共查询到20条相似文献，搜索用时 140 毫秒
1.
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
2.
《中南林业科技大学学报(自然科学版)》2019,(11)
准确估算森林碳密度是研究森林生态系统的核心。基于Matlab工作平台,以森林资源连续清查(湖南省第七次复查)及同期Landsat 8影像为本底,建立非线性回归模型、RF随机森林模型和RBF径向基神经网络模型进行森林碳密度反演。结果表明:RBF神经网络精度最高,决定系数为0.96,均方根误差为1.33 t·hm-2,很好的拟合了样地实测碳密度;RF随机森林优于非线性回归模型,拟合精度、均方根误差分别为0.91、2.50 t·hm-2;非线性回归模型精度最低,决定系数和均方根误差分别为:0.62、3.87 t·hm-2。故应用RBF神经网络对森林碳密度的反演具有很好的效果。 相似文献
3.
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
4.
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
5.
基于Landsat5 TM遥感影像估算江山市公益林生物量 总被引：1，自引：0，他引：1
《西部林业科学》2016,(1)
本研究基于Landsat5 TM遥感影像数据和样地调查数据,利用多元逐步回归、偏最小二乘回归和随机森林回归3种方法,建立江山市公益林生物量估算模型,分析和比较3种模型的精度结果,探究随机森林回归模型在估算生物量方面的应用,为提高估算森林生物量的精度提供参考。结果表明,多元逐步回归模型的预测精度为58.31%、均方根误差为31.02 t/hm2,偏最小二乘回归模型分别为60.84%、30.72 t/hm2,随机森林回归模型为70.02%,22.18 t/hm2。由此可得,随机森林回归模型的预测精度优于其他2种模型,随机森林算法能提高估算森林生物量的精度。 相似文献
6.
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
7.
本次试验以湖南省湘潭县为研究区,提取Landsat 8 OLI影像数据的56个遥感因子作为候选因子,结合皮尔逊相关系数和主成分分析两种方法对变量进行降维,构建多元线性回归模型(MLR)、误差反向传播神经网络(BP-ANN)、K最近邻模型(KNN)和随机森林模型(RF)进行蓄积量反演,并采用决定系数(R2)、均方根误差(RMSE)以及相对均方根误差(RRMSE)三个指标对模型进行精度评价。结果表明:三种机器学习模型的拟合结果均优于多元线性回归模型,其决定系数(R2)均大于0.6,其中RF最高,为0.67;四种模型中,三种机器学习模型的估测精度均比传统线性模型高出10%以上,其中随机森林模型(RF)精度最高,其均方根误差为57.5 m 3·hm-2,相对均方根误差为24.2%。 相似文献
8.
基于RBF组合模型的山地红壤有机质含量光谱估测 总被引：4，自引：0，他引：4
【目的】探讨组合模型在山地红壤有机质含量高光谱估算中应用的可行性,以期为土壤有机质含量估测提供基础数据和科学依据。【方法】基于山地红壤光谱的全波段(400~2 450 nm)研究范围,选择偏最小二乘回归(PLSR)、BP神经网络(BP)和支持向量机回归分析(SVMR)3种单一高光谱估测模型,分别获得预测结果,并重构预测结果数据,以绝对误差和最小为目标,计算固定权重与不固定权重两种组合模型的权重值,并基于径向基函数(RBF)神经网络法建立组合模型,探讨不同赋权方法与是否重构数据条件下的最优组合模型。通过均方根误差(RMSE)、预测偏差比(RPD)和决定系数(R2)评价山地红壤有机质含量的预测精度。【结果】单一预测模型中的SVMR估测精度最高,验证决定系数(R2)为0.64,均方根误差为9.76 g·kg-1,测定值标准差与标准预测误差的比值为1.67;在组合模型数据不重构的条件下,不定权组合模型要优于定权组合模型;在组合模型数据重构的条件下,定权组合模型要略优于不定权组合模型,估测精度相差不大;最优模型是数据重构定权组合模型,模型验证决定系数(R2)为0.87,均方根误差为7.91 g·kg-1,测定值标准差与标准预测误差的比值为2.06;组合模型验证精度优于单一模型,说明利用RBF组合模型估算山地红壤有机质含量是可行的。【结论】对山地红壤有机质含量的快速估测而言,单一模型具有操作简单、运算速度快等特点,因而具有较大应用价值,但组合模型能较大限度地利用各种预测样本信息,从而能有效减少应用单一模型时所受随机因素的影响,从而提高山地红壤有机质含量的估测精度。 相似文献
9.
基于TM数据的森林植物碳储量估测方法研究 总被引：4，自引：0，他引：4
以广东省第六次森林资源连续清查样地数据为基础，根据TM数据及其非线性组合的光谱信息，结合地学信息及林分信息，建立了森林植物碳储量估测的多元线性回归方程及神经网络模型。分析结果表明，神经网络模型的估测精度高于回归模型估测精度，但用它们估测落实到样地的森林植物碳储量误差仍然较大，还不能满足样地调查精度的要求。 相似文献
10.
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
11.
