基于TanDEM-X数据和改进三阶段算法反演森林冠层高度

【目的】提出一种基于TanDEM-X SAR数据的RVoG模型三阶段算法反演森林冠层高度,以解决RVoG模型实际应用中模型成立条件难以严格满足、受地形影响导致森林冠层高度估测精度不高的问题。【方法】以云南省普洱市思茅区思茅松纯林和混交林为研究对象,开展经典三阶段算法、地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法和低估补偿改进的三阶段算法反演森林冠层高度试验。【结果】RVoG模型经典三阶段算法反演森林冠层高度存在低估现象(r=0.11, bias=-26.20 m, RMSE=7.16 m),地面相位优化的三阶段算法、纯体散射复相干优化的三阶段算法、低估补偿改进的三阶段算法反演森林冠层高度的估测精度较经典三阶段算法提高,其中低估补偿改进的三阶段算法反演森林冠层高度的改善效果最佳(r=0.79, bias=-1.69 m, RMSE=2.56 m);思茅松纯林的估测效果(r=0.81, bias=1.40 m, RMSE=2.27 m)优于思茅松混交林(r=0.72, bias=-3.09 m, RMSE=2.87 m)。【结论】相比经典三阶段反演算法,基于TanDEM-X S...     

基于TanDEM-X数据的橡胶林高度反演研究——以云南省勐腊县为例

极化干涉SAR综合了雷达极化和干涉技术,可以分别提取出森林地区的地表和冠层相位中心,实现植被高度反演。文章采用TanDEM-X星座X波段全极化数据,基于随机散射体—地表二层散射模型(RVoG),结合三阶段算法反演云南省勐腊县研究区的橡胶林高度。结果表明,采用RVoG模型结合三阶段算法的反演策略可行,与野外实测橡胶林树高的相关系数R为0.449**,均方根误差R_(MSE)为6.92 m,平均误差M_E为-0.02 m。     

基于PROSAIL模型和多角度遥感数据的森林叶面积指数反演

【目的】基于多角度PROBA/CHRIS遥感数据和野外实测数据,结合PROSAIL模型和随机森林模型反演森林叶面积指数(LAI),以提高植被LAI遥感反演精度,为区域土壤侵蚀遥感定量监测提供新的方法和模型。【方法】以南京市紫金山和幕府山为研究区,采用野外调查、遥感影像、辐射传输模型与数学模型相结合的方法,构建基于PROSAIL模型和多角度PROBA/CHRIS遥感数据的随机森林LAI反演模型,对PROSAIL模型进行敏感性分析和适用性评价,确定最佳LAI反演模型,并利用地面实测LAI进行精度验证和评价。【结果】PROSAIL模型中各输入参数敏感性大小为LAI叶绿素a、b含量Cab叶片干物质含量Cm热点参数SL叶片内部结构参数N等效水厚度Cw;模拟的冠层反射率精度大小为0°36°-36°55°-55°。单角度LAI反演模型中,前向观测角55°精度最高,其决定系数(R2)、均方根误差(RMSE)和平均绝对百分误差(MAPE)分别为0.915 7、0.235 7和0.042 6;相比于传统垂直观测,55°模型的R2提高0.75%,RMSE和MAPE分别降低3.76%和5.12%;相比于非线性回归模型,单角度随机森林LAI反演模型的R2提高0.7%,RMSE和MAPE分别降低15.40%和11.98%;单角度LAI反演模型精度由高到低依次为55°、36°、0°、-55°、-36°。多角度LAI反演模型中,3角度组合(0°、36°、55°) LAI反演精度最高,其R2、RMSE和MAPE分别为0.918 4、0.231 9和0.041 5,相比于单角度55°,R2提高0.29%,RMSE和MAPE分别降低1.61%和2.58%;相比于传统垂直观测,3角度组合模型的R2提高1.05%,RMSE和MAPE分别降低5.31%和7.57%;相比于非线性回归模型,多角度随机森林LAI反演模型的R2提高0.79%,RMSE和MAPE分别降低6.72%和9.19%。紫金山西部区域LAI介于0.44～6.70之间,林地LAI均值为3.04;紫金山西部林地LAI整体上呈北部和南部高、中间低的空间分布格局。【结论】最佳LAI反演模型为基于3角度组合(0°、36°、55°)的随机森林LAI反演模型;一方面,增加观测角度可提供更多植被冠层结构信息,LAI反演精度随观测角度增加而增加,但另一方面,观测角度过多会使像元空间重采样、叶片阴影和土壤阴影等问题带来更多不确定性,LAI反演精度反而下降;无论是单角度还是多角度数据,随机森林LAI反演模型精度均高于非线性回归模型,随机森林模型能够明显提高LAI反演精度,适用于区域植被LAI反演;多角度遥感数据能够反映森林立体结构信息和地物多维空间结构特征,显著改善传统垂直观测数据反演LAI精度较低的问题,从而有效提高植被LAI反演精度。     

