葉面積指數(shù)（Leaf Area Index,LAI）是評(píng)價(jià)植物生長(zhǎng)發(fā)育和健康狀況的重要指標(biāo)�？焖�、準(zhǔn)確地獲取植被葉面積指數(shù)是評(píng)估荒漠化區(qū)域植被生長(zhǎng)狀況和固碳能力的重要前提�；哪瘏^(qū)域植被稀疏、地域廣袤,傳統(tǒng)人工調(diào)查獲取葉面積指數(shù)的方式費(fèi)時(shí)耗力;遙感影像結(jié)合地面調(diào)查樣地構(gòu)建葉面積指數(shù)反演模型可以彌補(bǔ)傳統(tǒng)調(diào)查方式的不足。變量篩選方法和反演模型的選擇是葉面積指數(shù)遙感反演的關(guān)鍵。因此,選擇合適的特征變量篩選方法,對(duì)現(xiàn)有遙感反演模型進(jìn)行改進(jìn),提高模型的估計(jì)精度和工作效率,對(duì)荒漠化區(qū)域葉面積指數(shù)遙感反演具有重要意義。研究以張掖市甘州區(qū)為研究區(qū),利用分層隨機(jī)抽樣得到455個(gè)大小為30m×30m的樣地,利用葉面積指數(shù)地面實(shí)測(cè)數(shù)據(jù),結(jié)合Landsat 8 OLI遙感影像提取影像特征變量,采用線性逐步回歸法和隨機(jī)森林法進(jìn)行特征變量篩選。研究提出隨機(jī)森林優(yōu)化kNN模型對(duì)傳統(tǒng)的葉面積指數(shù)反演方法進(jìn)行改進(jìn),利用兩種特征變量篩選方法得到的變量組合分別構(gòu)建反演模型對(duì)葉面積指數(shù)進(jìn)行估測(cè)和空間分布制圖。為了驗(yàn)證優(yōu)化方法的有效性,同時(shí)構(gòu)建多元線性逐步回歸（Multiple linear stepwise regressi... 