森林碳储量是研究森林生态系统功能的重要指标,同时也是人们经营森林的参考。珠三角为国内重要的发达地区,研究其森林碳储量分布格局,可以为珠三角森林城市群建设提供重要的理论依据。为精准估测大尺度森林碳储量空间分布格局,以2017年珠三角区域419块森林资源连续清查样地数据为研究对象,采用普通最小二乘法(OLS)模型和4种地理加权回归(GWR)模型对珠三角森林碳储量进行空间分布预测。结果表明：4种GWR模型均比OLS模型有更好的拟合效果和独立性样本检验结果,其中MGWR(Gaussian)的模型拟合效果最佳,GWR(Gaussian)的独立性样本检验结果最佳;运用GWR(Gaussian)模型估测的珠三角森林单位面积碳储量为6.15～81.52 t/hm2,平均值为33.46 t/hm2,且估测误差优于OLS模型,整体上呈现中心高、边缘低的空间分布格局。地理加权回归方法能较有效地估测森林碳储量,并且通过调整模型形式和空间核函数可进一步提高估测精度,为珠三角森林碳储量估测提供了新的方法和思路。 相似文献
12.
基于2014年12月3日获取的X波段Terra SAR-X数据和2008年10月19日获取的L波段ALOS PALSAR数据,引入树种类型为哑变量,采用逐步回归的方法,对云南省勐腊县森林蓄积量进行估测。结果表明,与X波段Terra SAR-X数据相比,基于L波段ALOS PALSAR数据建立的森林蓄积量模型具有更高的决定系数,R~2为0.843,模型估测精度为68.8%,均方根误差RMSE为38.8 m3·hm~(-2),最终结果证明波长较长的L波段ALOS PALSAR数据对森林蓄积量具有更好的估测效果。 相似文献
13.
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
14.
《林业科学》2019,(11)
【目的】基于实测的广东省木荷地上和地下生物量数据及加权平均含碳率,建立单木地上、地下生物量模型,获得区域尺度木荷碳密度及其估计误差,为其他树种的区域尺度碳汇估计提供参考。【方法】参考广东省木荷分布数据,选择并伐倒90株木荷测定地上部分的含碳率和生物量,并从中抽取40株木荷测定地下部分的含碳率和生物量。分地上、地下部分构建生物量随胸径变化的异速模型,利用非线性回归拟合模型参数。基于广东省第八次森林资源连续清查数据,使用Monte Carlo模拟法分地上、地下部分估计区域尺度上木荷的碳密度。采用决定系数、均方根误差和平均预估误差评价单木生物量模型拟合效果,通过均方根误差和相对均方根误差度量区域碳密度估测的不确定性。【结果】广东省木荷地上部分含碳率为0554 9,地下部分含碳率为0548 7;建立的单木地上和地下生物量模型的决定系数分别为0909 8和0793 1,表明木荷单木生物量模型具有良好的拟合优度和预估精度;广东省第八次森林资源清查时的木荷地上碳密度为580±044 t·hm~(-2),不确定性占比762%,地下碳密度为173±017 t·hm~(-2),不确定性占比976%,总碳密度为753±054 t·hm~(-2),不确定性占比723%。【结论】广东省木荷地上和地下部分含碳率均大于南方地区的平均水平,有明显的地域特征。使用Monte Carlo方法可得到稳定可靠的区域尺度的碳密度,并可量化广东省木荷碳密度估计的不确定性。 相似文献
15.
《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
16.
森林地上生物量的多基线InSAR层析估测方法 总被引：2，自引：0，他引：2
《林业科学》2017,(11)
【目的】发展一种森林地上生物量(AGB)的多基线干涉合成孔径雷达(InSAR)层析估测方法,解决热带雨林森林AGB遥感估测常规方法的信号"饱和"问题,为区域及全球森林生物量估测和碳储量研究提供关键技术支撑。【方法】以法属圭亚那巴拉库(Paracou)热带雨林为研究对象,以Tropi SAR 2009 P-波段多基线机载SAR数据和85块样地调查数据为主要数据源。首先,根据HH极化层析相对反射率的三维分布信息提取林下地表高度,对HV极化多基线InSAR数据进行地形相位去除;然后,对HV极化多基线InSAR数据进行三维成像,并对其进行地理编码,得到地理坐标空间层析相对反射率的三维分布信息;最后,利用样地调查数据,分析不同高度处层析相对反射率与森林AGB的相关性,进而建立以层析相对反射率为输入特征的森林AGB估测模型,同时采用留一交叉验证法(LOOCV)对其估测模型进行精度评价。【结果】20 m以下各高度处层析相对反射率与森林AGB呈不同程度的负相关关系,以5 m高度处层析相对反射率与森林AGB的负相关性最强(相关系数达到-0.58);20 m以上各高度处层析相对反射率与森林AGB呈不同程度的正相关关系,以25 m高度处层析相对反射率与森林AGB的正相关性最强(相关系数达到0.63)。采用5 m高度处层析相对反射率构建模型的估测精度为88.44%,均方根误差为49.85 t·hm-2(相对均方根误差为13.56%);采用25 m高度处层析相对反射率构建模型的估测精度为88.82%,均方根误差为47.30 t·hm-2(相对均方根误差为12.87%);同时采用5 m和25 m高度处层析相对反射率联合构建模型的估测结果最优,估测精度为89.17%,均方根误差为46.45 t·hm-2(相对均方根误差为12.63%)。【结论】通过多基线InSAR层析技术得到的层析相对反射率信息有效解决了热带雨林森林AGB遥感估测常规方法的信号"饱和"问题。采用5 m和25 m高度处层析相对反射率可反演得到高精度的森林AGB,表明多基线InSAR层析技术得到的特定高度处层析相对反射率对热带雨林森林AGB具有良好的指示作用;同时利用5 m和25 m高度处层析相对反射率进行联合估测可进一步提高森林AGB的估测精度,说明充分利用不同层次的森林垂直结构信息可进一步提高复杂森林空间结构条件下的森林AGB估测精度。 相似文献
17.
