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.

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。

以长白山林区林下14种幼树为对象,采用收获法对胸径D1.3≤2.5cm的幼树植株进行随机取样,通过对不同树种各器官和全株生物量的统计,建立了幼树生物量的最优估测模型,并进行了实测验证。结果表明:以地径(D0)和地径平方与株高乘积(D20H)为自变量,拟合的14种幼树各器官和全株生物量最优模型为幂函数,并达到了极显著水平,而且都有较大的R2值(0.712～0.983)和较小的SEE值(0.217～1.122)。幼树器官和全株生物量最优回归方程的R2值,从大到小依次为全株生物量>地上部分>枝>地下部分>叶。验证结果表明:以地径(D0)为自变量时,建立的幼树器官和全株生物量模型,对生物量的估测结果均...

【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。

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。

森林郁闭度作为林业综合评价的一个重要指标,对评价和监测森林生态系统的稳定性具有十分重要的意义。本研究通过提取GF-2号遥感影像的光谱信息、纹理特征因子和地形因子,结合地面样方的实测郁闭度数据,为了筛选出对郁闭度反演影响较大的因子和构建反演精度较高的估测模型,首先对各个因子与郁闭度之间的相关性进行分析,剔除相关性较低的因子;其次对各个纹理特征因子之间进行相关性分析,利用主成分法对各个波段的纹理特征因子进行分析,最终筛选出合理的纹理特征因子与影像的光谱信息、地形因子等特征,并以此作为自变量构建郁闭度估测的逐步回归模型。研究表明:以纹理特征+光谱信息+地形因子为自变量构建的估测模型拟合度为0.823,经精度检验EA%达到89.82%。总体来看,该模型基本上满足了郁闭度反演的需要,为新疆天山云杉森林生态系统的评估和实现精准数字林业提供理论依据和技术支撑。

【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．．．

生物量定量估测对准确估算陆地生态系统碳通量、预测全球气候变化具有重要意义,是土地荒漠化监测、评价与防治的一个重要指标。该文以鄂尔多斯地区毛乌素沙地地面调查样地为例,探讨了以卫星遥感影像数据和数字高程模型为基础,用消去变换的方法按平均残差平方和最小的准则筛选变量,建立广义回归神经网络(GRNN)模型估测植被地上生物量的可行性。研究得出,用广义回归神经网络模型估测地上生物量整体相对精度很高,模型具有较强的稳定性,受变量间的相关性影响小。该方法对土地荒漠化监测、评价与防治工程和水土保持工程具有借鉴意义。

【目的】柠条是一种生长迅速、枝叶茂盛、防风固沙能力强大的豆科植物,且茎叶粗蛋白含量相对较高,具有广泛的饲用开发前景,但柠条灌丛在不同发育阶段叶生物量和体内营养物质含量差异较大,其饲用性受到一定限制。因此,了解柠条各生长阶段叶生物量及其营养物质含量变化情况成为打破柠条叶片利用局限性的关键。【方法】本试验以库布齐沙地柠条灌丛为研究对象,分别测量了不同林龄、不同发育时期柠条的叶生物量及营养物质含量,并构建了柠条不同生长年限叶生物量动态模型、生长参数与叶生物量估测模型以及叶片营养物质动态变化模型。【结果】(1)不同生长年限,柠条叶生物量年内变化均呈现出先增长后降低的趋势,在7月份2年生、3年生、5年生柠条叶生物量分别达到0.14、0.32、1.40 kg/株的最高峰值,生长拟合曲线R2>0.8,F检验结果均达到显著水平(P0.8),且最高值均出现在每年的5月份。(3)不同生长年限,柠条叶片内中性洗涤纤维和酸性洗涤纤维含量无明显变化规律,且年内变化趋势各不相同。【结论】根据研究结果可以发现7月份柠条叶生物量达到最大值,5月份柠条叶粗蛋白含量达到最大值。因此,根据柠条叶片生育期及其营养价值等综合考虑,建议5月、7月为主要利用时期。

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

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】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。

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

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】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。