基于ICESat-2和Sentinel-2A数据的森林蓄积量反演

森林蓄积量是林业调查的重要指标,在衡量森林健康状况和评价森林固碳能力等方面发挥重要作用,协同主被动遥感是当前反演大区域森林蓄积量的主要手段。以云南香格里拉森林为研究区,分别提取ICESat-2/ATLAS和Sentinel-2A影像的特征变量,并通过相关性分析和共线性诊断方法筛选特征变量,构建Sentinel-2A变量集和ICESat-2/ATLAS变量集,以及二者联合的变量集,然后结合样地实测数据与3个特征变量集,采用逐步线性回归和随机森林方法分别建立线性和非线性回归模型,反演森林蓄积量,并对结果进行精度验证及对比分析。研究结果表明:对3个变量集,随机森林方法精度均优于逐步线性回归;ICESat-2/ATLAS变量集在2种回归方法下的反演精度均高于Sentinel-2A变量集;联合Sentinel-2A和ICESat-2/ATLAS变量集,随机森林方法的反演精度最高,其R 2,RMSE和rRMSE分别为0.7034,84.78 m^(3)/hm^(2)和36.46%。整体来说,与Sentinel-2A数据相比,基于ICESat-2/ATLAS数据及其与多源数据联合的反演模型均可以提高森林蓄积量反演精度和模型稳定性。

面向对象和集成学习算法在森林蓄积量遥感估测中的应用

以江西省兴国县为研究区,设置51个杉木(Cunninghamia lanceolata)林样地、22个马尾松(Pinus massoniana)林样地;以2017年江西省森林资源二类调查的样点调查数据、陆地卫星8号携带的陆地成像仪(Landsat8 OLI)遥感数据为基础,将陆地卫星8号携带的陆地成像仪影像进行多尺度的面向对象分割(分割尺度为50~500,步长为50),通过计算遥感各影响因素与蓄积量之间的皮尔逊(Pearson)相关系数,对比依据对象提取的遥感特征与依据像素提取的特征的相关性,确定最佳的分割尺度;依据布尔塔(Boruta)算法进行特征选择,构建多元线性回归(MLR)、随机森林(RF)、K-最近邻(KNN)、支持向量机(SVM)、堆叠(Stacking)集成算法5种蓄积量估测模型,以决定系数、均方根误差、相对均方根误差检验模型的估测精度;以森林蓄积量为评价指标,分析面向对象和集成学习算法在森林蓄积量遥感估测中的应用、构建的依据对象的堆叠算法对森林蓄积量遥感估测效果、依据对象的堆叠算法与常用的像素级特征提取方法的差异。结果表明:遥感的影响因素与蓄积量的相关性,随着分割尺度的增大出现先增加后降低的趋势,当分割尺度在150~250之间时,遥感的影响因素与蓄积量之间的相关性出现峰值;与依据像素的蓄积量估计模型相比,依据对象的估计结果的均方根误差从57.42~75.22 m^(3)·hm^(-2)降低到了50.77~68.26 m^(3)·hm^(-2)。与多元线性模型相比,机器学习模型具有更强的蓄积量预测性能,其均方根误差从66.05~75.22 m^(3)·hm^(-2)降低至50.77~71.97 m^(3)·hm^(-2);机器学习模型最佳的估计结果来自200分割尺度时构建的堆叠集成算法,决定系数为0.63、均方根误差为50.77 m^(3)·hm^(-2)、相对均方根误差为25.38%。与依据像素的特征提取方式相比,依据对象的遥感特征提取可以减小由于异常像素导致的不确定性;与基学习器相比,堆叠集成算法可以获得精度更高、更稳定的估计结果。依据对象的蓄积量遥感制图具有更强的可靠性,可以大大缓解依据像素制图导致的“椒盐现象”。

