多源遥感数据结合的橡胶林有效叶面积指数升尺度估测

【目的】针对传统森林叶面积指数监测的小尺度、对植被具有破坏性以及低效率。【方法】以机载LiDAR数据和Landsat 8 OLI数据为主要信息源,使用LiDAR点云基于Beer-Lambert定理反演得到点云条带区橡胶林有效叶面积指数,并用样地实测叶面积指数对其进行差异性检验。其次,以LiDAR点云得到有效叶面积指数作为训练样本结合Landsat 8 OLI数据,分别使用偏最小二乘回归模型和BP神经网络模型对有效叶面积指数进行升尺度光学遥感估测。【结果】1)LiDAR点云反演得到的有效叶面积指数与样地实测的叶面积指数之间极显著相关且差异不显著,相关系数为0.82。2)研究所建立的遥感估测模型中,BP神经网络回归模型的估测结果优于偏最小二乘回归模型,其决定系数R2为0.54,均方根误差RMSE为1.23,相对均方根误差rRMSE为47.68%。【结论】在森林参数获取和林业调查中,机载激光雷达数据与光学遥感数据的结合可有效提高工作效率、降低调查成本、效弥补人工调查的不足。     

基于机载LiDAR全波形数据白桦林林分LAI反演研究

为提高森林叶面积指数(LAI)的估测精度,本研究以白桦林为研究对象,以机载激光雷达(LiDAR)全波形数据为研究数据,首先提出了机载LiDAR全波形数据读取与波形特征信息提取的相关算法,结合具体算法的实现分析出每条全波形对应的各波形分量的能量信息,然后依据波形能量信息在传统激光穿透指数(LPI)计算的基础上结合全波形数据的特点,计算出全波形激光穿透指数(LPIfi),最后获得样地体元激光穿透指数(LPIf-mean),用于估测森林林分LAI,并将估测结果与机载LiDAR离散回波点云数据估测森林LAI的结果进行了对比。结果表明,全波形样地体元激光穿透指数LPIf-mean与森林林分LAI之间的建模精度R~2=0.815,RMSE=0.105,预测精度R~2=0.864,RMSE=0.139,同时在同等样地尺度下,全波形数据返回脉冲能量信息估测森林LAI的精度要高于离散回波点云数据的,因而,基于机载LiDAR全波形数据能够实现森林林分LAI的高精度反演。可以为进一步森林生态参数模拟与估测提供高精度的基础数据,弥补和提供了机载LiDAR全波形数据估测森林LAI的方法和思路。     

多源遥感数据协同的景洪橡胶林叶面积指数光饱和特征研究

本研究以云南省景洪市机载激光雷达飞行范围内的热带橡胶林为研究对象,基于LiDAR和Landsat 8 OLI数据,利用机载LiDAR点云数据提取地面LAI,借助地统计学中的半方差函数,对叶面积指数各原始波段光谱饱和特性进行分析。结果表明:近红外波段的反射率随着叶面积指数的增大而增大进而达到饱和,其余波段反射率随着叶面积指数的增大而减小进而达到饱和;在可见光范围内叶面积指数饱和值随着波长的增加而增加;在近红外和短波红外波段叶面积指数饱和值随着波长的增加而减小,结果虽然呈现出一定的规律性,但是差异并不是很明显。Landsat 8 OLI的1～7波段的饱和值分别为5.08、5.19、5.22、5.42、7.51、5.62、5.62,最大值为近红外波段,饱和值为7.51,最小值为海岸波段,饱和值为5.08,除近红外波段饱和值较大之外,其余波段的饱和值均介于5～6之间。     

毛竹林分冠层叶面积指数高光谱估测

叶面积指数(leaf area index,LAI)是体现林分冠层结构的一项重要参数,其准确估测对于精准林业的实施具有重要意义。为了快速、无损地监测毛竹林LAI,采用ISI921VF-256野外地物光谱辐射计和LAI-2200冠层分析仪获取福建省西北部毛竹林分冠层光谱反射率和LAI值,通过敏感波段的选取,新建了8类植被指数,分析了LAI值与对应植被指数的相关性,进而利用随机森林回归、支持向量回归和反向传播神经网络法构建了毛竹林分冠层LAI高光谱估测模型,以决定系数(R2)、均方根误差(ERMS)、平均绝对误差(EMA)和估测值与实测值的回归线斜率为指标评价并比较了模型预测精度。结果表明:新建的NDVI_(674)、NDVI_(687)、GNDVI_(563)、GRVI_(563)、RVI_(674)、RVI_(687)、DVI_(674)、DVI_(687)八类植被指数与LAI均呈极显著相关(P<0.01)。建立的RFR模型中,决定系数R2达到0.732 3,分别比SVR模型和BP模型提高了0.106 6和0.247 0;其EMA为0.406 2,分别比SVR模型和BP模型减少了0.044 8和0.481 1;其ERMS为0.646 3,略高于SVR模型,但远小于BP模型;其实测值与估测值的回归线斜率接近1,优于SVR模型和BP模型的回归线斜率。RFR模型对毛竹林分冠层LAI的高光谱估测效果优于SVR模型和BP模型,可用于大区域范围毛竹林冠LAI的高光谱估测。     

