共查询到20条相似文献，搜索用时 15 毫秒
1.
以香格里拉地区高山松林为对象,对香格里拉地区高山松林生物量进行了研究。生物量模型以香格里拉地区2009年Landsat-5TM遥感图像数据和2011年野外调查获得的45个样地调查数据为基础,利用遥感数据提取各波段灰度值、植被指数和地学数据共14个因子作为自变量,分别运用逐步回归分析方法和主成分分析方法提取的的主成分建立了以样地实测生物量为因变量的生物量估算的回归模型。两个模型经方差分析及相关性检验,均达到显著相关水平,相关系数R分别为0.519和0.581,可用于高山松林生物量的估测,但是估测精度都较低。其中利用主成分分析建立的模型精度高于利用逐步回归分析法建立的生物量模型。 相似文献
2.
基于BP神经网络模型思茅松天然林生物量遥感估测 总被引：1，自引：0，他引：1
《中南林业科技大学学报(自然科学版)》2017,(7)
以普洱市思茅松天然林为研究对象,以Landsat8 TM影像和DEM(30 m)数据为信息源,结合2006年森林资源二类调查小班数据和2012至2013年样地实测数据,在ENVI下提取14个自变量备选因子(11个遥感因子、3个地形因子),在MATLAB平台下利用BP神经网络模型建立研究区思茅松天然林生物量估测模型。结果表明,利用优选训练算法Ploak-Ribiere,隐含层节点数为9时效果最佳,得到决定系数R2=0.85,均方误差RMSE=14 t/hm2,预估精度P=74.75%。以像元为单位,分块提取思茅松对应的自变量,利用估测模型得到普洱市思茅松天然林总生物量为62 185 871.9 t,单位面积生物量为51.06 t/hm2。 相似文献
3.
《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
4.
5.
基于Sentinel-1A雷达影像的思茅松林蓄积量估测 总被引：2，自引：0，他引：2
探讨C波段雷达影像估测森林蓄积量的应用潜力,建立思茅松林蓄积量遥感估测模型,为利用遥感技术快速、准确、大面积的估测森林蓄积量提供参考。以云南省普洱市思茅区思茅松林为研究对象,采用C波段双极化合成孔径雷达Sentinel-1A影像为数据源,提取影像不同极化方式下的后向散射系数,并分别计算4个窗口(5×5、7×7、9×9、11×11)下的9种纹理特征,共计提取75维影像特征作为备选自变量,结合45块地面蓄积量调查样地,采用随机森林算法,进行建模因子重要性分析,选择最优特征,即选取VH极化方式、5×5窗口下VH极化方式的均值和异质性、7×7和9×9窗口下VH极化方式的最大概率、11×11窗口下VH极化方式的最大概率和协同性,共7个特征因子,建立随机森林蓄积量估测模型,R~2达到0.64,RMSE为30.35m~3/hm~2,模型的估测精度达到75.46%,森林蓄积量估测效果较好。研究表明,基于C波段双极化雷达影像提取纹理特征,利用随机森林算法进行特征选择,建立的森林蓄积量估测模型具有一定的可行性和推广性。 相似文献
6.
基于ENVISATASAR数据的高山松林蓄积量估测模型研究 总被引：2，自引：0，他引：2
以香格里拉县南部为研究区,利用ENVISATASAR双极化数据,基于数理统计方法对该地区的高山松林蓄积量估测模型进行研究。首先分析HH,日y,HV／HH值与高山松林样地蓄积量之间的相关性,结果为日y极化数据与蓄积量相关性最高;然后建立简单线性模型、指数模型以及加入地理因子的多元线性模型与非线性模型,得出指数模型为最优模型;利用独立的检验样本对最优模型进行精度评价,预测值与实测值基本相符合,平均相对误差为14．41％。 相似文献
7.
