森林是陆地生态系统的重要组成部分,蓄积量是森林资源调查的基本指标之一。传统的森林蓄积量调查数据一般以行政单元为记录进行表示,因此,难以在更细尺度上反映蓄积量的空间分布及其变化。以20世纪80年代全国森林资源清查数据为例,在国家和省区两个尺度分别分析森林蓄积量与不同土地利用类型面积和不同土地覆被类型面积之间的关系。结果显示:不论在国家尺度还是省区尺度,森林蓄积量与土地覆被类型的相关性(国家尺度R2=0.568 2;省区尺度R2=0.851 1)均优于其与土地利用类型的相关性(国家尺度R2=0.528 3;省区尺度R2=0.775 4),而且分省区模型优于全国整体模型;在此基础上,基于蓄积量与不同...

探讨了用在ＴＭ数据中与地面对应的样点上测得的密度值和波段比，并加上定性因子与地面样地中分别测得的蓄积量进行多元回归，从而估测森林二类调查中所需的林业局、场、林班之蓄积量的方法。并与实测结果进行了对比，证明这一方法是可行的。为遥感在二类调查中的应用提供了必要依据。

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】森林蓄积量是反映森林资源总规模和水平的基本林分调查因子之一，也是衡量森林资源丰富程度和森林生态环境优劣的重要依据。为探索更优的森林蓄积量建模和估测方法，以期为林业科学中森林蓄积量的估测研究提供新的方法与思路。【方法】以浙江省龙泉市为研究区，以单位蓄积量（m~3/mu）为研究对象，集成森林资源二类调查数据、高分二号遥感影像数据、数字高程模型（DEM）数据。通过逐步回归特征选择方法选取与蓄积量相关的自变量因子，在不区分树种的情况下，利用极端梯度提升（eXtreme gradient boosting,XGboost）方法、决策树梯度提升（Light generalized boosted regression models,LGBM）方法和梯度提升（Gradient boosting）方法分别建立蓄积量估测模型。然后，基于区分针叶林、阔叶林、针阔混交林的情况下，用XGboost方法再次建立蓄积量估测模型，并与未区分树种情况下的估测结果进行对比。采用十折交叉验证法对模型性能指标进行检验。【结果】在不区分树种的情况下，XGboost呈现了最佳的效果，优于LGBM方法和Gradient boosting方法，其建模精度为89.65%，估测精度为83.19%。在区分树种结构下，XGboost方法的建模精度（89.31%）与不区分树种情况下没有明显区别，但估测精度（84.5%）有一定提升，其中针叶林的效果最好。【结论】逐步回归特征选择方法结合XGboost方法能够取得最好的森林蓄积量估测效果，区分树种能够在一定程度上提高模型的泛化能力。XGboost方法在实践中使用方便，提供了在短时间内估测森林蓄积量的可能性，从而为森林蓄积量的估测提供了新的方法。

合成孔径雷达(SAR)技术以其独特的成像机制及其全天候、全天时成像能力,在森林生物量估测方面发挥着越来越重要的作用。利用野外实测数据分析了ALOS PALSAR双极化数据后向散射系数(σH0H,σH0V,σH0V/HH)与云南山区松林蓄积量的关系,并分别构建简单线性、自然指数和加入地理因子的多元回归模型。研究结果表明:极化比值(σH0V/HH)与蓄积量的相关系数(r=-0.407)比任何单极化(σH0H和σH0V分别为0.204和-0.242)都要高,加入地理因子的多元回归模型在森林蓄积量估算中有较好的精度。图3表2参12

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

【目的】探讨综合光学遥感和微波遥感的多源数据森林蓄积量反演方法。【方法】以L波段ALOS PALSAR全极化数据和Landsat TM为数据源,结合地面调查样地数据,通过ALOS PALSAR提取不同极化状态的后向散射系数和极化比值等极化特征因子,Landsat TM数据提取光学遥感因子,以多元线性回归构建森林蓄积量模型。【结果】光学遥感反演方法、微波遥感反演方法、综合光学遥感和微波遥感的多源数据反演方法均可以实现森林蓄积量估测,其中,基于多源数据协同的反演模型为最优模型,决定系数R~2为0.674,模型检验均方根误差RMSE为13.38 m~3/hm~2。【结论】要比使用一种数据源的反演方法具有明显的优势,有效实现了森林蓄积量估测。

介绍主成分变换和经规则化调整法进行泛化改进的BP神经网络在森林蓄积量建模估测中的应用,比较普通BP神经网络与泛化改进的BP神经网络对蓄积量预报的差异,分析直接用中心标准化的观测值建立仿真模型和进行主成分变换后再建立模型的效率问题。结果表明:泛化改进的BP神经网络比普通BP神经网络具有更高的预报精度,利用主成分得分作为仿真模型的变量比直接用观测值作变量具有更快的速度,并保证了预报精度。

以福建省三明市森林资源二类调查资料为基础数据,采用VB编程语言,自主开发了森林资源蓄积量预测系统,用GM(1,1)模型、复利公式和BP人工神经网络模型分别对森林资源蓄积量进行宏观预测。3种方法的预测结果显示:BP人工神经网络模型拟合效果较好,其次是灰色系统模型,平均相对误差最大的是复利公式。最后分析了3种方法的优劣,探讨进一步优化的方法。

