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。      

联合GF-1和GF-3影像的森林地上生物量反演

  目的  探索高分（GF）光学、合成孔径雷达（SAR）数据及其联合数据在森林地上生物量（AGB）及其组成部分反演中的可行性。  方法  以云南省昆明市宜良县小哨林区的云南松为研究对象，结合实地调查数据，以GF-1光学数据和GF-3 SAR数据作为数据源，提取光学数据常用的植被指数和纹理特征，SAR数据的各极化后向散射系数、纹理特征以及极化分解等参数，利用KNN-FIFS方法分别进行森林AGB及其分量的反演；然后采用留一交叉验证法对反演结果进行精度评价，并在此基础上绘制森林AGB及其分量空间分布图。  结果  联合GF-1和GF-3数据反演森林AGB及其分量的精度最高，R2均超过了0.710，RMSEr的值在22% ~ 27%之间，其中树叶的反演精度最优，模型的R2为0.714，RMSE为10.270 t/hm2，RMSEr为24.58%；除树叶生物量外，森林AGB和其他分量仅采用GF-1提取的特征进行反演时，精度均优于采用GF-3特征的反演结果。  结论  联合GF-1光学数据和GF-3全极化SAR可以实现一定程度的互补，提高森林AGB及其分量的反演精度，此外KNN-FIFS方法在低生物量水平的云南松纯林的AGB及其分量的反演中具有一定的鲁棒性，且KNN-FIFS优选的重要参数多为SAR和光学的纹理特征。      

不同波长极化SAR数据水云模型森林生物量反演对比分析

【目的】水云模型(WCM)是一种采用SAR数据反演森林地上生物量(AGB)应用较为广泛的半经验模型,探索将不同波长、极化方式、极化信息等引入WCM,以期为提高森林AGB反演精度提供科学依据。【方法】本文以X、C、L、P波段多频极化SAR数据为数据源,首先将各波长各极化后向散射系数用于WCM进行森林AGB反演,对比其反演精度;接着采用极化分解分量构建地体散射比参数,并将其引入WCM发展为极化水云模型(PolWCM),同时对比分析其在X、C、L、P波段森林AGB的反演结果。【结果】(1)在X、C、L、P 4个波段中,除X波段外,将HV极化后向散射系数代入WCM进行森林AGB反演,精度均高于基于其他极化通道后向散射系数的反演结果;且长波长(L和P)的反演精度高于短波长(X和C)的反演精度。在L波段,将HV极化后向散射系数代入WCM进行森林AGB反演,R²和RMSE分别为0.46和18.00 t/hm²;P波段HV极化反演结果的R²和RMSE分别为0.43和21.18 t/hm²。(2)将极化信息以地体散射...     

基于光学和微波遥感数据的森林蓄积量估测模型研究

【目的】探讨综合光学遥感和微波遥感的多源数据森林蓄积量反演方法。【方法】以L波段ALOS PALSAR全极化数据和Landsat TM为数据源,结合地面调查样地数据,通过ALOS PALSAR提取不同极化状态的后向散射系数和极化比值等极化特征因子,Landsat TM数据提取光学遥感因子,以多元线性回归构建森林蓄积量模型。【结果】光学遥感反演方法、微波遥感反演方法、综合光学遥感和微波遥感的多源数据反演方法均可以实现森林蓄积量估测,其中,基于多源数据协同的反演模型为最优模型,决定系数R~2为0.674,模型检验均方根误差RMSE为13.38 m~3/hm~2。【结论】要比使用一种数据源的反演方法具有明显的优势,有效实现了森林蓄积量估测。     

基于机载P波段全极化SAR数据的森林地上生物量估测

  目的  森林生物量的空间精准量化对了解陆地碳储量、碳收支、碳平衡,以及揭示森林碳储量与全球气候变化的影响过程具有重要意义。P波段波长较长,在森林中具有更高的穿透能力,研究机载P波段SAR数据提高森林地上生物量(AGB)估测精度的可行性。  方法  以机载P波段全极化合成孔径雷达(SAR)数据和高精度激光雷达(LiDAR)数据估测的森林AGB抽样点为基础,提取20个极化SAR特征,并分别与森林AGB变化作敏感性响应情况分析。采用多元线性回归模型(MLR)、K近邻方法(KNN)、支持向量回归(SVR)和随机森林(RF)4种估测方法,探究机载P波段SAR数据的森林AGB估测精度。  结果  在较低森林AGB(均值约45 t·hm?2)的森林覆盖区中,P波段的同极化后向散射系数、Freeman-Durden和Yamaguchi分解中的表面和二次散射分量对森林AGB变化敏感;此外H-A-ALPHA极化分解的散射角(alpha)、拓展极化参数极化辨别率参数(PDR)也对森林AGB变化敏感。4种方法估测的森林AGB相对误差均约30%,其中MLR估测结果精度最低,估测精度为63.55%,均方根误差(RMSE)为19.16 t·hm?2;RF估测结果精度最高,估测精度为72.97%,RMSE为15.98 t·hm?2;KNN和SVR估计结果差别不明显,RMSE分别为17.04和17.09 t·hm?2。  结论  P波段SAR数据对估测森林AGB具有一定潜力,3种非参数方法的估测结果明显优于MLR参数方法。此外,P波段的森林AGB估测精度受到待估森林AGB水平高低的影响明显,在森林AGB水平较高的分组中估测精度较高。在森林AGB均值为45 t·hm?2,最大值为120 t·hm?2的森林覆盖区,以50 t·hm?2将森林AGB样点分为2组时,高森林AGB组的估测精度高出低AGB组约6%。图5表3参34     