基于RS的闽江流域马尾松林分蓄积量估测模型研究 总被引：10，自引：0，他引：10
从福建省第5次森林资源一类调查落在闽江流域的样地中抽取马尾松林样地130个,以RS可提取因子及样地林分立地条件因子为可选变量,利用3倍标准差法进行异常数据的筛选,对林分立地条件定性因子进行数量化处理,通过逐步回归构建闽江流域马尾松林分蓄积量估测模型,研究结果所构建的蓄积量估测模型的相关系数为0.735。经模外抽取30个样地对估测模型适用性检验和精度验证表明,在可靠性α=0.01条件下模型估测值与外业实测值无显著差异,模型的林分蓄积量估测精度达85.03%,为此,本研究的蓄积量估测模型对森林经营管理具有现实意义。 相似文献
8.
《中南林业科技大学学报(自然科学版)》2017,(10)
以老秃顶子自然保护区为研究区,采用研究区landsat8 OLI遥感影像、DEM数据、实地调查数据作为数据源,提取11个光谱因子、8个纹理因子、3个地形因子,采用主成分分析法对所有因子进行降维处理,以累积方差贡献率大于80%作为指标,选取4个主成分,并以主成分得分为自变量、以每公顷蓄积量为因变量,建立线性回归估测模型,并检验精度。结果表明:回归方程调整后的R~2=0.810,拟合度好。对模型进行精度检验,结果为:蓄积量估测的平均相对误差为12.12%,总相对误差为6.02%,平均预估误差为7.82%,模型预估精度达到92.18%,能够满足林业调查中对于蓄积量遥感估测的要求。 相似文献
9.
林分蓄积量估测是林业遥感的重要研究领域,由于云雾天气和光谱饱和现象等因素限制了光学遥感影像估测林分蓄积量的精度。合成孔径雷达(SAR)具有穿透性强、受云雾影响小等特点,弥补了光学遥感的不足。以江西省龙南县的针叶林为研究对象,结合Landsat 8与PALSAR-2双极化SAR影像数据,在遥感数据预处理基础上,提取了光谱信息、植被指数、纹理信息和后向散射系数等共245个遥感因子。基于Pearson相关系数法和多元逐步回归法,筛选出65个遥感因子参与林分蓄积量估测。以林分郁闭度作为分层因子,分别采用线性、KNN、支持向量机(SVM)、多重感知机(MLP)和随机森林(RF)5种模型估测林分蓄积量,并对估测结果进行精度检验。实验结果表明:1)相比单独使用Landsat 8的光谱和纹理信息,基于郁闭度分级并融合PALSAR-2的后向散射信息明显提高了蓄积量的反演精度;2)对于低郁闭度林分,线性模型精度最高(rRMSE=21.16%),中郁闭度林分,多重感知机模型估测效果最好(rRMSE=30.61%),高郁闭度林分,多重感知机模型估测效果最好(rRMSE=27.53%)。在结合PALSAR-2的后向散射系数的基础上,郁闭度分层能有效改善中高蓄积量区域的反演精度。 相似文献
10.
以香格里拉市为研究区,基于2006年TM遥感影像和2006年森林资源规划设计调查数据,以小班各遥感因子为自变量,每个小班的郁闭度为因变量,对香格里拉高山松林按区分立地质量等级和不区分地位级2种策略建立郁闭度神经网络遥感反演模型,并进行精度评价。基于小班平均高和平均年龄建立的地位级表将立地质量等级划分为好、中、差3种类型。研究结果表明,红外、近红外、植被指数和第一主成分等遥感因子对郁闭度的解释能力较强;从模型独立样本验证结果得出,不区分地位级郁闭度估测精度为67.64%,区分地位级后,好、中、差3种立地类型的郁闭度估测精度分别为74.14%、75.32%、72.38%,区分立地质量类型模型的精度优于不区分地位级模型的精度。 相似文献
11.
