【目的】森林生物量是评价森林质量的重要指标，也是研究碳循环的重要基础，准确估测珠三角森林生物量对珠三角国家森林城市群建设高质量提升具有重要指导意义。【方法】以珠三角国家森林城市群为研究区，通过Landsat-8 Oli影像、DEM影像和2017年森林资源连续清查数据，分别提取单波段因子、植被指数、纹理特征和地形因子，采用多元逐步回归方法和BP神经网络模型分别构建阔叶林、针叶林、针阔混交林生物量估测模型。【结果】1）针对阔叶林、针叶林、针阔混交林3种不同森林类型，BP神经网络的预测精度都优于多元逐步回归模型，用BP神经网络预测的决定系数R~2相比于多元逐步回归有了一定的提高，阔叶林提高了0.10，针叶林提高了0.14，针阔混交林的R2提高的最为明显，提高了0.29。相对于多元逐步回归，BP神经网络的RMSE也有了一定程度的降低，阔叶林降低了5.32 t/hm~2，针叶林降低了10.57 t/hm~2，针阔混交林降低了0.28 t/hm~2。2）利用BP神经网络反演珠三角样地生物量，阔叶林为66.18 t/hm~2，针叶林为61.88 t/hm~2、针阔混交林58.29 t/hm~2，珠三角的乔木林平均生物量为64.46 t/hm~2，总的生物量为1 435.99 t，大部分地区森林生物量为40～80 t/hm~2，低于全国平均水平。3）地上生物量较高的地区分别分布在肇庆北部、广州北部、惠州西北部和东莞等地区。【结论】Landsat-8 OLI可以很好地用于森林地上生物量的估算，BP神经网络模型的反演精度要优于多元逐步回归方法，森林地上生物量与龄组和树种有关，生物量高的地区以近熟林和成熟林为主，木荷、马尾松、栎类和针阔混交林等树种的生物量较高，桉树的生物量偏低。

以吉林省汪清林业局天然林区为研究区,利用Landsat-8 OLI_TIRS多光谱遥感影像,结合森林资源野外调查数据,提取森林类型纹理、光谱特征参数,作为支持向量机的输入量,利用K-折交叉验证法确定最优核函数,识别森林类型,确定最优分类结果,评价分类精度,并与仅利用波段光谱特征的SVM分类结果进行精度对比。结果表明:利用纹理和光谱特征进行分类,构造SVM进行森林识别是可行的。惩罚系数C=100.0、核函数半径σ=1.000时的径向基核函数构造的支持向量机分类精度最好,总体分类精度可达89.58%,Kapp

遥感图像植被分类一直为遥感领域的热点,对于中低分辨率的影像,传统的分类方法主要是利用影像的光谱信息,对于影像的空间信息利用较少,而事实证明遥感影像的空间信息也十分丰富。为了提高遥感影像的空间信息利用率,提取了最新的Landsat-8的空间纹理信息,结合空间纹理信息与光谱信息对遥感影像进行植被的分类。实验证明:辅以纹理的分类总体精度为84.68%和83.87%,光谱分类总体精度为82.26%,结合了空间纹理信息后的分类精度比传统的方法有明显的提高。

高分一号(GF-1)卫星具有多种分辨率与大幅宽结合、重访周期短等优势,而Landsat-8卫星具有多波段、高辐射分辨率等优势。针对不同传感器参数特点,利用支持向量机分类器(SVM)对同区域同期两种数据进行土地覆盖分类对比研究。结果表明:两种传感器对应波段决定系数均大于0.92;典型样本的光谱趋势一致性良好,但在农田与林地、不透水面与裸土的典型样本可分离性方面,Landsat-8优于GF-1;GF-1与Landsat-8的分类总精度分别为90.38%和90.07%,但不同地物类型的分类精度存在差异,波谱响应函数的差异可能是导致Landsat-8对林地的分类精度高于GF-1的原因;此外,GF-1对零碎分布地物类型的分类精度高于Landsat-8,主要原因是GF-1具有更高的空间分辨率。

