结合Landsat 8与PALSAR-2影像的龙南县针叶林蓄积量遥感估测研究

林分蓄积量估测是林业遥感的重要研究领域,由于云雾天气和光谱饱和现象等因素限制了光学遥感影像估测林分蓄积量的精度。合成孔径雷达(SAR)具有穿透性强、受云雾影响小等特点,弥补了光学遥感的不足。以江西省龙南县的针叶林为研究对象,结合Landsat 8与PALSAR-2双极化SAR影像数据,在遥感数据预处理基础上,提取了光谱信息、植被指数、纹理信息和后向散射系数等共245个遥感因子。基于Pearson相关系数法和多元逐步回归法,筛选出65个遥感因子参与林分蓄积量估测。以林分郁闭度作为分层因子,分别采用线性、KNN、支持向量机(SVM)、多重感知机(MLP)和随机森林(RF)5种模型估测林分蓄积量,并对估测结果进行精度检验。实验结果表明:1)相比单独使用Landsat 8的光谱和纹理信息,基于郁闭度分级并融合PALSAR-2的后向散射信息明显提高了蓄积量的反演精度;2)对于低郁闭度林分,线性模型精度最高(rRMSE=21.16%),中郁闭度林分,多重感知机模型估测效果最好(rRMSE=30.61%),高郁闭度林分,多重感知机模型估测效果最好(rRMSE=27.53%)。在结合PALSAR-2的后向散射系数的基础上,郁闭度分层能有效改善中高蓄积量区域的反演精度。     

基于遥感技术的宜良县云南松蓄积量反演

以云南省宜良森林二类调查数据为样本,基于Google Earth Engine云平台Landsat 8 OLI影像,结合植被因子、纹理特征以及K-T变化为自变量,构建了多元线性回归和随机森林的建模方法,建立了森林蓄积量反演模型。以宜良县云南松为研究对象,运用Landsat8 OLI遥感影像数据结合地面角规控制样地调查数据,建立了多元线性回归和随机森林估测模型。结果表明:多元线性回归模型精度一般,其R²和RMSE分别为0.259、34.5579,随机森林模型精度极高,其R²和RMSE分别为0.887、1.1954。运用Landsat 8 OLI影像数据进行森林地上蓄积量估测的不确定因素较多,随机森林估测模型可作为云南松及其他树种地上蓄积量遥感估测的一种对比方法,为今后森林蓄积量估测提供参考。     

基于高分2号遥感数据估测中亚热带天然林木本植物物种多样性

【目的】探索高分2号遥感数据与中亚热带天然林木本植物物种Shannon-Wiener多样性指数、Simpson多样性指数和Pielou均匀性指数之间的关系,为森林经营管理和保护策略提供参考。【方法】提取高分2号多光谱数据的原始波段、植被指数、纹理特征和全色波段纹理特征,使用随机森林算法筛选变量并对3种多样性指数进行建模,设置不同纹理提取窗口来寻找最优窗口。【结果】基于随机森林算法的RFE冗余变量去除方法可从众多遥感变量中快速选择对模型精度具有显著贡献的少量变量。多光谱数据3×3窗口纹理特征、全色数据7×7窗口纹理特征和植被指数结合的特征集对3种多样性指数具有较好估测结果,其决定系数(R~2)和均方根误差(RMSE)分别为0.47和0.300(Shannon-Wiener多样性指数)、0.53和0.042 (Simpson多样性指数)、0.61和0.051 (Pielou均匀性指数)。植被指数中类胡萝卜素反射率指数与3种多样性指数具有显著相关关系。【结论】高分2号遥感数据中的植被指数和纹理特征可有效估测研究区森林木本植物物种多样性。类胡萝卜素反射率指数可体现森林中类胡萝卜素相对于叶绿素的含量,在秋冬季节作为反映常绿树种和落叶树种分布的指数,对森林木本植物物种多样性估测具有最大贡献。使用星载遥感数据预测的多样性和均匀性指数分布可有效监测森林木本植物物种多样性变化。     

