基于无人机激光雷达的人工林碳储量线性与非线性估测模型比较

  目的  森林碳储量是生态系统结构与功能的重要指标，掌握森林碳储量现状有利于森林资源管理。激光雷达能够用于监测森林资源，但是存在森林参数估测的模型多、变量不确定和缺乏林分三维结构解析意义的变量等问题，因此，需要选择合适的林分解析变量和模型。  方法  借助无人机激光雷达点云数据与样地调查数据，以内蒙古自治区赤峰市喀喇沁旗旺业甸人工林为研究对象，分别使用多元线性模型与多元乘幂模型以不同变量对林分碳储量进行估测，选出最优模型并进行精度评价。  结果  研究表明:（1）模型方法而言，非线性模型的检验效果优于线性模型的检验效果:非线性模型（R2为0.66 ~ 0.86，rRMSE为23.51% ~ 9.91%），线性模型（R2为0.52 ~ 0.85，rRMSE为27.70% ~ 12.38%）。（2）模型使用平均高、郁闭度为基础变量，以穷举法筛选出来的变量组合，估算森林参数得出最佳模型，其中非线性模型以激光点云平均高、郁闭度、高度变动系数和叶面积变动系数的估算精度最高（R2=0.86，rRMSE=9.91%）。  结论  通过激光雷达估测人工林碳储量时，加入垂直结构变量可以提高模型拟合效果，非线性模型比线性模型更适合人工林碳储量的估测。      

基于像元二分模型的森林郁闭度估测方法

以遥感影像与森林资源一类调查数据为基础,基于归一化植被指数(NDVI)的像元二分模型对密云县森林郁闭度进行遥感估测,模型的纯像元植被指数通过样地数据来确定.经验证,模型估测值与实测值相关系数为0.73,相对误差为14.40％.结果说明,采用像元二分模型与森林资源一类调查数据结合进行森林郁闭度估测,技术路线简单可靠,精度可满足要求,同时能弥补TM影像分辨率的不足,具有一定的推广价值.     

基于LIDAR数据的林冠层三维信息模型的提取与应用

该文应用机载激光雷达数据,获得了高精度的树冠底部地形信息及树高信息,提取了包含植被冠层高度的数字表面模型,即林冠层三维信息模型(DCM),结合研究区的数字高程模型(DEM)可以获得用常规方法很难准确获取的森林植被参数,如冠层垂直结构、森林高度、郁闭度等.在此基础上,制作了研究区的林木高度图,具有直观、形象等特点,有助于林业部门及时、准确地掌握森林资源相关信息,并可利用DCM获得森林密度、胸高断面积、蓄积量(生物量)及单木参数等森林植被参数.     

基于机载激光雷达点云的桉树林分蓄积量估算模型构建

  目的  通过2018年1—2月广西国有高峰林场机载激光雷达数据及地面调查数据,采用参数方法和非参数方法建立回归模型,反演桉Eucalyptus树人工林森林蓄积量。  方法  通过点云提取点云高度参数、点云密度参数、林分郁闭度等点云特征变量,采用参数方法(逐步回归、偏最小二乘回归)和非参数方法(随机森林回归、支持向量机回归)进行林分蓄积量构建,通过与样地实测数据对比,进行模型回归预测性能评估,进而选择出表现最优蓄积量反演模型。  结果  采用留一法对以上4种模型进行验证,结果显示:逐步回归模型R2为0.85、均方根误差(RMSE)为23.93 m3·hm?2、平均绝对误差(MAE)为18.18 m3·hm?2;偏最小二乘回归模型R2为0.81、RMSE为26.52 m3·hm?2、MAE为19.94 m3·hm?2;核函数为RBF的支持向量回归模型R2为0.88、RMSE为21.35 m3·hm?2、MAE为16.62 m3·hm?2;随机森林回归模型R2为0.84、RMSE为24.53 m3·hm?2、MAE为17.41 m3·hm?2。  结论  采用随机森林进行变量筛选后,RBF-SVR模型拟合优度及泛化能力最优;通过逐步筛选法结合方差膨胀因子(VIF)方法优选变量的逐步回归模型次之;最后为随机森林回归模型与偏最小二乘回归模型。可见,在解决林业激光雷达领域中的回归预测问题时,采用非参数方法构建RBF-SVR模型更有优势。本研究建立的4种森林类型蓄积量模型,各模型均有较高精度且符合森林资源调查相关技术规定要求。图6表6参25     

