顾及变量相关性的主成分分析法在森林蓄积量估测中的应用

为探究Landsat8 OLI反演蓄积量的潜力,研究不同特征选择方法对蓄积量反演精度及不同蓄积量反演模型对反演精度的影响。以湖南省怀化市排牙山国有林场作为研究区,森林资源二类调查数据作为样地地面实测数据,选用Landsat8 OLI作为遥感数据源,将传统的Pearson相关系数法及主成分分析法2种方法结合,得到一种顾及变量相关性的主成分分析法（PCA-P）对遥感变量进行降维。使用3种变量选择方法构建了随机森林（RF）、K最近邻（KNN）、支持向量机（SVR）、多元线性回归（MLR）模型进行森林蓄积量的估测,使用决定系数（R²）、均方根误差(R_MSE)、相对均方根误差(R_RMSE)对蓄积量估测模型进行精度评价。结果表明：通过Pearson相关系数结合方差膨胀因子得到I_B2、I_ND25、I_MSR3个遥感变量,其与蓄积量相关性分别为0.716、0.623、0.597。使用主成分分析法得到前3个主成分,累计贡献率为93.42%。通过PCA-P得到前2个主成分,累计...     

应用最大信息系数和支持向量机估测森林蓄积量

为了探究Landsat8 OLI影像和支持向量机算法在林分蓄积量估测中的潜力,以湖南省株洲市为研究区,以Landsat8 OLI卫星影像为遥感数据源,并结合同时期的湖南省森林资源二类调查数据,提取单波段特征、植被指数和纹理特征等遥感因子作为候选变量;利用最大信息系数对遥感变量进行筛选,并构建基于多项式核的PK-SVR模型、基于径向基核的RK-SVR模型、基于拉普拉斯核的LK-SVR模型和基于Sigmoid核的SK-SVR模型;以决定系数、相对均方根误差作为预测模型的评价指标,并与传统的线性回归模型进行对比,同时对研究区的森林蓄积量进行反演,得到株洲市森林蓄积量空间分布图。结果表明：支持向量机（SVR）模型的预测结果明显优于多元线性回归模型,RK-SVR模型的预测效果最好,其决定系数为0.61、均方根误差为69.26 m³/hm^-2、相对均方根误差为31.2%。     

基于哑变量和因子选择的森林蓄积量估测研究

为提高森林蓄积量遥感估测精度,探讨哑变量技术在蓄积量遥感估测中的作用。以云南省普洱市思茅区为研究区,以Landsat 8 OLI和93块森林资源二类调查角规控制样地数据为基础,使用随机森林（random forest）算法进行遥感变量因子的选择,并以龄组为哑变量分别构建基于哑变量的SVR和PLSR蓄积量估测模型,采用留一交叉验证对结果进行评估。结果表明,使用随机森林算法进行变量的选择有效减少了自变量的维度,提高了计算效率;其次,哑变量引入后,PLSR和SVR 2种回归模型的估测精度都比无哑变量方法有明显的提高,且SVR的估测结果优于PLSR;在引入哑变量后SVR模型的决定系数R²由0.59提高到0.68,相对均方根误差rRMSE由36.76%降低至32.97%,PLSR模型的决定系数R²由0.53提高到0.62,相对均方根误差rRMSE由39.41%降低至35.24%。在森林蓄积量的遥感估测中,哑变量技术的应用可以在一定程度上解决不同蓄积量大小对估测结果造成的影响,进而提高蓄积量的估测精度。     

基于无人机多光谱影像的云南松林蓄积量估测模型

【目的】无人机多光谱遥感影像较可见光影像具有更丰富的光谱信息,在森林蓄积量估测中具有较大潜力。以无人机载多光谱遥感影像为主要数据源,探索森林蓄积量的遥感估测模型,以克服传统地面调查工作量大、耗时长、成本高等弊端。【方法】以滇中地区典型天然云南松Pinus yunnanensis纯林为研究对象,利用无人机多光谱影像提取单波段反射率、各类植被指数、纹理特征等,计算各特征变量的标准地均值;筛选与云南松林蓄积量相关性显著的特征变量,采用多元线性、随机森林、支持向量机建立云南松林蓄积量估测模型,以决定系数(R²)、平均绝对误差(E_MA)、均方根误差(E₍RMS()、平均相对误差(E_MR)评价模型精度。【结果】(1) 3种模型中,随机森林的精度最高(R²=0.89,E_MA=4.69m³·hm^-2, E_RMS=5.45m³·hm^-2, E_MR     

