应用背包和无人机LiDAR数据对森林地上生物量估测

激光雷达(LiDAR)技术在林业调查中应用广泛,能够精确获取森林垂直结构信息。利用背包LiDAR结合实地调查样地,验证其替代实地调查的可行性;应用UAV-LiDAR数据,采用多元逐步回归(MSR)、支持向量机(SVM)和随机森林(RF)算法,建立地上生物量估测模型并进行对比分析。研究结果显示:(1)在人工干预下,应用背包LiDAR数据提取的单木参数与实测值高度相关,平均胸径的决定系数(R^(2))为0.98,均方根误差(R_(MSE))为0.35 cm;平均树高的R^(2)为0.96,R_(MSE)为0.63 m。(2)应用背包LiDAR构建的生物量样本,利用UAV-LiDAR建立的AGB估测模型中,随机森林模型表现最佳(R^(2)=0.75,R_(MSE)=23.58 t/hm^(2)),其次是支持向量机模型(R^(2)=0.63,R_(MSE)=30.49 t/hm^(2)),多元逐步回归模型表现最差(R^(2)=0.54,R_(MSE)=35.60 t/hm^(2))。因此,背包LiDAR获取的单木胸径及树高精度较高,可替代实测样地生物量,以扩大样本覆盖范围;应用背包LiDAR数据结合机载LiDAR,可实现较大尺度的森林生物量快速估测,为大范围森林生物量反演提供了一种可行方法。

基于星载激光雷达数据的森林地上生物量估算方法比较

近年来,星载激光雷达数据已被广泛用于大尺度森林地上生物量估计,但由于其激光光斑采样点不连续,通常使其需要与辅助数据相结合来估算森林地上生物量的连续分布,且估算方法仍存在许多不确定性。研究以祁连山国家公园为样本,结合星载激光雷达ICESat/GLAS数据、Landsat OLI数据和样地调查数据建立了3种基于非参数化算法(普通克里金插值(Ordinary Kriging,OK),支持向量回归(Support Vector regression,SVR)和随机森林(Random forest,RF))的森林地上生物量估算模型,以森林资源清查数据独立验证各模型估计精度。结果发现:3种模型的均方根误差(RMSE)从低到高依次为SVR(19.053 t·hm^(-2))、RF(21.074 t·hm^(-2))和OK(26.362 t·hm^(-2)),平均相对误差(MRE)从低到高依次为SVR(31.890%)、RF(33.314%)和OK(55.398%),且除OK模型外,SVR与RF模型的总体相对误差(TRE)都在可接受的范围内。进一步对SVR与RF模型生成的森林地上生物量空间分布的准确性进行验证,发现相较RF模型,SVR模型生成的森林地上生物量空间分布与森林资源清查数据更为接近。SVR森林地上生物量估计模型在数量精度和分布精度上都表现更优。结果可为今后基于星载激光雷达数据的森林地上生物量估算提供借鉴。

基于无人机多维数据集的森林地上生物量估测模型研究

森林地上生物量(Aboveground biomass,AGB)是评价森林生长情况的重要指标。基于数字航空摄影(Digital aerial photography,DAP)生成的二维和三维数据,分别计算了41个点云高度变量和16个可见光植被指数,利用6种回归算法(随机森林(RF)、袋装树(BT)、支持向量回归(SVR)、Cubist、类别型特征提升(CatBoost)、极端梯度提升(XGBoost))分别构建了单一变量集和综合变量集AGB估测模型,探索了不同变量对于AGB估测模型的贡献。研究结果表明光谱数据集和点云数据集AGB预测模型精度最高分别为Cubist和XGBoost,R^(2)分别为0.5309和0.6395。组合数据集最高精度模型为XGBoost,R^(2)达到0.7601,XGBoost模型具有更高的AGB估测稳定性。研究还表明6种机器学习模型的贡献主要取决于所考虑的回归方法,所选择的特征个数和特征对模型的重要性在不同的模型中并不一致。DOM光谱特征在AGB的估测中具有更高的重要性。总体来说,二维和三维数据的结合能够有效提高森林AGB估测精度,基于无人机倾斜摄影获取的RGB影像能够实现森林AGB的快速无损估计。

