应用Sentinel-2A卫星光谱与纹理信息的森林蓄积量估算

以Sentinel-2A为遥感数据源,以第九次森林资源清查数据为样地实测数据,对吉林省中东部的森林蓄积量进行反演。通过对遥感影像进行处理,获取影像的波段光谱值、植被指数,降维处理纹理特征以及地形因子;采用多元线性回归、偏最小二乘法、随机森林、支持向量机等构建了研究区的森林蓄积量估算模型,对检验样本做出了估测。结果表明:机器学习法在反演结果上均优于传统建模方法,随机森林法结果最优,相对误差为17.88%,方程精度为82.12%。     

基于Landsat8卫星光谱与纹理信息的森林蓄积量估算

以福建省将乐县国有林场为研究对象,通过外业实地调查得到样地蓄积量:以Landsat 8卫星遥感图像为数据源,对遥感图像进行处理,获取多光谱影像的波段光谱值、植被指数和波段组合值,并筛选出全色波段的最优纹理生成窗口与纹理特征;通过多元回归分析方法,分别建立仅以光谱因子为自变量和结合光谱信息和纹理特征的蓄积量估测模型,并比较两者之间的精度。实验结果表明:光谱因子的多元线性回归方程的相关系数为0.853,联合光谱和纹理特征因子反演的多元回归方程的相关系数为0.926。同时利用检验数据,得出模型的预测精度:光谱因子蓄积量的估算方程精度为79.81%,联合反演蓄积量的估算方程精度为85.98%。研究表明:引入纹理特征后蓄积量的预测精度得到一定程度的提高,利用Landsat 8全色波段的纹理特征进行蓄积量估测具有良好的应用前景。     

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。     

基于小班对象的森林蓄积量遥感估测模型合理性诊断

以四川省遂宁市安居区为研究区域,研究了基于小班对象的森林蓄积量遥感估测模型的构建与合理性诊断。首先论述了建立森林蓄积量模型所需的各种数据,包括定性、定量数据以及遥感影像的派生数据。其次采用最大膨胀因子法及残差平方和法对选取的60个小班样地数据进行最优变量的选择,最终TM2、TM5、TM7、TM4×37、有林地、郁闭度等6个变量成为估测模型的主要因子。再次选取24个样地数据并采用残差分析方法对构建的模型进行合理性诊断,诊断结果显示模型基本合理。最后选用岭迹法对其余36个样地进行模型构建。构建的模型所测蓄积量的相对误差达8.0%,可应用到生产实践当中。     

Box-Cox变换在遥感数据建模中的应用

以山东省2006年共15景TM数据和2002年的ETM+数据为基础,结合地面542个样地调查数据,采用多元回归估计的方法,建立蓄积量与遥感信息之间的回归方程,对森林蓄积量进行估测。但由于TM1—TM7波段的灰度值和蓄积量值之间的线性关系不够明显,通过对参与建模变量进行了Box-Cox变换,建立森林蓄积量反演模型,提高了模型的估测精度,解决了在大尺度范围内利用TM数据对森林蓄积量估测问题。     

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。     

森林郁闭度对蓄积量估测的影响规律

为研究森林郁闭度对蓄积量估测的影响规律,根据某监测区域地面调查样地对应的遥感和GIS信息,设计蓄积量估测模型,通过数学仿真方法研究郁闭度对蓄积量估测的影响大小及规律。研究结果表明郁闭度对蓄积量估测起非常重要的作用,若要通过监测区域样地对应的遥感和GIS信息,建立以样地为单位的蓄积量估测方程,郁闭度是不可或缺的影响因子。因此必须先估测森林郁闭度,再建立包含郁闭度的蓄积量估测方程,才能实现以遥感和GIS为基础的蓄积量估测。     

基于GF-1 PMS影像和k-NN方法的延庆区森林蓄积量估测

应用高分1号（GF-1）全色和多光谱（PMS）影像和k-最邻近（k-NN）方法进行县域尺度的森林蓄积量估测,探讨GF-1 PMS影像以及k-NN方法估测森林蓄积量的适用性。以北京市延庆区森林资源二类调查数据为基础数据,森林蓄积量为研究对象,基于国产GF-1 PMS影像数据提取植被指数,采用k-NN法构建森林蓄积量估测模型,并引入偏最小二乘回归法予以比较,选出最优估测方法对全区森林蓄积量进行反演。结果显示:偏最小二乘回归法估测的森林蓄积量均方根误差为21.90 m3·hm-2,相对均方根误差为27.5%,偏差为17.23 m3·hm-2。基于k-NN方法的森林蓄积量估测的均方根误差为12.80 m3·hm-2,相对均方根误差为16.0%,偏差为15.02 m3·hm-2。与官方公布的全区森林蓄积量进行对比,结果显示:基于k-NN法反演的全区森林蓄积量统计结果（245.98万m3,估测精度为86.0%）要好于偏最小二乘回归法（266.22万m3,估测精度为76.6%）。最后生成了全区森林蓄积量空间分布图。     

用岭估计估测以分类为前提的森林蓄积量

为克服自变量间多重相关性对森林蓄积量估测的不利影响,采用岭估计建立估测模型。在确定岭参数时,分别试验了岭迹法、方差扩大因子法、Hoerl-Kennard法和预测残差平方和法,对不同地类分别建立蓄积量估测方程。根据建模样地的蓄积量拟合残差和预报样地的蓄积量估测偏差分别计算中误差,利用残差中误差（δ＾R）和预报偏差中误差（＾δF ）构造评价函数0．5（＾δR＋＾δF ）,并测度岭参数的优劣,进而确定监测区域的估测模型。结果表明：当影响蓄积量估测的自变量间存在复共线性时,分类建立模型的精度明显优于统一建模的精度。     

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。     

应用LIDAR技术预测林分蓄积量

以优势树种铅笔柏为研究对象,将LIDAR技术测量的抽样木树高与全站仪实测树高进行可行性研究.在可行性的基础上,将LIDAR测得的树高进行改正,得到林木的调查因子——树高.将此因子与抽样木的材积进行回归分析,建立起两者之间的回归模型.统计出测区的铅笔柏的总株数和每株木的树高,根据树高和材积之间的回归模型,计算出测区的铅笔柏的蓄积量,并与用标准样地法测得的蓄积量进行对比,发现两者的差距不大,其相对误差为4.25%,可以满足林业上对林分蓄积量的调查,为林分蓄积量的调查提供了一种新的方法.     

