森林地上生物量估测方法研究综述

根据所采用数据源的不同,介绍了当前国内外森林地上生物量测算中所用的主要方法,即基于森林资源清查的方法和基于遥感估测的方法。根据国内外前期研究成果,概括了这两种方法的特点及其存在的一些不足,初步探讨了结合多源数据联合估测森林地上生物量的方法。结合当前森林地上生物量研究中存在的问题,讨论了估测方法的尺度、模型与参数化以及精...     

基于TM遥感影像丰宁县森林地上生物量估测研究

利用TM遥感数据以及同期获得的野外调查样地数据,研究了河北省丰宁满族自治县森林地上生物量的遥感估测技术。提取TM遥感影像6个波段反射率及DVI、NDVI、PVI、RVI、VI3、SLAVI和SAVI 7个植被指数,分析了森林样地地上生物量与各个因子间的关系,得出相关系数较小（均小于0.400）;因此采用Stepwise逐步回归法,建立了多元回归模型。结果表明,ρ2、ρ3、ρ4、ρ54波段反射率和有效叶面积植被指数（SLAVI）结合建立的多元回归模型,可用于森林生物量的遥感估测,估测的R2值达0.730,留一交叉验证均方根误差RMSE最小,达33.712。利用2008年的全覆盖TM影像,结合丰宁遥感分类图像,获得了丰宁县2008年森林地上生物量分布图,森林植被总生物量为1.805×107t。     

基于NDVI的巴音布鲁克天鹅湖高寒湿地地上生物量的反演

以巴音布鲁克天鹅湖高寒湿地为研究对象,基于Landsat 8 OLI多光谱遥感影像数据,提取植被指数(NDVI、EVI、RVI)信息,构建植被指数与地上生物量的回归模型,比较不同植被指数的拟合效果。结果表明,NDVI与地上生物量的相关性最高(r=0.778),显著大于EVI、RVI与地上生物量的相关性;二次多项式是NDVI与地上生物量构建的4种回归模型最优估测模型,决定系数R~2达到0.6619;巴音布鲁克天鹅湖高寒湿地2016年地上生物量的储量约为2.86×10~5 kg,地上生物量密度为10.25～444.99 g/m~2,均值为323.08±52.68 g/m~2。     

应用Landsat8 OLI和GBRT对高山松地上生物量的估测

依据香格里拉市Landsat8 OLI提取的因子和外业调查的高山松样地地上生物量,利用梯度提升回归树(GBRT)建立了地上生物量与遥感因子的估测模型,并与随机森林、多元线性回归、偏最小二乘方法进行了对比。结果表明:纹理信息对生物量有重要影响,其中熵、相关性和Landsat8 OLI近红外波段的信息对生物量的影响最大;采用GBRT进行建模,当迭代次数大于200次时,偏差降低减缓,GBRT建模方法的精度评价指标(R2=0.96,rRMSE=8.80%,P=73.88%)均优于其他3个模型。应用Landsat数据进行森林地上生物量估测的不确定因素较多,GBRT可作为高山松及其他树种地上地上生物量遥感估测的另一新方法。     

基于遥感的高山松连清固定样地地上生物量估测模型构建

  目的  研究利用遥感方法构建高山松固定样地地上生物量估测的参数模型，可以在今后前期样地的基础上直接快速、准确地估测生物量，或者开展少量的外业调查即可获取地上生物量。  方法  基于遥感因子与样地地上生物量变化量和线性混合模型提高生物量估测精度，以香格里拉市1987、1992、1997、2002、2007、2012、2017年7期国家森林资源清查固定样地和对应年份Landsat TM、OLI的Level-1数据为基础，首先对遥感数据进行预处理:包括辐射定标、大气校正、几何校正和地形校正，提取原始波段、比值因子、植被指数、图像增强信息、纹理指数、混合像元分解后的丰度、叶面积指数，计算5 ~ 30年间隔样地对应的遥感因子变化值。根据森林资源二类调查的高山松分布特征，选择地形因子作为线性混合模型的固定和随机效应，采用多元线性回归、非线性回归、地理加权回归、线性混合模型构建高山松地上生物量估测的静态模型，基于遥感光谱信息变化量构建了有树高和无树高参与的动态模型。最后对不同的建模方法和验证结果进行对比分析，选择最优结果作为估测模型并验证。  结果  （1）分析静态数据建模和验证的结果，采用样地号为固定因子、坡度等级为随机因子的线性混合模型的拟合R2最高，为0.75；但利用训练数据集和2017年数据验证，其精度都较低。（2）分析变化量数据建模和验证的结果，采用样地号为固定因子、坡度等级为随机因子、遥感因子变化量为自变量的线性混合模型拟合R2最高，为0.70，预测精度P值为（68.86 ± 11.93）%；增加平均树高变化量，拟合R2最高为0.79，预测P值为（73.39 ± 6.18）%。（3）无论是有、还是无树高参与的变化量模型其拟合和预测精度都达到80%，其预测精度达到了非参数模型预测精度。  结论  基于变化量的估测模型的拟合和预测精度较静态模型有所提高；综合遥感因子、地形因子构建的高山松地上生物量估测线性混合模型，其精度有较大提高；采用遥感因子变化量构建的高山松地上生物量估测模型，有效弥补了静态光学遥感数据估测生物量的不足，经检验可用于其他年期的估测。      

