基于林分结构响应的PALSAR森林结构参数估测

为提高ALOS PALSAR数据估测森林结构参数的精度,引入代表林分结构复杂程度的调整熵值(ENTadj)参与估测,以消除林分结构对雷达后向散射系数的干扰。首先利用野外样地实测的树高计算林分的调整熵值,与Landsat8 OLI第6波段建立线性回归模型,获得基于像元的调整熵值。一般森林结构参数与ALOS PALSAR后向散射系数之间的关系可以用对数模型模拟。引入基于像元的调整熵值作为自变量对原始对数模型进行改进,分别对林分平均高、林分平均胸径、林分蓄积量建立了3种形式的改进模型。利用原始模型和改进模型分别对杉木林、马尾松林、阔叶林和针阔混交林的上述森林结构参数进行估测。最后比较模型拟合精度筛选出3项森林结构参数在各类森林中的最优模型,共计12个。结果表明:考虑林分结构干扰后,雷达估测森林结构参数模型的拟合精度R2均得到了提高。马尾松林各项森林结构参数模型的拟合度提高最大。精度检验结果表明:林分平均高估测精度(RMSE为0.74~2.51 m)、林分平均胸径估测精度(RMSE为2.61~5.61 cm)和林分蓄积量估测精度(RMSE为21.71~30.92 m3/hm2)都比较理想。本研究探讨了林分结构信息应用于合成孔径雷达后向散射系数反演森林结构参数方面的潜力,提高了光学数据结合雷达数据估算森林结构参数的能力。      

基于机载LiDAR数据的林分平均高及郁闭度反演

以内蒙古大兴安岭森林生态系统国家野外科学观测研究站为研究区,通过2012年8月至9月获取的机载激光雷达数据与地面同步调查样地数据,构建林分平均高反演模型和林分内郁闭度反演模型。结果表明:混交林、阔叶林和针叶林的林分平均高估测精度依次为95.66%、94.11%和90.71%,林分郁闭度估测精度依次为92.73%、56.62%和85.19%。不同森林类型的林分平均高与郁闭度反演精度存在显著性差异。     

基于环境星的混合像元分解水稻面积提取

以河南省息县水稻种植面积提取为例,选取线性光谱混合模型对环境小卫星数据进行分类,并计算出水稻种植面积,将其结果与高分辨率ALOS数据进行位置精度计算,得到平均精度达87.89%。同时,与决策树分类方法和神经元网络分类等方法进行对比,混合像元分解方法总量精度显著提高。表明针对环境小卫星的混合像元分解方法可以提高水稻种植面积的提取精度。     

基于航片建立数字高程模型及林分信息提取

以东北林业大学帽儿山实验林场2004年航片和同年森林经理调查数据为基础,在VirtuoZo软件平台上应用数字摄影测量方法与技术,完成了帽儿山航片的空三加密过程,在试验区生成立体像对、建立数字高程模型(DEM)及制作数字正射影像图(DOM).通过等高线回放目视检查法及检查点法验证了DEM的精度,并在数字测图模块(VirtuoZo IGS)下进行了林分平均高及郁闭度两种林分信息提取的研究,结果显示:林分平均高的精度为83.3%,郁闭度的精度为76.6%.将提取的结果与地面实测数据结合,建立了回归模型,通过计算验证,林分平均高、郁闭度精度都有相应的提高,其值分别为86.5%,87.4%.     

