| 摘 要： | 目的]利用能够反映植被季相变化和物候差异的中空间分辨率高重访周期遥感数据以及其他多源数据,提取区域树种(组)成数空间分布信息,间接表达主要树种(组)的空间分布,为大区域树种(组)空间分布制图提供新的方法和思路。方法]以吉林省为试验区,以250 m空间分辨率的MODIS NDVI 8天合成时间序列数据和国家森林资源连续清查固定样地数据为主要数据源,综合利用气象观测数据和地形数据,基于梯度最近邻(GNN)方法对省级树种(组)成数进行估测。首先利用典型对应分析(CCA)对特征变量进行特征变换;然后采用k-NN方法对树种(组)成数进行分层估测,并对k-NN方法中的k值进行优选,分析k-NN估测精度随k值的变化规律;最后基于9个县的森林资源二类调查样地和省级一类清查固定样地数据,对树种(组)成数分布图进行精度检验。结果]对在吉林省分布较广的蒙古栎、白桦、紫椴、春榆、杨树、胡桃楸和长白落叶松7个树种(组)成数进行估测,并制作相应的树种(组)成数空间分布图。估测结果表明,树种成数分布与固定样地成数分布呈现出一致的空间分布特征。其中,县级尺度下的k-NN预测精度检验结果为:R2为0.83,RMSE为0.35;在20 km×20 km,30 km×30 km,40 km×40 km和50 km×50 km 4个尺度下的k-NN估测结果显示,各类树种(组)在40 km×40 km和50 km×50 km尺度下的估测结果较优,春榆在各个尺度下的估测精度均较高,其平均RMSE为0.35,蒙古栎的估测精度相对较低,其平均RMSE为0.65。在不同尺度下的估测结果表明,随着k值的增加,RMSE均呈现先快速减小、后趋于相对平衡的趋势,根据该规律可确定最佳k值。另外,k-NN分层估测的估测精度高于k-NN直接估测的估测精度,其在不同尺度下的RMSE相对直接估测的结果均低0.1左右。结论 ]本文提出的基于多源数据的森林树种(组)成数空间分布估测方法是一种有效的森林参数估测方法,基于该方法能够获取较高精度的树种(组)成数空间分布图。为了得到最佳的估测效果,需要对k-NN方法中的k值进行优选,该值将随试验区和数据有所不同。另外,采用分层估测的策略可以有效提高最终估测精度。
|
