基于机载P波段全极化SAR数据的森林地上生物量估测

【目的】森林生物量的空间精准量化对了解陆地碳储量、碳收支、碳平衡,以及揭示森林碳储量与全球气候变化的影响过程具有重要意义。P波段波长较长,在森林中具有更高的穿透能力,研究机载P波段SAR数据提高森林地上生物量(AGB)估测精度的可行性。【方法】以机载P波段全极化合成孔径雷达(SAR)数据和高精度激光雷达(LiDAR)数据估测的森林AGB抽样点为基础,提取20个极化SAR特征,并分别与森林AGB变化作敏感性响应情况分析。采用多元线性回归模型(MLR)、K近邻方法 (KNN)、支持向量回归(SVR)和随机森林(RF)4种估测方法,探究机载P波段SAR数据的森林AGB估测精度。【结果】在较低森林AGB(均值约45 t·hm^-2)的森林覆盖区中,P波段的同极化后向散射系数、Freeman-Durden和Yamaguchi分解中的表面和二次散射分量对森林AGB变化敏感;此外H-A-ALPHA极化分解的散射角(alpha)、拓展极化参数极化辨别率参数(PDR)也对森林AGB变化敏感。4种方法估测的森林AGB相对误差均约30%,其中MLR估测结果精度最低,估测精度为63.55%...     

森林地上生物量遥感估算方法

生物量是林业和生态应用研究的重要信息,森林生态系统地上生物量估算的遥感技术引起了国内外学者的广泛关注.总结与探讨不同数据源与估算方法能够为森林地上生物量的估算提供指导.本文首先总结并探讨单传感器遥感数据,包括光学遥感、合成孔径雷达与激光雷达数据在森林地上生物量估算中的应用,以及协同使用多源遥感数据估算森林地上生物量的优...     

联合光学和合成孔径雷达数据的太平湖森林地上生物量反演研究

光学和合成孔径雷达（SAR）多源传感器数据融合对提高森林地上生物量（AGB）提取精度具有重要意义。以太平湖森林为研究对象,以Sentinel-1 SAR数据和Sentinel-2光学数据为数据源,利用随机森林回归算法系统性地评估光学和SAR数据对AGB反演的互补优势和策略选择。采用Sentinel-2光学数据的AGB反演精度（R²=0.63,RMSE=37.05 mg/hm²,sMAPE=0.56）优于采用Sentinel-1 SAR数据的AGB反演精度（R²=0.37,RMSE=52.25 mg/hm²,sMAPE=0.65）,联合两者数据的AGB估算精度最高（R²=0.69,RMSE=34.17 mg/hm²,sMAPE=0.55）;基于不同策略构建的AGB估计模型当中,植被指数（RVI、NDVI和红边相关的NDVIre）和纹理变量（NDVIre_Mea）的重要性高于光谱波段和后向散射系数。联合Sentinel-1和Sentinel-2数据的光谱波段、植被指数、纹理信息和后向散射系数,能够有效的缓和遥感信息饱和性问题和提高AGB反演精度。     

联合GF-1和GF-3影像的森林地上生物量反演

  目的  探索高分（GF）光学、合成孔径雷达（SAR）数据及其联合数据在森林地上生物量（AGB）及其组成部分反演中的可行性。  方法  以云南省昆明市宜良县小哨林区的云南松为研究对象，结合实地调查数据，以GF-1光学数据和GF-3 SAR数据作为数据源，提取光学数据常用的植被指数和纹理特征，SAR数据的各极化后向散射系数、纹理特征以及极化分解等参数，利用KNN-FIFS方法分别进行森林AGB及其分量的反演；然后采用留一交叉验证法对反演结果进行精度评价，并在此基础上绘制森林AGB及其分量空间分布图。  结果  联合GF-1和GF-3数据反演森林AGB及其分量的精度最高，R2均超过了0.710，RMSEr的值在22% ~ 27%之间，其中树叶的反演精度最优，模型的R2为0.714，RMSE为10.270 t/hm2，RMSEr为24.58%；除树叶生物量外，森林AGB和其他分量仅采用GF-1提取的特征进行反演时，精度均优于采用GF-3特征的反演结果。  结论  联合GF-1光学数据和GF-3全极化SAR可以实现一定程度的互补，提高森林AGB及其分量的反演精度，此外KNN-FIFS方法在低生物量水平的云南松纯林的AGB及其分量的反演中具有一定的鲁棒性，且KNN-FIFS优选的重要参数多为SAR和光学的纹理特征。      