应用UAVSAR数据及改进极化水云模型对热带森林地上生物量反演

针对热带森林地上生物量遥感估测中容易饱和区域大尺度森林地上生物量估测精度低的问题,以非洲加蓬中部的洛佩达国家公园为研究区,以NASA提供的L波段全极化机载合成孔径雷达(SAR)数据和LiDAR网格化森林地上生物量产品为数据源开展森林生物量估测方法研究。采用极化分解方法提取森林的多种散射机制,从中选择反映森林结构差异的地面散射特征和森林体散射的特征构建体-地散射比,采用极化水云模型(PWCM)进行森林地上生物量反演和精度评价。为了提高PWCM模型的适应性,建模过程中根据体散射分量(V_(ol))分段进行模型的参数优化。结果表明:以Freeman三分量极化分解后得到的体散射(V_(ol))、表面散射(O_(dd))、地-干散射(D_(bl))为基础构建的6个体-地散射比在极化水云模型估算森林地上生物量中,以μ_(VG2)作为体-地散射比时估测效果最好,模型决定系数(R^(2))为0.60,均方根误差(R_(MSE))为127.78 Mg/hm^(2);在此基础上,进一步根据体散射分量分段优化极化水云模型,模型决定系数(R^(2))增加到0.74,均方根误差(R_(MSE))降低了约20%,预测精度从50.76%提升至60.28%,并改善了低值高估、高值低估问题,在地上生物量高达450 Mg/hm^(2)时未出现饱和现象。

结合修正后的全球生态系统动态调查冠层高度的森林地上生物量模型优化——以福建省为例

森林地上生物量(Above Ground Biomass,AGB)是衡量森林生态系统碳存储、能量流动和生物多样性的关键指标,对于气候变化研究和森林资源管理至关重要。福建省地处多云多雨的亚热带,地形和森林类型复杂,森林地上生物量估算难度大。为提升森林地上生物量估算效果,将最新星载激光雷达数据全球生态系统动态调查(GEDI)、Landsat以及Sentinel系列卫星等多源遥感数据进行集成和综合利用,通过Landsat影像计算的林龄对GEDI_V27冠层高度产品进行优化,结合优化后的MGEDI_V27冠层高度产品,建立传统遥感特征结合冠层高度的极端梯度提升模型(XGBoost)生物量反演模型,实现了福建省森林地上生物量的有效估算与制图。研究结果表明:(1)通过林龄优化后的GEDI冠层高度精度评价结果为R^(2)=0.67,RMSE=2.24m;(2)通过递归特征消除算法对三种森林类型进行特征优选,得到10个遥感特征,其中,三种森林类型最重要的遥感特征均为森林冠层高度,并且对比评价了在包含传统遥感特征因子的情况下有无冠层高度对于模型精度的影响,结果表明,在冠层高度因子参加特征构建时,森林AGB回归分析的精度明显提高,证实了冠层高度在生物量估算中具有显著的重要性;(3)研究得到的福建省森林AGB范围为0.001—363.331Mg/hm^(2),整体精度评价结果为R^(2)=0.75,RMSE=17.34Mg/hm^(2),2020年全省AGB总量为8.22亿Mg,平均值为101.24Mg/hm^(2)。通过优化GEDI中的森林冠层高度,并且结合传统遥感特征,可以实现对福建省森林地上生物量的精确估算和监测,研究成果有助于区域森林碳汇的评估。

