GIS支持下的林业遥感蓄积估测技术

遥感图像光谱信息 ,具有良好的综合性和现势性 ,与森林蓄积之间存在内在的联系。详细介绍了基于GIS(地理信息系统 )支持下的遥感图像信息的提取方法和遥感蓄积估测模型建立的系列技术。

多源数据支持下的森林资源规划设计调查蓄积量估测分析

以广东省清远市清新区内某针阔混交林为研究区,基于Sentinel-1和Sentinel-2遥感数据,结合地面实测数据,构建了蓄积量估测模型。研究结果表明:使用Sentinel-1数据+Sentinel-2数据为数据源,以距离相关系数法筛选的特征,采用随机森林模型构建的蓄积量估测模型精度最高,相对均方根误差RRMSE为0.2217,决策系数R^(2)为0.61,模型拟合效果良好;预测的蓄积量集中分布在300~400 m^(3)/hm^(2),与实际值进行配对t检验,结果表明预测值和实际值之间不存在显著差异(t=0.001,P=0.999>0.01),进一步证明了模型的可靠性。

基于ENVISAT ASAR数据的森林蓄积量估测研究

以东北大兴安岭地区的图强林业局作为试验区,基于统计方法对多时相ENVISAT ASAR数据进行森林蓄积量估测研究,分别选取HH、HV及HV/HH值分析森林蓄积量与SAR后向散射系数之间的关系;根据其散点图形状进行方程拟合及优选,完成蓄积量的估测。利用独立的检验样本对估测结果进行评价,均方根误差(RMSE)为16.526 m3/hm2,与实际情况基本相符。

基于光学和微波遥感数据的森林蓄积量估测模型研究

【目的】探讨综合光学遥感和微波遥感的多源数据森林蓄积量反演方法。【方法】以L波段ALOS PALSAR全极化数据和Landsat TM为数据源,结合地面调查样地数据,通过ALOS PALSAR提取不同极化状态的后向散射系数和极化比值等极化特征因子,Landsat TM数据提取光学遥感因子,以多元线性回归构建森林蓄积量模型。【结果】光学遥感反演方法、微波遥感反演方法、综合光学遥感和微波遥感的多源数据反演方法均可以实现森林蓄积量估测,其中,基于多源数据协同的反演模型为最优模型,决定系数R^2为0.674,模型检验均方根误差RMSE为13.38 m^3/hm^2。【结论】要比使用一种数据源的反演方法具有明显的优势,有效实现了森林蓄积量估测。

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。

基于RS的闽江流域马尾松林分蓄积量估测模型研究

从福建省第5次森林资源一类调查落在闽江流域的样地中抽取马尾松林样地130个,以RS可提取因子及样地林分立地条件因子为可选变量,利用3倍标准差法进行异常数据的筛选,对林分立地条件定性因子进行数量化处理,通过逐步回归构建闽江流域马尾松林分蓄积量估测模型,研究结果所构建的蓄积量估测模型的相关系数为0.735。经模外抽取30个样地对估测模型适用性检验和精度验证表明,在可靠性α=0.01条件下模型估测值与外业实测值无显著差异,模型的林分蓄积量估测精度达85.03%,为此,本研究的蓄积量估测模型对森林经营管理具有现实意义。

基于多阶抽样的林地蓄积量估测方法——以三峡库区为例

利用多阶抽样与实地调查技术相结合的方法,对三峡库区的林地蓄积量进行估测,并分析这种方法的抽样精度。结果表明:基于多阶抽样的林地蓄积量监测方法所估测的活立木蓄积量,与三峡库区一、二类清查数据进行误差分析,总体精度分别达到99.52%、94.19%,估计精度为87.16%,这种估测方法具有较好的总体精度和稳定性。

基于RS和GIS的径向基神经网络模型对森林蓄积量的估测

以塞罕坝机械林场的华北落叶松林为研究对象,利用SPOT5影像,基于RS和GIS确定蓄积量主要影响因子,即海拔、坡向、郁闭度、SP1、SP3、SPl/2、SP1-2/1+2、SP2*3/1,选取径向基神经网络模型中的广义回归神经网络模型对其蓄积量进行估测。结果表明:对林分蓄积量估测的最高精度为98.70%,最低精度为68.56%,预估检验的所有样地的平均精度为87.24%。利用径向基GRNN模型建立森林蓄积量估测模型对蓄积量进行估测时,效率高,计算方法比较简洁,易于操作。

