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。     

基于偏最小二乘回归的高山松生物量遥感模型空间尺度效应分析

针对光学影像在森林生物量遥感估测中尺度不确定性问题,以香格里拉市高山松林为研究对象,基于SPOT-5影像,结合92块角规样地数据,在不同观测尺度下构建偏最小二乘回归模型,并对不同观测尺度下的遥感估测模型精度进行对比分析。结果表明:样地的合理观测尺度上限为70 m,生物量估测的最优空间尺度为50 m,此时PLS模型的RMSE最小为20.001 9 t/hm2,R2和精度P最大,分别为0.505 8、66.20%。     

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。     

基于混合效应模型的曲靖市云南松林地上生物量遥感估测

以曲靖市云南松林为研究对象,基于2016年曲靖市二类调查数据以及同时期Landsat 8OLI遥感影像,利用随机选取的小班样地提取遥感因子统计值建立数据集,基于不同曲线拟合定量研究曲靖市云南松林生物量估测的光饱和值;并以线性逐步回归模型为基本模型,考虑区域和龄组随机效应建立云南松林生物量遥感估测模型,以期减小生物量遥感估测中光饱和引起的估测误差。结果表明:利用三次模型拟合研究区云南松生物量饱和值为167 t/ha;不同效应水平的混合模型的拟合精度均优于一般逐步回归模型。在独立性样本检验中混合效应模型的预估精度(91.556%)要高于一般逐步回归模型的预估精度(83.826%);从生物量分段残差检验结果与研究区生物量反演结果上看,混合效应模型相较于一般逐步回归模型有着更大的估测范围,在一定程度上能够解决高值低估和低值高估问题,减小光学遥感影像数据存在数据饱和的影响。     

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。     

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。     

基于随机森林回归的不同龄组思茅松 人工林生物量遥感估测

以云南省景谷县思茅松人工林为研究对象,以景谷县实测思茅松单木生物量数据建立其单木生物量模型,计算得出90个景谷县思茅松实测样地林分单位面积生物量,采用2005年景谷县TM遥感影像提取9个植被指数作为备选自变量,基于随机森林回归建立总体样本及各龄组样本思茅松单位面积生物量估测模型.以像元为单位,利用估测模型,并采用2005年森林资源二类调查小班数据估算景谷县思茅松人工林的生物量.结果表明:各模型的决定系数(R2)＞ 0.89,均方根误差(RMSE)＜7.00,预估精度(P)＞87.00％;研究区思茅松人工林单位面积生物量为59.0889 t/hm2,其中幼龄林为38.5170 t/hrn2,中龄林为53.6626 t/hm2,近熟林为94.8018t/hm2.     

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。     

基于偏最小二乘回归模型的高山松蓄积量遥感估测

以Landsat 8影像为遥感数据源,以遥感因子、GIS因子、林分因子、郁闭度等为自变量,在前期野外样地调查的基础上,采用偏最小二乘法(PLS),建立香格里拉县高山松蓄积量遥感估测模型。试验结果表明,郁闭度对香格里拉县高山松蓄积量估测的影响极其显著,第5、6波段对其影响较为显著;运用偏最小二乘法建立的样地蓄积量估测模型,调整决定系数R2为0.777 5,均方根误差RMSE为36.90 m3/hm2,总预报偏差的相对误差RE为23.18%,模型精度为73.08%。以像元为单位提取高山松林所对应的自变量因子,利用估测模型得到研究区高山松林总蓄积量为1 372.406万m3。     

