基于机器学习算法的森林生物量多源遥感估测

为进一步探索不同空间分辨率影像在10 m×10 m样地尺度下森林生物量估测性能及协同机器学习算法(RF、SVM、DT、GBM、k-NN、Stacking)的估测效果,利用光学遥感GF2(高分二号卫星)、sentinel 2A、Landsat 8 OLI、SUM(整合3种遥感数据源)影像及辅助变量DEM高程数据、环境因子、林分因子(森林类型、优势树种),在Boruta算法变量选择下用机器学习算法对元谋地区乔木林森林生物量(地上+地下)进行遥感估测,并比较4种影像下的估测精度。研究表明:(1)基于Boruta算法分别对3种影像及整合3种影像条件下进行变量选择,单一影像中sentinel 2A的植被指数PEIP、Landsat 8 OLI的纹理因子b2_ME_9×9、GF2的GNDVI分别为3种影像下的最高得分变量,多源融合估测森林生物量中GF2的GNDVI为最佳得分变量;(2)基于Boruta算法选择的变量构建RF、SVM、DT、GBM、k-NN算法以及对5个模型的Stacking集成算法,SUM的Stacking集成算法的估测效果最优,模型决定系数(R2)为0.73,均方根误差(RMSE)为28.46 t·hm^(-2),集成算法下的SUM的估测性能优于sentinel 2A、Landsat 8 OLI,GF2优于sentinel 2A,sentinel 2A的估测性能优于Landsat 8 OLI。研究结果说明在生物量遥感估测中高分辨率影像具有较好的估测效果,同时多源遥感协同估测、集成算法均可提高森林生物量遥感估测精度,可为森林生物量遥感估测提供参考和借鉴。

一种改进的星载GNSS-R森林生物量反演方法

基于Tau-Omega模型提出一种涉及地面土壤湿度修正的星载全球导航卫星系统反射测量(GNSS-R)森林地上生物量反演方法。选择SMAP卫星的土壤湿度作为辅助数据,运用Tau-Omega模型对旋风卫星导航系统(CYGNSS)反射率做出改正,提高建模参数的准确性。将SMAP卫星提供的植被光学深度(VOD)和地上植被生物量(AGB)地图作为生物量参考数据,比较了改正前后观测值与参考数据的相关性变化。结果表明,改正后相关系数提升明显,改正后参数较反射率与VOD的相关系数从0.54提升到了0.67,与AGB的相关系数从0.46提升到了0.56。随后通过人工神经网络分别基于改正后的参数和反射率建立GNSS-R VOD和AGB反演模型。结果表明,所提方法能够有效提高VOD和AGB的反演精度,且在生物量水平较低的地区改进效果更优。对于VOD反演,改进后相关系数从0.70提升到了0.83,RMES从0.21降低到了0.17;对于AGB反演,改进后相关系数从0.61提升到了0.71,RMES从74 t/hm^(2)降低到了65 t/hm^(2)。

Landsat时序数据估算森林生物量的研究进展

利用Landsat时序数据可以估测森林生物量及碳储量动态变化情况,为森林生物量、碳储量和气候变化研究提供更精确、更大尺度的反演基础。基于Landsat时间序列数据研究森林地上生物量的遥感估测方法,从数据处理、Landsat结合多源遥感数据估测生物量及模型构建3个方面进行总结和回顾,并提出研究建议与未来展望。

普洱市思茅区森林生物量分层抽样调查设计分析

生物量的准确评估对于林业资源管理与碳汇评估具有重要意义。以云南省思茅区为例,运用地统计学方法分析了该区生物量的空间分布特征,并比较了不同插值与抽样方法对生物量评估的影响。结果表明:思茅区生物量具有轻微的正空间自相关性,但空间异质性较强;普通克里金法的插值效果更好;与系统抽样相比,各种分层抽样方法可以显著提高抽样精度,其中以考虑优势树种的分层抽样效果最佳。指出了对具有空间异质性的生物量开展分层抽样,可以获得比传统方法更高的评估精度,合理选择分层变量对提高抽样精度至关重要。

