基于Landsat时间序列影像和AHTC算法的高山松地上生物量估测

【目的】为了提高高山松地上生物量估测的精度,开发一种滤波算法,减少Landsat时间序列数据的噪声。【方法】基于1987、1992、1997、2002、2007、2012、2017年国家森林资源连续清查固定样地的数据以及1987—2017年的Landsat时间序列影像,利用谷歌地球引擎(Google earth engine,GEE)以及Python,通过Land Trendr滤波、Savitzky-Golay滤波、Horn卷积以及基于空间卷积理论开发的自适应霍恩地形卷积(Adaptive horn topography convolution,AHTC)算法对Landsat时间序列数据进行滤波,应用随机森林回归算法(Random forest regression,R_(FR))构建香格里拉市高山松地上生物量估测模型,并选择最优估测模型对1987、1992、1997、2002、2007、2012、2017年高山松地上生物量进行反演制图。【结果】1)从图像的直接评价指标均方根误差(Root mean square error,RMSE)以及峰值信噪比(Peak signal-to-noise ratio,PSNR)来看,经过AHTC算法滤波后的图像质量最好;2)在使用R_(FR)方法的情况下,滤波后的数据均表现出比原始数据更高的估测精度;3)经过AHTC算法滤波后的时间序列数据对高山松地上生物量的估测效果最优,其决定系数R2为0.885、均方根误差RMSE为34.63 t/hm^(2)、预测精度P为60.75%、相对均方根误差r RMSE为43.59%;4)采用AHTC和R_(FR)方法反演结果分别为1 236万t(1987年)、1 155万t(1992年)、1 455万t(1997年)、1 330万t(2002年)、1 314万t(2007年)、1 345万t(2012年)、1 654万t(2017年)。【结论】使用AHTC滤波方法在一定程度消除了时间序列影像自身所携带的大量噪声和不确定性,有效地提高了时间序列影像的质量,同时也为提高高山松地上生物量遥感估测精度提供了一种新思路。

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。

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。