森林生物量是衡量森林生態(tài)系統(tǒng)生產(chǎn)力的重要指標,在闡釋全球碳循環(huán)機制、應對全球氣候變化以及生態(tài)系統(tǒng)等研究中具有重要作用。傳統(tǒng)的森林生物量估測以高密度的樣地調(diào)查為基礎,通過構建異速生長模型來實現(xiàn),具有原理簡單、適用性強、估測精度高等優(yōu)勢,但需要耗費大量的人力物力,對森林生態(tài)系統(tǒng)的干擾較大,難以實現(xiàn)長期、宏觀的森林生物量動態(tài)監(jiān)測。遙感技術因其在應對各類復雜地表、大范圍、長時間跨度等方面所表現(xiàn)出的超強連續(xù)探測及提取能力,展現(xiàn)出不可替代的優(yōu)勢,在森林生物量估測領域有諸多成功的案例。然而,單一的遙感手段在實際應用中存在著一定的局限性,如光學遙感數(shù)據(jù)易飽和造成生物量估測精度不高;微波雷達數(shù)據(jù)源較少且易受地形起伏因素干擾;激光雷達離散的屬性以及機載激光雷達較高的成本,導致其難以實現(xiàn)大范圍的連續(xù)監(jiān)測。因此,研究如何克服單一遙感手段的不足,綜合運用天空地一體化對地觀測手段,解決多源遙感信息一體化、快速和綜合處理等關鍵技術,實現(xiàn)多尺度、快速、準確地獲取森林生物量,具有十分重要的意義。本研究以黑龍江省長白落葉松人工林為研究對象,以基于機載Li DAR的生物量反演模型為媒介,有機地銜接了地面調(diào)查與光學遙感數(shù)據(jù),... 

【文章來源】：中國林業(yè)科學研究院北京市

【文章頁數(shù)】：159 頁

【學位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢
        1.2.1 基于光學遙感的生物量估算
        1.2.2 基于微波雷達的生物量估算
        1.2.3 基于激光雷達的生物量估算
        1.2.4 基于多源遙感數(shù)據(jù)的生物量聯(lián)合估算
        1.2.5 機器學習研究現(xiàn)狀與發(fā)展趨勢
    1.3 研究目標與主要內(nèi)容
        1.3.1 關鍵的科學問題與研究目標
        1.3.2 研究主要內(nèi)容
    1.4 技術路線
第二章 研究區(qū)與數(shù)據(jù)
    2.1 研究區(qū)概況
        2.1.1 孟家崗林場概況
        2.1.2 林口林業(yè)局概況
    2.2 數(shù)據(jù)獲取
        2.2.1 樣地與解析木數(shù)據(jù)獲取
        2.2.2 航空遙感數(shù)據(jù)獲取
        2.2.3 衛(wèi)星遙感數(shù)據(jù)獲取
    2.3 數(shù)據(jù)預處理與參數(shù)提取
        2.3.1 LiDAR數(shù)據(jù)
        2.3.2 GF-1數(shù)據(jù)
    2.4 小結
第三章 落葉松相容性生物量模型構建
    3.1 方法
        3.1.1 生物量基礎模型
        3.1.2 相容性生物量模型
        3.1.3 模型評價
    3.2 結果與分析
    3.3 討論
    3.4 小結
第四章 基于LiDAR的落葉松生物量反演模型構建
    4.1 研究方法
        4.1.1 多元線性回歸
        4.1.2 隨機森林回歸
        4.1.3 模型評價
    4.2 結果與分析
        4.2.1 MLR模型結果與驗證
        4.2.2 RF模型結果與驗證
        4.2.3 模型的比較與評價
        4.2.4 模型的調(diào)試與優(yōu)化
    4.3 討論
    4.4 小結
第五章 基于GF-1的落葉松生物量外推模型構建
    5.1 研究方法
        5.1.1 落葉松分布信息提取
        5.1.2 生物量外推模型構建
        5.1.3 生物量模型的外推驗證
    5.2 結果與分析
        5.2.1 落葉松分布信息提取
        5.2.2 RF外推模型結果與驗證
        5.2.3 LSTM外推模型結果與驗證
        5.2.4 模型的比較與評價
        5.2.5 模型的調(diào)試與優(yōu)化
        5.2.6 模型的外推結果與評價
    5.3 討論
    5.4 小結
第六章 結論與展望
    6.1 主要結論
    6.2 創(chuàng)新點
    6.3 展望
參考文獻
在讀期間的學術研究
致謝


