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。     

基于机器学习和多源数据的湘西北森林地上生物量估测

【目的】针对传统森林资源清查方法成本高、时效性低和结果统一性差等问题,基于多源遥感数据,采用机器学习算法选择特征变量并建立估测模型,制作森林地上生物量(AGB)面分布产品,为森林资源信息化调查提供技术手段。【方法】以湖南省西北部为研究区,利用生物量异速生长方程将森林资源样地调查数据转换为AGB,筛选到393个样地AGB参考值。以Landsat-8数据为光学遥感数据源,提取各波段光谱信息、植被指数、纹理特征以及缨帽变换各分量;以ALOS PALSAR-2、Sentinel-1数据为雷达遥感数据源,提取各极化方式后向散射强度和归一化极化差分指数。结合高程、坡度、坡向地形因子,获得122个备选特征变量。采用逐步回归方法和随机森林(RF)算法筛选建模变量,分别建立多元线性回归(MLR)、RF和支持向量回归(SVR)模型。以均方根误差(RMSE)、相对均方根误差(rRMSE)和决定系数(R~2)为模型评价指标,运用十折交叉验证法评价模型效果,选择最佳模型完成生物量制图,并选取5种中国或全球尺度生物量制图产品进行比较分析。【结果】在训练集上,RF模型表现最好(RMSE=12.8 mg·hm~(-2),rRMSE=21.1%,R~2=0.93),其次为SVR模型(RMSE=26.1 mg·hm~(-2),rRMSE=43.3%,R~2=0.55),MLR模型表现最差(RMSE=30.9 mg·hm~(-2),rRMSE=50.5%,R~2=0.39);在测试集上,采用RF算法建立的模型表现(RMSE=30.1 mg·hm~(-2),rRMSE=51.3%,R~2=0.42)同样优于MLR(RMSE=32.6 mg·hm~(-2),rRMSE=54.1%,R~2=0.30)和SVR(RMSE=32.8 mg·hm~(-2),rRMSE=55.3%,R~2=0.25)。3种模型均显示出一定程度的低值高估和高值低估现象。RF模型选择出13个建模变量,包括PALSAR-2后向散射信息、高程以及Landsat-8光谱信息、植被指数、缨帽变换湿度与绿度分量差值。应用RF模型完成区域生物量制图,与其他产品对比,能够基本反映研究区内生物量分布情况,并显示出丰富的生物量分布细节信息,生物量范围为0～119 mg·hm~(-2),平均生物量为37.5 mg·hm~(-2),标准差为35.9 mg·hm~(-2)。【结论】结合多源遥感数据与机器学习算法,能够准确、快速地测算大范围生物量,具有较大应用潜力。相比SVR和MLR模型,RF模型在AGB估测上的表现更优,RF算法能够从多源变量中有效筛选出适用于AGB机器学习建模的变量。     

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。     

基于空间回归模型的思茅松林生物量遥感估测及光饱和点确定

【目的】确定思茅松林生物量遥感估测的光饱和点,构建空间全局和局域遥感信息模型反演思茅松林生物量,为思茅松林生物量遥感估测提供参考。【方法】以云南省普洱市思茅松林为研究对象,基于Landsat8 OLI遥感影像数据和森林资源二类调查数据,运用二次项函数和幂函数求解思茅松林生物量光饱和点,采用普通最小二乘模型(OLS)、空间滞后模型(SLM)、空间误差模型(SEM)和地理加权回归模型(GWR)构建遥感信息模型,估测思茅松林地上生物量。【结果】1)普洱市思茅松林Landsat8 OLI遥感估测地上生物量的光饱和点为106.3 t·hm~(-2);2)空间回归模型拟合精度较高,尤其是GWR模型具有最高的R2(0.373)和最小的AIC(4 577.8),其拟合精度显著高于OLS、SLM和SEM模型;3)独立性样本检验结果表明,GWR模型的预估精度最高,且通过刀切法检验可知GWR模型在高值阶段(≥100 t·hm~(-2))和低值阶段(0～50 t·hm~(-2))的生物量估测能力强于OLS、SLM和SEM模型;4) GWR模型反演计算结果表明,思茅松林单位面积地上生物量为66.496 t·hm~(-2),与实测值偏差23.511%,估测误差低于OLS、SLM和SEM模型。【结论】对普洱市思茅松林生物量进行遥感估测时,GWR模型优于OLS模型和其他空间全局回归模型,且GWR模型可在一定程度上解决高值低估和低值高估问题,减小光饱和点对遥感估测精度的影响。     