基于SAR极化分解与Landsat数据的森林生物量遥感估测

目的森林生物量是评价森林生态系统结构、功能和生产力的重要指标之一,区域尺度上的森林生物量的准确估测对了解森林现状和科学经营森林具有重要指导意义。本文旨在利用SAR影像结合Landsat5 TM影像对区域尺度上的森林生物量进行定量估测。方法首先利用极化分解的方法对极化合成孔径雷达(SAR)数据进行处理获得45个极化分解参数,然后将45个极化分解参数与6个Landsat5 TM波段参数共51个参数作为自变量,森林生物量W作为因变量构建统计回归模型,最后利用最优模型反演研究区的森林生物量。结果使用两种方法进行模型构建:(1)逐步回归法,利用逐步回归进行变量筛选,选出2个参数构建模型,模型R2为0.534,拟合精度为67.51%,RMSE为43.21 t/hm2;(2)最优子集法,用Bootstrap法进行变量筛选,共筛选出9个参数,然后用这9个参数进行最优子集回归,获得511个选模型,然后选择出最优子集模型,并用交叉验证法对模型进行验证,最终选出的最优子集模型包含的参数为TM_band4、Neumann_delta_mod、Neumann_psi、TSVM_psi、TSVM_tau_m3,模型R2为0.768 2,拟合精度为88.32%,拟合RMSE为14.98 t/hm2,验证精度为86.21%,验证RMSE为19.14 t/hm2,CP指数为5.249 5,赤池信息量AIC为256.504 5。本文最终使用最优子集法获得的模型进行反演,获得研究区的森林生物量分布图。结论结果表明:全极化C波段SAR数据结合Landsat5 TM光学数据构建遥感信息模型可以准确反演森林生物量。      

参数优选支持的光学与SAR数据森林地上生物量反演研究

  目的  森林是整个陆地碳循环系统中最大的有机碳贮库,准确地估测森林地上生物量影响着全球碳源与碳储量的分析与评价。本文旨在评价利用Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR 3组不同源遥感数据估测森林AGB的潜力,进而剖析光学数据和SAR数据在估测森林AGB方面的差异。  方法  首先对Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR数据分别提取波段比值、植被指数、纹理信息,对ALOS-1 PALSAR-1SAR数据同时提取极化分解信息;然后,利用随机森林算法对不同数据提取的特征参数进行重要性排序,选择排序靠前的特征进行建模;最后,利用KNN-FIFS算法分析不同特征组合,对4组数据建立4个模型估测森林AGB,并使用留一交叉验证法对4个模型估测森林AGB值进行精度评价。  结果  使用植被因子、波段比值、纹理因子、极化分解信息4种特征参数分别对3组数据进行建模估测森林AGB,基于Landsat8 OLI数据反演森林AGB的精度评价结果为R2 = 0.50,RMSE = 33.34 t/hm2;基于高分一号数据估测精度为R2 = 0.36,RMSE = 37.60 t/hm2;基于PALSAR纹理特征估测精度为R2 = 0.45,RMSE = 35.40 t/hm2;基于PALSAR全极化分解信息估测精度为R2 = 0.63,RMSE = 28.84 t/hm2。  结论  参数提取方法相同时,即基于植被因子、波段比值、纹理信息3种特征参数估测森林AGB,其光学数据和SAR数据的反演潜力基本一致;参数提取方法不同时,即SAR数据加入极化分解信息估测森林AGB,与光学数据相比,SAR数据对森林AGB的反演潜力较好。      

