论文部分内容阅读
森林生物量是表征森林生态系统功能与森林生态价值的基本参数,同时也是研究森林碳储量与全球碳循环的核心部分。实现森林生物量高精确地遥感估测,对掌握区域乃至全球碳储量具有重要研究意义。传统生物量估测外业周期长,只能获取点上的实测数据且对森林的破坏性较大。遥感作为有效的技术手段,发挥了其获取大尺度空间连续性数据的优势。基于光学遥感数据的遥感估测研究起步较早,研究覆盖面较广,可以获取森林水平结构信息,对森林垂直结构信息的获取能力较弱,而且光谱信号易饱和且穿透性较差。激光雷达技术的兴起,以其获取高精度的森林垂直结构信息为优势,在林业研究应用领域迅速发展。森林生物量的估测方法包含传统的参数化方法和非参数化的机器学习算法。传统的参数化方法各参数意义明确,模型可见,而非参数的估测算法,直接输出模型运算结果,存在暗箱操作的问题,但基于传统参数化的方法很难满足森林生物量与遥感特征因子间的非线性关系。因此,发展了非参数化的机器学习算法,满足森林生物量遥感估测的需求。本文以内蒙古根河市大兴安岭生态站为研究区,以具有典型区域代表性的寒温带兴安落叶松原始林及其次生林为研究对象。利用小光斑机载激光雷达LiDAR数据、Landsat-TM5数据和HJ1B-CCD2数据,对森林冠层高度、森林郁闭度和森林地上生物量进行估测。实现了基于不同实测树高算法的树高模型构建,并生成研究区森林高度空间分布制图。同时基于LiDAR数据提取点云密度变量,对森林郁闭度进行模型构建、实现研究区森林郁闭度空间分布制图。联合LiDAR数据的森林高度和森林郁闭度分布图,结合光学遥感数据采用多元逐步回归法,随机森林算法、支持向量回归算法和最大熵模型法对森林地上生物量进行遥感估测。充分发挥不同数据源的遥感因子特性,选择最适于研究区森林地上生物量的建模方法,取得的主要结论如下:(1)LiDAR 50%分位高与样地实测树高具有较强的显著相关性,对实测树高的变异解释能力最强。LiDAR点云50%分位高与样地实测Lorey’s高的模型拟合效果最优,R2为0.869,RMSE为1.36m,平均估测精度为94.73%。基于双正切角树冠识别算法的LiDAR冠幅面积加权高与样地实测Lorey’s高的模型拟合效果略低于LiDAR点云50%分位高的模型拟合结果。其中,混交林的估测精度高于针叶林。(2) LiDAR点云的平均密度变量对森林郁闭度的总体代表性较好,模型拟合R2为0.784,RMSE为0.077,独立验证平均估测精度为88.29%,混交林的平均估测精度高于针叶林。(3)森林AGB模型的研究表明:利用多元逐步回归的估测结果,LiDAR数据的森林AGB模型的估测精度最高,训练R2为0.69,验证RMSE为23.09 t.hm-2,平均估测精度为82.51%。加入树高和郁闭度因子后,TM数据和HJ星数据的森林AGB模型的估测精度均有所提高,其中HJ星数据的模型估测精度提高效果较显著。利用随机森林回归算法的估测结果,LiDAR数据的森林AGB模型的估测精度最高,训练R2为0.835,RMSE为18.264 t.hm-2,验证RMSE为20.138 t.hm-2,平均估测精度为91.359%。加入树高和郁闭度因子后,TM数据和HJ星数据的估测精度均提高。利用SVR回归算法的估测结果,LiDAR数据模型训练R2为0.854,RMSE为17.557 t.hm-2,验证RMSE为19.004 t.hm-2,平均估测精度为80.374%。加入树高和郁闭度因子后,TM数据和HJ星数据的森林AGB模型估测精度均提高,其中TM数据的估测精度高于HJ星数据的估测结果。最大熵模型算法的估测结果,LiDAR数据的森林AGB模型的估测精度最高,其次为TM数据、HJ星数据。联合TM数据和HJ数据同时加入树高和郁闭度因子的森林AGB模型估测精度优于其他变量组合条件下的模型估测结果。加入树高因子和郁闭度因子后,模型的估测精度均提高。其中,树高因子对模型的精度改善效果较显著,郁闭度因子对森林AGB模型估测精度的影响较小,改善效果不显著。(4)随机森林特征选择和Libsvm的fselect特征选择算法均能提高模型估测精度。其中,随机森林特征选择算法对森林AGB模型估测精度提高效果较显著。(5) LiDAR数据在4种遥感估测方法中,均具有很好的数学对应关系,估测结果稳定均优于其他遥感数据的估测结果。随机森林回归算法针对不同遥感数据的模型训练效果最好。SVM算法对小样本数据的处理能力较强。最大熵模型算法,对生物量高值的估测结果稳定性较好,平均估测精度高于80%。