基于Landsat 8新邵县森林碳密度遥感反演研究

准确估算森林碳密度是研究森林生态系统的核心。基于Matlab工作平台,以森林资源连续清查(湖南省第七次复查)及同期Landsat 8影像为本底,建立非线性回归模型、RF随机森林模型和RBF径向基神经网络模型进行森林碳密度反演。结果表明:RBF神经网络精度最高,决定系数为0.96,均方根误差为1.33 t·hm-2,很好的拟合了样地实测碳密度;RF随机森林优于非线性回归模型,拟合精度、均方根误差分别为0.91、2.50 t·hm-2;非线性回归模型精度最低,决定系数和均方根误差分别为:0.62、3.87 t·hm-2。故应用RBF神经网络对森林碳密度的反演具有很好的效果。     

长株潭城市群植被碳贮量与碳密度遥感估算

以长株潭城市群为研究区域,综合运用RS与GIS技术,利用2009年IRS-P6多光谱遥感影像计算植被指数,结合2009年森林资源清查样地计算得到碳储量数据,建立植被指数与植被碳密度估算模型,估算长株潭植被碳贮量与碳密度。结果表明,回归模型拟合效果较好,复相关系数达0.758。估算得到长株潭地区植被总碳贮量为49.69 Tg(1Tg=10~(12)g),平均碳密度为17.67 t/hm~2。长株潭植被碳密度呈现由中心城区向周边逐步增加的特征,离中心城区越远,碳密度越高,最高的区域为炎陵县27.89 t/hm2,最低的区域为长沙市芙蓉区2.24 t/hm~2。     

基于Landsat5 TM遥感影像估算江山市公益林生物量

本研究基于Landsat5 TM遥感影像数据和样地调查数据,利用多元逐步回归、偏最小二乘回归和随机森林回归3种方法,建立江山市公益林生物量估算模型,分析和比较3种模型的精度结果,探究随机森林回归模型在估算生物量方面的应用,为提高估算森林生物量的精度提供参考。结果表明,多元逐步回归模型的预测精度为58.31%、均方根误差为31.02 t/hm2,偏最小二乘回归模型分别为60.84%、30.72 t/hm2,随机森林回归模型为70.02%,22.18 t/hm2。由此可得,随机森林回归模型的预测精度优于其他2种模型,随机森林算法能提高估算森林生物量的精度。     

基于BP神经网络的凌云县森林碳储量遥感反演研究

森林碳储量的正确估算是研究全球碳通量和气候变化的关键。本研究采用2014年森林资源连续清查数据和同时期Landsat 8遥感影像,对凌云县森林碳储量进行遥感反演研究,并分析其空间分布。从遥感影像中提取154个光谱因子和纹理因子,结合逐步回归和方差扩大因子法进行因子筛选,分别构建线性逐步回归、Logistic回归和BP神经网络模型,估算研究区的森林碳储量。结果表明:BP神经网络模型反演森林碳储量精度最高,设置隐含层神经元个数为10时,决定系数最大,均方根误差最小,分别为0.636和16.671 t·hm~(-2);Logistic回归模型估算精度次之,决定系数和均方根误差分别为0.528和17.082 t·hm~(-2);线性逐步回归模型估算精度最低,决定系数最小,均方根误差最大,分别为0.452和17.722 t·hm~(-2)。研究区森林碳储量空间特点表现为山区碳储量大,低海拔人口分布密集地区碳储量小,与实际森林分布一致。     

塔河林业局森林生物量估算

森林生物量是指林分在一定时间内累积的有机质总量,通常用单位面积或单位时间积累的干物质量或能量来表示,单位g/m2或t/hm2。本文以2007年landsat 5 TM遥感影像为数据源,以塔河林业局作为研究区域,在固定样地数据基础上,建立了研究区域内七个主要树种的生物量模型,并尝试应用TM影像与对应样地的数量关系,建立多元线性回归模型来估算研究区域生物量。     

基于地统计学和多源遥感数据的森林碳密度估算

【目的】基于遥感影像空间分辨率和地面样地大小不一致的现象,采用地统计学和多源遥感数据进行森林碳密度估算,为MODIS数据在区域森林碳密度估算领域的应用提供参考。【方法】以湖南省攸县为试验区,首先利用基于块的序列高斯协同模拟算法,将25.8 m×25.8 m的样地数据分别上推到250 m×250 m、500 m×500 m和1 000 m×1 000 m;然后将上推后的样地数据分别与MOD13Q1、MOD09A1、MOD15A2数据结合,利用序列高斯协同模拟算法开展区域森林碳密度估算研究;最后将最优结果用于湖南省森林碳密度估算。【结果】Landsat5和MODIS数据与森林碳密度的敏感因子具有高度相似性,排在前3位的分别为1/TM3、1/TM2、1/TM1和1/Band1、1/Band4、1/Band3;与植被指数产品MOD13Q1和MOD15A2相比,多光谱数据Landsat5和MOD09A1在攸县森林碳密度估算方面显示出巨大潜力,估算精度分别为82.02%和75.64%;基于MOD09A1的序列高斯协同模拟算法具有很好的适用性,可用于湖南省森林碳密度的空间模拟,估算精度为74.07%。【结论】采用基于块的序列高斯协同模拟算法,可以实现由地面样地到不同空间分辨率MODIS像元之间的转换;由于空间分辨率的限制,MOD09A1数据在刻画空间细节方面不如Landsat5精细。该研究方法适用于地面调查样地大小和遥感影像空间分辨率不一致的区域森林碳密度估算。     

