【摘要】：森林生物多樣性的豐富程度是森林生態(tài)系統(tǒng)重要指標(biāo),對森林生物多樣性的保護不僅有利于保護人類賴以生存的生態(tài)系統(tǒng),同時也有利于人與自然和諧發(fā)展。近年來國內(nèi)外利用遙感技術(shù)進行森林生物多樣性的估算已經(jīng)成為了重要的方法,該技術(shù)不僅可以全天候、實時、動態(tài)與無損壞地實現(xiàn)信息的定時和定量收集,而且有效的避免了人為因素干擾,這為林業(yè)部門進行森林生物多樣性量化評價、制圖及保護決策規(guī)劃提供了更為準(zhǔn)確的信息支撐。隨著遙感新型傳感器的發(fā)展,飛機搭載傳感器獲得的機載高光譜影像數(shù)據(jù)在森林生物多樣性遙感估測方面發(fā)揮著巨大的潛力。本文以浙江省衢州市的古田山自然保護區(qū)為研究基地,以森林喬木樹種為研究對象,基于地面實測樣地計算得到森林喬木樹種多樣性指數(shù),包括物種的豐富度指數(shù),Shannon-Wiener指數(shù)、Plieou均勻度指數(shù)以及Simpson指數(shù)。結(jié)合機載高光譜影像數(shù)據(jù),從高光譜遙感影像中提取相關(guān)的遙感特征因子,包括主成分分析后的第一、第二和第三主成分以及主成分分析后的紋理特征、窄波段植被指數(shù)。由于提取的遙感因子較多,特征之間存在的相關(guān)性,本文以隨機森林迭代特征選擇的方法高效的選擇出了對回歸建模貢獻大的特征因子。文中比較分析了多元線性回歸(MLR)、隨機森林(RF)、支持向量回歸(SVR)三種模型對森林喬木樹種多樣性的遙感估測能力,并結(jié)合十折交叉驗證的方法對模型的估測精度做了驗證,得到以下幾個結(jié)論:(1)從對高光譜影像的主成分分析結(jié)果來看,此方法有效的避免了波段信息之間的冗余,使圖像的信息得到了增強。同時從參與多樣性指數(shù)的遙感特征變量重要度排名來看,主成分分析后的第一主成分與四種多樣性指數(shù)之間存在較強的相關(guān)性,說明第一主成分包含的樹種信息較為豐富。(2)基于隨機森林迭代特征選擇的方法可以有效的從冗余的變量中篩選出對回歸建模影響大的特征因子。在回歸模型建模過程中,若直接將所有的特征因子加入回歸模型中,則不僅減慢了模型的運算速度,還會導(dǎo)致模型對訓(xùn)練樣本數(shù)據(jù)擬合效果好,但對驗證樣本數(shù)據(jù)應(yīng)用效果差的現(xiàn)象,從而會對模型的預(yù)測結(jié)果和估測精度帶來影響。由于本文提取的特征因子較多,因此對特征變量進行有效的篩選是十份有必要的,基于隨機森林迭代特征法所選擇出的特征變量組合,既有效避免了因子選擇的隨意性,又保證了參與建模的特征因子與構(gòu)建的模型有很大相關(guān)性。(3)基于三種數(shù)學(xué)模型分別構(gòu)建森林喬木樹種多樣性與遙感特征因子之間的回歸模型,就估測精度而言,物種豐富度指數(shù)(RF模型:R~2=0.65,RMSE=2.58;SVR模型:R~2=0.56,RMSE=2.70;MLR模型:R~2=0.44,RMSE=3.42);Shannon-Wiener指數(shù)(RF模型:R~2=0.40,RMSE=0.53;SVR模型:R~2=0.54,RMSE=0.59;MLR模型:R~2=0.43,RMSE=0.65);Simpson指數(shù)(RF模型:R~2=0.61,RMSE=0.052;SVR模型:R~2=0.55,RMSE=0.059;MLR模型:R~2=0.41,RMSE=0.072);Pielou指數(shù)(RF模型:R~2=0.63,RMSE=0.054;SVR模型:R~2=0.57,RMSE=0.063;MLR模型:R~2=0.33,RMSE=0.081)。相較于MLR和SVR模型,RF模型的精度有所提升,RF模型估測精度顯著優(yōu)于MLRM和SVR方法的估測精度,RF模型對四種多樣性指數(shù)的估測精度比MLR和SVR模型分別提高了21%和9%、17%和6%、20%和6%、30%和6%。尤其對物種豐富度指數(shù)的估測精度明顯高于另外兩種模型的模型,預(yù)測效果最好。因此RF模型估測能力最強且最為穩(wěn)定;其次預(yù)估精度效果較好是SVR模型。(4)從反演的效果來看,三種模型都會存在高多樣性指數(shù)低估和低多樣性指數(shù)高估的現(xiàn)象,其中RF模型反演效果最好,泛化能力較強,高值低估,低值高估的問題程度最輕;SVR模型次之;MLR模型出現(xiàn)該現(xiàn)象的程度較重,模型的泛化能力不強。因此基于RF模型可以很好的用來反演研究區(qū)森林喬木樹種的物種多樣性。
【圖文】：