基于影像分割的覆膜玉米叶绿素含量反演

【目的】快速、准确监测覆膜玉米叶绿素含量,探明将影像地膜和阴影背景像元剔除能否提高光谱和纹理特征反演叶绿素含量的精度。【方法】以无人机多光谱遥感影像数据为基础,以覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量为对象,使用监督分类分割影像背景像元和玉米像元,分析背景像元对玉米冠层光谱的影响,计算全像元和玉米像元影像的光谱特征和纹理特征并筛选较优变量输入,利用偏最小二乘、支持向量机和BP神经网络3种机器学习算法建立玉米叶绿素含量的反演模型。【结果】(1)苗期、拔节期、抽雄期和灌浆期多光谱影像中的背景像元对玉米冠层的光谱均有显著影响。(2)基于玉米像元影像提取的光谱特征、纹理特征和光谱特征+纹理特征为变量输入的反演精度均优于全像元影像(最佳模型建模R 2提高0.078,RMSE和MAE分别降低0.060和0.055 mg·g^-1,验证R 2提高0.109,RMSE和MAE分别降低0.075和0.047 mg·g^-1)。(3)基于玉米像元影像的光谱特征+纹理特征为变量输入的建模精度比仅使用光谱特征或纹理特征为变量输入的建模精度提升显著;其中光谱特征+...     

基于混合像元分解植被类型提取——以塔河地区为例

以塔河地区的HSI高光谱遥感数据为基础,结合相关的统计学知识,利用非监督分类法和混合像元分解法分别提取森林植被类型,并对其进行精度检验。得出非监督分类总体精度为70. 78%,混合像元分类的精度为76. 87%。结果表明混合像元分解定量解算植被类型是更有效的方法。     

全天候区域地表蒸散发反演——以黑河流域为例

【目的】蒸散发是生物圈、岩石圈、水圈、冰雪圈和大气圈中水分循环和能量传输的重要控制因素。为克服区域尺度方法的主观性和站点尺度方法难以反映气象因子空间异质性的局限,文章以中国境内黑河流域为研究区域,使用2012年6月1日至9月15日的MODIS数据与CLDAS格网气象数据探索区域尺度全天候蒸散发遥感反演。【方法】该文利用逐像元地表温度—植被指数特征空间方法和Penman-Monteith公式分别估算晴空像元和有云像元的地表蒸散发,实现了区域尺度全天候蒸散发遥感反演。在分析研究区CLDAS气象数据的精度基础之上,利用MODIS数据反演的短波辐射来替代CLDAS气象数据中的短波辐射,作为全天候地表蒸散发的输入参数。最后,利用黑河流域4个不同站点实测的地表蒸散发数据对反演值进行验证。【结果】利用MODIS短波辐射代替CLDAS气象数据中的短波辐射,能够显著提高蒸散发的反演精度,4个站点反演值与实测值之间的平均均方根误差为76.3 W/m2。【结论】利用MODIS数据和CLDAS数据可以获得区域尺度的全天候蒸散发。在缺乏短波辐射数据或短波辐射数据精度较低的情况下,利用MODIS数据反演得到的短波辐射作为蒸散发模型的参数输入,能较大地提高蒸散发的反演精度。     

基于ArboLiDAR的大野口林区森林参数估测

以甘肃省张掖市大野口林区为研究区,首次引入芬兰软件ArboLiDAR,基于LiDAR数据,提取林分水平上的主要森林参数并与实测数据做了对比。结果表明,由ArboLiDAR软件提取的参数中,林分平均高的估测精度最高,R~2为0.807,平均估测精度达到90%;平均胸径仅次于平均高;林分胸高断面积的估测精度受林龄结构及林分密度的影响较大,平均估测精度都为80%;对林分密度的估测精度最低,R~2为0.585,平均估测精度为74%。同时,本研究也根据提取出来的森林参数制作了研究区各森林参数区域分布图,为更加直观地了解研究区情况以及后续研究作基础。     