基于回归与随机模拟的区域森林碳分布估计方法比较

以临安市为例,利用2004年森林资源清查样地数据和同年度Landsat TM影像数据,采用一元二次非线性回归和序列高斯协同模拟方法分别模拟森林地上部分碳密度及其分布,并对模拟结果进行比较分析。结果表明:一元二次非线性回归估计得研究区森林碳储量为2365404.37t,碳密度平均值为9.0000t·hm-2,最大值为73.7144t·hm-2,最小值为0.7156t·hm-2;序列高斯协同模拟得研究区森林碳储量为3291659.83t,碳密度平均值为12.5233t·hm-2,最大值为78.9133t·hm-2,最小值为0.0833t·hm-2;根据2004年森林资源清查样地数据,按随机抽样方法估计研究区森林碳储量为2708897.90t,样地碳密度平均值为10.3065t·hm-2,其最大值为96.9625t·hm-2,最小值为0;序列高斯协同模拟结果更接近地面样地估计结果,而且碳密度分布范围更合理;一元二次非线性回归估计结果与地面样地估计结果之差的累积平方和为9857.4619,而序列高斯协同模拟结果与实测结果之差的累积平方和为8018.4625;序列高斯协同模拟较一元二次非线性回归在估计区域森林碳空间分布...     

基于遥感地学模型的辽宁省森林生物量和碳储量估测

通过对森林植被生物量估测遥感模型机理的综合分析,采用2005年辽宁省森林资源连续清查部分样地数据,基于遥感及其派生信息、气象信息、地学信息、林分信息建立了估测森林植被生物量的多元回归模型。得出如下结论:1)根据与样地生物量相关性的高低对MODIS数据植被指数(NVDI)的排序为植被指数的年平均值(NVDI_AVER)、植被生长季节的植被指数的平均值(NVDI_AMD)、植被指数的年内最大值(NVDI_MAX)、植被指数的年内最小值(NVDI_MIN)、植被指数的年内最大值与最小值之间的差值(NVDI_CHA);与生物量相关的气象因子分别为相对蒸散、平均气温和>10℃的积温,其相关系数分别为0.422,0.399和0.394;生物量与坡向、纬度相关性不显著。2)辽宁省森林总生物量为255.774×106t,森林碳储量为127.887×106t。3)从辽宁省森林碳密度空间分布来看,辽宁省森林碳密度呈现出东高西低的趋势,并且碳密度总体上不高,为50 t/hm2以下。     

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。     

森林碳储量遥感估测模型构建研究——以闽江流域杉木林为例

以福建省闽江流域为研究对象,利用年均降水、温度数据,结合改进NPP模型构建基于气象因子的森林生产力估测模型,并通过森林生产力与二类调查结果对应的小班年龄曲线建立森林生物量模型,以此获得遥感估测模型所需的样地生物量,在此基础上利用遥感影像和杉木平均含碳率可以成功构建森林生物量非线性遥感估测模型和碳储量遥感估测模型。本研究不仅能建立森林碳储量模型,而且避免了繁杂的森林生物量野外实测,节省了大量的人力物力,且不需砍伐森林树木。实验计算结果:闽江流域杉木林碳储量2003~2012年从10 337 774 t增加到19 624 374 t。     

基于SPOT5影像的杉木胸高断面积估测探讨

采用角规实地调查黄丰桥林场90个杉木人工纯林样地胸高断面积,利用样地SPOT5遥感信息与地理信息,建立了杉木胸高断面积多元线性回归估测模型。首先对样地采用GIS软件进行缓冲处理,缓冲后每个样地的面积为1hm2^;然后提取样地遥感光谱信息与纹理信息等21个因子和4个GIS因子,采用逐步回归分析法筛选出6个因子作为模型自变量;最后分别采用普通最小二乘法（OLS）和偏最小二乘法（PLS）建立了杉木胸高断面积多元回归模型。研究结果表明：OLS回归模型的预测精度为82．2％,均方根误差（RMSE）为5．12m^3／hm^2;PLS回规模型的预测精度为83．9％,均方根误差（RMSE）为4．2m^2／hm^2,PLS和0LS回归模型在杉木胸高断面积估测中均取得了较好的效果,用中高分辨率遥感影像在估测森林结构参数上是可行的。     

基于主成分回归及遥感的贵阳市林分郁闭度估测

以贵阳市为研究区,以Landsat-8 OLI为遥感信息源,通过偏相关分析,选择了与郁闭度相关的12个遥感因子作为自变量因子。为克服自变量因子间严重的多重共线性和模型的不稳定性,采用主成分回归分析法建立郁闭度估测模型,并对模型进了检验及精度验证。结果表明,回归方程调整后的R2=0.756,模型的拟合效果较好,说明模型在数学上是可行的;利用15个实测样地对模型进行精度验证,估测精度的平均水平为78.80%,说明该模型可为区域林分郁闭度估测提供参考。     