基于Landsat 8 OLI和资源3号立体像对数据的桉树森林蓄积量估测

【目的】探索Landsat8 OLI数据和立体数据在估算桉树森林蓄积量(forest stock volume,FSV)中的潜力,并且准确地估计桉树的FSV。【方法】以3幅Landsat8 OLI图像和资源3号立体数据为遥感数据源,并且结合少量地面调查数据实现了桉树FSV的遥感估计。研究中提取了三类遥感特征用于估计桉树FSV:第一类是包括植被指数和单波段反射率在内的光谱特征;第二类是基于Landsat 8 OLI图像的单波段提取的8种纹理特征;第三类是基于资源3号立体像对数据和开源的数字高程模型(digital elevation model,DEM)提取的冠层高度模型(canopy height model,CHM)。利用Boruta算法对三类遥感特征进行提取,之后建立了随机森林(random forest,RF)、K-最近邻(K-nearest neighbor,KNN)和支持向量机(support vector machine,SVM)3种机器学习模型以及传统的多源线性回归模型(multiple linear regression,MLR),并以决定系数(R2)、均方根误差(root mean square error,RMSE)和相对均方根误差(relative root mean square error,rRMSE)作为评价指标对模型结果进行评估。【结果】基于ZY-3立体像对数据和开源的DEM数据提取的CHM与桉树的FSV具有很强的相关性,Pearson相关系数达到了0.71。仅仅利用基于Landsat 8 OLI图像提取的光谱和纹理特征难以准确2地估计桉树的FSV,估测模型的R为0.29~0.38,rRMSE为35.65%~43.30%,存在严重的数据饱和问题。2当变量集中加入CHM后,模型的估测精度明显提高,R达到了0.64~0.66,rRMSE为25.74%~26.41%。【结论】使用Landsat 8 OLI数据估算桉树FSV时存在严重的数据饱和问题,并且使用空间分辨率为30 m的纹理特征难以有效地改善森林蓄积量的估计精度。利用资源3号立体像对数据和开源的DEM数据可以提取较为准确的CHM,并且所提取的CHM可以解决改善光学数据的饱和问题,从而提高桉树FSV的估计精度。

基于光学遥感联合GEDI反演森林蓄积量研究

传统的森林蓄积量调查方法强度大、成本高、耗时长。单纯利用光学遥感影像特征进行森林蓄积量反演时,由于缺乏大量的样地数据支持,加之在森林接近郁闭时光谱反射率易饱和,导致蓄积量反演蓄积精度有限。通过结合光学遥感数据和GEDI足迹点提供的冠层高度信息,可以极低的成本获取大量具有较高蓄积量精度的足迹点,从而通过加密训练样地提升研究区域使用光学遥感反演乔木森林蓄积量的精度。结果显示:(1)当森林高度百分位数(RH)为RH 80时,GEDI提取森林高度特征与机载LiDAR提取树高一致性最高,R^(2)=0.44,RMSE为6.04 m。(2)使用不包含树高特征的光学遥感回归模型预测森林每公顷蓄积量,R^(2)为0.29,RMSE为64.95 m^(3)·hm^(-2);加入树高特征的回归模型预测森林每公顷蓄积的R^(2)为0.59,RMSE为49.53 m^(3)·hm^(-2);样地加密后再使用无树高特征的回归模型预测森林每公顷蓄积的R^(2)为0.46,RMSE为56.55 m^(3)·hm^(-2)。因此,通过结合GEDI足迹点加密样地后可以明显提升研究区域遥感反演乔木森林蓄积量的精度。(3)2020年云南省普洱市思茅区公布的总活立木蓄积量为2629×10^(4)m^(3),使用GEDI足迹点加密训练样地后反演得到的总蓄积量为2289×10^(4)m^(3),整体预测精度为83%。其分布空间格局与森林资源二类调查结果基本相符。

县级森林蓄积量连续监测方法及应用系统设计

森林蓄积量反映森林资源质量状况,精准估测森林蓄积量对提高森林资源管理水平和生态环境保护建设具有重要意义,也是我国实现2060年前碳中和方案的迫切需求。本研究提出一种县级森林蓄积量连续监测方法,通过采用抽样调查和样地实测相结合,样地模型更新和遥感变化更新相结合的方式,以智能样地代替人工样地调查,实现森林蓄积量调查同时部署、实时自动连续监测。同时,研发了应用系统和云平台,以期为森林蓄积量高效准确估测提供方法依据。

