基于多角度融合的CHRIS数据提取湿地植被的研究

[目的]利用多角度高光谱数据,分析不同角度下东洞庭湖湿地典型植被群落的光谱特征,确定多角度信息融合的最佳方法,并对融合影像进行湿地植被类型精细识别。[方法]使用CHRIS多角度高光谱数据,针对洞庭湖湿地植被的光谱特征,研究计算窄波段NDVI的最佳波段组合和角度,评价CHRIS 0°影像与NDVI的像素级融合方法,进而对洞庭湖地区湿地植被进行提取。[结果]计算NDVI的最佳红波段和近红外波段分别位于667.6 nm和926.95 nm,对应于CHRIS数据的第24波段和第55波段;选取HSV、Brovery、Gram-Schmidt和PCA 4种融合方法进行融合,发现PCA融合图像的光谱信息丢失最少、纹理细节更丰富,信息量最大;PCA融合影像的总体精度为81.36%,比单角度影像提高7.93%,Kappa系数提高0.097 6,且苔草的漏分误差和泥蒿的错分误差得到明显改善。[结论]基于NDVI的多角度信息融合是提高湿地植被识别精度的一种有效途径,多角度信息融合丰富了地物的信息量,提高地物识别精度。     

旺业甸林场人工林生物量遥感反演研究

森林生物量能直接反映森林质量,遥感技术结合地面样地能实现林分或区域范围森林生物量的反演,反演结果对制定森林资源合理利用、生态环境改善等方面的政策具有重要的指导意义。论文以旺业甸林场Landsat8 OLI影像为数据源,从影像中提取161个植被指数,对比Pearson相关系数法和随机森林法进行特征变量选择,分别筛选出合适的因子作为模型自变量,结合实地调查数据,建立多元线性逐步回归、地理加权回归、kNN回归和随机森林等4种生物量反演模型,并对模型结果进行精度验证。研究结果表明:1)利用Pearson相关系数法进行特征变量选择要优于随机森林法。2)短波红外光和近红外区间波段组合得到的植被指数与生物量的相关性显著,相关性系数最高的前五个因子为SR627、SR637、SR647、SR64、SR213,分别达到了0.776、0.761、0.730、0.702和0.657;3)4种生物量反演模型中,随机森林模型效果最好,决定系数R2为0.72,RMSE=8.12,EA=76.54%;线性逐步回归模型次之,R2为0.65,RMSE=9.01,EA=72.88%;其次是kNN回归模型,R2为0.59,RMSE=9.75,EA=74.89%;地理加权回归模型效果最差,R2为0.58,RMSE=13.75,EA=53.95%;4)利用随机森林模型对研究区进行生物量反演,反演结果生物量空间分布与实际情况基本一致,反演效果较好。     

基于时间去相关的三阶段森林高度估计方法

[目的]在利用极化SAR数据反演树高时,时间去相关因子是影响反演精度的主要因素;目前,地面随机运动模型(RMoG)是该领域最有效的模型之一,但地面随机运动模型有着反演困难、耗时过长的缺点。为了改善这个问题,提出了简化RMoG模型。[方法]首先忽略地面运动,只保留植被冠层运动,重新改写植被体散射公式;然后对多个相干系数直线拟合出地面相位;再次通过PD极化相干最优方法来估计纯体散射去相干值;最后利用改写后的植被体散射公式建立查找表,在固定消光系数的基础上通过查找表反演得到植被高度。为了验证本研究方法的有效性,以瑞典南部的Remingstorp地区为研究区,以BioSAR2007项目的遥感数据进行试验,并以决定系数(R2)和均方根误差(RMSE)对4种模型的反演结果进行比较评价。[结果]表明:本研究方法可以很好地改善三阶段算法的高估问题。在精度比较方面:三阶段算法的R~2为0.78,RMSE为8.52;RMoG模型的R2为0.47,RMSE为4.17;RMoG_L模型的R~2为0.48,RMSE为2.50;本方法的R2为0.53,RMSE为6.24。对比三阶段算法,本研究方法在精度上有明显的优势;对比RMoG模型和RMoG_L模型,本方法可有效地减少反演时间。[结论]通过添加植被冠层运动消除时间去相关的影响行之有效。与三阶段算法、RMoG模型和RMoG_L模型对比,本方法具有精度高、耗时少的优点。     