3 研究區(qū)概況3.1 地理位置本研究以古田山自然保護區(qū)為研究對象，，它坐落于浙江省衢州市開化縣蘇莊村境內(nèi)與江西省婺源縣、德興市毗鄰，地理坐標(biāo)為位于 118°03′56.25″E-118°10′56.51″E,29°10′32.12″N-29°17′44.33″N，研究區(qū)的總面積為 8107hm2。研究區(qū)的位置如圖3-2所示：

24圖 4-1 森林喬木樹種多樣性遙感估測技術(shù)路線圖Fig.4-1 Workflow of Forest arbor species diversity by remote sensing estimation
【學(xué)位授予單位】：安徽農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：S718.5;S771.8

【參考文獻】

相關(guān)期刊論文 前10條

1 張夢迪;;主成分分析在遙感圖像處理中的應(yīng)用[J];電子技術(shù)與軟件工程;2015年22期

2 楊靜;王瑞波;李濟洪;;一種均衡的RHS交叉驗證[J];南京大學(xué)學(xué)報(自然科學(xué));2015年04期

3 穆喜云;張秋良;劉清旺;龐勇;胡凱龍;;基于激光雷達的大興安嶺典型森林生物量制圖技術(shù)研究[J];遙感技術(shù)與應(yīng)用;2015年02期

4 張偉閣;楊遼;曹良中;賈洋;;基于Three Factor+C模型改進的地形輻射校正方法[J];國土資源遙感;2015年02期

5 鄧宏兼;李衛(wèi)忠;曹鑄;王慶;王廣儒;;基于不同取樣尺度的油松針闊混交林物種多樣性[J];浙江農(nóng)林大學(xué)學(xué)報;2015年01期

6 尤號田;邢艷秋;冉慧;王蕊;霍達;;基于LiDAR點云能量信息的樟子松郁閉度反演方法[J];北京林業(yè)大學(xué)學(xué)報;2014年06期

7 王云飛;龐勇;舒清態(tài);;基于隨機森林算法的橡膠林地上生物量遙感反演研究——以景洪市為例[J];西南林業(yè)大學(xué)學(xué)報;2013年06期

8 李欣海;;隨機森林模型在分類與回歸分析中的應(yīng)用[J];應(yīng)用昆蟲學(xué)報;2013年04期

9 劉麗娟;龐勇;范文義;李增元;張登榮;李明澤;;機載LiDAR和高光譜融合實現(xiàn)溫帶天然林樹種識別[J];遙感學(xué)報;2013年03期

10 凌飛龍;李增元;陳爾學(xué);黃燕平;田昕;SCHMULLIUS Christina;LEITERER Reik;REICHE Johannes;SANTORO Maurizio;;Envisat ASAR的區(qū)域森林——非森林制圖[J];遙感學(xué)報;2012年05期

相關(guān)博士學(xué)位論文 前3條

1 劉魯霞;基于多源遙感數(shù)據(jù)亞熱帶森林喬木物種多樣性估測研究[D];中國林業(yè)科學(xué)研究院;2017年

2 史熒中;耦合的支持向量學(xué)習(xí)方法及應(yīng)用研究[D];江南大學(xué);2016年

3 岳彩榮;香格里拉縣森林生物量遙感估測研究[D];北京林業(yè)大學(xué);2012年

相關(guān)碩士學(xué)位論文 前5條

1 王宇恒;推薦系統(tǒng)中隨機森林算法的優(yōu)化與應(yīng)用[D];浙江大學(xué);2016年

2 楊蕾;多維輸出支持向量回歸機若干研究及應(yīng)用[D];南京郵電大學(xué);2014年

3 李丹丹;北京市森林生物量遙感反演模型研究[D];北京林業(yè)大學(xué);2013年

4 王全才;隨機森林特征選擇[D];大連理工大學(xué);2011年

5 梁大雙;森林植物多樣性遙感監(jiān)測應(yīng)用研究[D];北京林業(yè)大學(xué);2011年

本文編號：2662526