森林地上生物量遥感估算方法

生物量是林业和生态应用研究的重要信息,森林生态系统地上生物量估算的遥感技术引起了国内外学者的广泛关注。总结与探讨不同数据源与估算方法能够为森林地上生物量的估算提供指导。本文首先总结并探讨单传感器遥感数据,包括光学遥感、合成孔径雷达与激光雷达数据在森林地上生物量估算中的应用,以及协同使用多源遥感数据估算森林地上生物量的优势;然后论述森林地上生物量估算的传统模型估算法与机器学习估算方法(决策树法、K最近邻法、人工神经网络、支持向量机、最大熵)。多源遥感数据集成能够结合不同数据的优势,能够为森林地上生物量估算提供丰富的特征信息,结合机器学习估算方法,是提高森林地上生物量估算的准确性的发展趋势。

面向机载高光谱数据的3D-CNN亚热带森林树种分类

【目的】探讨深度卷积神经网络在机载高光谱数据分类中的应用,以提高亚热带地区森林树种分类精度。【方法】以广西南宁高峰林场为试验区,基于中国林业科学研究院LiCHy系统获取的机载高光谱数据,以三维卷积层为基础,提出一种高效的卷积神经网络(CNN)结构。CNN模型以端到端方式处理高光谱影像分析问题,将原始数据作为输入,不需要降维或特征筛选,可省去传统分类方法在不同程度上人工筛选特征的工作;网络中3D卷积层可同时提取光谱特征和空间特征,学习特征立方体空间和光谱维度的局部信号变化,利用重要的识别特征进行分类,以提高对高光谱影像的判别能力。针对机载高光谱数据维度高、训练样本相对较少的问题,对模型进行优化,以避免过拟合。【结果】相较传统的特征筛选与面向对象分割结合的方法,本研究提出的3D-CNN结构森林树种总体分类精度达98.38%,Kappa系数为0.98,与随机森林特征选择结合支持向量机分类相比,总体精度提高8.82%,Kappa系数提高0.11;小样本训练情况下(减少75%训练样本),总体精度仍可达95.89%,Kappa系数为0.94。【结论】三维卷积神经网络在处理机载高光谱影像特征提取和分类问题时能够充分利用影像中的丰富信息,实现高精度区分亚热带森林树种;合理的网络结构以及训练策略(加入Dropout)能够极大提高网络训练速度,并在小样本训练时仍能得到很好的结果,可实现高效、准确的森林树种分类。

用机载LiDAR点云数据估测海南博鳌人工经济林单木参数

激光雷达是目前发展迅速的一种主动遥感技术,其发射的激光脉冲能穿透树林冠层,实现森林三维结构特征的获取。为验证机载激光扫描器提取森林单木参数的可行性,该研究以海南省博鳌机场周边人工林为研究对象,使用机载激光扫描器Mapper5000(中国)获取的点云数据,探索对人工经济林单木参数估测的可行性。根据研究区的地形和林木结构特征,分别对槟榔和橡胶2个树种进行单木参数提取,使用K-means分层聚类对不同样地的林木进行单木分割,提取样地内单木树高、冠幅、胸径、材积和地上生物量。结果表明,2个树种的单木分割正检率均在85%以上,总体平均正检率在89.98%以上;单木树高、冠幅、胸径、材积、地上生物量估测结果的决定系数均达到0.8以上,说明该点云数据对提高森林参数估测精度有积极作用,机载激光雷达技术在森林资源精细调查中有较大的应用潜力,同时也可应用于相关果树生长情况监测,为数字果园的发展提供技术支撑。