论文部分内容阅读
森林蓄积量是衡量森林质量、评价森林经营能力的一个关键指标,也是评价森林固碳水平的主要因子。传统人工调查获取蓄积量的方式费时耗力,遥感影像结合地面调查样地构建蓄积量反演模型可以弥补传统调查方式的不足。激光雷达的快速发展也为蓄积量调查提供了助力。变量筛选方法和反演模型的选择是蓄积量遥感反演的关键。因此,选择合适的特征变量筛选方法,对现有遥感反演模型进行改进,提高模型的估计精度和工作效率,对蓄积量遥感反演研究具有重要意义。研究以赤峰市旺业甸林场为研究区,利用实地调查的76个25m×25m的样地数据,结合Sentinel-2遥感影像与LiDAR点云数据提取特征变量,采用线性逐步回归法和随机森林法进行特征变量筛选,对两种数据源所保留的特征变量分别使用多元线性回归模型(Multiple Linear Regression,MLR)、k最近邻(k-Nearest Neighbor,kNN)模型、随机森林模型(Random Forest,RF)进行研究区森林蓄积量估测和空间分布制图。由于LiDAR点云没有覆盖整个研究区,研究联合Sentinel-2影像与LiDAR点云建立联立方程组模型对研究区蓄积量进行估测与空间分布制图,并进行比较估测精度与制图效果。主要研究结论包括:(1)LiDAR点云的特征变量与蓄积量之间存在显著相关性,对提高模型反演精度有重要作用。以Sentinel-2影像为数据源结合样地蓄积量实测数据,共提取344个特征变量,其中24个特征变量与蓄积量显著相关(p<0.05)。相关系数绝对值前五的特征变量为Cor2、Ent13、Sec4、Mean15和Mean7,相关性分别为0.341、-0.332、0.327、-0.326和-0.322。以LiDAR点云为数据源结合蓄积量实测样地数据,共提取98个特征变量,其中50个特征变量与蓄积量显著相关(p<0.05)。相关系数绝对值前五的特征变量分别为ele_mean、ele_sms、ele_p_25、ele_p_20和 ele_H_10,相关性分别为 0.797、0.795、0.795、0.794 和 0.794。(2)线性逐步回归法整体优于随机森林法。在使用Sentinel-2影像进行反演时,MLR模型在线性逐步回归法的表现要优于随机森林法,但对于RF模型,由于随机森林法是基于特征变量对于随机森林回归的贡献度选择变量的,建模效果要优于线性逐步回归法。在使用LiDAR点云反演时,MLR模型在两种变量选择方法中都优于RF模型与kNN模型。(3)联合Sentinel-2遥感影像与LiDAR点云数据建立的联立方程组模型反演结果优于只使用Sentinel-2影像的反演模型。研究分别使用Sentinel-2影像、LiDAR点云、Sentinel-2影像联合LiDAR点云对研究区进行蓄积量反演。虽然只使用LiDAR点云的模型反演效果最好,但无法对点云数据以外区域的森林蓄积量进行估测,不能获取研究区连续的森林蓄积量空间分布图。而使用Sentinel-2影像联合LiDAR点云的方法在两种特征变量筛选下决定系数最高达到了 0.66,且RMSE、rRMSE和MAE与仅使用Sentinel-2影像的方法相比均达到最小(RMSE=37.78m3/hm2,rRMSE=17.67%,MAE=30.88m3/hm2)。联合 Sentinel-2 遥感影像与LiDAR点云数据建立的联立方程组模型在能够制图的前提下提高了反演精度。(4)联立方程组模型森林蓄积量空间分布与实际蓄积量分布情况基本一致,制图效果最好。东南部和西南部地区森林较多,分布较多蓄积量大于300 m3/hm2的区域,中部与西北部地区蓄积量分布较少,林场蓄积量主要分布为100-300 m3/hm2。MLR模型、kNN模型与RF模型均产生了高估值与低估值。联立方程组模型在所有模型中制图效果最好,能为森林蓄积量反演提供参考。