应用全极化合成孔径雷达数据构建多变量估算森林地上生物量模型

以河北塞罕坝机械林场为研究对象,Alos-2全极化SAR数据以及实测样地数据为基础,采用多种方法进行目标分解,计算多极化通道的后向散射系数,通过皮尔逊相关性检验,筛选显著相关的参数,构建线性及非线性偏最小二乘(PLS)生物量估算模型,并对模型进行检验。结果表明:线性PLS模型均方根误差为21.75 t·hm^(-2),决定系数(R^(2))为0.6185,平均相对偏差绝对值为31.1%,平均偏差为-1.844 t·hm^(-2);非线性PLS模型均方根误差为18.218 t·hm^(-2),决定系数(R^(2))为0.6969,平均相对偏差绝对值为23.86%,平均偏差为0.0001 t·hm^(-2)。对模型贡献最大的参数为非负特征值分解的奇次散射参数、VH极化后向散射系数、HV极化后向散射系数、特征向量分解参数l1和主要散射机制平均参数。非线性方法在模型拟合和预测中都表现出更好的效果,全极化SAR目标分解参数以及交叉极化下的后向散射系数,在估算森林地上生物量时没有饱和点出现。

森林地上生物量及其驱动因素研究进展

森林生态系统是陆地生态系统的主体,是全球碳循环的重要组成部分。森林地上生物量是森林生产力的重要衡量标准,探究森林地上生物量及其影响因素对理解陆地生态系统碳循环及应对气候变化具有重要意义。本文系统归纳了目前具有代表性的森林地上生物量研究,并对森林地上生物量估算方法及森林地上生物量影响因素的研究现状进行了梳理,总结如下:1) 目前关于森林地上生物量的研究较多,总体来说森林生物量静态储量方面研究较全面,关于生物量动态变化及其驱动因素的研究还有待补充;2) 生物量的估算方法主要包括样地调查、模型模拟和遥感,各有优缺点,后续可将多种方法结合使用,提高森林地上生物量估算的精确度和效率;3) 生物多样性与森林地上生物量的关系复杂,在研究过程中,应根据实际情况综合考虑生物和非生物因素对森林地上生物量的交互影响,以更准确理解各因素对森林地上生物量的影响机制。综上,深入探究森林地上生物量储量及动态变化,综合研究更多因素对森林地上生物量的影响机制对于在目前气候背景下制定合理的森林保护和恢复策略具有重要意义。

基于不同特征选择方法的森林地上生物量估测研究——以平江县芦头林场为例

森林地上生物量(forest aboveground biomass,AGB)是森林生物量的主要组成部分,是森林资源监测的重要指标之一。以湖南省平江县的中南林业科技大学芦头实验林场为研究区(以下简称芦头林场),结合2021年采集的50个样地调查数据,基于Sentinel-1 SAR数据与DEM数据,提取后向散射系数、纹理与地形因子作为自变量,结合前向特征筛选,使用随机森林(random forest,RF)算法和极致梯度提升树(XGBoost,XGB)算法建立研究区森林AGB估测模型。结果表明:整体上XGB模型优于RF模型。使用全部特征的RF和XGB模型的R^(2)分别为0.17和0.25,RMSE分别为49.50 t/hm^(2)和51.91 t/hm^(2)。在特征筛选后,模型的估测精度均有提升:使用RF特征重要性的特征筛选的模型R^(2)为0.26~0.31,RMSE为47.37~49.10 t/hm^(2);使用XGB特征重要性的方法更优,R^(2)为0.34~0.42,RMSE为43.48~46.19 t/hm^(2)。研究区的最优模型为基于XGB特征重要性的XGB模型,R^(2)为0.42,RMSE为43.48 t/hm^(2),研究区的森林AGB总量为8.51×10~5 t。特征筛选后的森林AGB估测模型精度有所提升,可为林业部门在监测森林资源等方面提供重要支持。

森林地上生物量估测方法研究综述

根据所采用数据源的不同,介绍了当前国内外森林地上生物量测算中所用的主要方法,即基于森林资源清查的方法和基于遥感估测的方法。根据国内外前期研究成果,概括了这两种方法的特点及其存在的一些不足,初步探讨了结合多源数据联合估测森林地上生物量的方法。结合当前森林地上生物量研究中存在的问题,讨论了估测方法的尺度、模型与参数化以及精度与验证的问题,最后提出了今后森林地上生物量研究中应重点开展的工作。