【目的】确定思茅松林生物量遥感估测的光饱和点,构建空间全局和局域遥感信息模型反演思茅松林生物量,为思茅松林生物量遥感估测提供参考。【方法】以云南省普洱市思茅松林为研究对象,基于Landsat8 OLI遥感影像数据和森林资源二类调查数据,运用二次项函数和幂函数求解思茅松林生物量光饱和点,采用普通最小二乘模型(OLS)、空间滞后模型(SLM)、空间误差模型(SEM)和地理加权回归模型(GWR)构建遥感信息模型,估测思茅松林地上生物量。【结果】1)普洱市思茅松林Landsat8 OLI遥感估测地上生物量的光饱和点为106.3 t·hm~(-2);2)空间回归模型拟合精度较高,尤其是GWR模型具有最高的R2(0.373)和最小的AIC(4 577.8),其拟合精度显著高于OLS、SLM和SEM模型;3)独立性样本检验结果表明,GWR模型的预估精度最高,且通过刀切法检验可知GWR模型在高值阶段(≥100 t·hm~(-2))和低值阶段(0～50 t·hm~(-2))的生物量估测能力强于OLS、SLM和SEM模型;4) GWR模型反演计算结果表明,思茅松林单位面积地上生物量为66.496 t·hm~(-2),与实测值偏差23.511%,估测误差低于OLS、SLM和SEM模型。【结论】对普洱市思茅松林生物量进行遥感估测时,GWR模型优于OLS模型和其他空间全局回归模型,且GWR模型可在一定程度上解决高值低估和低值高估问题,减小光饱和点对遥感估测精度的影响。 相似文献
18.
19.
【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
20.
【目的】采用 KNN方法进行碳储量估测,并对估测后的数据进行各种校正处理,绘制森林地上碳储量的空间分布图,为我国森林碳储量和固碳潜力的研究提供基础数据和科学依据。【方法】以黑龙江省大兴安岭为研究区(50°05'—53°33'N,121°11'—127°01'E),基于2010年森林资源连续清查固定样地和同年 Landsat5 TM 影像数据,利用 k－邻近法( KNN)在像素级水平上对森林地上碳储量进行估算。采用多准则方法分东、南、北和中4个区域对样地坐标和其对应的影像光谱值进行坐标重配准,并根据实测样地数据对坐标重配置前后不同林分类型地上碳储量估测精度进行评价;针对 KNN方法像素级估测结果存在明显的高值区域低估和低值区域高估现象,应用直方图匹配方法对估测结果进行变动范围调整;并根据样地实测碳储量和 KNN 估测值间的回归关系对调整后的结果分区域进行进一步匹配校正后处理,绘制森林碳储量的空间分布图。【结果】总体来说,本研究区域像元尺度KNN估测的欧式距离优于马氏距离,均方根误差随着最邻近值 k的增大而降低,当 k大于6时变化缓慢,并逐渐趋于稳定;坐标误差校正后,各林分类型森林地上碳储量的估测精度均显著提高,平均均方根误差由17.23降低到14.3 t·hm －2;直方图匹配后,各区域样地点高值区域低估和低值区域高估现象均有很大程度改善,实测值和估测值间的相关关系明显增强,然而高值地区(碳储量大于20 t·hm －2)出现过高估计现象;经匹配校正后处理的均值、标准差、直方图和累积频率分布图更接近样地实测值,均方根误差也明显降低,高值地区过高估计现象得到很好校正。【结论】森林资源清查数据、遥感数据及 KNN方法相结合逐渐成为区域尺度森林参数空间连续估测的重要手段。同利用光谱值和森林参数建立的回归模型相比,KNN方法能够更多地考虑到森林参数同光谱值之间的非线性依赖关系;但 KNN估测方法除了受距离度量标准、最邻近值 k的大小以及影像波段的选取等因素影响外,还存在如样地坐标和对应的影像光谱值匹配误差、像素级估测结果多呈明显集中分布趋势等问题,使得该方法的应用受到一定限制。本文的研究表明,对这些因素进行合理的校正,将更有利于区域尺度森林参数的精确估计和反演。 相似文献