以普洱市思茅松天然林为研究对象,以Landsat8 TM影像和DEM(30 m)数据为信息源,结合2006年森林资源二类调查小班数据和2012至2013年样地实测数据,在ENVI下提取14个自变量备选因子(11个遥感因子、3个地形因子),在MATLAB平台下利用BP神经网络模型建立研究区思茅松天然林生物量估测模型。结果表明,利用优选训练算法Ploak-Ribiere,隐含层节点数为9时效果最佳,得到决定系数R2=0.85,均方误差RMSE=14 t/hm2,预估精度P=74.75%。以像元为单位,分块提取

【目的】确定思茅松林生物量遥感估测的光饱和点,构建空间全局和局域遥感信息模型反演思茅松林生物量,为思茅松林生物量遥感估测提供参考。【方法】以云南省普洱市思茅松林为研究对象,基于Landsat8 OLI遥感影像数据和森林资源二类调查数据,运用二次项函数和幂函数求解思茅松林生物量光饱和点,采用普通最小二乘模型(OLS)、空间滞后模型(SLM)、空间误差模型(SEM)和地理加权回归模型(GWR)构建遥感信息模型,估测思茅松林地上生物量。【结果】1)普洱市思茅松林Landsat8 OLI遥感估测地上生物量的光饱和点为106.3 t·hm~(-2);2)空间回归模型拟合精度较高,尤其是GWR模型具有最高的R2(0.373)和最小的AIC(4 577.8),其拟合精度显著高于OLS、SLM和SEM模型;3)独立性样本检验结果表明,GWR模型的预估精度最高,且通过刀切法检验可知GWR模型在高值阶段(≥100 t·hm~(-2))和低值阶段(0～50 t·hm~(-2))的生物量估测能力强于OLS、SLM和SEM模型;4) GWR模型反演计算结果表明,思茅松林单位面积地上生物量为66.496 t·hm~(-2),与实测值偏差23.511%,估测误差低于OLS、SLM和SEM模型。【结论】对普洱市思茅松林生物量进行遥感估测时,GWR模型优于OLS模型和其他空间全局回归模型,且GWR模型可在一定程度上解决高值低估和低值高估问题,减小光饱和点对遥感估测精度的影响。

【目的】应用以遗传算法优化的ＢＰ（ＧＡ－ＢＰ）神经网络构建灌木生物量估测模型，以有效避免回归分析建模中自变量及模型形式选择的复杂问题。【方法】以灌木林地的荆条为试验对象，应用遗传算法优化ＢＰ神经网络的结构、初始权值和阈值，通过ＢＰ神经网络训练构建荆条最优地上生物量估测模型，并与传统的应用回归分析方法构建的模型进行对比分析。【结果】仿真结果表明，ＧＡ－ＢＰ神经网络模型和回归分析模型的模拟精度分别为７７．６５％和７１．７９％，估测精度分别为８１．４６％和７５．６４％，ＧＡ－ＢＰ神经网络模型的精度略高于回归分析模型。【结论】应用ＧＡ－ＢＰ神经网络构建灌木生物量模型是可行的，能够实现灌木生物量的快速估．．．

【目的】科学估测阿尔泰山天然林生物量，提高山区天然林生物量反演模型精度，同时为阿尔泰山天然乔木林的科学管护提供理论基础支持。【方法】基于6月6日、7月8日、7月24日和9月10日等4期Landsat 8遥感影像和新疆第九次全国森林资源连续清查数据，以岭回归、主成分分析、偏最小二乘法为建模方法分别构建阿尔泰山天然乔木林生物量反演模型，并验证其精度，从中选取最优模型，根据所选模型测算研究区天然乔木林生物量并分析其空间分布。【结果】从7月8日遥感影像所提取的与生物量显著相关的特征变量在数量和质量上都优于其他3期影像，最适宜用于研究区生物量反演；岭回归构建的生物量模型拟合出的预测值确定系数（R~2）为0.918，预测值标准差（SEE）为16.70 t/hm~2，平均系统误差（MSE）为5.39%，拟合精度（P）为85.55%，各项模型精度指标均优于主成分分析（R~2:0.824、SEE:20.19 t/hm~2、MSE:8.37%、P:80.88%）和偏最小二乘法（R~2:0.626、SEE:44.77 t/hm~2、MSE:-13.79%、P:70.21%）构建的模型。【结论】基于7月8日Landsat 8遥感影像，采用岭回归构建的模型最适用于研究区天然乔木林生物量估测。研究区天然乔木林生物量整体呈现南部低北部高的趋势，随海拔的升高先升高后降低，阴坡、半阴坡大于阳坡、半阳坡，随坡度的增大先升高后降低。精准估算山区天然乔木林生物量对于研究森林生态系统固碳能力、生产力以及评估天然乔木林的质量和生态效益具有重要意义。

