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。      

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。     

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。     

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...     

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...     

云南怒江流域森林地上生物量光学遥感估测及饱和点分析

以云南省怒江流域为研究对象,基于2016年森林资源二类调查数据和同时期的Landsat 8 OLI遥感数据,提取小班遥感变量的均值统计值,选择蓄积量–生物量转换模型计算研究区9类优势树种或树种组的小班单位面积森林地上生物量,采用半变异函数的球状模型计算9类优势树种或树种组的光学遥感估测的光饱和值,应用逐步回归模型估测和BP神经网络模型对不同优势树种或树种组的森林地上森林生物量进行估测。结果表明：不同优势树种或树种组森林的森林地上生物量光学遥感估测的光饱和值分别为桦木林139 t/hm²、桤木林181 t/hm²、桉树林70 t/hm²、云南松林182 t/hm²、云冷杉林197 t/hm²、乔木经济林161 t/hm²、其他针叶林182 t/hm²、其他阔叶林147 t/hm²、常绿栎类林141 t/hm²;BP神经网络模型的拟合精度以及检验指标均明显优于多元逐步线性回归模型,其中各树种或树种组的BP神经网络模型的R²比多元逐步线性回归模型的R²高出0.1～0.2;逐步回归模型中其他阔叶林的R²最高,达到0.744;BP神经网络模型中其他阔叶林的R²最高,达0.815,且乔木经济林、常绿栎类林和桤木林的R²均在0.6以上;分段残差分析表明2个模型均存在低值高估和高值低估的情况,尤其在生物量小于150 t/hm²时,BP神经网络模型的估测精度较逐步线性回归有明显提高。     

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...     

森林地上生物量估测方法研究综述

根据所采用数据源的不同,介绍了当前国内外森林地上生物量测算中所用的主要方法,即基于森林资源清查的方法和基于遥感估测的方法。根据国内外前期研究成果,概括了这两种方法的特点及其存在的一些不足,初步探讨了结合多源数据联合估测森林地上生物量的方法。结合当前森林地上生物量研究中存在的问题,讨论了估测方法的尺度、模型与参数化以及精...     

典型草地地上生物量遥感反演模型的建立

利用新疆阿勒泰地区富蕴县2011年9月野外典型草地地上生物量采样数据和同期接收的环境减灾卫星(HJ1A-CCD1)的遥感图像数据,分析了归一化植被指数(NDV)I、比值植被指数(RV)I与实测草地地上生物量的一元线性和非线性回归模型,并对不同回归模型进行分析比较。研究表明:植被指数NDVI与实测草地地上生物量之间存在较好的相关性;所建遥感植被指数与草地地上生物量的回归模型中,指数回归模型(y=3.716e26.758x,R2=0.815)最适合于监测草地地上生物量的遥感反演模型,并分析了该区域地上生物量的空间差异性。     

基于遥感信息估测森林的生物量

采用小兴安岭南坡TM图像和232块森林资源一类清查样地数据构建多元回归方程和神经网络模型，用以估测该地区森林生物量，选取环境因子，生物因子和遥感信息在内的13个自变量计算出回归方程的R^2=0．7125，并通过了相关检验，在对独立样地估测中，人工神经网络模型估测的平均精度为90．61％，基于回归方程估测有助于阐明森林生物量与遥感信息之间的内在机理；神经网络技术使高精度估测成为可能。     

县域尺度森林地上生物量遥感估测方法研究

以河南西峡县2013年Landsat 8影像及同期217块森林资源连续清查固定样地数据为信息源,以9个植被指数、3个地形指数为自变量,建立多元线性回归、决策与回归树、装袋算法、随机森林4种遥感估测模型;采用十折交叉验证,及相关系数、绝对误差、均方根误差、相对误差、相对均方根误差5个指标,对遥感估测模型进行精度评价,在此基础上,对研究区域2013年的森林地上部分生物量进行遥感估测和空间分析。结果表明：在4种遥感估测模型中,随机森林综合性能最高,装袋法次之,多元线性回归最低;在12个自变量中,地形（海拔、坡度）、土壤（亮度指数、湿度指数）、植被生长状况（垂直植被指数、有效叶面积指数） 6个因子是影响研究区域森林地上部分生物量的重要环境变量;2013年,研究区域单位面积森林生物量为3856t/hm2,其中低（<40t/hm2）、中（40~60t/hm2）、高（>60t/hm2）的面积分别占5992%、2430%、1578%;研究区域森林地上部分生物量较高的区域,主要分布在交通不便、森林茂密、人类干扰活动较少的北部石质山区,而较低的区域,主要分布在交通发达,人口密度大,坡度较为平缓的南部鹳河谷地。     