基于机载激光雷达点云和随机森林算法的森林蓄积量估测

【目的】基于机载激光雷达点云数据提取的森林高度参数和郁闭度,结合分层地面样地调查数据,采用随机森林算法构建森林蓄积量估测模型,分析机载激光雷达点云数据在森林蓄积量反演方面的潜力,为森林蓄积量高效准确估测提供方法依据。【方法】以直径30 m的地面样圆离散点云数据为数据源,经数据校准等预处理后,利用Li DAR360软件提取森林高度参数(最大高、平均高等)和郁闭度,并将数据随机分成训练数据(70%)和验证数据(30%)。采用随机森林算法构建森林蓄积量估测模型,对仅用高度参数建模以及联合高度参数和郁闭度建模结果进行比较;同时运用R软件VSURF工具包筛选建模变量,对筛选后变量的建模结果进行分析。【结果】仅用高度参数建模的估测精度为R~2=0.75、RMSE=40.07 m~3·hm~(-2)、MAE=29.21 m~3·hm~(-2)、MRE=49.40%,联合高度参数和郁闭度建模的估测精度为R~2=0.79、RMSE=36.23 m~3·hm~(-2)、MAE=26.16 m~3·hm~(-2)、MRE=38.35%。通过变量筛选,建模参数从24个减少至7个,可极大提高运算效率,同时R~2未变化,RMSE从36.23 m~3·hm~(-2)升至36.50 m~3·hm~(-2),rRMSE从31.92%升至32.97%,MAE从26.16 m~3·hm~(-2)降至26.08 m~3·hm~(-2),MRE从38.35%降至38.05%。【结论】机载激光雷达点云数据可以提取森林的垂直结构信息(高度参数)和水平结构信息(郁闭度),具备三维结构参数提取能力。采用随机森林算法,增加林分郁闭度信息可显著提高森林蓄积量估测精度。通过变量筛选,虽然能够降低参数数量,但对模型精度具有一定影响,在建模精度要求较高的情况下,建议使用全变量进行蓄积量估测;而在数据量较大的情况下,建议使用筛选变量进行蓄积量估测。基于机载激光雷达点云数据估测森林蓄积量显著优于光学遥感数据,可为森林蓄积量高效准确估测提供方法依据,能够满足大范围森林蓄积量快速反演需求。     

基于Landsat TM的香格里拉市高山松生物量估测重建

基于香格里拉市2006年TM影像、森林资源二类调查数据、外业调查数据,利用随机点所在小班的遥感因子平均值建立数据集,通过数据筛选和相关性分析,选出123个样地数据及14个遥感因子,建立了基于遥感因子的高山松生物量估测的非线性和线性模型,并讨论了模型精度及其预测精度。研究结果表明,线性模型(R2adj=0.406、RMSE=34.18 t/hm~2、rRMSE=38.54%)比非线性模型的精度(R_(adj)~2=0.286、RMSE=37.79 t/hm~2、rRMSE=42.60%)高;运用交叉验证法得到的线性模型的预测精度(RMSE’=35.12 t/hm~2、rRMSE’=39.59%)也要高于非线性模型的预测精度(RMSE’=38.44 t/hm~2、rRMSE’=43.34%)。与其它2个同类研究相比,重建的高山松生物量模型虽然在模型精度上还略有欠缺,但是建模数据更为随机、合理,对因子提取方法进行了一定改进,建立的模型为高海拔地区利用遥感数据和森林资源二类调查数据估测典型乔木森林生物量提供参考,为地形起伏较大区域进行森林生物量估测提供了较为完整的技术方法。     

