共查询到20条相似文献，搜索用时 31 毫秒
1.
长白山林区森林生物量遥感估测模型 总被引：2，自引：0，他引：2
采用黑龙江长白山地区TM图像和143块森林资源连续清查固定样地数据及野外调查补充样地数据,选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合(包括11种植被指数)、纹理信息以及环境因子在内的75个自变量,分别采用逐步回归分析法和偏最小二乘回归法建立黑龙江长白山林区森林生物量遥感估测模型:逐步回归法采用5个自变量所建模型平均拟合精度为76.5%,均方根误差为19.12t·hm-2,样地生物量真实值与预测值相关系数为0.5434;偏最小二乘回归法采用10个自变量所建模型平均拟合精度85.8%,均方根误差9.92t·hm-2,样地生物量真实值与预测值相关系数0.8603,偏最小二乘回归法要优于逐步回归法。利用建立的偏最小二乘回归模型计算得到黑龙江长白山2007生物量等级分布图,采用29个检验样本对反演结果进行检验,计算得到29个样本的平均预测精度为83.73%。 相似文献
2.
随着遥感技术的快速发展,基于遥感影像和地面样地的方法成为目前森林碳密度精确估算的主要手段,然而没有找到具有普适性的建模因子和最佳的森林碳密度估算模型。鉴于此,本文通过分析研究区地面固定样地碳密度与Landsat-5影像及其衍生波段的相关性,筛选出估算森林碳密度的敏感因子。采用三种回归分析方法(逐步回归、偏最小二乘回归及非线性回归)分别建立森林碳密度的最优遥感估算模型。结果表明:1参与建模的遥感因子中,1/TM3与森林碳密度的相关性最大,敏感性最高;2三种回归分析方法建立的预测模型中,以4个遥感因子建立的非线性回归模型预测精度最高,预测值与实测值得决定系数R2为0.74;3通过测算,研究区平均森林碳密度为14.36 t/hm2,变化范围介于0.00~38.28 t/hm2之间。研究表明非线性回归在区域森林碳密度反演方面具有一定的潜力。 相似文献
3.
森林生物量的定量估算为全球碳储量循环及气候变化研究提供了重要的参考依据。以肇庆市马尾松生物量为研究对象,基于SPOT-7影像数据,提取出单波段、波段比值、纹理特征、地形等因子并进行优选,对优选后的变量因子进行分组,生成光谱特征、纹理特征、光谱和纹理特征相结合的3种自变量集,采用偏最小二乘回归法和3种自变量集构建马尾松生物量估测模型并进行优选。结果显示:基于光谱特征构建的马尾松生物量估测模型的决定系数R2为0.81,均方根误差为15.30 t/hm2,误差平均值为-5.65 t/hm2,总预报偏差的相对误差为9.30%;基于纹理特征构建的马尾松生物量估测模型的决定系数R2为0.84,均方根误差为15.69 t/hm2,误差平均值为-4.73 t/hm2,总预报偏差的相对误差为7.78%;基于光谱和纹理特征相结合构建的马尾松生物量估测模型的决定系数R2为0.83,均方根误差为15.24 t/hm2,误差平均值为-5.27 t/hm2,总预报偏差的相对误差为8.67%。由此可知,基于纹理特征构建的马尾松生物量模型要好于其他两种方法,估算精度更高。 相似文献
4.
