基于 SVM 方法的高山松林蓄积量遥感估测研究

以香格里拉县高山松为研究对象,利用2006年香格里拉县TM遥感影像、2006年森林资源二类调查小班数据、2009年精度为30 m 的DEM数据以及2013年香格里拉县高山松实测样地数据,提取研究区内高山松林影像分布图及筛选出17个因子（13个遥感因子、3个地形因子、1个地面调查因子）作为备选自变量,在MAT-LAB下利用LIBSVM模块建立研究区高山松林蓄积量单位面积（30 m ×30 m）估测模型。结果表明,选用RBF核函数在参数范围内寻找出SVM模型的最佳参数C＝3.5809, g＝0.1、 p＝0.01,利用最佳寻优参数建立SVM非参数模型,对SVM模型进行测试得到,均方根误差MSE＝0.0087,复相关系数R＝0.51,相对误差RE＝23.4％,估测精度为76.6％。以像元为单位,分块提取高山松林对应的各像元自变量因子,利用估测模型预测得到香格里拉县高山松林总蓄积量为13318476.5 m3。     

基于ALOS数据的云南松林蓄积量遥感估测方法

基于ALOS数据和样地实测数据为数据源,云南省宜良县为研究区,以提高森林蓄积量遥感估测模型精度为目的,从遥感、GIS、郁闭度等方面选取与森林蓄积量相关性较高的因子作为自变量。采用逐步回归法、主成分分析法、偏最小二乘法3种模型估测宜良县的云南松林蓄积量。从3种模型的拟合效果和估测精度比较结果表明:偏最小二乘法精度最高,调整决定系数为0.754,预测精度为82.77%,与主成分分析等传统线性估测模型相比精度有较大改善。     

基于印度遥感卫星IRS—P6的森林生物量估测模型研究

印度遥感卫星IRS—P6的LISS3数据由于其较高的空间分辨率和相对较低的数据价格而受到广泛关注,而利用LISS3数据估测森林生物量的研究报道较少。以高黎贡山自然保护区常绿阔叶林为研究对象,以2006年印度卫星IRS—P6的LISS3影像为主要数据源,利用地面样地胸径每木调查数据,结合生物量相对生长式,得出样地生物量。通过遥感数据提取4个波段的光谱值、6种植被指数,从DEM获取的海拔、坡度、坡向,共13个遥感及地学因子。在此基础上,提取13个因子的主成分,以前5个主成分值作自变量,建立主成分与地面生物量的回归模型,模型经方差分析及相关性检验,达到显著相关水平,相关系数R=0．7129。     

基于TM影像纹理与光谱特征的红树林生物量估算

为研究红树林生物量的遥感估算方法,提取了广西和海南红树林TM遥感影像的光谱及纹理特征,结合地面调查所得126个样地生物量数据,进行多元逐步回归分析。结果表明,建立的生物量估算模型通过相关检验,可以高效、快速地进行红树林生物量的估测。     

基于RS的闽江流域马尾松林分蓄积量估测模型研究

从福建省第5次森林资源一类调查落在闽江流域的样地中抽取马尾松林样地130个,以RS可提取因子及样地林分立地条件因子为可选变量,利用3倍标准差法进行异常数据的筛选,对林分立地条件定性因子进行数量化处理,通过逐步回归构建闽江流域马尾松林分蓄积量估测模型,研究结果所构建的蓄积量估测模型的相关系数为0.735。经模外抽取30个样地对估测模型适用性检验和精度验证表明,在可靠性α=0.01条件下模型估测值与外业实测值无显著差异,模型的林分蓄积量估测精度达85.03%,为此,本研究的蓄积量估测模型对森林经营管理具有现实意义。     

基于遥感信息的森林生物量、碳储量估测技术研究

利用遥感数据结合地面调查建立模型是定量评价森林生物量、碳储量的重要手段、以遥感数据及GIS易于获取的地学因子为主要信息源,应用逐步回归方法选取与森林生物量相关的7个遥感及地学因子为自变量,利用地面样地每木胸径调查数据结合生物量相对生长式获取样地生物量作为因变量,建立多元回归模型用于估测森林生物量．森林碳储量通过森林生物量结合碳转换系数获取、经方差分析检验,模型达到极显著相关水平．研究结果袁明,这一方法是获取较大尺度森林生物量、碳储量及其动态变化监测的有效方法．     

考虑地形效应的高山松地上生物量遥感估测模型构建

[目的]研究基于遥感因子与地形因子构建香格里拉市高山松地上生物量非线性混合效应估测模型,提高高山松地上生物量估测精度.[方法]以2015年和2018年Landsat 8 OLI与对应年份样地实测数据为基础,通过二元生物量模型计算出高山松地上生物量.提取植被指数、纹理等遥感因子.将地形因子按照一定等级进行划分后作为模型因...     

哑变量在森林蓄积量模型估测中的应用

【目的】建立含哑变量的林分蓄积量估测模型，分析哑变量在香格里拉高山松林分蓄积量模型中的意义与作用。【方法】以香格里拉为研究区，基于2008—2009年3幅TM遥感影像与2008年抽样控制样地数据，对香格里拉高山松林分神经网络模型与考虑龄组构造的哑变量神经网络模型两种类型建立蓄积量遥感估测模型，并进行精度评价。对比模型的估测值与实测值，计算模型残差，检验各龄组残差均值与0之间的差异性；同时对模型的预测值结果进行组间均值的差异性检验，以此作为确定龄组分类形式构建哑变量的标准与依据。【结果】2个模型的独立样本检验结果表明，引入哑变量的神经网络估测模型比神经网络模型拟合效果要好，其决定系数要高于神经网络模型，决定系数从0.516提高到0.783。模型预估精度从神经网络模型的66.3%提高至哑变量模型的74.8%，估算误差优于神经网络模型。【结论】根据模型的残差差异性结果得出，哑变量模型可以在一定程度上解决在估测幼龄林、中龄林蓄积量低值高估的问题；可见引入哑变量估测森林蓄积量的方法是相对有效的。     

基于不同立地质量的香格里拉高山松林郁闭度遥感反演

以香格里拉市为研究区,基于2006年TM遥感影像和2006年森林资源规划设计调查数据,以小班各遥感因子为自变量,每个小班的郁闭度为因变量,对香格里拉高山松林按区分立地质量等级和不区分地位级2种策略建立郁闭度神经网络遥感反演模型,并进行精度评价。基于小班平均高和平均年龄建立的地位级表将立地质量等级划分为好、中、差3种类型。研究结果表明,红外、近红外、植被指数和第一主成分等遥感因子对郁闭度的解释能力较强;从模型独立样本验证结果得出,不区分地位级郁闭度估测精度为67.64%,区分地位级后,好、中、差3种立地类型的郁闭度估测精度分别为74.14%、75.32%、72.38%,区分立地质量类型模型的精度优于不区分地位级模型的精度。     

基于无人机遥感的胡杨地上生物量估测模型构建

为了构建胡杨冠幅及地上生物量估测模型,在胡杨分布区设置的样地中选取328株样木,以无人机遥感数据提取的胡杨冠幅为自变量,以胡杨生物量模型获取的地上鲜生物量为因变量,通过相关及回归分析方法,构建不同函数形式的估测模型并进行精度分析。结果显示,墨玉县、巴楚县、轮台县,以无人机遥感估测胡杨生物量的最优模型均为三次曲线函数形式,精度分别为94.93%,95.63%,92.24%。研究确定了处于不同林龄胡杨样地的地上生物量的最优估测模型。可见,运用无人机遥感估测生物量是可行的,可为胡杨林的经营管理和生态价值评估提供技术支撑。