基于GVB模型改进算法的PolInSAR林分高度反演

P波段极化数据提高了雷达数据对林分冠层的穿透能力,基于RVoG模型的传统三阶段算法对林分均匀同质的假设前提不再满足实际情况。在符合林分异质性的GVB模型的基础上,利用林分高度、散射中心高度及其标准差进行三维搜索,改进传统三阶段算法中林分高度的反演过程,并分别采用仿真数据和机载E-SAR全极化数据进行算法验证。结果表明:与传统三阶段算法相比,改进算法的成功估计像元数提高了19.7%,林分高度估计精度提高了22.5%,说明改进算法能有效提高纯体相干估计的准确性,提高林分高度反演精度。     

基于X波段极化干涉SAR数据的思茅松林冠层高度反演

极化干涉SAR数据在森林冠层高度反演的应用是SAR领域的研究热点。经典的三阶段冠层高度反演算法对体相干系数的解算存在着一定的误差。为提高冠层高度反演的精度,在经典三阶段算法的基础上提出一种基于相位不变原则的三阶段改进算法,并结合相干优化来提高冠层高度反演精度。通过采用星载TanDEM-X全极化干涉数据实现普洱地区思茅松林冠层高度的反演,并结合实测数据进行精度检验。结果表明,改进后的三阶段算法能够较为准确地反演森林冠层高度。     

基于机器学习和多源数据的湘西北森林地上生物量估测

【目的】针对传统森林资源清查方法成本高、时效性低和结果统一性差等问题,基于多源遥感数据,采用机器学习算法选择特征变量并建立估测模型,制作森林地上生物量(AGB)面分布产品,为森林资源信息化调查提供技术手段。【方法】以湖南省西北部为研究区,利用生物量异速生长方程将森林资源样地调查数据转换为AGB,筛选到393个样地AGB参考值。以Landsat-8数据为光学遥感数据源,提取各波段光谱信息、植被指数、纹理特征以及缨帽变换各分量;以ALOS PALSAR-2、Sentinel-1数据为雷达遥感数据源,提取各极化方式后向散射强度和归一化极化差分指数。结合高程、坡度、坡向地形因子,获得122个备选特征变量。采用逐步回归方法和随机森林(RF)算法筛选建模变量,分别建立多元线性回归(MLR)、RF和支持向量回归(SVR)模型。以均方根误差(RMSE)、相对均方根误差(rRMSE)和决定系数(R~2)为模型评价指标,运用十折交叉验证法评价模型效果,选择最佳模型完成生物量制图,并选取5种中国或全球尺度生物量制图产品进行比较分析。【结果】在训练集上,RF模型表现最好(RMSE=12.8 mg·hm~(-2),rRMSE=21.1%,R~2=0.93),其次为SVR模型(RMSE=26.1 mg·hm~(-2),rRMSE=43.3%,R~2=0.55),MLR模型表现最差(RMSE=30.9 mg·hm~(-2),rRMSE=50.5%,R~2=0.39);在测试集上,采用RF算法建立的模型表现(RMSE=30.1 mg·hm~(-2),rRMSE=51.3%,R~2=0.42)同样优于MLR(RMSE=32.6 mg·hm~(-2),rRMSE=54.1%,R~2=0.30)和SVR(RMSE=32.8 mg·hm~(-2),rRMSE=55.3%,R~2=0.25)。3种模型均显示出一定程度的低值高估和高值低估现象。RF模型选择出13个建模变量,包括PALSAR-2后向散射信息、高程以及Landsat-8光谱信息、植被指数、缨帽变换湿度与绿度分量差值。应用RF模型完成区域生物量制图,与其他产品对比,能够基本反映研究区内生物量分布情况,并显示出丰富的生物量分布细节信息,生物量范围为0～119 mg·hm~(-2),平均生物量为37.5 mg·hm~(-2),标准差为35.9 mg·hm~(-2)。【结论】结合多源遥感数据与机器学习算法,能够准确、快速地测算大范围生物量,具有较大应用潜力。相比SVR和MLR模型,RF模型在AGB估测上的表现更优,RF算法能够从多源变量中有效筛选出适用于AGB机器学习建模的变量。     