基于地理加权回归模型的思茅松生物量遥感估测 总被引：1，自引：0，他引：1
《林业资源管理》2017,(1):82-90
通过调查云南省景谷县思茅松林120株单木数据,构建思茅松单木生物量模型。结合2005年景谷县TM影像数据及2006年森林资源二类调查小班数据,采用普通最小二乘模型(OLS)和地理加权回归模型(GWR)的方法构建思茅松生物量遥感估测模型。结果表明:地理加权回归模型比普通最小二乘模型具有更好的拟合效果,其决定系数(R2)显著高于OLS模型,Akaike信息指数(AIC)相比降低7.832;两种模型通过独立样本检验可以看出,模型预估精度从OLS模型的72.70%提高至GWR模型的75.06%;通过GWR模型反演计算,研究区内思茅松林单位面积生物量为49.02t/hm~2,比实测数据低1.229%,与实测数据基本吻合,且估算误差优于OLS模型;基于GWR模型估算的景谷县思茅松林总生物量为2.101×107t。可见基于地理加权回归方法估测森林地上生物量的方法是有效的,能提高森林生物量遥感估测模型的拟合和预估精度,可以用于思茅松林的生物量的遥感估算。 相似文献
5.
基于Landsat TM数据估算雷竹林地上生物量 总被引：3，自引：1，他引：2
结合Landsat TM遥感数据和雷竹林样地调查数据,采用偏最小二乘回归法(PLS)建立雷竹林地上生物量估算模型,利用该模型估算临安市雷竹林地上部分生物量。结果表明:雷竹单株地上部分生物量与胸径及雷竹林地上部分生物量与株数之间都呈极显著相关(P<0.01);通过PLS-Bootstrap法筛选自变量能够提高模型精度;模型预测的雷竹林地上生物量均方根误差为3.45t·hm-2,满足大范围估算的精度要求;临安市雷竹林地上生物量为13～25t·hm-2,均值为19.52t·hm-2。 相似文献
6.
公益林生物量估算方法研究——以浙江省缙云县公益林为例 总被引：1，自引：0，他引：1
《浙江林业科技》2015,(5)
以缙云县公益林为例,利用2010年的117个公益林固定小班监测数据和Landsat5 TM遥感数据,选取遥感变量和地学变量等80个自变量,运用多元线性回归、偏最小二乘回归、随机森林回归和Erf-BP神经网络四种模型,对缙云县公益林生物量进行建模估算,并比较四种方法的优缺点。结果表明:在R2、PRECISION和RMSE方面,随机森林回归优于其他方法,而在VR和BIAS方面,Erf-BP神经网络方法比其他方法更好,但从提高生物量精度和减少均方根误差综合评价,随机森林方法是较好的选择。 相似文献
7.
量化森林碳储量对森林经营者的正确决策至关重要。本文以湖南省桃江县为研究区,根据2013年森林资源一类调查数据和Landsat 8遥感影像,建立多元逐步回归、偏最小二乘回归和径向基函数神经网络模型,开展碳储量的估测方法比较。结果表明:三种方法中,径向基函数神经网络模型估测森林碳储量效果最好,决定系数达到0.645,相对均方根误差为15.582 t·hm~(-2);其次为偏最小二乘回归模型,决定系数和相对均方根误差分别为0.511和17.135 t·hm~(-2);多元逐步回归模型精度最低,决定系数和相对均方根误差分别为0.431和18.105 t·hm~(-2)。径向基函数神经网络模型反演的研究区森林碳储量分布图表明,海拔高的地方碳储量较大,城区碳储量较小,与实际植被分布情况一致。 相似文献
8.
9.
《中南林业科技大学学报(自然科学版)》2019,(8)
森林蓄积量是评价森林资源数量的一个重要指标。结合遥感影像和地面调查数据估测森林蓄积量受遥感影像、遥感因子、预处理方法、估测方法等多方面的影响。为研究国产GF-1遥感影像估测森林蓄积量的最佳遥感因子组合方式和较优估测方法,并绘制森林蓄积量空间分布图,为我国森林蓄积量的研究提供理论基础和科学依据。为研究GF-1遥感影像估测森林蓄积量的遥感因子和估测方法,以湖南省醴陵市为研究对象,以国产GF-1遥感影像为数据源,通过对遥感图像预处理,获取光谱信息、纹理因子、植被指数作为特征变量,结合同时期的二类调查样地数据,从GF-1遥感影像像元与样地不匹配角度出发,应用移动窗口的方法解决像元与样地的对应关系,采用多元逐步回归、偏最小二乘回归和随机森林模型对研究区森林蓄积量进行估测,采用建模精度和估测精度进行分析评价。实验结果表明:1)3个模型选择的因子都包含了NDVI、 Band2、DI3、CO1和DVI等5个遥感因子,说明其对森林蓄积量的估测比较敏感;2)随机森林模型优于偏最小二乘回归和多元逐步回归,其决定系数R2为0.73、估测精度为83.69%。利用GF-1遥感影像结合随机森林模型应用于森林蓄积量的估测结果趋于真实分布,效果较理想;采用移动窗口法,利用国产GF-1遥感影像并结合随机森林进行森林蓄积量估测具有较好的应用前景。 相似文献
10.