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。

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。

综合利用黑龙江省某林业局的一类样地调查资料、GF-1号卫星影像、数字高程(DEM)模型以及土地利用类型图,采用k-近邻(k-nearest neighbor,k-NN)法进行森林蓄积量估测研究,分析k-NN方法及GF-1卫星数据在森林资源调查与监测中的应用效果。为对比k-NN方法的估测精度,对相同试验数据也进行了最小二乘估计和稳健估计建模。采用GF-1号16 m分辨率的多光谱数据,在林业局级尺度上分别应用这3种方法进行森林蓄积量建模估测,生成了监测区域森林蓄积量分布图并统计得到监测区域总的蓄积量值。将3种

【目的】探讨采用Landsat-8遥感影像数据，基于距离相关系数特征选择的Catboost模型在森林蓄积量估测中的潜力和适应性，为森林蓄积量的估测方法再增加一种可能性，也能为“双碳”目标的实现提供理论支撑。【方法】以浙江省龙泉市为研究区域，使用多源数据，包括Landsat-8卫星影像数据、森林资源二调数据和数字高程模型的数据，整个过程使用十字折交叉验证法对模型检验。首先使用基于距离相关系数方法筛选特征因子，在不区分树种的情况下，分别利用K最近邻算法（KNN）、装袋算法（Bagging）、决策树梯度提升算法（LGBM）、梯度增强集成分类器算法（Catboost）4种方法建立蓄积量估测模型。之后再选取样本数据中数量比较大的杉木、针叶混交林、马尾松3种优势树种，分别使用Catboost方法进行蓄积量估测，再按权求和与未区分树种情况下的估测结果进行比较。【结果】Catboost方法表现优势明显，优于k最近邻算法（K-NN）、装袋算法（Bagging）以及决策树梯度提升算法（LGBM），其模型的精确度达到了81.43%，建模估测的精确度达到了76.74%，并且与3种不同优势树种按权求和的结果对比，Catboost法的建模精确度差别不大，但是估测的精确度提高了1.01%。【结论】基于距离相关系数特征选择方法结合Catboost模型在森林蓄积量估测中效果表现更好，并且不管区分树种和不区分树种的情况下模型的估测能力差距比较小，但是区分树种情况下还是略有提高，这为测量区域森林蓄积量提供了一种新的思路。

【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。

【目的】以林场或县森林资源总体为调查对象,及时、准确地调查监测总体平均每公顷蓄积量,对上级(如市、省)部门开展森林资源宏观管理、生态保护价值评价、森林碳储量计量、领导干部任期绩效考核等工作都有重要支撑作用。将卫星、无人机等多源遥感数据作为辅助数据,采用较少抽样调查样地数据,实现总体参数有效估测的新方法,已成为国内外重要的研究方向,但目前,国内尚无多种现有估计方法的比较评价研究。为了促进新一代遥感技术在森林资源调查业务中的应用,提高我国森林资源天空地一体化调查监测技术水平,亟需对现有林场或县总体参数估测方法进行比较评价研究。【方法】以内蒙古旺业甸实验林场主要人工林树种为总体,基于2019年在林场获取的无人机激光雷达(LiDAR)抽样数据、Sentinel-2A多光谱数据(全覆盖)和少量样地数据,针对样地(p)、样地-卫星(ps)、样地-抽样无人机LiDAR(pl)以及样地-抽样无人机LiDAR-卫星(pls)4种模式,利用适合这4种模式的概率抽样法(DB)、模型辅助法(MA)、模型法(MD)和混合法(HY)4类共5种估测方法(DB_p、MD_(ps)、MA_(ps)、HY_(pl)以及MD_(pls))对总体森林蓄积量密度均值(MSVD)进行估计与对比分析。【结果】(1)DB_p、MD_(ps)、MA_(ps)、HY_(pl)、MD_(pls) 5种方法估测的MSVD分别为212.54、202.09、202.38、210.07以及208.96 m~3/hm~2,精度分别为90.44%、91.54%、91.69%、96.35%和96.45%,方差依次减小。(2)其他4种方法相对于MD_(pls)方法的估计效率(RE)均大于1 (RE_(DBp,MDpls)=5.39,RE_(MDps,MDpls)=3.82,RE_(MAps,MDpls)=3.69,RE_(HYpl,MDpls)=1.07);HY_(pl)相对于MD_(pls)的RE略大于1,但几倍于其他3种方法(RE_(DBp,HYpl)=5.02,RE_(MAps,HYpl)=3.43,RE_(MDps,HYpl)=3.56)。(3)包含LiDAR数据的HY_(pl)与MD_(pls)方法相对于包含Sentinel-2A数据的MD_(ps)与MA_(ps)方法均为正效率(RE_(MAps,HYpl)=3.43,RE_(MDps,HYpl)=3.56,RE_(MDps,MDpls)=3.82,RE_(MAps,MDpls)=3.69);MD_(ps)与MA_(ps)方法之间的RE接近1,但MA_(ps)的效率微高于MD_(ps)(RE_(MDps,MAps)=1.04)。【结论】和只利用样地数据的估计方法相比,将遥感数据作为辅助变量建立估测模型,无论是采用对蓄积量不够敏感的林场全覆盖Sentinel-2A多光谱遥感数据,还是采用对蓄积量很敏感的抽样式获取的LiDAR数据,都可有效提高林场总体MSVD的估测精度。涉及遥感数据应用的4种方法,估计精度最高的为MD_(pls),其次为HY_(pl),这2种方法都包含了LiDAR遥感抽样观测数据的应用,都是适应于林场总体MSVD估计的年度监测方法。可实现天空地3种观测数据协同应用的MD_(pls)估测精度和相对效率最高,可作为林场森林蓄积量年度监测的首选方法。