基于CEBERS-WFI遥感数据的森林生物量估测方法研究

以中巴卫星CEBERS-WFI遥感数据为基础,结合东北三省的地理、气象因子及森林资源连续清查固定样地信息,构建BP人工神经网络森林生物量估测模型,对我国东北三省的森林生物量进行估测,并反演了森林生物量的空间分布图像。结果表明,基于CEBERS-WFI遥感数据的BP人工神经网络应用于森林生物量估测简单实用,是一种快捷、有效的估测方法。     

森林生物量的估测方法

介绍了测定森林生物量的抽样方法和估测程序。     

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。     

基于多源遥感的森林地上生物量KNN-FIFS估测

【目的】针对多源遥感数据及其派生特征因子数据维度高、信息冗余、易造成估测模型过拟合等问题,从高维度遥感特征因子中高效优化特征组合,优化区域森林地上生物量(AGB)的k最近邻(k-NN)估测模型。【方法】提出基于快速迭代特征选择的k最近邻法(KNN-FIFS),以森林资源样地调查数据计算的森林AGB为参考,以留一法交叉验证(LOO)相应的k-NN模型反演的森林AGB均方根误差(RMSE)最小为原则,依次迭代选取遥感特征,优化区域森林AGB的k-NN估测模型。以大兴安岭根河森林保护区为研究区,结合Landsat-8 OLI各波段光谱信息、植被指数、纹理、地形因子、机载合成孔径雷达(SAR)P-波段HV极化后向散射强度信息(PHV)以及森林资源样地调查数据,利用KNN-FIFS方法估测研究区森林AGB,并与多元线性逐步回归法(SMLR)进行对比分析。【结果】利用KNN-FIFS方法,得到当k为3,特征组合为PHV、短波红外波段一均一性(H6)、短波红外波段一二阶矩(S6)、短波红外波段二二阶矩(S7)、海蓝波段相关性(Cr1)、近红外波段相关性(Cr5)、海蓝波段相异性(D1)、增强型植被指数(EVI)时,研究区森林AGB估测结果最优,其精度(R~2=0.77,RMSE=22.74 t·hm~(-2))显著优于SMLR估测精度(R~2=0.53,RMSE=32.37 t·hm~(-2))。【结论】KNN-FIFS方法相比SMLR更适用于森林AGB多源遥感估测;KNN-FIFS方法可以从高维度遥感特征因子中高效选取相关特征进行森林AGB估测。     

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。     

帽儿山林场森林生物量估测方法的研究

利用帽儿山地区固定样地数据,根据一元生物量估算模型计算出各样地的生物量,然后利用 ArcView 中的插值功能计算出整个帽儿山地区的森林生物量,建立研究地区的生物量空间数据库。利用生物量实测值与插值得到的预估值进行精度检验,结果表明,利用插值得到的生物量与实测的生物量之间没有显著差异。     

森林生物量估测进展

森林生物量是森林碳汇能力的重要标志之一,同时也是众多林业问题和生态问题的研究基础。估测生物量的方法可分为传统地面实测法、基于遥感经验模型的生物量估测法以及基于遥感机理模型的生物量估测法。对3种不同方法进行比较分析,结合研究现状,探讨森林生物量估测的发展趋势。     

基于遥感地学模型的辽宁省森林生物量和碳储量估测

通过对森林植被生物量估测遥感模型机理的综合分析,采用2005年辽宁省森林资源连续清查部分样地数据,基于遥感及其派生信息、气象信息、地学信息、林分信息建立了估测森林植被生物量的多元回归模型。得出如下结论:1)根据与样地生物量相关性的高低对MODIS数据植被指数(NVDI)的排序为植被指数的年平均值(NVDI_AVER)、植被生长季节的植被指数的平均值(NVDI_AMD)、植被指数的年内最大值(NVDI_MAX)、植被指数的年内最小值(NVDI_MIN)、植被指数的年内最大值与最小值之间的差值(NVDI_CHA);与生物量相关的气象因子分别为相对蒸散、平均气温和>10℃的积温,其相关系数分别为0.422,0.399和0.394;生物量与坡向、纬度相关性不显著。2)辽宁省森林总生物量为255.774×106t,森林碳储量为127.887×106t。3)从辽宁省森林碳密度空间分布来看,辽宁省森林碳密度呈现出东高西低的趋势,并且碳密度总体上不高,为50 t/hm2以下。     

森林生态系统生物量估测方法的比较评价

论述了各种生物量估测方法在森林生态系统中的应用及其局限性,同时对传统的分层木法与其它生物量估测方法进行了一些比较,结果表明,回归估测法应用范围广,尤其适用于不能砍伐样木的林地。     

