【目的】研究基于遥感因子与地形因子构建香格里拉市高山松地上生物量非线性混合效应估测模型，提高高山松地上生物量估测精度。【方法】以2015年和2018年Landsat 8 OLI与对应年份样地实测数据为基础，通过二元生物量模型计算出高山松地上生物量。提取植被指数、纹理等遥感因子。将地形因子按照一定等级进行划分后作为模型因变量，基于8种非线性模型，考虑地形特征，构建非线性混合效应模型估测高山松地上生物量并进行模型检验，然后与多元线性回归、线性混合效应模型两种参数模型，以及随机森林(Random Forest,RF)、梯度提升回归树(Gradient Boosted Regression Trees, GBRT)、K-近邻(K Nearest Neighbors, KNN)3种非参数模型的预估精度进行对比。【结果】1)8种非线性基础模型中增长模型的拟合效果最优；2)共输出12个具体增长模型，其中以样地号(Number)、海拔等级(Elevation Class)为固定效应，坡向等级(Aspect Class)为随机效应时，模型Log Likelihood值最大，为-56.53,AIC、BIC的值最小，分别为133.06、155.55;3)经检验非线性混合效应模型的RMSE为13.94 t/hm~2,AMRE为15.64%，预估精度P为84.34%。【结论】采用Landsat影像和地形因子构建的非线性混合效应模型的拟合优度和预估精度较多元线性回归、线性混合效应模型均有明显提高，并且预估精度高于非参数模型。加入地形因子作为混合效应因子构建的非线性混合效应模型可以提高高山松地上乔木层生物量的估测精度。

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

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

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】采用遥感数据估算森林地上生物量仍存在一些不确定性问题，研究估算过程中的误差来源及其占比，对提高森林地上生物量的估测精度具有重要意义。【方法】从遥感影像提取因子，结合高山松Pinus densata外业调查数据，建立多元线性回归、梯度提升回归树、随机森林等3种地上生物量估测模型，对样地尺度与3种模型的不确定性进行分析和度量。【结果】(1)高山松单株生物量模型不确定性为16.43%，样地尺度的不确定性为7.07%；(2)多元线性回归模型残差不确定性为34.86%，参数不确定性为21.30%，与样地不确定性合成后总不确定性为41.45%；(3)非参数模型中，梯度提升回归树估测高山松地上生物量的总不确定性为23.12%，随机森林为19.42%。【结论】3种遥感估算模型中，非参数模型的不确定性明显低于参数模型。相较于样地尺度，遥感估算模型的不确定性对地上生物量估算精度的影响较大。图3表3参26

【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。

草地退化已成为藏北地区面临的主要生态环境问题。为了定量监测草地生物量和退化草地的生物量动态变化,利用2004年8—9月藏北地区草地地上生物量最大时期的地面实测数据,分析了其地上生物量大小和空间分布特征,在此基础上,结合同期的Terra MODIS植被指数数据,建立了草地地上生物量的遥感监测和估算模型。主要结论如下:①由于受高寒气候、土壤、水分等环境因素的限制,8—9月藏北地区平均草地地上生物量较小,为96.88g/m2,其中绿色鲜草的比重在80%以上;不同区域不同草地类型地上生物量差异很大,范围在37.10~589.12 g/m2,平均而言,高寒沼泽化草甸的地上生物量最大,达356.84 g/...

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】确定思茅松林生物量遥感估测的光饱和点,构建空间全局和局域遥感信息模型反演思茅松林生物量,为思茅松林生物量遥感估测提供参考。【方法】以云南省普洱市思茅松林为研究对象,基于Landsat8 OLI遥感影像数据和森林资源二类调查数据,运用二次项函数和幂函数求解思茅松林生物量光饱和点,采用普通最小二乘模型(OLS)、空间滞后模型(SLM)、空间误差模型(SEM)和地理加权回归模型(GWR)构建遥感信息模型,估测思茅松林地上生物量。【结果】1)普洱市思茅松林Landsat8 OLI遥感估测地上生物量的光饱和点为106.3 t·hm~(-2);2)空间回归模型拟合精度较高,尤其是GWR模型具有最高的R2(0.373)和最小的AIC(4 577.8),其拟合精度显著高于OLS、SLM和SEM模型;3)独立性样本检验结果表明,GWR模型的预估精度最高,且通过刀切法检验可知GWR模型在高值阶段(≥100 t·hm~(-2))和低值阶段(0～50 t·hm~(-2))的生物量估测能力强于OLS、SLM和SEM模型;4) GWR模型反演计算结果表明,思茅松林单位面积地上生物量为66.496 t·hm~(-2),与实测值偏差23.511%,估测误差低于OLS、SLM和SEM模型。【结论】对普洱市思茅松林生物量进行遥感估测时,GWR模型优于OLS模型和其他空间全局回归模型,且GWR模型可在一定程度上解决高值低估和低值高估问题,减小光饱和点对遥感估测精度的影响。

基于２００７年建德市森林资源二类调查数据和ＴＭ影像数据，采用蓄积量—生物量换算因子连续函数法计算松树生物量，对松树树种分立地质量等级和不分地位等级２种类型建立生物量的遥感估测模型，并进行精度检验。结果表明：（１）以ＴＭ遥感影像主成分分析中第一主成分为自变量的模型拟合效果最好，决定系数Ｒ２均在０．６以上，最高０．７７３。（２）利用预留独立样本对模型精度进行验证，不分地位级总体估测精度为９２．５１％，分立地质量等级好、中、差３种类型总体估测精度分别为９７．６６％、９６．５６％、９７．３２％，分不同立地质量等级建模精度明显优于统一建模的精度。研究结果为森林生物量遥感估测提供一种改进的思路，且为提高森．．．

【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】以黑河流域上游祁连山森林保护区为研究区,利用133个森林样地调查数据、Landsat-5 TM影像和ASTER GDEM产品为数据源,探讨地形对该流域森林地上生物量(above-ground biomass,AGB)估测的影响,以及选择合适的遥感估测方法反演该流域的森林AGB。【方法】首先利用青海云杉特殊的生境范围和绿色植被对比值植被指数(ratio vegetation index,RVI)的灵敏程度,及不同地物对纹理特征的不同响应,制定相应的决策树分类器,将研究区的土地覆盖类型分为两大类:森林(青海云杉)-非森林,并利用133个森林样地调查数据和Google Earth高分辨率影像...

森林碳储量遥感监测是目前林业定量遥感的研究热点之一。以沽源县为研究对象,采用TM影像,对原始自变量进行MNF变换后得到新变量,建立森林乔木地上碳储量遥感估测模型。模型相关系数R为0.708,通过实测样地对估测结果进行检验,精度达到89.89%。结果表明,当自变量间存在显著复相关性情况下,通过MNF变换能有效去除复相关性,用新变量建立的模型估测效果较好。

【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】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