应用机器学习模型与线性模型预测森林蓄积生长量的精度

为了探究不同模型对森林蓄积生长量的预测精度和影响因素，以吉林省汪清金沟岭林场为研究区，利用林场198个固定样地(20 m×20 m)中的乔木数据，建立多元线性回归(MLR)、随机森林(RF)、支持向量机(SVM)、最近邻法(KNN)模型，分析树木蓄积生长量与林分因子、地形因子和气候因子的关系，并比较不同模型的预测精度。结果表明：森林蓄积生长量与林分每公顷断面积(B_A)、大于对象木断面积(B_L)、海拔(A_L)、林分密度(N)、年均降水量(P)显著相关，与平均胸径(D)、坡向(A_s)、坡度(S_L)、年均气温(T)并不相关；不同模型的预测结果存在差异，随机森林(RF)方法所有测试指标最佳；随机森林方法得出的平均蓄积生长量预测值为51.45 m³·hm^-2,该模型均方根误差(R_MSE)最低(4.62),决定系数(R²)最高(0.91)。     

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%。     

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。     

基于光学和微波遥感数据的森林蓄积量估测模型研究

【目的】探讨综合光学遥感和微波遥感的多源数据森林蓄积量反演方法。【方法】以L波段ALOS PALSAR全极化数据和Landsat TM为数据源,结合地面调查样地数据,通过ALOS PALSAR提取不同极化状态的后向散射系数和极化比值等极化特征因子,Landsat TM数据提取光学遥感因子,以多元线性回归构建森林蓄积量模型。【结果】光学遥感反演方法、微波遥感反演方法、综合光学遥感和微波遥感的多源数据反演方法均可以实现森林蓄积量估测,其中,基于多源数据协同的反演模型为最优模型,决定系数R~2为0.674,模型检验均方根误差RMSE为13.38 m~3/hm~2。【结论】要比使用一种数据源的反演方法具有明显的优势,有效实现了森林蓄积量估测。     

基于多源遥感数据的黄河三角洲人工刺槐林生物量估算

利用哨兵影像、数字地形数据及森林实地样方调查数据,分别构建K-近邻(KNN)模型、随机森林(RF)模型、极值梯度增强(XGBboost)模型、Stacking模型,实现对黄河三角洲人工刺槐(Robinia pseudoacacia)林生物量的估算。结果表明,相较于K-近邻模型、随机森林模型、极值梯度增强模型,集成学习Stacking模型明显提高了生物量估测的精度(R²=0.61、RMSE=13.42 t/hm²)。     

基于偏最小二乘回归模型的高山松蓄积量遥感估测

以Landsat 8影像为遥感数据源,以遥感因子、GIS因子、林分因子、郁闭度等为自变量,在前期野外样地调查的基础上,采用偏最小二乘法(PLS),建立香格里拉县高山松蓄积量遥感估测模型。试验结果表明,郁闭度对香格里拉县高山松蓄积量估测的影响极其显著,第5、6波段对其影响较为显著;运用偏最小二乘法建立的样地蓄积量估测模型,调整决定系数R2为0.777 5,均方根误差RMSE为36.90 m3/hm2,总预报偏差的相对误差RE为23.18%,模型精度为73.08%。以像元为单位提取高山松林所对应的自变量因子,利用估测模型得到研究区高山松林总蓄积量为1 372.406万m3。     

基于优化BP神经网络的香格里拉高山松蓄积量模型研究

以香格里拉县高山松为研究对象,以Landsat TM 8影像和DEM（30M）数据为信息源,结合森林资源二类调查数据和地面样地实测数据,借助MATLAB平台,在前期进行基于遗传算法（GA）和粒子群算法（PSO）优化BP神经网络模型基础上,采用决定系数（R²）、均方根误差（RMSE）及预测精度（P）3个指标对优化后的BP神经网络模型及进行评价,并建立了研究区高山松蓄积量估测模型。结果表明,遗传算法效率（耗时1.9 h）低于粒子群算法（耗时1.4 h）;采用遗传算法优化后的BP神经网络模型R²、RMSE及P分别为0.636、4.216 m³、81.748%,均优于粒子群算法。通过遗传算法优化后的BP神经网络模型估测香格里拉高山松蓄积量总量为13 317 879.7 m³。     