【文章來(lái)源】：中南林業(yè)科技大學(xué)湖南省

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景
    1.2 研究目的與意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 傳統(tǒng)葉面積指數(shù)估測(cè)研究進(jìn)展
        1.3.2 葉面積指數(shù)遙感估測(cè)研究進(jìn)展
        1.3.3 存在的問(wèn)題
    1.4 課題來(lái)源
    1.5 研究方案與技術(shù)路線
        1.5.1 研究?jī)?nèi)容
        1.5.2 技術(shù)路線
2 研究區(qū)概況
3 數(shù)據(jù)獲取與處理
    3.1 遙感影像獲取與影像預(yù)處理
        3.1.1 Landsat 8影像獲取
        3.1.2 Landsat 8影像預(yù)處理
    3.2 抽樣設(shè)計(jì)與樣地?cái)?shù)據(jù)采集
        3.2.1 抽樣設(shè)計(jì)
        3.2.2 樣地?cái)?shù)據(jù)采集
        3.2.3 樣地?cái)?shù)據(jù)處理
4 葉面積指數(shù)建模變量提取及篩選
    4.1 特征變量提取
    4.2 相關(guān)性分析
    4.3 特征變量選擇
        4.3.1 線性逐步回歸法
        4.3.2 隨機(jī)森林法
    4.4 模型精度評(píng)價(jià)指標(biāo)
    4.5 小結(jié)
5 荒漠化區(qū)域植被葉面積指數(shù)非參數(shù)反演模型
    5.1 非參數(shù)反演模型
        5.1.1 支持向量機(jī)模型
        5.1.2 隨機(jī)森林模型
        5.1.3 普通kNN模型
    5.2 非參數(shù)反演模型結(jié)果比較
        5.2.1 模型精度比較
        5.2.2 空間分布評(píng)價(jià)
    5.3 小結(jié)
6 荒漠化區(qū)域植被葉面積指數(shù)非參數(shù)優(yōu)化反演模型
    6.1 非參數(shù)反演優(yōu)化模型
        6.1.1 距離加權(quán)kNN模型
        6.1.2 隨機(jī)森林優(yōu)化kNN模型
    6.2 非參數(shù)反演優(yōu)化模型結(jié)果比較
        6.2.1 模型精度比較
        6.2.2 空間分布評(píng)價(jià)
    6.3 隨機(jī)森林優(yōu)化kNN模型適用性評(píng)價(jià)
    6.4 小結(jié)
7 結(jié)論與討論
    7.1 結(jié)論
    7.2 創(chuàng)新點(diǎn)
    7.3 討論
參考文獻(xiàn)
附錄 攻讀學(xué)位期間的主要學(xué)術(shù)成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]融合多光譜與SAR影像的地物分類(lèi)研究[J]. 李雪欣,馬保東,張嵩,陳玉騰,吳立新.  測(cè)繪與空間地理信息. 2019(12)
[2]干旱區(qū)Landsat8全色與多光譜數(shù)據(jù)融合算法評(píng)價(jià)[J]. 楊麗萍,馬孟,謝巍,潘雪萍.  國(guó)土資源遙感. 2019(04)
[3]衛(wèi)星遙感及圖像處理平臺(tái)發(fā)展[J]. 趙忠明,高連如,陳東,岳安志,陳靜波,劉東升,楊健,孟瑜.  中國(guó)圖象圖形學(xué)報(bào). 2019(12)
[4]2000―2018年黃河源植被葉面積指數(shù)時(shí)空變化特征[J]. 韓思淇,麻澤龍,莊文化,魯恒,劉鐵剛,申軍.  灌溉排水學(xué)報(bào). 2019(12)
[5]中國(guó)區(qū)域MuSyQ葉面積指數(shù)產(chǎn)品驗(yàn)證與分析[J]. 馬培培,李靜,柳欽火,何彬彬,趙靜.  遙感學(xué)報(bào). 2019(06)
[6]甘肅河西地區(qū)荒漠化土地光譜特征研究[J]. 魏懷東,李亞,張勃,李菁菁,丁峰,陳芳.  光譜學(xué)與光譜分析. 2019(11)
[7]中國(guó)海洋衛(wèi)星遙感技術(shù)進(jìn)展[J]. 林明森,何賢強(qiáng),賈永君,白雁,葉小敏,龔芳.  海洋學(xué)報(bào). 2019(10)
[8]基于方差優(yōu)化k最近鄰法的森林蓄積量估測(cè)[J]. 蔣馥根,孫華,ZHAO Feng,林輝,龍江平.  森林與環(huán)境學(xué)報(bào). 2019(05)
[9]中高分辨率遙感影像在林業(yè)中的應(yīng)用現(xiàn)狀及存在的問(wèn)題[J]. 陳柏海.  河南農(nóng)業(yè). 2019(26)
[10]基于Sentinel-2多光譜數(shù)據(jù)的棉花葉面積指數(shù)估算[J]. 易秋香.  農(nóng)業(yè)工程學(xué)報(bào). 2019(16)

碩士論文
[1]基于葉面積指數(shù)的內(nèi)蒙古四子王旗荒漠草原植被動(dòng)態(tài)分析[D]. 王雅鑫.內(nèi)蒙古師范大學(xué) 2019
[2]“3S”技術(shù)在森林資源二類(lèi)調(diào)查中的應(yīng)用[D]. 胡衛(wèi)東.中南林業(yè)科技大學(xué) 2018
[3]基于機(jī)載LiDAR和多光譜遙感的作物L(fēng)AI反演方法研究[D]. 陳洪.石河子大學(xué) 2018
[4]基于無(wú)人機(jī)多光譜遙感的玉米葉面積指數(shù)監(jiān)測(cè)方法研究[D]. 王亞杰.西北農(nóng)林科技大學(xué) 2018
[5]基于機(jī)載LiDAR反演森林參數(shù)的研究[D]. 霍達(dá).東北林業(yè)大學(xué) 2015
[6]葉面積指數(shù)反演方法的普適性研究[D]. 謝巧云.安徽大學(xué) 2014
[7]基于激光雷達(dá)和合成孔徑雷達(dá)資料的森林參數(shù)反演研究[D]. 別強(qiáng).蘭州大學(xué) 2013



本文編號(hào)：3163219