多基线干涉层析SAR提取森林树高方法研究

应用瑞典Raminstorp研究区Bio SAR 2007 P-波段多基线In SAR数据,研究了基于多基线干涉SAR数据的层析方法,成功提取了可代表森林垂直结构信息的雷达后向散射功率垂直分布信息,并基于该信息提取了树高。应用地面实测样地对树高提取精度进行了检验,结果表明:HH极化树高提取精度最高(R2为0.65,RMSE为2.35 m,相关系数为0.80),HV其次,VV最差。     

基于TanDEM-X相干系数的森林高度估测方法

【目的】采用TanDEM-X单极化InSAR数据,研究基于相干系数的SINC模型森林高度估测方法,并分析5 m高分辨率的LiDAR DEM和30 m中等分辨率的SRTM DEM对模型估测精度和稳定性的影响。【方法】首先对观测的相干性进行非体散射失相干校正得到体散射失相干γVol,然后基于SINC模型将γVol的相干系数作为输入估测森林高度。以LiDAR提取的森林高度为验证数据,均匀选取150个检验样本,分别在15 m×15 m、30 m×30 m、50 m×50 m和100 m×100 m大小的样本尺度上进行精度评价,并与DSM-DEM差分法进行对比,分析2种方法的精度和适用性。【结果】5 m和30 m分辨率的参考DEM对SINC模型森林高度估测结果影响较小,随样本尺度增大其影响可逐渐忽略,当样本大小为100 m×100 m时,LiDAR DEM和SRTM DEM估测结果的R~2分别为0.54、0.51,RMSE分别为2.38、2.51 m,精度分别为77.19%、75.99%;相比SINC模型法,DSM-DEM差分法在各样本尺度上的表现更好,但森林高度估测结果存在明显低估现象,必须采用森林高度实测数据进行校正,当样本大小为100 m×100 m时,R2为0.79,校正前后的RMSE分别为2.57、1.63 m,精度分别为75.44%、84.41%。【结论】基于相干系数的SINC模型法估测森林高度,以30 m空间分辨率的SRTM DEM进行地形补偿和地理编码,可以取得较好结果;虽然该方法的精度相比DSM-DEM差分法略有下降,但既不需要实测森林高度数据进行标定,也不需要输入高分辨率的DEM,具有大范围森林高度制图的潜力和更大的实际应用价值。     

基于Landsat 8-OLI的荒漠化地区植被覆盖度反演模型研究

基于Landsat 8-OLI影像数据,利用植被指数逐步回归分析和线性混合像元分解的方法,结合134个野外样地调查数据,将线性混合像元分解结果(植被丰度)导入影像植被指数逐步回归模型,建立康保县荒漠化地区植被覆盖度反演混合模型,并进行精度检验。结果表明:(1)在所选16种影像植被指数中,采用单一植被指数进行荒漠化地区植被覆盖度反演建模,与植被覆盖度拟合优度最高的是归一化植被指数(NDVI)和土壤调节植被指数(SAVI),利用植被指数逐步回归分析建模,筛选出的3种最佳影像植被指数是土壤调节植被指数(SAVI0.5),比值植被指数(SR_(N-R))和增强型植被指数(EVI);(2)通过线性混合像元分解建立的植被覆盖度反演模型,分解所得植被丰度与植被覆盖度的决定系数为0.673,模型精度低于利用植被指数逐步回归分析法反演的模型精度,但高于单一植被指数与植被覆盖度反演模型的精度;(3)精度检验显示植被指数逐步回归分析法反演的植被覆盖度模型的决定系数(R~2)和精度分别为0.719和86.70%,而混合像元分解和植被指数逐步回归分析综合所建的混合模型的决定系数(R~2)和精度分别为0.807和92.37%,表明植被指数逐步回归分析与混合像元分解相结合能较好地提高荒漠化地区植被覆盖度反演精度。     

