应用最大信息系数和支持向量机估测森林蓄积量

为了探究Landsat8 OLI影像和支持向量机算法在林分蓄积量估测中的潜力,以湖南省株洲市为研究区,以Landsat8 OLI卫星影像为遥感数据源,并结合同时期的湖南省森林资源二类调查数据,提取单波段特征、植被指数和纹理特征等遥感因子作为候选变量;利用最大信息系数对遥感变量进行筛选,并构建基于多项式核的PK-SVR模型、基于径向基核的RK-SVR模型、基于拉普拉斯核的LK-SVR模型和基于Sigmoid核的SK-SVR模型;以决定系数、相对均方根误差作为预测模型的评价指标,并与传统的线性回归模型进行对比,同时对研究区的森林蓄积量进行反演,得到株洲市森林蓄积量空间分布图。结果表明：支持向量机（SVR）模型的预测结果明显优于多元线性回归模型,RK-SVR模型的预测效果最好,其决定系数为0.61、均方根误差为69.26 m³/hm^-2、相对均方根误差为31.2%。     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数，一直是气候变化和生态研究中的热点，遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象，以机载LiDAR和Landsat8/OLI为信息源，结合44块样地实测数据，使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上，进一步构建区域尺度的LAI反演模型，实现景洪市橡胶林LAI的反演。结果表明，基于LiDAR的林分水平模型中，SVR模型最优，决定系数（R²）为0.76，相对均方根误差（rRMSE）为17%，估测精度（P）为83%；以SVR模型估测结果作为区域尺度遥感反演模型的先验样本，结合Landsat8/OLI数据的BP神经网络模型反演效果最好，估测精度达76%。     

基于优化BP神经网络的香格里拉高山松蓄积量模型研究

以香格里拉县高山松为研究对象,以Landsat TM 8影像和DEM（30M）数据为信息源,结合森林资源二类调查数据和地面样地实测数据,借助MATLAB平台,在前期进行基于遗传算法（GA）和粒子群算法（PSO）优化BP神经网络模型基础上,采用决定系数（R²）、均方根误差（RMSE）及预测精度（P）3个指标对优化后的BP神经网络模型及进行评价,并建立了研究区高山松蓄积量估测模型。结果表明,遗传算法效率（耗时1.9 h）低于粒子群算法（耗时1.4 h）;采用遗传算法优化后的BP神经网络模型R²、RMSE及P分别为0.636、4.216 m³、81.748%,均优于粒子群算法。通过遗传算法优化后的BP神经网络模型估测香格里拉高山松蓄积量总量为13 317 879.7 m³。     

油松林分断面积与蓄积量生长模型研究

对北京地区油松林分断面积、蓄积量生长模型进行研究,为建立通用的、相容的断面积、蓄积量生长模型奠定基础。利用北京市油松一类清查数据,以Richards和Shumacher 为基础模型,通过选取不同的密度指标,分别拟合油松林分的断面积、蓄积量生长模型,并选取最优的断面积、蓄积量模型,引入哑变量,将间伐林分和未间伐林分合并建立林分断面积、蓄积量生长模型。结果表明,油松林分的断面积、蓄积的模拟效果都较好,R²分别最高达0.900 0、0.890 0,而且不同的密度指标直接影响模型的预估效果,林分断面积生长模型选用林分密度指数作为密度指标的预估效果更好;林分蓄积量生长模型选用林分断面积作为密度指标时预估效果更好,当在模型中的渐近值参数引入密度指标后,Schumacher模型对林分蓄积量的预估精度又要略优于Richards模型,通过模型的独立性检验,预测精度均在91%以上;而在最优的模型上引入哑变量后的林分断面积、蓄积量模型的R²、预测精度都比常规的模型稍高,R²均在0.900 0以上,预测精度在0.950 0以上。引入哑变量能适当的提高模型的精度,可以用来描述北京地区油松林分在不同措施下的生长变化规律,也解决了不同类型林分合并建模不相容的问题。     

顾及变量相关性的主成分分析法在森林蓄积量估测中的应用

为探究Landsat8 OLI反演蓄积量的潜力,研究不同特征选择方法对蓄积量反演精度及不同蓄积量反演模型对反演精度的影响。以湖南省怀化市排牙山国有林场作为研究区,森林资源二类调查数据作为样地地面实测数据,选用Landsat8 OLI作为遥感数据源,将传统的Pearson相关系数法及主成分分析法2种方法结合,得到一种顾及变量相关性的主成分分析法（PCA-P）对遥感变量进行降维。使用3种变量选择方法构建了随机森林（RF）、K最近邻（KNN）、支持向量机（SVR）、多元线性回归（MLR）模型进行森林蓄积量的估测,使用决定系数（R²）、均方根误差(R_MSE)、相对均方根误差(R_RMSE)对蓄积量估测模型进行精度评价。结果表明：通过Pearson相关系数结合方差膨胀因子得到I_B2、I_ND25、I_MSR3个遥感变量,其与蓄积量相关性分别为0.716、0.623、0.597。使用主成分分析法得到前3个主成分,累计贡献率为93.42%。通过PCA-P得到前2个主成分,累计...     