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。     

基于多元线性回归的西昌市云南松蓄积量模型研究

利用2015年西昌市二类调查数据和2014年遥感影像数据,选择最小二乘法、基于AIC准则的逐步回归法、主成分法和偏最小二乘法分别建立云南松蓄积量线性回归模型并进行对比分析。结果表明:1)4种模型均为显著回归关系,除最小二乘法外,3种模型中的自变量T检验与因变量均显著相关。2)最小二乘法易导致模型自变量产生共线性,其他3种方法可有效消除共线性影响。3)模型综合评价由高到低为:偏最小二乘法逐步回归法主成分法线性最小二乘法,通过预留样本进行检验,精度由高到低为:偏最小二乘法逐步回归法为线性最小二乘法主成分法。综合分析认为,偏最小二乘法和逐步回归法综合效果最优,结果可为今后准确、高效地估测森林蓄积量提供参考。     

利用变量投影重要性准则筛选郁闭度估测参数

基于森林一类调查数据和相应的遥感影像数据,比较了基于变量投影重要性(VIP)准则与Bootstrap准则所选变量对模型预报精度的影响;利用基于VIP准则所选变量构建偏最小二乘回归模型,并估测了黑龙江省北部塔河地区森林郁闭度情况。结果表明:利用VIP准则所选变量都能通过Bootstrap非参数检验(α=0.05);利用这些最优变量建立的偏最小二乘回归模型取得了不低于全模型和Bootstrap模型的精度,前者的相对均方误差分别是后两者的99.2%和99.6%,并且提高了样地或像素水平的估测精度和效率。     

应用Sentinel-2A卫星遥感影像估测森林蓄积量

为了探讨应用Sentinel-2A遥感影像进行森林蓄积量估测的可行性,以内蒙古自治区某林业局的一类清查样地数据、二类调查小班数据、数字高程模型(DEM)以及林地数据为数据源,以遥感影像的波段灰度信息、比值波段及地形信息为自变量,采用k-近邻法(k-NN)、稳健估计及偏最小二乘估计等方法,分林型构建研究区域的森林蓄积量估测模型,从林业局、林场及小班尺度进行估测精度评价.结果表明:k-NN方法在林业局、林场和小班等3个尺度中的估测精度分别达到了97％、93.2％和83.6％,均表现出良好的估测效果;稳健估计法在3个尺度中的估测精度分别为89.3％、72.4％、69.3％;偏最小二估计法在3个尺度中的估测精度分别为85.7％、75.8％、71.7％.k-NN方法估测效果明显优于稳健估计方和偏最小二估计法,因此,Sentinel-2A遥感影像能够有效应用于森林蓄积量估测.     

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     

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。      

基于SPOT5和PCA的柞树林地上碳储量的估测模型

以北京市延庆县柞树林为研究对象,利用森林资源二类调查数据和2004年SPOT5遥感影像,选取SPOT5数据的4个单波段,提取差值植被指数(DVI)、比值植被指数(RVI)、归一化植被指数(NDVI)等3种植被指数以及海拔、坡度、坡向和郁闭度共11个遥感及样地因子,提取这11个因子的主成分,建立基于主成分分析的多元线性回归模型估测碳储量。结果表明:模型经方差分析以及相关性检验,达到显著相关水平,相关系数R=0.829,可用于柞树林地上部分碳储量估测。对30个独立样地进行配对样本t检验,结果达到显著相关水平,相关系数R=0.850,地上部分碳储量估算值为27.19 t·hm-2,模型估测精度可达到92.73%。     

基于Landsat 8的深圳市森林碳储量遥感反演研究

以2014年Landsat 8遥感影像为数据源,研究了深圳市森林碳储量遥感反演模型的构建及其空间分布情况,对城市生态系统碳循环研究具有重要意义。采用分层随机抽样的方式布设168个样地,结合外业样地数据,从遥感影像中提取31个植被指数作为自变量,分别构建了多元线性回归模型、Logistic回归模型和Radical Basis Function(RBF)径向基函数神经网络模型,进而估算该地区的森林碳储量并比较分析。结果表明,RBF神经网络模型的估算精度最高,决定系数最大且均方根误差最小,分别为0.829t·hm~(-2)和9.131t·hm~(-2);Logistic回归模型估算精度次之,决定系数和均方根误差分别为0.523t·hm~(-2)和11.821t·hm~(-2);多元线性回归模型估算精度最低,决定系数最小,均方根误差最大,分别为0.438t·hm~(-2)和12.870t·hm~(-2)。可见,RBF神经网络模型能更好地模拟森林碳储量与各个因子之间的关系。研究区森林碳储量的空间分布特点表现为东南沿海部分碳储量大,中西部城市经济开发区碳储量小,与实际森林分布基本一致。     