【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】森林生物量的精确测定,对于全球气候变化和碳循环研究具有重要的意义。【方法】以东北林业大学城市林业示范基地为研究区域,首先利用无人机平台获取整个研究区域的高分辨率无人机影像;然后在研究区域四种人工林样地中分别选取20 m×20 m的4块建模样方和4块测试样方,通过每木检尺法实测建模样方内林木的树高和胸径数据,建立H-DBH(树高-胸径)估算模型,并结合已有的DBH-SB(胸径-树干生物量)模型得到测试样方的森林生物量数据;在处理后的数字冠层高度模型(DCHM)基础上利用局部最大值法提取树高与树冠中心点位置,建立一种结合无人机影像提取树高与H-SB(树高-树干生物量)经验模型的森林生物量制图方法。【结果】不同样方的H-DBH模型R2均大于0.70,测试样方的总地上生物量平均值为6 915.85 kg,总的估测精度为87%。通过ArcGIS软件结合本研究提出的方法快速得到了整个研究区域的地上生物量分布图,估测总地上生物量为4 396.18 t。【结论】研究结果可为快速准确的进行森林生物量的估测提供基础数据和技术参考。

【目的】探索Landsat8 OLI数据和立体数据在估算桉树森林蓄积量（forest stock volume,FSV）中的潜力，并且准确地估计桉树的FSV。【方法】以3幅Landsat8 OLI图像和资源3号立体数据为遥感数据源，并且结合少量地面调查数据实现了桉树FSV的遥感估计。研究中提取了三类遥感特征用于估计桉树FSV：第一类是包括植被指数和单波段反射率在内的光谱特征；第二类是基于Landsat 8 OLI图像的单波段提取的8种纹理特征；第三类是基于资源3号立体像对数据和开源的数字高程模型（digital elevation model,DEM）提取的冠层高度模型（canopy height model,CHM）。利用Boruta算法对三类遥感特征进行提取，之后建立了随机森林（random forest,RF）、K-最近邻（K-nearest neighbor,KNN）和支持向量机（support vector machine,SVM）3种机器学习模型以及传统的多源线性回归模型（multiple linear regression,MLR），并以决定系数（R~2）、均方根误差（root mean square error,RMSE）和相对均方根误差（relative root mean square error,rRMSE）作为评价指标对模型结果进行评估。【结果】基于ZY-3立体像对数据和开源的DEM数据提取的CHM与桉树的FSV具有很强的相关性，Pearson相关系数达到了0.71。仅仅利用基于Landsat 8 OLI图像提取的光谱和纹理特征难以准确地估计桉树的FSV，估测模型的R~2为0.29～0.38,rRMSE为35.65%～43.30%，存在严重的数据饱和问题。当变量集中加入CHM后，模型的估测精度明显提高，R~2达到了0.64～0.66,rRMSE为25.74%～26.41%。【结论】使用Landsat 8 OLI数据估算桉树FSV时存在严重的数据饱和问题，并且使用空间分辨率为30 m的纹理特征难以有效地改善森林蓄积量的估计精度。利用资源3号立体像对数据和开源的DEM数据可以提取较为准确的CHM，并且所提取的CHM可以解决改善光学数据的饱和问题，从而提高桉树FSV的估计精度。

【目的】选取云南省陆良县,开展基于Landsat-8 OLI和Sentinel-2A MSI影像的设施种植区域监测研究,及时为农业生产管理提供准确的设施农业空间信息。【方法】首先分析日光温室及其他典型地物的遥感特征,然后使用目视解译以及最小距离法、马氏距离法、最大似然法、支持向量机等4种监督分类方法提取设施种植空间信息,再使用亚米级Google earth历史影像为底图建立验证样区。通过目视解译提取样区设施种植区域信息,以此验证Landsat-8和Sentinel-2A影像的监测精度,选择最优监测方法。【结果】使用Landsat-8影像,基于目视解译及4种监督分类方法的精度依次为97. 54%、77. 31%、91. 35%、91. 89%和83. 15%;使用Sentinel-2A影像,基于目视解译及4种监督分类方法的精度依次98. 82%、80. 80%、87. 01%、93. 89%和85. 41%。【结论】①2种影像的日光温室监测均适于使用最大似然法,其估算精度与目视解译精度误差分别为5. 65%和4. 93%;②遥感监测显示,2016年陆良县日光温室主要集中于该县湖积平原区。基于Landsat-8影像监测的面积为5381. 62 hm2,基于Sentinel-2A影像监测的面积为5347. 84 hm2。

