森林生物量是陆地生态系统碳循环过程中最主要的参数,森林生物量准确估算是进行森林碳循环和碳储量及变化分析的基础。以香格里拉这一特殊区域为研究区,以野外调查样方数据为基础,利用植被指数、降水、积温、太阳总辐射量、海拔等多个因子,组合成遥感综合因子层、地理综合因子层与水、光、热一同构成变量,建立了研究区丽江云杉Picea likiangensis-长苞冷杉Abies georgei林,川滇高山栎Quercus aquifolioides林,云南松Pi-nus yunnanensis林,高山松Pinus densata林等4个建群种森林生物量遥感估算模型,并进行了检验。据此模型开展其生物量估算研究,结...

草地类型划分及其生物量估测对于草地管理与保护具有重要意义。香格里拉草地资源丰富，类型多样，属同纬度高海拔草地的典型代表。为了提升高原复杂地形下草地资源信息的质量，以香格里拉市为研究区，基于谷歌地球引擎（Google Earth Engine，GEE）云平台和Sentinel-2遥感影像，结合光谱、植被指数、纹理和地形特征构建了33个原始特征，并使用递归特征消除（Recursive Feature Elimination，RFE）和特征重要性得分进行特征优化，采用随机森林（Random Forest，RF）、支持向量机（Support Vector Machine，SVM）、分类回归树（Classification And Regression Trees，CART）和梯度提升决策树（Gradient Boosting Decision Tree，GBDT）4种算法对研究区域草地进行提取与分类，最后基于地面样地数据对地上生物量（Aboveground Biomass，AGB）进行反演。研究结果表明：1）RFE算法将特征数压缩到了21个，且海拔特征对草地类型的划分具有最高的重要性；2）RF算法的分类精度最高，总体精度（Overall Accuracy，OA）为91.41%，Kappa系数为88.18%；3）将香格里拉草地可分为5种类型，草地总面积为3265.77 km~(2)，面积最大的类型为亚高山草甸，其面积为2230.03 km~(2)，占草地总面积68.28%，其次为高寒草甸，约占草地总面积18.42%；4）建立了地上生物量与差异植被指数（Difference Vegetation Index，DVI）的二次多项式预测模型，R~(2)为0.783，均方根误差（Root Mean Square Error，RMSE）为154.72 g·m~(-2)；5）香格里拉草地总AGB为152.15万吨，亚高山草甸AGB为102.41万吨，占总AGB的67.31%，其次高寒草甸为27.37万吨，占总的17.99%。

采用2009年MODIS数据作为遥感信息源,结合香格里拉基础地理数据和云南省119个气象站点的气象数据,构建了一个NPP估算模型。利用遥感技术和地理信息系统技术,在ArcEngine二次开发技术的支持下,实现了香格里拉县2009年植被净初级生产力的估算研究。结果表明:(1)设计的NPP估算模型简单,参数少,易于理解和计算;(2)比较发现:2009年香格里拉县NPP估算结果可信。(3)分析香格里拉县2009年NPP的变化情况可得到以下结论:(a)香格里拉县2009年植被净初级生产力为413 g/m2,总体分布趋势是:建塘镇北部和格咱乡西部NPP基本在400~600 g/m2之间;香格里拉县中部、...

利用遥感数据研究森林的生物量,建立遥感信息模型,首先要分析各波段与生物量的相关性.通过建立甘肃省小陇山党川林场中幼林典型样地,并伐树称量,建立模型计算出样地的生物量.对试验区的TM影像进行校正,对应每块样地中心点的GPS测量坐标,获取了样地像元各波段的灰度值,并计算各种植被指数.利用MATLAB软件计算了样地生物量与遥感影像各波段的灰度值、各种植被指数的相关系数.在P<0.05水平上,生物量与TM1、TM2、TM3、TM6成显著的负相关.与归一化植被指数、比值植被指数和绿度成显著的正相关.建立遥感生物量模型应用这些呈显著正、负相关的波段和派生数据.采用逐步回归的方法建立了生物量与植被指数的统计...

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势;然后论述森林地上生物量估算的传统模型估算法与机器学习估算方法(决策树法、K最近邻法、人工神经网络、支持向量机、最大熵)。多源遥感数据集成能够结合不同数据的优势,能够为森林地上生物量估算提供丰富的特征信息,结合机器学习估算方法,是提高森林地上生物量估算的准确性的发展趋势。

采用黑龙江长白山地区TM图像和143块森林资源连续清查固定样地数据及野外调查补充样地数据,选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合(包括11种植被指数)、纹理信息以及环境因子在内的75个自变量,分别采用逐步回归分析法和偏最小二乘回归法建立黑龙江长白山林区森林生物量遥感估测模型:逐步回归法采用5个自变量所建模型平均拟合精度为76.5%,均方根误差为19.12t·hm-2,样地生物量真实值与预测值相关系数为0.5434;偏最小二乘回归法采用10个自变量所建模型平均拟合精度85.8%,均方根误差9.92t·hm-2,样地生物量真实值与预测值相关系数0.8603,偏最小二乘回归法要优...