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     

小麦生物量极化分解参数响应及反演

生物量是反映农作物产量和生长健康状况的主要指标,然而直接进行农作物生物量估测不仅耗时耗力,而且具有破坏性。由于遥感技术在植被生物量反演中的方便、快捷及有效性,近年来不少研究者开始关注采用遥感技术进行农作物生物量的反演。小麦是包括中国在内的许多国家的主要粮食作物,寻找合适的小麦生物量精确估测方法在其产量估测中具有重要意义。以试验区小麦整个生长期内获取的5景全极化Radarsat-2数据及同步的地面调查数据为基础,分析了Freeman-Durden和H/A/α两种极化分解的相关极化参数与其生物量的相关关系,并在此基础上构建了4种传统经验回归模型和随机森林(RF)非参数模型反演小麦生物量。另外,根据农作物散射的物理基础,结合Freeman-Durden分解参数,还构建了表面散射与整体散射能量比值参数、体散射与总体散射能量比值参数、体散射与表面散射比值参数和二次散射与整体散射能量比值参数(Odd/Span,Vol/Span,Vol/Odd and Dbl/Span)四个参数参与极化参数对小麦生物量的敏感性分析。研究中提取的各极化参数根据播后天数在各地块内取均值以降低随机性对提取的极化参数的影响,共计95块小麦地块用于研究。研究结果表明:Freeman-Durden分解的参数中,体散射分量、表面散射分量及这两者与总散射能量的比值、这两者的比值均表现出与小麦生物量的高相关性(R20.55);相比Freeman-Durden分解的参数,H/A/α分解参数中除反熵外,熵和散射角均表现出与生物量的高相关性(R20.70)。另外,小麦生物量反演模型的可行性研究结果表明:4种经验回归模型中,二次多项式和对数模型更适合采用极化参数对小麦生物量的反演。该类方法反演小麦生物量的最佳均方根误差为77.94g·m-2,相对误差为29.05%。尽管采用随机森林的重要性参数排序中,H/A/α分解中的H和α参数也排序靠前,但是在单因子的经验回归中,其反演结果的误差较大,均方根误差为101.74g·m-2,相对误差为37.91%。尽管如此,大多数非参数随机森林参数重要性排序结果与极化分解参数与生物量相关分析的结果基本一致,采用随机森林反演。小麦生物量的精度也有明显提高,均方根误差为54.53g·m-2,相对误差为20.32%。     

基于随机森林算法的橡胶林地上生物量遥感反演研究--以景洪市为例

以景洪市橡胶林为研究对象,将获得的样地植被指数和生物量数据用随机森林方法建立相关关系,将建立的关系用 Landsat TM影像反演出整个研究区域的生物量分布,用影像和实地样地调查数据进行分析和验证,实现光学遥感的大范围生物量反演。在反演过程中将植被指数作为自变量,使用 R 语言环境下的随机森林方法进行变量筛选和建模,并对该方法的适用性进行分析评价。结果表明：随机森林算法适用于森林生物量反演;选择的变量为可见光大气阻抗植被指数（VARI）、简单比值指数（RVI）、归一化植被指数（NDVI）、水分胁迫指数（MSI）、中红外指数（MidIR）;总体模型反演精度 R2＝0.43,RMSE ＝46.05。反演结果对于生物量密度较低的区域回归效果较好,对于生物量超过200 t/hm2的地区,反演结果偏低,且随着生物量密度的增加,反演结果偏差逐渐增大。     