《中南林业科技大学学报(自然科学版)》2020,(11)
【目的】结合主被动遥感数据,为基于不同遥感数据源、建模算法的亚热带森林生物量建模分析提供新思路。【方法】以湖南省郴州市桂东县2014年Landsat 8 OLI影像、2014年Sentine-1A影像、2014年43块森林资源连续清查固定样地数据为主要信息源,借助于ENVI、SNAP、R等软件,分别采用主动式遥感(Sentinel-1A数据)、被动式遥感(Landsat 8 OLI数据)、主被动相结合(Sentinel-1A数据结合Landsat 8 OLI数据)3种数据集和多元线性回归、随机森林、人工神经网络、袋装算法等4种模型,进行区域森林地上生物量特征变量选取、参数建模、模型精度评价、生物量空间制图。【结果】1)在特征变量选择上,红波段(B4)、红外波段(B5)反射率及纹理特征,归一化植被指数(NDVI),交叉极化(VH)后向散射系数及其纹理特征,在森林生物量反演中具有重要作用;2)4种遥感估测模型精度比较分析表明,无论是单一数据源还是二者结合,随机森林算法预测精度最高,人工神经网络、袋装算法次之,多元线性回归最低;3)3种不同数据源的遥感估测综合精度,按照由高到低的顺序排列,主被动结合被动式遥感主动式遥感;4)桂东县森林生物量平均值为53.68 t/hm2,生物量高( 90 t/hm2)的林分面积比例只有16.03%,主要分布在海拔较高、坡度较陡的东南、西南部。【结论】Sentinel-1A和Landsat 8数据的结合在估测森林生物量方面具有重要作用。 相似文献
11.
森林是全球重要的陆地生态系统,各国普遍采用地面样地调查的方法评估其资源量和生物量。随着激光雷达技术的发展,采用星载大光斑激光雷达估算大区域森林地上生物量将成为另一种选择。为探索利用大光斑激光雷达估算森林地上生物量的方法,提出了一种基于仿真大光斑激光雷达和多层感知器的森林地上生物量估算模型。比较仿真大光斑激光雷达波形参数13种组合拟合森林地上生物量的效果后,认为多层感知器的估测精度高于多元线性回归。与样地实测地上生物量相比,多元线性回归估测结果的偏差范围为-34.96~23.28t/hm2,多层感知器估测结果的偏差范围更小,为-19.09~20.19t/hm2。因此,多层感知器估测森林地上生物量的效果优于多元线性回归。 相似文献
12.
采用角规实地调查黄丰桥林场90个杉木人工纯林样地胸高断面积,利用样地SPOT5遥感信息与地理信息,建立了杉木胸高断面积多元线性回归估测模型。首先对样地采用GIS软件进行缓冲处理,缓冲后每个样地的面积为1hm2^;然后提取样地遥感光谱信息与纹理信息等21个因子和4个GIS因子,采用逐步回归分析法筛选出6个因子作为模型自变量;最后分别采用普通最小二乘法（OLS）和偏最小二乘法（PLS）建立了杉木胸高断面积多元回归模型。研究结果表明：OLS回归模型的预测精度为82．2％,均方根误差（RMSE）为5．12m^3／hm^2;PLS回规模型的预测精度为83．9％,均方根误差（RMSE）为4．2m^2／hm^2,PLS和0LS回归模型在杉木胸高断面积估测中均取得了较好的效果,用中高分辨率遥感影像在估测森林结构参数上是可行的。 相似文献
13.