森林生物量抽样设计中森林资源二类调查数据运用分析

森林生物量抽样设计的主要作用是通过抽样分析对森林生态情况进行具体的评估和判断,相关的评估结果可以应用于森林的生态保护方面。在森林生物量抽样设计中,森林资源二类调查,可以在较短的时间内完成森林较大范围的清查工作,切实保证森林资源管理清查管理的实际效果。本文将对森林生物量抽样设计中森林资源二类调查数据运用进行分析,具体阐述抽样设计的重要性和数据运用的策略。

基于超参数优化随机森林算法的森林生物量遥感反演

【目的】准确地估测森林地上生物量(above ground biomass,AGB)对大区域森林资源调查和管理至关重要,机器学习算法能实现森林AGB高精度估测,但超参数的设置能直接影响模型效果。为了提升模型的构建效率和预测精度,研究通过构建超参数优化的机器学习算法进行森林AGB估测,并比较不同超参数下的模型误差变化。【方法】以西藏自治区江达县天然林为研究对象,利用森林资源调查数据提取实测森林AGB数据,结合Sentinel-2多光谱影像提取遥感变量。采用逐步回归法和Boruta法分别进行遥感变量筛选,构建多元线性回归模型、支持向量机模型和随机森林模型进行森林AGB反演。此外,对支持向量机模型和随机森林模型进行超参数优化,以提高模型反演精度。【结果】1)随机森林模型在所有反演模型中实现了最佳的估测精度,模型决定系数达到了20.63,同时实现了最低的均方根误差和相对均方根误差,分别为28.06 t/hm和23.03%。均方根误差相比多元线性回归模型和支持向量机模型分别降低了22.2%和12.1%。2)超参数优化可以有效地提高模型估测精度。通过分析不同参数组合下的误差变化趋势,确定最佳的参数组合,能有效地降低模型估测误差。3)较高的森林AGB值主要分布在东部、南部和东南部地区,中部地区和北部部分地区森林AGB值较小。超参数优化的随机森林模型森林AGB反演结果与研究区实际森林分布情况具有较好的一致性,整体反演效果较好。【结论】利用超参数优化的随机森林模型结合Sentinel-2遥感影像能实现较好的森林AGB反演效果,能为森林资源动态监测提供有效参考。

应用双频合成孔径雷达(SAR)数据和干涉水云模型估算森林生物量

以河北省承德市塞罕坝机械林场为研究区域,应用哨兵1号(Sentinel-1A)C波段双极化数据和大地2号L波段全极化数据分别建立干涉水云模型(IWCM)估算森林地上生物量。结果表明:大地2号(ALOS-2)L波段全极化数据体散射比例为72%,二面角散射比例为4%;L波段HV极化和VH极化的估算结果较好,HV极化估算结果的决定系数(R^(2))为0.737,均方根误差(R_(MSE))为28.88 t/hm^(2);VH极化估算结果的决定系数(R^(2))为0.743,均方根误差(R_(MSE))为27.76 t/hm^(2);C+L波段的组合方式反演结果最优,决定系数(R^(2))为0.863,均方根误差(R_(MSE))为18.92 t/hm^(2)。采用干涉水云模型估算森林生物量,L波段合成孔径雷达(SAR)数据估算精度高于C波段估算精度,L波段SAR数据更适合进行森林生物量的估算;C波段和L波段SAR融合对森林生物量的估算精度显著提高。

黑龙江省东部山区森林生物量的时空变化分析

掌握森林生物量的时间变化特征和空间分布,有意于碳达峰、碳中和目标的实现,以及应对气候变化具有重要意义。本文分析了2013年至2021年黑龙江省东部山区森林生物量及其地形因子之间的关系。结果表明,研究区森林生物量多年均值为9.58 t,生物量增加区域要多于减少区域;高程在400 m左右的森林生物量占比最多,缓坡和北坡的生物量占比较高。

