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Landsat的高山松地上生物量动态变化估测模型构建

以香格里拉市高山松为研究对象,基于1987—2017年的国家森林资源清查固定样地和对应年的Landsat TM/OLI数据提取对应的遥感因子,计算30 a期间生物量和遥感因子的5、10 a定期变化量、年平均变化量、5、10 a变化率;采用多元线性回归（MLR）和随机森林（RF）方法构建地上生物量模型,提高高山松森林AGB动态变化遥感估测的精度。结果表明：基于5种变化量类型的RF模型效果均优于相应的MLR模型,RF模型中采用5 a变化率效果最好,其拟合R²为0.956,RMSE为0.664 t/(hm²·a),预测结果中RMSE为2.285 t/(hm²·a);纹理因子在高山松地上生物量变化量建模中贡献最大。采用遥感因子变化率构建的高山松地上生物量动态变化估测模型,提高了生物量变化的估测精度,可为森林地上生物量的动态估测研究提供参考。     

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     

高山松单木地上生物量模型不确定性研究

以高山松为研究对象,基于113株单木地上生物量测量数据,在前期构建高山松一元和二元幂函数模型基础上,采用六步法和泰勒级数对模型的残差变异和参数误差进行不确定性分析。结果表明：基于113株高山松构建的单木生物量模型,一元回归模型的残差变异及模型参数引起的不确定性分别为6.20%、30.30%,综合不确定性约为30.83%;二元回归模型残差变异和模型引起的不确定性分别为5.17%、3.12%,综合不确定性约为6.04%。当建模样本量从38增加至71时,模型的不确定性变化显著。一元模型的参数不确定性和残差变异不确定分别减少14.50%和1.25%,综合不确定性减少14.52%;二元模型参数不确定性和残差变异不确定分别减少35.65%和5.80%,综合不确定性减少34.96%。随着分组样本数的增加,一元地上生物量模型和二元地上生物量模型,其模型的残差变异不确定性也逐渐减小。模型残差变异不确定性和参数不确定性是单木地上生物量模型构建中不确定性的主要来源,增加模型参量能有效降低单木地上生物量模型中参数引起的不确定性;建模样本数量的增加,能有效降低模型参数不确定性及残差变异不确定性。     

依据光学遥感特征优选的森林地上生物量反演

以Landsat 8、GF-1和Sentinel-2A为数据源,依据2019年、2020年外业调查数据为实测数据,提取纹理因子和植被指数,采用KNN-FIFS方法构建研究区的森林AGB估算模型,对云南省宜良县小哨林场森林AGB进行反演。结果发现3种光学数据的森林AGB估算模型中,Sentinel-2A数据结果最优,R²为0.60,R_MSE为21.40 t/hm²;GF-1反演结果次之,R²为0.59,R_MSE为22.11 t/hm²;Landsat 8反演结果较差,R²为0.47,R_MSE为23.29 t/hm²;组合3种数据特征的反演结果最差,R²为0.42,R_MSE为23.86 t/hm²。结论得出：高空间分辨率光学数据反演结果优于低空间分辨率结果,多源数据组合反演森林AGB低于单一数据源反演结果,Sentinel-2A和...     

应用滤波方法提高高山松地上生物量遥感估测精度的研究

基于1987年、1992年、1997年、2002年、2007年、2012年分布在香格里拉市的34个高山松固定样地数据,以及Landsat时间序列数据集,利用谷歌地球引擎和Python,通过3种滤波算法对时间序列数据进行重构,应用随机森林算法对森林地上生物量进行估测,根据模型评价指标对重构前后时间序列数据的估测效果进行分析。结果表明：采用3种不同滤波方法重构的时间序列数据训练的非参数模型,其拟合精度和预测精度均高于滤波前时间序列的预测精度,整体均方根误差和相对均方根误差指标均优于滤波前数据,其中ARMIA方法最佳。应用滤波方法在一定程度消除了影像自身所携带的大量噪声和不确定性,有效地提高了数据质量,提高了高山松地上生物量遥感估测的精度。     

基于k-NN非参数模型的高山松生物量遥感估测研究

以香格里拉高山松为研究对象,Landsat8/OLI为信息源,在前期进行香格里拉市高山松遥感特征光谱提取的基础上,结合地面50个实测样地数据,建立了研究区高山松地上生物量k-最近邻法(k-NN)遥感估测模型。结果表明,采用欧式距离度量特征变量间的相似度,距离分解因子t、最近邻数k值分别取2和4的模型参数结构下拟合精度达到最佳,决定系数(R~2)为0.71,均方根误差(RMSE)为18.21 t/hm~2;基于像元尺度的优化模型估测得到香格里拉市的生物量约为0.22亿t,研究结果可为低纬度高海拔地区的森林生物量遥感估测提供案例。     