利用TM 影像和偏最小二乘回归方法估测三峡库区森林蓄积量

为进一步提高遥感模型预测森林蓄积量的精度和稳定性,分析了遥感特征因子、地形特征因子、郁闭度与森林蓄积量之间的相关关系。在此基础上,利用偏最小二乘回归方法构建了森林蓄积量遥感预测模型,生成了三峡库区森林蓄积量空间等级分布图,并与地面实测值进行比较。结果表明:该模型的最佳主成分数为3,且郁闭度、海拔、坡度、TM1、TM2、TM3、TM4、TM5、TM7、NDVI、RVI、TM7/ TM3、TM4 ⅹTM3/ TM2、亮度和湿度为预测森林蓄积量的入选变量;森林蓄积量预测的调整决定系数为0.524,相对误差为7.33%,均方根误差为1.763 m3 ;利用该模型计算出三峡库区森林总蓄积量约为1郾12 亿m3 ,总体预测精度达到89.58%。研究结果为提高森林蓄积量遥感预测的精度提供了一种有效手段,有利于大面积应用和推广。      

利用TM影像和偏最小二乘回归方法估测三峡库区森林蓄积量

为进一步提高遥感模型预测森林蓄积量的精度和稳定性,分析了遥感特征因子、地形特征因子、郁闭度与森林蓄积量之间的相关关系。在此基础上,利用偏最小二乘回归方法构建了森林蓄积量遥感预测模型,生成了三峡库区森林蓄积量空间等级分布图,并与地面实测值进行比较。结果表明:该模型的最佳主成分数为3,且郁闭度、海拔、坡度、TM1、TM2、TM3、TM4、TM5、TM7、NDVI、RVI、TM7/TM3、TM4×TM3/TM2、亮度和湿度为预测森林蓄积量的入选变量;森林蓄积量预测的调整决定系数为0.524,相对误差为7.33%,均方根误差为1.763m3;利用该模型计算出三峡库区森林总蓄积量约为1.12亿m3,总体预测精度达到89.58%。研究结果为提高森林蓄积量遥感预测的精度提供了一种有效手段,有利于大面积应用和推广。     

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。     

控制二类调查蓄积的方法研究

对森林资源规划设计调查(二类调查)中系统抽样和回归分析技术控制总体蓄积的方法进行了比较研究.结果显示,回归估计可充分利用抽样调查与小班调查的综合信息,提高控制二类调查蓄积量的精度,提高成果质量.通常情况下,回归估计的效率高于系统抽样.回归分析可提高抽样数据的利用效率,回归模型有利于监控小班调查质量,修正完善小班调查的数据;利用回归模型校正系统误差,避免因系统误差引起不必要的调查返工所造成的人力和物力资源浪费.参16     

基于WorldView-2影像和随机森林算法的天山云杉蓄积量反演

【目的】研究林地遥感因子与蓄积量的关系来反演天山云杉林分蓄积量,为新疆天然林保护工程实施后天山云杉生态恢复与科学管理提供参考依据。【方法】以新疆天山西部巩留县恰国家西森林公园的天山云杉（Picea schrenkiana var.tianshanica）为研究对象,以样地内每木检尺为依据,基于WorldView-2影像,使用eCognition Developer 提取样地的光谱信息、纹理因子与植被指数三种遥感因子,通过随机森林算法建立模型反演天山云杉林分蓄积量。【结果】提取的24种遥感因子,筛选出对蓄积量影响最大的5种特征变量,分别为NDVI1、NDVI2、RVI2、均一性（Homogeneity）与相关性（Correlation）,建立随机森林回归模型,解释度高达81.27%,决定系数R²=0.8648（P<0.05）,估测样地蓄积量精度为86.38%。【结论】建立的随机森林回归模型可以有效地反演天山云杉林林分蓄积量。     

基于哑变量和因子选择的森林蓄积量估测研究

为提高森林蓄积量遥感估测精度,探讨哑变量技术在蓄积量遥感估测中的作用。以云南省普洱市思茅区为研究区,以Landsat 8 OLI和93块森林资源二类调查角规控制样地数据为基础,使用随机森林（random forest）算法进行遥感变量因子的选择,并以龄组为哑变量分别构建基于哑变量的SVR和PLSR蓄积量估测模型,采用留一交叉验证对结果进行评估。结果表明,使用随机森林算法进行变量的选择有效减少了自变量的维度,提高了计算效率;其次,哑变量引入后,PLSR和SVR 2种回归模型的估测精度都比无哑变量方法有明显的提高,且SVR的估测结果优于PLSR;在引入哑变量后SVR模型的决定系数R²由0.59提高到0.68,相对均方根误差rRMSE由36.76%降低至32.97%,PLSR模型的决定系数R²由0.53提高到0.62,相对均方根误差rRMSE由39.41%降低至35.24%。在森林蓄积量的遥感估测中,哑变量技术的应用可以在一定程度上解决不同蓄积量大小对估测结果造成的影响,进而提高蓄积量的估测精度。