基于Landsat 8 OLI的云南元江流域森林生物量光学遥感估测及其饱和点分析

以云南省元江流域11种优势树种作为研究对象,基于森林资源二类调查数据和同期Landsat 8 OLI遥感影像,采用多元线性逐步回归和支持向量机回归的方法分别建立遥感生物量估测模型,进而反演流域森林生物量,同时确定光学遥感生物量饱和点阈值。结果表明:11种优势树种地上生物量遥感估测的光饱和值分别为云南松83 t/hm^(2)、思茅松79 t/hm^(2)、华山松125 t/hm^(2)、杉木68 t/hm^(2)、其他针叶树89 t/hm^(2)、桉树74 t/hm^(2)、橡胶66 t/hm^(2)、常绿阔叶117 t/hm^(2)、落叶阔叶56 t/hm^(2)、其他阔叶85 t/hm^(2)、其他乔木经济树55 t/hm^(2);支持向量机模型的平均相对误差绝对值和决定系数R^(2)均优于多元线性回归模型,支持向量机模型中11种优势树种平均残差均小于多元线性回归模型。研究结果可为提高元江流域森林生物量的估测精度提供参考。

不同波长极化SAR数据水云模型森林生物量反演对比分析

【目的】水云模型(WCM)是一种采用SAR数据反演森林地上生物量(AGB)应用较为广泛的半经验模型,探索将不同波长、极化方式、极化信息等引入WCM,以期为提高森林AGB反演精度提供科学依据。【方法】本文以X、C、L、P波段多频极化SAR数据为数据源,首先将各波长各极化后向散射系数用于WCM进行森林AGB反演,对比其反演精度;接着采用极化分解分量构建地体散射比参数,并将其引入WCM发展为极化水云模型(PolWCM),同时对比分析其在X、C、L、P波段森林AGB的反演结果。【结果】(1)在X、C、L、P 4个波段中,除X波段外,将HV极化后向散射系数代入WCM进行森林AGB反演,精度均高于基于其他极化通道后向散射系数的反演结果;且长波长(L和P)的反演精度高于短波长(X和C)的反演精度。在L波段,将HV极化后向散射系数代入WCM进行森林AGB反演,R2和RMSE分别为0.46和18.00 t/hm2;P波段HV极化反演结果的R2和RMSE分别为0.43和21.18 t/hm2。(2)将极化信息以地体散射比的形式引入WCM,PolWCM模型在X、C、L、P各个波段均可提高反演精度,反演结果的RMSE值分别为24.90、24.71、17.70和18.08 t/hm2。【结论】采用WCM进行森林AGB反演具有极化、波长依赖性,其中将L波段HV极化后向散射系数代入WCM进行森林AGB反演时精度最优;将极化信息以地体散射比的方式引入WCM,发展PolWCM,可以明显提高森林AGB的反演精度。

基于Landsat-8 Oli影像的珠三角森林生物量估测

【目的】森林生物量是评价森林质量的重要指标,也是研究碳循环的重要基础,准确估测珠三角森林生物量对珠三角国家森林城市群建设高质量提升具有重要指导意义。【方法】以珠三角国家森林城市群为研究区,通过Landsat-8 Oli影像、DEM影像和2017年森林资源连续清查数据,分别提取单波段因子、植被指数、纹理特征和地形因子,采用多元逐步回归方法和BP神经网络模型分别构建阔叶林、针叶林、针阔混交林生物量估测模型。【结果】1)针对阔叶林、针叶林、针阔混交林3种不同森林类型,BP神经网络的预测精度都优于多元逐步回归模型,用BP神经网络预测的决定系数R2相比于多元逐步回归有了一定的提高,阔叶林提高了0.10,针叶林提高了0.14,针阔混交林的R2提高的最为明显,提高了0.29。相对于多元逐步回归,BP神经网络的RMSE也有了一定程度的降低,阔叶林降低了5.32 t/hm^(2),针叶林降低了10.57 t/hm^(2),针阔混交林降低了0.28 t/hm^(2)。2)利用BP神经网络反演珠三角样地生物量,阔叶林为66.18 t/hm^(2),针叶林为61.88 t/hm^(2)、针阔混交林58.29 t/hm^(2),珠三角的乔木林平均生物量为64.46 t/hm^(2),总的生物量为1435.99 t,大部分地区森林生物量为40~80 t/hm^(2),低于全国平均水平。3)地上生物量较高的地区分别分布在肇庆北部、广州北部、惠州西北部和东莞等地区。【结论】Landsat-8 OLI可以很好地用于森林地上生物量的估算,BP神经网络模型的反演精度要优于多元逐步回归方法,森林地上生物量与龄组和树种有关,生物量高的地区以近熟林和成熟林为主,木荷、马尾松、栎类和针阔混交林等树种的生物量较高,桉树的生物量偏低。

