基于GF-1的森林蓄积量遥感估测

森林蓄积量是评价森林资源数量的一个重要指标。结合遥感影像和地面调查数据估测森林蓄积量受遥感影像、遥感因子、预处理方法、估测方法等多方面的影响。为研究国产GF-1遥感影像估测森林蓄积量的最佳遥感因子组合方式和较优估测方法,并绘制森林蓄积量空间分布图,为我国森林蓄积量的研究提供理论基础和科学依据。为研究GF-1遥感影像估测森林蓄积量的遥感因子和估测方法,以湖南省醴陵市为研究对象,以国产GF-1遥感影像为数据源,通过对遥感图像预处理,获取光谱信息、纹理因子、植被指数作为特征变量,结合同时期的二类调查样地数据,从GF-1遥感影像像元与样地不匹配角度出发,应用移动窗口的方法解决像元与样地的对应关系,采用多元逐步回归、偏最小二乘回归和随机森林模型对研究区森林蓄积量进行估测,采用建模精度和估测精度进行分析评价。实验结果表明:1)3个模型选择的因子都包含了NDVI、 Band2、DI3、CO1和DVI等5个遥感因子,说明其对森林蓄积量的估测比较敏感;2)随机森林模型优于偏最小二乘回归和多元逐步回归,其决定系数R2为0.73、估测精度为83.69%。利用GF-1遥感影像结合随机森林模型应用于森林蓄积量的估测结果趋于真实分布,效果较理想;采用移动窗口法,利用国产GF-1遥感影像并结合随机森林进行森林蓄积量估测具有较好的应用前景。     

基于Sentinel-1A雷达影像的思茅松林蓄积量估测

探讨C波段雷达影像估测森林蓄积量的应用潜力,建立思茅松林蓄积量遥感估测模型,为利用遥感技术快速、准确、大面积的估测森林蓄积量提供参考。以云南省普洱市思茅区思茅松林为研究对象,采用C波段双极化合成孔径雷达Sentinel-1A影像为数据源,提取影像不同极化方式下的后向散射系数,并分别计算4个窗口(5×5、7×7、9×9、11×11)下的9种纹理特征,共计提取75维影像特征作为备选自变量,结合45块地面蓄积量调查样地,采用随机森林算法,进行建模因子重要性分析,选择最优特征,即选取VH极化方式、5×5窗口下VH极化方式的均值和异质性、7×7和9×9窗口下VH极化方式的最大概率、11×11窗口下VH极化方式的最大概率和协同性,共7个特征因子,建立随机森林蓄积量估测模型,R~2达到0.64,RMSE为30.35m~3/hm~2,模型的估测精度达到75.46%,森林蓄积量估测效果较好。研究表明,基于C波段双极化雷达影像提取纹理特征,利用随机森林算法进行特征选择,建立的森林蓄积量估测模型具有一定的可行性和推广性。     

基于3S技术和SPSS软件的香格里拉市森林蓄积量估测探析

以香格里拉市的森林作为研究对象,森林资源规划设计调查角规控制样地蓄积量为实测数据参照,美国Landsat8卫星遥感图像为矢量数据来源,通过对遥感图像进行处理,获取了多光谱影像的波段光谱值,运用SPSS软件以组合植被指数(DVI、RVI、ARVI)、归一化植被指数(NDVI)、多波段线性组合指数(VIS123)为自变量,建立了蓄积量估测模型,探索了将纹理特征应用到森林蓄积量估测提供新的途径和方法。从结果与验证可以看出:利用Landsat8全色波段的纹理特征建模进行蓄积量估测是可行的,能够达到对蓄积量估测的精度要求,具有良好的应用前景。     

运用数量化方法估测普洱县森林蓄积量

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%。     

基于ALOS数据的云南松林蓄积量遥感估测方法

基于ALOS数据和样地实测数据为数据源,云南省宜良县为研究区,以提高森林蓄积量遥感估测模型精度为目的,从遥感、GIS、郁闭度等方面选取与森林蓄积量相关性较高的因子作为自变量。采用逐步回归法、主成分分析法、偏最小二乘法3种模型估测宜良县的云南松林蓄积量。从3种模型的拟合效果和估测精度比较结果表明:偏最小二乘法精度最高,调整决定系数为0.754,预测精度为82.77%,与主成分分析等传统线性估测模型相比精度有较大改善。     

