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%。     

应用局部样本最优K值KNN模型估测森林蓄积量

为了探究KNN算法(K-最近邻法)的优化方法及Landsat8 OLI在森林蓄积量估测中的应用潜力。以陕西省留坝县为研究区,采用Landsat8 OLI为遥感数据源并结合同时期的森林资源调查数据,构建多元线性回归(MLR)、K-最近邻(KNN)、随机森林(RF)、距离加权K-最近邻(DW-KNN)和局部样本最优K值KNN(LSO-KNN)模型进行森林蓄积量的遥感估测。随机抽取总样本的2/3用于训练模型,1/3用于模型的检验,并以决定系数(R²)、均方根误差(R_MSE)和相对均方根误差(R_RMSE)作为精度的检验指标对模型进行评价。结果表明：(1)在构建的5种森林蓄积量反演模型中,4种机器学习模型均高于MLR模型;(2)基于局部样本最佳K值构建的LSO-KNN模型估测结果最佳,其决定系数为0.72,均方根误差为39.58 m³/hm²,相对均方根误差为28.68%,均方根误差比MLR、KNN、RF和DW-KNN模型分别降低了30.89%、27.24%、24.23%和18.14%,...     

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。      

运用遥感影像对暖温带-亚热带过渡地区森林蓄积量反演

以甘肃小陇山百花林场为研究对象,运用Landsat OLI影像、森林二类资源调查数据和样地数据,计算Landsat OLI影像7个多光谱波段的纹理特征、波段比值和植被指数,利用多元逐步回归方法构建了不同自变量的森林蓄积量反演模型,并对模型的精度进行评价。结果表明:基于光谱波段、波段运算和纹理特征的综合回归模型对森林蓄积量的反演精度为80.74%。光谱波段、植被指数、波段运算、纹理特征的森林蓄积量反演模型的精度分别比基于光谱波段、波段运算和纹理特征的综合回归模型的森林蓄积量反演精度低8.76%、5.64%、5.03%、2.39%。因此,运用光谱波段、波段运算、纹理特征的综合回归模型估算森林蓄积量较为可行,对森林管理部门以及其他国民经济建设部门的监测与管理具有重要的参考价值。     

东北林区10种主要森林类型的蓄积量、生物量和碳储量模型研建

【目的】林分水平的蓄积量、生物量和碳储量模型或数表,是开展森林资源规划设计调查的必备计量工具。研建东北林区10种主要森林类型的蓄积量、生物量和碳储量模型,既是方法学探索,也为生产实践提供参考成果。【方法】基于东北林区云冷杉林、落叶松林、红松林、樟子松林、栎树林、桦树林、杨树林、榆树林、椴树林和水胡黄林10种主要森林类型的2 000个样地的实测数据,分别利用非线性独立回归估计、非线性误差变量联立方程组和含哑变量的非线性误差变量联立方程组方法,建立了林分水平的蓄积量、生物量和碳储量模型。【结果】基于全部样地通过误差变量联立方程组方法建立的蓄积量、生物量和碳储量总体平均模型,其确定系数分别为0.945、0.805和0.839,而包含森林类型参数的蓄积量、生物量和碳储量哑变量模型,其确定系数分别达到0.959、0.949和0.951。10种主要森林类型的蓄积量、生物量和碳储量模型,确定系数(R2)都在0.86以上,平均预估误差(MPE)都在3%以内,平均百分标准误差(MPSE)大多数在10%以内。蓄积量模型的R2在0.876～0.980之间,MPE在0.90%～1.95%之间,MPSE在5.1...     

基于哑变量的日本落叶松生长模型研究

【目的】研究北亚热带高山区和暖温带中山区日本落叶松的生长过程,并建立其生长模型,为精确掌握日本落叶松生长过程、科学经营日本落叶松人工林提供参考。【方法】应用北亚热带高山区和暖温带中山区96株日本落叶松解析木数据,根据区域特征引入哑变量的概念,综合运用Excel 2003、ForStat 2.1及SPSS 16.0等软件进行数据处理和生长模型的拟合,分别建立含有哑变量的日本落叶松胸径、树高和材积生长模型。【结果】2个区域日本落叶松的胸径、树高和材积生长情况没有明显差异。含有哑变量的Richards方程对日本落叶松胸径、树高生长拟合效果最好,R2分别达到了0.996 6和0.995 5,均方误差为0.163 2和0.207 7,平均绝对残差为0.349 1和0.436 7;材积生长模型的拟合结果以含有哑变量的二次函数最为理想,R2为0.997 979,均方误差为0.000 018,平均绝对残差为0.003 276。通过对模型的独立性检验,胸径、树高和材积生长模型预估精度均在90%以上。【结论】建立了日本落叶松胸径、树高和材积的哑变量生长模型,该模型可以用来描述北亚热带高山区和暖温带中山区日本落叶松的生长规律,预测其生长指标,解决了不同区域单独建模模型不相容的问题。     