三峡库区森林健康评价

根据三峡库区森林结构和功能,从目前国家森林清查监测内容出发,利用森林健康指数和复合结构功能指标法,对三峡库区森林健康状况进行评价。研究所构建的森林健康评价指标体系包含林分活力、林分结构、森林恢复能力和抵抗力三方面,共9个指标因子。根据指标体系,综合三期森林资源一类清查数据进行森林健康动态评价;结合森林资源二类调查数据,建立小班(林分)尺度的森林健康评价模型,完成三峡库区森林健康状况等级分布图。研究表明:三峡库区,第六次一类清查森林健康评价质量指数综合评分为0.512,第七次清查为0.538,第八次清查为0.552,且超过半数的森林处于亚健康状态;基于森林资源二类调查小班数据的拟合模型包含郁闭度、活立木蓄积、龄组、土层厚度、灾害等级5个因子,其相关系数为0.364,RMSE为1.13。     

纹理特征对松林郁闭度的判别能力研究

郁闭度具有获取便捷的特点,是森林资源调查的基本因子之一,也是检测森林状态、检验营林效果的重要指标,并已成为许多重要特征遥感反演的基础数据。另一方面,纹理特征成为遥感信息挖掘的重要方向,并被用于判别单纯依靠光谱特征无法有效识别的信息,但纹理的应用范围与可行性仍缺乏验证。以福建省三明市、将乐县、沙县、延平区4县(市、区)HJ-1 CCD多光谱数据及实测松林郁闭度为主要数据,基于灰度共生矩阵法提取均值、方差、协同性、对比度、相异性、熵、角二阶矩及相关性等8类纹理特征(共计32个),利用单因素方差分析法筛选24个对松林郁闭度变化有所响应的纹理,并分别以单个、单类纹理特征及多纹理特征联合为自变量,建立极弱度郁闭林、弱度郁闭林与中度郁闭林的Fisher判别函数。结果表明,单个纹理特征对松林郁闭度的判别能力普遍较差,仅COR_2、COR_4、CON_1、CON_2判别精度高于50%;单类纹理特征对郁闭度的判别能力有所提高,均值、方差、对比度的判别精度高于50%,而相关性的判别精度可达62.7%;多纹理特征联合对松林郁闭度有更高的判别能力,精度达74.6%。由此证明,纹理具备郁闭度的响应能力,在其他特征的遥感反演过程中可以应用,但需要深入挖掘其相关性与响应机制。     

基于林分结构响应的PALSAR森林结构参数估测

为提高ALOS PALSAR数据估测森林结构参数的精度,引入代表林分结构复杂程度的调整熵值(ENTadj)参与估测,以消除林分结构对雷达后向散射系数的干扰。首先利用野外样地实测的树高计算林分的调整熵值,与Landsat8 OLI第6波段建立线性回归模型,获得基于像元的调整熵值。一般森林结构参数与ALOS PALSAR后向散射系数之间的关系可以用对数模型模拟。引入基于像元的调整熵值作为自变量对原始对数模型进行改进,分别对林分平均高、林分平均胸径、林分蓄积量建立了3种形式的改进模型。利用原始模型和改进模型分别对杉木林、马尾松林、阔叶林和针阔混交林的上述森林结构参数进行估测。最后比较模型拟合精度筛选出3项森林结构参数在各类森林中的最优模型,共计12个。结果表明:考虑林分结构干扰后,雷达估测森林结构参数模型的拟合精度R2均得到了提高。马尾松林各项森林结构参数模型的拟合度提高最大。精度检验结果表明:林分平均高估测精度(RMSE为0.74~2.51 m)、林分平均胸径估测精度(RMSE为2.61~5.61 cm)和林分蓄积量估测精度(RMSE为21.71~30.92 m3/hm2)都比较理想。本研究探讨了林分结构信息应用于合成孔径雷达后向散射系数反演森林结构参数方面的潜力,提高了光学数据结合雷达数据估算森林结构参数的能力。      

