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。     

基于k-NN方法和GF遥感影像的森林蓄积量估测

综合利用黑龙江省某林业局的一类样地调查资料、GF-1号卫星影像、数字高程(DEM)模型以及土地利用类型图,采用k-近邻(k-nearest neighbor,k-NN)法进行森林蓄积量估测研究,分析k-NN方法及GF-1卫星数据在森林资源调查与监测中的应用效果。为对比k-NN方法的估测精度,对相同试验数据也进行了最小二乘估计和稳健估计建模。采用GF-1号16 m分辨率的多光谱数据,在林业局级尺度上分别应用这3种方法进行森林蓄积量建模估测,生成了监测区域森林蓄积量分布图并统计得到监测区域总的蓄积量值。将3种方法估测结果与二类调查实测结果进行比较,k-NN方法估测精度达到97.3%,略优于传统的最小二乘估计和稳健估计建模估测精度。因k-NN方法不受Gauss-Markov假设限制,且能有效克服建模变量间的复共线性问题,研究成果可用于县/林业局级尺度的森林蓄积量估测,且国产GF-1卫星影像能有效应用于森林资源监测。     

应用Sentinel-2A卫星遥感影像估测森林蓄积量

为了探讨应用Sentinel-2A遥感影像进行森林蓄积量估测的可行性,以内蒙古自治区某林业局的一类清查样地数据、二类调查小班数据、数字高程模型(DEM)以及林地数据为数据源,以遥感影像的波段灰度信息、比值波段及地形信息为自变量,采用k-近邻法(k-NN)、稳健估计及偏最小二乘估计等方法,分林型构建研究区域的森林蓄积量估测模型,从林业局、林场及小班尺度进行估测精度评价.结果表明:k-NN方法在林业局、林场和小班等3个尺度中的估测精度分别达到了97％、93.2％和83.6％,均表现出良好的估测效果;稳健估计法在3个尺度中的估测精度分别为89.3％、72.4％、69.3％;偏最小二估计法在3个尺度中的估测精度分别为85.7％、75.8％、71.7％.k-NN方法估测效果明显优于稳健估计方和偏最小二估计法,因此,Sentinel-2A遥感影像能够有效应用于森林蓄积量估测.     

宜良县云南松林生物量遥感估测方法研究

利用landsat5影像和通过蓄积量-生物量转换方法获得的样地生物量数据,从宜良县云南松林遥感特征、地形特征、郁闭度等方面选取自变量,采用随机森林回归和偏最小二乘法进行生物量遥感估测建模。结果表明:随机森林回归估测模型调整决定系数R2为0.881,模型估测精度为82.3%;偏最小二乘模型的调整决定系数R2为0.753,模型估测精度为78.43%。随机森林回归在模型拟合效果和检验精度上均优于偏最小二乘模型。     

基于多元线性回归的西昌市云南松蓄积量模型研究

利用2015年西昌市二类调查数据和2014年遥感影像数据,选择最小二乘法、基于AIC准则的逐步回归法、主成分法和偏最小二乘法分别建立云南松蓄积量线性回归模型并进行对比分析。结果表明:1)4种模型均为显著回归关系,除最小二乘法外,3种模型中的自变量T检验与因变量均显著相关。2)最小二乘法易导致模型自变量产生共线性,其他3种方法可有效消除共线性影响。3)模型综合评价由高到低为:偏最小二乘法逐步回归法主成分法线性最小二乘法,通过预留样本进行检验,精度由高到低为:偏最小二乘法逐步回归法为线性最小二乘法主成分法。综合分析认为,偏最小二乘法和逐步回归法综合效果最优,结果可为今后准确、高效地估测森林蓄积量提供参考。     

基于GF-2影像恰西国家森林公园郁闭度反演研究

为提高恰西国家森林公园的郁闭度估测模型精度,对单变量和多变量建模进行对比研究,选取出最优的建模因子用于郁闭度反演。先对地形因子和遥感影像的纹理特征因子、植被指数因子进行获取和提取,接着采用偏最小二乘回归法,分别以4种不同建模因子构建郁闭度估测模型,最后用检验样本对4种模型进行精度评价和分析。结果表明,多变量的估测模型结果最好,其校正R~2为0.842,均方误差为0.069 5,估测精度达到了89.93%。采用多变量比只采用一种变量模型的估测精度要高,更适用于该研究区域的郁闭度反演。     