基于机载P-波段全极化SAR数据的复杂地形森林地上生物量估测方法

【目的】利用国产合成孔径雷达(SAR)系统(CASMSAR)获取的机载P-波段全极化SAR(PolSAR)数据,分析SAR对森林地上生物量(AGB)的响应与地形的关系,建立融合地形因子的高精度多项式模型,以提高森林AGB的估测精度。【方法】首先以基于机载激光雷达(Li DAR)数据得到的研究区坡度分布图与结合实测样地AGB数据得到的森林AGB分布图作为参考数据进行系统抽样,分析森林AGB与P-波段PolSAR后向散射强度的关系以及不同坡度下二者的相关性变化;然后利用Li DAR得到的高精度数字高程模型(DEM)结合机载P-波段的轨道数据计算当地入射角,进而建立以后向散射强度、当地入射角以及雷达视角为输入特征的多项式统计模型,同时将以上系统抽样得到的样本一部分作为模型训练样本,一部分作为精度检验样本。为避免样本尺度引起的偶然性,检验了20 m×20 m至100 m×100 m不同样地尺度下的估测精度。【结果】以90 m×90 m样本为例,当坡度为0°~5°时,引入当地入射角(第2组特征)的估测精度与未引入当地入射角(第1组特征)的估测精度分别为:决定系数(R~2)为0.634和0.634,均方根误差(RMSE)为12.07和12.08 t·hm~(-2),总精度(Acc.)为78.91%和78.89%;当坡度为5°~10°时,第2组特征与第1组特征的估测精度分别为:R2为0.524和0.523,RMSE为13.52和13.97 t·hm~(-2),Acc.为80.57%和80.52%;当坡度大于10°时,第2组特征与第1组特征的估测精度分别为:R~2为0.628和0.519,RMSE为13.16和15.70 t·hm~(-2),Acc.为81.05%和78.55%。随着样地尺度增大,2组特征的估测精度均增大,且第2组特征的估测精度大于第1组。【结论】当坡度小于10°时,地形对森林的后向散射强度几乎无影响;当坡度大于10°时,地形的影响显著,在不同尺度下,引入当地入射角的估测模型均可以有效提高估测精度,充分说明模型的有效性和稳定性。此外,随着尺度增大,无论采用的模型是否考虑了地形影响,其估测精度都逐渐提高并趋于稳定,揭示出对复杂地形下森林AGB估测模型效果的评价必须考虑尺度的影响,且参考样地要足够大,否则难以得到客观的结论。     

机载高分辨率遥感影像的傅氏纹理因子估测温带森林地上生物量

【目的】从反映森林冠层大小的树冠纹理结构出发,利用高空间分辨率遥感影像中树冠纹理的周期性信息,提取基于傅里叶变换纹理序列的纹理指数(FOTO,Fourier-based textural ordination)估测森林地上生物量,探究FOTO纹理因子在温带森林生物量估测上的潜力,为提取新型纹理参数估算森林生物量提供新的参考途径。【方法】以2009年9月获取的小兴安岭地区凉水国家自然保护区(47°11'N,128°53'E)高分辨率机载航空影像(空间分辨率0.5 m)为例,通过提取CCD影像的FOTO纹理参数,采用多元逐步回归方法对森林地上生物量进行参数反演,并对CCD 3个波段影像提取的9个FOTO纹理因子以及波段平均影像提取的3个FOTO纹理因子2种方法的生物量估测结果进行比较。同时,在研究中尝试采用5种不同尺寸(60 m×60 m,80 m×80 m,100 m×100 m,120 m×120 m和150 m×150 m)的窗口,产生不同尺寸的FOTO因子与生物量进行回归建模。最后,将FOTO纹理因子作为自变量与激光雷达反演的参考生物量进行拟合,利用多元逐步回归方法建立生物量模型,并采用十折交叉验证评估预测模型的泛化能力。【结果】FOTO纹理因子与森林生物量的相关性较高,CCD影像3个波段的9个FOTO纹理因子与生物量的R~2均高于0.67,窗口60 m×60 m,80 m×80 m,100 m×100 m,120 m×120 m和150 m×150 m的估测精度分别为67.3%,73.4%,74.4%,78.3%和80.9%。CCD影像波段平均影像的3个FOTO纹理因子与生物量的R~2均高于0.57,5种窗口尺寸的估测精度分别为58.2%,62.1%,64.3%,67.4%和70.9%。根据最优预测模型获得分辨率100 m的凉水试验区全覆盖生物量结果图,精度为74.41%,RMSE为50.55 t·hm~(-2)。【结论】基于FOTO算法提取的纹理因子与森林地上生物量密切相关且无明显饱和现象,对我国北方温带混交林区的生物量反演有极大潜力。FOTO纹理因子与森林地上生物量的多元线性逐步回归模型R~2达0.81,RMSE为46.78 t·hm~(-2)。     