运用融合纹理和机载LiDAR特征模型估测森林地上生物量

针对区域尺度森林地上生物量的分布情况,以大兴安岭生态观测站为例,提出了一种融合光学影像纹理和机载LiDAR点云特征的森林地上生物量遥感估测方法。该方法首先提取Landsat 8 OLI不同波段在不同运算窗口下的纹理特征;然后对机载LiDAR点云进行滤波提取地面点,并利用地面点对点云数据进行高度归一化处理,提取点云特征因子;最后结合提取的遥感特征因子,利用支持向量回归的方法对研究区森林地上生物量进行估测,并对结果进行精度验证。结果表明:不同波段和窗口尺寸的建模精度差异较大,蓝光波段在7×7运算窗口下模型精度最高(R~2=0.73,R_(MSE)=22.32 t/hm~2);点云高度分位数变量的建模精度呈正态分布,变量H_(50)的建模精度最高(R~2=0.75,R_(MSE)=19.24 t/hm~2);与单一的遥感特征变量相比,融合光学影像纹理和机载LiDAR点云特征的模型精度有了一定提高,且针叶林和混交林的估测R_(MSE)分别为19.63和20.40 t/hm~2。因此,该方法可以为区域性的森林地上生物量估测提供有效参考。     

应用XGBoost算法对森林地上生物量的机载LiDAR反演

为了探究机载LiDAR数据结合极端梯度提升(XGBoost)算法估算森林地上生物量的可行性和适用性，寻求更优的森林地上生物量的监测和估算模型的建模方法。根据125块地面样地调查数据和机载激光雷达提取的点云特征变量，结合根据皮尔森相关系数和递归特征消除筛选变量，采用多元线性回归(MLR)、随机森林(RF)、支持向量机(SVM)和极端梯度提升(XGBoost)算法，建立4种不同算法的地上生物量估测模型并进行对比分析。结果表明：在训练集中，RF模型表现最好(R_MSE=9.98 t·hm^-2,R²=0.93,M_AE=5.69 t·hm^-2),其次是XGBoost模型(R_MSE=10.80 t·hm^-2,R²=0.89,M_AE=7.24 t·hm^-2);在测试集中，采用XGBoost算法建立的模型表现(R_MSE=12.20 t·hm^-2...     

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     

基于多时相光学和雷达遥感的太平湖生态保护区森林地上生物量反演

【目的】探究光学和雷达卫星遥感对亚热带森林生物量的反演潜力。【方法】利用不同季节时间序列的合成孔径雷达(Senitinel-1)和光学数据(Sentinel-2),对太平湖生态保护区森林地上生物量进行反演。基于后向散射系数、光谱波段、植被指数和生物物理参数,采用回归随机森林算法探究Sentinel-1和Sentinel-2在地上生物量制图中的精度,探究对亚热带森林地上生物量制图的最佳影像采集时期,评估光学和雷达遥感特征参数对提高地上生物量估计精度的贡献。【结果】Sentinel-2对研究区森林地上生物量的估计精度[决定系数(R²)=0.68,均方根误差(E_RMS)=37.69 Mg·hm^-2]要优于Sentinel-1 (R²=0.47,E_RMS=49.11 Mg·hm^-2),但两者联合产生了最佳结果 (R²=0.78,E_RMS=31.56 Mg·hm^-2)。生长季(6和9月)的光学数据和旱...     

