利用遥感数据估测森林蓄积量

以吉林省柳河县为研究区,以Landsat-5 TM遥感影像为基础数据,提取相关因子,建立柳河县森林蓄积量遥感估测模型,经过精度检验,模型的预测精度达到82.36%。利用模型进行森林蓄积量反演,得出该县森林蓄积量为1 226×104m3,实际精度为80.00%。利用遥感技术进行森林蓄积量估测是可行的。     

基于ALOS PALSAR数据的森林蓄积量估测技术研究

以吉林省汪清林业局为研究区,基于ALOS PALSAR和森林资源二类清查固定样地数据,利用非线性回归方法建立了固定样地蓄积量与所对应的PALSAR像元后向散射系数之间的关系,结果表明,除杨树(Populus us-suriensis)等树种组外,PALSAR的HV后向散射系数与蓄积量呈良好的正相关关系,对多数树种而言,交叉极化方式(HV)后向散射系数与蓄积量的决定系数比同极化方式(HH)的略高。若以林场为单位统计,采用回归方法得到的估测结果与直接利用固定样地估测的结果相差很小。     

机载激光雷达数据估测森林资源蓄积量研究

针对传统森林资源二类调查方法周期长且费时费力,难以满足新形势下森林资源动态监测需求的问题,以南京市六合区内3个林场为研究区,利用平均点密度1点/m²的激光雷达数据提取特征变量,结合二类调查数据,使用SMLR与Boruta两种算法进行因子筛选,对比SMLR,SVM与RF这3种建模方法,估测森林蓄积量。结果表明：1)高度因子是影响森林蓄积量的主要特征参数;2)SVM和RF这算法在模型拟合与验证精度方面均表现较优,SVM算法在混交林方面表现略逊色于RF这算法,SMLR方法表现不佳。结果表明,利用激光雷达提取因子与森林蓄积量进行建模有较好的结果,稀疏性机载激光雷达对森林资源调查有较好的适用性,为今后森林资源调查提供了新的思路。     

基于ALOS数据的云南松林蓄积量遥感估测方法

基于ALOS数据和样地实测数据为数据源,云南省宜良县为研究区,以提高森林蓄积量遥感估测模型精度为目的,从遥感、GIS、郁闭度等方面选取与森林蓄积量相关性较高的因子作为自变量。采用逐步回归法、主成分分析法、偏最小二乘法3种模型估测宜良县的云南松林蓄积量。从3种模型的拟合效果和估测精度比较结果表明:偏最小二乘法精度最高,调整决定系数为0.754,预测精度为82.77%,与主成分分析等传统线性估测模型相比精度有较大改善。     

无人机森林航摄影像三维点云估测林分蓄积量研究

森林蓄积量能够评估林地生产力的高低及经营措施的效果,为森林经营与采伐提供重要依据。目前,大多基于无人机影像的蓄积量估算,均建立在测绘标准所生成的DOM、DSM、DEM等测绘成果基础上,而未充分利用原始影像数据上的林业特征,无法从点云层面上加入林业业务逻辑产生成果数据。获取无人机影像后,利用特征点提取与匹配方法自动相对定向,结合控制点和光束法平差的迭代求解,解算出精确的相机姿态数据,并沿核线方向一维搜索特征点进行影像密集匹配生成密集点云。对原始三维点云过滤后进行树冠分割,在聚类后的林冠点云中提取了树顶点和树高因子估测了森林蓄积量。研究结果表明,冠幅的提取精度85.15%,树高的提取精度83.69%,林分蓄积量估算的精度达到了82.46%。     

基于不同立地质量的松树林蓄积量遥感估测

森林蓄积量遥感估测在林业系统中具有十分重要的意义。以建德市为研究区,基于2007年TM遥感影像和2007年森林资源二类调查数据,对松树林分立地质量等级和不分地位等级两种类型建立蓄积量的遥感估测模型,并进行精度检验。其中立地质量等级依据小班平均高和平均年龄建立的地位级表划分为好、中、差三种类型,以每个小班的总蓄积量为因变量,小班各单个遥感因子信息总量为自变量。研究结果表明:1)以TM遥感影像主成分分析中第一主成分为自变量的模型拟合效果最好,决定系数R2均在0.54以上,最高为0.802;2)利用预留独立样本对模型精度进行验证,不分地位级总体估测精度为87.64%,分立地质量等级好、中、差三种类型总体的估测精度分别为94.14%,95.32%,92.38%,分立地质量类型建模的精度明显优于统一建模的精度。研究结果为森林蓄积量遥感估测提供一种改进的思路,且为提高森林生物量和碳储量遥感估测精度提供一种参考方法。     

森林蓄积量定量遥感估测模型研究

采用印度遥感卫星数据,以云南省高黎贡山自然保护区阔叶林为主要研究对象,设置可能影响森林蓄积量估测的遥感信息因子和可通过GIS获取的因子为自变量,通过逐步回归分析的方法建立了研究区域阔叶林蓄积量估测模型.结合小班面积估测值,计算了各小班相应的蓄积量.     