基于高光谱影像融合的湿地植被类型信息提取技术研究

对-36°和0°的多角度高光谱CHRIS遥感影像数据进行植被指数计算及影像融合,提出归一化植被指数(NDVI)与高光谱影像融合后,采用波谱角填图(SAM)的方法提取湿地植被类型信息。该方法首先对-36°影像进行NDVI植被指数计算,然后与0°影像融合,再采用SAM方法提取湿地植被类型。结果显示,利用该方法对青海省隆宝滩湿地植被类型的提取精度可达到92.23％;而利用SAM方法对0°影像直接进行湿地植被类型提取,其精度只有66%。由此可见,利用不同角度信息影像融合的方法,大大提高了高光谱影像进行湿地植被类型信息提取的精度,为湿地植被类型信息提取又提供了一个有效可行的方法。     

基于Sentinel-2B的油松冠层可燃物含水率反演研究

森林火灾的发生与植被冠层可燃物含水率的大小有着密切联系。利用高精度、大尺度、高效率的遥感影像反演获取植被冠层可燃物含水率对于有效防治森林火灾具有重要意义。油松由于其自身理化性质成为引发森林火灾的主要树种之一，以张家口崇礼区的油松为研究对象，基于Sentinel-2B遥感影像和油松含水率实测数据，建立了多个油松冠层可燃物含水率反演模型：一元线性回归模型、一元非线性回归模型和多元非线性回归模型，并利用决定系数(R²)和均方根误差(RMSE)进行模型精度评价。结果表明，非线性模型总体上要优于线性模型；通过多个自变量因子建立的多元非线性模型能够更好地反映油松冠层可燃物含水率情况，模型反演精度更高，可以为植被冠层可燃物含水率反演模型方法选择提供一定的理论依据。     

基于高分一号数据的PROSAIL模型叶面积指数反演

使用PROSPECT-5与4SAIL相结合的PROSAIL模型,以高分一号卫星数据为基础数据,进行叶面积指数反演。由于实验区受冰雹灾害影响,玉米长势不一,因此通过对健康叶片和枯黄叶片的实测光谱进行线性混合,模拟不同长势玉米叶片的实际光谱。将混合系数和LAI划分成若干等级,使用PROSAIL模型建立叶片生理参数、叶面积指数和高分一号4个波段反射率值的查找表。研究结果表明,叶面积指数反演的平均精度为60.59%,并且反演叶面积指数与实测叶面积指数具有线性回归关系。     

基于多距离度量kNN模型的森林蓄积量反演

【目的】森林蓄积量是衡量森林质量和生长状况的重要指标。利用遥感技术进行森林蓄积量反演相比传统的森林调查能显著提高森林资源调查效率,对快速获取区域范围森林生长状况,进行高效的资源利用和森林经营管理具有重要意义。【方法】以陕西韩城市为研究区,利用森林资源二类调查数据库提取森林蓄积量实测数据,结合Sentinel-2遥感影像进行森林蓄积量反演。通过线性逐步回归法和重要性评价法分别进行变量筛选,构建多元线性回归模型、支持向量机模型、随机森林模型和基于欧式距离、曼哈顿距离和马氏距离构建的kNN模型进行森林蓄积量估测,通过精度评价比较最终选择估测精度最高的模型进行研究区森林蓄积量反演。【结果】1）马氏距离是最适合构建kNN模型的距离度量。基于马氏距离构建的kNN模型在所有模型中实现了最高的估测精度,决定系数R2为0.66,均方根误差RMSE为10.02 m3/hm2,均方根误差相比随机森林模型、支持向量机模型和多元线性回归分别下降了3.9%、7.8%和29.9%;2）非参数模型在森林蓄积量估测中的精度显著优于参数模型。基于马氏距离构建的kNN模型、随机森林模型、支持向量机模型均方根误差相比多元线性...     