【參考文獻】：
期刊論文
[1]隨機森林方法支持的復雜地形區(qū)土地利用/土地覆被分類研究[J]. 馬慧娟,高小紅,谷曉天.  地球信息科學學報. 2019(03)
[2]融合卷積神經(jīng)網(wǎng)絡與Adaboost算法的病害松樹識別[J]. 胡根生,殷存軍,張艷,方怡,朱艷秋.  安徽大學學報(自然科學版). 2019(02)
[3]基于深度學習的湘贛鄂地區(qū)植被變化及其影響因子關系模型[J]. 李懿超,沈潤平,黃安奇.  江蘇農(nóng)業(yè)科學. 2019(03)
[4]基于稱重式蒸滲儀及多種傳感器的作物表型及蒸散監(jiān)測系統(tǒng)研制[J]. 劉艷萍,杜雅麗,聶銘君,薛緒掌,張馨,鄭文剛,崔可旺.  農(nóng)業(yè)工程學報. 2019(01)
[5]新疆云杉一體化立木生物量模型系統(tǒng)研建[J]. 馬克西,曾偉生,李智華.  林業(yè)科學研究. 2018(06)
[6]基于多尺度自適應特征的機載LiDAR點云分類[J]. 楊書娟,張珂殊,邵永社.  光學學報. 2019(02)
[7]利用卷積神經(jīng)網(wǎng)絡改進迭代深度學習算法的圖像識別方法研究[J]. 孫平安,祁俊,譚秋月.  計算機應用研究. 2019(07)
[8]林口林業(yè)局生物多樣性及保護措施[J]. 王琴.  中國林副特產(chǎn). 2018(02)
[9]深度學習在遙感影像分類中的研究進展[J]. 付偉鋒,鄒維寶.  計算機應用研究. 2018(12)
[10]氣候?qū)υ颇纤闪址稚锪康挠绊懷芯縖J]. 羅恒春,張超,魏安超.  西南林業(yè)大學學報(自然科學). 2017(06)

博士論文
[1]中高分辨率遙感影像森林類型精細分類與森林資源變化監(jiān)測技術研究[D]. 任沖.中國林業(yè)科學研究院 2016
[2]森林地上生物量遙感估測方法研究[D]. 穆喜云.內(nèi)蒙古農(nóng)業(yè)大學 2015
[3]亞熱帶地區(qū)馬尾松林碳儲量的遙感估算及其時空變化分析[D]. 黃紹霖.福州大學 2015
[4]區(qū)域尺度森林地上生物量的不確定性度量研究[D]. 傅煜.中國林業(yè)科學研究院 2015
[5]基于ALOS遙感影像紋理信息的懷柔區(qū)針、闊葉林蓄積量反演模型研究[D]. 劉俊.北京林業(yè)大學 2014
[6]隨機森林算法優(yōu)化研究[D]. 曹正鳳.首都經(jīng)濟貿(mào)易大學 2014
[7]基于激光雷達與多光譜遙感數(shù)據(jù)的森林地上生物量反演研究[D]. 湯旭光.中國科學院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所) 2013
[8]基于神經(jīng)網(wǎng)絡方法的杉木人工林林分生長模擬研究[D]. 車少輝.中國林業(yè)科學研究院 2012
[9]基于支持向量機的聚類及文本分類研究[D]. 平源.北京郵電大學 2012
[10]全國立木生物量方程建模方法研究[D]. 曾偉生.中國林業(yè)科學研究院 2011

碩士論文
[1]基于GF-2衛(wèi)星夏玉米不同生育期葉面積指數(shù)反演方法研究[D]. 賈潔瓊.西北大學 2018
[2]基于車輛動力響應的無砟軌道損傷辨識方法研究[D]. 胥帥.石家莊鐵道大學 2018
[3]基于非平衡數(shù)據(jù)的隨機森林算法研究[D]. 魏正韜.西安電子科技大學 2017
[4]深度學習在回歸預測中的研究及應用[D]. 王秀美.山東農(nóng)業(yè)大學 2017
[5]基于激光雷達和外推模型的森林地上生物量估算研究[D]. 鄭朝菊.中國科學院大學(中國科學院遙感與數(shù)字地球研究所) 2017
[6]結合高分辨率遙感影像多維特征的森林分類[D]. 白金婷.北京林業(yè)大學 2016
[7]基于地理加權回歸的區(qū)域森林碳儲量估計[D]. 郭含茹.浙江農(nóng)林大學 2015
[8]桂東南不同密度柳杉人工林生態(tài)系統(tǒng)生物量及碳氮格局研究[D]. 莫德祥.廣西大學 2013
[9]基于LS-SVM模型的高光譜影像分類的研究[D]. 郭學蘭.中南大學 2013
[10]山東菏澤楊樹人工林碳儲量和碳貯庫特征研究[D]. 劉詩琦.北京林業(yè)大學 2013



本文編號：3203133