針對(duì)基于光學(xué)遙感數(shù)據(jù)的區(qū)域森林冠頂高反演精度較低的問(wèn)題,基于SPOT5多光譜影像的紋理、光譜與地形特征參數(shù)分別運(yùn)用多元逐步回歸(multiple stepwise regression,MSR)、偏最小二乘回歸(partial least squares regression,PLSR)和BP(back-propagation)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行區(qū)域森林冠頂高反演,對(duì)模型的反演精度進(jìn)行對(duì)比分析,確定研究區(qū)最優(yōu)模型。結(jié)果顯示,各林型紋理參數(shù)與樣地實(shí)測(cè)冠頂高相關(guān)性皆優(yōu)于其他光譜參數(shù),各林型森林冠頂高反演模型中BP神經(jīng)網(wǎng)絡(luò)模型估算精度優(yōu)于其他模型。對(duì)于BP神經(jīng)網(wǎng)絡(luò)模型,闊葉林、針葉林與混交林模型驗(yàn)證結(jié)果的決定系數(shù)R2分別為0.76,0.97和0.92,均方根誤差(root mean square error,RMSE)分別為1.6 m,1.35 m和2.29 m。研究表明紋理參數(shù)可以很好地反映森林冠層的結(jié)構(gòu)特征,結(jié)合影像紋理、光譜與地形特征參數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型在森林冠頂高反演方面具有良好的應(yīng)用潛力。

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖1露水河林場(chǎng)及樣地分布

研究區(qū)南部65塊樣地野外調(diào)查數(shù)據(jù)獲取于2008年8—9月間，為使樣地覆蓋不同的地形增加代表性，于2015年8—9月間在研究區(qū)西北部補(bǔ)充調(diào)查35塊樣地(圖1)。研究區(qū)共設(shè)置100塊實(shí)測(cè)樣地，其中闊葉林41塊、針葉林14塊、針闊混交林45塊、樣地中心點(diǎn)坐標(biāo)及高程信息由同步高精度GPS....

圖2技術(shù)路線

首先，對(duì)研究區(qū)SPOT-5遙感影像和DEM數(shù)據(jù)進(jìn)行預(yù)處理;然后，提取研究區(qū)森林的相關(guān)遙感參數(shù);最后，聯(lián)合樣地最大冠頂高及所選遙感參數(shù)，基于不同林型分別建立區(qū)域尺度森林冠頂高反演模型，通過(guò)模擬分析確定最優(yōu)模型。具體技術(shù)路線如圖2所示。2.2SPOT5遙感參數(shù)提取及分析

圖3不同林型BP神經(jīng)網(wǎng)絡(luò)模型冠頂高模擬及驗(yàn)證

各林型森林冠頂高反演模型及精度驗(yàn)證如表4所示。從表4中可以看出，闊葉林中PLSR與MSR的建模精度幾乎相同，而PLSR的驗(yàn)證精度高于MSR，說(shuō)明對(duì)于闊葉林PLSR的泛化能力優(yōu)于MSR;針葉林中PLSR與MSR的R2相差不大，但PLSR的RMSE較小，說(shuō)明對(duì)于針葉林PLSR的反演結(jié)....

本文編號(hào)：3993748