基于粒子群神经网络模型反演玉米、小麦叶面积指数

基于高分1号遥感影像,分别采用粒子群神经网络模型、神经网络模型和植被指数回归模型3种方法,反演廊坊市玉米、小麦叶面积指数(LAI)。结果表明,粒子群神经网络模型反演玉米、小麦LAI的精度要高于其他方法,其模型的决定系数R²均高于0.9,均方根误差均低于0.196,可满足反演精度的要求。本研究提出的基于高分1号影像的粒子群神经网络模型反演玉米和小麦LAI的方法具有一定的普适性。     

顾及变量相关性的主成分分析法在森林蓄积量估测中的应用

为探究Landsat8 OLI反演蓄积量的潜力,研究不同特征选择方法对蓄积量反演精度及不同蓄积量反演模型对反演精度的影响。以湖南省怀化市排牙山国有林场作为研究区,森林资源二类调查数据作为样地地面实测数据,选用Landsat8 OLI作为遥感数据源,将传统的Pearson相关系数法及主成分分析法2种方法结合,得到一种顾及变量相关性的主成分分析法（PCA-P）对遥感变量进行降维。使用3种变量选择方法构建了随机森林（RF）、K最近邻（KNN）、支持向量机（SVR）、多元线性回归（MLR）模型进行森林蓄积量的估测,使用决定系数（R²）、均方根误差(R_MSE)、相对均方根误差(R_RMSE)对蓄积量估测模型进行精度评价。结果表明：通过Pearson相关系数结合方差膨胀因子得到I_B2、I_ND25、I_MSR3个遥感变量,其与蓄积量相关性分别为0.716、0.623、0.597。使用主成分分析法得到前3个主成分,累计贡献率为93.42%。通过PCA-P得到前2个主成分,累计...     

塔里木河流域上游胡杨叶面积指数高光谱遥感反演方法对比

为探索研究胡杨叶面积指数高光谱反演方法的预测精度和适应性,选择新疆维吾尔族自治区塔里木河流域上游为研究区域,将采集的叶片带回实验室,通过ASD Fieldspec4便携式地物光谱仪扫描胡杨叶片得到反射率光谱并计算胡杨LAI,然后利用回归分析法和BP神经网络法构建胡杨LAI反演模型,将模型预测LAI值和真实LAI值进行建模分析,进而评价2种方法的反演精度。结果显示,BP神经网络法检验方程的决定系数(r2)为0.99、均方根误差(RMSE)为0.304、残差平方和(RSS)为0.0004,较植被指数法和多元回归法估算胡杨LAI的精度有较大提高。     

依据BP神经网络的机载LiDAR数据估算林分平均高

以东北虎豹国家公园范围内的针叶纯林为研究对象,结合2018年9月机载LiDAR点云数据和同步地面调查数据,提取半径为15 m的圆形采样尺度下的LiDAR点云特征变量为数据基础,采用BP神经网络算法、逐步回归法分别构建林分算术平均高模型和林分加权平均高模型,实现对林分平均高的估测.其中在利用BP神经网络算法构建模型时分别选择了贝叶斯正则化算法和L-M算法作为神经网络训练算法.结果表明:BP神经网络算法对数据具有更好地解释能力,其构建的林分平均高模型相关系数(R2)均在87％以上,高于逐步回归法构建的林分平均树高模型;林分加权平均高模型精度更高,用样地加权平均高作为实测值时,采用逐步回归算法、BP神经网络L-M算法、BP神经网络贝叶斯正则化算法构建的模型的检验样地数据的决定系数(R2)分别为0.858、0.919、0.908,树高估测精度(P)分别为88.6％、89.8％、91.2％,与以林分算术平均高作为实测值构建的估测模型相比,决定系数(R2)分别提升了4.9％、3.7％、3.4％,估测精度(P)分别提升了2.9％、2.4％、1.5％;BP神经网络的不同训练函数之间无明显性能差异,两种不同训练方法构建的林分平均高模型的决定系数R2及树高估测精度(P)略有差异,但整体相差较小.     