基于稀疏型机载激光雷达数据的风景林参数估测

稀疏型机载激光雷达（LiDAR）数据,由于点云密度低,难以对单木尺度的森林参数进行估测,在森林资源监测领域的潜在应用价值没有得到充分发挥。以江苏省南京市紫金山国家森林公园为研究区,以2007年机载激光雷达Optech ALTM LiDAR数据、2007年森林资源规划设计调查数据为主要信息源,在机载LiDAR数据预处理、特征参数提取的基础上,采用多元线性回归、随机森林、支持向量机3种方法,估测小班林分平均树高、平均胸径和单位蓄积量并进行对比分析,同时对森林参数进行空间制图。结果表明:1） 高度百分位数和累计高度百分位数是影响小班平均胸径、平均树高和平均蓄积量的主要特征参数;2）3个遥感估测模型精度对比分析表明,平均胸径、平均树高、单位蓄积量3个参数的估测精度,均是随机森林算法最高,支持向量机次之,多元线性回归最低;3）平均树高、平均胸径、单位蓄积量的空间分布规律一致,人为干扰严重的公园边缘地区和土层瘠薄、立地条件差的山脊较低,山南及山北中部最高。稀疏型机载激光雷达（ALS）数据在林分尺度的森林参数估计中具有较高的精度,可以用于森林资源规划设计调查小班的测树因子估测。本研究应用稀疏型机载激光雷达数据估测风景林森林参数,为稀疏型LiDAR数据在森林资源规划设计调查中的推广应用提供参考。     

基于赤池信息准则和人工神经网络的亚热带森林郁闭度遥感估算

以江西省泰和县为研究区,探讨利用Landsat TM影像进行亚热带森林郁闭度森林遥感估算的可行性。首先,利用赤池信息准则(AIC)筛选了用于建模的遥感变量因子,通过模拟试验确定了估算森林郁闭度的前馈神经网络(BP)模型参数,利用检验样本数据验证了模型结果的可靠性。结果表明,遥感变量因子之间存在着强的相关关系,为了保证所建模型的效果需要剔除部分因子,利用BP神经网络建立的森林郁闭度模型的模拟和拟合精度都优于逐步回归模型,研究区内森林郁闭度较高,有47.8%的森林郁闭度大于0.7,但空间差异明显,西部和东部山区森林郁闭度高于中部丘陵森林的郁闭度。     

多元线性回归与神经网络模型在森林地上生物量遥感估测中的应用

利用遥感影像构建森林生物量估测模型,能够快速、实时估算区域森林生物量。采用吉水县TM影像以及森林资源调查固定样地数据,构建估算森林地上生物量的多元线性回归模型及BP神经网络模型,并对两种模型进行了比较。结果表明:两种模型对样地生物量的预测值大部分比实测值小,多元线性回归模型预测值与实测值的偏差幅度比BP神经网络模型更大,偏差幅度分别为-110.24~38.09 t·hm-2、-35.12~26.17 t·hm-2;多元线性回归模型与BP神经网络模型的决定系数(R2)分别为0.470和0.869,均方根误差(RMSE)分别为30.52和12.69 t·hm-2,预测精度分别为50.07%和71.65%。因此,运用BP神经网络模型估测森林地上生物量优于多元线性回归模型。     

运用GF-1影像光谱和纹理信息构建森林蓄积量估测模型

以GF-1遥感影像为数据源,研究区森林资源二类调查数据为样地实测数据,综合考虑光谱、地形、纹理特征,利用多元线性回归、BP神经网络、支持向量机和随机森林建立研究区森林蓄积量估测模型,并验证模型预测的性能。结果表明:4种模型预测评价指标的决定系数(R2)和均方根误差(RMSE)相近,但有一定的差异,多元线性回归模型R2和RMSE分别为0.446、39.979 6 m^3·hm^-2,BP神经网络模型R2和RMSE分别为0.474、39.703 9 m^3·hm^-2,支持向量机模型R2和RMSE分别为0.485、38.924 8 m^3·hm^-2,随机森林模型R2和RMSE分别为0.534、37.882 2 m^3·hm^-2;3种机器学习方法构建的蓄积量估测模型预测性能优于传统的多元线性回归模型,随机森林模型的预测性能最优。     