高山松地上生物量遥感估算的不确定性分析

  目的  采用遥感数据估算森林地上生物量仍存在一些不确定性问题,研究估算过程中的误差来源及其占比,对提高森林地上生物量的估测精度具有重要意义。  方法  从遥感影像提取因子,结合高山松Pinus densata外业调查数据,建立多元线性回归、梯度提升回归树、随机森林等3种地上生物量估测模型,对样地尺度与3种模型的不确定性进行分析和度量。  结果  ①高山松单株生物量模型不确定性为16.43%,样地尺度的不确定性为7.07%;②多元线性回归模型残差不确定性为34.86%,参数不确定性为21.30%,与样地不确定性合成后总不确定性为41.45%;③非参数模型中,梯度提升回归树估测高山松地上生物量的总不确定性为23.12%,随机森林为19.42%。  结论  3种遥感估算模型中,非参数模型的不确定性明显低于参数模型。相较于样地尺度,遥感估算模型的不确定性对地上生物量估算精度的影响较大。图3表3参26     

红树林生态系统遥感监测研究进展

随着现代遥感技术的迅速发展,遥感监测已经成为红树林生态系统变化监测的重要手段和方法。从遥感技术在生态系统变化监测应用领域入手,综述了国内外红树林遥感监测的发展历程,系统总结了遥感技术在红树林湿地动态、种间分类、群落结构(叶面积指数、冠幅、树高等)、生物量、灾害灾情(病虫害、风暴潮等)、景观格局动态、驱动力、红树林湿地保护与管理等领域应用现状,归纳了不同应用领域遥感监测的理论、方法及研究现状。指出我国在红树林遥感监测中存在的不足。提出红树林遥感监测应在分类标准体系规范化、分类精度提升、红树林生态学特征参数(物种多样性、优势度等)、生态系统环境空间演变过程及遥感监测的尺度效应方面加大研究力度。充分发挥区域综合监测模型在红树林生态系统变化遥感监测中的作用。     

基于Rapideye影像的林木地上生物量估测

以石台县为研究地,结合Rapideye高分遥感影像和不同森林类型样地林木地上生物量调查数据,采用Pearson双变量相关分析方法筛选模型变量,分别用多元线性回归和随机森林算法建立不同森林类型的遥感地上生物量估测模型,并进行模型估测精度对比分析。结果表明,叶绿素红边模型(CRM)与叶绿素绿波模型(CGM)2个指数与针叶林、阔叶林生物量在0.01水平上的相关性极显著,且在其多元线性回归模型和随机森林模型中两者均被挑选为建模变量。另外,与生物量相关性较强的纹理特征主要集中的红光波段和红边波段,且仅MEAN、VAR、SM3个滤波对生物量估测贡献较大,可作为建模变量。阔叶林、针叶林和针阔混交林3种森林类型的地上生物量模型估测精度均表现为随机森林模型优于多元线性回归模型。随机森林模型生物估测绝对均方误差在12.8760~36.5363之间,相对均方误差在20.20%~45.95%之间;多元线性回归生物量估测绝对均方误差在22.0425~46.4494之间,相对均方误差在34.58%~58.42%之间。     