机载LiDAR航带旁向重叠对针叶林结构参数估测的影响

【目的】研究机载LiDAR航带旁向重叠对针叶林林分平均高和森林叶面积指数(LAI)估测的影响,为机载LiDAR点云数据区域森林结构参数估测提供参考。【方法】野外分别测定30块樟子松、33块长白落叶松样地的林分平均高和LAI,对原始LiDAR点云数据进行去噪、点云分类、高程归一化和重叠点移除等处理,从重叠点移除前、重叠点和重叠点移除后的点云数据中分别提取一系列样方点云高度分位数(HP1、HP5、HP10、…、HP99、Hmax和Hmean)和激光穿透指数(LPI),借助留一交叉验证建立并评价樟子松和长白落叶松林分平均高和LAI估测模型的精度,通过对比分析估测模型的决定系数(R2)和均方根误差(RMSE)揭示机载LiDAR航带旁向重叠对针叶林林分平均高和LAI估测的影响。【结果】对樟子松林分平均高估测而言,重叠点移除前林分平均高的最高估测精度(R2=0.873,RMSE=0.940)出现在HP90处,重叠点林分平均高的最高估测精度(R2=0.892,RMSE=0.866)出现在HP80处,而重叠点移除后林分平均高的最高估测精度(R2=0.892,RMSE=0.868)出现在HP55处;对长白落叶松林分平均高估测而言,重叠点移除前、重叠点和重叠点移除后林分平均高的最高估测精度均出现在HP99处,R2分别为0.725、0.719和0.741,RMSE分别为1.196、1.209和1.161。对樟子松LAI估测而言,重叠点移除前估测结果 R2为0.666,RMSE为0.220,重叠点估测结果 R2为0.551,RMSE为0.255,重叠点移除后R2提高到0.794,RMSE降低为0.172;对长白落叶松LAI估测而言,重叠点移除前估测结果 R2为0.654,RMSE为0.110,重叠点估测结果 R2为0.640,RMSE为0.112,与樟子松估测结果一致,重叠点移除后长白落叶松LAI估测精度大幅度提高,R2变为0.762,RMSE变为0.091。【结论】无论是林分平均高还是森林LAI,相邻航带旁向重叠点移除后的估测精度均高于重叠点移除前和重叠点,且樟子松的估测精度高于长白落叶松。对林分平均高而言,樟子松和长白落叶松达到最高估测精度时所对应的点云高度分位数不同。机载LiDAR点云数据相邻航带旁向重叠点的移除可有效提高森林结构参数的估测精度,在未来机载LiDAR点云数据预处理时应加入重叠点移除操作。     

热带原始森林类型分类和蓄积量遥感反演研究

森林生态系统蓄积量的空间分布及反演研究对碳储量估测、生物多样性保护以及全球气候变化研究起着至关重要的作用,然而,由于森林植被类型的多样性,尤其是对人力所不能及的热带原始林区,森林调查数据缺失,森林蓄积量的估测和反演存在巨大挑战。以巴布亚新几内亚西塞皮克省18.80万hm~2的热带原始雨林区为研究区,利用高分遥感影像RapidEye,QuickBird与Landsat TM,结合野外地面调查数据,对研究区土地覆盖类型进行分类。基于遥感影像得到森林植被参数信息,提取各波段地表反射率、各种植被指数和其他光谱变换形式等遥感因子,利用多元线性逐步回归构建森林蓄积量遥感反演模型,估算研究区森林蓄积量,并结合GIS技术分析其小班尺度上的空间分布特征。结果显示:1)研究区土地覆盖类型可以分为低海拔平原森林、低海拔高地森林、低山森林、稀疏森林、沼泽森林和其它类型共6种,分类精度达79.2%;2)蓄积量遥感反演模型的多元回归模型R~2为0.694,对森林蓄积量有较好的反演精度;3)研究区森林蓄积量的分布特点表现为中部高于周边、北部和中东部山区明显高于西北和东南地区,其与研究区的土地覆盖类型分布相对应。构建的森林蓄积量反演模型对全球热带原始林区的森林资源蓄积量估测具有重要的参考价值。     

