和模型性能具有显著影响，阔叶林和混交林更依赖SAR数据，而纯林则更依赖光学数据。

研究还发现，通过组分生物量求和得到的总生物量估测精度较直接估测提升约3%，其中云南松纯林的rRMSE从26.57%降至20.83%，表明组分估测策略有效提高了总生物量的反演精度。

该研究为多源遥感数据融合、机器学习算法优化及森林碳汇精准监测提供了有效方法支撑，对实现“双碳”目标具有重要应用价值。

伟德国际1946源于英国张王菲为该文第一作者，姬永杰副教授为该文通信作者。

该研究获得国家自然科学基金（32371869、32471865、32160365、42161059）和云南省农业联合专项（202401BB070001-021、202301BD070001-058）的资助。

全文链接：

Zhang, W., Wang, M., Shi, J., Yang, F., Zhang, W., Marino, A., Tian, Y., Ji, Y., & Zhao, H. (2025). Optimizing KNN and multi-features extracted from GF-1 and GF-3 for forest above-ground biomass (AGB) estimation. International Journal of Digital Earth, 18(1), 2547287.

https://doi.org/10.1080/17538947.2025.2547287