排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
极化干涉SAR森林冠层高反演是当前SAR领域研究的热点。经典的森林冠层高反演算法主要基于随机地表二层相干散射模型(Random Volume over Ground,RVo G),该模型在山区受到植被层下地表的地形坡度影响,反演精度存在较大误差。为了提高森林冠层高反演精度,采用地形坡度改正的S-RVo G(Sloped Random Volume over Ground)模型,结合三阶段算法,应用德国宇航局DLR提供的星载Tan DEM-X全极化干涉数据反演森林冠层高,并对结果进行验证。结果表明:坡度级为II、III级,RVo G模型反演效果接近于S-RVo G模型;坡度级为IV级,RVo G模型与二调平均树高的相关关系明显下降,加权相对误差和RMSE增大;S-RVo G模型与二调平均树高保持显著相关关系,反演误差同比小于RVo G模型。因此,S-RVo G模型一定程度上改正了地形坡度造成的误差,提高了森林冠层高反演精度,在坡度大的地区精度提升程度更为明显。 相似文献
2.
【目的】探讨综合光学遥感和微波遥感的多源数据森林蓄积量反演方法。【方法】以L波段ALOS PALSAR全极化数据和Landsat TM为数据源,结合地面调查样地数据,通过ALOS PALSAR提取不同极化状态的后向散射系数和极化比值等极化特征因子,Landsat TM数据提取光学遥感因子,以多元线性回归构建森林蓄积量模型。【结果】光学遥感反演方法、微波遥感反演方法、综合光学遥感和微波遥感的多源数据反演方法均可以实现森林蓄积量估测,其中,基于多源数据协同的反演模型为最优模型,决定系数R~2为0.674,模型检验均方根误差RMSE为13.38 m~3/hm~2。【结论】要比使用一种数据源的反演方法具有明显的优势,有效实现了森林蓄积量估测。 相似文献
3.
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
1