合成孔径雷达森林生物量估测研究进展

随着合成孔径雷达（SAR）遥感技术的发展,微波遥感独特的成像机理及其全天候全天时成像能力,使其在区域和全球森林生物量估测方面具有其它光学遥感数据不可替代的作用,这愈来愈受到科学家们的重视。首先就SAR对森林生物量的敏感性进行了论述,分别P、L和C3个波段及其不同极化方式总结了SAR对森林生物量的敏感性和饱和点等反应特性;然后就SAR对森林生物量的后向散射机理和影响森林后散射的其它因素进行了分析;最后总结了利用SAR进行森林生物量估测的技术路线。     

基于森林生物量相容性模型长白山天然林生物量估测

利用中国第四次(1997年)二类森林调查数据,借助长白山天然林森林生物量相容性模型,以汪清天然林区为例,对阔叶林、针叶林及针阔混交林等不同森林群落进行森林生物量及其分量的估测,研究区森林生物量密度及碳密度估测值分别为110.06 t/hm2和51.73 t/hm2,碳库估测值为0.0119 Gt C.阔叶林生物量占总森林生物量的59%,在该研究区占主导地位。     

森林蓄积量的遥感估测

探讨了在ＴＭ资料基础上用多元回归和编制林分数量化材积表两种方法进行蓄积估测的精度和效益，为遥感在森林二类调查中的应用提供了必要依据。     

基于不同立地质量的杉木生物量遥感估测

[目的]研究不同立地质量对杉木生物量遥感估测精度的影响,为进一步提高和完善森林生物量遥感监测体系提供一种新的思路和方法。[方法]以2007年建德市森林资源二类调查数据和TM影像为研究材料,采用蓄积量—生物量换算因子连续函数法计算杉木林生物量和地位级法评价立地质量等级,比较杉木立地质量好、中等、差和不分地位等级4种生物量遥感估测模型,并进行精度检验。[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0.69以上,最高0.855。(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87.78%,分立地质量等级好、中、差3种类型总体估测精度分别为97.37%、95.82%、98.23%。分不同立地质量类型可以提高杉木生物量遥感估测精度。[结论]研究结果为森林生物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。     

顺昌县马尾松生物量遥感估测

以顺昌县马尾松为研究对象,通过样地选择和样木调查,结合遥感及其相关数学集成技术,引进材积因子,建立马尾松地上部分总的生物量与材积的相关关系模型。在此基础上,运用ERDAS建模功能将生物量模型与马尾松遥感蓄积估测图叠加生成顺昌县马尾松生物量估测图,并根据属性表统计了顺昌县马尾松生物量。     

基于TM影像的华安县桉树林生物量遥感估测

以华安县桉树林为研究对象,基于最近的2008年20块桉树林固定样地和同期Landsat5 TM影像,选用20个自变量,建立多元线性生物量遥感信息模型,并采用8个检验样本对模型进行检验,总体预估精度达到83.58%,均方误差为1.42t/hm~2,利用建立的多元线性模型反演生成华安县桉树林生物量分布图,估测华安县桉树林总生物量为404 765.316t,公顷生物量为32.344t/hm~2。     

卫星像片估测森林蓄积量的方法初探

根据分层抽样设计理论,结合卫星像片的分辩能力,将调查地区现实林分出若干种森林类型,利用ＴＭ卫星影像图判读求算出该地区各森林类型（层）的面积,面积权重,并逐层布设样地,实测样地蓄积,并用层抽样蓄积估测核该层蓄积量,汇总各层估测蓄积量即为该调查地区活立木的总蓄积量。     

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.     

基于无人机影像的森林生物量估测与制图

【目的】森林生物量的精确测定,对于全球气候变化和碳循环研究具有重要的意义。【方法】以东北林业大学城市林业示范基地为研究区域,首先利用无人机平台获取整个研究区域的高分辨率无人机影像;然后在研究区域四种人工林样地中分别选取20 m×20 m的4块建模样方和4块测试样方,通过每木检尺法实测建模样方内林木的树高和胸径数据,建立H-DBH(树高-胸径)估算模型,并结合已有的DBH-SB(胸径-树干生物量)模型得到测试样方的森林生物量数据;在处理后的数字冠层高度模型(DCHM)基础上利用局部最大值法提取树高与树冠中心点位置,建立一种结合无人机影像提取树高与H-SB(树高-树干生物量)经验模型的森林生物量制图方法。【结果】不同样方的H-DBH模型R2均大于0.70,测试样方的总地上生物量平均值为6915.85 kg,总的估测精度为87%。通过ArcGIS软件结合本研究提出的方法快速得到了整个研究区域的地上生物量分布图,估测总地上生物量为4396.18 t。【结论】研究结果可为快速准确的进行森林生物量的估测提供基础数据和技术参考。     

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。