基于光学遥感的稀疏乔灌木地上部分生物量反演方法

【目的】基于无人机数据采用3种分层方案构建冠层盖度-乔灌木地上部分生物量模型以及基于Landsat8 OLI数据采用3种分层方案构建不同光谱指数-乔灌木地上部分生物量模型,对比分析不同分层方案的乔灌木地上部分生物量模型精度,以期为基于遥感数据的干旱区人工林乔灌木地上部分生物量高精度反演提供理论依据。【方法】在毛乌素沙地实地调查102块30 m×30 m样地,基于高分辨率无人机影像,利用面向对象的机器学习算法获取乔灌草植被覆盖度信息,采用3种分层方案（不分层、基于乔木和灌木2种植被类型分层、基于5个树种分层）构建冠层覆盖度-乔灌木地上部分生物量模型。基于Landsat8 OLI影像,使用6种光谱指数（NDVI、RVI、MSAVI、TCG、NDMI、NIRv）,结合无人机影像解译草本植被覆盖度,采用3种分层方案（不分层、有无草本植被样地分层、3个草本植被覆盖度等级样地分层）构建不同光谱指数-乔灌木地上部分生物量模型。【结果】不分层的冠层覆盖度-乔灌木地上部分生物量模型鲁棒性最差（R²=0.22,n=102）,且估算精度最低(RMSE=14.98 t·hm^-2...     

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GoogleEarthEngine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。     

基于机载激光雷达的崇礼冬奥核心区林分地上生物量反演

【目的】基于机载激光雷达数据建立结构稳定的林分地上生物量预测模型,考虑最小二乘、混合效应和贝叶斯等参数估计方法对最优生物量预测模型选择进行探讨,为生物量建模方法研究、生物量估测提供科学依据,为冬奥核心区实现“双碳”目标和生物量模型计算提供技术支撑。【方法】基于崇礼冬奥核心区2种森林类型(华北落叶松和白桦)62块实测样地及对应的激光雷达数据,通过变量筛选分别建立最小二乘、混合效应和贝叶斯生物量模型,应用确定系数(R²)、均方根误差(RMSE)、残差、总体相对误差(TRE)评价模型,采用留一交叉法验证模型精度。【结果】筛选出相关性较高的激光雷达变量共20个,最终进入模型的自变量3个。拟合效果最好的是Logistic混合效应模型(RMSE=22.99 t·hm^-2,R²=0.768,TRE=6.08%),分树种建立模型后华北落叶松模型拟合效果提升(RMSE=22.92 t·hm^-2,R²=0.795,TRE=7.45%),白桦模型预测精度提高(RMSE=23.34 t·hm^...     