为了研究高分二号(GF-2)影像生物量估测的模型效果,以攸县黄丰桥林场为研究区,在研究区内采用随机抽样的方法,结合国家森林资源连续清查样地,获取了共47个样地的生物量数据。对GF-2影像进行预处理,结合相关研究,提取8个单波段信息、24个多波段组合信息、4个植被指数以及海拔、坡度、坡向等39个因子作为建模的自变量,采用主成分分析、偏最小二乘和BP神经网络3种方法建立生物量估测模型。结果表明:主成分回归模型的实测值和预测值的决定系数R~2为0.44,模型的估测精度为65.83%;偏最小二乘回归模型的R~2为0.50,模型的估测精度为67.66%;BP神经网络模型的R~2为0.79,模型的估测精度为78.62%。比较可知,BP神经网络模型效果最好。 相似文献
14.
精确估测森林生物量是分析森林碳动态和碳循环的基础。本研究采用汝城县森林资源连续清查数据,结合Landsat 8遥感影像,分析了森林地上生物量的空间自相关和空间异质性,并选取显著相关的植被指数因子,分别构建普通最小二乘模型、空间滞后模型以及地理加权回归模型,并绘制汝城县森林地上生物量的空间分布图。结果表明:通过对森林地上生物量的空间效应分析,发现样地生物量的空间自相关和空间异质性不容忽视。与普通最小二乘回归相比,空间滞后模型和地理加权回归模型可以减少空间效应对森林地上生物量估测的影响。地理加权回归模型可以最大程度地减少过高或过低估计,估测森林地上生物量的精度最高,决定系数达到0.756,均方根误差和平均相对误差最小,分别为17.288 t·hm~(-2)和-8.542%。因此使用Landsat 8遥感影像结合地理加权回归方法在改善森林地上生物量的估测中具有巨大潜力。 相似文献
15.
生物量估算是研究森林生态系统结构和功能的基础,森林生物量约占全球陆地植被生物量的90%,对维持全球碳平衡方面具有重要作用。由于人类活动的影响,我国亚热带森林类型多样,比较各森林生物量的差异和分配特征,可为评估森林碳收支提供基础数据。本研究在湘中丘陵区选择杉木(Cunninghamia lanceolata)人工林、马尾松(Pinus massoniana)-石栎(Lithocarpus glaber)针阔混交林、南酸枣(Choerospondias axillaris)落叶阔叶林、石栎-青冈(Cyclobalanopsis glauca)常绿阔叶林,利用各优势树种的相对生长方程和1hm2的样地数据估算森林生物量。结果表明:4种森林生物量为72.74~154.03 t/hm2,各森林之间的生物量差异极显著(P0.01),杉木林的最低(72.74 t/hm2),马尾松林的最高(154.03 t/hm2),石栎-青冈林(134.08 t/hm2)和南酸枣林(106.89 t/hm2)的居中。4种森林生物量分配中,树干生物量所占比例最高,叶生物量所占比例最低。林冠(枝、叶)生物量与树干生物量、地上生物量与地下生物量之间的关系显著,决定系数分别为0.753 9~0.989 4和0.939 2~0.993 3。因此,当仅有林分树干生物量数据时,可用生物量转换扩展系数(BEFs)估算林冠生物量和地下部分生物量,从而估算整个林分的生物量。 相似文献
16.