森林生物量估算方法综述

作为陆地生态系统的主要组成部分,森林生态系统具有强大的固碳能力。森林生物量作为评价森林碳储存能力的一个重要指标,其估算方法一直是生态学研究的一个热点。本文介绍了几种经典的生物量估算方法,包括直接观测和间接估算法,总结了它们的研究趋势和存在的不足,同时指出了未来改进和完善的方向。在全球气候变暖的背景下,了解和掌握森林生物量估算方法的研究趋势、正视各类森林估算方法存在的不足,发展更加准确和可靠的森林生物量估算模型,可以为全球气候变化应对提供科学依据和政策支持。

火力楠人工林森林生物量和林分碳储量研究

火力楠是原生于我国南部、生长迅速、用途广泛的优良乔木树种。试验以生长10年的火力楠人工林为材料采集乔木各器官及乔灌草凋各层样本,采用相对生长法以胸径为变量与树木各器官结合,建立标准木主干、枝条、叶和根四种器官生物量的异速生长模型,通过换算干重比的方法估算生物量并加以比较;乘以对应的含碳系数换算成碳储量,再加和估算林分总碳储量。火力楠人工林乔木层生物量为21.60 t·hm^(-2);总森林生物量为25.96 t·hm^(-2);林分总碳储量为12.60 t·hm^(-2)。试验地火力楠人工林的郁闭度较大,林下植被较少,乔木层碳储量占比很高,反映出火力楠是较好的碳汇树种。

森林生物量模型综述

根据研究对象尺度不同将生物量模型分为单木生物量模型和大尺度森林生物量模型。分别介绍了这两类生物量模型的历史和现状,简要概括了生物量模型特点和存在的一些问题,并且对未来的发展趋势做了预测。

基于森林资源二类调查数据的森林生物量抽样设计对比研究

探究和对比不同抽样方法对森林生物量抽样调查中样地数量、样地布设及估算精度等方面的影响,优选适宜的抽样方案,在保证精度的前提下节省外业调查的工作量和成本。基于云南省大理市2016年森林资源二类调查小班数据,以森林起源、龄组、优势树种作为分层变量,在可靠性为95%、抽样精度为90%和85%的条件下,计算分层抽样所需的样本单元数,并与系统抽样进行比较分析;以分层抽样方法进行大理市森林地上生物量的抽样设计,将抽样结果与系统抽样方法进行比较分析。结果表明,抽样精度为90%时,分层抽样所需的样本单元数分别比系统抽样少21.91%、12.92%和45.51%;抽样精度为85%时,分层抽样所需的样本单元数分别比系统抽样少21.51%、12.66%和45.57%;在相同的抽样精度条件下,抽样单元数呈现起源>优势树种>龄组的变化趋势。按抽样精度90%,系统抽样估测的大理市森林地上总生物量为1 914.83万t,按起源、优势树种和龄组,其总生物量估测值分别为1 608.22万t、1 679.03万t、1 536.08万t。在可靠性和抽样精度相同时,实际抽样精度排序为起源>优势树种>龄组,其中,利用优势树种估测的森林地上总生物量为1 679.03万t,最接近实际值,按优势树种估测的抽样效果较好,抽样精度为96.63%。由于分层抽样具有样本数量少、抽样精度高的明显优势,可为区域森林生物量抽样调查和估测提供方法参考。

森林生物量的估算方法及其研究进展

总结分析生物量模型(包括相对生长关系和生物量-蓄积量模型)和生物量估算参数这2类常用的生物量估算方法,提出今后我国在森林生物量估算领域的研究重点:1)整合经验相对生长方程;2)系统研究生物量估算参数的规律性及其不确定性;3)构建以传统估算方法和3S技术相结合的生物量估算系统。