基于3S技术的山东省森林蓄积量估测 总被引：3，自引：0，他引：3
借助SPSS统计软件和ERDAS IMAGINE9.0/ArcGIS9.2的建模及空间分析工具,采用TM影像和1∶100 000地形图作为数据源,从TM影像提取野外GPS采样点缓冲区内6个波段的灰度值及其线性和非线性组合等遥感因子,从地形图提取海拔、坡度、坡向等GIS因子,以各遥感因子和GIS因子作为自变量,以GPS野外调查样点缓冲区内的蓄积量作为因变量建立多元线性回归模型.样本数据筛选采用标准差法,因子变量筛选采用主成分因子分析法、多元线性回归的逐步回归和强行进入法等方法,建立的多元回归模型预测总体精度达到87.35%.用2006年山东省TM影像提取的有林地掩膜模型中各因子变量灰度图,得到各因子变量的掩膜图层.将各因子变量的掩膜图层代入多元回归模型进行复合运算,得到有林地蓄积量灰度图像.经蓄积量灰度图像属性表统计得到山东省的有林地总蓄积量为6 203.53万m3,为快速、准确地对大面积的森林蓄积量估测提供一种有效的途径和方法. 相似文献
12.
《林业资源管理》2015,(5)
森林蓄积量遥感估测在林业系统中具有十分重要的意义。以建德市为研究区,基于2007年TM遥感影像和2007年森林资源二类调查数据,对松树林分立地质量等级和不分地位等级两种类型建立蓄积量的遥感估测模型,并进行精度检验。其中立地质量等级依据小班平均高和平均年龄建立的地位级表划分为好、中、差三种类型,以每个小班的总蓄积量为因变量,小班各单个遥感因子信息总量为自变量。研究结果表明:1)以TM遥感影像主成分分析中第一主成分为自变量的模型拟合效果最好,决定系数R2均在0.54以上,最高为0.802;2)利用预留独立样本对模型精度进行验证,不分地位级总体估测精度为87.64%,分立地质量等级好、中、差三种类型总体的估测精度分别为94.14%,95.32%,92.38%,分立地质量类型建模的精度明显优于统一建模的精度。研究结果为森林蓄积量遥感估测提供一种改进的思路,且为提高森林生物量和碳储量遥感估测精度提供一种参考方法。 相似文献
13.
《中南林业科技大学学报(自然科学版)》2020,(7)
【目的】建立含哑变量的林分蓄积量估测模型，分析哑变量在香格里拉高山松林分蓄积量模型中的意义与作用。【方法】以香格里拉为研究区，基于2008—2009年3幅TM遥感影像与2008年抽样控制样地数据，对香格里拉高山松林分神经网络模型与考虑龄组构造的哑变量神经网络模型两种类型建立蓄积量遥感估测模型，并进行精度评价。对比模型的估测值与实测值，计算模型残差，检验各龄组残差均值与0之间的差异性；同时对模型的预测值结果进行组间均值的差异性检验，以此作为确定龄组分类形式构建哑变量的标准与依据。【结果】2个模型的独立样本检验结果表明，引入哑变量的神经网络估测模型比神经网络模型拟合效果要好，其决定系数要高于神经网络模型，决定系数从0.516提高到0.783。模型预估精度从神经网络模型的66.3%提高至哑变量模型的74.8%，估算误差优于神经网络模型。【结论】根据模型的残差差异性结果得出，哑变量模型可以在一定程度上解决在估测幼龄林、中龄林蓄积量低值高估的问题；可见引入哑变量估测森林蓄积量的方法是相对有效的。 相似文献
14.
森林蓄积量受遥感因子与地形因子的影响,但这些因子间存在多重相关性,会影响模型稳定性与精度。针对森林蓄积量遥感估测自变量间存在多重共线性问题,采用异于传统最小二乘的偏最小二乘方法建立密云县森林蓄积量遥感估测模型。先对可能影响蓄积量的因子进行分析,选取既存在相关性又对模型显著性有影响的因子为森林蓄积量估测的自变量。用预留的样本对模型进行检验,预测值与实测值相比精度达到90.1%。将通过检验的模型对整个密云县进行反演,得到密云县估测森林蓄积量为2 447 695.203 m3。 相似文献
15.