【目的】应用以遗传算法优化的BP（GABP）神经网络构建灌木生物量估测模型，以有效避免回归分析建模中自变量及模型形式选择的复杂问题。【方法】以灌木林地的荆条为试验对象，应用遗传算法优化BP神经网络的结构、初始权值和阈值，通过BP神经网络训练构建荆条最优地上生物量估测模型，并与传统的应用回归分析方法构建的模型进行对比分析。【结果】仿真结果表明，GABP神经网络模型和回归分析模型的模拟精度分别为77.65%和71.79%，估测精度分别为81.46%和75.64%，GABP神经网络模型的精度略高于回归分析模型。【结论】应用GABP神经网络构建灌木生物量模型是可行的，能够实现灌木生物量的快速估测。

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0.89×10~7t。图7表6参20

本研究以云南省普洱市的思茅松天然林为对象,调查了3个位点45块样地的林分地上、根系和总生物量。以幂函数模型为基础构建林分生物量的基本模型;采用混合效应模型技术,考虑区域效应随机效应,选择基本混合效应模型,并分析模型的方差和协方差结构,分别构建3个维量的区域效应随机效应的混合效应模型;考虑林分因子、地形因子和气象因子固定效应,构建含环境因子固定效应和区域效应随机效应的林分生物量混合效应模型。所有模型均采用拟合指标和独立检验指标进行评价。结果表明:1)从模型拟合情况看,考虑区域效应的随机效应模型均能显著提高一般回归模型的精度;在3类含环境因子固定效应模型中,含地形因子固定效应的区域混合效应模型均具...

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。

通过调查云南省思茅区思茅松天然林63株思茅松单木的地上部分干、枝、叶生物量数据,并测定其中30株的根系生物量数据。基于普通最小二乘模型选型,采用地理加权回归的方法构建思茅松单木树干生物量、树枝生物量、树叶生物量和地上部分生物量,以及根系生物量和整株生物量模型。结果表明:(1)地理加权回归模型(GWR)的决定系数(R2)大于普通最小二乘(OLS)模型,且GWR模型拟合的R2值除树叶生物量模型外,其余生物量维量模型均大于0.950;Akaike信息指数(AIC)值小于普通最小二乘(OLS)模型,平均相对误差(EE)和平均相对误差绝对值(RMA)的绝对值除树枝生物量外均小于OLS模型,说明GWR模型...

【目的】研究基于遥感因子与地形因子构建香格里拉市高山松地上生物量非线性混合效应估测模型，提高高山松地上生物量估测精度。【方法】以2015年和2018年Landsat 8 OLI与对应年份样地实测数据为基础，通过二元生物量模型计算出高山松地上生物量。提取植被指数、纹理等遥感因子。将地形因子按照一定等级进行划分后作为模型因变量，基于8种非线性模型，考虑地形特征，构建非线性混合效应模型估测高山松地上生物量并进行模型检验，然后与多元线性回归、线性混合效应模型两种参数模型，以及随机森林(Random Forest,RF)、梯度提升回归树(Gradient Boosted Regression Trees, GBRT)、K-近邻(K Nearest Neighbors, KNN)3种非参数模型的预估精度进行对比。【结果】1)8种非线性基础模型中增长模型的拟合效果最优；2)共输出12个具体增长模型，其中以样地号(Number)、海拔等级(Elevation Class)为固定效应，坡向等级(Aspect Class)为随机效应时，模型Log Likelihood值最大，为-56.53,AIC、BIC的值最小，分别为133.06、155.55;3)经检验非线性混合效应模型的RMSE为13.94 t/hm~2,AMRE为15.64%，预估精度P为84.34%。【结论】采用Landsat影像和地形因子构建的非线性混合效应模型的拟合优度和预估精度较多元线性回归、线性混合效应模型均有明显提高，并且预估精度高于非参数模型。加入地形因子作为混合效应因子构建的非线性混合效应模型可以提高高山松地上乔木层生物量的估测精度。

以马尾松为例,探索并验证BP神经网络模型在立木生物量估测上的适用性。通过12种算法的筛选、输入变量和输出变量的确定以及隐层节点数的选择,确定最优的模型拓扑结构,构建单隐层BP神经网络模型;对比单输入变量与多输入变量模型、单输出变量与多输出变量模型,并分析模型的输入变量数和输出变量数对模型估测精度的影响;将优选BP模型与传统相对生长模型进行对比以验证BP模型的可行性。结果表明:1)最优BP模型LM-DH-8-WtWaWr的训练算法为Levenberg-Marquardt算法,输入变量为D、H,输出变量为Wt、Wa、Wr,隐层节点数为8。2)输入变量和输出变量的增加不会降低BP神经网络模型的精度。...