基于Landsat OLI和ETM+的杭州城市绿地地上生物量估算比较研究

城市绿地地上生物量的定量估算为城市碳循环研究提供重要依据。以杭州市辖区为研究区,选取Landsat 8OLI影像,提取影像的原始波段及植被指数信息,基于199个样地实测数据,建立研究区绿地地上生物量估算模型,反演研究区生物量,并与同时期Landsat 7ETM+遥感影像生物量估算结果进行对比分析。结果表明,基于OLI影像建立的逐步回归和随机森林模型R2分别为:0.643、0.514;城市绿地生物量主要集中在5~15、35~55t·hm~(-2),城区内绿地主要以带状、块状分布,其值偏低,中部公益林及城郊马尾松林生物量值较高;基于OLI影像估算的研究区生物量平均值为32.520t·hm~(-2),相应的ETM+估算结果为34.454t·hm~(-2),两者估算结果的差值基本上以0为中心,差值的平均值为-1.934t·hm~(-2),2种影像估算结果的Pearson系数为0.901,显著性0.001;总体上,2景影像的生物量估算结果差异较小,可通过线性关系相互补充利用。     

生物量转换因子连续函数的拟合方法比较

利用生物量转换因子连续函数估算森林生物量已成为普遍使用的方法,使用不同的拟合方法提升生物量转换因子连续函数的计算精度成为当前的研究热点之一。以安徽省和福建省2个区域的杉木Cunninghamia lanceolata人工林为研究对象,选择不同年龄序列的典型杉木人工林,分别在2个区域设置0.06 hm2的样地53块,得出每个样地杉木林分生物量、林分蓄积量和生物量转换因子(fBEF)均存在显著差异(P0.01)。使用最小二乘法、非线性混合模型法和贝叶斯分层法分别拟合生物量转换因子连续函数,决定系数(R2)分别为0.643,0.802和0.804;平均偏差(dMD)分别为0.376,0.233和0.228。通过F检验比较3种方法的拟合效果,最小二乘法的拟合效果与非线性混合模型法和贝叶斯分层法之间有显著差异;非线性混合模型法的拟合效果和贝叶斯分层法之间无显著差异。估算林分生物量时,使用非线性混合模型和贝叶斯分层方法可以显著提升林分生物量的估算精度。     

基于高分一号PMS的新疆落叶松林分郁闭度遥感定量估测

【目的】探索高分一号卫星影像在新疆落叶松林林分郁闭度估测中的应用潜力,为高分一号卫星影像用于林分郁闭度定量估测提供技术方法。【方法】以新疆布尔津林场为研究区,以阿尔泰山西段新疆落叶松林为试验对象,基于高分一号PMS多光谱影像和DEM数据,利用遥感和GIS技术,采用多元逐步回归和BP神经网络2种方法对新疆落叶松林分郁闭度进行估测。【结果】从模型验证结果可以看出,BP神经网络模型(决定系数R~2=0.713,均方根误差RMSE=0.082,相对均方根误差rRMSE=0.175,估测精度EA=82.401%)对新疆落叶松林林分郁闭度的估测要明显优于多元逐步回归模型(R~2=0.692,RMSE=0.085,rRMSE=0.182,EA=81.680%),且BP神经网络模型建模时R~2=0.714,与其精度验证时的R~2=0.713非常接近,说明模型的稳定性良好。【结论】2种模型的估测精度均高于80%,这说明高分一号PMS数据在新疆落叶松林林分郁闭度估测方面具有一定的潜力。