基于遥感的森林生物量估测样地调查方法的研究动态

科学的样地调查是利用遥感方法进行森林生物量估测的重要前提,也是提高生物量估测精度的基础。通过回顾国内外利用遥感估测森林生物量研究领域中样地调查的方法,并对其进行归纳分析可知,调查方法根据不同的遥感数据源、研究区和调查对象而不同,涉及到样地的个数、样地布设、样地形状及大小、样地调查因子和内容等方面。由此提出了样地调查的建议,以期减少今后利用遥感估测森林生物量的不确定性。     

城市森林生物量遥感估测中DN值分层抽样的应用

为了提高城市森林生物量遥感估测的精度,以杭州市西湖区为研究区,利用标准误差和平均绝对误差作为评价指标,与简单随机抽样、一般分层抽样等方法进行模拟抽样比较,根据简单随机抽样、一般分层抽样和DN值分层抽样3种方法分别进行样地实测和构建回归模型,通过均方根误差和相对均方根误差对生物量估算模型进行精度评价。结果表明：DN值分层抽样相对于简单随机抽样和一般分层抽样在稳定性上分别提升了43.3%和42.3%,在精确性上分别提升了60.1%和51.2%。基于DN值分层抽样方法建立回归模型的估算精度相对于其他2种方法有了明显的提高。     

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。     

森林高度遥感估测研究综述

在森林资源调查中,树高是最重要的测树因子之一。该文在总结森林高度地面测量方法的基础上,探讨基于遥感数据估算森林高度的方法,分别讨论各种方法的适用性及其不确定性,以为选择估算森林高度的方法提供参考。     

基于Landsat 8 OLI的昆明市主要森林类型生物量遥感估测与反演

基于昆明市2016年森林资源规划设计调查数据与Landsat 8 OLI遥感影像对昆明市12种优势树种分别构建多元线性回归模型、BP神经网络模型和随机森林模型,并选择最优模型对昆明市12种森林类型进行地上生物量反演。结果表明： 3种模型中,随机森林模型有着最好的估测效果,且其中杉木林的模型拟合精度最高为0.683,RMSE为12.68 t/hm2;线性逐步回归模型的拟合精度最低;当AGB小于50 t/hm2和大于100 t/hm2时,3个模型均分别出现不同程度的低值高估和高值低估,但随机森林模型的平均残差值的绝对值较低,在不同生物量段的估测误差相对较低;利用随机森林模型反演研究区森林AGB,反演精度为85.31%,该模型可以较好地反演昆明市森林地上生物量。     

基于不同立地质量的森林蓄积量遥感估测

森林蓄积量遥感估测在森林资源管理中具有十分重要的意义。以建德市为研究区,利用2007年TM遥感影像和2007年森林资源2类调查数据,对杉木树种分立地质量等级和不分地位等级2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3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。结果表明:以TM遥感影像主成分分析中第1主成分为自变量的模型拟合效果最好,相关系数R均在0.67以上,最高为0.868;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90.31%,分立地质量等级好、中、差3种类型总体的估测精度分别为96.1%、97.24%、95.56%,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。     

基于森林资源连清数据的泗阳县杨树生物量遥感估算模型

基于2005年江苏省森林资源连续清查数据,采用蓄积量——生物量换算因子连续函数法计算杨树林生物量,对生物量与LandsatTM数据各波段的比值B1/B3、B2/B4 、B2×B3/B4、B7/B5 、B7/B5、（B4＋ B5-B2）/（B4＋B5＋ B2）、B3/（B1＋B2 ＋B3 ＋B4 ＋B5 ＋B7）、B3/B4及植被指数NDVI、RVI、TNDVI进行相关性分析,筛选杨树生物量遥感估算模型的相应因子;并应用逐步回归技术建立估算杨树生物量遥感模型,估算出2005年泗阳县杨树林总面积为29 768.6 hm2,总生物量约为1 786 771.2 t,平均生物量约为60.0 t/hm2.结果表明,在森林资源连续清查的数据基础上,利用遥感影像在县级区域尺度上对杨树森林生物量进行有效估算是完全可行的,其方法具有时间分辨率高的特点,使生物量估算在较大的时间和空间尺度上具备操作的可能性.