依据BP神经网络的机载LiDAR数据估算林分平均高

以东北虎豹国家公园范围内的针叶纯林为研究对象,结合2018年9月机载LiDAR点云数据和同步地面调查数据,提取半径为15 m的圆形采样尺度下的LiDAR点云特征变量为数据基础,采用BP神经网络算法、逐步回归法分别构建林分算术平均高模型和林分加权平均高模型,实现对林分平均高的估测.其中在利用BP神经网络算法构建模型时分别选择了贝叶斯正则化算法和L-M算法作为神经网络训练算法.结果表明:BP神经网络算法对数据具有更好地解释能力,其构建的林分平均高模型相关系数(R2)均在87％以上,高于逐步回归法构建的林分平均树高模型;林分加权平均高模型精度更高,用样地加权平均高作为实测值时,采用逐步回归算法、BP神经网络L-M算法、BP神经网络贝叶斯正则化算法构建的模型的检验样地数据的决定系数(R2)分别为0.858、0.919、0.908,树高估测精度(P)分别为88.6％、89.8％、91.2％,与以林分算术平均高作为实测值构建的估测模型相比,决定系数(R2)分别提升了4.9％、3.7％、3.4％,估测精度(P)分别提升了2.9％、2.4％、1.5％;BP神经网络的不同训练函数之间无明显性能差异,两种不同训练方法构建的林分平均高模型的决定系数R2及树高估测精度(P)略有差异,但整体相差较小.     

多端元光谱解混模型的改进及对植被盖度的反演

以扎龙自然保护区为研究对象,运用分层的面向对象分类法与多端元光谱解混算法相结合反演该地区的植被覆盖度。结果表明:分层降低了场景复杂度,面向对象分类法与多端元光谱解混算法的结合,有效的减少了计算量和混合像元的端元变化;采用同期高分辨率的SPOT5多光谱遥感影像进行精度验证,与传统的多端元光谱解混模型的反演结果进行对比,相关系数从0.864 3提高到0.902 8,均方根误差从0.171 2减少到0.092 6。因此,分层面向对象多端元光谱解混模型适合对湿地植被覆盖度的反演。     

荒漠化地区植被因子的定量反演方法

采用国产高光谱分辨率成像光谱仪(OMIS-Ⅰ)系统数据对荒漠化评价的植被因子(植被盖度、生物量)进行了定量反演。通过建立以像元为单位的定量化遥感信息模型,获得荒漠化地区植被因子的分布图。结果表明,用高光谱数据定量反演荒漠化地区植被生物量和盖度是比较可靠的。当反演区域内灌木和草地同时存在时,多项式模型的精度要明显高于线性模型;当植被类型单一时,模型即为较高精度的线性模型。植被因子的定量反演与植被类型有关。     

植被盖度遥感反演模型在稀疏高寒草原的对比研究

【目的】基于Landsat8遥感影像数据,反演西藏日喀则地区高寒草原植被盖度。【方法】采用比较常用的3种植被盖度反演模型,即像元二分模型、基于归一化植被指数(NDVI)与土壤调整植被指数(SAVI)的回归模型、改进的三波段梯度差模型,对稀疏高寒草原植被盖度进行反演,并采用照相法实测植被盖度进行反演精度分析。【结果】3种模型对高寒草原植被盖度的反演精度以像元二分模型最高,反演精度为82.02%,其他两种模型均小于80%。【结论】像元二分模型相对于回归模型和改进的三波段梯度差模型更适用于稀疏高寒草原植被盖度的反演。     

运用林分密度和平均高估测思茅松人工林地上生物量

以65块云南省普洱地区思茅松人工林圆形样地数据和sentinel-2多光谱影像数据为研究对象,利用林分平均高与林分密度(每公顷株数、林分疏密度、植被覆盖度、叶面积指数)估测思茅松人工林林分地上生物量。分析思茅松人工林林分地上生物量与林分密度指标的相关性;采用参数模型(不变参数模型和可变参数模型)和非参数模型(包括支持向量机、随机森林和BP神经网络)探索平均高和林分密度等变量估测林分思茅松人工林地上生物量。结果表明:思茅松人工林林分地上生物量与每公顷株树、林分疏密度、植被覆盖度、叶面积指数呈显著正相关(r>0.5);在构建思茅松人工林地上生物量的所有模型中,每公顷株数-林分平均高构建的可变参数模型(R2=0.966 0,RMSE=10.05 t·hm^-2)效果最优,林分平均高-林分疏密度构建的RF模型(R2=0.901 7,RMSE=19.37 t·hm^-2)次之,林分平均高-植被覆盖度构建的RF模型(R2=0.748 4,RMSE=33.36 t·hm^-2)最差;林分密度-平均高的地上生物量模型与实测地上生物量的相关性较高(R2=0.966 0),反演误差值较低(RMSE=10.05 t·hm^-2);叶面积指数比植被覆盖度对林分地上生物量变动有更好的解释能力,每公顷株数对林分地上生物量变动的解释能力好于林分疏密度。     

