大兴安岭南段阔叶次生林生物量遥感模型研究

应用遥感技术对大兴安岭南段次生阔叶林生物量进行估测,融合2009年8月的SPOT及同期TM影像,结合DEM等资料,利用多源信息复合处理方法,在ENVI软件中计算归一化植被指数、比值植被指数,同时引入海拔、坡度、坡向与阔叶林生物量估测相关的因子,依据地面森林样地生物量实测数据,运用多元回归分析方法,建立阔叶林生物量遥感估测模型B=13220.418-(254.645S+7.218A+46.679RVI)。经过模型检验,各统计量均在合理范围之内,建立的多元回归生物量遥感估测值与实测值平均相对误差≤17.14%,模型预测结果合理精度较高,可用于赛罕乌拉国家级自然保护区阔叶林生物量预测,同时为大兴安岭南段阔叶次生林生物量的遥感估测奠定基础。     

川西亚高山针叶林生物量遥感估算模型研究

利用野外实测68个样地的森林生物量数据、TM影像的单波段数据、植被指数数据以及地形数据在内的18个自变量建立了川西亚高山针叶林生物量的回归估算模型。研究表明:在建立的一元线性回归、一元非线性回归和多元线性回归生物量模型中,以多元线性回归模型在森林生物量估算中有较好的精度。     

长白山林区森林生物量遥感估测模型

采用黑龙江长白山地区TM图像和143块森林资源连续清查固定样地数据及野外调查补充样地数据,选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合(包括11种植被指数)、纹理信息以及环境因子在内的75个自变量,分别采用逐步回归分析法和偏最小二乘回归法建立黑龙江长白山林区森林生物量遥感估测模型:逐步回归法采用5个自变量所建模型平均拟合精度为76.5%,均方根误差为19.12t·hm-2,样地生物量真实值与预测值相关系数为0.5434;偏最小二乘回归法采用10个自变量所建模型平均拟合精度85.8%,均方根误差9.92t·hm-2,样地生物量真实值与预测值相关系数0.8603,偏最小二乘回归法要优于逐步回归法。利用建立的偏最小二乘回归模型计算得到黑龙江长白山2007生物量等级分布图,采用29个检验样本对反演结果进行检验,计算得到29个样本的平均预测精度为83.73%。     

基于随机森林回归模型的思茅松人工林生物量遥感估测

以云南省景谷县思茅松人工林为研究对象,以研究区2005年TM影像及2006年森林资源二类调查小班空间属性数据库为信息源,在前期建立思茅松单木生物量模型基础上,在ENVI下提取9个植被指数作为备选自变量,建立研究区思茅松人工林随机森林回归遥感估测模型。结果表明:随机森林回归遥感估测模型的决定系数(R2)=0.97,均方根误差(RMSE)=4.97;模型的预估精度(P)=87.67%。利用已经训练好的随机森林估测模型,估测研究区思茅松人工林生物量为3 644 612.00t;单位面积生物量为59.90 t/hm2。研究结果可为其它典型森林类型生物量或碳储量估测提供案例分析。     

基于印度遥感卫星IRS—P6的森林生物量估测模型研究

印度遥感卫星IRS—P6的LISS3数据由于其较高的空间分辨率和相对较低的数据价格而受到广泛关注,而利用LISS3数据估测森林生物量的研究报道较少。以高黎贡山自然保护区常绿阔叶林为研究对象,以2006年印度卫星IRS—P6的LISS3影像为主要数据源,利用地面样地胸径每木调查数据,结合生物量相对生长式,得出样地生物量。通过遥感数据提取4个波段的光谱值、6种植被指数,从DEM获取的海拔、坡度、坡向,共13个遥感及地学因子。在此基础上,提取13个因子的主成分,以前5个主成分值作自变量,建立主成分与地面生物量的回归模型,模型经方差分析及相关性检验,达到显著相关水平,相关系数R=0．7129。     

森林针叶化的倾向值得注意

湖南地处中亚热带,。森林植被丰富。按《中国植被区划》为湿润常绿阔叶林地区,树种繁多。据近年考察所知有树种1800多种,而目前造林树种不到10个,特别自60年代以来,大量阔叶林被砍掉营造针叶纯林,森林已大面积针叶化。如“七·五”第1—3期工程,统计造林41万公顷,其中针叶林占97.3％,阔叶林占2.7％。以湘西自治州为例,在现有695.38万亩用材林中,针叶林为597.78万亩,占86％,阔叶树种为92.48万亩,仅占13.3％。就人工林而言,针叶林235.04万亩,占人工林总面     

森林地上生物量遥感反演研究进展

森林地上生物量是反映森林生态系统状况的关键性指标之一,对全球气候变化、以及我国实现碳达峰和碳中和目标具有重要意义。遥感技术快速发展并日益成熟,已成为大区域尺度森林地上生物量反演的主要技术手段。通过系统梳理国内外相关文献资料,从数据源和反演模型两方面对森林地上生物量遥感反演研究进展进行讨论：从数据源角度,阐述分析光学遥感数据、合成孔径雷达数据、激光雷达数据等3种数据源提供的有效信息、优势及局限;从反演模型角度,结合实际应用案例讨论分析多元回归模型、机器学习算法、机理模型等3种模型的特点及适用范围。在总结现阶段利用遥感手段反演森林地上生物量存在问题的基础上,分析探讨未来森林地上生物量遥感反演的方向和热点。     