基于地统计学的森林地上生物量估计

基于吉林省汪清林业局金苍林场二类调查的局级固定样地数据,利用地统计学的普通克里格法和协同克里格法对研究区域内森林地上生物量进行估计(协同克里格法以地上生物量为主变量,以胸高断面积为协变量),并对2种插值方法进行比较。结果表明:在研究区域内普通克里格法预测精度较低;而协同克里格法能够显著提高预测精度,所产生的均方根误差(RMSE)减少49.0%,平均标准误差(ASE)减少39.4%,预测值和实测值的相关系数提高68.4%。通过插值得到整个林场生物量的空间分布格局图,生物量的分布存在明显的空间异质性。林场平均生物量密度为111.9t·hm-2,总生物量达3.578Tg;并从不同森林类型和龄组对生物量的空间格局进行分析。研究结果可为区域尺度内基于固定样地和地统计学的生物量估计提供方法和参照。

甘肃黑河流域上游森林地上生物量的多光谱遥感估测

【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高分辨率影像的12 722个采样点对分类结果进行验证(总体分类精度达到90.39%,Kappa系数为0.81);然后运用多元线性逐步回归估测法,以及结合随机森林算法(random forest,RF)优化后的k最近邻分类法(k-nearest neighbors,k-NN)进行森林AGB的遥感估测,对比SCS+C地形校正前后青海云杉森林AGB的估测结果,同时比较2种不同估测方法的反演效果;最后利用得到的最优估测方法反演整个研究区的森林AGB,生成黑河流域上游祁连山森林保护区的森林AGB的等级分布图。【结果】SCS+C地形校正前多元线性逐步回归的估测精度为R2=0.31,RMSE=34.41 t·hm-2,地形校正后多元线性逐步回归的估测精度为R2=0.46,RMSE=30.51 t·hm-2;而基于SCS+C地形校正后的k-NN的交叉验证精度不仅明显高于地形校正前的精度,且显著优于多元线性逐步回归的估测结果,达到R2=0.54,RMSE=26.62 t·hm-2;另外基于最优的k-NN估测模型(窗口为7×7,采用马氏距离,k=3)反演的该流域青海云杉在2009年总的森林地上生物量为8.4×107t,平均森林地上生物量为96.20 t·hm-2。【结论】在地形复杂地区,运用SCS+C模型对地形进行适当校正,能够有效地消除太阳入射角变化引起的地表反射亮度的差异,使影像能够更准确地反映地表信息,提高森林AGB的遥感估测精度;在样本有限的情况下,相对于以大数定律作为理论基础的多元线性逐步回归估测法,k-NN能够避免发生过学习现象和样本不平衡问题,更适于该研究区青海云杉的森林AGB的估测。