景谷县森林蓄积量遥感估测及其动态变化分析

以云南省景谷县为研究区,基于Landsat5和Landsat8遥感数据,利用2012年和2017年两期全国森林资源连续清查实地调查数据,建立多元逐步回归和随机森林模型对景谷县森林蓄积量进行遥感估测对比研究。结果显示:综合建模精度来看,随机森林法在相同样地数量条件下具有更好的估测效果;从估测结果与林地保护利用规划和林地变更数据结果相比较,随机森林法估测值接近真实值,估测精度较高。     

基于多尺度遥感影像纹理特征的森林蓄积量反演

以国产"高分一号"卫星(以下简称GF-1)获取的遥感影像数据与少量研究区样地数据为数据源,构建以光谱信息与多尺度纹理特征为特征变量的森林蓄积量反演模型,探讨不同尺度下提取的纹理特征对森林蓄积量估测模型准确度的影响,通过对特征变量的优选,寻求一种提高森林蓄积量反演模型的准确度的方法。首先,对覆盖研究区域的GF-1遥感影像进行重采样,得到覆盖研究区域的不同分辨率的影像序列,基于不同窗口大小的灰度共生矩阵提取影像序列的纹理特征,与遥感影像光谱信息共同作为特征变量;然后,使用随机森林(random forest,RF)算法构建森林蓄积量反演模型,对研究区域的森林蓄积量进行估测,分析不同特征变量与窗口大小对森林蓄积量反演模型准确度的影响;最后,通过比较特征变量重要性,确定森林蓄积量反演模型的最佳特征变量与窗口大小选择,对研究区进行森林蓄积量反演,得到研究区域的森林蓄积量分布图。当使用从8m分辨率遥感影像提取的纹理特征与光谱信息作为特征变量时,森林蓄积量反演模型准确度明显优于使用其他特征变量。其中,当灰度共生矩阵窗口大小设置为9×9时,森林蓄积量反演模型准确度最高,为R~2=0.70,RMSE=6.317。在根据重要性对从多尺度遥感影像提取的纹理特征进行选择后,所构建的森林蓄积量反演模型的准确度为R~2=0.74,RMSE=6.439。使用较高分辨率遥感影像提取的纹理特征作为特征变量,可以有效的提升森林蓄积量反演模型的准确度。将基于不同分辨率遥感影像提取到的纹理特征作为特征变量,其模型准确度优于使用单一分辨率遥感影像所提取的纹理特征。     

估测森林蓄积量的遥感因子选择研究

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。     

森林蓄积量遥感估测研究的现状及展望

论述了森林蓄积量遥感估测的研究现状,介绍了森林蓄积量遥感估测已经取得的进展,以及近年出现的新的蓄积量遥感估测方法。随着改进型的神经网络模型的优化,人工神经网络模型在森林蓄积定量估测领域应用的研究将会是森林蓄积量遥感定量估测的发展趋势。     

基于RS的闽江流域马尾松林分蓄积量估测模型研究

从福建省第5次森林资源一类调查落在闽江流域的样地中抽取马尾松林样地130个,以RS可提取因子及样地林分立地条件因子为可选变量,利用3倍标准差法进行异常数据的筛选,对林分立地条件定性因子进行数量化处理,通过逐步回归构建闽江流域马尾松林分蓄积量估测模型,研究结果所构建的蓄积量估测模型的相关系数为0.735。经模外抽取30个样地对估测模型适用性检验和精度验证表明,在可靠性α=0.01条件下模型估测值与外业实测值无显著差异,模型的林分蓄积量估测精度达85.03%,为此,本研究的蓄积量估测模型对森林经营管理具有现实意义。     

