共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
应用Landsat8 OLI和GBRT对高山松地上生物量的估测 总被引:1,自引:0,他引:1
依据香格里拉市Landsat8 OLI提取的因子和外业调查的高山松样地地上生物量,利用梯度提升回归树(GBRT)建立了地上生物量与遥感因子的估测模型,并与随机森林、多元线性回归、偏最小二乘方法进行了对比。结果表明:纹理信息对生物量有重要影响,其中熵、相关性和Landsat8 OLI近红外波段的信息对生物量的影响最大;采用GBRT进行建模,当迭代次数大于200次时,偏差降低减缓,GBRT建模方法的精度评价指标(R2=0.96,rRMSE=8.80%,P=73.88%)均优于其他3个模型。应用Landsat数据进行森林地上生物量估测的不确定因素较多,GBRT可作为高山松及其他树种地上地上生物量遥感估测的另一新方法。 相似文献
3.
以香格里拉高山松为研究对象,Landsat8/OLI为信息源,在前期进行香格里拉市高山松遥感特征光谱提取的基础上,结合地面50个实测样地数据,建立了研究区高山松地上生物量k-最近邻法(k-NN)遥感估测模型。结果表明,采用欧式距离度量特征变量间的相似度,距离分解因子t、最近邻数k值分别取2和4的模型参数结构下拟合精度达到最佳,决定系数(R~2)为0.71,均方根误差(RMSE)为18.21 t/hm~2;基于像元尺度的优化模型估测得到香格里拉市的生物量约为0.22亿t,研究结果可为低纬度高海拔地区的森林生物量遥感估测提供案例。 相似文献
4.
5.
《西南林业大学学报》2020,(1)
以曲靖市云南松林为研究对象,基于2016年曲靖市二类调查数据以及同时期Landsat 8OLI遥感影像,利用随机选取的小班样地提取遥感因子统计值建立数据集,基于不同曲线拟合定量研究曲靖市云南松林生物量估测的光饱和值;并以线性逐步回归模型为基本模型,考虑区域和龄组随机效应建立云南松林生物量遥感估测模型,以期减小生物量遥感估测中光饱和引起的估测误差。结果表明:利用三次模型拟合研究区云南松生物量饱和值为167 t/ha;不同效应水平的混合模型的拟合精度均优于一般逐步回归模型。在独立性样本检验中混合效应模型的预估精度(91.556%)要高于一般逐步回归模型的预估精度(83.826%);从生物量分段残差检验结果与研究区生物量反演结果上看,混合效应模型相较于一般逐步回归模型有着更大的估测范围,在一定程度上能够解决高值低估和低值高估问题,减小光学遥感影像数据存在数据饱和的影响。 相似文献
6.
多元线性回归与神经网络模型在森林地上生物量遥感估测中的应用 总被引:3,自引:0,他引:3
利用遥感影像构建森林生物量估测模型,能够快速、实时估算区域森林生物量。采用吉水县TM影像以及森林资源调查固定样地数据,构建估算森林地上生物量的多元线性回归模型及BP神经网络模型,并对两种模型进行了比较。结果表明:两种模型对样地生物量的预测值大部分比实测值小,多元线性回归模型预测值与实测值的偏差幅度比BP神经网络模型更大,偏差幅度分别为-110.24~38.09 t·hm-2、-35.12~26.17 t·hm-2;多元线性回归模型与BP神经网络模型的决定系数(R2)分别为0.470和0.869,均方根误差(RMSE)分别为30.52和12.69 t·hm-2,预测精度分别为50.07%和71.65%。因此,运用BP神经网络模型估测森林地上生物量优于多元线性回归模型。 相似文献
7.