基于机载P-波段全极化SAR数据的复杂地形森林地上生物量估测方法

【目的】利用国产合成孔径雷达(SAR)系统(CASMSAR)获取的机载P-波段全极化SAR(PolSAR)数据,分析SAR对森林地上生物量(AGB)的响应与地形的关系,建立融合地形因子的高精度多项式模型,以提高森林AGB的估测精度。【方法】首先以基于机载激光雷达(Li DAR)数据得到的研究区坡度分布图与结合实测样地AGB数据得到的森林AGB分布图作为参考数据进行系统抽样,分析森林AGB与P-波段PolSAR后向散射强度的关系以及不同坡度下二者的相关性变化;然后利用Li DAR得到的高精度数字高程模型(DEM)结合机载P-波段的轨道数据计算当地入射角,进而建立以后向散射强度、当地入射角以及雷达视角为输入特征的多项式统计模型,同时将以上系统抽样得到的样本一部分作为模型训练样本,一部分作为精度检验样本。为避免样本尺度引起的偶然性,检验了20 m×20 m至100 m×100 m不同样地尺度下的估测精度。【结果】以90 m×90 m样本为例,当坡度为0°~5°时,引入当地入射角(第2组特征)的估测精度与未引入当地入射角(第1组特征)的估测精度分别为:决定系数(R^2)为0.634和0.634,均方根误差(RMSE)为12.07和12.08 t·hm^(-2),总精度(Acc.)为78.91%和78.89%;当坡度为5°~10°时,第2组特征与第1组特征的估测精度分别为:R2为0.524和0.523,RMSE为13.52和13.97 t·hm^(-2),Acc.为80.57%和80.52%;当坡度大于10°时,第2组特征与第1组特征的估测精度分别为:R^2为0.628和0.519,RMSE为13.16和15.70 t·hm^(-2),Acc.为81.05%和78.55%。随着样地尺度增大,2组特征的估测精度均增大,且第2组特征的估测精度大于第1组。【结论】当坡度小于10°时,地形对森林的后向散射强度几乎无影响;当坡度大于10°时,地形的影响显著,在不同尺度下,引入当地入射角的估测模型均可以有效提高估测精度,充分说明模型的有效性和稳定性。此外,随着尺度增大,无论采用的模型是否考虑了地形影响,其估测精度都逐渐提高并趋于稳定,揭示出对复杂地形下森林AGB估测模型效果的评价必须考虑尺度的影响,且参考样地要足够大,否则难以得到客观的结论。

基于PSO-LSSVM的森林地上生物量估测模型

为提高森林地上生物量估测精度,从建模因子和建模方法出发,提出了一种综合考虑影像纹理特征、地形特征、光谱特征的粒子群优化最小二乘支持向量机生物量估测方法。以松山自然保护区为研究区域,以资源三号遥感卫星数据为数据源,配合194块调查样地实测数据、森林资源二类调查数据、数字高程模型数据,通过分析46个特征变量与森林地上生物量间的Pearson相关性,进行特征变量优化提取,建立PSO-LSSVM模型并在Matlab 2014a上编程实现。以决定系数R2和均方根误差RMSE为指标,对比分析了PSO-LSSVM和多元线性回归地上生物量模型精度。研究结果表明:PSO-LSSVM模型在针叶林、阔叶林、灌木林3种类型中预测决定系数分别为0.867、0.853、0.842,比多元线性回归模型分别提高了23.15%、19.13%、14.40%。PSO-LSSVM地上生物量模型具有良好的自学能力和自适应能力,它取代了传统的遍历优化方法,在全局优化及收敛速度方面具有较大优势,预测精度较高。

森林地上生物量的多基线InSAR层析估测方法

【目的】发展一种森林地上生物量(AGB)的多基线干涉合成孔径雷达(InSAR)层析估测方法,解决热带雨林森林AGB遥感估测常规方法的信号"饱和"问题,为区域及全球森林生物量估测和碳储量研究提供关键技术支撑。【方法】以法属圭亚那巴拉库(Paracou)热带雨林为研究对象,以Tropi SAR 2009 P-波段多基线机载SAR数据和85块样地调查数据为主要数据源。首先,根据HH极化层析相对反射率的三维分布信息提取林下地表高度,对HV极化多基线InSAR数据进行地形相位去除;然后,对HV极化多基线InSAR数据进行三维成像,并对其进行地理编码,得到地理坐标空间层析相对反射率的三维分布信息;最后,利用样地调查数据,分析不同高度处层析相对反射率与森林AGB的相关性,进而建立以层析相对反射率为输入特征的森林AGB估测模型,同时采用留一交叉验证法(LOOCV)对其估测模型进行精度评价。【结果】20 m以下各高度处层析相对反射率与森林AGB呈不同程度的负相关关系,以5 m高度处层析相对反射率与森林AGB的负相关性最强(相关系数达到-0.58);20 m以上各高度处层析相对反射率与森林AGB呈不同程度的正相关关系,以25 m高度处层析相对反射率与森林AGB的正相关性最强(相关系数达到0.63)。采用5 m高度处层析相对反射率构建模型的估测精度为88.44%,均方根误差为49.85 t·hm-2(相对均方根误差为13.56%);采用25 m高度处层析相对反射率构建模型的估测精度为88.82%,均方根误差为47.30 t·hm-2(相对均方根误差为12.87%);同时采用5 m和25 m高度处层析相对反射率联合构建模型的估测结果最优,估测精度为89.17%,均方根误差为46.45 t·hm-2(相对均方根误差为12.63%)。【结论】通过多基线InSAR层析技术得到的层析相对反射率信息有效解决了热带雨林森林AGB遥感估测常规方法的信号"饱和"问题。采用5 m和25 m高度处层析相对反射率可反演得到高精度的森林AGB,表明多基线InSAR层析技术得到的特定高度处层析相对反射率对热带雨林森林AGB具有良好的指示作用;同时利用5 m和25 m高度处层析相对反射率进行联合估测可进一步提高森林AGB的估测精度,说明充分利用不同层次的森林垂直结构信息可进一步提高复杂森林空间结构条件下的森林AGB估测精度。