联合光学和合成孔径雷达数据的太平湖森林地上生物量反演研究

光学和合成孔径雷达（SAR）多源传感器数据融合对提高森林地上生物量（AGB）提取精度具有重要意义。以太平湖森林为研究对象,以Sentinel-1 SAR数据和Sentinel-2光学数据为数据源,利用随机森林回归算法系统性地评估光学和SAR数据对AGB反演的互补优势和策略选择。采用Sentinel-2光学数据的AGB反演精度（R²=0.63,RMSE=37.05 mg/hm²,sMAPE=0.56）优于采用Sentinel-1 SAR数据的AGB反演精度（R²=0.37,RMSE=52.25 mg/hm²,sMAPE=0.65）,联合两者数据的AGB估算精度最高（R²=0.69,RMSE=34.17 mg/hm²,sMAPE=0.55）;基于不同策略构建的AGB估计模型当中,植被指数（RVI、NDVI和红边相关的NDVIre）和纹理变量（NDVIre_Mea）的重要性高于光谱波段和后向散射系数。联合Sentinel-1和Sentinel-2数据的光谱波段、植被指数、纹理信息和后向散射系数,能够有效的缓和遥感信息饱和性问题和提高AGB反演精度。     

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。      

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。     

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TM影像估算北京山区乔木林生物量

目前遥感技术是估测区域森林生物量的有效手段。基于TM影像和样地数据,分析了从TM影像中提取的17个自变量与森林生物量的相关性,并用多元逐步回归法建立森林生物量模型,用于估算2009年北京山区森林生物量。提取的17个自变量中红光波段(TM3)、土壤校正植被指数(SAVI)和主成分分析的第三分量(PC3)为较好的解释变量,据此建立的生物量模型的相关系数较高(R2=0.869),估算得到北京山区森林生物量总计达1 088.38万t,平均生物量密度为35.2 t.hm-2。北京山区多数地方的森林生物量介于20-30 t.hm-2,大于30 t.hm-2的森林生物量主要分布在北部山区,表明北京森林质量不高,但提高的潜力很大。     

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。     

Sentinel-2A多特征变量反演针叶林地上生物量能力评估

  目的  森林生物量是衡量森林碳储量的关键因子，准确估算生物量对掌握森林现状和森林资源合理利用具有重要意义。欧空局发射Sentinel-2A数据因其丰富的光谱信息和较高的空间分辨率为生物量的反演和监测提供了新的机会。本文旨在评估基于Sentinel-2A的各类特征变量反演针叶林地上生物量的能力以及完成区域尺度的针叶林地上生物量定量估测。  方法  试验以内蒙古赤峰市喀喇沁旗旺业甸林场针叶林为研究对象，以Sentinel-2A为主要数据源，提取了10个波段反射率、20个植被指数和5个生物物理参数共3种类型变量，分别建立基于光谱反射率、植被指数、生物物理参数，以及融合3类变量的多元逐步回归生物量估算模型，同时每组均加入高程因子分析地形对估算精度的影响。  结果  （1）基于多种类型参数建立的模型估算效果最好，模型决定系数达到0.765，均方根误差为39.49 t/hm2；（2）在3组单类型变量模型中，基于植被指数的预测结果最好，说明相比于波段反射率和生物物理参数，植被指数对针叶林地上生物量的估算贡献更大；（3）无论基于何种类型参数建模，高程信息的加入都会提高针叶林地上生物量的估算精度。  结论  基于Sentinel-2A植被指数与地形特征的针叶林地上生物量反演模型较好，可用于区域生物量估算。该研究对区域性森林资源监测的实际应用具有指导意义。      

基于ZY-3卫星多光谱影像估算浙江省乔木林地上碳密度

目的基于覆盖浙江省的ZY-3卫星影像以及LULUCF碳汇监测样地数据，以浙江省乔木林地上碳密度为研究对象，尝试构建一个自动化提取浙江省乔木林地上碳密度的技术方法。方法分别在矢量标志建立、光谱信息提取、解译标志提纯、ZY-3卫星影像分类、自变量优选、建模方法优选、碳密度图制作等方面开展相关研究测试。结果本研究在解译标志提纯后对ZY-3影像进行分类的精度高于提纯前的影像分类精度；采用的kNN法对ZY-3影像进行分类的精度（平均总精度为80.31%，平均Kappa系数为0.69，乔木林平均用户精度为91.86%，乔木林平均生产者精度为80.85%）高于最大似然分类法（平均总精度为78.56%，平均Kappa系数为0.62，乔木林平均用户精度为89.68%，乔木林平均生产者精度为77.79%）；在选用的建模方法中，kNN法构建的模型精度（平均RMSE为15.64 t/hm2，平均RRMSE为23.53%）优于稳健估计法（平均RMSE为17.63 t/hm2，平均RRMSE为25.11%）。最后，生成了浙江省乔木林地上碳密度分布图。结论本研究可为省域或更大尺度范围的乔木林地上或森林碳密度估算提供一个新的路径，为实现自动化估算碳密度以及其他森林参数提供参考。