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。

基于3S技术的山东省森林蓄积量估测

借助SPSS统计软件和ERDAS IMAGINE9.0/ArcGIS9.2的建模及空间分析工具,采用TM影像和1∶100000地形图作为数据源,从TM影像提取野外GPS采样点缓冲区内6个波段的灰度值及其线性和非线性组合等遥感因子,从地形图提取海拔、坡度、坡向等GIS因子,以各遥感因子和GIS因子作为自变量,以GPS野外调查样点缓冲区内的蓄积量作为因变量建立多元线性回归模型。样本数据筛选采用标准差法,因子变量筛选采用主成分因子分析法、多元线性回归的逐步回归和强行进入法等方法,建立的多元回归模型预测总体精度达到87.35%。用2006年山东省TM影像提取的有林地掩膜模型中各因子变量灰度图,得到各因子变量的掩膜图层。将各因子变量的掩膜图层代入多元回归模型进行复合运算,得到有林地蓄积量灰度图像。经蓄积量灰度图像属性表统计得到山东省的有林地总蓄积量为6203.53万m3,为快速、准确地对大面积的森林蓄积量估测提供一种有效的途径和方法。

利用TM影像和偏最小二乘回归方法估测三峡库区森林蓄积量

为进一步提高遥感模型预测森林蓄积量的精度和稳定性,分析了遥感特征因子、地形特征因子、郁闭度与森林蓄积量之间的相关关系。在此基础上,利用偏最小二乘回归方法构建了森林蓄积量遥感预测模型,生成了三峡库区森林蓄积量空间等级分布图,并与地面实测值进行比较。结果表明:该模型的最佳主成分数为3,且郁闭度、海拔、坡度、TM1、TM2、TM3、TM4、TM5、TM7、NDVI、RVI、TM7/TM3、TM4×TM3/TM2、亮度和湿度为预测森林蓄积量的入选变量;森林蓄积量预测的调整决定系数为0.524,相对误差为7.33%,均方根误差为1.763m3;利用该模型计算出三峡库区森林总蓄积量约为1.12亿m3,总体预测精度达到89.58%。研究结果为提高森林蓄积量遥感预测的精度提供了一种有效手段,有利于大面积应用和推广。

结合影像光谱与地形因子的森林蓄积量估测模型

以资源三号卫星遥感图像为数据源,以内蒙古旺业甸林场为研究区域,通过外业调查获取的样地蓄积量真实值,对资源三号影像进行处理,获得对应样地的波段光谱值、光谱组合值及地形因子信息,应用多元回归分析,分别建立阔叶林和针叶林蓄积量估测模型。实验结果表明:蓄积量估测模型相关系数阔叶林为0.815,针叶林为0.761,说明资源三号卫星影像的光谱值、光谱组合值及地形因子与蓄积量具有较强的相关性,同时利用检验数据,得出模型的预估精度,其中阔叶林为85.3%,针叶林为91.9%,预估精度较高,研究表明利用资源三号卫星影像进行森林蓄积量估测具有很好的应用前景。

结合纹理因子和地形因子的森林蓄积量多光谱估测模型

森林蓄积量是林分调查中重要因子,是评价森林数量和质量的重要指标。传统森林蓄积量实测方法耗时费力、效率低下,多元线性回归遥感反演方法精度较低,难以达到精准林业要求。机器学习是一种利用训练数据,进行自我改进、自动提升性能的方法,可以任意逼近非线性系统,提高模型预测精度。以鹫峰林场森林为研究对象,综合考虑影像光谱因子、纹理因子、地形因子,采用机器学习中的BP神经网络、最小二乘支持向量机、随机森林方法构建了森林蓄积量多光谱估测模型BP-FSV,LSSVM-FSV和RF-FSV,并在Matlab2014a中编程实现。旨在从建模因子选择和模型方法建立两个方面,优化建模因子特征提取,提高森林蓄积量模型预测精度。以角规观测样地实测数据、森林小班二类调查数据、林相图数据为基础,使用以上三种模型结合Landsat8OLI多光谱数据分林型进行了森林蓄积量反演建模预测。以决定系数R2和均方根误差RMSE为指标,分析了三种反演模型的训练能力和预测能力。研究结果表明:利用3种机器学习方法构建的结合光谱因子、地形因子、纹理因子反演模型能够提高森林蓄积量的预测精度。以上模型中,RF-FSV模型在针、阔、混三种林型中都表现出较强的预测能力,高于BP-FSV模型,高于或接近于LSSVM-FSV模型。RF-FSV模型在训练阶段,R2和RMSE针叶林中为0.839和13.953 3,阔叶林中为0.924和7.634 1,混交林中为0.902和12.153 9,预测阶段R2和RMSE在针叶林中为0.816和15.630 1,阔叶林中为0.913和4.890 2,混交林中为0.865和9.344 1。RF-FSV模型建模精度和预测精度较高,为森林蓄积量遥感反演估测提供了一种新的方法。