[目的]以库布其沙漠沙柳为研究对象，建立基于BP神经网络的沙柳生物量模型，探究不同建模因子下的沙柳生物量估算模型变化，以期探究沙柳生物量估算模型的最优形式。[方法]选取6种沙柳生长因子，并根据与生物量相关性大小加入输入变量，从而组成6组不同输入变量，输入变量包含因子数量逐步增加（1～6种）。对比BP神经网络沙柳生物量模型不同输入变量所拟合模型的性能，确定最佳输入变量，并在最优输入变量的基础上，确定BP神经网络隐层数量，经过反复训练，建立基于BP神经网络的沙柳生物量估算模型。[结果]基于BP神经网络的沙柳生物量模型最优结构，即输入层节点数（N_(in)）∶隐层节点数（N_h）∶输出层节点数(N_(out))为：4∶9∶1。其中训练数据R~2=0.97,RMSE=0.67,MAE=0.50；测试数据R~2=0.96,RMSE=1.10,MAE=0.77。[结论]基于BP神经网络的沙柳生物量，随着输入变量中输入因子的数量不断增加，发现其R~2、RMSE、MAE所表现出的模型性能逐渐变好，但是输入变量每增加1种后，当输入因子数量为5时，模型精度相比输入因子数量为4时提升幅度较小，考虑模型使用时的精度和野外工作的便利性，输入层最优输入因子数为4种，当隐层数为9时模型性能表现为最优。

【目的】以多源遥感数据为基础,在郁闭度较高的天然次生林中采用非参数模型及随机森林偏差校正模型估测森林地上生物量(Aboveground biomass, AGB),为大尺度估测森林生物量提供了依据。【方法】以东北林业大学帽儿山实验林场142块森林资源连续清查固定样地复测数据、机载激光雷达(Airborne laser scanning, ALS)和多光谱Landsat8 OLI影像为数据源,提取46个特征变量(其中ALS:24个;OLI:22个特征变量)后进行特征变量筛选,利用多元逐步回归(Multiple stepwise regression, MSR)、支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和随机森林偏差校正(Bias-Corrected RF, BCRF)构建森林AGB估测模型,采用调整决定系数(Ra2dj),均方根误差(RMSE)和相对均方根误差(rRMSE)对估测结果进行精度评价。【结果】多源遥感数据要优于单一数据源,非参数模型(RF(Ra2dj=0.68,RMSE=49.71 t·hm-2, rRMSE=32.48%)和SVM(Ra2dj=0.64, RMSE=52.80 t·hm-2, rRMSE=35.28%))优于传统的MSR模型(Ra2dj=0.52,RMSE=57.29 t·hm-2, rRMSE=43.26%)的估测精度。选择最优的RF估测模型进行偏差校正,BCRF的rRMSE=21.84%,此时的生物量估测效果最佳(较RF模型的rRMSE下降10.64%)。当AGB在100～200 t·hm-2范围内,非参数算法(SVM、RF和BCRF)对AGB估测效果最佳(与MSR模型相比RMSE由48.87 t·hm-2减小到13.72～23.55 t·hm-2,rRMSE由28.15%下降至8.69%～16.13%);特别地,当AGB小于100 t·hm-2时,BCRF模型可以改善RF模型AGB估测的饱和现象,模型预测性能提升11.0%(RMSE与RF相比减小27.66 t·hm-2,rRMSE下降10.99%)。【结论】以多源遥感数据结合为基础,BCRF模型对AGB的估测精度更高,效果更稳定,且BCRF可以有效地削弱生物量估测中出现的小值偏大的现象。

基于２００７年建德市森林资源二类调查数据和ＴＭ影像数据，采用蓄积量—生物量换算因子连续函数法计算松树生物量，对松树树种分立地质量等级和不分地位等级２种类型建立生物量的遥感估测模型，并进行精度检验。结果表明：（１）以ＴＭ遥感影像主成分分析中第一主成分为自变量的模型拟合效果最好，决定系数Ｒ２均在０．６以上，最高０．７７３。（２）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９２．５１％，分立地质量等级好、中、差３种类型总体估测精度分别为９７．６６％、９６．５６％、９７．３２％，分不同立地质量等级建模精度明显优于统一建模的精度。研究结果为森林生物量遥感估测提供一种改进的思路，且为提高森．．．