基于Sentinel-1A和Landsat 8数据的区域森林生物量反演

【目的】结合主被动遥感数据,为基于不同遥感数据源、建模算法的亚热带森林生物量建模分析提供新思路。【方法】以湖南省郴州市桂东县2014年Landsat 8 OLI影像、2014年Sentine-1A影像、2014年43块森林资源连续清查固定样地数据为主要信息源,借助于ENVI、SNAP、R等软件,分别采用主动式遥感(Sentinel-1A数据)、被动式遥感(Landsat 8 OLI数据)、主被动相结合(Sentinel-1A数据结合Landsat 8 OLI数据)3种数据集和多元线性回归、随机森林、人工神经网络、袋装算法等4种模型,进行区域森林地上生物量特征变量选取、参数建模、模型精度评价、生物量空间制图。【结果】1)在特征变量选择上,红波段(B4)、红外波段(B5)反射率及纹理特征,归一化植被指数(NDVI),交叉极化(VH)后向散射系数及其纹理特征,在森林生物量反演中具有重要作用;2)4种遥感估测模型精度比较分析表明,无论是单一数据源还是二者结合,随机森林算法预测精度最高,人工神经网络、袋装算法次之,多元线性回归最低;3)3种不同数据源的遥感估测综合精度,按照由高到低的顺序排列,主被动结合被动式遥感主动式遥感;4)桂东县森林生物量平均值为53.68 t/hm2,生物量高( 90 t/hm2)的林分面积比例只有16.03%,主要分布在海拔较高、坡度较陡的东南、西南部。【结论】Sentinel-1A和Landsat 8数据的结合在估测森林生物量方面具有重要作用。     

基于RS和GIS的林分蓄积预估模型研究

以松溪林业建设投资公司旧县项目林场212个小班为样地资料,从样地对应的遥感和GIS信息中筛选出影响蓄积估测的主要因子信息,构建林分蓄积量预估模型,以达到以少量的地面样地来估测林分蓄积的目的.通过精度验证和可行性分析,结果表明所建立的林分蓄积量预估模型估算结果与小班临时样地调查结果无显著差异,预估结果精度较高,可应用于区域林分蓄积量的估算.     

森林蓄积量定量遥感估测模型研究

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.     

利用遥感数据估测森林蓄积量

以吉林省柳河县为研究区,以Landsat-5 TM遥感影像为基础数据,提取相关因子,建立柳河县森林蓄积量遥感估测模型,经过精度检验,模型的预测精度达到82.36%。利用模型进行森林蓄积量反演,得出该县森林蓄积量为1 226×104m3,实际精度为80.00%。利用遥感技术进行森林蓄积量估测是可行的。     

基于无人机LiDAR特征变量的南方集体林区蓄积量估测

基于广西壮族自治区森林资源年度监测评价成果数据,采用逐步回归选择机载激光雷达特征变量,建立多元线性回归、Logistic回归和随机森林模型,预测南方集体林区桉树、杉木和天然阔叶林样地的蓄积量。结果表明:1)桉树和杉木样地的逐步回归特征变量多为高度和强度变量,而天然阔叶林样地则是间隙率、覆盖度、叶面积指数等综合变量;2)桉树和天然阔叶林样地,随机森林模型的蓄积量估测精度(桉树R~2=0.97,RMSE=12.60m~3/hm~2;天然阔叶林:R~2=0.90,RMSE=18.45m~3/hm~2)高于多元线性回归和Logistic回归模型,而杉木样地在多元线性回归模型中得到了最优的蓄积量估测结果(R~2=0.91,RMSE=24.30m~3/hm~2);3)在3种模型估测精度中,人工桉树和杉木样地均优于天然阔叶林样地。可见,高密度的激光雷达点云可以获取更优的特征变量,针对复杂的样地条件需要灵活选择估测模型实现蓄积量调查,以便为林草部门进行森林资源调查、监测和经营管理提供科学依据。     