基于哑变量的油松人工林和天然林生长模型

为准确掌握油松生长过程、改善油松经营管理模式,利用北京地区油松连续清查数据,在Richards模型基础上,考虑林分起源的差异,在模型中引入哑变量,建立北京地区不同林分起源相容性油松林分生长模型。结果表明：所建立的含哑变量的油松生长模型,对油松林分生长模型的拟合效果较好,决定系数高达0.9380和0.9918;油松蓄积量的拟合效果比断面积好,人工林的拟合效果高于天然林。用检验数据对模型进行适应性检验,林分断面积和蓄积量生长模型的预估精度均在90％以上。     

森林蓄积量遥感定量估测研究综述

论述森林蓄积量的概念和发展历史,介绍森林蓄积量定量估测的常规方法,以及近年出现的新蓄积量定量估测方法,如遥感方法、基于遥感技术的神经网络模型方法,并阐述了森林蓄积量遥感定量估测方法的发展趋势。     

基于哑变量的云南松蓄积生长模型

为了解云南松林分蓄积生长规律,为更好的经营云南松林分提供理论依据,笔者基于云南省云南松一类清查数据,以Schumacher和Richards模型为基础模型,选取不同的林分密度指标,来拟合云南松林分蓄积生长模型,并在最优基础模型上引入哑变量,将不同林分类型合并,建立同时适用于间伐林分和未间伐林分的蓄积生长模型。结果表明:4个传统生长模型的模拟效果都较好,R~2和预估精度最高分别为0.971 6、96.79%,不同的林分密度指标对模型的预测效果有较大影响,且以选用林分断面积作为林分密度指标的Richards模型的预估效果最好,其预估精度为96.79%。在最优传统生长模型中引入哑变量后,模型的R~2和预估精度都比传统的生长模型稍高,分别达到0.973 0、96.84%。通过对模型的适应性检验,所建的哑变量模型的预估精度超过98%,且对间伐林分的拟合效果更佳,可以用来描述不同措施下云南省云南松林分的蓄积生长规律,也解决了不同类型林分合并建模不相容的问题。     

基于地形与竞争因子的青冈栎次生林树高哑变量模型研究

考虑不同地形和林木竞争对青冈栎树高与胸径关系的影响,构建青冈栎树高与胸径的哑变量模型,为青冈栎次生林的树高预测和可持续经营提供理论依据。以16个青冈栎次生林固定样地为研究对象,通过确定系数（R²）、赤池信息量准则（AIC）、均方根误差（RMSE）和平均预估误差（MPE）4个评价指标,从11个基础模型中筛选出最优的基础模型。利用F统计检验分析了不同坡向和坡度对青冈栎树高与胸径关系的影响,同时对Hegyi简单竞争指标进行了改进。基于坡向、坡度和竞争强度3个哑变量,构建青冈栎树高与胸径的哑变量模型。结果表明,对数模型M2为最优基础模型,其确定系数（R²=0.686）最大,均方根误差（RMSE=1.380）和平均预估误差（MPE=1.242）最小;不同坡向和坡度下,模型的F统计值均大于F临界值;Hegyi改进指标与树高、胸径的相关系数达到-0.452、-0.418,相比Hegyi简单竞争指标有明显提高;基础模型中引入坡向、坡度和竞争强度哑变量后,模型的拟合精度均显著提高,R²提高了0.035,RMSE减少了0.077,MPE减少了0.070%。从林木的水平和垂直空间上构建青冈栎林木竞争指标更加准确,坡向、坡度和林木竞争对青冈栎树高与胸径关系存在显著影响。综合考虑地形与林木竞争的哑变量模型拟合精度更高,能为青冈栎树高生长的预测提供参考。     

多源遥感数据协同的景洪橡胶林叶面积指数光饱和特征研究

本研究以云南省景洪市机载激光雷达飞行范围内的热带橡胶林为研究对象,基于LiDAR和Landsat 8 OLI数据,利用机载LiDAR点云数据提取地面LAI,借助地统计学中的半方差函数,对叶面积指数各原始波段光谱饱和特性进行分析。结果表明：近红外波段的反射率随着叶面积指数的增大而增大进而达到饱和,其余波段反射率随着叶面积指数的增大而减小进而达到饱和;在可见光范围内叶面积指数饱和值随着波长的增加而增加;在近红外和短波红外波段叶面积指数饱和值随着波长的增加而减小,结果虽然呈现出一定的规律性,但是差异并不是很明显。Landsat 8 OLI的1～7波段的饱和值分别为5.08、5.19、5.22、5.42、7.51、5.62、5.62,最大值为近红外波段,饱和值为7.51,最小值为海岸波段,饱和值为5.08,除近红外波段饱和值较大之外,其余波段的饱和值均介于5～6之间。     

