论文部分内容阅读
林业遥感技术的发展,为森林生物量的大面积和长时间序列监测提供了便捷、有效的技术方法。Landsat数据较高的分辨率有助于森林类型的识别和森林范围的提取,丰富的波段信息反映了森林植被的特征,能为森林生物量监测提供良好的数据源。本研究以吉林省汪清地区为研究区域,以1994年、2004年、2014年为研究时间节点,利用Landsat系列遥感影像,提取光谱和纹理特征,结合DEM地理数据,提取研究区地形因子,通过监督分类中支持向量机分类对研究区进行土地覆盖分类,进而识别森林类型。同时,通过线性(逐步回归法)和非线性(BP神经网络法、回归型支持向量机法)回归方法反演不同森林类型的生物量模型,选择泛化能力较强的森林生物量模型,对研究区森林生物量进行预测,获得研究区各时间节点森林生物量分布图,并结合地形特征,分析1994-2014年间,研究区森林生物量的变化及空间分布情况。主要研究内容和结果如下:(1)对Landsat影像数据进行无缝拼接、辐射定标、大气校正、几何校正、裁剪等处理,获得研究区各期影像。整理野外数据,依据不同树种的生物量异速生长方程,计算样方的森林生物量。(2)利用Landsat影像数据、DEM数据分别提取遥感特征变量和地学特征变量,通过支持向量机分类法,进行土地覆盖类型分类,评价分类精度,输出各类型森林的范围,并统计林地面积。结果表明,当C=2,g=0.5时,径向基核函数构造的SVM训练和预测分类精度最好,利用此SVM进行森林类型识别,1994、2004、2014年分类结果的总体分类精度分别为85.31%、88.98%、91.46%。(3)基于Landsat数据的光谱参数和研究区地形参数,通过逐步回归分析方法,筛选合适建模参数,建立不同森林类型的生物量估测模型,并评价模型的精度和适用性。结果表明,逐步回归获得的针叶林、阔叶林和针阔混交林的生物量模型的预测精度分别为0.746、0.517和0.655,三个模型仍然存在预测精度不高的问题,只用线性模型估算森林生物量并不准确,需要考虑非线性模型预估森林生物量。(4)利用主成分分析法,选择参与建模的主要参数。通过BP-神经网络和回归型支持向量机(SVR)方法分别反演各类型森林生物量模型,并评价模型的精度和适用性。结果表明,BP-神经网络获得的针叶林、阔叶林和针阔混交林的生物量模型的预测精度分别为0.769、0.842和0.867;SVR方法获得的针叶林、阔叶林和针阔混交林的生物量模型的预测精度分别为0.902、0.937和0.899。综合来看,SVR模型的拟合和预测精度更高,模型预测性能稳定,泛化能力强。(5)通过SVR模型,估测研究区1994、2004和2014年林地的森林生物量,并输出森林生物量分布图。统计各时间点研究区的森林生物量值,结合森林生物量分布图分析20年间森林生物量的变化情况,并依据研究区海拔、坡度分析森林生物量的空间分布和变化情况。研究结果表明,汪清地区20年间森林生物量总体变化趋势为先减后增,与林地面积变化趋势相似,1994-2014年间,森林生物量年均增长量达到0.32 t/hm 2。汪清地区森林生物量主要分布在海拔300~1000m、坡度0°~35°范围内,20年间,森林生物量变化部分主要集中在中低海拔地带及坡度为6°~35°地带。