基于Landsat8影像的汝城县森林地上生物量遥感估算研究

精确估测森林生物量是分析森林碳动态和碳循环的基础。本研究采用汝城县森林资源连续清查数据,结合Landsat 8遥感影像,分析了森林地上生物量的空间自相关和空间异质性,并选取显著相关的植被指数因子,分别构建普通最小二乘模型、空间滞后模型以及地理加权回归模型,并绘制汝城县森林地上生物量的空间分布图。结果表明:通过对森林地上生物量的空间效应分析,发现样地生物量的空间自相关和空间异质性不容忽视。与普通最小二乘回归相比,空间滞后模型和地理加权回归模型可以减少空间效应对森林地上生物量估测的影响。地理加权回归模型可以最大程度地减少过高或过低估计,估测森林地上生物量的精度最高,决定系数达到0.756,均方根误差和平均相对误差最小,分别为17.288 t·hm~(-2)和-8.542%。因此使用Landsat 8遥感影像结合地理加权回归方法在改善森林地上生物量的估测中具有巨大潜力。     

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。     

星载LiDAR与HJ-1A/HSI高光谱数据联合估测区域森林冠层高度

【目的】将ICESat-GLAS波形数据与HJ-1A/HSI高光谱数据联合,借助HSI高光谱数据提供的连续高分辨率光谱信息,实现区域森林冠层高度的估测,降低由于GLAS光斑呈离散条带状分布无法覆盖整个研究区造成的估测误差。【方法】首先,从平滑后的ICESat-GLAS波形数据中提取波形参数(波形长度W和地形坡度参数TS),基于W和TS建立GLAS森林冠层高度估测模型,并利用此模型计算研究区所有GLAS光斑内的森林冠层高度;然后,采用最小噪声分离法(MNF)对HJ-1A/HSI高光谱数据进行降维,提取前3个MNF分量(MNF1,MNF2,MNF3);最后,基于支持向量回归机(SVR)算法,利用GLAS估测的森林冠层高度和3个MNF分量建立区域森林冠层高度SVR估测模型,并估测研究区内无GLAS光斑覆盖区域的森林冠层高度,生成森林冠层高度分布图。【结果】从ICESat-GLAS波形数据中提取的地形坡度参数TS与野外实测地形坡度具有显著线性关系(R2=0.78);基于W和TS建立的GLAS森林冠层高度估测模型的R~2=0.78,RMSE=2.51 m,模型验证的R~2=0.85,RMSE=1.67 m;基于支持向量回归机算法建立的SVR模型建模的R2=0.70,RMSE=3.62 m,模型验证的R2=0.67,RMSE=4.42 m。采用野外数据对最终得到的森林冠层高度分布图的估测误差进行分析,结果估测误差最大值为7.10 m,最小值为0.07 m,平均值为1.78 m,估测误差的标准差为1.49 m,Q1为0.75 m,Q3为2.31 m。【结论】从ICESat-GLAS波形数据中提取的地形坡度参数TS能够很好地反映地形坡度的变化,本研究建立的线性关系模型可克服对数关系模型在平坦地区解释困难的问题。基于支持向量回归机算法,将ICESat-GLAS波形数据与HJ-1A/HSI高光谱数据联合,可克服ICESat-GLAS由于光斑呈离散条带状分布无法实现区域森林冠层高度估测的不足,实现对区域森林冠层高度的高精度估测。     

