林业科学
林業科學
임업과학
SCIENTIA SILVAE SINICAE
2015年
1期
140-149
,共10页
郭云%李增元%陈尔学%田昕%凌飞龙
郭雲%李增元%陳爾學%田昕%凌飛龍
곽운%리증원%진이학%전흔%릉비룡
Landsat-5 TM%SCS+C地形校正%多元线性逐步回归%k-NN%森林地上生物量%遥感估算
Landsat-5 TM%SCS+C地形校正%多元線性逐步迴歸%k-NN%森林地上生物量%遙感估算
Landsat-5 TM%SCS+C지형교정%다원선성축보회귀%k-NN%삼임지상생물량%요감고산
Landsat-5 TM%SCS + C terrain correction%multiple linear stepwise regression%k-NN%forest above-ground biomass(AGB)%estimation of remote sensing
[目的]以黑河流域上游祁连山森林保护区为研究区,利用133个森林样地调查数据、Landsat-5 TM影像和ASTER GDEM产品为数据源,探讨地形对该流域森林地上生物量(above-ground biomass,AGB)估测的影响,以及选择合适的遥感估测方法反演该流域的森林AGB.[方法]首先利用青海云杉特殊的生境范围和绿色植被对比值植被指数(ratio vegetation index,RVI)的灵敏程度,及不同地物对纹理特征的不同响应,制定相应的决策树分类器,将研究区的土地覆盖类型分为两大类:森林(青海云杉)-非森林,并利用133个森林样地调查数据和Google Earth 高分辨率影像的12 722个采样点对分类结果进行验证(总体分类精度达到90.39％,Kappa系数为0.81);然后运用多元线性逐步回归估测法,以及结合随机森林算法(random forest,RF)优化后的k最近邻分类法(k-nearest neighbors,k-NN)进行森林AGB的遥感估测,对比SCS+C地形校正前后青海云杉森林AGB的估测结果,同时比较2种不同估测方法的反演效果;最后利用得到的最优估测方法反演整个研究区的森林AGB,生成黑河流域上游祁连山森林保护区的森林AGB的等级分布图.[结果]SCS+C地形校正前多元线性逐步回归的估测精度为R2=0.31,RMSE =34.41 t·hm-2,地形校正后多元线性逐步回归的估测精度为R2 =0.46,RMSE =30.51 t·hm-2;而基于SCS+C地形校正后的k-NN的交叉验证精度不仅明显高于地形校正前的精度,且显著优于多元线性逐步回归的估测结果,达到R2=0.54,RMSE=26.62 t·hm-2;另外基于最优的k-NN估测模型(窗口为7×7,采用马氏距离,k=3)反演的该流域青海云杉在2009年总的森林地上生物量为8.4×107t,平均森林地上生物量为96.20 t·hm-2.[结论]在地形复杂地区,运用SCS+C模型对地形进行适当校正,能够有效地消除太阳入射角变化引起的地表反射亮度的差异,使影像能够更准确地反映地表信息,提高森林AGB的遥感估测精度;在样本有限的情况下,相对于以大数定律作为理论基础的多元线性逐步回归估测法,k-NN能够避免发生过学习现象和样本不平衡问题,更适于该研究区青海云杉的森林AGB的估测.