中国森林生物量的估算:对Fang等Science一文(Science,2001,291:2320～2322)的若干说明

Science杂志于 2 0 0 1年发表了方精云等人关于中国森林植被碳库及其变化的论文 (Fangetal.,2 0 0 1,2 91:2 32 0～ 2 32 2 )。该文利用大量的生物量实测数据 ,结合使用中国 5 0年来的森林资源清查资料及相关的统计资料 ,基于生物量换算因子连续函数法 ,研究了中国森林植被碳库及其时空变化。这是一个大时空尺度的工作 ,涉及一些大尺度生态学研究的原理、方法以及尺度转换问题。由于篇幅所限 ,论文并未详细说明这些问题。为了帮助理解大尺度生态学研究的方法和思路 ,本文给出了论文中涉及生物量计算的理论基础 ,对数据和计算方法等也进行了较为详细的说明。生物量换算因子的连续变化、区域森林生物量的计算方法以及由样地实测到区域推算的尺度转换构成该项研究的 3个主要的理论基础 ,其中换算因子的连续变化是关键。

基于机器学习森林生物量反演的哨兵数据精度对比

选取美国弗吉尼亚州东南部和北卡罗来纳州东北部的迪斯默尔沼泽作为研究区,基于Sentinel-1雷达数据和Sentinel-2光学数据,在对影像特征因子提取的基础上,采用随机森林构建生物量反演模型,对比分析了森林地上生物量反演精度。结果表明:基于Sentinel-2影像的随机森林模型的R~2、RMSE分别为:0.707、39.521 t/hm~2;基于Sentinel-1影像的随机森林模型R~2、RMSE分别为:0.601、38.536 t/hm~2。从整体来看,不同的变量参与到模型建模最终导致的精度各不相同,基于Sentinel-2影像建模的精度总体上高于基于Sentinel-1影像建模的精度。

利用TM数据提取粤西地区的森林生物量

通过样方调查获取森林材积 ,借助于 GPS技术为调查样方准确定位。通过研究针叶林和阔叶林材积与 Landsat TM数据各波段及 NDVI和 RVI等指数的相关性 ,筛选出估算针叶林和阔叶林材积的光谱因子。根据 TM数据 7个波段信息及其线形与非线形组合 ,应用逐步回归技术分别建立估算针叶林和阔叶林材积的最优光谱模型。进而研究了粤西及附近地区的森林生物量和森林覆盖。结果表明 :若不计少量云层及地形影响 ,粤西及附近地区的森林覆盖率约为 47.8%。西江干流以北地区的森林覆盖率明显高于西江以南 ,阔叶林主要分布在西江以北 ,西江以南主要为针叶林。粤西及附近地区的森林生物量多介于 2 3～ 45 1 t· hm- 2之间 ;在约 1 90 5 0 km2范围内 ,森林生物量共计 9.2 2× 1 0 7t左右。西江以北地区的森林生物量较高 ,西江以南的森林生物量较低。生物量 >40 0 t· hm- 2的森林主要分布在黑石顶自然保护区及附近、鼎湖山及附近、德庆东北部和广宁东部。

广州市森林生物量及碳储量评估

基于广州市森林资源二类调查数据和广东主要树种的木材密度和碳密度数据,采用IPCC方法对广州市森林生物量和碳储量进行评估,结果表明:广州市林业用地中森林生物量为1 610.53×104t,单位面积生物量为54.82 t/hm2,乔木林生物量为60.94 t/hm2,乔木林生物量占总生物量的84.28%;广州市林业用地中森林碳储量为792.60×104t,乔木林碳储量占85.63%;单位面积森林碳储量为26.98 t/hm2,乔木林生物量为30.47 t/hm2。森林生物量和碳储量主要依赖于森林蓄积量,因此,选择蓄积量大的树种造林,加强森林经营管理是提高森林生物量和碳储量以及城市森林功能的重要途径。