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。

西双版纳栎林和思茅松林地上生物量遥感估测

构建森林地上生物量(AGB)不同随机森林分层模型并进行反演,以探索提升遥感生物量估测精度的方法。以西双版纳栎林、思茅松林为研究对象,基于2016年森林资源二类调查数据与同期Landsat 8 OLI遥感影像数据,分析栎林、思茅松林的AGB和遥感变量间的相关性,根据分层理论分别构建坡向分层、龄组分层以及坡向龄组结合分层的随机森林模型,并对西双版纳栎林、思茅松林的AGB进行反演。结果显示:分层模型相较于无分层模型具有较高的估测精度,其中栎类林、思茅松林龄组分层模型相对于无分层模型分别在生物量段60~90 t/hm^(2)和90~120 t/hm^(2)表现更为优异,平均残差(ME)绝对值分别降低了4.025和0.781,平均相对残差(MRE)绝对值分别降低了5.387%和0.597%。因此,采用龄组分层可在一定程度上降低森林AGB遥感估测中低值高估和高值低估问题的影响。

基于Landsat 8 OLI的昆明市主要森林类型生物量遥感估测与反演

基于昆明市2016年森林资源规划设计调查数据与Landsat 8 OLI遥感影像对昆明市12种优势树种分别构建多元线性回归模型、BP神经网络模型和随机森林模型,并选择最优模型对昆明市12种森林类型进行地上生物量反演。结果表明:3种模型中,随机森林模型有着最好的估测效果,且其中杉木林的模型拟合精度最高R2adj为0.683,RMSE为12.68 t/hm^(2);线性逐步回归模型的拟合精度最低;当AGB小于50 t/hm^(2)和大于100 t/hm^(2)时,3个模型均分别出现不同程度的低值高估和高值低估,但随机森林模型的平均残差值的绝对值较低,在不同生物量段的估测误差相对较低;利用随机森林模型反演研究区森林AGB,反演精度为85.31%,该模型可以较好地反演昆明市森林地上生物量。

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。

森林二类调查中蓄积量遥感估测方法应用实例

探讨了用在ＴＭ数据中与地面对应的样点上测得的密度值和波段比，并加上定性因子与地面样地中分别测得的蓄积量进行多元回归，从而估测森林二类调查中所需的林业局、场、林班之蓄积量的方法。并与实测结果进行了对比，证明这一方法是可行的。为遥感在二类调查中的应用提供了必要依据。

福建武夷山自然保护区森林碳储量遥感估测方法与空间分析

以福建省武夷山国家级自然保护区为研究对象,以2003年24块固定样地数据、同年Landsat TM遥感数据为主要信息源,分别采用多元线性回归、K最邻近分类算法、人工神经网络、土地覆盖分类4种方法,对研究区域2003年的碳储量进行遥感估测。在此基础上,对森林碳密度进行地理加权回归及空间格局分析。研究表明:在4个模型中,人工神经网络的相关系数最高,标准误差、平均相对误差最低,预测精度最高;研究区不同功能分区碳密度差别不大,森林平均碳密度为52.40 t/hm2,碳储量为278.542 3万t;森林碳密度与所处位置的海拔、坡向负相关,与坡度、林地土壤水文状况、植物生长状况正相关;随着海拔的降低和人为干扰活动的增强,核心区、缓冲区、实验区森林碳密度的空间聚集性减弱,破碎化趋势增强。

基于随机森林模型的云南松天然林生物量遥感估测

云南松天然林是我国西南地区重要的森林资源。针对云南松天然林的遥感生物量估测模型研究将提高传统地面调查的工作效率,降低调查成本,具有重要意义。以云南省大理州的云南松天然林为研究对象,基于研究区第4次、第5次、第6次和第7次森林资源连续清查样地数据及同年的Landsat TM/ETM+卫星遥感影像,在建立云南松天然林单木生物量估测模型的基础上,研究并建立云南省大理州云南松天然林随机森林回归遥感估测模型。结果显示:随机森林回归遥感估测模型的决定系数(R^(2))不低于0.819,均方根误差(RMSE)不高于9.347 t/hm^(2),该模型的拟合效果较好;从模型的检验结果看,绝对平均相对误差(RMA)在35.9%以内,预估精度(P)在64.1%以上,表明该模型预估能力较为理想。该随机森林回归遥感估测模型可用于大理州云南松天然林生物量的估测研究,能够准确地反映云南松天然林80%以上的生物量变化信息,为今后云南松天然林生物量遥感估测提供理论基础。

