基于TM数据的森林植物碳储量估测方法研究

以广东省第六次森林资源连续清查样地数据为基础,根据TM数据及其非线性组合的光谱信息,结合地学信息及林分信息,建立了森林植物碳储量估测的多元线性回归方程及神经网络模型。分析结果表明,神经网络模型的估测精度高于回归模型估测精度,但用它们估测落实到样地的森林植物碳储量误差仍然较大,还不能满足样地调查精度的要求。

基于植被指数和神经网络的热带人工林地上蓄积量遥感估测

热带森林作为陆地生态系统的组成成分之一,研究其蓄积量估测对我们了解其在全球碳循环中的地位和作用有很重要的意义。但遥感估测森林生态参数的精度如何,还是个不确定的问题。利用LANDSAT-TM数据,基于森林清查数据和遥感技术,以尾叶桉和加勒比松为例,对中国南方地区人工林蓄积量估测进行了尝试研究。首先,通过测量样方胸径、树高,建立森林蓄积量估算模型。其次,通过对比分析不同植被指数与森林蓄积量之间的关系,选择合适植被指数组合,建立多元回归和神经网络模型。结果表明:单波段TM数据和大多数植被指数与蓄积量相关性并不好。神经网络比回归分析模拟效果好。而多元回归和神经网络模型大大提高预测精度。本研究方法对大面积的森林蓄积量估测具有一定的参考价值。

联合星载ICESat-GLAS波形与多光谱Landsat-TM影像的森林郁闭度估测

森林郁闭度的空间分布是评价森林生产力和分解率的一个重要指标.本研究以吉林汪清林区为研究区,分别利用星载激光雷达ICESat-GLAS波形数据和多光谱遥感Landsat-TM影像对该区的森林郁闭度进行估测,然后采用多元线性回归和BP神经网络两种方法对GLAS数据和TM数据进行联合,共同估测了森林郁闭度.结果表明:单一遥感数据估测森林郁闭度时,GLAS数据的模型决定系数为0.762,TM数据的模型决定系数为0.598.将GLAS数据和TM数据联合后估测森林郁闭度时,多元线性回归模型的复决定系数为0.841,BP神经网络模型的仿真精度为0.851.表明ICESat-GLAS数据与Landsat-TM影像联合能够发挥多源遥感数据的优势,提高森林郁闭度的估测精度,并为后续的空间区域内森林郁闭度的连续制图提供可靠的方法.