引入环境变量的香格里拉市高山松碳储量估测

森林碳储量是森林固碳能力的重要参考指标,准确估算森林碳储量对陆地碳循环具有重要意义。以香格里拉市1987—2017年Landsat TM/OLI遥感影像、森林资源连续清查数据和地形数据为主要数据源,利用Pearson相关性法、Spearman相关性法、Kendall’sτ相关性法、距离相关性法和决策树法筛选预测变量,并引入不同环境变量结合随机森林(RF)模型估测香格里拉市高山松碳储量。结果显示:(1)在不同方法筛选出的预测变量中,偏度、角二阶矩等纹理因子与高山松碳储量相关性最高;(2)通过决策树法筛选出的变量组合所构建的RF模型效果最优,其R^(2)为0.845,RMSE为10.076 t/hm^(2),rRMSE为29.254%,P为0.747;(3)引入环境变量后,精度都有不同程度提升,其中地表温度对模型精度的提升最高,其R^(2)提高了4.80%,RMSE降低了1.71 t/hm^(2),rRMSE降低了5.391%,P提高了6.60%;(4)1987—2017年,香格里拉市高山松碳储量时空变化较明显,高山松碳储量增加了651.266×10^(4)t。因此,不同的变量筛选方法会影响碳储量估测的准确性,同时引入环境变量能够提高模型估测精度,研究结果可为后续基于遥感的碳储量估测提供参考。

耦合多特征多时相的普洱市优势树种分类研究

利用遥感分类的方法可以快速识别普洱市的优势树种,进一步提升树种覆盖分类的精度,为该区域内森林监测提供参考依据。基于全球尺度遥感云计算平台(Google Earth Engine, GEE),融合经过大气、地形校正后的多时相Sentinel-2数据,识别树种的光谱信息,提取纹理、物候和地形等特征因子,并进行不同的组合,采用分层分类和随机森林(Random forest, RF)的方法对普洱市思茅松、茶树、栎类、橡胶和尾叶桉5个优势树种进行分类。结果表明,多时相影像结合多特征进行分类时地形特征在森林与非森林、针阔林、优势树种上的分类精度高于引入物候和纹理特征。森林与非森林分类的总体精度为99.5%(Kappa=0.98),用户精度和制图精度的调和平均值(F_1)为98.48%;针叶林与阔叶林分类总体精度为98.7%(Kappa=0.96),F_1为97.64%;优势树种分类总体精度为85.83%(Kappa=0.80),F_1为85.19%;优势树种主要分布于海拔1 300~1 700 m的西坡、西南坡和南坡方向的陡坡上。在多时相影像中提取多特征进行分类能够有效提高普洱市优势树种分类精度,可较为准确地提供大区域、高精度的森林覆盖分类图。

基于地统计模型的林分蓄积量空间异质性研究

基于云南省昭通市大关县天星镇林分二调数据,以林分蓄积量作为因变量,将郁闭度、平均胸径、平均海拔和坡度作为自变量,采用最小二乘法模型(OLS)和地理加权回归模型(GWR),对林分蓄积量的空间效应进行分析。结果表明:1)距离在6 075 m以内,林分蓄积量在总体上呈现出显著的空间自相关性,且随距离的增大自相关性逐渐减小最后趋于稳定;2)随着间隔距离的增加,基台值逐渐减小,块金值逐渐增加,在距离达到6 075 m时趋于稳定;3)平均胸径、郁闭度和平均海拔与林分蓄积量呈现出正相关性,而坡度与林分蓄积量具有负相关性;4)GWR模型的R2(0.73)和预测精度P(0.60)均大于OLS模型R2(0.34)和预测精度P(0.54)。林分蓄积量在空间尺度上具有异质性,且GWR模型能很好地描述林分蓄积量的空间异质性,采用合理的经营方式以促进林木胸径、郁闭度的生长,同时考虑海拔和坡度的影响,从而促进林分蓄积量的增长。