基于GF-1PMS影像的森林郁闭度定量估测模型研究

森林郁闭度是我国森林资源二类调查中的重要林分因子之一,为探索高分一号影像在森林郁闭度定量估测的可行性,以内蒙古自治区东北部柴河林业局为研究区,基于GF-1 PMS多光谱影像和DEM数据,以纹理特征、光谱信息和地形因子为自变量,采用k-最近邻法（k-Nearest Neighbor,k-NN）、稳健估计以及偏最小二乘法3种方法构建研究区域的森林郁闭度估测模型,辅之以二类调查小班数据和现地实测数据进行模型精度评价。结果表明:1）3种郁闭度估测方法的应用效果均能满足实际需求,这说明GF-1 PMS多光谱影像在森林郁闭度定量估测方面具有一定的潜力;2）k-NN法和稳健估计的实际应用效果明显优于偏最小二乘法,且2种模型的估测精度均>80%;3）3种郁闭度估测稳定性分析,结果显示k-NN法稳定性较好,而稳健估计法和偏最小二乘法估测模型不稳定。     

基于改进的像元二分模型估测郁闭度

目的郁闭度是森林资源调查的一个重要因子,它不仅可以反映森林冠层的郁闭程度和树木利用空间的程度,并且能够指示林分密度。遥感为区域和全球尺度精确估测郁闭度提供了前所未有的契机,使得大面积郁闭度监测制图成为可能。本文旨在利用资源三号卫星影像数据结合模型对区域尺度上落叶松林进行郁闭度估测。方法以黑龙江省佳木斯市桦南县孟家岗林场落叶松人工林为研究对象,首先采用像元二分模型对植被覆盖度进行估算,通过探寻植被覆盖度与郁闭度的关系,对像元二分模型进行改进,通过计算不同累积频率归一化植被指数（NDVI）的值作为模型参数,对比不同参数取值时模型拟合效果得到最优模型,并利用模型估测郁闭度。结果拟合结果表明,2%累积频率下模型拟合效果最好,模型R2为0.838,RMSE为0.045,最后利用该模型得出孟家岗林场落叶松人工林郁闭度分布图。结论利用改进的像元二分模型可以较为准确地估测郁闭度。本研究对探索我国北方落叶松人工林郁闭度遥感估测提供了更有效的途径,同时也为森林资源和参数的调查提供一定的参考依据。      

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。     

基于Richards方程的杉木树高生长模型

利用Richards生长方程构建杉木Cunninghamia lanceolata树高生长模型。以福建省三明市将乐县国有林场杉木人工林为研究对象．基于15块杉木人工林标准地野外调查数据。在分析林分相对胸径（出）和相对树高（hR）规律的基础上,拟合了胸径．树高曲线、胸径一株数累积（％）曲线以及树高一株数累积（％）曲线。根据林分结构现状,应用SPSS20统计软件模拟了杉木树高生长模型。结果表明：在95％置信区间内,模型的相关指数达到了0．993,求得参数A=28．606,B=1．094．k=0．031,m=-0．466,且各参数的估计值符合杉木的生长规律。此模型大大提高了林木树高因子的模拟精度．并为实现森林资源的优化配置提供基础数据。图3表3参30     

基于中巴资源卫星数据的森林郁闭度估测研究

森林资源分布具有辽阔性、复杂性、通达性差等特点,而遥感技术具有宏观、动态、便捷、可周期重复和成本低等优点,成为研究森林资源状况的理想手段。目前,在森林遥感应用中,多源遥感数据的提供能力越来越强。但由于遥感信息的综合性、复杂性,遥感信息处理技术相对落后。基于不同区域、不同季相和不同背景特征的森林遥感分类技术远未成熟。利用中巴资源卫星遥感数据,经过图像处理(包括图像的校正、图像的增强和图像的分类等),获取样地的灰度值,结合少量地面实测样地资料,通过线性回归建立森林郁闭度的数学模型,并进行检验以确保估测的精度,为林业生产和建设提供依据。     