基于k-NN方法和GF遥感影像的森林蓄积量估测

综合利用黑龙江省某林业局的一类样地调查资料、GF-1号卫星影像、数字高程(DEM)模型以及土地利用类型图,采用k-近邻(k-nearest neighbor,k-NN)法进行森林蓄积量估测研究,分析k-NN方法及GF-1卫星数据在森林资源调查与监测中的应用效果。为对比k-NN方法的估测精度,对相同试验数据也进行了最小二乘估计和稳健估计建模。采用GF-1号16 m分辨率的多光谱数据,在林业局级尺度上分别应用这3种方法进行森林蓄积量建模估测,生成了监测区域森林蓄积量分布图并统计得到监测区域总的蓄积量值。将3种方法估测结果与二类调查实测结果进行比较,k-NN方法估测精度达到97.3%,略优于传统的最小二乘估计和稳健估计建模估测精度。因k-NN方法不受Gauss-Markov假设限制,且能有效克服建模变量间的复共线性问题,研究成果可用于县/林业局级尺度的森林蓄积量估测,且国产GF-1卫星影像能有效应用于森林资源监测。

用岭估计估测以分类为前提的森林蓄积量

为克服自变量间多重相关性对森林蓄积量估测的不利影响,采用岭估计建立估测模型。在确定岭参数时,分别试验了岭迹法、方差扩大因子法、Hoerl-Kennard法和预测残差平方和法,对不同地类分别建立蓄积量估测方程。根据建模样地的蓄积量拟合残差和预报样地的蓄积量估测偏差分别计算中误差,利用残差中误差(^δR)和预报偏差中误差(^δF)构造评价函数0.5(^δR+^δF),并测度岭参数的优劣,进而确定监测区域的估测模型。结果表明:当影响蓄积量估测的自变量间存在复共线性时,分类建立模型的精度明显优于统一建模的精度。

基于偏最小二乘回归模型的高山松蓄积量遥感估测

以Landsat 8影像为遥感数据源,以遥感因子、GIS因子、林分因子、郁闭度等为自变量,在前期野外样地调查的基础上,采用偏最小二乘法(PLS),建立香格里拉县高山松蓄积量遥感估测模型。试验结果表明,郁闭度对香格里拉县高山松蓄积量估测的影响极其显著,第5、6波段对其影响较为显著;运用偏最小二乘法建立的样地蓄积量估测模型,调整决定系数R2为0.777 5,均方根误差RMSE为36.90 m3/hm2,总预报偏差的相对误差RE为23.18%,模型精度为73.08%。以像元为单位提取高山松林所对应的自变量因子,利用估测模型得到研究区高山松林总蓄积量为1 372.406万m3。

基于SVM方法的高山松林蓄积量遥感估测研究

以香格里拉县高山松为研究对象,利用2006年香格里拉县TM遥感影像、2006年森林资源二类调查小班数据、2009年精度为30 m的DEM数据以及2013年香格里拉县高山松实测样地数据,提取研究区内高山松林影像分布图及筛选出17个因子(13个遥感因子、3个地形因子、1个地面调查因子)作为备选自变量,在MATLAB下利用LIBSVM模块建立研究区高山松林蓄积量单位面积(30 m×30 m)估测模型。结果表明,选用RBF核函数在参数范围内寻找出SVM模型的最佳参数C=3.580 9,g=0.1、p=0.01,利用最佳寻优参数建立SVM非参数模型,对SVM模型进行测试得到,均方根误差MSE=0.008 7,复相关系数R=0.51,相对误差RE=23.4%,估测精度为76.6%。以像元为单位,分块提取高山松林对应的各像元自变量因子,利用估测模型预测得到香格里拉县高山松林总蓄积量为13 318 476.5 m3。

喀斯特山区森林蓄积量的合成孔径雷达遥感估测研究

喀斯特山区是我国西南地区的一种特殊而脆弱的生态景观。由于阴云多雨,喀斯特山区的森林光学遥感数据不易及时获取,影响该生态系统森林资源的调查。合成孔径雷达(SAR)估测技术利用雷达穿透能力强,可穿过云雾直达林冠,其微波与冠叶和枝干发生作用,具有全天候的观测能力,因此非常适合云雾多雨山区森林蓄量的定量评估。本研究选取贵州省惠水县喀斯特山区为试验区,应用SAR数据和森林资源地面数据,建立回归参数模型,估测该试验区的森林蓄量,并对此方法的结果进行精度分析,以期为贵州喀斯特山地生态系统森林资源的高效管理和可持续发展提供依据。

六株木测树法估测人工杉木林蓄积量的研究

以湖南省攸县黄丰桥林场杉木树种为研究对象,采用随机抽样方法布设样地110块,其中杉木有效观测样地97块.以距样地中心位置最近的6株木为对象,观测每株杉木的胸径、树高及最远杉木到样地中心的距离,以计算这6株杉木样圆的覆盖面积来估测样地蓄积量,并将估测结果与角规测树法进行对比分析.结果表明,在95%的可靠性下,平均胸径估测精度为90%,平均树高估测精度为88%,蓄积量估测精度达89%,估测结果与角规测树法所得结果十分接近,表明利用六株木法估测杉木蓄积量具有较好的效果.

