精准测定技术在固定样地复位调查中的应用

为解决国家森林资源连续清查体系中固定样地复位较难、固定样木测定精度不高的问题,采用手持GPS对固定样地定位、全站仪对固定样木测高、罗盘仪对固定样木复位的方法可以提高调查精度.结果表明:利用手持GPS进行固定样地的复位调查,可以使固定样地的复位率达到100%;利用全站仪可以使树高的测量精度提高到1%;利用罗盘仪可以使固定样木的复位率达到95%以上.同时采用手持GPS与PDA相结合,可实现数据的自动存储、实时显示,使样木位置坐标化,改变了传统的森林资源复查方法,大大提高了工作效率.     

区域森林碳分布空间估计误差定量分析

区域森林碳(地上部分)分布的空间估计存在多种误差来源,其直接影响估计结果的精度。采用森林资源清查样地数据与Landsat TM影像数据相结合的方法对区域森林碳(地上部分)分布进行空间估计的误差来源,采取相对误差的形式对其定量化,根据不确定度的合成与分配方法获得空间估计总误差及各误差来源在总误差中的比例分配。基于临安市2004年森林资源清查和Land-sat TM影像数据的森林碳(地上部分)分布空间估计误差分析结果显示,区域森林碳(地上部分)分布空间估计的总误差为10.15%,各误差所占比例为:抽样误差63.5%、遥感影像坐标校正定位误差22.9%、树高测量误差9.4%、生物量模型误差3.4%、胸径测量误差0.8%。     

基于专家分类知识库的林地分类

将闽江流域林地划分为有林地、灌木林地、疏林地和其他林地,并将有林地划分为杉木林、马尾松林、阔叶树林、竹林和经济林.利用福建省第5次森林资源连续清查固定样地资料,提取闽江流域各林地类型在闽江流域遥感图像图上的像元光谱值,分析各林地类型光谱曲线变化规律,基于遥感图像处理软件的专家分类知识库,建立闽江流域林地分类模型,对闽江流域林地利用现状进行分类.所建立模型划分出了闽江流域林地利用现状,林地分类精度总体达79%.     

河南森林资源连续清查体系研究

在对河南历次森林资源连续清查研究的基础上,采用统计学理论和简单系统抽样的方法,将河南森林资源连续清查原Ⅰ,Ⅱ副总体合并为一个总体,优化完善了清查体系.新体系样点按4 km×4 km间距布设,总样地数10 355个.2003年复查,抽样调查精度普遍提高.当可靠性为95%时,有林地面积精度达95.617%,活立木蓄积量精度达95.115%,其它抽样精度指标也达到国家森林资源连续清查技术规定的要求.     

应用Sentinel-2A卫星光谱与纹理信息的森林蓄积量估算

以Sentinel-2A为遥感数据源,以第九次森林资源清查数据为样地实测数据,对吉林省中东部的森林蓄积量进行反演。通过对遥感影像进行处理,获取影像的波段光谱值、植被指数,降维处理纹理特征以及地形因子;采用多元线性回归、偏最小二乘法、随机森林、支持向量机等构建了研究区的森林蓄积量估算模型,对检验样本做出了估测。结果表明:机器学习法在反演结果上均优于传统建模方法,随机森林法结果最优,相对误差为17.88%,方程精度为82.12%。     

自然保护区森林资源连续清查改进方法

森林资源连续清查是为掌握宏观森林资源现状和动态而开展的重要工作。为了使森林资源清查工作更贴近自然保护区的日常管理需求,本文结合我国自然保护区特点,对保护区内森林资源清查工作的调查因子、调查方法和记录表格等进行了优化,修订并增加了所有动植物名称、植物多度和生活力、动物活体、痕迹和巢穴数量等调查因子;改进了下木、植被和天然更新等的野外调查和统计方法,并优化了其野外调查记录表。并于2015年78月份对北京市6个自然保护区内的森林资源连续清查固定样地进行了调查测试,改进后生物多样性信息量明显增加,调查记录的灌木种类平均每块样地增加了150%,草本种类平均每块样地增加了700%。采用改进的调查方法所调查样地结果能够更好地体现自然保护区内生物多样性的现状,以期能为自然保护区的森林资源连续清查工作的完善提供借鉴和参考。      

全国森林面积和森林蓄积年度出数方法探讨

基于全国第8次森林资源连续清查的41.5万个地面样地数据和全国林地利用保护规划的"一张图"成果数据,采用全国20×20 km2抽样框架设计系统抽样和分层抽样,探讨全国森林资源森林面积、森林蓄积年度出数的基本方法。研究结果表明:(1)虽然采用系统抽样计算得到全国森林面积抽样精度为97.5%,在精度要求之内,但对于各省来说,森林面积的抽样精度较差;(2)对比分析不同抽样方式结果,采用系统抽样和分层抽样的全国森林蓄积量出数的抽样精度均在95%以上,与第8次清查实际数相差低于3%以下,森林资源分布稀少或行政面积小的省精度相对较差。(3)满足国家出数并兼顾省级总体要求,在全国统一框架基础上,优化设计各省地面样地体系,全国共布设24 760个地面样地,约为现行体系样地数量的1/17,每省约为800个样地,大大减少现行体系的地面调查样地,能实现由5年出数向每年出数的转变。(4)全国森林蓄积分层抽样方法,与基于高分辨遥感影像的样地判读方式获取森林面积方法结合,可以实现森林面积和森林蓄积的年度出数,实现森林面积和森林蓄积的年度出数,能有效解决全国森林资源数据的时效性问题,是目前值得推荐使用的可行方法。     