《西南林业大学学报》2017,(3)
以小班为研究单位,基于香格里拉市2006年TM影像、森林资源二类调查数据,利用随机选取的小班样地遥感因子平均值建立数据集,筛选出78个样地数据(60个训练数据和18个验证数据)及14个遥感因子,通过蓄积计算森林生物量,建立了基于遥感因子的高山松生物量估测的逐步回归模型和偏最小二乘模型。结果表明:逐步回归模型的精度(R=0.518、RMSE=34.265 t/hm~2、rRMSE=47.046%)要高于偏最小二乘模型的精度(R=0.514、RMSE=35.320t/hm~2、rRMSE=48.494%)。研究结果可为高海拔地区遥感生物量建模、生态环境保护与规划提供参考依据。 相似文献
8.
资源三号遥感卫星影像的生物量反演研究 总被引:4,自引:0,他引:4
研究了北京市森林生物量遥感估测模型的构建和合理性判断。建立森林生物量模型所需的各种数据,包括2012年的资源三号卫星影像数据和实测样地调查数据。采用9格法提取的遥感影像信息,其中影像的纹理因子作为建模因子之一,与光谱因子、地形因子一起与实地样地数据建立生物量模型,进行生物量反演,通过精度分析,分别建立整个北京市针叶林和阔叶林的森林生物量反演模型,其相关系数分别为0.82、0.71,拟合估测精度分别为76.75%、80.02%,为提高林业调查的效率与精度提供一种方法。 相似文献
9.
10.
基于机载激光雷达的寒温带典型森林高度制图研究 总被引:1,自引:0,他引:1
以内蒙古根河市潮查林场境内的寒温带兴安落叶松原始林及其次生林为研究对象,利用机载激光雷达点云数据与地面调查的66个样地数据,采用不同算法计算样地实测树高(Lorey's高、冠幅面积加权树高和算术平均高)分别与基于双正切角树冠识别算法获取的LiDAR估测高(冠幅面积加权树高、算术平均高)和基于点云提取的百分位高构建树高回归模型(冠幅面积加权树高模型、算术平均树高模型和LiDAR百分位树高模型)。对比不同树高模型的训练精度与估测精度的差异,探讨双正切角树冠识别算法对本研究区的适用性;同时了解冠幅面积加权的样地实测树高与Lorey's高对林分平均高代表性的差异,确定最优解释变量,筛选最优树高模型,计算研究区森林高度空间分布图,为后续生物量和碳储量研究提供参考数据。结果表明:样地冠幅面积加权树高的模型训练精度和估测精度与Lorey's高的结果一致性较好,略低于Lorey's高的估测结果。LiDAR百分位树高模型中的50%分位高与样地实测树高相关性显著且回归模型拟合效果较好,其中,以Lorey's高为样地实测树高时模型的R2=0.869、RMSE=1.366m;以冠幅面积加权树高为样地实测树高时模型的R2=0.839、RMSE=1.392m;Lorey's高的50%分位高模型的估测精度最高,各独立验证样本点估测精度均高于85%,平均估测精度为94.73%,最高估测精度可达99.78%,其中混交林平均估测精度(96.72%)高于针叶林的平均估测精度(93.58%)。因此,选择Lorey's高的50%分位高模型计算研究区的森林高度空间分布。 相似文献
11.
基于非线性混合效应的高山松林生物量模型研究 总被引:1,自引:0,他引:1
《江西农业大学学报》2017,(1)
以云南省香格里拉县的高山松林为研究对象,选取遥感因子与地形因子作为模型中的固定效应,并以幂函数模型为基础进行林分生物量基本模型的构建;采用混合效应模型技术,根据海拔高低把样地划分为6个区域,将区域效应作为随机效应,并在基础混合效应模型基础上考虑方差和协方差结构,构建林分生物量混合效应模型,以此估测高山松林分生物量。利用AIC、BIC和Log Lik 3个拟合指标评价模型的拟合效果,利用SRE、MRE和AMRE进行最终林分生物量混合效应模型的独立性检验。结果表明:从模型拟合结果看,考虑区域效应的混合效应模型的拟合效果明显高于基础模型,其AIC和BIC值最低,Log Lik达到最大;从模型独立性检验看,考虑区域效应的混合效应模型的绝对平均误差最小(AMRE=31.52%),精度达到77.83%。综合分析,混合效应模型可有效提高高山松林分生物量估测精度。 相似文献
12.