典型喀斯特山区的森林蓄积量遥感估算

[目的]通过森林蓄积量的遥感监测了解喀斯特地区森林生态系统的健康状况和生态功能,为该地区碳汇监测与评估以及森林管理与决策提供理论依据。[方法]本研究选取典型喀斯特山区为研究对象,基于Sentinel-2A影像和样地调查数据,结合随机森林(RF)、K近邻回归(KNN)和BP神经网络3种机器学习模型,在山地坡度条件约束下开展森林蓄积量反演研究。[结果]①单波段反射率、植被指数和纹理特征等遥感因子在不同地形约束条件下的表现不同,建立模型的最优子集均不同,不同立地条件下建立蓄积量估测模型均有差异。②在喀斯特山区森林蓄积量估算中,RF相比KNN和BP模型鲁棒性和适应性最强。在缓坡、斜坡、陡坡立地条件下,RF模型精度分别达到80.1%,79.0%,80.5%。[结论]喀斯特山区空间异质性强,不同坡度立地条件下参与蓄积量遥感估测的建模自变量因子均不相同。坡度的划分可以细化复杂场景遥感估算模型,提高蓄积量遥感估算精度。

基于遥感影像的辽宁省清源县森林蓄积量估测

本文以辽宁清原县为研究区,以2018年资源档案数据和采伐作业设计为基础,结合少量地面调查和同时期资源三号卫星遥感影像,提取与森林蓄积量有关的自变量因子,利用多元线性回归方法构建森林蓄积估算模型,最后利用构建好的模型对无森林蓄积量小班进行估算。

面向森林蓄积量调查的空间抽样方法

全面、科学地掌握森林蓄积量在维持生态平衡方面有着重要意义。基于240个角规控制样地数据和Landsat8影像,分别拟合蓄积量、遥感辅助变量以及两者的交叉变异函数最优模型,以蓄积量空间变异尺度为网格间距设计一种样本独立的空间抽样方法,并与3种传统抽样方法(简单随机抽样、系统抽样、分层抽样)对比分析。结果表明:森林蓄积量的空间变异尺度为7200 m,超出7200 m范围后,两样点间相互独立,不再有空间相关性;拟合的遥感辅助变量变异尺度为6600 m、蓄积量和遥感辅助变量的交叉变异函数的变异尺度为6900 m,与森林蓄积量的变异尺度较为接近。在保证抽样精度的条件下,相较于3种传统抽样方法,空间抽样仅需129个样本便能使抽样精度达到89.46%,样本数量远远少于传统抽样方法样本数量(246个)。在没有充足的样地数据分析森林蓄积量变异函数结构的情况下,可采用少量实测样地结合遥感因子的方法分析蓄积量的空间变异尺度,基于变异尺度的空间抽样方法有效减少了样本信息冗余,样点设计在空间布局上更加高效、合理,代表性更强,研究结果可为森林蓄积量的抽样调查设计提供参考。

森林蓄积量年度动态监测出数测算方法探讨——基于湖北省森林资源抽样调查理论与方法

以湖北省森林蓄积量动态监测现状体系为基础,介绍森林蓄积量动态监测方法、成果出数测算相关算法,通过典型样地模拟测算,比较不同测算方法的差异,探讨蓄积量监测出数测算存在的问题,客观分析测算优势与不足,以静态指标和动态测算指标结合、联合森林资源自然增长率为基础的测算方法,兼顾森林资源消耗和减损量,测算成果数据偏差小、误差低、具有精确性、精度高,两者互补,可为森林蓄积量年度动态监测成果数据测算提供参考。

结合遥感林龄因子的亚热带森林蓄积量估算方法

【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R^(2)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。