高光谱稀疏解混法联合HTCI估算草地叶绿素含量

基于高光谱数据的光谱指数法是快速、无损、估算大面积草地叶绿素含量的有效手段,但是背景光谱和冠层结构始终作为干扰估算精度的主要因素而存在。本研究将高光谱混合像元解混方法应用于叶绿素含量估测的光谱指数中,利用基于光谱库的稀疏解混法分解混合像元,得到纯净的草地像元光谱。在此基础上,结合Hyperion影像和HSI影像的光谱特征,提出了HTCI(Hyperion/HSI terrestrial chlorophyll index)估算叶绿素含量。通过对试验结果的分析,证实本方法相较于其他单一光谱指数算法,该方法能够有效地降低背景干扰,具有更高的测算精度。     

多层离散各向异性辐射传输模型在玉米叶面积指数垂直分布反演中的应用

为更准确地监测玉米叶面积指数(leaf area index, LAI)垂直分布,以多层离散各向异性辐射传输(discrete anisotropic radiative transfer, DART)模型构建的模拟数据集为基础,提出一种条件约束的LAI垂直分布反演方法。首先,基于3层垂直分布场景,评价DART模型对玉米冠层反射率和光合有效辐射(photosynthetically active radiation, PAR)的模拟效果,并构建相应的模拟数据集。其次,基于模拟数据集构建LAI和PAR单参数反演模型。最后,以单参数反演模型为先验知识,通过求解约束化问题实现基于高光谱植被指数的玉米冠层LAI垂直分布反演。结果表明:相较于单参数反演模型,约束优化条件下的反演模型精度更高。玉米上层LAI反演结果的决定系数(R2)提高0.022,均方根误差(root-mean-square error, RMSE)降低0.016 m~2/m~2,归一化均方根误差(normalized root-mean-square error, NRMSE)降低1.3%;玉米中层LAI反演结果的R2提高0.08,RMSE降低0.219 m~2/m~2,NRMSE降低10.1%;玉米下层LAI反演结果的R2提高0.069,RMSE降低0.041 m~2/m~2,NRMSE降低4.6%。说明利用条件约束优化的方法进行玉米冠层LAI的垂直分布反演,能有效提高反演精度。     

沙地樟子松不同树高-胸径模型比较分析

【目的】比较不同树高(H)–胸径(D)模型精度,确定适合章古台地区樟子松Pinus sylvestris var. mongolica的H-D模型。【方法】以Sibbesen模型为基础模型,将优势木平均高(HT)、胸高断面积(AB)和平方平均胸径(DQM)3个林分变量以不同组合加入基础模型中,分别建立了H-D的基础模型(1个)和广义模型(3个)及对应的基础混合模型(1个)和广义混合模型(3个)。对固定效应模型平均水平预测(FPA)、混合模型的总体平均响应预测(MPA)和主体响应预测(MPS)的精度进行比较。对混合模型在使用随机抽取样本木和抽取平均木(胸径接近平均值的样本)2种抽样方案计算随机参数时分析MPS精度与样本数量的关系。【结果】表征樟子松H-D关系的4种固定效应模型中,含HT和AB的广义模型拟合精度最高,Akaike信息量准则(AIC)=2 167.7,Bayesian信息量准则(BIC)=2 196.3。相同预测变量的各模型预测精度均表现为:MPSFPAMPA,仅含预测变量D的模型的3种预测精度差异最大。广义模型、广义混合模型、基础混合模型预测精度差异不大。使用验证数据检验模型精度时,每块标准地中随机抽取3株样本木计算基础混合模型随机参数时,该模型精度提升最为明显,MAE和RMSE分别降低了57.97%和57.63%;而广义混合模型精度随抽取样本木数量的增多未出现大的变化。【结论】含有林分变量优势木平均高、胸高断面积的广义模型和基础混合模型均能较好地预测沙地樟子松人工林的单木树高。此外,利用混合模型预测树高时,推荐在标准地中随机抽取3株林木测量其树高,并依此来计算随机参数。     