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。     

纹理特征对森林蓄积量反演模型的影响

【目的】蓄积量是反映森林资源质量的重要指标,传统人工蓄积量调查方式费时耗力。遥感技术在林业中的应用能有效地弥补人工调查的缺陷,采用遥感技术进行森林蓄积量的反演是区域范围内蓄积量估测的一种重要手段。现有的遥感蓄积量估测方法中,对于纹理特征因子的选取没有得到足够的重视。随着高分辨遥感影像的不断涌现,影像纹理特征越来越明显,将纹理特征引入到森林蓄积量估测模型当中,是一个很好的尝试。但纹理特征是否有利于森林蓄积量的估测,以及如何影响森林蓄积量的估测,目前并不清楚。【方法】利用国产GF-1号为数据源,在数据预处理基础上,采用不同窗口大小提取的纹理信息,以及对纹理因子进行改进,研究其对于森林蓄积量反演模型精度的影响。【结果】1)改进纹理特征能有效提高蓄积量反演模型的精度。通过计算出遥感影像纹理均值改进指数、波段纹理均值改进植被指数和均值改进植被指数,结合地理因子,采用多元逐步回归方法构建森林蓄积量反演模型,结果精度有较大改善。2)纹理窗口大小为9×9时,森林蓄积量反演模型精度最高。提取3×3、5×5、7×7、9×9、11×11这5种窗口大小的纹理特征参数,分别构建森林蓄积量估测模型,并进行不同窗口下蓄积量反演精度进行检验。当窗口大小为9×9时模型效果最好,R2最大,达到0.652,RMSE值最小(25.354 5 m3/hm2),说明此时的窗口大小是最优模型窗口。【结论】当窗口为9×9时模型效果最好,此时的窗口大小是最优模型窗口。但是对于不同研究区在同一数据源下使用9×9窗口模型并不一定效果是最好的,纹理因子在建模中仍需根据研究区实际情况进行使用。     

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。     

基于多源遥感的森林地上生物量KNN-FIFS估测

【目的】针对多源遥感数据及其派生特征因子数据维度高、信息冗余、易造成估测模型过拟合等问题,从高维度遥感特征因子中高效优化特征组合,优化区域森林地上生物量(AGB)的k最近邻(k-NN)估测模型。【方法】提出基于快速迭代特征选择的k最近邻法(KNN-FIFS),以森林资源样地调查数据计算的森林AGB为参考,以留一法交叉验证(LOO)相应的k-NN模型反演的森林AGB均方根误差(RMSE)最小为原则,依次迭代选取遥感特征,优化区域森林AGB的k-NN估测模型。以大兴安岭根河森林保护区为研究区,结合Landsat-8 OLI各波段光谱信息、植被指数、纹理、地形因子、机载合成孔径雷达(SAR)P-波段HV极化后向散射强度信息(PHV)以及森林资源样地调查数据,利用KNN-FIFS方法估测研究区森林AGB,并与多元线性逐步回归法(SMLR)进行对比分析。【结果】利用KNN-FIFS方法,得到当k为3,特征组合为PHV、短波红外波段一均一性(H6)、短波红外波段一二阶矩(S6)、短波红外波段二二阶矩(S7)、海蓝波段相关性(Cr1)、近红外波段相关性(Cr5)、海蓝波段相异性(D1)、增强型植被指数(EVI)时,研究区森林AGB估测结果最优,其精度(R~2=0.77,RMSE=22.74 t·hm~(-2))显著优于SMLR估测精度(R~2=0.53,RMSE=32.37 t·hm~(-2))。【结论】KNN-FIFS方法相比SMLR更适用于森林AGB多源遥感估测;KNN-FIFS方法可以从高维度遥感特征因子中高效选取相关特征进行森林AGB估测。     