基于INFORM模型与GEE的根河火烧迹地冠层含水量反演研究

【目的】提出一种结合辐射传输模型与遥感云平台反演火烧迹地冠层含水量(Canopy water content,CWC)的新方法,弥补目前对火烧迹地恢复阶段植被含水量的监测,为定量监测植被水分与火灾预警提供理论参考。【方法】以内蒙古自治区根河市火烧迹地为研究对象,基于INFORM辐射传输模型,使用查找表的方法反演森林冠层含水量,并结合Google Earth Engine(GEE)大数据遥感平台与Mann-kendall模型分析了火烧迹地的冠层含水量时序性变化,最后绘制根河2018年8月森林冠层含水量分布图。【结果】1)基于样地的CWC反演精度较高(R2为0.79);2)大范围的归一化水分指数(Normalized difference water index, NDWI)和CWC呈指数关系(R2为0.77),但CWC比NDWI的饱和点更高;3)CWC可作为火烧迹地恢复的生态指标,获得了34 a的CWC时序性反演结果,表明火灾后CWC明显降低,并基于Mann-kendall模型得到各样地CWC和LAI的恢复速率。【结论】联合INFORM模型与GEE反演并监测火烧迹地冠层含水量,方法通用且高效。火烧迹地在恢复过程中面临再次发生火烧和虫害病害的风险,研究结果可为森林防火和森林病虫害监测提供技术支持,对该区域森林火灾与森林虫害的预警有一定意义。     

森林叶绿素含量的高光谱遥感估算模型的建立

高光谱遥感提供一个通过窄波段的地物光谱反射率、诊断和检测植被叶绿素光谱特征波段的手段,为精确反演森林叶绿素含量提供更高光谱分辨率的数据。利用Epp-2000地物光谱仪测量叶片的反射光谱,并用SPAD-502对观测叶片进行叶绿素含量的同步测量;采用统计相关分析方法,分析叶片反射光谱、光谱特征参数及其各种植被指数与叶片叶绿素含量的相关关系,并建立相应的估算模型。结果表明：叶绿素含量的敏感性参数分别为Diff（R749）、Log（R466）、红边参数RVP以及比值叶绿素指数PSSR。通过多元统计回归分析,剔除不相关和存在共线性的参数后,得到叶绿素含量的估算模型为：SPAD=54．559—0．865×PSSR＋65．146×Diff（R749）-6．030×Log（R466）-0．238×RVP模型及其参数均通过统计检验,模型的决定系数砰达到0．812,均方根误差RMSE=13．35379,模型精度为88．743258％。     

基于Landsat TM的香格里拉市高山松生物量估测重建

基于香格里拉市2006年TM影像、森林资源二类调查数据、外业调查数据,利用随机点所在小班的遥感因子平均值建立数据集,通过数据筛选和相关性分析,选出123个样地数据及14个遥感因子,建立了基于遥感因子的高山松生物量估测的非线性和线性模型,并讨论了模型精度及其预测精度。研究结果表明,线性模型(R2adj=0.406、RMSE=34.18 t/hm~2、rRMSE=38.54%)比非线性模型的精度(R_(adj)~2=0.286、RMSE=37.79 t/hm~2、rRMSE=42.60%)高;运用交叉验证法得到的线性模型的预测精度(RMSE’=35.12 t/hm~2、rRMSE’=39.59%)也要高于非线性模型的预测精度(RMSE’=38.44 t/hm~2、rRMSE’=43.34%)。与其它2个同类研究相比,重建的高山松生物量模型虽然在模型精度上还略有欠缺,但是建模数据更为随机、合理,对因子提取方法进行了一定改进,建立的模型为高海拔地区利用遥感数据和森林资源二类调查数据估测典型乔木森林生物量提供参考,为地形起伏较大区域进行森林生物量估测提供了较为完整的技术方法。     