用林分生长模型更新松树小班平均胸径和树高因子研究

为在一定程度上减少森林资源规划设计调查中的外业工作量,用新疆阿尔泰山国有林管理局森林资源连续清查中的松类样地数据1 142个,建立平均胸径和平均树高林分生长模型,给出用该地区上期森林资源规划设计调查数据的平均胸径和平均树高更新本期调查数据的方法,并通过现地调查的39个小班,采用成对T检验对试验结果进行精度验证。结果显示：平均胸径和平均树高的预测平均相对误差为0.79%,相对总误差为0.16%和8.43%,预测精度分别达98.33%和96.53%,说明该方法精度可靠,值得推广。     

浙江省森林资源连续清查系统抽样防偏试验初报

数据的准确性和可靠性是清查成果能否客观、真实地反映森林资源状况的关键要素。森林资源连续清查数据的准确性和可靠性受到抽样方案设计、调查技术方法和实施操作过程等诸多因素的影响。其中，抽样方案设计是影响森林资源调查数据质量的关键因素。为了优化森林资源连续清查体系，防止系统抽样周期性变动和人为特殊对待等问题对清查成果质量的影响，从1994年开始，浙江省采用固定样地加部分替换样地（临时样地）的抽样设计方案进行防偏技术试验和研究。采用总体平均数的差异性检验和方差分析等方法，对浙江省自1989年以来的3期调查数据进行分组统计分析，3期调查数据的3组样本两两之间均通过了总体平均数差异显著性检验和单因素方差分析，无显著差异。初步试验结果表明，浙江省森林资源连续清查总体样本具有较好的代表性，不存在明显的系统偏差。     

基于空间协同仿真模拟的开化县森林碳估计

森林碳储量是反映森林生态系统生产力的重要指标,也是区域森林碳汇计量的基础。以浙江省开化县为研究区,采用2013年资源3号遥感影像与2014年森林资源清查样地数据,结合序列高斯协同模拟方法对全县地上部分森林碳储量及其分布进行估计,并以平均误差、残差平方和、平均相对误差以及均方根误差4个指标为基础对估计结果进行精度评价。结果表明:开化县2014年森林总碳储量空间协同仿真估计结果为7.221 573 Tg,碳密度值分布为0~109.178 0 Mg·hm-2,均值为32.376 4 Mg·hm-2,基于15%检验样本的平均相对误差为4.565%,仿真估计碳总量在实测样地估算的置信区间内。本研究发现,遥感影像与地面样地森林碳密度的相关性随遥感影像的空间分辨率变化而变化,这对于提高森林碳储量估计精度有着重要意义,也是下一步研究的重点。图5表3参29     

基于遥感的高山松连清固定样地地上生物量估测模型构建

  目的  研究利用遥感方法构建高山松固定样地地上生物量估测的参数模型,可以在今后前期样地的基础上直接快速、准确地估测生物量,或者开展少量的外业调查即可获取地上生物量。  方法  基于遥感因子与样地地上生物量变化量和线性混合模型提高生物量估测精度,以香格里拉市1987、1992、1997、2002、2007、2012、2017年7期国家森林资源清查固定样地和对应年份Landsat TM、OLI的Level-1数据为基础,首先对遥感数据进行预处理:包括辐射定标、大气校正、几何校正和地形校正,提取原始波段、比值因子、植被指数、图像增强信息、纹理指数、混合像元分解后的丰度、叶面积指数,计算5 ~ 30年间隔样地对应的遥感因子变化值。根据森林资源二类调查的高山松分布特征,选择地形因子作为线性混合模型的固定和随机效应,采用多元线性回归、非线性回归、地理加权回归、线性混合模型构建高山松地上生物量估测的静态模型,基于遥感光谱信息变化量构建了有树高和无树高参与的动态模型。最后对不同的建模方法和验证结果进行对比分析,选择最优结果作为估测模型并验证。  结果  （1）分析静态数据建模和验证的结果,采用样地号为固定因子、坡度等级为随机因子的线性混合模型的拟合R2最高,为0.75;但利用训练数据集和2017年数据验证,其精度都较低。（2）分析变化量数据建模和验证的结果,采用样地号为固定因子、坡度等级为随机因子、遥感因子变化量为自变量的线性混合模型拟合R2最高,为0.70,预测精度P值为（68.86 ± 11.93）%;增加平均树高变化量,拟合R2最高为0.79,预测P值为（73.39 ± 6.18）%。（3）无论是有、还是无树高参与的变化量模型其拟合和预测精度都达到80%,其预测精度达到了非参数模型预测精度。  结论  基于变化量的估测模型的拟合和预测精度较静态模型有所提高;综合遥感因子、地形因子构建的高山松地上生物量估测线性混合模型,其精度有较大提高;采用遥感因子变化量构建的高山松地上生物量估测模型,有效弥补了静态光学遥感数据估测生物量的不足,经检验可用于其他年期的估测。      