森林蓄积量遥感估测的研究进展

传统的森林资源调查是一项周期长、任务重、劳动强度大,需大量经费的工作。随着遥感技术广泛应用于森林资源调查工作,特别是森林蓄积量的遥感估测,将比传统方法省时、省力,节约经费。目前,利用遥感进行森林蓄积量的估测研究已取得了一系列重要进展,文章则简要综述了国内外在光学遥感和微波遥感范围内的森林蓄积量遥感估测方面的研究进展,认为利用遥感技术进行森林生物量估测对于了解和监测全球生态系统对气候变化和人类活动的反应具有重要的意义。     

基于3S技术的山东省森林蓄积量估测

借助SPSS统计软件和ERDAS IMAGINE9.0/ArcGIS9.2的建模及空间分析工具,采用TM影像和1∶100 000地形图作为数据源,从TM影像提取野外GPS采样点缓冲区内6个波段的灰度值及其线性和非线性组合等遥感因子,从地形图提取海拔、坡度、坡向等GIS因子,以各遥感因子和GIS因子作为自变量,以GPS野外调查样点缓冲区内的蓄积量作为因变量建立多元线性回归模型.样本数据筛选采用标准差法,因子变量筛选采用主成分因子分析法、多元线性回归的逐步回归和强行进入法等方法,建立的多元回归模型预测总体精度达到87.35%.用2006年山东省TM影像提取的有林地掩膜模型中各因子变量灰度图,得到各因子变量的掩膜图层.将各因子变量的掩膜图层代入多元回归模型进行复合运算,得到有林地蓄积量灰度图像.经蓄积量灰度图像属性表统计得到山东省的有林地总蓄积量为6 203.53万m3,为快速、准确地对大面积的森林蓄积量估测提供一种有效的途径和方法.     

杉木林分蓄积量不同测定方法的比较

以同一块杉木林分为对象,对9种常用的林分蓄积量测定方法进行对比分析,提出了在不同条件下的最佳测定方法无测树用表或相关数学模型时以等株径级标准木法较好,测树用表或数学模型齐全时最好采用形高表法.     

森林蓄积量的样点估测

在森林资源二类调查工作中 ,通常利用角规测树原理进行森林蓄积量的估测 ,这种方法外业调查劳动强度较大 ,内业计算也比较繁琐 ,应予以改进。笔者根据数理统计原理 ,在保证森林蓄积量估测精度的原则下 ,提出样点估测方法 ,供广大林业工作者参考。1样点估测方法的理论基础根据数     

基于高分辨率遥感影像的森林蓄积量估测

为了快速有效获取《综合开发利用项目》项目区的森林蓄积量,利用SPOT5和Rapid Eye高分辨率遥感影像,结合野外实地调查数据,采用最小二乘回归方法构建森林蓄积量遥感估测模型,估算柬埔寨王国上丁省特许地2012年的森林蓄积量。结果表明:1利用预留独立样本对模型进行精度验证,不分类型的模型的总体预测精度可达到99.37%,分类型的模型的总体预测精度分别可达到99.57%、97.30%、99.41%、96.84%、76.25%;2不分类型建模反演得到2012年研究区的森林总蓄积量为33197465.008 m3,各类型的森林蓄积量分别为16660360.382、7124988.801、5716238.005、4016470.930、186695.185 m3。结果表明利用高分辨率遥感影像快速估测区域森林蓄积量的可行性,也为合理规划和开发利用特许地的森林资源提供参考。     