基于多距离度量kNN模型的森林蓄积量反演

【目的】森林蓄积量是衡量森林质量和生长状况的重要指标。利用遥感技术进行森林蓄积量反演相比传统的森林调查能显著提高森林资源调查效率,对快速获取区域范围森林生长状况,进行高效的资源利用和森林经营管理具有重要意义。【方法】以陕西韩城市为研究区,利用森林资源二类调查数据库提取森林蓄积量实测数据,结合Sentinel-2遥感影像进行森林蓄积量反演。通过线性逐步回归法和重要性评价法分别进行变量筛选,构建多元线性回归模型、支持向量机模型、随机森林模型和基于欧式距离、曼哈顿距离和马氏距离构建的kNN模型进行森林蓄积量估测,通过精度评价比较最终选择估测精度最高的模型进行研究区森林蓄积量反演。【结果】1)马氏距离是最适合构建kNN模型的距离度量。基于马氏距离构建的kNN模型在所有模型中实现了最高的估测精度,决定系数R2为0.66,均方根误差RMSE为10.02 m^(3)/hm^(2),均方根误差相比随机森林模型、支持向量机模型和多元线性回归分别下降了3.9%、7.8%和29.9%;2)非参数模型在森林蓄积量估测中的精度显著优于参数模型。基于马氏距离构建的kNN模型、随机森林模型、支持向量机模型均方根误差相比多元线性回归分别降低了29.9%、27.0%和23.9%;3)研究区西北部森林生长情况较好,蓄积量值较大,东部和南部地区主要是水域和建筑用地,森林分布较少,森林蓄积量值较低。【结论】利用kNN模型结合Sentinel-2遥感影像能实现森林蓄积量反演和制图,为森林资源遥感估测研究提供参考。

基于距离相关系数和Catboost方法的森林蓄积量估测

【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的方法筛选特征因子,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(KNN)、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,并且尽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。

结合UAV-LiDAR和Sentinel-2的森林蓄积量估测

遥感技术结合实测样地数据能够实现稳健和高效的森林蓄积量(growing stock volume)估测,可以大大减少调查时间和成本,同时便于定期监测。以内蒙古自治区赤峰市旺业甸林场为研究区,以典型温带针叶人工林为研究对象,通过两阶段外推法,利用随机森林算法结合实测样地数据、UAV-LiDAR数据和Sentinel-2多光谱数据估测整个研究区人工林的森林蓄积量。将实测样地数据外推至UAV-LiDAR样地,建立Field-UAV-LiDAR模型;将第一阶段生成的UAV-LiDAR估测的森林蓄积量外推至全覆盖的Sentinel-2卫星图像,建立Field-UAV-LiDAR-S-2模型。通过与实测样地数据和Sentinel-2提取的特征变量建立的直接预测模型(Field-S-2)进行对比。研究结果表明,基于Field-UAV-LiDAR模型的森林蓄积量估测精度最高(R^(2)=0.79、RMSE为42.34 m^(3)/hm^(2)、rRMSE为19.24%),其次是基于Field-UAV-LiDAR-S-2模型的森林蓄积量估测精度(R^(2)=0.68、RMSE为50.19 m^(3)/hm^(2)、rRMSE为29.43%),基于Field-S-2模型的森林蓄积量估测精度最低(R^(2)=0.49、RMSE为63.25 m^(3)/hm^(2)、rRMSE为33.08%)。研究结果验证了结合UAV-LiDAR和Sentinel-2数据估测森林蓄积量有效性,为大面积森林蓄积量估测提供参考思路。

基于Sentinel-2A影像的森林蓄积量估测

森林蓄积量主要用于评价森林中全部活立木的材积总量,动态反馈森林资源变化情况,是森林资源监测的重要指标之一。为探究Sentinel-2A影像及其红边波段对森林蓄积量的估测性能,本文以黑龙江省海林市长汀林区为研究区域,基于Sentinel-2A卫星遥感影像,结合数字高程模型(DEM)数据和研究区样地调查等辅助数据,提取影像光谱信息、植被指数、地形因子,并和样地因子作为模型自变量,应用面积蓄积量作为模型因变量,建立该研究区森林蓄积量估测模型。所构建估测模型经分析评价,其精度可达到86.71%,说明Sentinel-2A影像及其红边波段数据和其他辅助数据结合,综合应用于森林蓄积量估测可达到较好估测精度。本文提出的以Sentinel-2A数据为基础的估测方案可拓展到更大区域,提升蓄积量估测的时效性,为区域森林蓄积量估测提供重要支持。

