共查询到20条相似文献,搜索用时 15 毫秒
1.
采用印度遥感卫星数据,以云南省高黎贡山自然保护区阔叶林为主要研究对象,设置可能影响森林蓄积量估测的遥感信息因子和可通过GIS获取的因子为自变量,通过逐步回归分析的方法建立了研究区域阔叶林蓄积量估测模型.结合小班面积估测值,计算了各小班相应的蓄积量. 相似文献
2.
传统的森林资源调查是一项周期长、任务重、劳动强度大,需大量经费的工作。随着遥感技术广泛应用于森林资源调查工作,特别是森林蓄积量的遥感估测,将比传统方法省时、省力,节约经费。目前,利用遥感进行森林蓄积量的估测研究已取得了一系列重要进展,文章则简要综述了国内外在光学遥感和微波遥感范围内的森林蓄积量遥感估测方面的研究进展,认为利用遥感技术进行森林生物量估测对于了解和监测全球生态系统对气候变化和人类活动的反应具有重要的意义。 相似文献
3.
4.
为了快速有效获取《综合开发利用项目》项目区的森林蓄积量,利用SPOT5和Rapid Eye高分辨率遥感影像,结合野外实地调查数据,采用最小二乘回归方法构建森林蓄积量遥感估测模型,估算柬埔寨王国上丁省特许地2012年的森林蓄积量。结果表明:1利用预留独立样本对模型进行精度验证,不分类型的模型的总体预测精度可达到99.37%,分类型的模型的总体预测精度分别可达到99.57%、97.30%、99.41%、96.84%、76.25%;2不分类型建模反演得到2012年研究区的森林总蓄积量为33197465.008 m3,各类型的森林蓄积量分别为16660360.382、7124988.801、5716238.005、4016470.930、186695.185 m3。结果表明利用高分辨率遥感影像快速估测区域森林蓄积量的可行性,也为合理规划和开发利用特许地的森林资源提供参考。 相似文献
5.
为提高森林蓄积量的估测精度,选择多重相关性小的遥感因子组合,运用残差平方和法,对湖南省新化县曹家镇20个一类调查样地对应的SPOT5影像的9个遥感因子组合进行了多重相关性研究。结果表明:除遥感因子FSP2外,其余因子对森林蓄积量的估测都有重要作用。通过方差扩大因子对各遥感因子的多重相关性诊断表明:剔除FSP2后,各遥感因子间的多重相关性大幅减小。 相似文献
6.
7.
8.
9.
10.
11.
为 了探索 sentinel-2遥感数据在估测森林蓄积量中的适用性,以及开发一种提高蓄积量估测精度的集成学习算 法,选择江西省兴国县为研究区 , 以 sentinel-2为遥感数据源,利用 Boruta 算法进行特征选择后开发了 一种 stacking 集成 学习模型,并且与 MLR、KNN、sVR和 RF 四种基础模型进行对比。 结果表明,相比于 MLR模型,机器学习模型具有更强 的蓄积量估测能力,利用机器学习模型估计森林蓄积量的 RMsE 降低 了 18. 02~22. 50 m3 ● hm- 2 , rRMsE 降低 了 9. 01%~11. 25%。 并且相比于基础模型,利用 stacking 算法将 4 种模型进行集成后,模型的均方根误差进一步降低 了11. 95~7. 47m3 ● hm-2 ,说明 stacking集成学习算法可以有效的提高森林蓄积量的估测性能。 相似文献
12.
13.
14.
15.
运用数量化方法估测普洱县森林蓄积量 总被引:7,自引:0,他引:7
根据普洱县森林遥感调查资料 ,利用卫星影像特征判读数据与地面实测数据建立数学类型 ,估测森林蓄积量。首先将 2 0 0块有、疏林地数据输入数据本中 ,然后分析其与优势树种、龄组、郁闭度、海拔、坡向、坡度的关系 ,结果把样地分为针叶林、阔叶林、针阔混交林三个类型分别建立数学模型 ,以估测每公顷蓄积量。数学模型的建立是根据数量化模型的原理来编程 ,并通过计算机的不断调试 ,直到可行为止。蓄积量比较精度达到 90 3%。 相似文献
16.