星载大光斑LiDAR与HJ-1A高光谱数据联合估测区域森林地上生物量

以吉林省汪清林业局经营区为研究区,利用HJ-1A/HSI高光谱数据和ICESat-GLAS波形数据,估测区域森林地上生物量。从平滑后的GLAS波形数据中提取波形长度W和地形坡度参数TS,建立GLAS森林最大树高估测模型;从GLAS波形数据中提取能量参数I(植被回波能量Ev和回波总能量E之比),建立GLAS森林郁闭度估测模型;利用GLAS估测的森林最大树高和森林郁闭度联合建立森林地上生物量模型。由于GLAS呈离散条带状分布,无法实现区域估测,因此研究将GLAS波形数据与HJ-1A/HSI高光谱数据联合,基于支持向量回归机算法实现森林地上生物量区域估测,得到研究区森林地上生物量分布图。研究结果显示,基于W和TS建立的GLAS森林最大树高估测模型的adj.R^2=0.78,RMSE=2.51m,模型验证的adj.R^2=0.85,RMSE=1.67m。地形坡度参数TS能够有效的降低地形坡度的影响;当林下植被高度为2m时,得到的基于参数I建立的GLAS森林郁闭度估测模型效果最好,模型的adj.R^2=0.64,RMSE=0.13,模型验证的adj.R^2=0.65,RMSE=0.12。利用森林最大树高和森林郁闭度建立的森林地上生物量模型的adj.R^2=0.62,RMSE=10.88 t/hm^2,模型验证的adj.R^2=0.60,RMSE=11.52 t/hm^2。基于支持向量回归机算法,利用HJ-1A/HSI和GLAS数据建立的森林地上生物量SVR模型,生成了森林地上生物量分布图,利用野外数据对得到的分布图进行验证,验证结果显示森林地上生物量估测值与实测值存在很强的线性关系(adj.R^2=0.62,RMSE=11.11 t/hm^2),能够满足林业应用的需要。因此联合ICESat-GLAS波形数据与HJ-1A高光谱数据,能够提高区域森林地上生物量的估测精度。

森林地上生物量遥感估测研究进展

森林生物量是衡量生态系统生产力的重要指标,也是研究森林生态系统物质循环的重要基础,其估测方法可以分为传统地面实测法、遥感监测法和综合模型法。随着生物量估测从样地研究发展到区域应用,空间尺度的增大导致宏观资料和参数的获取存在很多困难。在深入分析目前应用遥感技术估算森林生物量的方法及原理基础上,系统评述了统计模型、物理模型、基于植被净初级生产力(NPP)模型的估算方法以及综合模型法的优缺点,分析了各种方法在不同森林植被及遥感数据源下的适用性及不确定性,探讨了此领域的研究方向。