基于优化k-NN模型的高山松地上生物量遥感估测

针对传统k-最近邻法（k-nearest neighbor,k-NN）在搜索最近邻单元时赋予特征变量相等的权重,缺少对特征变量加权优化等不足问题,在云南省香格里拉市,以高山松Pinus densata为研究对象,基于49块实测标准地,116株高山松样木和Landsat 8/OLI影像,在前期进行基于遗传算法（genetic algorithm,GA）优化的k-NN模型实现的基础上,对k-NN的3个参数（k,t和d）进行反复测试优化组合,在像元尺度上对研究区高山松地上生物量进行遥感估算。结果表明:基于遗传算法优化的k-NN模型精度优于传统的k-NN模型,优化前均方根误差为30.0 t·hm-2,偏差为-0.418 t·hm-2,相对标准误差百分比（R_MSE）为54.8%;优化后均方根误差为24.0 t·hm-2,偏差为-0.123 t·hm-2,R_MSE为43.7%。基于优化k-NN模型的研究区高山松地上生物量总储量估测结果为0.89×107 t。     

基于光谱特征参量的高山松叶片氮素含量估测模型研究

以我国西部高海拔地区特有树种高山松为研究对象,基于ASD便携式地物光谱辐射仪测定高山松叶片光谱,结合叶样氮素含量的实验室分析结果,利用相关分析法筛选与叶样氮素含量具有极显著相关性的光谱特征参量,分别采用回归曲线法和K-邻近距离(KNN)法构建高山松叶片氮素含量的参数和非参数估测模型,通过精度检验对2种方法及其构建模型进行对比分析。结果表明:在参数模型中以红边面积与蓝边面积比值(SDr/SDb)为自变量构建的二次函数模型估测效果最好,其决定系数(R2)、均方根误差(RMSE)和相对误差(RE)分别为0.627、0.12 g/100 g和4.75%;采用KNN法构建的非参数模型估测效果更好,其R2、RMSE和RE分别为0.856、0.12 g/100 g和5.43%。说明相对于传统的参数模型,KNN法构建的非参数模型在高山松氮素含量估测方面表现出更优越的估测能力。     

多源遥感数据结合的橡胶林有效叶面积指数升尺度估测

【目的】针对传统森林叶面积指数监测的小尺度、对植被具有破坏性以及低效率。【方法】以机载LiDAR数据和Landsat 8 OLI数据为主要信息源,使用LiDAR点云基于Beer-Lambert定理反演得到点云条带区橡胶林有效叶面积指数,并用样地实测叶面积指数对其进行差异性检验。其次,以LiDAR点云得到有效叶面积指数作为训练样本结合Landsat 8 OLI数据,分别使用偏最小二乘回归模型和BP神经网络模型对有效叶面积指数进行升尺度光学遥感估测。【结果】1)LiDAR点云反演得到的有效叶面积指数与样地实测的叶面积指数之间极显著相关且差异不显著,相关系数为0.82。2)研究所建立的遥感估测模型中,BP神经网络回归模型的估测结果优于偏最小二乘回归模型,其决定系数R2为0.54,均方根误差RMSE为1.23,相对均方根误差rRMSE为47.68%。【结论】在森林参数获取和林业调查中,机载激光雷达数据与光学遥感数据的结合可有效提高工作效率、降低调查成本、效弥补人工调查的不足。     

基于GF-1 PMS影像和k-NN方法的延庆区森林蓄积量估测

应用高分1号（GF-1）全色和多光谱（PMS）影像和k-最邻近（k-NN）方法进行县域尺度的森林蓄积量估测,探讨GF-1 PMS影像以及k-NN方法估测森林蓄积量的适用性。以北京市延庆区森林资源二类调查数据为基础数据,森林蓄积量为研究对象,基于国产GF-1 PMS影像数据提取植被指数,采用k-NN法构建森林蓄积量估测模型,并引入偏最小二乘回归法予以比较,选出最优估测方法对全区森林蓄积量进行反演。结果显示:偏最小二乘回归法估测的森林蓄积量均方根误差为21.90 m3·hm-2,相对均方根误差为27.5%,偏差为17.23 m3·hm-2。基于k-NN方法的森林蓄积量估测的均方根误差为12.80 m3·hm-2,相对均方根误差为16.0%,偏差为15.02 m3·hm-2。与官方公布的全区森林蓄积量进行对比,结果显示:基于k-NN法反演的全区森林蓄积量统计结果（245.98万m3,估测精度为86.0%）要好于偏最小二乘回归法（266.22万m3,估测精度为76.6%）。最后生成了全区森林蓄积量空间分布图。     

