本文關(guān)鍵詞：森林地上生物量遙感估測(cè)方法研究

  更多相關(guān)文章： 機(jī)載激光雷達(dá) 冠層高度模型 森林地上生物量 逐步回歸 支持向量回歸 隨機(jī)森林 最大熵模型

【摘要】：森林生物量是表征森林生態(tài)系統(tǒng)功能與森林生態(tài)價(jià)值的基本參數(shù),同時(shí)也是研究森林碳儲(chǔ)量與全球碳循環(huán)的核心部分。實(shí)現(xiàn)森林生物量高精確地遙感估測(cè),對(duì)掌握區(qū)域乃至全球碳儲(chǔ)量具有重要研究意義。傳統(tǒng)生物量估測(cè)外業(yè)周期長(zhǎng),只能獲取點(diǎn)上的實(shí)測(cè)數(shù)據(jù)且對(duì)森林的破壞性較大。遙感作為有效的技術(shù)手段,發(fā)揮了其獲取大尺度空間連續(xù)性數(shù)據(jù)的優(yōu)勢(shì)�；诠鈱W(xué)遙感數(shù)據(jù)的遙感估測(cè)研究起步較早,研究覆蓋面較廣,可以獲取森林水平結(jié)構(gòu)信息,對(duì)森林垂直結(jié)構(gòu)信息的獲取能力較弱,而且光譜信號(hào)易飽和且穿透性較差。激光雷達(dá)技術(shù)的興起,以其獲取高精度的森林垂直結(jié)構(gòu)信息為優(yōu)勢(shì),在林業(yè)研究應(yīng)用領(lǐng)域迅速發(fā)展。森林生物量的估測(cè)方法包含傳統(tǒng)的參數(shù)化方法和非參數(shù)化的機(jī)器學(xué)習(xí)算法。傳統(tǒng)的參數(shù)化方法各參數(shù)意義明確,模型可見(jiàn),而非參數(shù)的估測(cè)算法,直接輸出模型運(yùn)算結(jié)果,存在暗箱操作的問(wèn)題,但基于傳統(tǒng)參數(shù)化的方法很難滿足森林生物量與遙感特征因子間的非線性關(guān)系。因此,發(fā)展了非參數(shù)化的機(jī)器學(xué)習(xí)算法,滿足森林生物量遙感估測(cè)的需求。本文以內(nèi)蒙古根河市大興安嶺生態(tài)站為研究區(qū),以具有典型區(qū)域代表性的寒溫帶興安落葉松原始林及其次生林為研究對(duì)象。利用小光斑機(jī)載激光雷達(dá)LiDAR數(shù)據(jù)、Landsat-TM5數(shù)據(jù)和HJ1B-CCD2數(shù)據(jù),對(duì)森林冠層高度、森林郁閉度和森林地上生物量進(jìn)行估測(cè)。實(shí)現(xiàn)了基于不同實(shí)測(cè)樹高算法的樹高模型構(gòu)建,并生成研究區(qū)森林高度空間分布制圖。同時(shí)基于LiDAR數(shù)據(jù)提取點(diǎn)云密度變量,對(duì)森林郁閉度進(jìn)行模型構(gòu)建、實(shí)現(xiàn)研究區(qū)森林郁閉度空間分布制圖。聯(lián)合LiDAR數(shù)據(jù)的森林高度和森林郁閉度分布圖,結(jié)合光學(xué)遙感數(shù)據(jù)采用多元逐步回歸法,隨機(jī)森林算法、支持向量回歸算法和最大熵模型法對(duì)森林地上生物量進(jìn)行遙感估測(cè)。充分發(fā)揮不同數(shù)據(jù)源的遙感因子特性,選擇最適于研究區(qū)森林地上生物量的建模方法,取得的主要結(jié)論如下：(1)LiDAR 50%分位高與樣地實(shí)測(cè)樹高具有較強(qiáng)的顯著相關(guān)性,對(duì)實(shí)測(cè)樹高的變異解釋能力最強(qiáng)。LiDAR點(diǎn)云50%分位高與樣地實(shí)測(cè)Lorey's高的模型擬合效果最優(yōu),R2為0.869,RMSE為1.36m,平均估測(cè)精度為94.73%�；陔p正切角樹冠識(shí)別算法的LiDAR冠幅面積加權(quán)高與樣地實(shí)測(cè)Lorey's高的模型擬合效果略低于LiDAR點(diǎn)云50%分位高的模型擬合結(jié)果。其中,混交林的估測(cè)精度高于針葉林。(2) LiDAR點(diǎn)云的平均密度變量對(duì)森林郁閉度的總體代表性較好,模型擬合R2為0.784,RMSE為0.077,獨(dú)立驗(yàn)證平均估測(cè)精度為88.29%,混交林的平均估測(cè)精度高于針葉林。(3)森林AGB模型的研究表明：利用多元逐步回歸的估測(cè)結(jié)果,LiDAR數(shù)據(jù)的森林AGB模型的估測(cè)精度最高,訓(xùn)練R2為0.69,驗(yàn)證RMSE為23.09 t.hm-2,平均估測(cè)精度為82.51%。加入樹高和郁閉度因子后,TM數(shù)據(jù)和HJ星數(shù)據(jù)的森林AGB模型的估測(cè)精度均有所提高,其中HJ星數(shù)據(jù)的模型估測(cè)精度提高效果較顯著。利用隨機(jī)森林回歸算法的估測(cè)結(jié)果,LiDAR數(shù)據(jù)的森林AGB模型的估測(cè)精度最高,訓(xùn)練R2為0.835,RMSE為18.264 t.hm-2,驗(yàn)證RMSE為20.138 t.hm-2,平均估測(cè)精度為91.359%。加入樹高和郁閉度因子后,TM數(shù)據(jù)和HJ星數(shù)據(jù)的估測(cè)精度均提高。利用SVR回歸算法的估測(cè)結(jié)果,LiDAR數(shù)據(jù)模型訓(xùn)練R2為0.854,RMSE為17.557 t.hm-2,驗(yàn)證RMSE為19.004 t.hm-2,平均估測(cè)精度為80.374%。加入樹高和郁閉度因子后,TM數(shù)據(jù)和HJ星數(shù)據(jù)的森林AGB模型估測(cè)精度均提高,其中TM數(shù)據(jù)的估測(cè)精度高于HJ星數(shù)據(jù)的估測(cè)結(jié)果。最大熵模型算法的估測(cè)結(jié)果,LiDAR數(shù)據(jù)的森林AGB模型的估測(cè)精度最高,其次為TM數(shù)據(jù)、HJ星數(shù)據(jù)。聯(lián)合TM數(shù)據(jù)和HJ數(shù)據(jù)同時(shí)加入樹高和郁閉度因子的森林AGB模型估測(cè)精度優(yōu)于其他變量組合條件下的模型估測(cè)結(jié)果。加入樹高因子和郁閉度因子后,模型的估測(cè)精度均提高。其中,樹高因子對(duì)模型的精度改善效果較顯著,郁閉度因子對(duì)森林AGB模型估測(cè)精度的影響較小,改善效果不顯著。(4)隨機(jī)森林特征選擇和Libsvm的fselect特征選擇算法均能提高模型估測(cè)精度。其中,隨機(jī)森林特征選擇算法對(duì)森林AGB模型估測(cè)精度提高效果較顯著。(5) LiDAR數(shù)據(jù)在4種遙感估測(cè)方法中,均具有很好的數(shù)學(xué)對(duì)應(yīng)關(guān)系,估測(cè)結(jié)果穩(wěn)定均優(yōu)于其他遙感數(shù)據(jù)的估測(cè)結(jié)果。隨機(jī)森林回歸算法針對(duì)不同遙感數(shù)據(jù)的模型訓(xùn)練效果最好。SVM算法對(duì)小樣本數(shù)據(jù)的處理能力較強(qiáng)。最大熵模型算法,對(duì)生物量高值的估測(cè)結(jié)果穩(wěn)定性較好,平均估測(cè)精度高于80%。
【學(xué)位授予單位】：內(nèi)蒙古農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：S771.8