基于国产高分数据的森林蓄积量反演研究

以内蒙古旺业甸林场为研究区,结合地面调查,对高分二号遥感数据进行预处理,并提取光谱信息、植被指数及纹理信息等48个遥感因子,采用Pearson相关系数法筛选出8个因子进行建模。采用多元线性回归、多层感知机、K-近邻、支持向量机、随机森林模型估测森林蓄积量,得到研究区内森林蓄积量反演图。结果表明:1)高分二号影像提取的遥感因子中,基于二阶矩阵的纹理特征均值(Mean)与森林蓄积量的相关性较高;2)随机森林相对于多元线性、多层感知机、K-近邻、支持向量机等方法具有更好的森林蓄积量估测精度,其相对均方根误差(rRMSE)为25.40%;3)研究区内森林蓄积量高的地区主要分布在西部和东南部;森林蓄积量低的地区主要分布在西北部、中部及北部,与实际调查情况一致。国产高分二号影像利用随机森林算法在森林蓄积量反演方面具有一定的潜力。     

热带原始森林类型分类和蓄积量遥感反演研究

森林生态系统蓄积量的空间分布及反演研究对碳储量估测、生物多样性保护以及全球气候变化研究起着至关重要的作用,然而,由于森林植被类型的多样性,尤其是对人力所不能及的热带原始林区,森林调查数据缺失,森林蓄积量的估测和反演存在巨大挑战。以巴布亚新几内亚西塞皮克省18.80万hm~2的热带原始雨林区为研究区,利用高分遥感影像RapidEye,QuickBird与Landsat TM,结合野外地面调查数据,对研究区土地覆盖类型进行分类。基于遥感影像得到森林植被参数信息,提取各波段地表反射率、各种植被指数和其他光谱变换形式等遥感因子,利用多元线性逐步回归构建森林蓄积量遥感反演模型,估算研究区森林蓄积量,并结合GIS技术分析其小班尺度上的空间分布特征。结果显示:1)研究区土地覆盖类型可以分为低海拔平原森林、低海拔高地森林、低山森林、稀疏森林、沼泽森林和其它类型共6种,分类精度达79.2%;2)蓄积量遥感反演模型的多元回归模型R~2为0.694,对森林蓄积量有较好的反演精度;3)研究区森林蓄积量的分布特点表现为中部高于周边、北部和中东部山区明显高于西北和东南地区,其与研究区的土地覆盖类型分布相对应。构建的森林蓄积量反演模型对全球热带原始林区的森林资源蓄积量估测具有重要的参考价值。     

森林蓄积量遥感估测的研究进展

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。     

基于ANN的森林蓄积遥感估测研究

利用TM遥感图像光谱信息良好的综合性和现势性以及地理信息系统(GIS)强大的空间分析功能,结合人工神经网络(ANN)可优化求解非线性复杂系统的功能,对海南省抱龙林场森林蓄积进行遥感估测研究。结果表明:ANN可有效地估测森林蓄积量,研究区森林蓄积量的预测值与实际值的一致性较好,其相关系数达0.914;以遥感特征纹理(Skewness)Band2对蓄积估测的贡献率最大。     

基于Boruta和极端随机树方法的森林蓄积量估测

森林蓄积量是反映森林资源数量的重要指标之一。本研究应用Boruta特征选择方法和极端随机树(Extremely randomized trees,Extra-trees)方法,以小班为研究单元,估测龙泉市部分区域森林资源的每公顷蓄积量,为县域尺度森林蓄积量的估测提供新的方法和思路。基于研究区的森林资源二类调查数据、高分二号(GF-2)遥感影像数据、数字高程模型数据,提取多元特征组成原始特征集。通过Boruta选择方法对原始特征集进行筛选,利用Extra-trees方法建立森林蓄积量估测模型,选用十折交叉验证法对模型进行检验,并与随机森林(Random Forest,RF)方法和梯度提升(Gradient Boosting)方法进行对比分析。研究结果显示:1)经过Boruta特征选择方法得出的特征有土层厚度、年龄、郁闭度、海拔、坡度和坡向;2)极端随机树方法采用网格搜索调参得到的最优参数组合为:树的个数为250,树的最大深度为14;3)基于Boruta和极端随机树方法的森林蓄积量估测模型的测试精度为84.14%,R~2为0.92,RMSE为19.65m~3/hm~2,MAE为13.95m~3/hm~2,模型优于随机森林方法和梯度提升方法,表明Boruta特征选择方法结合极端随机树方法估测森林蓄积量可取得更好的效果。