运用Sentinel-2遥感影像数据估测森林蓄积量

针对传统森林资源调查工作量大、时效性低的问题,开发具有较好普适性的森林蓄积量估测模型,以期为森林资源管理决策提供科学依据.以淳安县、临海市为研究区,运用2017年研究区Sentinel-2遥感数据、森林资源二类调查数据和数字高程模型数据,采用最小绝对收缩和选择算子(Lasso)特征选择方法,构建K最近邻算法(K-NN)、梯度提升迭代决策树(GBDT)、极端梯度提升(XGBoost)、梯度增强集成分类器(CatBoost)4种模型和基于单模型的堆叠法(Stacking)融合模型,通过10折交叉验证法检验模型精度,分析特征变量对于模型性能指标的影响.结果 表明:(1)在淳安、临海两地的森林蓄积量估测中,CatBoost模型在4种单模型中综合表现最优,具有较好的普适性;(2)特征变量的加入极大提升了模型的决定系数(R2),且均方误差、平均绝对误差和平均百分比误差等性能指标也显著优化;(3)融合模型的平均百分比误差最低为20.24％,较单模型有所提升.Lasso特征选择方法结合Stacking融合模型可以准确地估测森林蓄积量,具有较强实用性.     

应用哨兵2号卫星遥感影像数据和机器学习算法对锡林郭勒草原土壤表层有机碳及全氮的估算

以锡林郭勒草原为研究区，应用谷歌地球引擎(GEE)云计算平台、哨兵2号卫星(Sentinel-2)遥感数据及其他辅助数据，选择随机森林(RF)、支持向量机(SVM)、多层感知器(MLP)模型3种机器学习算法，对土壤表层(0～20 cm)30 m分辨率的土壤有机碳(SOC)和土壤总氮(STN)质量分数进行估算，比较不同方法的精度差异，分析各影响因素的重要性。结果表明：(1)3种机器学习算法中，随机森林模型对土壤有机碳、土壤总氮估测效果最佳(土壤总氮模型，决定系数为0.67、均方根误差为0.024、百分比偏差为2.09、四分位数间距性能比(RPIQ)为2.14;土壤有机碳估测模型，决定系数为0.68、均方根误差为0.17、百分比偏差为2.26、四分位数间距性能比为2.37)。(2)各影响因素重要性评价结果表明，哨兵2号卫星遥感数据、植被指数，对土壤有机碳、土壤总氮估算贡献较大；在土壤有机碳估测模型中，光谱反射率信息贡献率为30.9%,植被指数贡献率为28.4%;在土壤总氮估测模型中，光谱反射率信息贡献率为23.2%,植被指数贡献率为46.5%。(3)锡林郭勒草地，土壤有机碳、土壤总氮质量分...     

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%...     

宜良县云南松林生物量遥感估测方法研究

利用landsat5影像和通过蓄积量-生物量转换方法获得的样地生物量数据,从宜良县云南松林遥感特征、地形特征、郁闭度等方面选取自变量,采用随机森林回归和偏最小二乘法进行生物量遥感估测建模。结果表明:随机森林回归估测模型调整决定系数R2为0.881,模型估测精度为82.3%;偏最小二乘模型的调整决定系数R2为0.753,模型估测精度为78.43%。随机森林回归在模型拟合效果和检验精度上均优于偏最小二乘模型。     

应用Landsat8 OLI和GBRT对高山松地上生物量的估测

依据香格里拉市Landsat8 OLI提取的因子和外业调查的高山松样地地上生物量,利用梯度提升回归树(GBRT)建立了地上生物量与遥感因子的估测模型,并与随机森林、多元线性回归、偏最小二乘方法进行了对比。结果表明:纹理信息对生物量有重要影响,其中熵、相关性和Landsat8 OLI近红外波段的信息对生物量的影响最大;采用GBRT进行建模,当迭代次数大于200次时,偏差降低减缓,GBRT建模方法的精度评价指标(R2=0.96,rRMSE=8.80%,P=73.88%)均优于其他3个模型。应用Landsat数据进行森林地上生物量估测的不确定因素较多,GBRT可作为高山松及其他树种地上地上生物量遥感估测的另一新方法。