TM影像在云南省森林资源"连清"中的应用效果及问题分析

在2002年云南省森林资源“连清”第四次复查中，利用美国Landsat-5陆地卫星为遥感信息源，全省布设了95703个遥感判读样地以期提高各类土地面积的估计精度。介绍了调查方法和应用效果，分析了影响遥感判读正判率的因素，总结了存在的问题，提出了解决的办法。     

结合图像纹理特征的森林郁闭度遥感估测

在光谱等传统特征的基础上,结合遥感图像的纹理特征估测郁闭度:首先基于面向地块的方法计算图像的灰度共生矩阵纹理特征,然后用主成分方法分析相关性并降维,最后将图像纹理特征和光谱地形等特征一起作为自变量引入到郁闭度估测的逐步回归模型中。结果表明:结合图像纹理特征的方法比传统的只基于光谱或地形特征的方法在估测精度上有较大提高,判别系数R珔2从0.737提高到0.805,估测精度从81.03%提高到84.32%。     

东莞市针叶类森林生物量遥感模型研究

基于 Landsat 8 影像数据,对东莞市松树林 (Pinus sp.)、杉木林 (Cunninghamia lanceolata)、针 叶混交林 3 种针叶类森林生物量进行估算,利用相关分析、主成分分析和逐步回归分析,建立针叶类森 林生物量遥感估算模型,其决定系数 (R2) 值分别为 0.880 9、 0.832 5、 0.964 0,均达显著水平。经适用性 检验,模型均达 0.05 显著水平,可用于东莞市针叶类森林生物量估算。     

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。     

福田红树林保护区土地类型的动态分析

通过对20世纪80年代至今的4个不同时相的Landsat-5卫星遥感数据的解译,得到福田红树林保护区4个年份的土地分类及利用状况,对比研究各时期的湿地动态变化表明:在1986—2008年,该区红树林面积增加49.70hm2,动态度达到4.24;滩涂面积减少了42.22hm2,动态度为-1.62;陆地植被、建筑裸地面积分别增加25.82hm2,11.46hm2,动态度达到了9.23,10.67。针对保护区动态变化,提出了保护、修复与发展保护区的建议。     

森林生态系统碳通量遥感估算中若干问题的探讨

森林生态系统碳通量是判定森林是CO₂源/汇的标准, 其准确估算对碳循环研究具有重要的意义。针对森林生态系统碳通量的遥感研究处于起步阶段, 还有很多问题值得我们去探索。文中较系统地总结了有关碳通量的3种主要研究方法——样地清查法、通量观测法和模型模拟法; 重点分析了碳通量遥感估算中存在的问题, 主要有模型的全遥感化、尺度扩展和模型的不确定性等, 并对如何解决这些问题提出了粗浅的看法, 展望了一个全遥感化的森林生态系统碳通量模型, 希望对相关研究的开展有一些促进作用。     

不同类型油松林生物量碳密度的研究

综合分析了油松林生物量碳密度的估算方法,对油松人工林与天然林、纯林与混交林碳密度进行比较,结果显示：油松天然林乔木层的碳密度（63．34t／hm2）是人工林（42．14t／hm2）的1．5倍,且其变化幅度大于人工林;油松天然林生态系统的碳密度（154．98t／hm2）大干人工林（103．46t／hm2）,其变化幅度也较人工林大。油松纯林乔木层碳密度（42．60t／hm2）大于混交林（28．31t／hm2）,而生态系统碳密度（95．89t／hm2）小于混交林（109．26t／hm2）。     

A Nondestructive,Remote Sensing-Based Estimation of the Economic Value of Aboveground Temperate Forest Biomass (Case Study: Hyrcanian Forests,Nowshahr-Iran)

ABSTRACT

Background: Traditional field-based methods of measurement of biomass and carbon storage face difficulty in collecting time-consuming and expensive, suggests the use of remote sensing-based techniques. It estimates the economic value of the aboveground biomass (AGB) using satellite remote sensing across the Hyrcanian forests of Iran. Methods: The Landsat-8 OLI sensor data were combined with field-based allometric information of 186 circular sample plots. The AGB was calculated at the plot level using the collected data and specific volumetric mass for species in the studied area. It was followed by calculating the carbon storage using a 50% carbon coefficient and the photosynthesis equation at the forest parcel level. Model results using the random forest and support vector machines. The carbon sequestration value was calculated with USD 25.3 as a shadow value of carbon in 2014 and using the replacement cost approach. Results: The highest performances achieved by RF for biomass, carbon storage and the carbon storage value (Iranian Rials of 0.67% and 16%, respectively). The value was derived once at the plot level of 12.22 million IRR (370.43 USD) per ha. In addition, at the parcel level, which resulted in an estimated value of 12.87 million IRR (390.24 USD) per ha.