县域尺度森林地上生物量遥感估测方法研究

以河南西峡县2013年Landsat 8影像及同期217块森林资源连续清查固定样地数据为信息源,以9个植被指数、3个地形指数为自变量,建立多元线性回归、决策与回归树、装袋算法、随机森林4种遥感估测模型;采用十折交叉验证,及相关系数、绝对误差、均方根误差、相对误差、相对均方根误差5个指标,对遥感估测模型进行精度评价,在此基础上,对研究区域2013年的森林地上部分生物量进行遥感估测和空间分析。结果表明：在4种遥感估测模型中,随机森林综合性能最高,装袋法次之,多元线性回归最低;在12个自变量中,地形（海拔、坡度）、土壤（亮度指数、湿度指数）、植被生长状况（垂直植被指数、有效叶面积指数）6个因子是影响研究区域森林地上部分生物量的重要环境变量;2013年,研究区域单位面积森林生物量为38.56 t/hm^2,其中低（〈40 t/hm^2）、中（40-60 t/hm^2）、高（〉60 t/hm^2）的面积分别占59.92%、24.30%、15.78%;研究区域森林地上部分生物量较高的区域,主要分布在交通不便、森林茂密、人类干扰活动较少的北部石质山区,而较低的区域,主要分布在交通发达,人口密度大,坡度较为平缓的南部鹳河谷地。

基于小班对象的森林蓄积量遥感估测模型合理性诊断

以四川省遂宁市安居区为研究区域,研究了基于小班对象的森林蓄积量遥感估测模型的构建与合理性诊断。首先论述了建立森林蓄积量模型所需的各种数据,包括定性、定量数据以及遥感影像的派生数据。其次采用最大膨胀因子法及残差平方和法对选取的60个小班样地数据进行最优变量的选择,最终TM2、TM5、TM7、TM4×37、有林地、郁闭度等6个变量成为估测模型的主要因子。再次选取24个样地数据并采用残差分析方法对构建的模型进行合理性诊断,诊断结果显示模型基本合理。最后选用岭迹法对其余36个样地进行模型构建。构建的模型所测蓄积量的相对误差达8.0%,可应用到生产实践当中。

森林高度遥感估测研究综述

在森林资源调查中,树高是最重要的测树因子之一。该文在总结森林高度地面测量方法的基础上,探讨基于遥感数据估算森林高度的方法,分别讨论各种方法的适用性及其不确定性,以为选择估算森林高度的方法提供参考。

基于ALOS数据的巨尾桉蓄积量遥感估测——以广西平南县为例

蓄积量是森林资源监测的一项重要指标,蓄积量遥感估测一直是林业遥感研究的重要内容。本文采用ALOS数据为遥感信息源,以广西自治区平南县优势树种巨尾桉为研究对象,分析选取影响巨尾桉蓄积量估测主要的遥感信息和地理信息因子,结合郁闭度实地调查因子,建立了巨尾桉蓄积量估测模型,模型精度达91.18%。

森林蓄积量定量遥感估测模型研究

采用印度遥感卫星数据,以云南省高黎贡山自然保护区阔叶林为主要研究对象,设置可能影响森林蓄积量估测的遥感信息因子和可通过GIS获取的因子为自变量,通过逐步回归分析的方法建立了研究区域阔叶林蓄积量估测模型。结合小班面积估测值,计算了各小班相应的蓄积量。

喀斯特山区草地地上生物量遥感估测

由于喀斯特山区地表破碎,环境异质性强,影像上混合像元现象严重,增加了草地地上生物量遥感估测的难度。以Landsat ETM+为数据源,将光谱混合分析技术应用于喀斯特山区草地地上生物量的遥感估测中,分析了基于线性混合分解模型分解的草地分量与实测草地地上生物量的相关关系,进而构建了喀斯特山区草地地上生物量估测模型为y赞=2 451.158x-280.461(r2=0.801 2),验证结果总体精度可达85%以上。基于光谱混合分析建立的草地地上生物量估测模型提高了喀斯特山区草地地上生物量遥感估测的精度,为喀斯特山区草地生长状况调查与监测提供了技术支持。