运用机载激光雷达数据和立地质量分级对亚热带森林蓄积量遥感反演

为了探讨不同的立地条件下,应用机载激光雷达(Lidar)数据建立的林分蓄积量模型的反演精度。以高峰林场2016年森林资源二类调查小班数据为研究对象,运用随机森林对Lidar分位数高度、水平结构参数等变量重要性排序,构建蓄积量估测基础模型(不考虑立地质量分级)和优化模型(考虑立地质量分级)。结果表明:105块样地中有23块低立地生产力样地(LSP),有82块高立地生产力样地(HSP);在不同立地质量分级样地中,对树高和胸径进行logistic最小二乘回归曲线,胸径-树高之间存在着显著差异;基础模型和优化-A_B模型估测的蓄积量在总体样地和HSP上没有显著差异(P0.05),但在LSP上差异极显著(P0.001);优化模型估测的蓄积量和实测蓄积量在两种立地质量的样地中差异不显著(P0.05);基础模型估测的蓄积量和实测蓄积量在HSP没有显著差异(P0.05),但在LSP差异极显著(P0.001)。由分位高度(P_(H90))和实测蓄积量生成(含HSP和LSP)的两个伪模型曲线表明,在HPS中,实测蓄积量与P_(H90)呈近似线性关系,在LSP中,蓄积量与P_(H90)呈非线性关系;分位数高度(P_H)、郁闭度与森林蓄积量表现出较强的相关性,并且提供了森林水平结构和垂直的变化。森林蓄积量估测最优模型的平均R~2值大于0.8,模型的可靠性和鲁棒性为亚热带森林蓄积量估测提供了可能。     

基于机载激光雷达的森林地上碳储量估测

以内蒙古大兴安岭生态站为研究对象,以2012、2013年的66块样地数据和2012年同步获取的机载Li DAR遥感数据为数据源,分别采用多元线性回归和随机森林回归算法,通过对比不同算法间的估测精度差异,选择更适于研究区的估测方法,实现研究区森林地上碳储量的遥感估测。结果表明:随机森林回归算法的估测精度最优,模型训练精度(R2为0.861,RMSE为11.133 t/hm2,rRMSE为0.279)和预测精度(RMSE为17.956 t/hm2,rRMSE为0.342,估测精度范围40.898%~95.129%,平均估测精度76.385%)均优于多元线性回归的模型训练结果 (R2为0.676,RMSE为11.846 t/ha,rRMSE为0.351)和模型预测结果(RMSE为22.703 t/hm2,rRMSE为0.636,估测精度范围45.824%~94.752%,平均估测精度69.859%)。机载Li DAR数据的高度变量和密度变量与森林地上碳储量均具有显著相关性,高度变量相关性更为显著。随机森林回归算法对区域森林地上碳储量的估测结果趋于真实分布情况,效果比较理想。     

应用Sentinel-1影像纹理信息模型估测杉木林生物量

以福建省将乐县杉木林为研究对象,以C波段双极化合成孔径雷达数据(Sentinel-1)为数据源,通过计算不同极化方式下的后向散射系数和纹理特征值,采用多元线性逐步回归分析,分别建立以后向散射系数与纹理特征值为自变量,杉木林生物量为因变量的估测模型,筛选最优杉木林生物量估测模型。结果表明:VH、VV与VH/VV极化方式的后向散射系数与森林生物量均没有明显的相关关系,相关系数均低于0.2;运用纹理信息建立的生物量估测模型中,VV极化纹理特征值的估测模型的决定系数为0.716 7,均方根误差为62.48 t·hm-2,模型的估测效果最好。因此,C波段双极化合成孔径雷达影像纹理参数在估测森林生物量方面具有重要作用。     

基于纹理信息的森林蓄积量估计

以河北省秦皇岛市山海关公益林为研究对象,结合Landsat TM数据和森林资源二类调查数据,运用灰度共生矩阵分析法提取纹理信息,采用逐步回归法建立多元线性回归模型,进行森林蓄积量的估算。结果表明:选取纹理因子参与建模,建立的线性回归方程的拟合效果较好,估测模型的R~2值达0.766,估计值的标准误差最小,标准误差最小值为28.036,说明纹理因子对提高森林蓄积量的估测精度有重要影响。