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...

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...

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。

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...

【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

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。

由于不同集约度要求和地形破碎、林相图破碎化程度的不同 ,以及成图比例尺、调查详细程度要求不同 ,来选择不同空间分辨率和分类能力的遥感信息源 .为此选择经营集约程度高的八达岭林场作为对象 ,应用中、高空间分辨率的遥感图像进行调查作图 ,从不同角度对其适用性进行评价

【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。

【目的】针对多源遥感数据及其派生特征因子数据维度高、信息冗余、易造成估测模型过拟合等问题,从高维度遥感特征因子中高效优化特征组合,优化区域森林地上生物量(AGB)的k最近邻(k-NN)估测模型。【方法】提出基于快速迭代特征选择的k最近邻法(KNN-FIFS),以森林资源样地调查数据计算的森林AGB为参考,以留一法交叉验证(LOO)相应的k-NN模型反演的森林AGB均方根误差(RMSE)最小为原则,依次迭代选取遥感特征,优化区域森林AGB的k-NN估测模型。以大兴安岭根河森林保护区为研究区,结合Landsat-8 OLI各波段光谱信息、植被指数、纹理、地形因子、机载合成孔径雷达(SAR)P-波段HV极化后向散射强度信息(PHV)以及森林资源样地调查数据,利用KNN-FIFS方法估测研究区森林AGB,并与多元线性逐步回归法(SMLR)进行对比分析。【结果】利用KNN-FIFS方法,得到当k为3,特征组合为PHV、短波红外波段一均一性(H6)、短波红外波段一二阶矩(S6)、短波红外波段二二阶矩(S7)、海蓝波段相关性(Cr1)、近红外波段相关性(Cr5)、海蓝波段相异性(D1)、增强型植被指数(EVI)时,研究区森林AGB估测结果最优,其精度(R~2=0.77,RMSE=22.74 t·hm~(-2))显著优于SMLR估测精度(R~2=0.53,RMSE=32.37 t·hm~(-2))。【结论】KNN-FIFS方法相比SMLR更适用于森林AGB多源遥感估测;KNN-FIFS方法可以从高维度遥感特征因子中高效选取相关特征进行森林AGB估测。

提出一种新的基于高斯误差函数(Gaussian error function,Erf)作为激活函数的BP神经网络(Erf-BP),并用于林区TM影像进行混合像元分解。研究表明:Erf-BP模型的精度高于线性无约束最小二乘法模型及最大似然法。通过在高分辨率影像上选取验证样区精度检验得出:1)各端元总分解精度为89.2%,RMSE比线性无约束最小二乘法模型降低了近39%;2)该方法能够较高精度地提取森林遥感信息,精度达到86%,RMSE比线性无约束最小二乘法模型降低了近40.6%。将3种不同方法估计的整个研究区各端元面积百分比与森林资源二类调查数据作对比得出:Erf-BP模型精度略高于最大似然法,...

森林火灾是影响陆地生态系统、大气环境以及全球变化的重要因素之一。传统的森林火灾信息统计数据存在收集困难、难以空间化等方面的不足,而遥感技术的发展为火灾研究提供了一种新的技术手段。本文旨在对现有基于遥感的火烧迹地相关研究进行总结,从数据开发以及数据应用2个方面梳理现有研究成果,并对未来的研究提出展望,为森林火灾相关研究提供依据。在参阅近年来国内外相关文献的基础上,本文从2个方面对火烧迹地相关研究进行系统总结:1)现有火烧迹地数据产品集及其开发算法:从产品名称、遥感数据源、覆盖范围、时序范围、空间分辨率、时间分辨率等方面,对11种火烧迹地数据产品集进行介绍;随后,对不同数据产品的开发算法进行比较,包括基于热学异常的提取算法、基于光谱特征变化的提取算法以及两者相结合的提取算法;最后,对现有火烧迹地数据产品的精度特征进行总结。2)火烧迹地数据产品应用:对火烧迹地数据在火灾风险评估、大气污染物排放、全球植被动力学模型、火灾后生态系统监测4个方面的应用进行介绍。现有的火烧迹地数据产品还存在一定的不足,这些不足限制了其应用领域的扩展。未来的火烧迹地数据产品改进可以从以下3个方面展开:1)构建长时间序列火烧迹地数据产品集。2)开发高精度的火烧迹地数据产品集,充分考虑火灾发生时以及火灾发生前后的各种异常特性,真实反映火灾发生所带来的地表特征变化,才能建立更加精确、稳定的提取算法,提高火烧迹地数据产品精度。3)建立多样化的火烧迹地数据产品集,改良现有火烧迹地数据产品,增加新的监测内容,如火烧能量、火焰温度以及火灾规模等,这将进一步扩大火烧迹地数据产品的应用范围。

森林生物量能直接反映森林质量,遥感技术结合地面样地能实现林分或区域范围森林生物量的反演,反演结果对制定森林资源合理利用、生态环境改善等方面的政策具有重要的指导意义。论文以旺业甸林场Landsat8 OLI影像为数据源,从影像中提取161个植被指数,对比Pearson相关系数法和随机森林法进行特征变量选择,分别筛选出合适的因子作为模型自变量,结合实地调查数据,建立多元线性逐步回归、地理加权回归、kNN回归和随机森林等4种生物量反演模型,并对模型结果进行精度验证。研究结果表明:1)利用Pearson相关系数法进行特征变量选择要优于随机森林法。2)短波红外光和近红外区间波段组合得到的植被指数与生物量的相关性显著,相关性系数最高的前五个因子为SR627、SR637、SR647、SR64、SR213,分别达到了0.776、0.761、0.730、0.702和0.657;3)4种生物量反演模型中,随机森林模型效果最好,决定系数R2为0.72,RMSE=8.12,EA=76.54%;线性逐步回归模型次之,R2为0.65,RMSE=9.01,EA=72.88%;其次是kNN回归模型,R2为0.59,RMSE=9.75,EA=74.89%;地理加权回归模型效果最差,R2为0.58,RMSE=13.75,EA=53.95%;4)利用随机森林模型对研究区进行生物量反演,反演结果生物量空间分布与实际情况基本一致,反演效果较好。