广西巨尾桉人工林蓄积量估测及样地尺度效应研究

在广西高峰林场巨尾桉人工林内设置20个（30 m × 30 m）方形大样地,每个方形样地中分成9个小样地（10 m × 10 m）,由4个小样地组成中样地（20 m × 20 m）,采用参数模型和机器学习算法探索林分平均高和密度等变量估测林分巨尾桉人工林蓄积量。结果表明：巨尾桉人工林林分蓄积量与林分平均高、每公顷株树呈显著正相关。在构建巨尾桉人工林蓄积量的所有模型中,基于林分疏密度和林分平均高构建的变参模型（R²=0.9973,RMSE=4.64 m³/hm²）优于基于林分平均高和每公顷株数构建的随机森林模型（R²=0.9617,RMSE=18.53 m³/hm²）;2个林分蓄积量估测模型的3组测试样地的Pearson残差落主要在[−2, 2]带状区域中,2个林分蓄积量模型可以在巨尾桉人工林林分不同面积尺度样地（100、400、900 m²）应用。基于林分密度和平均高的蓄积量模型与实测蓄积量的相关性较高（R²在0.9200～0.9973）,反演误差值较好（RMSE在4.64～25.16 m³/hm²）;林分疏密度对林分蓄积量变动的解释能力好于每公顷株数;在100 m²样地尺度上基于林分密度（每公顷株树、林分疏密度）和林分平均高拟合的林分蓄积量估测模型在400 m²和900 m²尺度上有较好的一致性。     

基于无人机影像的天山云杉林树高提取及蓄积量的反演

【目的】提取影像高程数据建立模型反演天山云杉林分蓄积量,为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西森林公园的天山云杉(Picea Schrenkiana var. tianshanica)为研究对象,无人机航拍影像与样地每木检尺为数据源,使用点云分类与克里金插值法提取无人机影像高程数据得到天山云杉树高,根据样地实测数据建立胸径树高模型,最终根据胸径树高模型反演天山云杉林林分蓄积量。【结果】利用无人机影像提取树高与实测树高存在显著正相关关系,提取平均精度为88.42%,建立天山云杉胸径-冠幅模型的相关系数为0.696,而胸径-树高模型的相关系数为0.730;验证胸径-树高模型,计算RMSE值为12.386,拟合效果显著。基于胸径-树高模型反演林分蓄积量精度为87.66%,与实测值比对,残差值大部分落在(-2,+2)残差区间。【结论】采用局部最大值算法对天山云杉林树高信息的提取效果较好,建立胸径-树高模型弥补了无人机不能对胸径直接测量的缺陷,进而反演天山云杉林林分蓄积量。     

混合像元及混合像元分析

由于中低空间分辨率的遥感数据在一个像元中记录了两种以上地类的不同光谱 ,从而获得了两个以上地类的光谱之和以及混合像元 ,当地类破碎时混合像元越多 ,而且在两类以上地类的交界处混合像元最多 .该文模拟不同空间分辨率的遥感图像中混合像元造成的误分类情况 ,同时应用线性模型对混合像元进行了分解提纯 ,用以提高分辨率精度     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数,一直是气候变化和生态研究中的热点,遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象,以机载LiDAR和Landsat8/OLI为信息源,结合44块样地实测数据,使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上,进一步构建区域尺度的LAI反演模型,实现景洪市橡胶林LAI的反演。结果表明,基于LiDAR的林分水平模型中,SVR模型最优,决定系数（R²）为0.76,相对均方根误差（rRMSE）为17%,估测精度（P）为83%;以SVR模型估测结果作为区域尺度遥感反演模型的先验样本,结合Landsat8/OLI数据的BP神经网络模型反演效果最好,估测精度达76%。