基于Landsat影像数据的香格里拉市优势树种蓄积量估测模型构建

以香格里拉市优势树种高山栎、高山松、云冷杉及云南松为研究对象,构建基于遥感的森林蓄积量估测模型。采用2006年和2016年的Landsat TM/OLI影像及二类调查数据,随机从每期数据中各选取100个小班,提取其影响因子,利用相关性强的因子构建RF模型和MLR模型。结果表明,2006年各树种蓄积量RF模型的拟合R2在0.779~0.862范围,预测精度P值为80.17%~92.16%;2016年RF模型的拟合R2为0.761~0.865,预测精度P值为81.61%~95.53%。建立MLR模型后,2006年树种蓄积量估测模型的拟合R2为0.214~0.336,预测精度P值为34.12%~47.16%;2016年模型的拟合R2为0.238~0.391,预测精度P值为34.82%~52.57%。估测结果与二类调查数据的误差为:高山栎、高山松、云冷杉、云南松分别增加了8.54×105m3、3.65×106m3、4.12×106m3、3.96×104m3,误差分别为0.36%、0.78%、0.44%、0.62%。对比二种模型估测结果表明,随机森林模型能更精确地估测优势树种蓄积量。

基于3S技术和SPSS软件的香格里拉市森林蓄积量估测探析

以香格里拉市的森林作为研究对象,森林资源规划设计调查角规控制样地蓄积量为实测数据参照,美国Landsat8卫星遥感图像为矢量数据来源,通过对遥感图像进行处理,获取了多光谱影像的波段光谱值,运用SPSS软件以组合植被指数(DVI、RVI、ARVI)、归一化植被指数(NDVI)、多波段线性组合指数(VIS123)为自变量,建立了蓄积量估测模型,探索了将纹理特征应用到森林蓄积量估测提供新的途径和方法。从结果与验证可以看出:利用Landsat8全色波段的纹理特征建模进行蓄积量估测是可行的,能够达到对蓄积量估测的精度要求,具有良好的应用前景。

机载激光雷达数据估测森林资源蓄积量研究

针对传统森林资源二类调查方法周期长且费时费力,难以满足新形势下森林资源动态监测需求的问题,以南京市六合区内3个林场为研究区,利用平均点密度1点/m^(2)的激光雷达数据提取特征变量,结合二类调查数据,使用SMLR与Boruta两种算法进行因子筛选,对比SMLR,SVM与RF这3种建模方法,估测森林蓄积量。结果表明:1)高度因子是影响森林蓄积量的主要特征参数;2)SVM和RF这算法在模型拟合与验证精度方面均表现较优,SVM算法在混交林方面表现略逊色于RF这算法,SMLR方法表现不佳。结果表明,利用激光雷达提取因子与森林蓄积量进行建模有较好的结果,稀疏性机载激光雷达对森林资源调查有较好的适用性,为今后森林资源调查提供了新的思路。

森林资源设计调查中蓄积量遥控估测方法应用

森林资源规划设计调查的目的是查清某一地区内的森林资源的种类、数量、质量的变化,从而进行细致的森利资源分析,为指定区域国民经济的发展规划以及林业发展规划提供数据依据,因此探索一种科学准确的方法就显得尤为必要。蓄积量遥控估测方法,是在综合运用RS、GIS和GPS技术,结合少量地面调查样地资料,建立森林蓄积量估测方程来估测森林蓄积量,以期最大限度地减轻地面调查工作量,已成为森林资源调查领域关注的热点问题。

无人机测绘技术在森林资源蓄积量研究估测中的应用

为提升对森林资源的估测精度,制定合理的森林营林策略,本文以湖北省武汉市九峰国家森林公园的部分森林区域为研究区,对无人机测绘技术在森林资源蓄积量研究估测中的应用展开研究。首先从无人机要求、无人机参数设置、无人机搭载相机要求和无人机飞行控制程序4个方面说明无人机绘测技术;然后从无人机绘测图片拼接、图片滤波去噪、测绘图像坐标转换3个方面说明无人机探测图像数据处理方法;最后从株数因子提取、树高因子提取、建立调查因子与蓄积量回归模型和精度估算4个方面说明森林资源蓄积量估测方法。估测结果显示,研究区蓄积量估算精度为64.4%,整体蓄积量估算精度为85.0%,满足森林资源蓄积量估测精度,但株数因子提取环节存在部分漏检或多检情况,导致估算精度有所下降,需进一步完善株数因子提取环节的数学模型精度。

株距法的森林蓄积量抽样技术

模拟株距法是取消样地边界,以抽取少量样木组成样本,可以估测林分单位面积的森林蓄积量。经过全林实测的验证是具有效率高、精度可靠、适应性强的森林蓄积量抽样技术。