基于k-NN算法的叶面积指数遥感反演

叶面积指数(Leaf Area Index,LAI)作为植被冠层结构的重要描述参数之一,能体现植被光合、蒸腾和呼吸作用的能力。借助GPS和LAI-2200冠层分析仪在攸县黄丰桥林场开展LAI测量。利用ENVI软件对Geo Eye-1数据进行了辐射定标,大气校正和正射校正。通过研究LAI与Geo Eye-1影像波段及其衍生指数的相关性,筛选出2组估算LAI的指数因子(6个指数因子和10个指数因子)。应用k-NN进行叶面积指数反演,同时将反演结果与多元线性回归模型结果进行比较。结果表明:利用2组指数因子进行多元线性回归模型反演LAI中,6个指数因子的模型决定系数R2为0.386,10个指数因子的模型决定系数R2为0.498。从回归模拟的角度分析,10个指数因子得到的模拟结果要优于6个指数因子的模拟结果。利用2组指数因子通过设置4个不同的k值(k=3,5,7,10)得到8个k-NN反演结果中,以10个指数因子得到的k-NN反演结果较好,其中在k=3时效果最好,其决定系数R2为0.733,精度为85.4%。建模精度分析表明选用10个指数因子进行LAI的反演优于选用6个指数因子,其中k-NN方法的反演结果优于多元线性回归模型,说明利用k-NN方法进行LAI的反演是可行的。     

基于叶面积指数的植被覆盖管理措施因子C的遥感定量估算

以植被结构因子——叶面积指数(LAI)取代长期以来用于水土保持定量评价的植被覆盖度,通过遥感技术反演植被结构因子LAI,构建研究区LAI与植被覆盖管理措施因子C量化耦合模型,并进行模型精度验证.结果表明:基于LAI模拟的土壤侵蚀模数为455.89 t·km-2a-1,属于微度侵蚀,与径流小区野外观测结果一致.本文提出的LAI取代植被覆盖度作为水土保持定量估算与评价指标是可行的.     

崂山林场林分生物量遥感反演估算研究

以Landsat TM影像和高分一号影像为数据源,结合外业实测数据,利用遥感影像和实测数据建立崂山林场生物量多元线性反演模型,比较分析不同数据源下反演出的模型精度,估测了崂山林场森林生物量。研究发现,利TM遥感影像作为数据源的崂山林场森林生物量反演模型平均精度为77.12%。高分一号遥感数据反演的生物量模型平均反演精度达到80.75%,高于TM数据源下的生物量反演模型精度。分别根据TM遥感影像和高分一号遥感影像林分生物量估测模型,估测的崂山林场2009年的林分生物量为401185.62t,2013年的林分生物量为402485.44t。     

森林地上生物量遥感反演研究进展

森林地上生物量是反映森林生态系统状况的关键性指标之一,对全球气候变化、以及我国实现碳达峰和碳中和目标具有重要意义。遥感技术快速发展并日益成熟,已成为大区域尺度森林地上生物量反演的主要技术手段。通过系统梳理国内外相关文献资料,从数据源和反演模型两方面对森林地上生物量遥感反演研究进展进行讨论：从数据源角度,阐述分析光学遥感数据、合成孔径雷达数据、激光雷达数据等3种数据源提供的有效信息、优势及局限;从反演模型角度,结合实际应用案例讨论分析多元回归模型、机器学习算法、机理模型等3种模型的特点及适用范围。在总结现阶段利用遥感手段反演森林地上生物量存在问题的基础上,分析探讨未来森林地上生物量遥感反演的方向和热点。     

利用遥感数据估测森林蓄积量

以吉林省柳河县为研究区,以Landsat-5 TM遥感影像为基础数据,提取相关因子,建立柳河县森林蓄积量遥感估测模型,经过精度检验,模型的预测精度达到82.36%。利用模型进行森林蓄积量反演,得出该县森林蓄积量为1 226×104m3,实际精度为80.00%。利用遥感技术进行森林蓄积量估测是可行的。     

