森林生物量的定量估算为全球碳储量循环及气候变化研究提供了重要的参考依据。以肇庆市马尾松生物量为研究对象,基于SPOT-7影像数据,提取出单波段、波段比值、纹理特征、地形等因子并进行优选,对优选后的变量因子进行分组,生成光谱特征、纹理特征、光谱和纹理特征相结合的3种自变量集,采用偏最小二乘回归法和3种自变量集构建马尾松生物量估测模型并进行优选。结果显示:基于光谱特征构建的马尾松生物量估测模型的决定系数R2为0.81,均方根误差为15.30 t/hm2,误差平均值为-5.65 t/hm2,总预报偏差的相对误差为9.30%;基于纹理特征构建的马尾松生物量估测模型的决定系数R2为0.84,均方根误差为15.69 t/hm2,误差平均值为-4.73 t/hm2,总预报偏差的相对误差为7.78%;基于光谱和纹理特征相结合构建的马尾松生物量估测模型的决定系数R2为0.83,均方根误差为15.24 t/hm2,误差平均值为-5.27 t/hm2,总预报偏差的相对误差为8.67%。由此可知,基于纹理特征构建的马尾松生物量模型要好于其他两种方法,估算精度更高。

通过马尾松地上各部分生物量估测模型的模型结构和自变量选择的对比研究,为全国森林生物量建模工作提供切实可行的参考依据。根据马尾松地上、树干、树冠、树枝、叶花果生物量与各林分调查因子的相关关系选择自变量,拟合各部分生物量的线性、非线性、多项式模型,对三类模型进行对比分析,并比较一元模型与多元模型的优劣。结果表明,非线性模型和多项式模型的估测效果比线性模型好;并且对于线性、非线性模型,多元模型优于一元模型,对于多项式模型,多次模型优于二次模型;地上、树干生物量模型总体拟合效果比树冠、树枝、叶花果生物量模型理想。

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。...

以南方马尾松地上生物量数据为例,通过利用非线性度量误差模型方法,研究建立了地上生物量与树干、树冠的相容性联立方程组模型,并对模型的精度和适用性进行了检验。研究结果表明:方程最大平均绝对误差和方程最大平均相对误差均趋于无穷小,树干生物量Y1和树冠生物量Y2的确定系数分别为0.9502和0.8807,模型精度比较高,适用性较好。研究结果有助于为建立相容性立木生物量模型提供新方法。

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

为了研究高分二号(GF-2)影像生物量估测的模型效果,以攸县黄丰桥林场为研究区,在研究区内采用随机抽样的方法,结合国家森林资源连续清查样地,获取了共47个样地的生物量数据。对GF-2影像进行预处理,结合相关研究,提取8个单波段信息、24个多波段组合信息、4个植被指数以及海拔、坡度、坡向等39个因子作为建模的自变量,采用主成分分析、偏最小二乘和BP神经网络3种方法建立生物量估测模型。结果表明:主成分回归模型的实测值和预测值的决定系数R2为0.44,模型的估测精度为65.83%;偏最小二乘回归模型的R2为0.

【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。

马尾松毛虫是马尾松林的主要害虫,危害很大,实施有效监测是对其进行防治的关键。以福建沙县为研究区,以SPOT-5遥感影像为数据源,基于短波红外波段、红光波段和近红外波段等构造归一化植被指数等光谱特性指数,基于灰度共生矩阵法提取均值等影像纹理特征,引入坡度、坡向等地形及林木因子构建马尾松毛虫虫害遥感监测指标,通过岭回归分析建立虫情级数估测模型进而反演,进行虫害监测信息提取,并与单纯基于光谱特性指数指标的虫害信息提取方法进行比较。结果表明:1)综合考虑影像的光谱特性、纹理特征与地形及林木因子影响进行虫害监测,显著增强了虫害的光谱响应能力,相比于单纯基于光谱特性的虫害监测信息提取,其总精度提高了14.28%;2)这些为林业生产实践提供技术支撑与理论借鉴,同时也在一定程度上推动遥感监测森林病虫害的理论认识与信息提取方法。

【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。

在国家级森林资源监测中增加森林生物量估计已成为必然趋势,而地下生物量是森林生物量的重要组成部分。以东北落叶松和南方马尾松地下生物量数据为例,对地下生物量模型的两种常用建模方案进行对比分析,指出了存在的弊端,并提出通过利用度量误差模型,建立相容性地上、地下生物量模型和根茎比模型的方法。结果表明:利用度量误差模型方法,能有效解决一套数据、两种结果的问题,确保各个模型估计结果的协调一致性和参数的稳健性;在地下生物量实测样本只是地上生物量实测样本的子样本时,合适的做法是利用子样本建立根茎比模型,再结合利用大样本建立的地上生物量模型来联合估计地下生物量;林木根茎比的大小主要与直径相关,并随林木直径的增大...

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

已有很多国内外学者研究立木材积与地上生物量相容性的问题，但是建模过程中考虑区域因子对模型影响的研究相对较少。针对此问题，以重庆市、四川省和湖北省１５１株马尾松Ｐｉｎｕｓ ｍａｓｓｏｎｉａｎａ的样本数据为例，采用哑变量和非线性联立方程组的方法，建立了不同区域马尾松通用的相容性地上生物量模型、立木材积模型和它们的转换因子模型。结果表明：马尾松不同区域的模型之间存在差异性；哑变量和非线性联立方程组的方法可以有效地解决不同区域模型的差异性和立木材积与地上生物量模型的相容性；马尾松地上生物量和立木材积的二元模型均优于其对应的一元模型；在独立拟合的地上生物量回归模型中引入立木材积因子，可以有效地改善模型的．．．

依据生物体各部分器官与测树因子之间存在着相对生长规律，以树围（Ｇ）和Ｄ２Ｈ为自变量建立橡胶树树叶、树干、小枝、树根、树头、地上、地下部分及全株生物量估测模型，经综合检验，确认以树围为自变量的模型优于以Ｄ２Ｈ为自变量的模型。并利用此模型对更新橡胶林的生物量进行了估测，同时建立了橡胶树生物量表。

【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．．．

为准确预测马尾松纸浆商品材生物量和确定最佳利用时间，用１２块样地１０８株不同立地、不同造林密度、不同林龄林分径阶生物量标准木，建立了单株各器官、地上部分及各种规格商品材生物量预测方程。用各类试验林和解析木资料建立了生长收获模型系统。经检验，生物量和林分生长预测方程的预测结果与实际基本吻合。依据生物量和林分生长预测方程，编制了６种不同造林密度、１４～２０指数级林分主要测树因子、林分树干和各种规格商品材生物量的生长过程表。使经营单位可根据利用单位的要求，调整造林密度和经营方式及最佳利用时间。分析了不同立地、不同造林密度各种生物量的生长和结构变化规律。