川西亚高山针叶林生物量遥感估算模型研究 总被引：7，自引：1，他引：6
利用野外实测68个样地的森林生物量数据、TM影像的单波段数据、植被指数数据以及地形数据在内的18个自变量建立了川西亚高山针叶林生物量的回归估算模型。研究表明:在建立的一元线性回归、一元非线性回归和多元线性回归生物量模型中,以多元线性回归模型在森林生物量估算中有较好的精度。 相似文献
17.
基于随机森林回归模型的思茅松人工林生物量遥感估测 总被引：3，自引：3，他引：0
《林业资源管理》2015,(1):71-76
以云南省景谷县思茅松人工林为研究对象,以研究区2005年TM影像及2006年森林资源二类调查小班空间属性数据库为信息源,在前期建立思茅松单木生物量模型基础上,在ENVI下提取9个植被指数作为备选自变量,建立研究区思茅松人工林随机森林回归遥感估测模型。结果表明:随机森林回归遥感估测模型的决定系数(R2)=0.97,均方根误差(RMSE)=4.97;模型的预估精度(P)=87.67%。利用已经训练好的随机森林估测模型,估测研究区思茅松人工林生物量为3 644 612.00t;单位面积生物量为59.90 t/hm2。研究结果可为其它典型森林类型生物量或碳储量估测提供案例分析。 相似文献
18.
旺业甸林场人工林生物量遥感反演研究 总被引：2，自引：0，他引：2
《中南林业科技大学学报(自然科学版)》2019,(10)
森林生物量能直接反映森林质量,遥感技术结合地面样地能实现林分或区域范围森林生物量的反演,反演结果对制定森林资源合理利用、生态环境改善等方面的政策具有重要的指导意义。论文以旺业甸林场Landsat8 OLI影像为数据源,从影像中提取161个植被指数,对比Pearson相关系数法和随机森林法进行特征变量选择,分别筛选出合适的因子作为模型自变量,结合实地调查数据,建立多元线性逐步回归、地理加权回归、kNN回归和随机森林等4种生物量反演模型,并对模型结果进行精度验证。研究结果表明:1)利用Pearson相关系数法进行特征变量选择要优于随机森林法。2)短波红外光和近红外区间波段组合得到的植被指数与生物量的相关性显著,相关性系数最高的前五个因子为SR627、SR637、SR647、SR64、SR213,分别达到了0.776、0.761、0.730、0.702和0.657;3)4种生物量反演模型中,随机森林模型效果最好,决定系数R2为0.72,RMSE=8.12,EA=76.54%;线性逐步回归模型次之,R2为0.65,RMSE=9.01,EA=72.88%;其次是kNN回归模型,R2为0.59,RMSE=9.75,EA=74.89%;地理加权回归模型效果最差,R2为0.58,RMSE=13.75,EA=53.95%;4)利用随机森林模型对研究区进行生物量反演,反演结果生物量空间分布与实际情况基本一致,反演效果较好。 相似文献
19.
基于BP神经网络的凌云县森林碳储量遥感反演研究 总被引：1，自引：0，他引：1
森林碳储量的正确估算是研究全球碳通量和气候变化的关键。本研究采用2014年森林资源连续清查数据和同时期Landsat 8遥感影像,对凌云县森林碳储量进行遥感反演研究,并分析其空间分布。从遥感影像中提取154个光谱因子和纹理因子,结合逐步回归和方差扩大因子法进行因子筛选,分别构建线性逐步回归、Logistic回归和BP神经网络模型,估算研究区的森林碳储量。结果表明:BP神经网络模型反演森林碳储量精度最高,设置隐含层神经元个数为10时,决定系数最大,均方根误差最小,分别为0.636和16.671 t·hm~(-2);Logistic回归模型估算精度次之,决定系数和均方根误差分别为0.528和17.082 t·hm~(-2);线性逐步回归模型估算精度最低,决定系数最小,均方根误差最大,分别为0.452和17.722 t·hm~(-2)。研究区森林碳储量空间特点表现为山区碳储量大,低海拔人口分布密集地区碳储量小,与实际森林分布一致。 相似文献