基于Rapideye影像的林木地上生物量估测

以石台县为研究地,结合Rapideye高分遥感影像和不同森林类型样地林木地上生物量调查数据,采用Pearson双变量相关分析方法筛选模型变量,分别用多元线性回归和随机森林算法建立不同森林类型的遥感地上生物量估测模型,并进行模型估测精度对比分析。结果表明,叶绿素红边模型(CRM)与叶绿素绿波模型(CGM)2个指数与针叶林、阔叶林生物量在0.01水平上的相关性极显著,且在其多元线性回归模型和随机森林模型中两者均被挑选为建模变量。另外,与生物量相关性较强的纹理特征主要集中的红光波段和红边波段,且仅MEAN、VAR、SM3个滤波对生物量估测贡献较大,可作为建模变量。阔叶林、针叶林和针阔混交林3种森林类型的地上生物量模型估测精度均表现为随机森林模型优于多元线性回归模型。随机森林模型生物估测绝对均方误差在12.8760~36.5363之间,相对均方误差在20.20%~45.95%之间;多元线性回归生物量估测绝对均方误差在22.0425~46.4494之间,相对均方误差在34.58%~58.42%之间。     

云南松地上生物量模型研究

森林生物量作为森林生态系统的最基本数量特征,是研究许多林业问题和生态问题的基础,但由于地域的不同,地上生物量及各分项生物量存在差异。以西藏、云南2个省(自治区)的130株实测云南松Pinus yunnanensis生物量数据,分别用传统回归方法和利用引入地理区域为特征的哑变量方法建立了地上总生物量和地上各分项生物量的一元(胸径为自变量)、二元(胸径和树高为自变量)和三元(胸径、树高、冠幅为自变量)模型。结果表明:所建生物量模型中,地上总生物量模型精度最高,预估精度为0.9300~0.9600,其次是树干、树皮和干材生物量模型,预估精度为0.9000~0.9500,树叶生物量模型的预估精度相对较低,其值为0.8500~0.8900,而且所有的模型都满足二元模型的预估精度和确定系数比一元模型高,与三元模型相差不大。引入哑变量后的模型中,不管是一元模型、二元模型还是三元模型,模型的确定系数、预估精度都相应提高,确定系数为0.7300~0.9600,预估精度为0.8800~0.9600,而且估计值的标准误差和平均相对误差都减少了。因此,构建不同区域地上生物量和和各分项生物量模型时,建议引入哑变量,以提高模型精度和适用性,来解决不同地区模型不相容的问题。     

基于遥感的平潭木麻黄生物量快速估算

福建省平潭综合试验区是海峡两岸交流合作的试验区,木麻黄（Casuarina equisetifolia）作为平潭主要的沿海防护乔木,在平潭主岛广泛分布。采用归一化比值植被指数（Normalized difference vegetation index,NDVI）对木麻黄生物量快速估算,可为区域尺度的单一乔木生物量快速、无破坏估算提供参考,同时为评价主岛生态系统生产潜力和经营管理提供数据支撑。采用RS和GIS技术,对平潭主岛2017年4月的Landsat 8 OLI影像进行处理,以实地调查数据为基础,利用专家分类知识库（Knowledge base system,KBS）提取木麻黄信息,以NDVI为自变量,引用木麻黄公式获取的木麻黄生物量为因变量,建立NDVI与生物量的反演模型,对主岛木麻黄生物量进行估算,采用K-均值聚类法对各乡镇木麻黄进行分区统计。结果表明：（1）基于专家分类知识库的木麻黄提取,总体精度达81.3%。（2）建立的5种常用模型,通过显著性检验,R值均在0.67以上,NDVI与木麻黄生物量之间存在相关性,采用NDVI估算区域生物量可行,多项式的拟合效果最佳（R=0.72,MRE=23.00%,RMSE=21.62 t·hm^-2,rRMSE=24.94%）。（3）根据二项式模型估算出平潭主岛木麻黄生物量为738 235.98 t,单位面积生物量为161.34 t·hm^-2,以较高水平生物量分布占主导地位。（4）主岛木麻黄总体分布趋势表现为：西北多、东南少,分布主要集中于农田和沿海尤其是五大风口,其中以平原镇、芦洋乡和中楼乡所处的长江澳风口分布最密集,防护面积最大;流水镇、北厝镇和苏澳镇木麻黄生物量水平最高;芦洋乡、中楼乡、岚城乡、平原镇和敖东镇较高;白青乡、澳前镇位于中等水平;潭城镇最低。     

马尾松不同区域相容性立木材积和地上生物量模型

已有很多国内外学者研究立木材积与地上生物量相容性的问题,但是建模过程中考虑区域因子对模型影响的研究相对较少。针对此问题,以重庆市、四川省和湖北省151株马尾松Pinus massoniana的样本数据为例,采用哑变量和非线性联立方程组的方法,建立了不同区域马尾松通用的相容性地上生物量模型、立木材积模型和它们的转换因子模型。结果表明:马尾松不同区域的模型之间存在差异性;哑变量和非线性联立方程组的方法可以有效地解决不同区域模型的差异性和立木材积与地上生物量模型的相容性;马尾松地上生物量和立木材积的二元模型均优于其对应的一元模型;在独立拟合的地上生物量回归模型中引入立木材积因子,可以有效地改善模型的预估效果;构建的马尾松相容性立木材积和地上生物量哑变量模型评价指标满足中国生物量模型的精度要求（预估精度均高于95%,总相对误差均小于2%,平均预估误差则均小于5%）。     