广西草地生物量遥感估测研究——以灌阳县为例

根据2012年草地资源调查数据库成果,结合2015年土地变更调查成果,基于遥感卫星影像(ZY1和Rapid Eye)提取灌阳县的植被指数,建立野外调查样本数据和归一化植被指数(NDVI)的线性回归分析模型,估测灌阳县2015年草地可食鲜草量为49862.75吨,测算灌阳县草地理论载畜量为38706个羊单位。灌阳县的草地生物量遥感估测研究,有助于初步摸清畜牧业发展潜力,调整和优化农业产业结构,推进广西草食动物的产业化进程,为广西草食动物产业发展"十三五"规划实施提供参考。

草地植物生物量的遥感估测法及其应用

草地植物生物量是反映草地生态系统中生物生产能力的基础指标。及时准确地测定各类草地的植物生物量及其动态变化,对于草地资源的科学管理和合理利用有着重要意义。遥感技术通过般空航天摄影获取地物光谱反射信息和地面调查测定草地植被、土壤、地貌、气候等因子的信息,经过图像处理,建立光谱信息与地物信息的相关关系,来了解草地牧草的长势.估测草地植物生物量。

基于混合效应模型的曲靖市云南松林地上生物量遥感估测

以曲靖市云南松林为研究对象,基于2016年曲靖市二类调查数据以及同时期Landsat 8 OLI遥感影像,利用随机选取的小班样地提取遥感因子统计值建立数据集,基于不同曲线拟合定量研究曲靖市云南松林生物量估测的光饱和值;并以线性逐步回归模型为基本模型,考虑区域和龄组随机效应建立云南松林生物量遥感估测模型,以期减小生物量遥感估测中光饱和引起的估测误差。结果表明:利用三次模型拟合研究区云南松生物量饱和值为167 t/ha;不同效应水平的混合模型的拟合精度均优于一般逐步回归模型。在独立性样本检验中混合效应模型的预估精度(91.556%)要高于一般逐步回归模型的预估精度(83.826%);从生物量分段残差检验结果与研究区生物量反演结果上看,混合效应模型相较于一般逐步回归模型有着更大的估测范围,在一定程度上能够解决高值低估和低值高估问题,减小光学遥感影像数据存在数据饱和的影响。

基于混合效应模型的迪庆云冷杉林地上生物量遥感估测

【目的】确定云冷杉林生物量光学遥感估测饱和值,探索提高生物量遥感估测精度。【方法】以云南省迪庆藏族自治州云冷杉林为研究对象,根据森林资源二类调查数据,结合同时期Landsat 8 OLI遥感影像,利用随机选取的小班样本数据提取遥感因子反射率统计值,并与生物量进行曲线拟合,求解云冷杉林生物量饱和值,建立云冷杉生物量回归估测模型、BP神经网络模型。同时基于回归模型构建考虑区域、龄组效应的单水平和嵌套两水平(区域+龄组)混合效应模型,反演研究区云冷杉林地上生物量。【结果】利用幂函数拟合得到迪庆藏族自治州云冷杉林生物量饱和值为233 t·hm^(-2);最优回归估测模型调整决定系数(Ra2)为0.606,高于BP神经网络模型的Ra2(0.542),各个效应水平混合模型的拟合精度与独立性检验指标均优于回归模型。考虑两水平的混合效应模型有最优的拟合精度,而考虑龄组效应水平的混合模型有最优的独立性检验指标。混合效应模型在低生物量段(<100 t·hm^(-2))和高生物量段(>233 t·hm^(-2))均显著降低了回归模型和BP神经网络模型的估测平均残差。【结论】混合效应模型有更宽的估测范围,在一定程度上减小低值高估与数据饱和造成的高值低估影响,提高了预估精度。

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。

LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数(LAI)是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。

遥感估测冬小麦种植面积

估测小麦种植面积是测产的一项重要内容,运用卫星遥感技术测算农作物种植面积是未来面积估算的发展方向.本文通过大样方试验,第一次建立了气象卫星遥感绿度值与绿度信息的两个主要构成因素(麦土比、叶面积系数)的直接经验统计关系.