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     

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。     

运用GF-1影像光谱和纹理信息构建森林蓄积量估测模型

以GF-1遥感影像为数据源,研究区森林资源二类调查数据为样地实测数据,综合考虑光谱、地形、纹理特征,利用多元线性回归、BP神经网络、支持向量机和随机森林建立研究区森林蓄积量估测模型,并验证模型预测的性能。结果表明:4种模型预测评价指标的决定系数(R2)和均方根误差(RMSE)相近,但有一定的差异,多元线性回归模型R2和RMSE分别为0.446、39.979 6 m^3·hm^-2,BP神经网络模型R2和RMSE分别为0.474、39.703 9 m^3·hm^-2,支持向量机模型R2和RMSE分别为0.485、38.924 8 m^3·hm^-2,随机森林模型R2和RMSE分别为0.534、37.882 2 m^3·hm^-2;3种机器学习方法构建的蓄积量估测模型预测性能优于传统的多元线性回归模型,随机森林模型的预测性能最优。     

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Landsat 8的深圳市森林碳储量遥感反演研究

以2014年Landsat 8遥感影像为数据源,研究了深圳市森林碳储量遥感反演模型的构建及其空间分布情况,对城市生态系统碳循环研究具有重要意义。采用分层随机抽样的方式布设168个样地,结合外业样地数据,从遥感影像中提取31个植被指数作为自变量,分别构建了多元线性回归模型、Logistic回归模型和Radical Basis Function(RBF)径向基函数神经网络模型,进而估算该地区的森林碳储量并比较分析。结果表明,RBF神经网络模型的估算精度最高,决定系数最大且均方根误差最小,分别为0.829t·hm~(-2)和9.131t·hm~(-2);Logistic回归模型估算精度次之,决定系数和均方根误差分别为0.523t·hm~(-2)和11.821t·hm~(-2);多元线性回归模型估算精度最低,决定系数最小,均方根误差最大,分别为0.438t·hm~(-2)和12.870t·hm~(-2)。可见,RBF神经网络模型能更好地模拟森林碳储量与各个因子之间的关系。研究区森林碳储量的空间分布特点表现为东南沿海部分碳储量大,中西部城市经济开发区碳储量小,与实际森林分布基本一致。     

混合像元分解在表层土壤有机质遥感估算中的应用

基于Landsat 8 OLI遥感影像数据,以巢湖流域为研究区,通过线性混合像元分解法从混合像元光谱中消除植被端影响,重建土壤光谱,构建土壤有机质遥感估算模型,并与直接基于影像光谱构建的土壤有机质估算模型进行比较.结果表明,通过线性混合像元分解法构建的估算模型建模集的决定系数(R2)为0.48,均方根误差(RMSE)为5.42,验证集的R2=0.46、RMSE=5.85;直接基于影像光谱构建的土壤有机质估算模型建模集的R2=0.36、RMSE=6.93,验证集的R2=0.37、RMSE=7.12.运用线性混合像元分解法构建的有机质估算模型可有效抑制地表植被干扰,提高土壤有机质遥感估算精度.     

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。     

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。     

利用TM影像和偏最小二乘回归方法估测三峡库区森林蓄积量

为进一步提高遥感模型预测森林蓄积量的精度和稳定性,分析了遥感特征因子、地形特征因子、郁闭度与森林蓄积量之间的相关关系。在此基础上,利用偏最小二乘回归方法构建了森林蓄积量遥感预测模型,生成了三峡库区森林蓄积量空间等级分布图,并与地面实测值进行比较。结果表明:该模型的最佳主成分数为3,且郁闭度、海拔、坡度、TM1、TM2、TM3、TM4、TM5、TM7、NDVI、RVI、TM7/TM3、TM4×TM3/TM2、亮度和湿度为预测森林蓄积量的入选变量;森林蓄积量预测的调整决定系数为0.524,相对误差为7.33%,均方根误差为1.763m3;利用该模型计算出三峡库区森林总蓄积量约为1.12亿m3,总体预测精度达到89.58%。研究结果为提高森林蓄积量遥感预测的精度提供了一种有效手段,有利于大面积应用和推广。     

利用TM 影像和偏最小二乘回归方法估测三峡库区森林蓄积量

为进一步提高遥感模型预测森林蓄积量的精度和稳定性,分析了遥感特征因子、地形特征因子、郁闭度与森林蓄积量之间的相关关系。在此基础上,利用偏最小二乘回归方法构建了森林蓄积量遥感预测模型,生成了三峡库区森林蓄积量空间等级分布图,并与地面实测值进行比较。结果表明:该模型的最佳主成分数为3,且郁闭度、海拔、坡度、TM1、TM2、TM3、TM4、TM5、TM7、NDVI、RVI、TM7/ TM3、TM4 ⅹTM3/ TM2、亮度和湿度为预测森林蓄积量的入选变量;森林蓄积量预测的调整决定系数为0.524,相对误差为7.33%,均方根误差为1.763 m3 ;利用该模型计算出三峡库区森林总蓄积量约为1郾12 亿m3 ,总体预测精度达到89.58%。研究结果为提高森林蓄积量遥感预测的精度提供了一种有效手段,有利于大面积应用和推广。      

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。     

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。     

遥感影像提取森林火灾可燃物蓄积量模型的建立1）

森林火灾可燃物蓄积量的提取为森林火灾蔓延模型提供了定量的森林火灾可燃物信息。利用遥感影像对森林火灾可燃物的分类结果,采用多元回归法、参数优化的神经网络法和支持向量机法建立森林火灾可燃物蓄积量模型。研究了遥感影像的数据处理、建模方法对森林火灾可燃物蓄积量模型精度的影响。利用最优的森林火灾可燃物蓄积量模型,进行整个研究区域的森林火灾可燃物蓄积量反演。结果表明,数据处理后的遥感影像,采用支持向量机法建立的模型精度较高。     

基于WorldView-2影像和随机森林算法的天山云杉蓄积量反演

【目的】研究林地遥感因子与蓄积量的关系来反演天山云杉林分蓄积量,为新疆天然林保护工程实施后天山云杉生态恢复与科学管理提供参考依据。【方法】以新疆天山西部巩留县恰国家西森林公园的天山云杉（Picea schrenkiana var.tianshanica）为研究对象,以样地内每木检尺为依据,基于WorldView-2影像,使用eCognition Developer 提取样地的光谱信息、纹理因子与植被指数三种遥感因子,通过随机森林算法建立模型反演天山云杉林分蓄积量。【结果】提取的24种遥感因子,筛选出对蓄积量影响最大的5种特征变量,分别为NDVI1、NDVI2、RVI2、均一性（Homogeneity）与相关性（Correlation）,建立随机森林回归模型,解释度高达81.27%,决定系数R²=0.8648（P<0.05）,估测样地蓄积量精度为86.38%。【结论】建立的随机森林回归模型可以有效地反演天山云杉林林分蓄积量。     

基于Landsat 8 OLI辅助的亚米级遥感影像树种识别

为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。      

应用Sentinel-2A卫星光谱与纹理信息的森林蓄积量估算

以Sentinel-2A为遥感数据源,以第九次森林资源清查数据为样地实测数据,对吉林省中东部的森林蓄积量进行反演。通过对遥感影像进行处理,获取影像的波段光谱值、植被指数,降维处理纹理特征以及地形因子;采用多元线性回归、偏最小二乘法、随机森林、支持向量机等构建了研究区的森林蓄积量估算模型,对检验样本做出了估测。结果表明:机器学习法在反演结果上均优于传统建模方法,随机森林法结果最优,相对误差为17.88%,方程精度为82.12%。