以黑龙江省长白山地区遥感影像和122块森林资源连续清查固定样地数据为基础,选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合、纹理信息以及环境因子在内的171个自变量,分别采用无郁闭度变量常规回归生物量模型、有郁闭度变量常规回归生物量模型和郁闭度联立方程组模型,估算黑龙江省长白山森林生物量,并进行精度评价。结果表明:3种模型中郁闭度联立方程组模型为最优模型,精度最高为83.1%,与其他2个模型相比精度提高6%～7%。本研究可为遥感估算森林生物量提供一种新思路。

受人为和气候变化的影响，草地退化、沙化的现象愈发严重，对草地的监测和保护亦变得愈发重要。生物量是评价草地生态状况的重要指标之一，草地生物量的估算对草地资源管理、生态修复与保护都有着重要的意义。随着遥感技术的发展与植被机理模型的广泛应用，针对草地生物量的估算方法也不断发展，主要分为遥感反演和植被机理模型估算两种方法。本文系统地阐述了遥感反演中的经验回归方法和辐射传输模型，还有基于植被机理的作物生长模型和草地生长模型。此外，本文还介绍了在农业估产领域已经被广泛应用的数据同化技术，分析了在草地生物量同化估算过程中，遥感数据与机理模型存在的互补优势，提出了目前存在的问题和未来发展需求：在简化模型的同时，保证估算的稳定性和准确性并兼顾植被的机理性是未来草地生物量估算的研究重点。

【目的】通过地理加权回归(GWR)模型估算非干扰林龄,利用遥感数据和林火发生历史数据,获取过火区域信息,进而对林火烈度分级,讨论林火烈度与森林类型的交互作用,估算干扰林龄,最终获得黑龙江省森林年龄的空间分布。【方法】以黑龙江森林为研究区域,基于研究区域的多光谱数据结合地面森林资源清查数据,通过逐步回归方法提取了包括遥感因子绿度指数(Greeness)、湿度指数(Wetness)、林分平均胸径(ADBH)、林分平均树高(ASH)及海拔(Altitude)在内的5个显著因子作为自变量,采用GWR模型建立非干扰林龄估算模型。采用全局Moran I来描述模型残差的空间自相关性。绘制研究区非干扰林龄空间分布图并探究林龄的空间分布状态。结合林火位置与面积记录对多光谱数据目视解译提取过火区域,根据dNBR将过火区域火烈度分级。将火烈度图与植被类型图叠加分析,讨论不同森林类型在不同火烈度下的演替情况。定义干扰林龄时,未发生树种更替的森林林龄不变,树种发生更替的森林在林火发生年将其林龄归为0,并在新的优势树种萌发时从1开始累加,以此类推干扰后森林的林龄。【结果】黑龙江省非干扰森林平均林龄为48年,标准差为16年。GWR模型的R■为0.68,RMSE为16.171 7。使用Moran I来检验模型的残差,发现GWR模型可很好地消除残差的空间自相关性。研究区林龄整体空间分布状态不均匀,大兴安岭地区林龄普遍高于黑龙江林区。黑龙江省2000―2010年林火主要发生在大兴安岭及小兴安岭地区,根据dNBR将已提取的过火区域林火烈度分为:未过火、轻度过火、中度过火和重度过火4类,总过火面积为527 932 hm~2,其中重度29 157 hm~2、中度180 268 hm~2、轻度318 507 hm~2。兴安落叶松林和蒙古栎林在整个研究区中过火面积最大,分别占总过火面积的28.63%和47.23%。根据不同森林类型在不同火烈度下的演替情况,估算干扰森林的林龄并绘制干扰林龄空间分布图。【结论】GWR模型能较有效地估算黑龙江省非干扰林龄,成功地降低了残差的空间自相关性。在估算林龄的过程中加入林火干扰因素,以获取更真实的林龄空间分布数据,可为黑龙江地区森林NPP、NEP以及森林碳储量、森林生物量等相关研究提供数据支持。

利用高光谱遥感技术能够高效，无损，快速的获取草地地上生物量，对草地畜牧业的高效管理，动态监测及草畜供求关系平衡等方面具有重要意义。为了探求估算生长期针茅群落地上生物量最适宜的光谱变量与植被指数，本研究在内蒙古锡林郭勒盟镶黄旗牧场获取光谱反射率与地上生物量数据，通过原始高光谱数据以及一阶微分，植被指数，绿峰与红谷等变量，运用回归模型建立相应地上生物量估算模型并对比评价模型精度。结果表明：克氏针茅（Stipa krylovii）群落在7-8月的牧草生长过程中，生物量逐渐增加，8-9月牧草枯黄明显，生物量明显下降。对原始高光谱进行微分处理有助于提高敏感波段与地上生物量的相关性；在高光谱变量中，利用红边斜率（Dr）构建的线性模型精度最佳，R²为0.94，均方根误差（RMSE）为1.97g/m²，平均相对误差（MAE）为1.97g/m²。在植被指数中，利用土壤调整植被指数（SAVI）构建的多项式模型精度最佳，R²为0.92，RMSE为1.15g/m²，MAE为1.39g/m²。本研究能够为用不同高光谱变量估算针茅群落地上生物量提供科学依据，为快速精准的牧区天然草场遥感监测提供方法和技术支持。