【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

【目的】森林地上生物量对评价全球碳平衡和气候变化有重要作用,以安徽省霍山县为研究区,Landsat OLI和TIRS影像为基础数据,研究地表温度对森林地上生物量的影响效应。【方法】以Landsat OLI为遥感数据源,在基于灰度共生矩阵的支持下,提取覆盖研究区的遥感影像的纹理特征,并结合原始多光谱遥感影像和研究区的地形特征构建基于3种因子的森林蓄积量反演模型,并根据最优模型来推算研究区的森林地上生物量。根据Landsat TIRS数据对研究区的地表温度进行反演,并将森林地上生物量和地表温度反演数据结合,分析地表温度对森林地上生物量的影响机制。【结果】1)本研究共构建3种模型对森林蓄积量进行反演研究,包括:基于光谱特征的森林蓄积量反演模型,基于纹理特征的森林蓄积量反演模型和基于多特征的森林蓄积量反演模型。2)对森林蓄积量反演模型的精度进行评价,结果显示基于多特征的森林蓄积量反演模型精度最高,复相关系数达到0.751 9,说明该模型可用于研究区的森林蓄积量反演研究,森林蓄积量反演结果可用于研究区的森林地上生物量推算。【结论】研究结果表明在研究区内海拔200 m以下和700 m以上的区域,地表温度对森林地上生物量的影响效应不明显;在海拔200～400 m梯度范围内,森林地上生物量与地表温度的相关性逐渐增大;海拔400 m以上,森林地上生物量与地表温度的相关性与200～400 m范围内相比逐渐减小,但总体上,在400～700 m海拔梯度内,两者仍呈现出较强相关性。

以内蒙古旺业甸林场为研究区域,以资源三号(ZY-3)卫星遥感图像为数据源,通过对影像进行处理,获取对应样地的波段光谱值、光谱组合值及地形因子信息等遥感因子。基于对各遥感因子的信息量分析、多重相关性危害分析及应用残差平方和的方法对遥感因子进行筛选,实验结果表明:ZY-3影像提取的12个遥感因子中,单波段因子中ZY3的信息量最大,波段组合中ZY(2-3)/ZY4的信息量最大,地形因子中高程的信息量最大,ZY-3的波段、波段组合和地形因子间存在多重相关性,去掉ZY(2-3)/(2+3)和坡度因子后,多重相关性的危害大大降低,可以满足进一步建立蓄积量遥感反演模型要求。

【目的】为了提高高山松地上生物量估测的精度，开发一种滤波算法，减少Landsat时间序列数据的噪声。【方法】基于1987、1992、1997、2002、2007、2012、2017年国家森林资源连续清查固定样地的数据以及1987—2017年的Landsat时间序列影像，利用谷歌地球引擎(Google earth engine,GEE)以及Python，通过Land Trendr滤波、Savitzky-Golay滤波、Horn卷积以及基于空间卷积理论开发的自适应霍恩地形卷积(Adaptive horn topography convolution,AHTC)算法对Landsat时间序列数据进行滤波，应用随机森林回归算法(Random forest regression,RFR)构建香格里拉市高山松地上生物量估测模型，并选择最优估测模型对1987、1992、1997、2002、2007、2012、2017年高山松地上生物量进行反演制图。【结果】1)从图像的直接评价指标均方根误差(Root mean square error,R_(MSE))以及峰值信噪比(Peak signal-to-noise ratio,P_(SNR))来看，经过AHTC算法滤波后的图像质量最好；2)在使用RFR方法的情况下，滤波后的数据均表现出比原始数据更高的估测精度；3)经过AHTC算法滤波后的时间序列数据对高山松地上生物量的估测效果最优，其决定系数R~2为0.885、均方根误差R_(MSE)为34.63 t/hm~2、预测精度P为60.75%、相对均方根误差r RMSE为43.59%;4)采用AHTC和RFR方法反演结果分别为1 236万t(1987年)、1 155万t(1992年)、1 455万t(1997年)、1 330万t(2002年)、1 314万t(2007年)、1 345万t(2012年)、1 654万t(2017年)。【结论】使用AHTC滤波方法在一定程度消除了时间序列影像自身所携带的大量噪声和不确定性，有效地提高了时间序列影像的质量，同时也为提高高山松地上生物量遥感估测精度提供了一种新思路。

【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。

【目的】利用长时间序列卫星遥感数据产品按森林类型建立大区域燃烧生物量估测模型,并按年生成不同森林类型的燃烧生物量,为我国年林火碳排放估测提供一种新的技术手段。【方法】采用覆盖我国陆地区域的2001—2014年MODIS火产品数据(MOD14A2),按3种森林类型分析该数据产品中的火灾辐射率(FRP)分布特性,并按森林类型构建基于幂律分布的燃烧生物量估测模型,对我国2001—2014年各年林火消耗的森林生物总量进行估测;利用对数形式的概率分布函数线性回归拟合方法求解模型幂参数m;选取每年10场左右的典型森林

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。