利用TM遥感数据以及同期获得的野外调查样地数据,研究了河北省丰宁满族自治县森林地上生物量的遥感估测技术。提取TM遥感影像6个波段反射率及DVI、NDVI、PVI、RVI、VI3、SLAVI和SAVI 7个植被指数,分析了森林样地地上生物量与各个因子间的关系,得出相关系数较小(均小于0.400);因此采用Stepwise逐步回归法,建立了多元回归模型。结果表明,ρ2、ρ3、ρ4、ρ54波段反射率和有效叶面积植被指数(SLAVI)结合建立的多元回归模型,可用于森林生物量的遥感估测,估测的R2值达0.730,留一交叉验证均方根误差RMSE最小,达33.712。利用2008年的全覆盖TM影像,结合丰宁遥感分类图像,获得了丰宁县2008年森林地上生物量分布图,森林植被总生物量为1.805×107t。 相似文献
13.
思茅松天然林林分生物量混合效应模型构建 总被引:2,自引:1,他引:1
本研究以云南省普洱市的思茅松天然林为对象,调查了3个位点45块样地的林分地上、根系和总生物量。以幂函数模型为基础构建林分生物量的基本模型;采用混合效应模型技术,考虑区域效应随机效应,选择基本混合效应模型,并分析模型的方差和协方差结构,分别构建3个维量的区域效应随机效应的混合效应模型;考虑林分因子、地形因子和气象因子固定效应,构建含环境因子固定效应和区域效应随机效应的林分生物量混合效应模型。所有模型均采用拟合指标和独立检验指标进行评价。结果表明:1) 从模型拟合情况看,考虑区域效应的随机效应模型均能显著提高一般回归模型的精度;在3类含环境因子固定效应模型中,含地形因子固定效应的区域混合效应模型均具有最低的AIC和BIC值,表现最好;2) 就模型独立性检验看,除地形因子固定效应的林分根系混合效应模型外,其余模型均优于一般回归模型;考虑环境因子固定效应的混合效应模型与普通区域效应混合模型相比,各个维量模型的独立性检验指标表现不一,但总体上差异不大;3) 综合考虑模型拟合和独立性检验结果,除林分根系生物量选择普通区域效应混合模型外,另2个维量均选择含地形因子固定效应和区域效应随机效应的混合效应模型。 相似文献
14.
《上海农业学报》2016,(6)
以在河北省平泉县东山栽植的288株4年生菌料刺槐林为试验材料,以生长量因子树高、地径、冠幅以及地径平方与树高乘积为自变量,以立木地上部分(不含树叶)生物量即自然风干质量为因变量,应用SPSS 17.0软件对数据进行统计和回归分析,构建生物量估测模型。对初选出的20个估测模型采用决定系数R~2和SEE值进行模型拟合效果检验,优选出4个估测模型。对优选出的4个估测模型以总相对误差(RS)、平均相对误差(EE)、平均相对误差绝对值(RMA)和预估精度(P)进行预测精度验证,最后确定最优估测模型。结果显示,优选的4个估测模型为:以冠幅作自变量的线性方程y=4.746x-8.278、幂函数y=0.451x~(2.309)、对数函数y=14.867ln(x)-10.210和以地径作自变量的复合函数y=1.426×1.252~x,通过RS、EE、RMA、P预测精度验证,都可以用来预测刺槐地上部分(不含树叶)生物量。以冠幅作自变量的幂函数y=0.451x~(2.309)预测该生物量更为准确,预测精度更高,线性方程y=4.746x-8.278次之。相关性和回归分析表明,生长量因子树高、地径、冠幅相互之间均呈极显著正相关,冠幅与地径的相关系数高达0.905,冠幅与树高的相关系数最低,为0.695。对其线性回归方程检验后认为,以地径作自变量,以冠幅作因变量的线性方程y=0.282x+1.296,决定系数R~20.8,SEE值很小,可靠性比较高,可以通过地径来预测冠幅的大小。 相似文献
15.