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。     

甘肃黑河流域上游森林地上生物量的多光谱遥感估测

[目的]以黑河流域上游祁连山森林保护区为研究区,利用133个森林样地调查数据、Landsat-5 TM影像和ASTER GDEM产品为数据源,探讨地形对该流域森林地上生物量(above-ground biomass,AGB)估测的影响,以及选择合适的遥感估测方法反演该流域的森林AGB.[方法]首先利用青海云杉特殊的生境范围和绿色植被对比值植被指数(ratio vegetation index,RVI)的灵敏程度,及不同地物对纹理特征的不同响应,制定相应的决策树分类器,将研究区的土地覆盖类型分为两大类:森林(青海云杉)-非森林,并利用133个森林样地调查数据和Google Earth 高分辨率影像的12 722个采样点对分类结果进行验证(总体分类精度达到90.39％,Kappa系数为0.81);然后运用多元线性逐步回归估测法,以及结合随机森林算法(random forest,RF)优化后的k最近邻分类法(k-nearest neighbors,k-NN)进行森林AGB的遥感估测,对比SCS+C地形校正前后青海云杉森林AGB的估测结果,同时比较2种不同估测方法的反演效果;最后利用得到的最优估测方法反演整个研究区的森林AGB,生成黑河流域上游祁连山森林保护区的森林AGB的等级分布图.[结果]SCS+C地形校正前多元线性逐步回归的估测精度为R2=0.31,RMSE =34.41 t·hm-2,地形校正后多元线性逐步回归的估测精度为R2 =0.46,RMSE =30.51 t·hm-2;而基于SCS+C地形校正后的k-NN的交叉验证精度不仅明显高于地形校正前的精度,且显著优于多元线性逐步回归的估测结果,达到R2=0.54,RMSE=26.62 t·hm-2;另外基于最优的k-NN估测模型(窗口为7×7,采用马氏距离,k=3)反演的该流域青海云杉在2009年总的森林地上生物量为8.4×107t,平均森林地上生物量为96.20 t·hm-2.[结论]在地形复杂地区,运用SCS+C模型对地形进行适当校正,能够有效地消除太阳入射角变化引起的地表反射亮度的差异,使影像能够更准确地反映地表信息,提高森林AGB的遥感估测精度;在样本有限的情况下,相对于以大数定律作为理论基础的多元线性逐步回归估测法,k-NN能够避免发生过学习现象和样本不平衡问题,更适于该研究区青海云杉的森林AGB的估测.     

基于GF-1与Landsat-8的康保县叶面积指数遥感反演研究

以GF-1和Landsat8遥感影像为数据源,采用逐步回归、非线性Logistic回归和基于空间位置的地理加权回归3种方法,结合134个野外样地调查数据,在河北省康保县开展叶面积指数反演研究,并对结果进行精度检验。结果表明:(1)在荒漠化地区,GF-1和Landsat-8遥感影像提取的植被指数因子与LAI均有较高的相关性。运用主成分分析方法对植被指数因子进行处理,可以有效消除各影响因子间的共线性。(2)基于GF-1和Landsat-8影像分别建立的3种模型,均以地理加权回归决定系数最大,均方根误差最小,反演精度最高。(3)国产GF-1数据反演LAI效果优于Landsat-8,可以代替Landsat-8数据进行叶面积指数的估测。     

基于Landsat时间序列数据的森林地上生物量估测研究进展

利用时间序列遥感数据可以提高森林生物量估测精度和估测生物量动态变化,为森林碳储量和气候变化研究提供更为精确的反演基础。文中基于Landsat时间序列数据研究森林地上生物量的遥感估测方法,从数据预处理、数据重构、遥感因子选取以及模型构建与精度评价4个方面进行回顾和评述,并提出研究建议与展望。     

考虑地形效应的高山松地上生物量遥感估测模型构建

[目的]研究基于遥感因子与地形因子构建香格里拉市高山松地上生物量非线性混合效应估测模型,提高高山松地上生物量估测精度.[方法]以2015年和2018年Landsat 8 OLI与对应年份样地实测数据为基础,通过二元生物量模型计算出高山松地上生物量.提取植被指数、纹理等遥感因子.将地形因子按照一定等级进行划分后作为模型因...     

基于TerraSAR-X和ALOS PALSAR数据的森林蓄积量估测研究——以云南省勐腊县为例

基于2014年12月3日获取的X波段Terra SAR-X数据和2008年10月19日获取的L波段ALOS PALSAR数据,引入树种类型为哑变量,采用逐步回归的方法,对云南省勐腊县森林蓄积量进行估测。结果表明,与X波段Terra SAR-X数据相比,基于L波段ALOS PALSAR数据建立的森林蓄积量模型具有更高的决定系数,R~2为0.843,模型估测精度为68.8%,均方根误差RMSE为38.8 m3·hm~(-2),最终结果证明波长较长的L波段ALOS PALSAR数据对森林蓄积量具有更好的估测效果。