基于Hyperion数据的香格里拉森林郁闭度遥感估测研究

基于Hyperion高光谱数据,采用2种方法进行波段选取,将选择的波段数据进行特征提取变量,采用偏最小二乘法分别对2种方法选择的特征变量建立香格里拉主要树种郁闭度遥感估测模型,并进行精度检验评价。结果表明:基于实测样地郁闭度差异特征分析选择的Hyperion特征波段建立的模型R~2为0.837、估测精度为82.09%,基于遥感影像进行分段主成分分析选择的Hyperion特征波段建立的模型R~2为0.764、估测精度为78.4%,基于样地数据郁闭度变化敏感性分析模型优于基于Hyperion影像的分段主成分分析模型;分段主成分分析法所选出的特征波段虽然包含了较多的波段信息,但是很多为连续波段或者波长较近的波段,波段之间的相关性较高,导致建模精度不如预期。     

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。     

基于偏最小二乘回归模型的高山松蓄积量遥感估测

以Landsat 8影像为遥感数据源,以遥感因子、GIS因子、林分因子、郁闭度等为自变量,在前期野外样地调查的基础上,采用偏最小二乘法(PLS),建立香格里拉县高山松蓄积量遥感估测模型。试验结果表明,郁闭度对香格里拉县高山松蓄积量估测的影响极其显著,第5、6波段对其影响较为显著;运用偏最小二乘法建立的样地蓄积量估测模型,调整决定系数R2为0.777 5,均方根误差RMSE为36.90 m3/hm2,总预报偏差的相对误差RE为23.18%,模型精度为73.08%。以像元为单位提取高山松林所对应的自变量因子,利用估测模型得到研究区高山松林总蓄积量为1 372.406万m3。     

基于森林小班的香格里拉市高山松生物量遥感建模

以小班为研究单位,基于香格里拉市2006年TM影像、森林资源二类调查数据,利用随机选取的小班样地遥感因子平均值建立数据集,筛选出78个样地数据(60个训练数据和18个验证数据)及14个遥感因子,通过蓄积计算森林生物量,建立了基于遥感因子的高山松生物量估测的逐步回归模型和偏最小二乘模型。结果表明:逐步回归模型的精度(R=0.518、RMSE=34.265 t/hm~2、rRMSE=47.046%)要高于偏最小二乘模型的精度(R=0.514、RMSE=35.320t/hm~2、rRMSE=48.494%)。研究结果可为高海拔地区遥感生物量建模、生态环境保护与规划提供参考依据。     

联合GF-1和GF-3影像的森林地上生物量反演

  目的  探索高分（GF）光学、合成孔径雷达（SAR）数据及其联合数据在森林地上生物量（AGB）及其组成部分反演中的可行性。  方法  以云南省昆明市宜良县小哨林区的云南松为研究对象，结合实地调查数据，以GF-1光学数据和GF-3 SAR数据作为数据源，提取光学数据常用的植被指数和纹理特征，SAR数据的各极化后向散射系数、纹理特征以及极化分解等参数，利用KNN-FIFS方法分别进行森林AGB及其分量的反演；然后采用留一交叉验证法对反演结果进行精度评价，并在此基础上绘制森林AGB及其分量空间分布图。  结果  联合GF-1和GF-3数据反演森林AGB及其分量的精度最高，R2均超过了0.710，RMSEr的值在22% ~ 27%之间，其中树叶的反演精度最优，模型的R2为0.714，RMSE为10.270 t/hm2，RMSEr为24.58%；除树叶生物量外，森林AGB和其他分量仅采用GF-1提取的特征进行反演时，精度均优于采用GF-3特征的反演结果。  结论  联合GF-1光学数据和GF-3全极化SAR可以实现一定程度的互补，提高森林AGB及其分量的反演精度，此外KNN-FIFS方法在低生物量水平的云南松纯林的AGB及其分量的反演中具有一定的鲁棒性，且KNN-FIFS优选的重要参数多为SAR和光学的纹理特征。      

基于多源数据的根河实验区生物量反演研究

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能够减少陆地生态系统碳储量的不确定性。本文以内蒙古大兴安岭根河实验区为研究区,基于森林样地调查数据、Landsat 8 OLI、机载P-波段PolSAR以及ASTER GDEM数据,分别采用多元线性逐步回归法和基于随机森林算法(Random Forest, RF)进行特征优化选择后的k-最近邻(k-nearest neighbors, k-NN)法对研究区森林地上生物量(above-ground biomass, AGB)进行估测,对比验证采用不同类型数据(单传感器数据和多传感器数据)时2种方法的反演结果来寻求森林AGB估测的最优方法和输入因子,最后利用最优的估测方法来反演整个研究区的森林AGB,生成根河实验区的森林AGB等级分布图。结果表明:对于多元线性逐步回归和k-NN 2种不同的方法,森林AGB的反演都表现出较为一致的结果,即采用多传感器遥感数据(Landsat 8 OLI和机载P-波段PolSAR数据)比采用单传感器遥感数据估算的森林AGB精度要高;而在同时采用多传感器遥感数据进行森林AGB的反演中,k-NN算法的估测结果(R2=0.65, RMSE=17.49 t/hm2)明显优于多元线性逐步回归算法(R2=0.36, RMSE=22.08 t/hm2)的估测结果。显然,多源数据协同反演森林AGB可以充分利用每种传感器的优点,提高遥感估测森林AGB的能力;与多元逐步回归方法相比,k-NN算法能够更多地考虑到森林参数同光谱值之间的非线性依赖关系,且能够避免发生过学习现象和样本不平衡问题。      