基于无人机机载激光雷达构建森林蓄积量模型反演及精度分析

基于机载激光雷达点云数据提取的嵩县测区森林资源数据,结合样地调查数据,采用多元线性回归模型,重点分析无人机载激光雷达获取的点云数据在森林蓄积量模型反演方面的精度分析,为河南省森林蓄积量的测算提供参考依据。结果显示:山区栎类蓄积量调整决定系数AdjR^(2)=0.890 m^(3)·hm^(-2),平均相对误差MSE=0.237 m^(3)·hm^(-2),均方根误差RMSE=0.478 m^(3)·hm^(-2),结合分层地面样地调查数据对山区栎类蓄积量数据进行多元线性回归模型反演,模型精度为96.01%。无人机机载激光雷达能够自动获取大面积栎类标准地的激光点云数据,可以提取森林的垂直结构信息(高度参数)和水平结构信息(郁闭度)具备三维结构参数提取能力,通过全覆盖的激光雷达数据反演结果以及地面验证两个部分的数据验证,得到的精度测算结果较好,为计算森林蓄积量提供新的方法。

基于无人机多光谱影像的森林蓄积量估算研究

为了改进传统森林资源调查中通过大量人力实地抽样调查固定小班这种效率低下的森林蓄积量获取方法,通过对无人机多光谱影像的光谱信息进行分析,结合实地调查数据,采用多元线性回归模型,构建森林蓄积量估算模型对森林蓄积量进行更为准确的估算.结果表明,基于无人机多光谱影像构建的森林蓄积量估算模型整体预测精度符合预测要求,其修正后R2为0.7081,该模型可以很好地估测森林蓄积量.该方法一定程度上优化了一类调查中在固定样地进行每木调查的工作效率,减少了劳动成本,可为未来森林蓄积量调查分析、模型研建提供参考.

基于多源遥感数据的森林蓄积量估测研究——以北方孟家岗林场为例

以北方孟家岗林场的落叶松人工林为研究对象,引入遥感技术作为一种更高效、适用于大区域的遥感监测方法,利用Sentinel-1和Sentinel-2遥感数据,提取光谱特征、纹理特征、植被指数和后向散射系数等特征指标,基于Pearson相关系数和距离相关系数这两种特征选择方式,结合KNN、SVR和RF等3种机器学习模型,开展了6种人工林蓄积量估测方案的对比。研究表明:遥感数据源对模型的估测精度影响最大;以单一Sentinel-1数据作为来源的模型估测精度最低,而基于Sentinel-1和Sentinel-2综合数据的估测模型精度最高,其中RF回归模型结合DC特征重要性评价方案获得了最佳的蓄积量估测结果,R_(RMSE)和R^(2)分别为22.94%和0.59。利用特征选择的方式结合多源遥感数据可以有效提升模型精度和泛化能力,得到更优的人工林蓄积量估测结果,为森林资源的保护、管理和可持续利用提供科学依据。

Stacking集成学习模型在森林蓄积量估测中的应用

为了探索Sentinel-2遥感数据在估测森林蓄积量中的适用性,以及开发一种提高蓄积量估测精度的集成学习算法,选择江西省兴国县为研究区,以Sentinel-2为遥感数据源,利用Boruta算法进行特征选择后开发了一种Stacking集成学习模型,并且与MLR、KNN、SVR和RF四种基础模型进行对比。结果表明,相比于MLR模型,机器学习模型具有更强的蓄积量估测能力,利用机器学习模型估计森林蓄积量的RMSE降低了18.02~22.50 m^(3)·hm^(-2),rRMSE降低了9.01%~11.25%。并且相比于基础模型,利用Stacking算法将4种模型进行集成后,模型的均方根误差进一步降低了11.95~7.47 m^(3)·hm^(-2),说明Stacking集成学习算法可以有效的提高森林蓄积量的估测性能。

基于主被动遥感技术的森林蓄积量估测研究进展

森林蓄积量是重要的林分因子,传统的实地勘测法耗时长,人力物力投入高。随着遥感技术的发展,越来越多的学者应用遥感技术对森林蓄积量进行估测。该文总结基于遥感技术的森林蓄积量估测研究进展,并对目前存在的问题以及未来的研究方向进行评述。

浅谈区域森林蓄积量遥感监测方法

蓄积量对于森林的可持续发展至关重要,它不仅反映了森林的生物量和碳汇,而且也成了森林资源监测的核心指标。利用遥感技术来监控森林资源,特别是森林蓄积量,可以更好地实现宏观、快捷、节约时间、精力的目标,对森林的安全有重要且巨大的意义。通过这项研究,希望能够更快更精确地了解森林资源的状况和发展趋势,并能够对森林蓄积量进行有效地监控。