基于ICESat-GLAS数据的波形去噪算法优选与森林冠顶高反演模型建立

【目的】比较基于不同窗函数的GLAS数据去噪算法和多种森林冠顶高反演模型的精度,优选波形去噪算法并确立对森林冠顶高估算精度较高的反演模型,为森林生物量估测等研究奠定数据基础。【方法】首先基于布莱克曼窗函数和高斯窗函数对GLAS数据进行去噪处理,采用RMSE和SNR定量比较2种波形去噪方法的去噪效果;然后对去噪效果最好的窗函数去噪后的波形提取波形参数,并分针叶林、阔叶林、针阔混交林和不分林型4种情况,采用线性回归方法,以波形长度为参数建立波形参数模型,以波形长度、地形指数为参数建立地形因子模型,在地形因子模型基础上,逐步引入波形半能量高、波形前缘长度和波形后缘长度等参数建立全模型,比较3类模型的模拟效果。【结果】高斯窗函数去噪后的RMSE较低、SNR较高,去噪效果较优;冠顶高反演模型中,分林型和不分林型情况下,全模型模拟效果均优于其他2类模型。其中地形因子模型中针叶林效果较好:R~2=0.853,RMSE=2.519 7 m;全模型中针阔混交林效果最好:R~2=0.972,RMSE=1.001 4 m。【结论】高斯窗函数对GLAS波形去噪能力较强,且在复杂地形情况下,当引入多种波形参数结合地形因子建立多元线性回归模型时,模型对各林型最大冠顶高的解释能力显著提高,可在一定程度上克服地形因子模型在坡度较大地区对冠顶高解释困难的问题,实现复杂地形情况下森林冠顶高的精确估算。     

基于机载激光雷达点云和随机森林算法的森林蓄积量估测

【目的】基于机载激光雷达点云数据提取的森林高度参数和郁闭度,结合分层地面样地调查数据,采用随机森林算法构建森林蓄积量估测模型,分析机载激光雷达点云数据在森林蓄积量反演方面的潜力,为森林蓄积量高效准确估测提供方法依据。【方法】以直径30 m的地面样圆离散点云数据为数据源,经数据校准等预处理后,利用Li DAR360软件提取森林高度参数(最大高、平均高等)和郁闭度,并将数据随机分成训练数据(70%)和验证数据(30%)。采用随机森林算法构建森林蓄积量估测模型,对仅用高度参数建模以及联合高度参数和郁闭度建模结果进行比较;同时运用R软件VSURF工具包筛选建模变量,对筛选后变量的建模结果进行分析。【结果】仅用高度参数建模的估测精度为R~2=0.75、RMSE=40.07 m~3·hm~(-2)、MAE=29.21 m~3·hm~(-2)、MRE=49.40%,联合高度参数和郁闭度建模的估测精度为R~2=0.79、RMSE=36.23 m~3·hm~(-2)、MAE=26.16 m~3·hm~(-2)、MRE=38.35%。通过变量筛选,建模参数从24个减少至7个,可极大提高运算效率,同时R~2未变化,RMSE从36.23 m~3·hm~(-2)升至36.50 m~3·hm~(-2),rRMSE从31.92%升至32.97%,MAE从26.16 m~3·hm~(-2)降至26.08 m~3·hm~(-2),MRE从38.35%降至38.05%。【结论】机载激光雷达点云数据可以提取森林的垂直结构信息(高度参数)和水平结构信息(郁闭度),具备三维结构参数提取能力。采用随机森林算法,增加林分郁闭度信息可显著提高森林蓄积量估测精度。通过变量筛选,虽然能够降低参数数量,但对模型精度具有一定影响,在建模精度要求较高的情况下,建议使用全变量进行蓄积量估测;而在数据量较大的情况下,建议使用筛选变量进行蓄积量估测。基于机载激光雷达点云数据估测森林蓄积量显著优于光学遥感数据,可为森林蓄积量高效准确估测提供方法依据,能够满足大范围森林蓄积量快速反演需求。     

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.     