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 蔡學(xué)成;楊永彰;;基于中巴資源衛(wèi)星數(shù)據(jù)的森林郁閉度估測(cè)研究[J];安徽農(nóng)業(yè)科學(xué);2007年34期

2 譚炳香;李增元;陳爾學(xué);龐勇;雷淵才;;Hyperion高光譜數(shù)據(jù)森林郁閉度定量估測(cè)研究[J];北京林業(yè)大學(xué)學(xué)報(bào);2006年03期

3 劉清旺;李增元;陳爾學(xué);龐勇;武紅敢;;利用機(jī)載激光雷達(dá)數(shù)據(jù)提取單株木樹高和樹冠[J];北京林業(yè)大學(xué)學(xué)報(bào);2008年06期

4 楊洪曉,吳波,張金屯,林德榮,常順利;森林生態(tài)系統(tǒng)的固碳功能和碳儲(chǔ)量研究進(jìn)展[J];北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年02期

5 金麗芳;徐希孺;張猛;;內(nèi)蒙古典型草原地帶牧草產(chǎn)量估算的光譜模型[J];中國(guó)草原與牧草;1986年02期

6 國(guó)慶喜,張鋒;基于遙感信息估測(cè)森林的生物量[J];東北林業(yè)大學(xué)學(xué)報(bào);2003年02期

7 李崇貴;蔡體久;;森林郁閉度對(duì)蓄積量估測(cè)的影響規(guī)律[J];東北林業(yè)大學(xué)學(xué)報(bào);2006年01期

8 徐新良;曹明奎;李克讓;;中國(guó)森林生態(tài)系統(tǒng)植被碳儲(chǔ)量時(shí)空動(dòng)態(tài)變化研究[J];地理科學(xué)進(jìn)展;2007年06期

9 何祺勝;陳爾學(xué);曹春香;劉清旺;龐勇;;基于LIDAR數(shù)據(jù)的森林參數(shù)反演方法研究[J];地球科學(xué)進(jìn)展;2009年07期

10 邢素麗,張廣錄,劉慧濤,王道波;基于Landsat ETM數(shù)據(jù)的落葉松林生物量估算模式[J];福建林學(xué)院學(xué)報(bào);2004年02期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 戚鵬程;基于GIS的隴西黃土高原落葉闊葉林潛在分布及潛在凈初級(jí)生產(chǎn)力的模擬研究[D];蘭州大學(xué);2009年

2 李明澤;東北林區(qū)森林生物量遙感估算及分析[D];東北林業(yè)大學(xué);2010年

3 湯旭光;基于激光雷達(dá)與多光譜遙感數(shù)據(jù)的森林地上生物量反演研究[D];中國(guó)科學(xué)院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所);2013年

，

本文編號(hào)：1300036