不同波长极化SAR数据水云模型森林生物量反演对比分析

【目的】水云模型(WCM)是一种采用SAR数据反演森林地上生物量(AGB)应用较为广泛的半经验模型,探索将不同波长、极化方式、极化信息等引入WCM,以期为提高森林AGB反演精度提供科学依据。【方法】本文以X、C、L、P波段多频极化SAR数据为数据源,首先将各波长各极化后向散射系数用于WCM进行森林AGB反演,对比其反演精度;接着采用极化分解分量构建地体散射比参数,并将其引入WCM发展为极化水云模型(PolWCM),同时对比分析其在X、C、L、P波段森林AGB的反演结果。【结果】(1)在X、C、L、P 4个波段中,除X波段外,将HV极化后向散射系数代入WCM进行森林AGB反演,精度均高于基于其他极化通道后向散射系数的反演结果;且长波长(L和P)的反演精度高于短波长(X和C)的反演精度。在L波段,将HV极化后向散射系数代入WCM进行森林AGB反演,R²和RMSE分别为0.46和18.00 t/hm²;P波段HV极化反演结果的R²和RMSE分别为0.43和21.18 t/hm²。(2)将极化信息以地体散射...     

全极化合成孔径雷达高维小样本数据在森林地上生物量估算中的应用

以河北省承德市塞罕坝机械林场为试验区域,设置37块实测样地;以随机森林模型、自适应遗传算法为基础,构建随机森林模型与自适应遗传算法的混合算法(RF-LOOCV-AGA),对高维小样本合成孔径雷达(SAR)数据特征集同时进行特征选择和回归估计;利用试验地大地2号(ALOS-2)全极化数据提取121个高共线性特征,结合实测样地数据,构建高共线性高维小样本数据集,并应用随机森林模型与自适应遗传算法的混合算法、随机森林算法、逐步回归法,分析全极化合成孔径雷达数据估算森林地上生物量时,因样地较少、影响因素维数多存在的高共线性;探索在算法层面各极化分解参数之间存在的高共线性及小样本林业数据回归估计泛化能力。结果表明：随机森林模型与自适应遗传算法的混合算法从121个高共线性特征集中筛选出含19个影响因素的特征子集,交叉留一法验证泛化精度决定系数为0.906 9、均方根误差为14.184 0 t/hm²、相对均方根误差为11.70%;逐步回归法从121个高共线性特征集中筛选出含7个影响因素的特征子集,交叉留一法验证泛化精度决定系数为0.777 0、均方根误差为23.075 9 t...     

TanDEM-X极化干涉SAR森林冠层高度反演

森林树高是反映森林蓄积量、生物量、碳储量和立地质量的关键指标。极化干涉SAR技术是森林树高估测的有效手段之一,但数据获取及数据质量一直是极化干涉SAR树高反演研究的主要制约因素。以云南省勐腊县为实验区,基于德国DLR提供的双站模式Tan DEM-X Co SSC全极化干涉数据,采用三阶段算法、以及两种结合极化干涉优化的相位差分-相干幅度法反演了实验区的森林冠层高度。结果表明:三阶段算法的反演结果数值相对合理,与二类调查数据的空间分布格局相似;相位差分-相干幅度法的反演结果在林区出现部分负值,而在非林区却反演出冠层高度、且呈现条纹状,反演结果与二类调查数据的空间分布差异较大、相关性低。因此,三阶段算法结合双站模式的Tan DEM-X全极化干涉数据,能够在实际树高估测反演中发挥作用,为辅助森林资源调查工作提供了新手段。     

