以福建省将乐县国有林场为研究对象,通过外业实地调查得到样地蓄积量:以Landsat 8卫星遥感图像为数据源,对遥感图像进行处理,获取多光谱影像的波段光谱值、植被指数和波段组合值,并筛选出全色波段的最优纹理生成窗口与纹理特征;通过多元回归分析方法,分别建立仅以光谱因子为自变量和结合光谱信息和纹理特征的蓄积量估测模型,并比较两者之间的精度。实验结果表明:光谱因子的多元线性回归方程的相关系数为0.853,联合光谱和纹理特征因子反演的多元回归方程的相关系数为0.926。同时利用检验数据,得出模型的预测精度:光谱因子蓄积量的估算方程精度为79.81%,联合反演蓄积量的估算方程精度为85.98%。研究表明...

森林生物量是指一个森林群落在一定时间内积累的有机质总量,是森林生态系统重要的特征数据,因此世界各国越来越重视对森林生物量的监测与研究[1-3],建立的生物量模型众多[4-6]。大尺度森林生物量监测,是以省、流域、国家乃至全球为对象,在估算方法一致的前提下,对多个时间点的森林生物

【目的】1)评估模型的线性和非线性形式、模型残差假设对推断不确定性的效应；2)比较2种总体均值的方差估计方法（自助法和解析法）；3)评估多种因素对推断不确定性的效应，构建基于遥感模型的统计推断经验法则用于指导实践。【方法】应用基于模型的统计推断方法，以森林蓄积量估计为例，基于非洲稀树草原的薪材材积实测样地数据与Landsat 8遥感辅助数据，使用二阶抽样从总体中选择160块样地形成样本，在不同模型假设下进行总体参数的推断，量化分析参数模型假设对估计量不确定性的效应，并辅以置信椭圆等诊断方法确保分析的有效性。【结果】1)不同模型假设下的总体均值估计值■为7.159～7.331 m³·hm^-2，解析方差估计值■为0.147～0.221，抽样精度为93.59%～96.64%，总体均值的经验方差估计值■为0.143～0.237。模型假设会影响模型参数的估计，进而影响推断精度■。自助法是检验总体参数解析估计量无偏性的有效方法。2)基于设计的方法得出的总体均值估计值■为6.774 m³·hm^-2，其方差估计值■为0.965，抽样精度为85.50%。既定条件下，相比于基于设计的统计推断，使用基于模型的统计推断能有效地将推断精度提升77.10%～84.77%，对抽样精度的提升为9.46%～13.03%。【结论】基于模型的统计推断在小样本推断中具有更高的推断精度及抽样精度，有助于实现高精度、低样本量、短周期的森林资源调查目标，但建模过程中的不确定性会影响推断精度，其中残差变异性对推断不确定性的影响最大。忽略方差异性和空间自相关效应在同方差假设下进行总体参数的推断，会低估■，在考虑方差异性的同时应进一步检验空间自相关性并使用相应的权函数和自相关函数模拟残差变异性。

【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】估算我国7大地区森林蓄积量的变化,探讨未来我国森林保护重点工程实施的具体地区和规划方向。【方法】根据1975-2005年的7次全国森林资源清查数据,结合2010年颁布的《全国林地保护利用规划(2010-2020)》,按照自然区将我国划分为东北、华北、西北、西南、华南、华东和华中7个地区,初步核算了2005-2020年各区域森林面积和森林蓄积量的年平均增长率,并评估不同区域之间森林面积和蓄积量增长潜力的差异。【结果】森林面积增长量表现为西南>西北>华北>华南>东北>华中>华东,森林蓄积量增量以西南>东北>华北>华南>华中>西北>华东;我国森林蓄积量增长潜力呈东南部增长快但总量少、西部增长...

以国产"高分一号"卫星(以下简称GF-1)获取的遥感影像数据与少量研究区样地数据为数据源,构建以光谱信息与多尺度纹理特征为特征变量的森林蓄积量反演模型,探讨不同尺度下提取的纹理特征对森林蓄积量估测模型准确度的影响,通过对特征变量的优选,寻求一种提高森林蓄积量反演模型的准确度的方法。首先,对覆盖研究区域的GF-1遥感影像进行重采样,得到覆盖研究区域的不同分辨率的影像序列,基于不同窗口大小的灰度共生矩阵提取影像序列的纹理特征,与遥感影像光谱信息共同作为特征变量;然后,使用随机森林(random forest,

