论文部分内容阅读
利用遥感影像提取的相关变量与地面样地调查数据结合建立生物量估测模型来估测森林生物量是目前森林生物量获取的主要方式。光学遥感数据是发展最早,研究最多,数据也最为丰富的数据源,在众多研究领域中都有庞大的应用途径。但是随着光学遥感数据不断研究与应用其弊端也逐渐显现:容易受云雨气候影响,受地形因素影响大,在林分成熟、郁闭度较高的样地研究中会出现光谱饱和的现象。这些弊端限制了利用光学遥感影像精确估测森林生物量的研究。合成孔径雷达影像具有不受云雨气候影响、强穿透力的优点,在一定程度上可以弥补光学遥感影像的不足,结合光学遥感影像和合成孔径雷达影像估测森林生物量的研究逐渐成为新的研究方向。本文以江西省龙南县为研究区,地面样地数据为2019年5至8月份完成的龙南县第七次森林资源二类调查,最终得到有效样地203块。按照林分郁闭度大小进行分层(低:0.2~0.39,中:0.4~0.69,高:≧0.7),结合同期Landsat 8和ALOS-palsar2遥感数据,数据源经过预处理与提取森林生物量特征因子后对三个郁闭度层级分别建立多元线性、K邻近(KNN)、支持向量机(SVM)、多层感知机(MLP)和随机森林(RF)五种模型对龙南县森林生物量进行估测,通过对比各模型的估测结果得到各郁闭度层级最优模型,分郁闭度层级反演林分生物量并绘制龙南县生物量分布图。主要研究结果有:(1)经筛选有40个因子参与模型建立,主要为纹理因子。研究提取植被指数、变换特征、纹理特征、SAR极化特征以及相关运算因子共252个,通过多元逐步回归法筛选遥感因子后共有40个因子参与模型的建立。(2)加入ALOS-palsar 2数据可以提高森林生物量的估测精度,以Landsat 8为单一数据源进行森林生物量估测精度较低,精度最高为46.85%(MLP)。加入ALOS-palsar2数据后,精度最高为49.62%(MLP),实验证明加入ALOS-palsar 2数据可以提高森林生物量的估测精度,提高约3个百分点。(3)郁闭度分层有效提高森林生物量的估测精度,按照林分郁闭度大小分为低中高三个层级,郁闭度0.2~0.39为低郁闭度,郁闭度0.4-0.69位中郁闭度,郁闭度0.7及以上为高郁闭度。以Landsat 8为数据源,进行郁闭度分层后估测森林生物量,低郁闭度精度最高为80.57%(MLP);中郁闭度精度最高为54.35%(RF);高郁闭度精度最高为58.22%(MLP)。郁闭度分层后精度均比分层前精度高,实验证明郁闭度分层后可以有效提高森林生物量的估测精度。(4)结合Landsat 8和ALOS-palsar 2以及郁闭度分层再进行森林生物量的估测,低郁闭度精度最高为73.75%(RF);中郁闭度精度最高为54.62%(SVM);高郁闭度精度最高为58.17%(MLP)。实验结果相比郁闭度分层但未加入ALOS-palsar 2数据的结果来说要好,整体上精度有所提高,说明结合Landsat 8和ALOS-palsar2以及郁闭度分层可以更有效提高森林生物量的估测精度。(5)各郁闭度层级最优模型:低郁闭度层级,随机森林模型(精度:73.75%),精度较未郁闭度分层且未加入ALOS-palsar 2数据提高了 26.90个百分点。中郁闭度层级,支持向量机模型(精度:54.62%),精度较未郁闭度分层且未加入ALOS-palsar 2数据提高了 7.77个百分点。高郁闭度层级,多重感知机模型(精度:58.17%),精度较未郁闭度分层且未加入ALOS-palsar 2数据提高了 11.32个百分点。