论文部分内容阅读
森林生物量是衡量森林生态系统生产力的重要指标,在阐释全球碳循环机制、应对全球气候变化以及生态系统等研究中具有重要作用。传统的森林生物量估测以高密度的样地调查为基础,通过构建异速生长模型来实现,具有原理简单、适用性强、估测精度高等优势,但需要耗费大量的人力物力,对森林生态系统的干扰较大,难以实现长期、宏观的森林生物量动态监测。遥感技术因其在应对各类复杂地表、大范围、长时间跨度等方面所表现出的超强连续探测及提取能力,展现出不可替代的优势,在森林生物量估测领域有诸多成功的案例。然而,单一的遥感手段在实际应用中存在着一定的局限性,如光学遥感数据易饱和造成生物量估测精度不高;微波雷达数据源较少且易受地形起伏因素干扰;激光雷达离散的属性以及机载激光雷达较高的成本,导致其难以实现大范围的连续监测。因此,研究如何克服单一遥感手段的不足,综合运用天空地一体化对地观测手段,解决多源遥感信息一体化、快速和综合处理等关键技术,实现多尺度、快速、准确地获取森林生物量,具有十分重要的意义。本研究以黑龙江省长白落叶松人工林为研究对象,以基于机载Li DAR的生物量反演模型为媒介,有机地衔接了地面调查与光学遥感数据,综合运用非线性似然无关回归、哑变量、多元线性回归、机器学习和深度学习等算法,提出了一套完整的森林各组分生物量估测方案,实现了落叶松分布信息的高精度提取以及单木、林分、经营单位和宏观等多尺度水平下的各组分生物量反演模型构建。主要结果如下:1、基于40块样地数据和64株样木解析数据,在考虑和未考虑林龄2种情形下,利用哑变量和非线性似然无关回归方法相结合,分别构建了单木、林分水平的一元相容性生物量模型。单木水平下,除树叶外,全株及各组分生物量模型的Radj2均大于0.91,平均预估精度达到92%以上。林分水平下,除树枝和树叶外,全株及各组分生物量模型的Radj2均大于0.98,平均预估精度达到97%以上。林龄因素的加入,能够显著提升林分生物量模型的拟合效果、预估精度及模型稳定性,但对单木生物量模型影响不大。2、以地面实测样地数据和同步获取的机载激光雷达（Li DAR）点云为数据源,分别采用多元线性回归和随机森林方法,构建了落叶松各组分生物量遥感反演模型。机载Li DAR提取的自变量与生物量均具有显著的相关性,普遍表现为显著（P<0.05）或极显著水平（P<0.01）。多元线性回归和随机森林均可用于落叶松生物量遥感反演模型的构建,模型的R2均高于0.91,且均拥有较小的r RMSE、TRE。多元线性回归的优势是模型简单易用,Li DAR自变量对生物量有更加明确的解释能力。随机森林模型拥有更好的拟合效果和泛化能力。首次提出改进的随机森林（Improved-RF）方法对随机森林模型进行优化,结果表明Improved-RF可以有效避免随机森林常见的过拟合问题,在不损失预估精度的前提下,大幅减少了自变量数量。3、基于机载Li DAR反演的生物量及高分一号（GF-1）遥感数据提取光谱特征、植被指数和纹理特征,分别采用随机森林和循环神经网络方法,构建了落叶松生物量遥感外推模型。循环神经网络与随机森林模型均能较好地解释遥感因子与生物量之间复杂的非线性关系,全株、地上及树根等主要生物量模型的R2均优于0.7,循环神经网络在防止生物量低估和还原观测值数据结构方面,表现出更强的能力。利用独立样本评价模型的泛化能力,循环神经网络取得了令人满意的效果,全株及地上生物量模型的R2均高于0.63,且拥有较小的rRMSE和TRE。本研究综合运用天、空、地一体化监测手段,以机载Li DAR为纽带,将地面调查数据与卫星遥感数据紧密结合起来,引入循环神经网络的深度学习方法,有效挖掘并建立了卫星遥感数据与生物量之间的复杂关系,解决了森林生物量从单木—林分—经营单位—宏观区域等多尺度下的高精度连续监测方法,为大范围、快速、准确地获取森林生物量进行了有益的探索。