基于遥感的森林生物量估测样地调查方法的研究动态

科学的样地调查是利用遥感方法进行森林生物量估测的重要前提,也是提高生物量估测精度的基础。通过回顾国内外利用遥感估测森林生物量研究领域中样地调查的方法,并对其进行归纳分析可知,调查方法根据不同的遥感数据源、研究区和调查对象而不同,涉及到样地的个数、样地布设、样地形状及大小、样地调查因子和内容等方面。由此提出了样地调查的建议,以期减少今后利用遥感估测森林生物量的不确定性。     

高山松地上生物量遥感估算的不确定性分析

  目的  采用遥感数据估算森林地上生物量仍存在一些不确定性问题,研究估算过程中的误差来源及其占比,对提高森林地上生物量的估测精度具有重要意义。  方法  从遥感影像提取因子,结合高山松Pinus densata外业调查数据,建立多元线性回归、梯度提升回归树、随机森林等3种地上生物量估测模型,对样地尺度与3种模型的不确定性进行分析和度量。  结果  ①高山松单株生物量模型不确定性为16.43%,样地尺度的不确定性为7.07%;②多元线性回归模型残差不确定性为34.86%,参数不确定性为21.30%,与样地不确定性合成后总不确定性为41.45%;③非参数模型中,梯度提升回归树估测高山松地上生物量的总不确定性为23.12%,随机森林为19.42%。  结论  3种遥感估算模型中,非参数模型的不确定性明显低于参数模型。相较于样地尺度,遥感估算模型的不确定性对地上生物量估算精度的影响较大。图3表3参26     

基于中巴资源卫星数据的森林郁闭度估测研究

森林资源分布具有辽阔性、复杂性、通达性差等特点,而遥感技术具有宏观、动态、便捷、可周期重复和成本低等优点,成为研究森林资源状况的理想手段。目前,在森林遥感应用中,多源遥感数据的提供能力越来越强。但由于遥感信息的综合性、复杂性,遥感信息处理技术相对落后。基于不同区域、不同季相和不同背景特征的森林遥感分类技术远未成熟。利用中巴资源卫星遥感数据,经过图像处理(包括图像的校正、图像的增强和图像的分类等),获取样地的灰度值,结合少量地面实测样地资料,通过线性回归建立森林郁闭度的数学模型,并进行检验以确保估测的精度,为林业生产和建设提供依据。     

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。     

基于Landsat 8−OLI的高山松叶面积指数采样尺度优化分析

以Landsat 8−OLI影像数据为主要信息源,结合香格里拉32块半径15 m的圆形高山松实测样地数据,对全色波段和多光谱融合后的影像进行不同尺度重采样,依据不同尺度样地光谱特征变异分析结果构建4种不同尺度采样下高山松林LAI的支持向量机回归（SVR）模型,探究不同采样尺度对高山松LAI遥感估测精度的影响。结果表明：当样地的观测尺度从15 m增加至60 m时,LAI与遥感变量的相关性随观测尺度的增大而减小。估测模型决定系数为0.400～0.554;预测均方根误差为0.318～0.377;预测精度为83.51%～86.10%。当采样大小为15 m时估测精度最高,R²和交叉验证精度最大,分别为0.554、86.10%。本研究可为森林LAI遥感估测中的采样大小选择提供有利参考。     

基于不同分类器的农用地分类提取

【目的】分析Landsat 8 OLI卫星遥感影像数据面向农用地分类的实际应用方法和效果,以新疆奇台县南部为研究对象。【方法】使用随机森林(RF)、支持向量机(SVM)和神经网络(Neural Net)三种分类器进行研究区农用地分类对比。【结果】通过对三种分类器参数设置参数精度检验,利用上述三种算法对农用地地物分类进行精度评价,在整体分类精度中,支持向量机算法(SVM)<随机森林算法(RF)<神经网络算法(Neural Net),分类精度分别为:90.75%,94.30%和94.84%。【结论】神经网络方法(Neural Net)在该地区的农用地物整体分类上,比支持向量机(SVM)和随机森林法(RF)相比具有一定的优势,并获得较好的分类精度。     

德国、奥地利和法国的多目的森林资源监测述评

以德国、奥地利和法国３国为例，对西欧林业发达国家的国家森林资源调查的最近动向与展望作了分析．综述３国的国家森林资源调查体系，包括抽样调查法、调查项目、ＧＩＳ和遥感、信息系统、成果公开和面向用户，共同特点是①收集包括木材和非木材资源的各种信息；②从野外临时样地调查向森林资源与环境变化监测方向发展；③在森林资源连续调查中应用遥感和ＧＩＳ提供最新森林资源信息；④野外调查和数据处理的计算机化．根据以上述评，建议在我国森林资源调查中采用以遥感和ＧＩＳ为基础的兼有环境监测功能的国家森林资源调查体系     

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。