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。     

结合地统计学与Landsat 8影像的乔木林地上碳储量估算

【目的】探究Landsat 8多光谱影像结合地统计学方法估算乔木林地上碳储量的可行性和适用性,为应用Landsat 8多光谱影像结合地统计学方法估算区域森林参数提供参考。【方法】以浙江省内的一景Landsat 8多光谱影像覆盖的范围为研究区,以乔木林地上碳储量为研究对象。通过外业调查获取专项调查数据,并采用生物量转换因子和树种含碳率参数,计算得到乔木林地上碳储量数据。基于Landsat 8多光谱影像和DEM数据,提取植被指数、纹理特征、主成分变换因子、缨帽变换因子和地形因子,采用皮尔森相关系数法和方差膨胀因子法对这些因子进行优选,生成用于建模的自变量集。分别采用稳健估计和协同克里格插值法构建乔木林地上碳储量模型,并对所构建的模型精度进行对比分析。【结果】本实验所提取的因子经皮尔森相关系数法筛选后,得到22个自变量因子,经方差膨胀因子法优选后,共有7个自变量因子(比值植被指数、非线性植被指数、海拔、第2波段的平均值纹理、第4波段的相关性纹理、第7波段的平均值纹理、第7波段的方差纹理)用于建模。协同克里格插值法构建模型的决定系数(R2)为0.45、均方根误差(RMSE)为9.88 t·hm-2、平均绝对偏差(MAE)为7.75 t·hm-2、总预报偏差的相对误差(RE)为0.24%,其拟合精度优于稳健估计法(R2=0.42,RMSE=10.15t·hm-2,MAE=8.03 t·hm-2,RE=0.27%)。本文所采用的皮尔森相关系数法结合方差膨胀因子法可有效地考虑变量间的相关性及共线性问题,可以在一定程度上提高所构建模型的稳定性,所采用的协同克里格插值法考虑了变量的空间分布特征,与传统的统计模型相比具有较好的应用优势。【结论】本研究为应用Landsat 8多光谱影像结合协同克里格插值法快速估算森林碳储量及其他森林参数提供了新的途径。     

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。     

基于TM数据估测鞍山市不同林分蓄积量

文章以鞍山市2006年Landsat TM数据和ASTER DEM高程数据为数据源,在提取出波段1~5、7这6个波段后,通过波段运算、缨帽变换、主成分分析等方法获取差值植被指数、土壤调节植被指数、大气阻抗植被指数、垂直植被指数、归一化差值植被指数、比值植被指数等,以及亮度、绿度,前3个主成分等24个变量因子。基于这些变量因子和采样点数据,通过逐步回归模型选择最优模型并估测鞍山市不同林分蓄积量。鞍山市总蓄积量估测模型的相关系数R2是0.73,通过进行交叉验证,发现实测蓄积量和交叉估测值之间的相关系数R2是0.58。基于2007年的森林资源规划设计调查,从森林中提取出针叶林和阔叶林,分不同林分建立蓄积量估测模型;针叶林蓄积量、阔叶林蓄积量估测模型的相关系数R2分别是0.73和0.75。     

基于高分遥感数据的阿尔泰山乔木林地上生物量预测

为了在区域尺度上精准和便捷地估测森林生物量,以高分遥感数据和实地调查数据为基础,通过提取植被指数、纹理等遥感特征变量,并运用最近邻算法(k-NN)构建乔木林地上生物量预测模型。结果表明,运用k-NN进行区域尺度上乔木林生物量遥感定量估测,当k值为2,特征为B1(波段1)、SR(简单植被指数)、NDVI(归一化植被指数)、B4(波段4)时,研究区乔木林生物量估测结果最优。通过分析可知：乔木林生物量整体表现不高,地上生物量为803.90万t,单位面积生物量均值为82.15 t/hm²;乔木林主要龄组是成熟林时,其面积和生物量占比均最大;在海拔1 500～2 400 m范围,乔木林单位生物量较高。     

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。     

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。     

基于多源遥感数据的森林蓄积量估测研究——以北方孟家岗林场为例

以北方孟家岗林场的落叶松人工林为研究对象，引入遥感技术作为一种更高效、适用于大区域的遥感监测方法，利用Sentinel-1和Sentinel-2遥感数据，提取光谱特征、纹理特征、植被指数和后向散射系数等特征指标，基于Pearson相关系数和距离相关系数这两种特征选择方式，结合KNN、SVR和RF等3种机器学习模型，开展了6种人工林蓄积量估测方案的对比。研究表明：遥感数据源对模型的估测精度影响最大；以单一Sentinel-1数据作为来源的模型估测精度最低，而基于Sentinel-1和Sentinel-2综合数据的估测模型精度最高，其中RF回归模型结合DC特征重要性评价方案获得了最佳的蓄积量估测结果，R_RMSE和R²分别为22.94%和0.59。利用特征选择的方式结合多源遥感数据可以有效提升模型精度和泛化能力，得到更优的人工林蓄积量估测结果，为森林资源的保护、管理和可持续利用提供科学依据。     