基于GEE和Landsat时间序列数据的香格里拉森林类型分类研究

基于Google Earth Engine云平台和2014—2017年Landsat OLI影像序列,根据其在时间域上的光谱特征,结合植被指数特征、地形和温度特征,采用随机森林分类算法,开展香格里拉森林类型分类研究。结果表明：不同森林类型的生长轨迹有明显差异,4种森林类型在冬季的植被指数差异最明显;时间序列影像数据能够提供不同森林类型的物候差异特征,弥补单一日期影像难以区分不同森林类型的困难;研究区森林/非森林覆盖的总体精度为97.17%,Kappa系数为0.943,森林类型分类的总体精度87.78%,Kappa系数为0.80。基于Landsat时间序列的方法能够提供一个精度较高的森林分类产品,可为基于森林类型制图的应用提供帮助。     

高分辨率谷歌地球遥感数据与Landsat 8 OLI影像的融合方法研究

探讨高分辨率谷歌地球遥感数据与Landsat8 OLI数据的融合方法,分别使用Bovey变换、Gram-Schmidt变换和主成分变换方法得到相对理想的融合结果。通过评价表明,后两种方法可以得到更好的结果,并满足大比例尺制图的需求。     

拟因素追加试验设计在发动机性能研究中的应用

针对发动机性能研究中试验设计的需要,用拟因素追加法设计了７＾１×３＾２×２＾２多因素不等水平的试验方案,并介绍了其数据处理方法及对因素和试验误差的偏差平方和进行修正的方法,求出了最佳组合方案．     

基于数字摄影测量的森林蓄积量估算

利用收集到的东北林业大学哈尔滨市城市林业基地的16张航片和相应的外方位元素,建立了一个测区,通过模型的内定向、相对定向和绝对定向构建了测区的立体像对模型,选择了有代表性的8个小班.在立体像对模型的基础之上,利用专业的数字摄影测量平台估测了8个小班的蓄积量.同时用样地法实地测量了8个小班的蓄积量,并将实地估算结果与数字摄影测量估算结果进行了对比分析.分析发现:两组数据的差异不显著,基于数字摄影测量的蓄积量估算平均精度为85.3%,最高精度为98.7%.研究结论说明,使用数字摄影测量方法估测其蓄积量,其精度比较高,该方法可以在一定条件下接近或满足森林资源调查的精度要求.     

森林郁闭度对蓄积量估测的影响规律

为研究森林郁闭度对蓄积量估测的影响规律,根据某监测区域地面调查样地对应的遥感和GIS信息,设计蓄积量估测模型,通过数学仿真方法研究郁闭度对蓄积量估测的影响大小及规律。研究结果表明郁闭度对蓄积量估测起非常重要的作用,若要通过监测区域样地对应的遥感和GIS信息,建立以样地为单位的蓄积量估测方程,郁闭度是不可或缺的影响因子。因此必须先估测森林郁闭度,再建立包含郁闭度的蓄积量估测方程,才能实现以遥感和GIS为基础的蓄积量估测。     

基于纹理信息的森林蓄积量估计

以河北省秦皇岛市山海关公益林为研究对象,结合Landsat TM数据和森林资源二类调查数据,运用灰度共生矩阵分析法提取纹理信息,采用逐步回归法建立多元线性回归模型,进行森林蓄积量的估算。结果表明:选取纹理因子参与建模,建立的线性回归方程的拟合效果较好,估测模型的R~2值达0.766,估计值的标准误差最小,标准误差最小值为28.036,说明纹理因子对提高森林蓄积量的估测精度有重要影响。     

用岭估计估测以分类为前提的森林蓄积量

为克服自变量间多重相关性对森林蓄积量估测的不利影响,采用岭估计建立估测模型。在确定岭参数时,分别试验了岭迹法、方差扩大因子法、Hoerl-Kennard法和预测残差平方和法,对不同地类分别建立蓄积量估测方程。根据建模样地的蓄积量拟合残差和预报样地的蓄积量估测偏差分别计算中误差,利用残差中误差（δ＾R）和预报偏差中误差（＾δF ）构造评价函数0．5（＾δR＋＾δF ）,并测度岭参数的优劣,进而确定监测区域的估测模型。结果表明：当影响蓄积量估测的自变量间存在复共线性时,分类建立模型的精度明显优于统一建模的精度。