16.
蓄积量是评价森林资源质量或状况的重要指标,为了解决实测郁闭度和蓄积量费时费力以及无法充分利用航测原始数据生成各项数据的问题,以无人机航测数据的点云数据和正射影像为研究数据,利用冠层高度模型提取高程,通过一元线性回归分析估测平均树高和平均胸径模型;使用改进形态学分水岭方法提取树冠个数;通过主成分回归建立郁闭度模型;结合提取与估测的GIS因子,用偏最小二乘法建立蓄积量模型。结果表明:平均树高模型精度为97.34%、平均胸径模型精度为91.27%,改进分水岭提取树冠精度为80.03%,郁闭度模型精度为83.18%,蓄积量模型精度可达88.43%。蓄积量模型的所有特征因子均是通过遥感方法从无人机原始航测数据中提取而来,充分利用了无人机航测数据。实验建立的树高、胸径和郁闭度模型可以有效地估测森林平均树高、胸径及郁闭度,改进后的分水岭算法减少了过分割,蓄积量模型能够有效估测蓄积量,提高了蓄积量提取效率,节省了大量的人力物力。 相似文献
17.
18.
《中南林业科技大学学报(自然科学版)》2016,(5)
基于2007年建德市森林资源二类调查数据和TM影像数据,采用蓄积量—生物量换算因子连续函数法计算松树生物量,对松树树种分立地质量等级和不分地位等级2种类型建立生物量的遥感估测模型,并进行精度检验。结果表明:(1)以TM遥感影像主成分分析中第一主成分为自变量的模型拟合效果最好,决定系数R2均在0.6以上,最高0.773。(2)利用预留独立样本对模型精度进行验证,不分地位级总体估测精度为92.51%,分立地质量等级好、中、差3种类型总体估测精度分别为97.66%、96.56%、97.32%,分不同立地质量等级建模精度明显优于统一建模的精度。研究结果为森林生物量遥感估测提供一种改进的思路,且为提高森林生物量和碳储量遥感估测精度提供一种参考方法。 相似文献
19.
利用遥感技术获取森林生态系统生物量是快速获取森林生物量的重要途径.文章以香格里拉县遥感影像图所提取的各植被指数及DEM所提取的地学因子为自变量,以云冷杉林生物量为因变量,建立多元线性回归模型.对模型的精度进行检验,选出最优模型. 相似文献
20.
【目的】为了探究国产高分二号(GF-2)影像在林分蓄积量估测中的潜力,并找到最佳的蓄积量估测模型。【方法】本次实验以内蒙古旺业甸林场为研究区,以高分二号卫星影像为信息源,结合2017年10月份调查的75块样地以及同时期的GF-2影像数据,提取波段特征、植被指数和纹理特征等43个遥感因子作为候选变量,利用Pearson相关系数选择出与蓄积量显著相关的6个变量,采用多元线性回归模型(MLR)、BP-神经网络模型(BP-ANN)、随机森林模型(RF)、支持向量机模型(SVM)和K邻近模型(KNN)进行蓄积量的估测。以决定系数(R^2)、均方根误差(RMSE)、相对均方根误差(RRMSE%)作为5种模型的评价指标,选择出旺业甸林场的最佳蓄积量估测模型,并绘制了研究区的森林蓄积量分布图。【结果】4种机器学习模型的结果明显优于传统的线性模型,其中随机森林(RF)模型和K邻近模型(KNN)均得到了较高的精度,其中RF模型的R^2为0.66,均方根误差为55.2 m^3/hm^2,相对均方根误差为28.1%,KNN模型的R^2为0.64,均方根误差为57.6 m^3/hm^2相对均方根误差为29.3%。【结论】在利用高分二号数据进行旺业甸林场蓄积量估测时,RF和KNN模型在估测针叶林蓄积量时相比于其他模型可以取得更好的结果。 相似文献