基于高分二号的旺业甸林场蓄积量估测模型研究

【目的】为了探究国产高分二号(GF-2)影像在林分蓄积量估测中的潜力,并找到最佳的蓄积量估测模型。【方法】本次实验以内蒙古旺业甸林场为研究区,以高分二号卫星影像为信息源,结合2017年10月份调查的75块样地以及同时期的GF-2影像数据,提取波段特征、植被指数和纹理特征等43个遥感因子作为候选变量,利用Pearson相关系数选择出与蓄积量显著相关的6个变量,采用多元线性回归模型(MLR)、BP-神经网络模型(BP-ANN)、随机森林模型(RF)、支持向量机模型(SVM)和K邻近模型(KNN)进行蓄积量的估测。以决定系数(R^2)、均方根误差(RMSE)、相对均方根误差(RRMSE%)作为5种模型的评价指标,选择出旺业甸林场的最佳蓄积量估测模型,并绘制了研究区的森林蓄积量分布图。【结果】4种机器学习模型的结果明显优于传统的线性模型,其中随机森林(RF)模型和K邻近模型(KNN)均得到了较高的精度,其中RF模型的R^2为0.66,均方根误差为55.2 m^3/hm^2,相对均方根误差为28.1%,KNN模型的R^2为0.64,均方根误差为57.6 m^3/hm^2相对均方根误差为29.3%。【结论】在利用高分二号数据进行旺业甸林场蓄积量估测时,RF和KNN模型在估测针叶林蓄积量时相比于其他模型可以取得更好的结果。     

联合GF-3 PolSAR数据与Landsat-8 OLI数据的森林地上生物量估测

【目的】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对森林资源的经营管理具有指示作用,对研究全球碳循环具有重要意义。为了改善单一来源遥感数据估测森林地上生物量的不足,探讨了联合高分三号(Gaofen-3,GF-3)全极化(Polarimetric synthetic aperture radar,PolSAR)数据极化分解参数和Landsat-8 OLI数据估测森林地上生物量的可行性,并针对多源遥感数据的冗余问题优化特征组合。【方法】以广西南宁市高峰林场为研究区,结合森林样地调查数据,提取GF-3 PolSAR数据的后向散射系数、极化分解参数和Landsat-8 OLI数据的光谱信息、植被指数、纹理,使用基于序列前向特征选择的K最近邻法(K-nearest neighbor based on sequence forward feature selection,KNN-SFS)估测研究区的森林地上生物量,以留一法交叉验证得到的森林地上生物量预测值和实测值之间的均方根误差(Root mean square error,RMSE)最小为原则,对比验证使用多源遥感数据和单一来源遥感数据时的估测结果,寻求估测森林地上生物量的最优特征组合,基于最优特征组合绘制研究区的森林地上生物量空间分布图。【结果】结合GF-3 PolSAR数据和Landsat-8 OLI数据估测研究区森林地上生物量的精度为RMSE=21.05 t·hm~(-2),R~2=0.75,优于仅使用GF-3 PolSAR数据估测的精度(RMSE=28.38 t·hm~(-2),R~2=0.47)和仅使用Landsat-8 OLI数据估测的精度(RMSE=29.52 t·hm~(-2),R~2=0.42)。【结论】多源数据协同反演森林地上生物量可以提高估测的精度,基于KNN-SFS方法联合GF-3 PolSAR数据与Landsat-8 OLI数据可以较好地估测森林地上生物量。     

联合Sentinel-1和Sentinel-2数据反演森林蓄积量

为明确遥感数据源及机器学习模型对森林蓄积量估测的影响,从而提高区域森林蓄积量估测精度.本文以内蒙古旺业甸林场38个落叶松样地与43个油松样地外业调查数据为基础,提取Senitnel-1和Sentinel-2影像光谱和极化等遥感特征信息.根据不同特征组合分别建立支持向量机回归(Support Vector Regress...