基于k-NN非参数模型的高山松生物量遥感估测研究

以香格里拉高山松为研究对象,Landsat8/OLI为信息源,在前期进行香格里拉市高山松遥感特征光谱提取的基础上,结合地面50个实测样地数据,建立了研究区高山松地上生物量k-最近邻法(k-NN)遥感估测模型。结果表明,采用欧式距离度量特征变量间的相似度,距离分解因子t、最近邻数k值分别取2和4的模型参数结构下拟合精度达到最佳,决定系数(R~2)为0.71,均方根误差(RMSE)为18.21 t/hm~2;基于像元尺度的优化模型估测得到香格里拉市的生物量约为0.22亿t,研究结果可为低纬度高海拔地区的森林生物量遥感估测提供案例。     

西伯利亚落叶松天然林立木生物量估算模型研究

[目的]构建西伯利亚落叶松地上、地下及各组分器官的生物量估测模型.[方法]基于54株伐倒样木实测数据,运用相关回归分析方法,构建西伯利亚落叶松各组分生物量估测模型,并对比分析各种模型估测精度.[结果]以胸径、树高构建的落叶松各组分二元估测模型优于一元模型,其中地上、树干、树冠和树枝生物量预估精度提高了2.84; ～5.00;,而树叶和地下生物量仅提高了0.33;和0.15;.落叶松树干生物量和地上总生物量最优估测模型为W=aDbhc、树冠和树枝生物量最优模型为W=a(D3/H)b、树叶生物量最优模型为W=aDb;其中地上总生物量预估精度最高,达96.38;;树叶生物量预估最低,为84.07;;地下生物量以实测数据直接建模法与根茎比建模法对比,根茎比建模法预估精度高,其最优模型精度为90.50;.[结论]研究确定西伯利亚落叶松天然立木单株各组分生物量的最优估测模型,根据现地实测数据,可进行立木生物量估测,但人工落叶松立木生物量和天然落叶松不同林分的生物量估测还有待进一步研究.     

基于遥感的森林生物量估测样地调查方法的研究动态

科学的样地调查是利用遥感方法进行森林生物量估测的重要前提,也是提高生物量估测精度的基础。通过回顾国内外利用遥感估测森林生物量研究领域中样地调查的方法,并对其进行归纳分析可知,调查方法根据不同的遥感数据源、研究区和调查对象而不同,涉及到样地的个数、样地布设、样地形状及大小、样地调查因子和内容等方面。由此提出了样地调查的建议,以期减少今后利用遥感估测森林生物量的不确定性。     

顺昌县马尾松生物量遥感估测

以顺昌县马尾松为研究对象,通过样地选择和样木调查,结合遥感及其相关数学集成技术,引进材积因子,建立马尾松地上部分总的生物量与材积的相关关系模型。在此基础上,运用ERDAS建模功能将生物量模型与马尾松遥感蓄积估测图叠加生成顺昌县马尾松生物量估测图,并根据属性表统计了顺昌县马尾松生物量。     

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。     

基于多源数据的根河实验区生物量反演研究

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能够减少陆地生态系统碳储量的不确定性。本文以内蒙古大兴安岭根河实验区为研究区,基于森林样地调查数据、Landsat 8 OLI、机载P-波段PolSAR以及ASTER GDEM数据,分别采用多元线性逐步回归法和基于随机森林算法(Random Forest, RF)进行特征优化选择后的k-最近邻(k-nearest neighbors, k-NN)法对研究区森林地上生物量(above-ground biomass, AGB)进行估测,对比验证采用不同类型数据(单传感器数据和多传感器数据)时2种方法的反演结果来寻求森林AGB估测的最优方法和输入因子,最后利用最优的估测方法来反演整个研究区的森林AGB,生成根河实验区的森林AGB等级分布图。结果表明:对于多元线性逐步回归和k-NN 2种不同的方法,森林AGB的反演都表现出较为一致的结果,即采用多传感器遥感数据(Landsat 8 OLI和机载P-波段PolSAR数据)比采用单传感器遥感数据估算的森林AGB精度要高;而在同时采用多传感器遥感数据进行森林AGB的反演中,k-NN算法的估测结果(R2=0.65, RMSE=17.49 t/hm2)明显优于多元线性逐步回归算法(R2=0.36, RMSE=22.08 t/hm2)的估测结果。显然,多源数据协同反演森林AGB可以充分利用每种传感器的优点,提高遥感估测森林AGB的能力;与多元逐步回归方法相比,k-NN算法能够更多地考虑到森林参数同光谱值之间的非线性依赖关系,且能够避免发生过学习现象和样本不平衡问题。      