【目的】应用XGBoost算法建立包含林龄的遥感因子-蓄积量模型，评价遥感估算的林龄因子与遥感因子相结合提高森林蓄积量估算精度的有效性，为实现高效、快速、精准的大范围森林蓄积量估算提供一种新的思路和方法。【方法】以福建省将乐县为研究示范区，首先，基于1987—2016年时序Landsat影像，采用LandTrendr森林干扰与恢复监测算法监测年度林分更替干扰并估算干扰区林龄；然后，基于GF-1号影像光谱、纹理、地形等特征，采用递归特征消除的随机森林算法（RFE-RF）估算非干扰区林龄；在此基础上，结合GF-1影像光谱、纹理因子和森林资源二类调查小班实测蓄积量数据，采用极端梯度提升算法估算研究区森林蓄积量。对比有无林龄因子的森林蓄积量估算精度，进一步验证遥感林龄因子对提高森林蓄积量估算精度的重要性。【结果】采用LandTrendr森林干扰与恢复监测算法获得的干扰区林分林龄误差仅1～2年，林龄估算精度明显优于传统利用遥感因子估算的林龄精度（误差4～12年）。仅采用常规遥感因子估算森林蓄积量时，XGBoost模型决定系数（R~2）为0.59，平均均方根误差（RMSE）为30.72 m~3·hm~(-2)，相对均方根误差（rRMSE）为16.46%；加入林龄因子后，模型R2提高至0.73，平均RMSE减少至23.73 m~3·hm~(-2),rRMSE为13.26%，森林蓄积量估算平均总体精度约提高10.4%，达84.4%。【结论】相比仅采用常规遥感因子估算森林蓄积量，应用XGBoost算法建立包含林龄的遥感因子-蓄积量模型，其估算精度接近森林资源调查相关规定要求，可为大范围亚热带森林资源快速调查评估提供重要技术支持。

在前人研究中还没有把基于BP与RBF神经网络的森林蓄积量预测模型的应用效果进行评价。拟在实际应用中对两种方法进行综合分析与评价,找到一种预测精度更高、适用性更强的方法。采用相关分析法选定郁闭度、阴坡、阳坡、TM1、TM2、TM3、TM5、TM7、NDVI、TM(4-3)、TM4/3为输入变量,以密云县森林蓄积量为输出变量,建立蓄积量估测的RBF与BP神经网络模型。并从神经网络的训练步长、训练时间、预测精度、模型适用性对二者进行了综合分析,RBF神经网络无论是在训练步长、训练时间、预测精度、模型适用性上都优于BP神经网络模型。

【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。

基于吉林省一个试验区的森林资源一类清查固定样地数据、Landsat TM数据和土地利用数据,采用精度交叉评价方法研究了k-最近邻(k-NN)法用于小面积统计单元森林蓄积估计的有效性。结果表明:k-NN方法对样地覆盖区影像像元单位面积蓄积量的估测平均误差在1.5 m3.hm2之内,相对均方根误差(RMSE′)低于传统的基于绿度指数的线性方程估测方法;采用k-NN方法可以实现县市级统计单元的参数估计,估测效果优于只利用固定样地数据的传统成数估计方法。

对森林植被类型信息的掌握,是合理管理和经营森林行业的基本要求;根据科学的指导去保护森林植被,在不破坏森林生态的前提下对森林资源进行有效开发和利用,才可以实现国家和社会的全方位可持续发展。全面、系统、精准的对森林植被覆盖类型的认识能够加速实现林业可持续发展的战略目标、为林业部门对森林资源的监测提供科学的保障。为掌握林芝县森林覆盖类型及蓄积量的情况,研究利用Landsat OLI遥感影像对林芝县的森林覆盖类型进行提取,并探索了基于不同计算窗口下各纹理特征对研究区针、阔叶林蓄积量反演模型的影响。研究的主要工作如

森林火灾作为世界上主要自然灾害之一,严重危害森林资源,威胁人民生命财产安全,破坏自然生态环境。对森林火灾快速、准确的监测是十分重要的。森林过火面积是森林火灾最基本的描述因子,

为研究红树林生物量的遥感估算方法,本文提取广西和海南部分红树林TM遥感影像光谱及纹理特征,结合同地区地面调查的生物量数据,应用KNN方法,对生物量进行了遥感估算,并和多元逐步回归分析方法比较。研究表明:应用KNN方法估测精度随尺度的增大而增大,且K值取10优于K值取5;在像元尺度上,回归方法估测生物量优于KNN方法。

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。