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。     

基于机载LiDAR数据估测林分平均高

[目的 ]以2016年9月广西壮族自治区高峰林场实验区获取的机载LiDAR点云数据为基础,通过提取30 m×30 m空间林分尺度下的LiDAR点云特征变量实现对林分平均高的估测。[方法 ]首先将105块实测林分平均高度的样地数据按照3:1的比例随机划分为训练样本(79)和检验样本(26),采用随机森林回归(RFR)和支持向量回归(SVR)两种机器学习算法对79个训练样本与对应的林分LiDAR点云特征变量回归建模。建模方案包括随机森林模型、支持向量机模型及随机森林+支持向量机组合模型。其次利用26个检验样本数据评价模型预测精度。最后统计3个模型中训练样本和检验样本对应的精度评价指标,以一个预测精度高、泛化能力强的模型作为最终模型进行林分平均高制图。[结果 ]表明:随机森林模型的训练样本和检验样本的决定系数(R2)分别为0.886 1和0.837 5,均方根误差(RMSE)分别为1.22和1.56;支持向量机模型的训练样本和检验样本的决定系数(R2)分别为0.886 4和0.840 9,均方根误差(RMSE)分别为1.21和1.54;组合模型的训练样本和检验样本的决定系数(R2)分别为0.859 8和0.853 2,均方根误差(RMSE)分别为1.35和1.48;[结论 ]组合模型的泛化能力及预测精度最好,支持向量机次之,最后为随机森林。利用组合模型可有效完成研究区林分平均高制图。     

基于极化合成孔径雷达干涉测量的平均树高提取技术

在新疆和田地区建立SIR-C/X SAR极化干涉测量试验区,获取2次重复飞行的SIR-C/X SAR全极化干涉测量数据、覆盖试验区的地形图4幅、Landsat-5 TM及Landsat-7 ETM 数据各一景.在此基础上,研究实现POLinSAR数据处理及树高反演算法,并对试验结果进行初步分析评价.结果表明:本文所采用的极化干涉测量数据处理方法及树高反演算法是正确的;受去相干噪声因素的影响,重复飞行极化干涉SAR相干影像上可能存在大量的非体散射去相干散射体,识别这些散射体并加以剔除是保证得到正确树高提取结果的重要步骤.     

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...     

联合GF-3 PolSAR数据与Landsat-8 OLI数据的森林地上生物量估测

【目的】森林是陆地生态系统的重要组成部分,精确估测森林地上生物量对森林资源的经营管理具有指示作用,对研究全球碳循环具有重要意义。为了改善单一来源遥感数据估测森林地上生物量的不足,探讨了联合高分三号(Gaofen-3,GF-3)全极化(Polarimetric synthetic aperture radar,PolSAR)数据极化分解参数和Landsat-8 OLI数据估测森林地上生物量的可行性,并针对多源遥感数据的冗余问题优化特征组合。【方法】以广西南宁市高峰林场为研究区,结合森林样地调查数据,提取GF-3 PolSAR数据的后向散射系数、极化分解参数和Landsat-8 OLI数据的光谱信息、植被指数、纹理,使用基于序列前向特征选择的K最近邻法(K-nearest neighbor based on sequence forward feature selection,KNN-SFS)估测研究区的森林地上生物量,以留一法交叉验证得到的森林地上生物量预测值和实测值之间的均方根误差(Root mean square error,RMSE)最小为原则,对比验证使用多源遥感数据和单一来源遥感数据时的估测结果,寻求估测森林地上生物量的最优特征组合,基于最优特征组合绘制研究区的森林地上生物量空间分布图。【结果】结合GF-3 PolSAR数据和Landsat-8 OLI数据估测研究区森林地上生物量的精度为RMSE=21.05 t·hm~(-2),R~2=0.75,优于仅使用GF-3 PolSAR数据估测的精度(RMSE=28.38 t·hm~(-2),R~2=0.47)和仅使用Landsat-8 OLI数据估测的精度(RMSE=29.52 t·hm~(-2),R~2=0.42)。【结论】多源数据协同反演森林地上生物量可以提高估测的精度,基于KNN-SFS方法联合GF-3 PolSAR数据与Landsat-8 OLI数据可以较好地估测森林地上生物量。     