Sentinel-2A多特征变量反演针叶林地上生物量能力评估

  目的  森林生物量是衡量森林碳储量的关键因子,准确估算生物量对掌握森林现状和森林资源合理利用具有重要意义。欧空局发射Sentinel-2A数据因其丰富的光谱信息和较高的空间分辨率为生物量的反演和监测提供了新的机会。本文旨在评估基于Sentinel-2A的各类特征变量反演针叶林地上生物量的能力以及完成区域尺度的针叶林地上生物量定量估测。  方法  试验以内蒙古赤峰市喀喇沁旗旺业甸林场针叶林为研究对象,以Sentinel-2A为主要数据源,提取了10个波段反射率、20个植被指数和5个生物物理参数共3种类型变量,分别建立基于光谱反射率、植被指数、生物物理参数,以及融合3类变量的多元逐步回归生物量估算模型,同时每组均加入高程因子分析地形对估算精度的影响。  结果  （1）基于多种类型参数建立的模型估算效果最好,模型决定系数达到0.765,均方根误差为39.49 t/hm2;（2）在3组单类型变量模型中,基于植被指数的预测结果最好,说明相比于波段反射率和生物物理参数,植被指数对针叶林地上生物量的估算贡献更大;（3）无论基于何种类型参数建模,高程信息的加入都会提高针叶林地上生物量的估算精度。  结论  基于Sentinel-2A植被指数与地形特征的针叶林地上生物量反演模型较好,可用于区域生物量估算。该研究对区域性森林资源监测的实际应用具有指导意义。      

基于无人机多光谱遥感和机器学习算法的南疆棉花生物量估算

为探究不同生育期内植被指数对南疆棉花地上部生物量的估算潜力，利用无人机测取试验地塔河二号棉花3个生育期(蕾期、花铃期、吐絮期)多光谱影像数据，同时进行棉花植株生物量(地上部分干质量)的数据采集，对不同生育时期的棉花光谱及地上部生物量变化特征进行分析，选取Pearson相关系数法筛选出的单一植被指数和多种植被指数组合构建基于偏最小二乘法(PLSR)、支持向量机(SVM)和随机森林(RF)3种机器学习算法的反演模型，通过决定系数(R²)和均方根误差(RMSE)对反演效果进行评定。结果表明，地上生物量在蕾期至吐絮期内持续增大，多光谱近红外波段反射率在蕾期至吐絮期内先升高后降低，花铃期的模型估算效果最佳，R²均≥0.68,RMSE均≤0.53;NDVI、RVI和GNDVI这3种植被指数与棉花地上部生物量的相关性最高，相关系数均≥0.765,呈极显著相关关系(P<0.01);以植被指数组合(NDVI-RVI)为变量的支持向量机回归模型的建模效果最优。本研究探究了不同植被指数组合和不同机器学习算法建模的估算效果，证明了植被指数融合的方法在棉花不同生...     

基于多源遥感数据的森林生物量定量评价研究

以ALOS PALSAR L波段双极化FBD微波遥感数据及多光谱光学遥感数据AVNIR 2为基础,对数据进行预处理,利用地面云南松林样地坐标,提取HH、HV双极化后向散射系数及极化比值3个因子,结合光学遥感数据提取4个波段值及NDVI、RVI 2个植被指数,作为云南松林生物量估测因子。分别以微波数据、光学数据、微波及光学数据结合的多源遥感数据,建立3个云南松林生物量估测模型。结果表明：所建模型经方差分析均达到显著相关或极显著相关水平; PALSAR L波段双极化后向散射系数,可以反映森林生物量的变化,但反演精度有待进一步提高;AVNIR 2数据模型优于PALSAR L波段双极化数据模型;多源数据模型与光学数据模型的估测精度相近。     

基于高分辨率遥感影像的森林地上生物量估算

以南京市紫金山林区为研究区,利用e-Cognition面向对象分类方法,基于光谱和空间信息融合后的IKONOS影像提取单木树冠阳性冠幅(PoCA, Positive crown area)信息,并结合野外实测的样方生物量数据,分别建立了针叶林和阔叶林地上生物量 (AGB, Aboveground Biomass)的遥感估算模型,并利用实测森林生物量数据对模型进行了验证。结果表明,基于遥感影像提取的PoCA与实测AGB存在较好的非线性相关关系,所建针叶林AGB估算模型的可靠性优于阔叶林模型。对建模样本而言,估算的针叶林和阔叶林AGB与观测数据比较的R2分别为0.62 (P<0.01,n=9) 和0.56(P<0.01,n=16)。验证表明,所建AGB估算模型的可靠性较好,估算的针叶林和阔叶林AGB与观测数据比较的R2分别为0.55(P<0.01,n=6) 和0.52(P<0.01,n=10),但当AGB较低时,模型结果偏高,AGB较低时,模型结果偏低。研究说明通过高分辨率遥感数据的融合、提取树冠信息进行生物量估算是可行性的。     