森林地上生物量遥感估算方法

生物量是林业和生态应用研究的重要信息,森林生态系统地上生物量估算的遥感技术引起了国内外学者的广泛关注。总结与探讨不同数据源与估算方法能够为森林地上生物量的估算提供指导。本文首先总结并探讨单传感器遥感数据,包括光学遥感、合成孔径雷达与激光雷达数据在森林地上生物量估算中的应用,以及协同使用多源遥感数据估算森林地上生物量的优势;然后论述森林地上生物量估算的传统模型估算法与机器学习估算方法（决策树法、K最近邻法、人工神经网络、支持向量机、最大熵）。多源遥感数据集成能够结合不同数据的优势,能够为森林地上生物量估算提供丰富的特征信息,结合机器学习估算方法,是提高森林地上生物量估算的准确性的发展趋势。      

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。     

县域尺度森林地上生物量遥感估测方法研究

以河南西峡县2013年Landsat 8影像及同期217块森林资源连续清查固定样地数据为信息源,以9个植被指数、3个地形指数为自变量,建立多元线性回归、决策与回归树、装袋算法、随机森林4种遥感估测模型;采用十折交叉验证,及相关系数、绝对误差、均方根误差、相对误差、相对均方根误差5个指标,对遥感估测模型进行精度评价,在此基础上,对研究区域2013年的森林地上部分生物量进行遥感估测和空间分析。结果表明:在4种遥感估测模型中,随机森林综合性能最高,装袋法次之,多元线性回归最低;在12个自变量中,地形(海拔、坡度)、土壤(亮度指数、湿度指数)、植被生长状况(垂直植被指数、有效叶面积指数)6个因子是影响研究区域森林地上部分生物量的重要环境变量;2013年,研究区域单位面积森林生物量为38.56 t/hm2,其中低(40 t/hm2)、中(40~60 t/hm2)、高(60 t/hm2)的面积分别占59.92%、24.30%、15.78%;研究区域森林地上部分生物量较高的区域,主要分布在交通不便、森林茂密、人类干扰活动较少的北部石质山区,而较低的区域,主要分布在交通发达,人口密度大,坡度较为平缓的南部鹳河谷地。     

资源三号遥感卫星影像的生物量反演研究

研究了北京市森林生物量遥感估测模型的构建和合理性判断。建立森林生物量模型所需的各种数据,包括2012年的资源三号卫星影像数据和实测样地调查数据。采用9格法提取的遥感影像信息,其中影像的纹理因子作为建模因子之一,与光谱因子、地形因子一起与实地样地数据建立生物量模型,进行生物量反演,通过精度分析,分别建立整个北京市针叶林和阔叶林的森林生物量反演模型,其相关系数分别为0.82、0.71,拟合估测精度分别为76.75%、80.02%,为提高林业调查的效率与精度提供一种方法。     

宜良县云南松林生物量遥感估测方法研究

利用landsat5影像和通过蓄积量-生物量转换方法获得的样地生物量数据,从宜良县云南松林遥感特征、地形特征、郁闭度等方面选取自变量,采用随机森林回归和偏最小二乘法进行生物量遥感估测建模。结果表明:随机森林回归估测模型调整决定系数R2为0.881,模型估测精度为82.3%;偏最小二乘模型的调整决定系数R2为0.753,模型估测精度为78.43%。随机森林回归在模型拟合效果和检验精度上均优于偏最小二乘模型。     

基于多源遥感数据的森林生物量定量评价研究

以ALOS PALSAR L波段双极化FBD微波遥感数据及多光谱光学遥感数据AVNIR-2为基础,对数据进行预处理,利用地面云南松林样地坐标,提取HH、HV双极化后向散射系数及极化比值3个因子,结合光学遥感数据提取4个波段值及NDVI、RVI 2个植被指数,作为云南松林生物量估测因子。分别以微波数据、光学数据、微波及光学数据结合的多源遥感数据,建立3个云南松林生物量估测模型。结果表明:所建模型经方差分析均达到显著相关或极显著相关水平;PALSAR L波段双极化后向散射系数,可以反映森林生物量的变化,但反演精度有待进一步提高;AVNIR-2数据模型优于PALSAR L波段双极化数据模型;多源数据模型与光学数据模型的估测精度相近。