论文部分内容阅读
森林生物量反映了森林生态系统的物质循环,是衡量森林结构和功能变化的重要指标。准确估算森林生物量是统计分析碳储量的基础,对更好地了解碳循环、提高森林政策和管理活动效率具有重要意义。光学遥感影像有丰富的光谱和纹理特征,可以获取森林水平结构信息,雷达数据在获取森林垂直信息方面具有优势。因此,联合光学影像和雷达数据建立生物量估测模型,充分发挥两种影像数据的优势,在提高森林生物量估测模型拟合效果及精度方面具有较大的发展潜力。本文以北京市为研究区,基于Landsat 8 OLI光学遥感影像和ALOS-2 PALSAR-2雷达数据,结合森林资源清查数据,提取两种遥感数据的建模变量,利用K最近邻法和随机森林法建立不同变量集合(仅Landsat 8 OLI影像、仅ALOS-2 PALSAR-2数据、两种影像结合)的针叶林、阔叶林、混交林的森林生物量估测模型,对比不同建模方法、不同变量组合、不同林型估测森林生物量的精度,探讨最适合于北京地区的估测模型,并对北京市森林生物量分布进行统计分析。主要研究内容及结果如下:(1)对提取的遥感变量分为三种变量集合进行建模,分别是Landsat 8 OLI变量、ALOS-2 PALSAR-2变量和两种数据结合的变量。结果表明两种变量结合的模型的估测结果(R~2为0.50-0.66,均方根误差为13.43-16.42Mg/ha)优于仅使用单一变量的模型(R~2为0.38-0.53,均方根误差为14.54-19.26Mg/ha)。相同情况下两种变量结合的估测结果均高于单一变量。(2)构建基于K最近邻法和随机森林法的森林生物量估测模型,对结果进行比较分析可知,相同条件下随机森林模型能够有效降低生物量估测的误差。与K最近邻模型相比,随机森林模型的R~2由0.38-0.51升高至0.50-0.66,RMSE由14.46-19.26Mg/ha降低至13.43-16.12 Mg/ha,改进了模型效果,提高了模型精度。因此随机森林模型更适用于北京市森林生物量估测。(3)北京市森林平均生物量密度为51.93Mg/ha,森林生物量主要分布在延庆、怀柔、密云等西北部山区,西城、东城、朝阳、海淀等城六区所在的中部地区以城区为主,森林较少,生物量值较低;根据海拔划分,约有75%以上的森林生物量分布在800m以下的地区,其余分布在800m以上地区。本研究通过分析不同建模方法、不同变量集合对估测森林生物量的影响,得到了北京市森林生物量估测的最优模型,该方法较适用于北京地区的生物量估测,为相关林业决策部门的规划提供依据。