无人机航测技术在森林蓄积量估测中的应用

无人机(UAV)航测技术是近年来发展起来的快速获取高分辨率影像的测绘新技术。森林蓄积量估算需要快速高效地获取森林遥感影像。虽然利用卫星和机载雷达同样可获取高分辨率遥感影像,但无人机航测技术与其相比具有飞行成本低、外业周期短、机动灵活等优点。本文利用无人机航测系统获取了案例地区DSM和DEM,采用最大邻域法提取了树高,采用分水岭算法分割了树冠信息,并以树高和冠幅作为解释变量的立木材积二元模型估算了森林蓄积量。结果表明,树高提取精度为83.73%,冠幅提取精度为86.98%,林分蓄积量估算精度为81.80%。

基于遥感、地理信息系统和人工神经网络的呼中林区森林蓄积量估测

利用遥感图像光谱信息良好的综合性和现势性以及地理信息系统(GIS)强大的空间分析功能,结合人工神经网络(ANN)可优化求解非线性复杂系统的功能,对呼中林区森林蓄积量进行了估测.结果表明:中红外波段与森林蓄积量间存在明显的负相关关系,说明中红外波段对估测森林蓄积量具有一定潜力;可见光波段和光谱变换第一主成分与森林蓄积量间也存在负相关关系;地形因子中海拔对研究区森林蓄积量的影响最大,坡度和坡向对蓄积量的影响较小.基于最佳的ANN网络参数、适当的GIS提取信息和遥感波段,呼中林区森林蓄积量的预测值和实测值的相关系数达0.973,经主成分变换后,数据量被有效降低,而预测精度只有少量下降(R2=0.934).

森林蓄积量遥感定量估测研究综述

论述森林蓄积量的概念和发展历史,介绍森林蓄积量定量估测的常规方法,以及近年出现的新蓄积量定量估测方法,如遥感方法、基于遥感技术的神经网络模型方法,并阐述了森林蓄积量遥感定量估测方法的发展趋势。

基于偏最小二乘法的平南县森林蓄积量估测模型研究

以平南县两景CBERS—02B影像为遥感数据源,提取CBERS—02B影像5个波段、植被指数的灰度值;利用研究区1∶10 000地形图提取海拔、坡度、坡向等GIS因子;以各遥感因子和GIS因子为自变量,研究区样地蓄积量为因变量,采用偏最小二乘法建立了森林蓄积量估测模型。结果表明:(1)CBERS—02B遥感影像5个波段,植被指数,郁闭度、海拔高、坡向、坡度等与蓄积量相关性不显著,且各因子之间存在明显的多重相关性;(2)运用偏最小二乘法建立的森林蓄积量估测模型,精度为85.44%,相对误差仅为-0.232%。研究结果为科学、准确、高效地估测森林蓄积量提供了理论依据和有效方法。

基于不同立地质量的森林蓄积量遥感估测

森林蓄积量遥感估测在森林资源管理中具有十分重要的意义。以建德市为研究区,利用2007年TM遥感影像和2007年森林资源2类调查数据,对杉木树种分立地质量等级和不分地位等级2种类型建立蓄积量的遥感估测模型,并进行精度检验。其中立地质量等级依据小班平均高和平均年龄建立的地位级表划分为好、中、差3种类型,以每个小班的总蓄积量为因变量,小班各单个遥感因子信息总量为自变量。结果表明:以TM遥感影像主成分分析中第1主成分为自变量的模型拟合效果最好,相关系数R均在0.67以上,最高为0.868;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90.31%,分立地质量等级好、中、差3种类型总体的估测精度分别为96.1%、97.24%、95.56%,分立地质量类型建模的精度明显优于统一建模的精度。研究结果为森林蓄积量遥感估测提供一种改进的思路,且为提高森林生物量和碳储量遥感估测精度提供一种参考方法。

基于资源三号影像的森林蓄积量估测遥感因子选择

以内蒙古旺业甸林场为研究区域,以资源三号(ZY-3)卫星遥感图像为数据源,通过对影像进行处理,获取对应样地的波段光谱值、光谱组合值及地形因子信息等遥感因子。基于对各遥感因子的信息量分析、多重相关性危害分析及应用残差平方和的方法对遥感因子进行筛选,实验结果表明:ZY-3影像提取的12个遥感因子中,单波段因子中ZY3的信息量最大,波段组合中ZY(2-3)/ZY4的信息量最大,地形因子中高程的信息量最大,ZY-3的波段、波段组合和地形因子间存在多重相关性,去掉ZY(2-3)/(2+3)和坡度因子后,多重相关性的危害大大降低,可以满足进一步建立蓄积量遥感反演模型要求。

估测森林蓄积量的遥感因子选择研究

为提高森林蓄积量的估测精度,选择多重相关性小的遥感因子组合,运用残差平方和法,对湖南省新化县曹家镇20个一类调查样地对应的SPOT5影像的9个遥感因子组合进行了多重相关性研究。结果表明:除遥感因子FSP2外,其余因子对森林蓄积量的估测都有重要作用。通过方差扩大因子对各遥感因子的多重相关性诊断表明:剔除FSP2后,各遥感因子间的多重相关性大幅减小。