荔波喀斯特森林群落的生物量模型

为了准确估算喀斯特青冈栎-黄樟群落生物量,在贵州茂兰喀斯特自然保护区内,选取常绿落叶阔叶林青冈栎-黄樟群落作为基础群落,以D、D2H作为自变量,利用5种函数方程拟合群落生物量模型.结果表明:通过对标准木生物量的回归分析,以幂回归模型为最优,得出青冈栎-黄樟群落各组分生物量最优方程:W干材=168.27(D2H)0.89,W树枝=44.497(D2H)0.835 9,W树叶=19.705(D2H)0.821 7,W树皮=17.660(D2H)0.8528,W地上=250.06(D2H)0.8443.     

天堂山林场森林地上生物量及碳储量的遥感估算模型构建

基于广东省清远市天堂山林场的二类调查小班数据和 landsat8 遥感影像和多元逐步回归的方法,建立森林地上生物量模型,进而构建森林地上碳储量模型,对天堂山林场森林碳储量及其分布进行了估算,并讨论了预测结果及其精确性。结果表明：阔叶林、针叶林和混交林生物量模型的拟合优度分别为 0.77、0.67、0.69。基于碳储量估算模型计算生成的天堂山林场碳储量分布图与采用二类森林调查数据得到的碳储量分布图空间分布一致。验证了基于 landsat8 遥感影像的碳储量模型能为森林碳储量提供快速准确的估测。     

遥感技术支持下的森林生物量研究进展

遥感技术已被广泛应用于植被的定量研究中, 特别是植被生物量的遥感估测研究, 已取得了突破性的进展。文中叙述了遥感技术在植被生物量估测中的应用, 分析了各种遥感数据源在森林生物量估测中的优缺点。     

云冷杉林生物量遥感估测模型研究

利用遥感技术获取森林生态系统生物量是快速获取森林生物量的重要途径.文章以香格里拉县遥感影像图所提取的各植被指数及DEM所提取的地学因子为自变量,以云冷杉林生物量为因变量,建立多元线性回归模型.对模型的精度进行检验,选出最优模型.     

森林地上生物量多模式遥感信息动态分析及建模框架

森林控制着全球碳循环的动态,而森林地上生物量是固碳能力的重要标志,是评估森林碳收支的重要参数,是系统发挥其它生态功能的物质基础。基于任何单一的方法,如森林资源清查资料方法、遥感模型反演方法、通量观测法以及生态模型方法等均无法高效地刻画森林地上生物量及其动态变化信息。基于此,提出改进森林地上生物量估测精度的时空连续性的新思路和新方法,即基于已有的多模式遥感数据及产品、森林生态过程时空动态知识和各种地面连续观测数据提取的时空动态特征,采用同化算法进行遥感信息动态建模,生成高精度、时空连续、物理量一致的森林地上生物量及其动态变化产品。     

利用MODIS数据反演森林生物量的方法研究

以东北三省为试验区,利用MOD IS时间序列上的植被指数NDVI,结合森林资源清查样地数据测算的林分生物量,以及年均降水量、年均蒸散量、年均湿润度、年均积温、经度、纬度等地理环境因子,采用多元线性回归的方法构建森林生物量遥感估测模型。通过样本检验,该模型对东北三省的森林生物量密度估测精度较高,与检验样本的平均每公顷生物量平均相差1.30%;通过样本定位检验,平均相差21.87%。该模型适宜在宏观尺度上估测森林生物量。     

青海省黄南地区灌木林遥感生物量模型研究

基于青海省黄南地区MODIS遥感影像图,通过Arc GIS提取区域归一化植被指数NDVI,结合青海省林业资源调查结果,分析区域NDVI和黄南地区灌木林优势树种生物量之间的定量关系。结果表明,NDVI与灌木林生物量显著性相关,拟合两者的回归模型,金露梅、沙棘、山生柳、杜鹃树种的最优模型分别为三次函数曲线,幂函数曲线,复合函数曲线和三次函数曲线模型。     

生物量估测中的遥感技术

论述了森林生物量的概念和发展历史,介绍了常规森林生物量的估算方法,并进一步较为详尽地分析了广泛应用于生物量估算的遥感模型以及它们的影响因素。最后对应用遥感技术估测森林生物量的发展趋势作了论述。     

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.     

高空间分辨率遥感森林参数提取探讨

介绍了高空间分辨率遥感在森林参数提取方面的研究和应用情况,并结合国内外学者在此方面所做出的研究成果,对不同森林参数的提取分别做了阐述,包括单木树冠轮廓信息、胸径、森林生物量、树种识别和分类、叶面积指数、森林郁闭度、木材结构和性质。最后分析了高空间分辨率遥感在森林参数提取方面存在的问题,并对该领域的应用前景作了展望。