基于3S技术的山东省森林蓄积量估测 总被引:3,自引:0,他引:3
借助SPSS统计软件和ERDAS IMAGINE9.0/ArcGIS9.2的建模及空间分析工具,采用TM影像和1∶100 000地形图作为数据源,从TM影像提取野外GPS采样点缓冲区内6个波段的灰度值及其线性和非线性组合等遥感因子,从地形图提取海拔、坡度、坡向等GIS因子,以各遥感因子和GIS因子作为自变量,以GPS野外调查样点缓冲区内的蓄积量作为因变量建立多元线性回归模型.样本数据筛选采用标准差法,因子变量筛选采用主成分因子分析法、多元线性回归的逐步回归和强行进入法等方法,建立的多元回归模型预测总体精度达到87.35%.用2006年山东省TM影像提取的有林地掩膜模型中各因子变量灰度图,得到各因子变量的掩膜图层.将各因子变量的掩膜图层代入多元回归模型进行复合运算,得到有林地蓄积量灰度图像.经蓄积量灰度图像属性表统计得到山东省的有林地总蓄积量为6 203.53万m3,为快速、准确地对大面积的森林蓄积量估测提供一种有效的途径和方法. 相似文献
17.
本次试验以湖南省湘潭县为研究区,提取Landsat8 OLI影像数据的56个遥感因子作为候选因子,结合皮尔逊相关系数和主成分分析两种方法对变量进行降维,构建多元线性回归模型(MLR)、误差反向传播神经网络(BP-ANN)、K最近邻模型(KNN)和随机森林模型(RF)进行蓄积量反演,并采用决定系数(R2)、均方根误差(R... 相似文献
18.
针对传统森林资源二类调查方法周期长且费时费力,难以满足新形势下森林资源动态监测需求的问题,以南京市六合区内3个林场为研究区,利用平均点密度1点/m2的激光雷达数据提取特征变量,结合二类调查数据,使用SMLR与Boruta两种算法进行因子筛选,对比SMLR,SVM与RF这3种建模方法,估测森林蓄积量。结果表明:1)高度因子是影响森林蓄积量的主要特征参数;2)SVM和RF这算法在模型拟合与验证精度方面均表现较优,SVM算法在混交林方面表现略逊色于RF这算法,SMLR方法表现不佳。结果表明,利用激光雷达提取因子与森林蓄积量进行建模有较好的结果,稀疏性机载激光雷达对森林资源调查有较好的适用性,为今后森林资源调查提供了新的思路。 相似文献
19.
以香格里拉县高山松为研究对象,利用2006年香格里拉县TM遥感影像、2006年森林资源二类调查小班数据、2009年精度为30 m 的DEM数据以及2013年香格里拉县高山松实测样地数据,提取研究区内高山松林影像分布图及筛选出17个因子(13个遥感因子、3个地形因子、1个地面调查因子)作为备选自变量,在MAT-LAB下利用LIBSVM模块建立研究区高山松林蓄积量单位面积(30 m ×30 m)估测模型。结果表明,选用RBF核函数在参数范围内寻找出SVM模型的最佳参数C=3.5809, g=0.1、 p=0.01,利用最佳寻优参数建立SVM非参数模型,对SVM模型进行测试得到,均方根误差MSE=0.0087,复相关系数R=0.51,相对误差RE=23.4%,估测精度为76.6%。以像元为单位,分块提取高山松林对应的各像元自变量因子,利用估测模型预测得到香格里拉县高山松林总蓄积量为13318476.5 m3。 相似文献
20.
森林蓄积量受遥感因子与地形因子的影响,但这些因子间存在多重相关性,会影响模型稳定性与精度。针对森林蓄积量遥感估测自变量间存在多重共线性问题,采用异于传统最小二乘的偏最小二乘方法建立密云县森林蓄积量遥感估测模型。先对可能影响蓄积量的因子进行分析,选取既存在相关性又对模型显著性有影响的因子为森林蓄积量估测的自变量。用预留的样本对模型进行检验,预测值与实测值相比精度达到90.1%。将通过检验的模型对整个密云县进行反演,得到密云县估测森林蓄积量为2 447 695.203 m3。 相似文献