基于无人机多光谱影像的云南松林蓄积量估测模型

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息,在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源,探索森林蓄积量的遥感估测模型,以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinus yunnanensis纯林为研究对象,利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等,计算各特征变量的标准地均值;筛选与云南松林蓄积量相关性显著的特征变量,采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型,以决定系数(R²)、平均绝对误差(E_MA)、均方根误差(E₍RMS()、平均相对误差(E_MR)评价模型精度。【结果】(1) 3种模型中,随机森林的精度最高(R²=0.89,E_MA=4.69m³·hm^-2, E_RMS=5.45m³·hm^-2, E_MR     

基于RapidEye的人工林生物量遥感反演模型性能对比

利用2012年RapidEye高空间分辨率遥感影像并结合野外样方数据,采用多种建模技术进行生物量的反演和制图。先依据RapidEye光谱数据发展出包括NDVI、RVI等多种植被指数、光谱特征图像及纹理特征,再通过相关分析筛选建模所需因变量,采用支持向量机、BP神经网络和随机森林算法建立森林生物量估测模型并进行精度验证。结果表明,基于支持向量机的建模R²为0.687,验证R²为0.641,平均相对误差为0.306;基于BP神经网的建模R²为0.552,验证R²为0.358,平均相对误差为0.525;基于随机森林的建模R²为0.850,验证R²为0.324,平均相对误差为0.468。采用支持向量机算法所制作的空间意义明确的森林生物量分布图,为制定合理的森林经营措施提供有益指导。     

基于机载激光雷达数据的天山云杉林蓄积量反演模型构建

构建多变量的天山云杉林Schumacher蓄积收获模型,提高林分蓄积量反演精度,获得便捷、快速提取森林蓄积信息的技术方法,为探索山地天然林精准监测与评价提供技术途径。以2020年激光雷达影像与样地实测数据为研究材料,在激光雷达影像图中提取遥感因子,代入Schumacher蓄积收获模型中,通过再参数化来构建适用于天山云杉林的可变密度收获预估模型,并进行精度检验。结果表明,激光雷达影像分辨率较高,进行点云数据处理后,树高提取精度为89.64%,每公顷株数提取精度为85.13%,坡度提取精度为84.26%,坡向提取精度为84.26%,海拔提取精度为97.25%。结合Schumacher蓄积收获模型构建天山云杉蓄积量反演模型,R²=0.80,将检验数据代入模型中,估测蓄积量与实测蓄积量平均精度为90.22%,模型的拟合度较好。研究将立地因子、林分密度、林龄等变量引入Schumacher蓄积收获模型,对于天山云杉的蓄积估测精度有较大提高,优于以往经验模型,满足新疆山地天然林数字经营管理的标准。     

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。     

基于地形与竞争因子的青冈栎次生林树高哑变量模型研究

考虑不同地形和林木竞争对青冈栎树高与胸径关系的影响，构建青冈栎树高与胸径的哑变量模型，为青冈栎次生林的树高预测和可持续经营提供理论依据。以16个青冈栎次生林固定样地为研究对象，通过确定系数（R²）、赤池信息量准则（AIC）、均方根误差（RMSE）和平均预估误差（MPE）4个评价指标，从11个基础模型中筛选出最优的基础模型。利用F统计检验分析了不同坡向和坡度对青冈栎树高与胸径关系的影响，同时对Hegyi简单竞争指标进行了改进。基于坡向、坡度和竞争强度3个哑变量，构建青冈栎树高与胸径的哑变量模型。结果表明，对数模型M2为最优基础模型，其确定系数（R²=0.686）最大，均方根误差（RMSE=1.380）和平均预估误差（MPE=1.242）最小；不同坡向和坡度下，模型的F统计值均大于F临界值；Hegyi改进指标与树高、胸径的相关系数达到-0.452、-0.418，相比Hegyi简单竞争指标有明显提高；基础模型中引入坡向、坡度和竞争强度哑变量后，模型的拟合精度均显著提高，R²提高了0.035，RMSE减少了0.077，MPE减少了0.070%。从林木的水平和垂直空间上构建青冈栎林木竞争指标更加准确，坡向、坡度和林木竞争对青冈栎树高与胸径关系存在显著影响。综合考虑地形与林木竞争的哑变量模型拟合精度更高，能为青冈栎树高生长的预测提供参考。     

遥感区域大小对森林蓄积估测影响规律的研究

该文将 1幅TM遥感图像分别分成 1 4及 1 2幅 ,通过实例分析了 1 4,1 2及整幅TM图像所能达到的几何精校正精度 .然后 ,以样地对应的遥感和GIS信息为影响森林蓄积估测的变量 ,采用最小二乘原理及岭迹分析 ,研究了上述 3种不同面积幅值图像对应林区影响森林蓄积估测的主要变量 .由 3种不同面积遥感区域蓄积估测方程中所含变量的个数、种类及预报精度 ,详细分析了遥感区域大小对蓄积估测的影响规律     

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。     

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。     

森林蓄积定量估测的岭估计参数

为克服影响森林蓄积估测的遥感和GIS因子间可能存在多重相关性的影响，采用岭估计建立森林蓄积估测方程。主要研究内容包括采用岭估计的条件、各种岭参数计算方法的比较、最优岭参数计算方法的选择及软件实现。通过实例计算，比较了当在影响蓄积估测的遥感和GIS因子间存在多重相关性时，岭参数的选择及岭估计和最小二乘估计的优劣。     

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。     

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。     

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。      

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。