森林地上生物量的极化干涉SAR相干层析估测方法

应用机载单基线极化干涉SAR(Pol-InSAR)数据,基于极化相干层析(PCT)技术提出了一种反演森林地上生物量的新方法。首先采用单基线PCT提取每个像元的森林相对反射率垂直分布,然后按林分统计得到森林平均相对反射率垂直分布;再次对森林平均相对反射率垂直分布进行高斯函数拟合,提取林分层析测量高;最后以通过样地调查统计得到的20个林分的地上生物量为参考数据,采用交叉验证方法建立和评价基于层析测量树高的地上生物量估测模型,并与基于经典三阶段反演的林分优势木平均树高估测地上生物量的方法进行对比。结果表明:基于层析测量高的反演模型决定系数(R2)为0.822,均方根误差(RMSE)为53.14 t·hm-2,比基于经典三阶段反演算法的林分地上生物量估测方法具有更高的估测精度。该反演方法简单易行,能够有效提高森林地上生物量估测精度,在该研究区未出现信号饱和现象。

机载高分辨率遥感影像的傅氏纹理因子估测温带森林地上生物量

【目的】从反映森林冠层大小的树冠纹理结构出发,利用高空间分辨率遥感影像中树冠纹理的周期性信息,提取基于傅里叶变换纹理序列的纹理指数(FOTO,Fourier-based textural ordination)估测森林地上生物量,探究FOTO纹理因子在温带森林生物量估测上的潜力,为提取新型纹理参数估算森林生物量提供新的参考途径。【方法】以2009年9月获取的小兴安岭地区凉水国家自然保护区(47°11'N,128°53'E)高分辨率机载航空影像(空间分辨率0.5 m)为例,通过提取CCD影像的FOTO纹理参数,采用多元逐步回归方法对森林地上生物量进行参数反演,并对CCD 3个波段影像提取的9个FOTO纹理因子以及波段平均影像提取的3个FOTO纹理因子2种方法的生物量估测结果进行比较。同时,在研究中尝试采用5种不同尺寸(60 m×60 m,80 m×80 m,100 m×100 m,120 m×120 m和150 m×150 m)的窗口,产生不同尺寸的FOTO因子与生物量进行回归建模。最后,将FOTO纹理因子作为自变量与激光雷达反演的参考生物量进行拟合,利用多元逐步回归方法建立生物量模型,并采用十折交叉验证评估预测模型的泛化能力。【结果】FOTO纹理因子与森林生物量的相关性较高,CCD影像3个波段的9个FOTO纹理因子与生物量的R^2均高于0.67,窗口60 m×60 m,80 m×80 m,100 m×100 m,120 m×120 m和150 m×150 m的估测精度分别为67.3%,73.4%,74.4%,78.3%和80.9%。CCD影像波段平均影像的3个FOTO纹理因子与生物量的R^2均高于0.57,5种窗口尺寸的估测精度分别为58.2%,62.1%,64.3%,67.4%和70.9%。根据最优预测模型获得分辨率100 m的凉水试验区全覆盖生物量结果图,精度为74.41%,RMSE为50.55 t·hm^(-2)。【结论】基于FOTO算法提取的纹理因子与森林地上生物量密切相关且无明显饱和现象,对我国北方温带混交林区的生物量反演有极大潜力。FOTO纹理因子与森林地上生物量的多元线性逐步回归模型R^2达0.81,RMSE为46.78 t·hm^(-2)。

机器学习算法在森林地上生物量估算中的应用

森林地上生物量是森林生产力的重要评价指标,对其进行高效监测对维持全球碳平衡和保护生态系统具有重要意义。本文首先基于冠层高度模型数据,通过分水岭分割算法得到单木冠幅边界;然后在单木冠幅范围内提取23个LiDAR变量,结合佩诺布斯科特试验森林的87组实测数据,利用随机森林和支持向量机建立森林地上生物量估算模型;最后对样地模型估算的结果进行了比较,讨论了预测结果及其精度。结果表明:本文选用的随机森林模型和支持向量机模型在估算森林地上生物量的应用中获得了较高的精度;并且,随机森林模型在基于机载雷达数据估测森林地上生物量中的估算精度更高,模型泛化能力更强,制图精度也更好,具有更好的适用性。

森林地上生物量遥感估算方法

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。