基于遥感特征变量的高山松碳储量抽样估算

以Landsat 8 OLI遥感影像为数据源,结合香格里拉市森林资源二类调查数据,在可靠性为95%,抽样精度分别为95%、90%、85%的3种情况下,基于遥感特征变量采用分层抽样对高山松碳储量进行估算,并与一般分层抽样、系统抽样结果进行比较分析。结果表明：遥感特征变量的筛选中,相关性最强的4个依次为11窗口第4波段信息熵（R11B4EN）、11窗口第4波段均值（R11B4ME）、11窗口第7波段协同性（R11B7HO）、11窗口第2波段二阶矩（R11B2SM）。在相同抽样设计精度下,抽样单元数量均呈现系统抽样>一般分层抽样>遥感分层抽样的规律。在95%和85%的抽样设计精度下,采用11窗口第2波段二阶矩（R11B2SM）的实际抽样精度最高,误差最小。可见,基于遥感特征变量的分层抽样可为森林碳储量调查提供参考。     

基于遥感信息模型的香格里拉森林生物量估算

森林生物量是陆地生态系统碳循环过程中最主要的参数,森林生物量准确估算是进行森林碳循环和碳储量及变化分析的基础。以香格里拉这一特殊区域为研究区,以野外调查样方数据为基础,利用植被指数、降水、积温、太阳总辐射量、海拔等多个因子,组合成遥感综合因子层、地理综合因子层与水、光、热一同构成变量,建立了研究区丽江云杉Picea likiangensis-长苞冷杉Abies georgei林,川滇高山栎Quercus aquifolioides林,云南松Pinus yunnanensis林,高山松Pinus densata林等4个建群种森林生物量遥感估算模型,并进行了检验。据此模型开展其生物量估算研究,结果表明:研究区4种森林总生物量为1.14亿 t,其中云冷杉林、栎类林、云南松林、高山松林4种森林的生物量分别是0.715亿t,0.14亿t,0.09亿t和0.20亿t;4种森林总的生物量分布在海拔、坡度上都具有明显的规律,在坡向上无明显分布规律。图1表7参10     

尼洋河流域高山松次生林林分因子与林龄的相关性

【目的】揭示藏东南尼洋河流域高山松次生林的林分特征,研究主要林分因子与林龄的相互关系。【方法】以西藏林芝尼洋河流域17块高山松次生林样地实测数据为依据,测算林分密度、林分平均胸径、林分平均高、优势木平均胸径、优势木平均高、林分胸高断面积、林分蓄积量等主要林分因子,并按照五点取样法在每个样地内设置5个2 m×2 m的小样方进行林下更新苗调查。通过钻取标准木髓芯,运用LINTABTM6年轮分析仪确定林龄,采用回归分析等方法对尼洋河流域高山松次生林主要林分因子与林龄的相互关系进行分析。【结果】尼洋河流域高山松林属于优势种群,且种群稳定,各林分因子与林龄显著相关。林分的胸径分布随林龄增加呈现出中间高两边低的近似正态分布;林分密度与林龄之间存在极显著负相关关系（R²=0.816）;林分平均胸径、平均高、胸高断面积和蓄积量与林龄呈极显著正相关,R²分别为0.762,0.829,0.853和0.885,其与林龄之间的回归关系用幂函数方程拟合最好;优势木的平均胸径和平均高与林龄也具有极显著相关性,R²分别为0.790和0.914;林下幼苗更新数量变动较大（更新密度为0～9 000 株/hm²,平均为（2 912±2 986） 株/hm²）,且与林龄无显著相关性。【结论】作为尼洋河流域主要建群种之一,该区域高山松次生林林分结构稳定,生长潜力大;主要林分因子与林龄之间存在显著相关性,林下更新苗数量差异较大且与林龄无显著相关关系。     

杉木人工林冠层高度无人机遥感估测

冠层高度是森林资源调查的重要因子。传统的森林树高调查方法存在外业调查难度大,效率低等问题。无人机（UAV）的发展为快速估测森林树高提供了手段。以福建省闽清县的杉木Cunninghamia lanceolata人工林为研究对象,通过Eco Drone-UA无人机遥感系统获取研究区遥感影像,利用Pix4D Mapper软件对航拍多光谱影像进行预处理,构建数字表面模型（DSM）,利用1:10 000地形图生成数字高程模型（DEM）;基于DSM和DEM叠加相减得到树冠高度模型（CHM）,实现杉木树高的提取。结果表明:植被指数和多光谱波段结合随机森林算法能够有效识别真实树冠顶点;利用无人机遥感影像能够实现杉木树高估测,相对误差最小值为0.81%,最大值为23.48%,标准误差为1.48 m,估测精度为90.8%。高程变化对树高估测精度有影响,根据高程大小排序的3组样木实测树高与提取树高的决定系数（R2）分别是0.97,0.84和0.78,标准误差分别是0.67,1.17和1.99 m,在高程较高区域树高估测精度明显高于高程相对较低区域。