南方3种类型草地地上生物量的光谱估测模型

基于地面光谱实测数据计算的光谱归一化植被指数(ASD-NDVI),结合同期的地上生物量数据,利用回归分析的方法构建南方草地地上鲜生物量的地面光谱估算模型。结果表明:南方草地地上生物量与ASD-NDVI之间呈正相关,可以用线性方程、对数方程、多项式方程、乘幂方程以及指数方程进行拟合,拟合结果均达到极显著相关水平,其中多项式方程的拟合效果最好(n=56,R2=0.931 1,P<0.01),因此利用多项式构建基于地面实测ASD-NDVI预测地上生物量的最优地面光谱模型。通过不同年份地面实测数据对模型进行验证,模拟值和实测值之间相关性很好,R2为0.907 5**(P<0.01),达到了极显著水平。说明在南方草地生长旺季利用光谱参数ASD-NDVI估算地上生物量可行。     

多元线性回归与神经网络模型在森林地上生物量遥感估测中的应用

利用遥感影像构建森林生物量估测模型,能够快速、实时估算区域森林生物量。采用吉水县TM影像以及森林资源调查固定样地数据,构建估算森林地上生物量的多元线性回归模型及BP神经网络模型,并对两种模型进行了比较。结果表明:两种模型对样地生物量的预测值大部分比实测值小,多元线性回归模型预测值与实测值的偏差幅度比BP神经网络模型更大,偏差幅度分别为-110.24~38.09 t·hm-2、-35.12~26.17 t·hm-2;多元线性回归模型与BP神经网络模型的决定系数(R2)分别为0.470和0.869,均方根误差(RMSE)分别为30.52和12.69 t·hm-2,预测精度分别为50.07%和71.65%。因此,运用BP神经网络模型估测森林地上生物量优于多元线性回归模型。     

基于多源数据的根河实验区生物量反演研究

森林是陆地生态系统的重要组成部分,精确估测森林地上生物量能够减少陆地生态系统碳储量的不确定性。本文以内蒙古大兴安岭根河实验区为研究区,基于森林样地调查数据、Landsat 8 OLI、机载P-波段PolSAR以及ASTER GDEM数据,分别采用多元线性逐步回归法和基于随机森林算法(Random Forest, RF)进行特征优化选择后的k-最近邻(k-nearest neighbors, k-NN)法对研究区森林地上生物量(above-ground biomass, AGB)进行估测,对比验证采用不同类型数据(单传感器数据和多传感器数据)时2种方法的反演结果来寻求森林AGB估测的最优方法和输入因子,最后利用最优的估测方法来反演整个研究区的森林AGB,生成根河实验区的森林AGB等级分布图。结果表明:对于多元线性逐步回归和k-NN 2种不同的方法,森林AGB的反演都表现出较为一致的结果,即采用多传感器遥感数据(Landsat 8 OLI和机载P-波段PolSAR数据)比采用单传感器遥感数据估算的森林AGB精度要高;而在同时采用多传感器遥感数据进行森林AGB的反演中,k-NN算法的估测结果(R2=0.65, RMSE=17.49 t/hm2)明显优于多元线性逐步回归算法(R2=0.36, RMSE=22.08 t/hm2)的估测结果。显然,多源数据协同反演森林AGB可以充分利用每种传感器的优点,提高遥感估测森林AGB的能力;与多元逐步回归方法相比,k-NN算法能够更多地考虑到森林参数同光谱值之间的非线性依赖关系,且能够避免发生过学习现象和样本不平衡问题。