论文部分内容阅读
森林生物量是森林生态系统的重要参数,基于遥感数据反演森林生物量中,光学遥感光谱和纹理丰富,能够准确获取森林冠层信息,SAR数据不同极化方式在获取森林垂直结构方面具有明显优势,而且极化分解能够获取更多不同方面的地物信息。因此,结合光学影像和SAR数据各自的优势,建立联合反演模型,可以更加准确地获取森林生物量。本文以徐州丰县和沛县为研究区,采用Landsat-7 ETM+影像和ALOS PALSAR双极化数据,在获取森林生物量显著相关因子基础上,构建支持向量机回归(SVR)联合反演模型,通过组合不同敏感因子和增加训练组数,得到不同因子组合和训练组数对森林生物量反演精度的影响,并得出最优因子组合。(1)通过对遥感数据反演参数与森林生物量的相关性分析,研究结果表明PALSAR纹理特征参数与森林生物量的相关性最好,采用极化分解得到的参数与森林生物量的相关性次之,而Landsat-7 ETM+影像参数与森林生物量的相关性相对较差。(2)根据研究区的地面调查数据和森林SAR散射机制,建立适合研究区的PolSARProSIM半经验模型,进而估算研究区内的森林生物量,结果表明研究区内的树干生物量占总生物量的68-70%,所占比例最高,树枝生物量占总生物量的26%-28%,而树叶生物量所占比例最低。(3)研究构建了支持向量机回归的森林生物量联合反演模型。(1)联合不同因子的森林生物量反演精度较单一因子有明显提高,其中联合3种类型的因子组合的反演精度最高,R~2最高达到0.9382;(2)在联合2种不同类型的因子组合中,Landsat-7 ETM+因子和PALSAR纹理特征的因子组合的反演精度最好,其次为采用极化分解因子和PALSAR纹理特征的组合;(3)单一因子的反演精度影响联合反演精度,其中反演精度相差较大的两种因子,联合反演的精度随训练组数的变化主要受反演精度较高因子的影响,而精度相近的因子可以使联合反演的精度随着训练组数的增加而提高。