利用landsat5影像和通过蓄积量-生物量转换方法获得的样地生物量数据,从宜良县云南松林遥感特征、地形特征、郁闭度等方面选取自变量,采用随机森林回归和偏最小二乘法进行生物量遥感估测建模。结果表明:随机森林回归估测模型调整决定系数R2为0.881,模型估测精度为82.3%;偏最小二乘模型的调整决定系数R2为0.753,模型估测精度为78.43%。随机森林回归在模型拟合效果和检验精度上均优于偏最小二乘模型。 相似文献
16.
以石台县为研究地,结合Rapideye高分遥感影像和不同森林类型样地林木地上生物量调查数据,采用Pearson双变量相关分析方法筛选模型变量,分别用多元线性回归和随机森林算法建立不同森林类型的遥感地上生物量估测模型,并进行模型估测精度对比分析。结果表明,叶绿素红边模型(CRM)与叶绿素绿波模型(CGM)2个指数与针叶林、阔叶林生物量在0.01水平上的相关性极显著,且在其多元线性回归模型和随机森林模型中两者均被挑选为建模变量。另外,与生物量相关性较强的纹理特征主要集中的红光波段和红边波段,且仅MEAN、VAR、SM3个滤波对生物量估测贡献较大,可作为建模变量。阔叶林、针叶林和针阔混交林3种森林类型的地上生物量模型估测精度均表现为随机森林模型优于多元线性回归模型。随机森林模型生物估测绝对均方误差在12.8760~36.5363之间,相对均方误差在20.20%~45.95%之间;多元线性回归生物量估测绝对均方误差在22.0425~46.4494之间,相对均方误差在34.58%~58.42%之间。 相似文献
17.
18.
《西南林业大学学报》2015,(6)
以河南西峡县2013年Landsat 8影像及同期217块森林资源连续清查固定样地数据为信息源,以9个植被指数、3个地形指数为自变量,建立多元线性回归、决策与回归树、装袋算法、随机森林4种遥感估测模型;采用十折交叉验证,及相关系数、绝对误差、均方根误差、相对误差、相对均方根误差5个指标,对遥感估测模型进行精度评价,在此基础上,对研究区域2013年的森林地上部分生物量进行遥感估测和空间分析。结果表明:在4种遥感估测模型中,随机森林综合性能最高,装袋法次之,多元线性回归最低;在12个自变量中,地形(海拔、坡度)、土壤(亮度指数、湿度指数)、植被生长状况(垂直植被指数、有效叶面积指数)6个因子是影响研究区域森林地上部分生物量的重要环境变量;2013年,研究区域单位面积森林生物量为38.56 t/hm2,其中低(40 t/hm2)、中(40~60 t/hm2)、高(60 t/hm2)的面积分别占59.92%、24.30%、15.78%;研究区域森林地上部分生物量较高的区域,主要分布在交通不便、森林茂密、人类干扰活动较少的北部石质山区,而较低的区域,主要分布在交通发达,人口密度大,坡度较为平缓的南部鹳河谷地。 相似文献
19.
《西南林业大学学报》2016,(3)
以ALOS PALSAR L波段双极化FBD微波遥感数据及多光谱光学遥感数据AVNIR-2为基础,对数据进行预处理,利用地面云南松林样地坐标,提取HH、HV双极化后向散射系数及极化比值3个因子,结合光学遥感数据提取4个波段值及NDVI、RVI 2个植被指数,作为云南松林生物量估测因子。分别以微波数据、光学数据、微波及光学数据结合的多源遥感数据,建立3个云南松林生物量估测模型。结果表明:所建模型经方差分析均达到显著相关或极显著相关水平;PALSAR L波段双极化后向散射系数,可以反映森林生物量的变化,但反演精度有待进一步提高;AVNIR-2数据模型优于PALSAR L波段双极化数据模型;多源数据模型与光学数据模型的估测精度相近。 相似文献
20.