基于地基激光雷达的植被聚集指数反演方法

植被聚集指数是表征冠层元素空间分布聚集特征的重要参数。精确反演聚集指数对研究植被碳氮循环、冠层生物量估算具有重要意义。地基激光雷达凭借其快速精确获取植被三维空间信息的优势,已成为提取植被聚集指数的重要手段。针对现有聚集指数反演方法均存在一定程度的点云信息浪费,本研究利用地基激光雷达点云数据,提出了一种基于三维间隙的植被聚集指数反演方法。首先通过多站地点云拼接、去噪、滤波等预处理操作,将地面与植被点云分离,再基于滤波结果获取归一化植被点云;然后采用分治方法建立植被点云Delaunay四面体格网模型,用三维孔隙替代传统二维孔隙以获取间隙累积分布函数;最后利用间隙大小分布法计算植被冠层聚集指数。将该方法应用于研究区20块植被样地的地基激光扫描数据,反演得到其植被聚集指数。经实测数据验证,结果表明:该方法充分利用激光雷达精确获取三维空间信息的能力,实现了植被聚集指数高精度反演(R~2=0.74,rRMSE=8.94%),对于激光雷达定量反演植被结构参数具有指导意义。     

基于TerraSAR-X/TanDEM-X数据的森林高度反演算法研究

基于RVoG模型,对传统三阶段算法及其改进算法进行研究,以云南省西双版纳州勐腊县为研究区,以TerraSAR-X/TanDEM-X数据为数据源进行森林高度反演算法研究,并结合野外实测数据进行结果验证。结果表明,三阶段改进算法对森林高度反演精度优于传统三阶段算法。三阶段改进算法对天然林高度反演精度较高;三阶段算法对橡胶林高度反演精度较高。     

基于机载P-波段全极化SAR数据的复杂地形森林地上生物量估测方法

【目的】利用国产合成孔径雷达(SAR)系统(CASMSAR)获取的机载P-波段全极化SAR(PolSAR)数据,分析SAR对森林地上生物量(AGB)的响应与地形的关系,建立融合地形因子的高精度多项式模型,以提高森林AGB的估测精度。【方法】首先以基于机载激光雷达(Li DAR)数据得到的研究区坡度分布图与结合实测样地AGB数据得到的森林AGB分布图作为参考数据进行系统抽样,分析森林AGB与P-波段PolSAR后向散射强度的关系以及不同坡度下二者的相关性变化;然后利用Li DAR得到的高精度数字高程模型(DEM)结合机载P-波段的轨道数据计算当地入射角,进而建立以后向散射强度、当地入射角以及雷达视角为输入特征的多项式统计模型,同时将以上系统抽样得到的样本一部分作为模型训练样本,一部分作为精度检验样本。为避免样本尺度引起的偶然性,检验了20 m×20 m至100 m×100 m不同样地尺度下的估测精度。【结果】以90 m×90 m样本为例,当坡度为0°~5°时,引入当地入射角(第2组特征)的估测精度与未引入当地入射角(第1组特征)的估测精度分别为:决定系数(R~2)为0.634和0.634,均方根误差(RMSE)为12.07和12.08 t·hm~(-2),总精度(Acc.)为78.91%和78.89%;当坡度为5°~10°时,第2组特征与第1组特征的估测精度分别为:R2为0.524和0.523,RMSE为13.52和13.97 t·hm~(-2),Acc.为80.57%和80.52%;当坡度大于10°时,第2组特征与第1组特征的估测精度分别为:R~2为0.628和0.519,RMSE为13.16和15.70 t·hm~(-2),Acc.为81.05%和78.55%。随着样地尺度增大,2组特征的估测精度均增大,且第2组特征的估测精度大于第1组。【结论】当坡度小于10°时,地形对森林的后向散射强度几乎无影响;当坡度大于10°时,地形的影响显著,在不同尺度下,引入当地入射角的估测模型均可以有效提高估测精度,充分说明模型的有效性和稳定性。此外,随着尺度增大,无论采用的模型是否考虑了地形影响,其估测精度都逐渐提高并趋于稳定,揭示出对复杂地形下森林AGB估测模型效果的评价必须考虑尺度的影响,且参考样地要足够大,否则难以得到客观的结论。