县域尺度上基于GF-1PMS影像的冬小麦种植面积遥感监测

为探究县域尺度上基于高分一号卫星(GF-1)PMS影像进行冬小麦遥感监测的可行性及精准性,以河南省滑县为研究区,遴选2015年2月上旬GF-1 PMS影像6景,对影像进行辐射定标、FLAASH大气校正、NNDiffuse融合、几何精校正、地图投影转换等预处理后,在外业调查和样本分析的基础上构建一种新的冬小麦决策树分类模型,模型第1层决策方案中NDVI0.311的像元为冬小麦,得到冬小麦的粗分类结果;在此基础上进行第2层决策分类,以进一步提高冬小麦的分类精度,分类方案为第1波段地表反射率0.146、第2波段地表反射率0.148、第3波段地表反射率0.135、第4波段地表反射率0.250的像元为冬小麦。对分类结果进行形态学滤波处理,以消除或减少分类结果中孤立的像元。分别基于决策树分类模型与ENVI软件自带的IsoData非监督分类模型,对比分析GF-1PMS影像和同时期Landsat-8OLI影像在冬小麦面积提取上的精度。结果表明:基于新构建的决策树分类模型,2015年滑县冬小麦种植面积为115 715.81hm2,混淆矩阵检验总体精度为99.62%,Kappa系数为0.99;PMS影像提取冬小麦的混淆矩阵总体精度比OLI影像高出9个百分点。说明县域尺度上基于单时相GF-1PMS影像在冬小麦收获前提取冬小麦种植面积是可行的,提取精度较高。     

基于ZY-3卫星多光谱影像估算浙江省乔木林地上碳密度

目的基于覆盖浙江省的ZY-3卫星影像以及LULUCF碳汇监测样地数据，以浙江省乔木林地上碳密度为研究对象，尝试构建一个自动化提取浙江省乔木林地上碳密度的技术方法。方法分别在矢量标志建立、光谱信息提取、解译标志提纯、ZY-3卫星影像分类、自变量优选、建模方法优选、碳密度图制作等方面开展相关研究测试。结果本研究在解译标志提纯后对ZY-3影像进行分类的精度高于提纯前的影像分类精度；采用的kNN法对ZY-3影像进行分类的精度（平均总精度为80.31%，平均Kappa系数为0.69，乔木林平均用户精度为91.86%，乔木林平均生产者精度为80.85%）高于最大似然分类法（平均总精度为78.56%，平均Kappa系数为0.62，乔木林平均用户精度为89.68%，乔木林平均生产者精度为77.79%）；在选用的建模方法中，kNN法构建的模型精度（平均RMSE为15.64 t/hm2，平均RRMSE为23.53%）优于稳健估计法（平均RMSE为17.63 t/hm2，平均RRMSE为25.11%）。最后，生成了浙江省乔木林地上碳密度分布图。结论本研究可为省域或更大尺度范围的乔木林地上或森林碳密度估算提供一个新的路径，为实现自动化估算碳密度以及其他森林参数提供参考。      

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。     

偏最小二乘回归模型在非点源负荷预测中的应用

将偏最小二乘回归模型应用于流域非点源污染年负荷量预测,并与基于最小二乘的多元线性回归模型预测结果进行了对比。实例计算分析结果表明,偏最小二乘回归分析实现了多元回归、主成分分析和典型相关分析的综合,能较好地处理变量之间的多重相关性问题,建模所需样本少,且计算结果合理,具有较好的推广应用价值。     

Landsat-8与GF-1遥感影像土地利用数据提取比较——以咸宁市为例

针对Landsat-8 OLI和GF-1 WFV传感器参数的特点,选择支持向量机(SVM)分类方法分别对咸宁市同一时段的Landsat-8遥感影像和GF-1遥感影像进行土地利用分类研究。结果表明,Landsat-8在耕地与林地、水域与裸地可分离性方面高于GF-1,提取的林地面积占比和耕地面积占比更接近于真实值;Landsat-8和GF-1的分类总精度分别为85.76%和88.38%,Kappa系数分别为0.807 1和0.820 4,说明GF-1的分类效果好于Landsat-8;GF-1具有较高的分辨率优势,对分布零散的地物识别效果优于Landsat-8。