应用最大信息系数和支持向量机估测森林蓄积量

为了探究Landsat8 OLI影像和支持向量机算法在林分蓄积量估测中的潜力,以湖南省株洲市为研究区,以Landsat8 OLI卫星影像为遥感数据源,并结合同时期的湖南省森林资源二类调查数据,提取单波段特征、植被指数和纹理特征等遥感因子作为候选变量;利用最大信息系数对遥感变量进行筛选,并构建基于多项式核的PK-SVR模型、基于径向基核的RK-SVR模型、基于拉普拉斯核的LK-SVR模型和基于Sigmoid核的SK-SVR模型;以决定系数、相对均方根误差作为预测模型的评价指标,并与传统的线性回归模型进行对比,同时对研究区的森林蓄积量进行反演,得到株洲市森林蓄积量空间分布图。结果表明：支持向量机（SVR）模型的预测结果明显优于多元线性回归模型,RK-SVR模型的预测效果最好,其决定系数为0.61、均方根误差为69.26 m³/hm^-2、相对均方根误差为31.2%。     

不同叶面积指数遥感反演方法对红壤丘陵区森林的适用性分析

利用Landsat TM遥感影像和同期的叶面积指数(LAI)观测数据生成了江西省泰和县30 m LAI图.据此比较了基于4-尺度几何光学模型反演的LAI和MODIS LAI的质量.结果表明,基于4-尺度几何光学模型反演的LAI和MODIS LAI存在着明显的差异,两者相关的R2为0.312 5,在1 km尺度两者的平均值比TM LAI的平均值分别偏低14.0%和11.7%;在LAI低值区,MODIS LAI偏高,基于4-尺度几何光学模型反演的LAI偏低,而在LAI的高值区(LAI ＞6.0),MODIS LAI和基于4-尺度几何光学模型反演的LAI都偏低,MODIS LAI的偏低尤为明显,达31.4%.     

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。     

基于哑变量和因子选择的森林蓄积量估测研究

为提高森林蓄积量遥感估测精度,探讨哑变量技术在蓄积量遥感估测中的作用。以云南省普洱市思茅区为研究区,以Landsat 8 OLI和93块森林资源二类调查角规控制样地数据为基础,使用随机森林（random forest）算法进行遥感变量因子的选择,并以龄组为哑变量分别构建基于哑变量的SVR和PLSR蓄积量估测模型,采用留一交叉验证对结果进行评估。结果表明,使用随机森林算法进行变量的选择有效减少了自变量的维度,提高了计算效率;其次,哑变量引入后,PLSR和SVR 2种回归模型的估测精度都比无哑变量方法有明显的提高,且SVR的估测结果优于PLSR;在引入哑变量后SVR模型的决定系数R²由0.59提高到0.68,相对均方根误差rRMSE由36.76%降低至32.97%,PLSR模型的决定系数R²由0.53提高到0.62,相对均方根误差rRMSE由39.41%降低至35.24%。在森林蓄积量的遥感估测中,哑变量技术的应用可以在一定程度上解决不同蓄积量大小对估测结果造成的影响,进而提高蓄积量的估测精度。     

基于高分辨率遥感影像的玉米田叶面积指数反演

根据玉米田样地生物物理参量的野外实测数据,对PROSAIL模型输入参数的取值范围进行率定。通过PROSAIL模型参数敏感性分析,确定不同的输入参数设置方案,模拟不同的叶面积指数、叶倾角、叶绿素含量对应的玉米冠层反射率,建立叶面积指数的缨帽三角分布模式,从而获得玉米田红光-近红外波段反射率-LAI查找表,选取宁夏中卫市WV-3高分辨率遥感影像对玉米种植区域LAI进行反演。通过与实测数据比较,分析了PROSAIL模型在高分辨率遥感影像农作物LAI反演方面的适用性,为高分辨率遥感影像反演农作物LAI提供了方法参考。结果表明,PROSAIL模型输入参数的范围率定与不同设置方案的确定是有必要的,并且运用该查找表从WV-3影像反演的LAI与实测数据较一致,查找表均方根误差为0.47,LAI反演均方根误差为0.24。研究表明,该方法在利用WV-3遥感影像进行玉米田LAI反演中具有较强的适用性,能够进行准确有效的大面积叶面积指数遥感反演。     