基于距离相关系数和Catboost方法的森林蓄积量估测

【目的】探讨采用Landsat-8遥感影像数据,基于距离相关系数特征选择的Catboost模型在森林蓄积量估测中的潜力和适应性,为森林蓄积量的估测方法再增加一种可能性,也能为“双碳”目标的实现提供理论支撑。【方法】以浙江省龙泉市为研究区域,使用多源数据,包括Landsat-8卫星影像数据、森林资源二调数据和数字高程模型的数据,整个过程使用十字折交叉验证法对模型检验。首先使用基于距离相关系数的方法筛选特征因子,在不区分树种的情况下,分别利用K最近邻算法（KNN）、装袋算法（Bagging）、决策树梯度提升算法（LGBM）、梯度增强集成分类器算法（Catboost）4种方法建立蓄积量估测模型。之后再选取样本数据中数量比较大的杉木、针叶混交林、马尾松3种优势树种,分别使用Catboost方法进行蓄积量估测,再按权求和与未区分树种情况下的估测结果进行比较。【结果】Catboost方法表现优势明显,优于K最近邻算法（KNN）、装袋算法（Bagging）以及决策树梯度提升算法（LGBM）,其模型的精确度达到了81.43%,建模估测的精确度达到了76.74%,并且与3种不同优势树种按权求和的结果对比...     

基于机载激光雷达数据估计林分蓄积量及平均高和断面积

基于东北林区191个红松林(Pinus koraiensis)样地的机载激光雷达数据和地面实测数据,首先,通过多元线性回归和非线性回归估计方法,确定林分蓄积量及平均高、断面积的基础回归模型;然后,利用误差变量联立方程组方法,建立基于激光雷达变量的林分蓄积量与平均高、断面积的模型系统。结果显示:建立的多元线性、多元和二元非线性林分蓄积量回归模型,其确定系数R²分别为0.858,0.846和0.821,平均预估误差MPE分别为2.57%,2.66%和2.85%,平均百分标准误差MPSE分别为26.35%,16.35%和17.88%;利用模型系统对林分平均高、断面积和蓄积量进行估计,其R²分别为0.597,0.750和0.822,MPE分别为1.90%,2.52%和2.84%,MPSE分别为10.85%,15.28%和17.73%。结果表明:基于机载激光雷达数据估计林分蓄积量、平均高等主要森林参数,非线性模型优于线性模型,而且基于点云高度变量(中位数)和强度变量(75%分位数)的二元非线性模型就能达到比较理想的预估效果;误差变量联立方程组方法,是建...     

森林蓄积量估测模型建立优化与应用

通过分析森林蓄积量与遥感因子、环境因子、林分特征及其他因子之间的相关关系，论述了森林蓄积量估测模型建立优化和应用方法，总结了模型成功应用的实例，提出了影响估测精度的因素及模型应用需要把握的关键因子。     

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ALS数据和哑变量技术森林蓄积量估测

基于机载LiDAR数据,分析哑变量对林分蓄积量估测精度的影响。以广西高峰林场为研究对象,借助机载激光雷达点云数据和96个样地数据,将样地数据按7∶3的比例随机划分为建模样本和测试样本,采用随机森林模型(RFR)和支持向量机模型(SVR)对建模样本与对应的点云特征回归建模,将树种组(针叶林和阔叶林)和龄组分别作为哑变量引入到回归模型。利用测试样本的估测精度评价模型的估测精度,引入树种组哑变量,随机森林模型决定系数R2从0.59提高到0.64,支持向量机模型决定系数R2从0.49提高到0.50。引入龄组哑变量,随机森林模型决定系数R2从0.59提高到0.65,支持向量机模型决定系数R2从0.45提高到0.55。根据模型的建模精度和验证精度结果得出,引入哑变量对蓄积量估测模型的精度提升是相对有效的。龄组哑变量对模型精度提升效果优于树种组哑变量。     

基于Boruta和极端随机树方法的森林蓄积量估测

森林蓄积量是反映森林资源数量的重要指标之一。本研究应用Boruta特征选择方法和极端随机树(Extremely randomized trees,Extra-trees)方法,以小班为研究单元,估测龙泉市部分区域森林资源的每公顷蓄积量,为县域尺度森林蓄积量的估测提供新的方法和思路。基于研究区的森林资源二类调查数据、高分二号(GF-2)遥感影像数据、数字高程模型数据,提取多元特征组成原始特征集。通过Boruta选择方法对原始特征集进行筛选,利用Extra-trees方法建立森林蓄积量估测模型,选用十折交叉验证法对模型进行检验,并与随机森林(Random Forest,RF)方法和梯度提升(Gradient Boosting)方法进行对比分析。研究结果显示:1)经过Boruta特征选择方法得出的特征有土层厚度、年龄、郁闭度、海拔、坡度和坡向;2)极端随机树方法采用网格搜索调参得到的最优参数组合为:树的个数为250,树的最大深度为14;3)基于Boruta和极端随机树方法的森林蓄积量估测模型的测试精度为84.14%,R²为0.92,RMSE为19.65m³