【目的】森林生物量是评价森林生态系统结构、功能和生产力的重要指标之一,区域尺度上的森林生物量的准确估测对了解森林现状和科学经营森林具有重要指导意义。本文旨在利用SAR影像结合Landsat5 TM影像对区域尺度上的森林生物量进行定量估测。【方法】首先利用极化分解的方法对极化合成孔径雷达(SAR)数据进行处理获得45个极化分解参数,然后将45个极化分解参数与6个Landsat5 TM波段参数共51个参数作为自变量,森林生物量W作为因变量构建统计回归模型,最后利用最优模型反演研究区的森林生物量。【结果】使用两

大兴安岭林区是我国最大的天然林区，估算该区域的森林生物量，并研究该区域的森林生物量的空间格局特征具有重要意义。以２０世纪末至２１世纪１０年代期间（１９９４—１９９７、２００６—２００７、２０１０—２０１１）的Ｌａｎｄｓａｔ５系列ｔＭ遥感影像为基础数据，建立遥感信息模型，估算黑龙江省大兴安岭地区３个时期的森林生物量。采用０°、４５°、９０°、１３５°方向以及全局Ｍｏｒａｎ＇ｓ Ｉ系数和半变异函数块金值、基台值、变程、块金值与基台值比值、拱高与基台值比值５个参数，对２０世纪末至２１世纪１０年代研究区域３个时期的森林生物量进行异质性和空间自相关性分析。结果表明：研究区３个时期的森林生物量的整体性良好．．．

【目的】准确地估测森林地上生物量（above ground biomass,AGB）对大区域森林资源调查和管理至关重要，机器学习算法能实现森林AGB高精度估测，但超参数的设置能直接影响模型效果。为了提升模型的构建效率和预测精度，研究通过构建超参数优化的机器学习算法进行森林AGB估测，并比较不同超参数下的模型误差变化。【方法】以西藏自治区江达县天然林为研究对象，利用森林资源调查数据提取实测森林AGB数据，结合Sentinel-2多光谱影像提取遥感变量。采用逐步回归法和Boruta法分别进行遥感变量筛选，构建多元线性回归模型、支持向量机模型和随机森林模型进行森林AGB反演。此外，对支持向量机模型和随机森林模型进行超参数优化，以提高模型反演精度。【结果】1）随机森林模型在所有反演模型中实现了最佳的估测精度，模型决定系数达到了0.63，同时实现了最低的均方根误差和相对均方根误差，分别为28.06 t/hm~2和23.03%。均方根误差相比多元线性回归模型和支持向量机模型分别降低了22.2%和12.1%。2）超参数优化可以有效地提高模型估测精度。通过分析不同参数组合下的误差变化趋势，确定最佳的参数组合，能有效地降低模型估测误差。3）较高的森林AGB值主要分布在东部、南部和东南部地区，中部地区和北部部分地区森林AGB值较小。超参数优化的随机森林模型森林AGB反演结果与研究区实际森林分布情况具有较好的一致性，整体反演效果较好。【结论】利用超参数优化的随机森林模型结合Sentinel-2遥感影像能实现较好的森林AGB反演效果，能为森林资源动态监测提供有效参考。

在广东省森林资源一类清查样地(50个)的四个角外2 m处设置3个2 m×2 m的林下植被生物量调查样方,对林下灌木层植物组成和结构进行详细调查,并采用收获法测定每个样方中林下灌木层优势植物各器官生物量。结果表明:粤东地区森林灌木层植物种类丰富,6种森林类型150个样方中的主要灌木和小乔木有93种,分属36科72属,其中丰富度最大的为桃金娘、红背山麻杆、山苍子、山乌桕、檵木、岗松、栓叶安息香、白花灯笼、变叶榕、三桠苦、石斑木、托竹等。根据测定的生物量,建立了12个优势灌木各器官生物量相对生长方程,统计分析验证表明估算模型能满足生物量估算的精度,为估算广东省森林林下灌木层的生物量和碳贮量提供了科学...

为寻求高效的水稻产量估算方法,以2017年长春市九台和德惠地区的采样点为样本,遥感数据和气象数据为特征变量,通过对产量与特征变量间的相关性分析与特征变量之间的主成分分析和袋外数据(out-of-data,OOB)变量的重要性分析对特征变量进行选择,以选择后的特征变量为输入变量建立水稻产量估算的随机森林回归(RFR)模型。结果表明:特征变量优选后的RFR模型对水稻产量估算的精度更高,决定系数R~2和平均相对误差MRE分别为0.950和0.060;并将该模型应用到农安地区,以多元逐步回归模型作为比较模型,表明RFR模型的水稻产量估算精度明显优于多元逐步回归模型,RFR模型的R~2和MRE分别为0.730和0.090,多元逐步回归模型的R~2和MRE分别为0.530和0.120。