甘肃黑河流域上游森林地上生物量的多光谱遥感估测

[目的]以黑河流域上游祁连山森林保护区为研究区,利用133个森林样地调查数据、Landsat-5 TM影像和ASTER GDEM产品为数据源,探讨地形对该流域森林地上生物量(above-ground biomass,AGB)估测的影响,以及选择合适的遥感估测方法反演该流域的森林AGB.[方法]首先利用青海云杉特殊的生境范围和绿色植被对比值植被指数(ratio vegetation index,RVI)的灵敏程度,及不同地物对纹理特征的不同响应,制定相应的决策树分类器,将研究区的土地覆盖类型分为两大类:森林(青海云杉)-非森林,并利用133个森林样地调查数据和Google Earth 高分辨率影像的12 722个采样点对分类结果进行验证(总体分类精度达到90.39％,Kappa系数为0.81);然后运用多元线性逐步回归估测法,以及结合随机森林算法(random forest,RF)优化后的k最近邻分类法(k-nearest neighbors,k-NN)进行森林AGB的遥感估测,对比SCS+C地形校正前后青海云杉森林AGB的估测结果,同时比较2种不同估测方法的反演效果;最后利用得到的最优估测方法反演整个研究区的森林AGB,生成黑河流域上游祁连山森林保护区的森林AGB的等级分布图.[结果]SCS+C地形校正前多元线性逐步回归的估测精度为R2=0.31,RMSE =34.41 t·hm-2,地形校正后多元线性逐步回归的估测精度为R2 =0.46,RMSE =30.51 t·hm-2;而基于SCS+C地形校正后的k-NN的交叉验证精度不仅明显高于地形校正前的精度,且显著优于多元线性逐步回归的估测结果,达到R2=0.54,RMSE=26.62 t·hm-2;另外基于最优的k-NN估测模型(窗口为7×7,采用马氏距离,k=3)反演的该流域青海云杉在2009年总的森林地上生物量为8.4×107t,平均森林地上生物量为96.20 t·hm-2.[结论]在地形复杂地区,运用SCS+C模型对地形进行适当校正,能够有效地消除太阳入射角变化引起的地表反射亮度的差异,使影像能够更准确地反映地表信息,提高森林AGB的遥感估测精度;在样本有限的情况下,相对于以大数定律作为理论基础的多元线性逐步回归估测法,k-NN能够避免发生过学习现象和样本不平衡问题,更适于该研究区青海云杉的森林AGB的估测.     

基于随机森林回归模型的思茅松人工林生物量遥感估测

以云南省景谷县思茅松人工林为研究对象,以研究区2005年TM影像及2006年森林资源二类调查小班空间属性数据库为信息源,在前期建立思茅松单木生物量模型基础上,在ENVI下提取9个植被指数作为备选自变量,建立研究区思茅松人工林随机森林回归遥感估测模型。结果表明:随机森林回归遥感估测模型的决定系数(R2)=0.97,均方根误差(RMSE)=4.97;模型的预估精度(P)=87.67%。利用已经训练好的随机森林估测模型,估测研究区思茅松人工林生物量为3 644 612.00t;单位面积生物量为59.90 t/hm2。研究结果可为其它典型森林类型生物量或碳储量估测提供案例分析。     

基于多尺度遥感影像纹理特征的森林蓄积量反演

以国产"高分一号"卫星(以下简称GF-1)获取的遥感影像数据与少量研究区样地数据为数据源,构建以光谱信息与多尺度纹理特征为特征变量的森林蓄积量反演模型,探讨不同尺度下提取的纹理特征对森林蓄积量估测模型准确度的影响,通过对特征变量的优选,寻求一种提高森林蓄积量反演模型的准确度的方法。首先,对覆盖研究区域的GF-1遥感影像进行重采样,得到覆盖研究区域的不同分辨率的影像序列,基于不同窗口大小的灰度共生矩阵提取影像序列的纹理特征,与遥感影像光谱信息共同作为特征变量;然后,使用随机森林(random forest,RF)算法构建森林蓄积量反演模型,对研究区域的森林蓄积量进行估测,分析不同特征变量与窗口大小对森林蓄积量反演模型准确度的影响;最后,通过比较特征变量重要性,确定森林蓄积量反演模型的最佳特征变量与窗口大小选择,对研究区进行森林蓄积量反演,得到研究区域的森林蓄积量分布图。当使用从8m分辨率遥感影像提取的纹理特征与光谱信息作为特征变量时,森林蓄积量反演模型准确度明显优于使用其他特征变量。其中,当灰度共生矩阵窗口大小设置为9×9时,森林蓄积量反演模型准确度最高,为R~2=0.70,RMSE=6.317。在根据重要性对从多尺度遥感影像提取的纹理特征进行选择后,所构建的森林蓄积量反演模型的准确度为R~2=0.74,RMSE=6.439。使用较高分辨率遥感影像提取的纹理特征作为特征变量,可以有效的提升森林蓄积量反演模型的准确度。将基于不同分辨率遥感影像提取到的纹理特征作为特征变量,其模型准确度优于使用单一分辨率遥感影像所提取的纹理特征。