基于热暗点植被指数的马尾松林叶面积指数反演分析

为了减少单一角度卫星遥感与传统植被指数在LAI反演过程中的误差，提升马尾松林LAI反演精度，以福建省龙岩市长汀县河田镇马尾松林为研究对象，获取多角度无人机影像和马尾松林LAI实测数据。根据研究区不同波段热暗点指数、植被指数与实测LAI的相关关系，优化热暗点植被指数构建马尾松林LAI反演模型。结果表明，基于红光波段反射率计算的热暗点比值指数HDRI-r（R²=0.398）是研究区马尾松林LAI反演的重要辅助参数；将HDRI-r引入表征研究区冠层结构的传统植被指数NDVI、GNDVI、RVI、MSAVI、NRI、SIPI、VARI，构建的热暗点植被指数NHDRI与实测马尾松林LAI相关性最高，R²为0.406 5；引入热暗点信息的植被指数（NHDRI、GNHDRI、RHDRI、MSAHDRI、NRHDRI、SIPHDRI、VAHDRI）与实测LAI的拟合R²均>0.37，相较于对应的传统植被指数，R²分别提高了82%、333%、295%、161%、1 409%、380%、192%，热暗点信息与传统植被指数的结合能够缓解植被冠层光饱和现象，有效提高马尾松林LAI反演精度；研究区马尾松林LAI范围为0.11~4.28 m²/m²，总体水平偏低，与当地马尾松林以枝叶稀疏、矮小的“老头松”为主的实际情况相符。     

参数优选支持的光学与SAR数据森林地上生物量反演研究

  目的  森林是整个陆地碳循环系统中最大的有机碳贮库，准确地估测森林地上生物量影响着全球碳源与碳储量的分析与评价。本文旨在评价利用Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR 3组不同源遥感数据估测森林AGB的潜力，进而剖析光学数据和SAR数据在估测森林AGB方面的差异。  方法  首先对Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR数据分别提取波段比值、植被指数、纹理信息，对ALOS-1 PALSAR-1SAR数据同时提取极化分解信息；然后，利用随机森林算法对不同数据提取的特征参数进行重要性排序，选择排序靠前的特征进行建模；最后，利用KNN-FIFS算法分析不同特征组合，对4组数据建立4个模型估测森林AGB，并使用留一交叉验证法对4个模型估测森林AGB值进行精度评价。  结果  使用植被因子、波段比值、纹理因子、极化分解信息4种特征参数分别对3组数据进行建模估测森林AGB，基于Landsat8 OLI数据反演森林AGB的精度评价结果为R2 = 0.50，RMSE = 33.34 t/hm2；基于高分一号数据估测精度为R2 = 0.36，RMSE = 37.60 t/hm2；基于PALSAR纹理特征估测精度为R2 = 0.45，RMSE = 35.40 t/hm2；基于PALSAR全极化分解信息估测精度为R2 = 0.63，RMSE = 28.84 t/hm2。  结论  参数提取方法相同时，即基于植被因子、波段比值、纹理信息3种特征参数估测森林AGB，其光学数据和SAR数据的反演潜力基本一致；参数提取方法不同时，即SAR数据加入极化分解信息估测森林AGB，与光学数据相比，SAR数据对森林AGB的反演潜力较好。      

运用融合纹理和机载LiDAR特征模型估测森林地上生物量

针对区域尺度森林地上生物量的分布情况,以大兴安岭生态观测站为例,提出了一种融合光学影像纹理和机载LiDAR点云特征的森林地上生物量遥感估测方法。该方法首先提取Landsat 8 OLI不同波段在不同运算窗口下的纹理特征;然后对机载LiDAR点云进行滤波提取地面点,并利用地面点对点云数据进行高度归一化处理,提取点云特征因子;最后结合提取的遥感特征因子,利用支持向量回归的方法对研究区森林地上生物量进行估测,并对结果进行精度验证。结果表明:不同波段和窗口尺寸的建模精度差异较大,蓝光波段在7×7运算窗口下模型精度最高(R~2=0.73,R_(MSE)=22.32 t/hm~2);点云高度分位数变量的建模精度呈正态分布,变量H_(50)的建模精度最高(R~2=0.75,R_(MSE)=19.24 t/hm~2);与单一的遥感特征变量相比,融合光学影像纹理和机载LiDAR点云特征的模型精度有了一定提高,且针叶林和混交林的估测R_(MSE)分别为19.63和20.40 t/hm~2。因此,该方法可以为区域性的森林地上生物量估测提供有效参考。     

基于遗传算法改进 BP 神经网络的遥感影像分类研究

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。     

基于Landsat 8 OLI辅助的亚米级遥感影像树种识别

为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。      

基于滁州市TM数据的叶面积指数估算模型研建

以2010年TM影像为数据源,结合实测叶面积指数(LAI)数据,采用逐步回归方法,分析滁州市森林叶面积指数与植被指数关系并建立估测模型。结果表明:在0.01显著水平下,地面LAI和NDVI、RVI、SAVI的相关性分别为0.899、0.868、0.853;以NDVI为自变量构建的指数函数关系模型与LAI相关系数最高,相关性达0.839,LAI预测精度达78.96%;以NDVI、RVI、SAV为自变量构建的多元线性回归模型与LAI相关性达0.917,LAI估测平均精度达83.36%,符合森林资源监测要求。研究结果为使用遥感数据进行滁州市大面积森林质量监测、森林分布变化提供依据和技术支持。