[目的]以黑河流域上遊祁連山森林保護區為研究區,利用133箇森林樣地調查數據、Landsat-5 TM影像和ASTER GDEM產品為數據源,探討地形對該流域森林地上生物量(above-ground biomass,AGB)估測的影響,以及選擇閤適的遙感估測方法反縯該流域的森林AGB.[方法]首先利用青海雲杉特殊的生境範圍和綠色植被對比值植被指數(ratio vegetation index,RVI)的靈敏程度,及不同地物對紋理特徵的不同響應,製定相應的決策樹分類器,將研究區的土地覆蓋類型分為兩大類:森林(青海雲杉)-非森林,併利用133箇森林樣地調查數據和Google Earth 高分辨率影像的12 722箇採樣點對分類結果進行驗證(總體分類精度達到90.39％,Kappa繫數為0.81);然後運用多元線性逐步迴歸估測法,以及結閤隨機森林算法(random forest,RF)優化後的k最近鄰分類法(k-nearest neighbors,k-NN)進行森林AGB的遙感估測,對比SCS+C地形校正前後青海雲杉森林AGB的估測結果,同時比較2種不同估測方法的反縯效果;最後利用得到的最優估測方法反縯整箇研究區的森林AGB,生成黑河流域上遊祁連山森林保護區的森林AGB的等級分佈圖.[結果]SCS+C地形校正前多元線性逐步迴歸的估測精度為R2=0.31,RMSE =34.41 t·hm-2,地形校正後多元線性逐步迴歸的估測精度為R2 =0.46,RMSE =30.51 t·hm-2;而基于SCS+C地形校正後的k-NN的交扠驗證精度不僅明顯高于地形校正前的精度,且顯著優于多元線性逐步迴歸的估測結果,達到R2=0.54,RMSE=26.62 t·hm-2;另外基于最優的k-NN估測模型(窗口為7×7,採用馬氏距離,k=3)反縯的該流域青海雲杉在2009年總的森林地上生物量為8.4×107t,平均森林地上生物量為96.20 t·hm-2.[結論]在地形複雜地區,運用SCS+C模型對地形進行適噹校正,能夠有效地消除太暘入射角變化引起的地錶反射亮度的差異,使影像能夠更準確地反映地錶信息,提高森林AGB的遙感估測精度;在樣本有限的情況下,相對于以大數定律作為理論基礎的多元線性逐步迴歸估測法,k-NN能夠避免髮生過學習現象和樣本不平衡問題,更適于該研究區青海雲杉的森林AGB的估測.
[목적]이흑하류역상유기련산삼림보호구위연구구,이용133개삼림양지조사수거、Landsat-5 TM영상화ASTER GDEM산품위수거원,탐토지형대해류역삼임지상생물량(above-ground biomass,AGB)고측적영향,이급선택합괄적요감고측방법반연해류역적삼림AGB.[방법]수선이용청해운삼특수적생경범위화록색식피대비치식피지수(ratio vegetation index,RVI)적령민정도,급불동지물대문리특정적불동향응,제정상응적결책수분류기,장연구구적토지복개류형분위량대류:삼림(청해운삼)-비삼림,병이용133개삼림양지조사수거화Google Earth 고분변솔영상적12 722개채양점대분류결과진행험증(총체분류정도체도90.39％,Kappa계수위0.81);연후운용다원선성축보회귀고측법,이급결합수궤삼림산법(random forest,RF)우화후적k최근린분류법(k-nearest neighbors,k-NN)진행삼림AGB적요감고측,대비SCS+C지형교정전후청해운삼삼림AGB적고측결과,동시비교2충불동고측방법적반연효과;최후이용득도적최우고측방법반연정개연구구적삼림AGB,생성흑하류역상유기련산삼림보호구적삼림AGB적등급분포도.[결과]SCS+C지형교정전다원선성축보회귀적고측정도위R2=0.31,RMSE =34.41 t·hm-2,지형교정후다원선성축보회귀적고측정도위R2 =0.46,RMSE =30.51 t·hm-2;이기우SCS+C지형교정후적k-NN적교차험증정도불부명현고우지형교정전적정도,차현저우우다원선성축보회귀적고측결과,체도R2=0.54,RMSE=26.62 t·hm-2;령외기우최우적k-NN고측모형(창구위7×7,채용마씨거리,k=3)반연적해류역청해운삼재2009년총적삼임지상생물량위8.4×107t,평균삼임지상생물량위96.20 t·hm-2.[결론]재지형복잡지구,운용SCS+C모형대지형진행괄당교정,능구유효지소제태양입사각변화인기적지표반사량도적차이,사영상능구경준학지반영지표신식,제고삼림AGB적요감고측정도;재양본유한적정황하,상대우이대수정률작위이론기출적다원선성축보회귀고측법,k-NN능구피면발생과학습현상화양본불평형문제,경괄우해연구구청해운삼적삼림AGB적고측.
